目前，田间杂草的识别方法主要有3种：人工识别法、遥感识别法和基于机器视觉的识别法，其中，人工识别法是世界上大多数国家和地区普遍沿用的方法，是区分作物和土壤背景的最佳方法，但既费时又费力、效率低下、劳动强度大、完全依赖人工主体的经验与知识，在大面积杂草苗情观测上，人工识别是无能为力的。遥感识别法则克服了人工监测的诸多弊端，可以在短时间内获得作物大范围的图像，自动识别田间杂草。

但是，由于遥感图像的空间和光谱分辨率较低，该方法只能识别那些个体尺寸大、密度大的杂草，致使杂草识别率较低。这种人工监测和自动但粗略的遥感监测手段无法满足数字农业中田间杂草的精确定位控制要求因此，能精确、客观、白动识别田间杂草的基于机器视觉的识别技术成为该领域的主攻方向。

本篇文章是用国产替换的多光谱成像仪获得的数字图片，通过目标分割与形态学处理，将植物从土壤背景中分离出来，利用图形分析方法,识别出豆苗和2种杂草。该方法兼顾了田间处理中时间要求和正确率的要求，由于采用多光谱成像仪，对图像质量要求不高，基本符合实际作业的工作条件。而且对于需要识别目标的实际面积大小没有限制，算法简单，能够以此为依据开发自适应的算法。

实验波段范围

400-1000nm，如550nm绿光、650nm红光、800nm近红外

国产替换多光谱相机推荐：

室内：MAX-G800或者MAX-G400

● 8路/4路通道，可采集更多光谱信息

● 多种光谱波段选择，提供强大数据基础

● 支持多光谱+彩色RGB同时成像

● 1440 * 1080高清图像分辨率

● 实时图传，实时查看计算结果，异常状况一目了然

● 支持无人机（固定翼、旋翼等）飞行平台集成

● 高精度辐射定标搭配环境光辐射实时校正，光谱数据获取更精准

室外：SVC多光谱云台摄像机

● 单镜头设计，简化结构提升图像分辨率，

● 提供5个专用光谱+1个RGB通道，覆盖农林业关键波段

● 配备高速云台支持PTZ功能，360°旋转、俯仰及光学变倍能力

● 内置防雷/电压瞬变保护，可工作在24小时野外无人环境下

● 光谱融合+AI算法，前置边缘计算和监测模型算法

● 内置0NVIF协议，可与主流图像监控平台对接

分析软件：IrisCube 光谱分析软件

● 内置多种光谱处理算法

● 光谱曲线分析

● 光谱图像处理

● 分析成果展示

采用阈值的图像分割方法

本文利用基于阈值的图像分割方法:为了确定合适的阈值,首先比较多光谱成像仪的3个通道图像的灰度直方图,直方图能给出各个灰度级在图像中所占的比例.图像分割的目的在于将图像中的前景从背景中提取出来,而前景与背景的灰度值若有较大差异，直方图上会出现一个谷底值,它对应的灰度值作为阈值,就可以将目标从背景中提取出来。

根据上述叶片形状识别规则，对本图的147 个目标进行识别,仅有 14 个目标被误判，对2种杂草的有效识别率为90.5%。而且这种图像处理方法不需要专用图像处理软件，用Matlab 编程就可以方便实现，非常适用于机器对杂草的实时快速识别，其有效识别率与其他可实时识别的方法相比较高。但是，这种方法也有不足之处，它没有考虑叶片的遮挡问题，使得这种方法在识别叶片生长较多，相互遮挡严重时，准确率下降。14个误判目标中大多数属于这种情况。根据以往的研究，没有一种方法能够准确、实用地解决这个问题，而是必须结合其他的技术，如光谱识别、颜色、纹理信息等。但是，作为作物生长早期与杂草分布情况的识别，本文提出的方法非常简单、实用和快速。

结论

在研究的 147 个目标中,仅有 14 个目标被误判。因此，本文为苗期作物和杂草的识别提供了一种简单实用的新方法，为机器快速实时识别提供了新途径。

参考文献：《应用多光谱数字图像识别苗期作物与杂草》 朱登胜 ，邵咏妮，潘家志，何 勇