农田伴生杂草会影响农作物的生长和品质,目前我国杂草防治主要依靠大面积喷洒化学除草剂,简单高效但是会造成环境污染,不符合绿色环保的发展理念。因此设计一个作物和杂草识别系统指导变量喷药,有利于减少除草的经济成本和保护生态环境。本课题探讨了在实际田间环境下植物图像的分割以及油菜和杂草的识别分类,对田间杂草密度检测和变量喷药进行了可行性研究,具体研究内容如下:(1)调研在作物出苗时期的杂草对作物影响程度及后续处理对图片质量的要求,从而确定田间图像采集的时间和无人机采集图像过程中云台相机的角度和高度。在图像预处理过程中,经过对比:选用超绿法进行灰度化处理;双边滤波既有效地去除了噪声,又很好的保存了边缘细节,是最适合本实验的图像滤波方法。(2)简要介绍了RGB颜色空间,并根据本课题的实际田间环境,提出G-0.8R+0阈值颜色指标的图像自动分割方法。通过比较NDI+Otsu、ExG+Otsu和G-0.8R+0阈值三种方法的实际效果,得出G-0.8R+0阈值方法分割绿色植物的效果最好,能适应田间的实际情况,实现图像的自动分割,且因为无需利用Otsu方法求取阈值,可以提高算法处理速度。(3)在形态学处理中,闭运算对油菜叶片中的孔洞填充效果最好,能保持感兴趣区域的面积基本不变,且油菜叶片边缘及连接处图像清晰;选用canny算子对植物叶片进行边缘提取时,具有边缘连贯性和叶脉信息隐藏等方面的优势。(4)获取植物的形状和纹理数据,进行标准化后输入到SVM和BP神经网络分类模型中,进行油菜和杂草的识别分类。将3个形状特征输入到SVM和BP神经网络分类模型得到的识别准确率分别为94.44%和90.38%;将6个纹理特征输入到SVM和BP神经网络分类模型得到的识别准确率分别为83.33%和89.25%。(5)为了提高识别模型的准确率和缩短程序运行时间,将形状特征参数和纹理特征参数进行融合后使用PCA进行降维处理。将得到的6个新变量输入到BP神经网络和SVM进行识别分类,在SVM分类模型中的识别准确率为94.44%,程序运行时间为0.0178s。在BP神经网络分类模型中的识别准确率为96.28%,程序运行时间为3.61s。