农田杂草识别方法研究进展
农田杂草识别方法研究进展
金小俊, 陈 勇, 孙艳霞
(南京林业大学机械电子工程学院, 南京
摘 要:
210037)
杂草识别是实现精确除草的前提。为此, 阐述了利用形态特征、颜色特征、光谱特征、纹理特征以及多
特征融合方法识别杂草的原理、研究现状和难点。同时, 介绍了模式识别等方法在杂草识别中的应用; 分析并比较了行间、行内杂草识别方法的特点, 指出行内杂草的识别远复杂于行间杂草识别, 是精确除草的难点, 对农田杂草识别和精确除草有较好的参考价值。关键词:杂草识别; 机器视觉; 行间杂草; 行内杂草中图分类号:TP391. 41 文献标识码:A
文章编号:1003-188X (2011) 07-0023-05
0 引言
除草方法有人工除草、机械除草、杂草检疫、生物防除和化学除草等。其中, 化学除草方法高效、方便, 被广泛应用。粗放式的大面积喷洒除草剂不仅浪费药剂, 而且污染生态环境。为此, 国内外都在开展精确除草方法的研究。要实现精确除草, 首先需要识别出杂草。
美国伊利诺大学在分析杂草整体分布特性的基础上, 研制出了可进行施用量决策并控制喷头工作的智能喷雾机
[1]
1. 1 利用形态特征识别杂草
基于形态特征的杂草识别主要通过研究叶片的边缘样式(曲率或叶状特征) 和整个叶片形状(面积、长度、宽度、周长、矩、无量纲比值等) 来实现
[4]
。单子
叶和双子叶杂草在外部形态上差别很大, 单子叶杂草叶片窄小且直立; 双子叶杂草叶片宽, 表面积大。因此, 可以利用形态的差异来区分杂草和作物。
Lee 等研究了基于形态特征的杂草识别方法, 通过分析叶片的伸长度(E l o ngation) 和紧密度(Co m pac-t ness) 来区分番茄苗和杂草。实验表明, 对二叶期番茄苗和杂草的识别率分别为73%和68. 8%。伸长度和紧密度与叶片的体积和旋转性无关, 故叶片的尺寸和方位对识别率影响较小别率则降低。
M anh 等利用可变形模板(Defor m able Te m plate) 方法来识别部分遮挡的叶片。该方法首先检测出叶片的端部, 然后将模型置于每个叶端之上, 并通过变形使模型与整个叶片进行匹配, 模型结构由叶片的可变骨架和代表叶片形状的轮廓线决定。麦田实验显示, 即使部分叶片被遮挡, 对狗尾草(Setari a v iridis L . B eauv . ) 的识别率仍可达84%。由于该方法是通过寻找叶片的叶端进而识别整个叶片, 所以当叶片的叶端被遮挡时, 则无法进行识别
[6][5]
。美国加利福尼亚大学戴维斯分校研
制了基于视觉导航的精确喷雾系统, 该系统可识别出番茄(Solanum lycopersicum ) 以及生菜(Lact u ca sati v a L . ) 田中的杂草, 并对杂草进行定点施药
[2]
。但该方法的研究是针对
。在国内,
没有遮挡, 叶片完全显露的情况, 当叶片被遮挡时, 识
浙江大学、中国农业大学、江苏大学等开展了杂草识别与精确除草相关研究。南京林业大学研究了基于直接施药方法的玉米苗期除草机器人
[3]
。
目前, 杂草识别通常采用基于机器视觉的方法来采集和处理图像。利用颜色特征可以区分植物和土壤, 但是难以区分杂草和作物。近年来, 形态特征、光谱特征和纹理特征等也被用来识别杂草。另外, 模式识别等方法也被应用于杂草识别研究。
1 基于杂草特征的识别方法
收稿日期:
2010-09-26
林业大学大学生实验室创新项目(2009)
作者简介:金小俊(1987-), 男, 江苏姜堰人, 硕士研究生。
通讯作者:陈 勇(1965-), 男, 南京人, 教授, 博士生导师, (E -m ail)
chenyongn @j sohu . co m 。
。
M aria Persson 等利用活动形状模型(A ctive Shape M odels , AS M ) 方法对甜菜(B eta vulgaris) 田中的杂草进行识别, 该模型能够去除83%被遮挡的杂草像素, 杂草识别率为81%~87%
[7]
基金项目:教育部留学回国人员科研启动基金项目(2006-2009); 南京
。
在自然环境下, 杂草叶片相互遮挡、相互交织, 增加了提取叶片特征的难度。另外, 叶片损坏、叶片嵌
