大豆是我国重要的油料作物、高蛋白食品和饲料作物,它的种植面积仅次于水稻、玉米和小麦。近年来由于气候变化、病虫害、草害因素的影响,我国大豆种植面积逐年减少、产量逐年下降。化学除草因其省工省力、操作简便、除草效果好的特点被广泛应用在农业生产领域,使用无人机喷洒除草剂时无针对性地大面积喷洒,不仅造成浪费,而且危害农田生态系统安全。为解决无人机图像采集过程中受噪声干扰、图像信息缺失严重,导致作物杂草识别准确程度低的问题,本文以大豆幼苗、禾本科杂草和阔叶型杂草为研究对象,采用基于图像处理和BP神经网络相结合的方法对大豆杂草图像进行识别研究,以期提高作物杂草的识别准确率,为无人机精准喷药提供技术参考。本文的主要研究内容如下:(1)研究了图像去噪、增强和分割算法。针对无人机采集图像时颠簸抖动导致不清晰、设备传输产生噪声的问题,对比传统单一图像去噪算法,发现使用混合滤波去噪方法好于单一图像去噪方法,采用极值自适应中值滤波与小波滤波结合的方法对图像进行去噪处理。对比分析直方图均衡增强和多尺度Retinex增强算法在大豆杂草图像上的增强效果,最终选择Retinex算法进行图像增强处理。为了更好提取叶片特征信息,使用Otsu算法选取二值化阈值对图像背景进行分割处理,并使用形态学图像处理方法对轻度交叠的叶片进行进一步分割。(2)研究了图像轮廓、形状、纹理特征提取方法。改进了Canny边缘检测算法,针对传统Canny算法需要设定滤波参数、高低阈值,在椒盐噪声环境下的检测结果不佳等问题。将自适应中值滤波与高斯滤波结合代替传统Canny算法使用的高斯滤波去噪、增加梯度计算模板和在Otsu算法中引入二分法查找高、低阈值等方式来改进Canny算法,较传统Canny算法、Sobel算子和Laplacian算子去除大量伪边缘点、检测效果更好。利用轮廓信息进一步提取叶片的形状特征,选定宽长比、圆形度、矩形度、不变矩作为描述叶片的形状特征参数。通过灰度共生矩阵提取叶片纹理特征,选定熵、逆差矩、能量、对比度和相关性作为描述叶片纹理的特征参数。(3)构建了基于BP神经网络的大豆杂草识别模型。首先,分别以形状特征、纹理特征和形状、纹理混合特征作为输入参数,构建三个基于BP神经网络的杂草识别模型,实验表明形状、纹理特征结合比单独使用任意一种特征进行识别,准确率更高。其次,以形状和纹理特征作为输入参数,对比传统识别模型和本文构建模型的识别效果,传统杂草作物识别模型的准确率为91.11%,本文模型识别准确率为96.67%,提高了5.56%。