除草机器人是一种基于机器视觉的杂草识别装置,通过摄像头的图像分析,准确的区分出杂草与农作物,实施高效除草。相对于人工除草和机械喷洒农药的方式,除草机器人具有成本低、效率高、污染小等优势,是目前国内外最具有研究价值的除草方式。农田除草机器人是一种智能化的自主决策系统,可划分为三部分:自主路径导航、视觉图像识别、精准除草动作。其中,视觉图像识别用于杂草目标与农作物的准确区分,为除草动作提供决策信息,是除草机器人的关键技术。课题围绕玉米地视觉识草问题,采用颜色、形状、纹理多特征融合技术进行玉米与杂草的识别分类。主要工作如下:在光照强度适宜、拍摄角度与地面成45度角的条件下,通过摄像头移动终端采集大量玉米地中的苗草图片。首先对实验图片运用超绿灰度化、连接成分标记等方法分割出目标图像。在此基础上提取苗草的颜色、形状及纹理三方面特征,构建特征参数组合。最后分别利用模式识别算法和神经网络算法完成了苗草识别分类。第一,基于概率误差最小化的原理建立了以颜色、形状、纹理多特征为输入端的贝叶斯杂草分类器。第二,根据特征参数数据量大、非线性的特点,建立了15输入5输出的三层BP神经网络杂草分类模型。第三,利用粒子群优化算法(PSO)的全局搜索能力,对BP网络的连接权值阈值进行优化,构造PSO-BP神经网络杂草分类模型,提高算法的稳定性和识别分类的准确度。在MATLAB软件环境中,以玉米苗、扫帚草、藜、反枝苋和蕨草五类苗草图像为例,对三种识别算法进行对比分析。结果表明,贝叶斯分类器建立步骤简单,仅是标签与概率计算,但它难以解决由特征重组时引起的变化,在实际图像采集环境中识别效果并不理想。BP神经网络分类模型对于特征数据的变化具有自学习能力并且预测分类的准确性比贝叶斯分类器高,但仍存在稳定性较差的问题。对此提出了PSO-BP神经网络杂草分类模型,有效解决了BP网络对初值的依赖和预测波动的问题,提高了稳定性和识别率。实验表明,PSO-BP算法在三种方法中最适用于早期的苗草识别分类。最后基于PSO-BP神经网络模型设计了集摄像采集、图像处理、特征提取、识别分类于一体的苗草识别仿真系统,验证了算法在实际应用的有效性及可行性。