入泥地中、其他物体附着和叶片处于受应力状态等各种情况都会影响杂草形态特征的识别1. 2 利用颜色特征识别杂草
杂草和土壤的背景颜色存在明显差异, 因此可以通过分析图像中颜色特征参数对图像背景进行分割。常用颜色空间为RGB 和H SI 空间, 在RGB 空间中最常用的颜色特征参数是超绿分量; 而在H S I 空间中, 色度分量(Hue) 由于具有对光线不敏感的特性, 可削弱光照对图像的影响, 故应用较多。
Chris G liever 等采用超绿特征分量(Excessi v e Green , EG =2G -R -B ) 对土壤背景中的杂草目标进行分割, 实验表明, 对棉花(Gossyp i u m spp . ) 田杂草的识别率为93%
[8]
[4]
441, 446, 459, 883, 924, 998nm 6个特征波长点识别甜菜田中的杂草, 准确率为91%
[13]
。。
P iron 等利用二次判别分析法(Quadratic D iscri m -i nantAnalysis , QDA ) 选取识别胡萝卜(Daucus carota ) 和杂草的特征波长点。研究发现, 以450, 550, 700nm 为特征波长点的3个干涉滤波器组成了最佳组合滤波器, 对胡萝卜和杂草的识别率达到72%
[14]
。
V ictor A lchanatisa 等在可见光和近红外波段采集多重波长的图像, 然后利用两个光谱通道(660和800nm ) 从图像背景中分割棉花和杂草, 并开发了基于局部直方图的鲁棒统计算法。该算法的鲁棒性在于可以识别不同大小、形状以及不同季节的棉花与杂草。试验表明, 该方法对棉花田杂草的识别错误率为15%
[15]
。
可以利用颜色特征先从土壤背景中分离出杂草和作物, 再结合其它特征来区分杂草与作物。B lasco 等对采集到的图像进行逐点扫描, 根据各像素点的RGB 值来分割作物(杂草) 和土壤, 然后再通过检测目标区域的大小来区分杂草和作物。若目标区域小于预设的阈值, 则判定该目标区域为噪点; 若目标区域大于另一预设阈值, 则判定该目标区域为作物。除此之外的剩余目标皆视为杂草。生菜田实验显示, 杂草识别率为84%
[9]
。
陈树人等测量了棉花、刺儿菜(C irsi u m setosum (Willd . )M B . ) 、水稻(O r yza sativa) 、稗草(Ech i n och loa crusgalli (L. ) Beauv . ) 等4种植物在350~2500nm 波段范围内的光谱反射率。实验结果表明, 利用3个特征波长385, 415, 435nm 可有效地从双子叶植物棉花中识别出双子叶杂草刺儿菜, 其识别率为100%; 利用5个特征波长375, 465, 585, 705, 1035n m 可有效地从单子叶植物水稻中识别出单子叶杂草稗草, 其识别率也为100%温度
[17]
[16]
。
部分作物的株心颜色与杂草和作物的叶片颜色存在着差异, 可以利用此差异识别出杂草。毛文华等研究发现玉米(Zea m ays L . ) 植株叶片的颜色是深绿色, 而株心区域的颜色是浅绿色, 对此先利用颜色特征从土壤背景中分割出玉米和杂草绿色植物区域, 再利用玉米苗株心颜色特征定位玉米植株, 最后根据区域连通性识别玉米植株, 得到的非玉米植株的植物区域即为玉米田间杂草。试验表明, 对玉米田中杂草的识别率可达84%
[10]
。
在可见光波段, 杂草识别容易受到环境的影响, 、光照、湿度等都会造成植物反射率的变化。
另外, 有些杂草和作物的组织结构和反射波长十分相近, 在近红外波段识别杂草时, 会造成识别误差。因此, 这就对传感器的精度提出了比较高的要求。基于光谱特征的杂草识别方法相对简便, 实时性高, 但相关设备价格昂贵, 应用成本较高。1. 4 利用纹理特征识别杂草
纹理为某种基本模式(色调基元) 的重复排列, 可以通过观察纹理度量是否发生显著改变来确定两种纹理模式之间的边界。图像局部区域的自相关函数、灰度共生矩阵、灰度游程以及灰度分布的各种统计量, 是常用的数字纹理特征。但是, 杂草和作物往往呈现出不同的纹理特征, 因此可以利用纹理特征来识别杂草。
