目前，田間雜草的識別方法主要有3種：人工識別法、遙感識別法和基于機器視覺的識別法，其中，人工識別法是世界上大多數國家和地區普遍沿用的方法，是區分作物和土壤背景的方法，但既費時又費力、效率低下、勞動強度大、依賴人工主體的經驗與知識，在大面積雜草苗情觀測上，人工識別是無能為力的。遙感識別法則克服了人工監測的諸多弊端，可以在短時間內獲得作物大范圍的圖像，自動識別田間雜草。

但是，由于遙感圖像的空間和光譜分辨率較低，該方法只能識別那些個體尺寸大、密度大的雜草，致使雜草識別率較低。這種人工監測和自動但粗略的遙感監測手段無法滿足數字農業中田間雜草的精確定位控制要求因此，能精確、客觀、白動識別田間雜草的基于機器視覺的識別技術成為該領域的主攻方向。

本篇文章是用國產替換的多光譜成像儀獲得的數字圖片，通過目標分割與形態學處理，將植物從土壤背景中分離出來，利用圖形分析方法,識別出豆苗和2種雜草。該方法兼顧了田間處理中時間要求和正確率的要求，由于采用多光譜成像儀，對圖像質量要求不高，基本符合實際作業的工作條件。而且對于需要識別目標的實際面積大小沒有限制，算法簡單，能夠以此為依據開發自適應的算法。

實驗波段范圍

400-1000nm，如550nm綠光、650nm紅光、800nm近紅外

國產替換多光譜相機推薦：

室內：MAX-G800或者MAX-G400

● 8路/4路通道，可采集更多光譜信息

● 多種光譜波段選擇，提供強大數據基礎

● 支持多光譜+彩色RGB同時成像

● 1440 * 1080高清圖像分辨率

● 實時圖傳，實時查看計算結果，異常狀況一目了然

● 支持無人機（固定翼、旋翼等）飛行平臺集成

● 高精度輻射定標搭配環境光輻射實時校正，光譜數據獲取更精準

室外：SVC多光譜云臺攝像機

● 單鏡頭設計，簡化結構提升圖像分辨率，

● 提供5個專用光譜+1個RGB通道，覆蓋農林業關鍵波段

● 配備高速云臺支持PTZ功能，360°旋轉、俯仰及光學變倍能力

● 內置防雷/電壓瞬變保護，可工作在24小時野外無人環境下

● 光譜融合+AI算法，前置邊緣計算和監測模型算法

● 內置0NVIF協議，可與主流圖像監控平臺對接

分析軟件：IrisCube 光譜分析軟件

● 內置多種光譜處理算法

● 光譜曲線分析

● 光譜圖像處理

● 分析成果展示

采用閾值的圖像分割方法

本文利用基于閾值的圖像分割方法:為了確定合適的閾值,首先比較多光譜成像儀的3個通道圖像的灰度直方圖,直方圖能給出各個灰度級在圖像中所占的比例.圖像分割的目的在于將圖像中的前景從背景中提取出來,而前景與背景的灰度值若有較大差異，直方圖上會出現一個谷底值,它對應的灰度值作為閾值,就可以將目標從背景中提取出來。

根據上述葉片形狀識別規則，對本圖的147 個目標進行識別,僅有 14 個目標被誤判，對2種雜草的有效識別率為90.5%。而且這種圖像處理方法不需要專用圖像處理軟件，用Matlab 編程就可以方便實現，非常適用于機器對雜草的實時快速識別，其有效識別率與其他可實時識別的方法相比較高。但是，這種方法也有不足之處，它沒有考慮葉片的遮擋問題，使得這種方法在識別葉片生長較多，相互遮擋嚴重時，準確率下降。14個誤判目標中大多數屬于這種情況。根據以往的研究，沒有一種方法能夠準確、實用地解決這個問題，而是必須結合其他的技術，如光譜識別、顏色、紋理信息等。但是，作為作物生長早期與雜草分布情況的識別，本文提出的方法非常簡單、實用和快速。

結論

在研究的 147 個目標中,僅有 14 個目標被誤判。因此，本文為苗期作物和雜草的識別提供了一種簡單實用的新方法，為機器快速實時識別提供了新途徑。

參考文獻：《應用多光譜數字圖像識別苗期作物與雜草》 朱登勝 ，邵詠妮，潘家志，何 勇