Zhang 等利用Fourier 光谱对小麦(Triticum aest-i vum L i n n. ) 和杂草的纹理特征进行分析, 研究发现, 小麦叶片具有单方向的纹理模式, 而杂草叶片表现为多方向纹理模式, 这种纹理方向性上的差异可用来区分小麦和杂草
[18]
。
杂草与作物的颜色特征非常相似, 仅凭颜色特征难以区别杂草与作物。此外, 土壤湿度、光照强度和空间分辨率等都会影响识别效果1. 3 利用光谱特征识别杂草
在可见光(400~700nm 波段) 或近红外光(700~2500n m 波段) 的照射下, 杂草与土壤以及杂草与作物的光谱反射率存在着差异。在可见光波段, 植物的叶绿素会吸收大部分的红色光
[12]
[11]
。
, 叶绿素浓度的变化会
影响反射率。在近红外波段, 杂草与作物叶片组织结构的不同会导致其吸收、反射和透射入射光线能力的不同, 根据反射率的不同也可区分杂草和作物。
Feyaerts 等运用成像光谱仪测定了甜菜和杂草在435~1000nm 范围内的反射率。研究表明:利用
。
M a j u m dar 等分析计算了10个灰度共生矩阵
(G ray Leve lCo-occurrenceM atrix , GLC M ) 特征、12个灰度行程矩阵(G ray Level Run Length M atri x , GLR M ) 特征和3个灰度特征。利用这25个纹理特征对麦田杂草进行识别, 正确率为92%。另外, 研究表明, 在绿波段的纹理特征模型识别精度最高。为了减少纹理分析算法的计算时间, 可将原始图像的256个灰度级缩减为8个灰度级
[19]
玉米生长初期采用判别分析方法识别杂草可以得到较高的识别率, 而在玉米抽雄期和完全生长期使用人工神经网络方法最为适宜
[24]
。
随着研究的深入, 分形维数、小波变换等方法也开始应用在杂草识别领域, 并取得了较好的效果。
杂草的形态结构具有自相似特征, 故可用叶片的分维来刻画分形体各尺度上特征的共性, 揭示杂草本质特征
[25]
。
曹晶晶等以作物行中心为基准来选取纹理块, 计算量化级数为8级的H 颜色空间的共生矩阵, 提取5个纹理特征参数, 并且利用K 均值聚类法判别分析各块的类别。研究表明, 由于在计算纹理特征时以块为单位考虑, 并加入了位置特征量, 从而使纹理的计算更有目标性, 提高了算法的实时性。麦田实验显示, 杂草识别率约为93%
[20]
。吴兰兰等比较了3种分形维数的计算公
式和计算方法, 发现Bou li g and -M i n ko w sk i 方法最佳。其中, 玉米和杂草的平均分形维数分别为1. 204和1. 079, 结合支持向量机进行识别, 玉米和杂草的识别率可达80%
[26]
。
Bossua 等利用小波变换对小麦和杂草进行识别。通过对小波变换和Gabor 滤波器在基于模糊矩阵下的杂草识别结果进行比较, 发现小波变换可以更好地适应透视图像, 在Daubechies 25和M eyer 小波时识别结果最佳, 小麦和杂草的识别率可达80. 6%, 且小波变换在识别精度和处理时间上皆优于Gabor 滤波1. 6 多特征融合的应用
杂草与作物在形状、颜色、大小和结构上都非常相似, 仅仅利用单个特征很难精确识别杂草, 因此可采用多个特征进行融合分析, 以提高杂草的识别率。
Staab 将杂草和番茄的光谱和空间分布特征作为贝叶斯分类器的输入参数来区分番茄和杂草。其中, 空间分布特征为光谱图像中模拟GPS 位置间的距离, 该方法认为距离已知番茄位置较远的目标体即为杂草, 实验表明, 杂草识别率大于84%
[28]
[27]
。不同植物的纹理区别较明
显, 因此采用纹理识别往往可以获得较高的识别率, 但提取和分析纹理特征需要大量的数据计算, 影响了实时性。
1. 5 模式识别及其它方法的应用
近年来, 人工神经网络、支持向量机、贝叶斯分类器、决策树和判别分析等模式识别方法也被应用于杂草识别研究中。
Is m ailK avdir 将采集到的向日葵(H elianthus ann -uus) 、杂草和土壤图像作为输入数据建模, 构造了一个基于误差反向传播算法(Back Propagation, BP) 的人工神经网络, 并通过降低图像的分辨率、切割土壤背景的边缘以减少图像尺寸来提高神经网络的学习速率。实验表明, 从土壤背景中识别出向日葵和杂草的准确率为90. 2%, 而区分出向日葵和杂草的准确率为82. 6%
[21]
。
。
Sun il K M athanker 等提取了植物的形状、颜色和纹理特征, 并结合A daboost 算法和支持向量机对油菜(Brassica ca m pestris L . ) 田和麦田杂草进行识别。研究发现, 利用Adaboost 算法识别油菜田杂草效果最佳, 杂草错误识别率为20. 45%。而对于麦田杂草, 利用支持向量机法识别效果最好, 杂草错误识别率为24. 91%
[29]
。
Lanlan W u 等提取玉米和杂草的纹理特征作为支持向量机分类器的输入向量, 利用该支持向量机方法对玉米和杂草进行识别, 准确率为92. 31%~100%。另外, 通过对比支持向量机和BP 神经网络发现, 支持向量机方法识别杂草的准确率高于BP 神经网络, 在相同数据集下, BP 神经网络的识别率仅为80%
[22]
。
。毛文华等通过利用植物的多种特征实现麦田杂草的识别。该方法先利用颜色特征分割土壤背景, 然后利用位置和纹理特征识别出杂草, 最后利用形态特征处理误识别的小麦和杂草。不同时期小麦和杂草的识别率最低为89%, 最高为98%
[30]
M erchant 等以颜色和位置特征为识别参数, 采用贝叶斯分类器来区分花菜(Brassica oleracea L. var . botrytis L. ) 、杂草和土壤, 在获取准确先验概率条件下, 错误分类率最低为6. 4%。另外, 分析结果表明, 在输入特征数较少的情况下, 采用贝叶斯分类器的效果要优于前馈神经网络
[23]
。
综合多个特征提高了杂草的识别率, 但增加了计算量。研究多个特征需选取有效的特征变量, 对各个特征进行独立分析, 这将大幅增加图像处理的时间。因此, 如何快速提取各个特征值, 对各个特征值进行有效的融合优化, 开发出高时效性的算法, 是利用多
。
K ari m i 等分别运用判别分析、决策树和人工神经网络3种模式识别方法对玉米田中的杂草进行识别, 杂草识别率分别为87%, 76%和81%。研究发现, 在
特征融合技术进行杂草识别的难点。
的提高。行内杂草的识别需要在众多的特征中选取最优特征量, 剔除冗余特征, 减少计算量, 并结合人工智能算法, 以提高行内杂草的识别率。
2 行间杂草与行内杂草的识别
精确除草都是针对按行种植的条播作物, 如玉米、棉花、大豆等。根据空间分布特征, 杂草可分为/行间杂草0和/行内杂草0。所谓/行间杂草0(I nter -Ro w W eed , B et w een -Row W eed) 是指生长在两个作物行之间的杂草; 而/行内杂草0(I ntra-Ro w W eed , W ith i n -Row W eed) 则是指生长在一个作物行内的杂草, 即与作物同在一行的杂草。2. 1 行间杂草识别
对于行间杂草的识别, 主要利用杂草的颜色特征将杂草从土壤背景中分割出来。前文所述的各种方法都可用于行间杂草的识别。
A l b erto Te llaechea 等在RGB 空间中将采集到的图像转换为单色图像, 利用熵阈值直方图法确定分割杂草与土壤背景的灰度级阈值, 通过此阈值将图像转换为二值图像, 再利用形态学开运算平滑转换后的二值图像, 从而完成了大麦(H ordeum vulgare) 田杂草与土壤背景的分割
[31]
3 结论
杂草识别是精确除草的前提。一般采用机器视觉和数字图像处理方法识别杂草。
在作物行间, 只有杂草是绿色的, 因此可以利用颜色特征将杂草从土壤背景中分离出来, 从而识别出行间杂草。
而在作物行的行内, 则难以仅仅依靠颜色特征区别杂草和作物, 因为它们往往都是绿色的。识别行内杂草还要借助空间分布特征、多光谱特征、形状、纹理特征等。如何利用这些特征? 还有哪些新的特征有待挖掘? 这些问题直接影响行内杂草识别率。显然, 识别行内杂草要比识别行间杂草复杂得多, 识别行内杂草是精确除草的难点。参考文献:
[1] T ian L. D eve lop m ent o f a sensor -based prec i s i on he rbic i de
appli cation system[J].Com puters and E l ectronics i n A g ricu-l ture , 2002, 36(2):279-289.
[2] G lles D K, S laugh ter D C. P rec isi on band spray i ng w ith ma -ch i ne -v i sion gu i dance and adjustable ya w nozzles [J ].T ransac tions of A S AE, 1997, 40(1):29-36.
[3] 陈勇, 田磊, 郑加强. 基于直接施药方法的除草机器人
[J].农业机械学报, 2005, 36(10) :91-93, 129. [4]
S l aughter D C , G iles D K, D o w ney D. A utono m ous robotic w eed contro l sy stem s :A rev iew[J].Computers and E lectron -ics i n A gr i culture , 2008, 61(1) :63-78.
[5] L ee W S , S laughte r D C , G il es D K. R obotic W eed Contro l
Syste m for Tom atoes[J].Prec i sion A gr icu lt ure , 1999(1):95-113.
[6] M anh A G, R abate l G, A sse m a t L, e t a. l W eed L eaf I m ag e
Seg m entation by D eformable T e m plates[J].Journal of A gr-i cu lt u ra l Eng i neer i ng R esearch , 2001, 80(2):39-146.
b
[7] M ar i a P ersson , B j ##o rn A strand . C lassificati on o f crops and
。
2. 2 行内杂草识别
识别行内杂草不仅要将杂草从土壤背景中分割出来, 还要将杂草与作物加以区分, 而作物与杂草在颜色、形状、光谱等许多特征上相似程度较高, 不易于分割, 所以行内杂草识别相对于行间杂草要复杂很多。行内杂草识别是实现精确除草的关键, 目前众多研究正在关注行内杂草识别。
B jo rn A strand 等通过提取颜色特征(绿色平均值) 和两个形状特征(紧密度和伸长度) 对生菜和杂草进行分类, 准确率达96%
[32]
##
b
。
P iron 等利用植物的株高和光谱特征对胡萝卜和杂草进行识别。研究发现利用植物的株高来区分胡萝卜和杂草, 正确率为83%, 而利用光谱特征对胡萝卜和杂草进行分类, 正确率为72%。通过优化植物的株高阈值并结合光谱特征, 区分胡萝卜和杂草的准确率可达86%
[33]
。
weeds extracted by ac tive shape m ode ls[J].B i o syste m s En -g i neeri ng , 2008, 100(4) :484-497.
[8] Chris G li ever , D avid C Slaughter . C rop ve rsesW eed R ecogn-i
tion w ith A rtifi c ial N eu ra lN e t w orks[C]//A S A E A nnua l In -terna ti ona lM eeti ng , Sacram ento , Ca lifornia , 2001:3101-3104.
[9] B lasco J , A le i xos N, R oger JM, et a. l R oboticW eed Contro l
usi ng M ach i ne V isi on[J].B i osystem s Eng i nee ri ng , 2002, 83(2):149-157.
[10] 毛文华, 王辉, 赵博, 等. 基于株心颜色的玉米田间杂草
朱伟兴等在颜色空间Y I Q , 选取I 作为特征量并用改进的最大类间方差法分离植物与背景; 在颜色空间H SI , 选取I 的同质性量和S 作为特征量进行多层同质性分割分离小麦与杂草; 最后结合形态学特征开闭运算滤波及二值逻辑与运算获得杂草图像。麦田试验表明, 杂草正确识别率达92. 6%
[34]
。
多特征融合的方法也越来越多地被用于行内杂草识别, 但特征量的增多必然导致特征空间复杂程度
识别方法[J].农业工程学报, 2009, 25(2):161-164.
[11] E l-FakiM S , Zhang N, P eterson D E . Facto rs a ffecti ng
co l o r -Based weed detec ti on [J ].T ransac tions of t he A S A E , 2000, 43(4):1001-1009.
[12] Scotford IM, M iller P C H. A pp licati ons o f Spec tralR e flec -tance T echn i ques i n N o rt hern European Ce rea l Producti on :A R ev iew[J].B i osyste m s Eng i neering , 2005, 90(3):235-250.
[13] F eyae rts F , V an G oo l L. M ulti-spectral v i sion syste m for
weed detection[J].P attern R ecogn ition Le tters , 2001, 22(6-7):667-674.
[14]
P iron A, Leem ans V, K l eynen O, e t a. l Se lecti on of t he mo st effi c i ent w av elength bands for d i scri m i nati ng w eeds from crop [J].Compu ters and E l ec tron i cs i n A gr i culture , 2008, 62(2):141-148.
[15] V i c t o r A lchana ti s , L eoni d R i de, l Am ots H etzron, i et a. l
W eed detecti on i n m ulti-spectra l i m ages o f cott on fie l ds [J].Co m puters and E lectron i cs i n A gr i culture , 2005, 47(3):243-260.
[16] 陈树人, 栗移新, 毛罕平, 等. 基于光谱分析技术的作物
中杂草识别研究[J].光谱学与光谱分析, 2009, 29(2) :463-466.
[17]
Zhang Y, S laughter D C . D eve l op m ent o f a Robust W eed Spec i es M app i ng Syste m using H yperspectra l I m ag i ng for Prec i sion W eed Contro l i n P ro cessi ng T om ato[C ]//ASA-BE Annual Internationa l M ee ti ng , nia , 2010:1009313.
[18] Zhang N, Chaisattapagon C. E ffec tive crite ria for weed -i
dentifi cation i n w heat fie l ds using m achi ne v i sion [J].T ransac ti ons of t he A S A BE , 1995, 38(3):965-974.
[19] M a j u m da r S , Jayas D S . C lassificati on o f ce rea l gra i ns usi ng
machine v isi on :III . T exture m ode l s[J].T ransacti ons o f t he ASAE , 2000, 43(6) :1681-1687.
[20] 曹晶晶, 王一鸣, 毛文华, 等. 基于纹理和位置特征的麦
田杂草识别方法[J].农业机械学报, 2007, 38(4):107-110.
[21]
Is m a il K avd lr . D iscr i m i na ti on o f s unfl ow er , weed and so il by artificial neural net works[J].Computers and E lectronics in A g ricu lt ure , 2004, 44(2):153-160.
[22] Lanlan W u , Y oux i an W en . W eed/corn seed ling recognition
by suppo rt vector m ach i ne usi ng tex ture features[J].A fr-i can Journal of A gr icu lt ura l R esea rch , 2009, 4(9):840-846.
[23] M a rchant J A, O nyango C M. Co m par ison of a Bayesian
classifier w ith a m ultilayer feed-for w ard neural net work u -P ittsburgh , P ennsylva -si ng the exa m ple of plant/weed /so il d iscr i m i nation [J].Computers and E lectron ics i n A g ricu lt u re , 2003, 39(1):3-22.
[24] K ar i m iY, P rasher S O, M c N airn H, e t a. l C lass ificati on ac -curacy of disc ri m i nant ana l ysis , artificial neura l net wo rks , and decisi on trees f o r weed and n itrog en stress detection i n corn[J].T ransacti ons o f t he A S A BE , 2005, 48(3):1261-1268.
[25] 李志臣, 姬长英. 基于图像分析的杂草分形维数计算
[J].农业工程学报, 2006, 22(11):175-178.
[26] 吴兰兰, 刘俭英, 文友先. 基于分形维数的玉米和杂草图
像识别[J].农业机械学报, 2009, 40(3):176-179. [27] Bossua J , G ea Ch , Jones G, e t a. l W av elet transfo r m t o
discr i m ina te be t w een crop and w eed in pe rspecti v e agrono m-i c i m ages [J].Co m pute rs and E l ec tron i cs i n A g ricu lture , 2009, 65(1):133-143.
[28] Staab E S , S l aughter D C , Zhang Y,
et a. l H yperspectra l
I m ag ing Sy stem f o r Prec i s i on W eed Contro l i n P rocessi ng T om ato[C]//ASABE A nnua l Internationa lM eeti ng , R eno , N evada , 2009:096635.
[29] SunilK M a t hanker , W eck l er P R, T ay l or R K, et a. l A da -boost and Support V ector M achi ne C l assifi e rs f o r A uto m atic W eed Contro :l Cano la andW heat[C]//A SABE A nnua l In -ternati onal M eeti ng , 1008834.
[30] 毛文华, 曹晶晶, 姜红花, 等. 基于多特征的田间杂草识
别方法[J].农业工程学报, 2007, 23(11) :206-209. [31] A l berto T e ll aeche , X av i er Burgos A rti zzu P, G onzalo Pa -jares , e t a. l A new v isi on -based approach to d iffe renti a l spray i ng i n precision ag ricu lture [J].Co m pute rs and E lec -tron i cs i n A g ricu lt ure , 2008, 60(2):144-155.
b
[32] Bj ##o rn A strand , A l bert-Jan Baerveldt . A n A g ricu lt u ra lM o -
P ittsburgh , Pennsy l vania , 2010:
bil e R obot w ith V i sion -Based Percepti on for M echan i ca l W eed Contro l[J].Au t ono m ous R obots , 2002, 13(1) :21-35.
[33] P iron A, L ee m ans V, Lebeau F , e t a. l I m prov i ng i n -row
w eed detecti on i n m ultispectral stereoscopic i m ages [J ].Co m puters and E lectronics i n A gr i culture , 2009, 69(1):73-79.
[34] 朱伟兴, 金飞剑, 谈蓉蓉. 基于颜色特征与多层同质性分
割算法的麦田杂草识别[J].农业机械学报, 2007, 38(12) :120-124.
(下转第33页)
Investigation of t he Construction and Operation of Sol ar
Greenhouse in Shandong Provi nce
Jiang Chengyao , Cheng Y anfe, i Xu W enyong , Zhao Shu m e, i M a Cheng w e i
(Co llege o fW ater Conservancy &C i v il Eng i n eering , Ch i n a AgriculturalUn iversity , Be ijing 100083, China) Abst ract :To get a t h orough kno w ledge of the construction status , developm ent tendency , successfu l experience and ex i s -ted proble m s o f so lar greenhouse in Shandong Pr ov i n ce , a i n vesti g ati o n i n W e ifang , Yan ta, i Q i n gdao , Zibo and L i n y i w here solar greenhouse developed qu ickly i n Shandong 2009w as held , wh ich m i g ht offer suggestion on the constr uction and developm ent of so lar greenhouse o f the who le nati o n . A co m para ti v e l y thorough understanding of solar g reenhouse s ' m aterials , sizes , equipm ents , env ironm ental condition , i n vest m ent and inco m e had been o wned through spot testi n g and v i s iti n g loca l agricu lture depart m ent , vegetab le station , agricu lture and science acade m y , and peasants . The resu lts had sho wn that the so lar greenhouse in Shandong had a huge scope , h i g h cond ition leve, l good perfor m ance and ou tstanding feature i n genera. l But still so m e unconscionable places such as sizes and conti n uous cropp i n g obstacle , insect pest and soil salinization requ ired solution badly .
K ey w ords :Shandong Prov ince ; solar greenhouse ; i n vesti g ation resu lts (上接第27页)
Abst ract I D:1003-188X (2011) 07-0023-EA
Research Advances ofW eed Ide ntification i n Agricultural Fiel ds
Jin X iao jun , Chen Yong , Sun Y anx ia
(C ollege o f E lectronic and M echanical Eng i n eering , Nan ji n g Forestry Un i v ersity , N anji n g 210037, Ch i n a) Abst ract :W eed i d entificati o n is the prerequisite of prec ise w eeding . The t h eo ri e s , research advances and difficulties u -si n g the shape , color , spectral and texture features , as w e ll as m ulti-feature fusion m ethod to i d entify w eed i n agricu-l tura l fields w ere discussed respecti v e l y i n this paper . Patter n recognition and o ther m ethods i n w eed identification w ere a-l so presen ted . M ethods and characteristics o f i n ter-ro w and i n tra-ro w w eed iden tification w ere ana l y zed and co m pared . The paper po i n ted out that intra-ro w w eed identificati o n is mo re co m plicated than i n ter-ro w w eed identifi c ation, and it is m ore d ifficu lt in prec isi o n w eed i n g . Th is paper is val u ab le for w eed iden tification and precisi o n w eed i n g . K ey w ords :w eed identification ; m ach i n e v ision; inter-row w eed; intra-r ow w eed