快速、高效地区分并剔除火龙果地块间的杂草是提高火龙果单株提取精度的关键所在。通过四旋翼无人机平台获取高空间分辨率可见光波段的影像,分析火龙果植株和杂草R、G、B通道的光谱特征,根据其影像像元亮度值(DN值)构建相近颜色差异植被指数(CCVI),通过最大类方差(OTSU)阈值分割、Majority/Minority分析和聚类空洞填补,并与VDVI、EXG、NGRDI等可见光波段指数作对比研究。结果表明:1) 对于杂草覆盖度较高甚至杂草全覆盖火龙果的地块,CCVI提取效果较好,而其余3种指数在杂草与植株共生的地块中分类精度较低;2) 3个研究感兴趣区域(ROI)内样本的提取总体精度为94.60%,Kappa系数为0.9417,测试样本的提取总体精度和Kappa系数分别为94.33%、0.9328,经验证,对于不同区域内生活环境相似的植株的提取精度趋近一致。结果证实: CCVI能从杂草中辨别火龙果植株并提取单株,提取效果较好,该方法可与VDVI、EXG、NGRDI等指数互补应用。

为自动识别油菜田间的杂草,提出基于Faster R-CNN深度网络的油菜田间杂草识别方法,利用COCO数据集的深度网络模型进行迁移训练。首先,以自然环境条件下的油菜与杂草图像为样本,利用Faster R-CNN深度网络模型共享卷积特征,对比VGG-16、ResNet-50和ResNet-101这3种特征提取网络的结果;该方法还与采用3种相同特征提取网络的SSD深度网络模型进行对比。结果表明,基于VGG-16的Faster R-CNN深度网络模型在油菜与杂草目标识别中具有明显的优势,其油菜与杂草的目标识别精确度可达83.90%,召回率达到78.86%,F1值为81.30%。该深度学习方法能够有效实现油菜与杂草目标的准确、高效识别,为多类型杂草目标识别的研究提供了参考。

利用高光谱成像技术结合化学计量学方法对油菜中的杂草进行分类识别。 采用近红外高光谱技术, 通过正态变量变换（SNV）、 去趋势化（De-trending）、 多元散射校正（MSC）、 移动平均平滑法（MA）、 多项式卷积平滑法（SG）、 基线校正（baseline）及归一化（normalize）算法对光谱数据进行预处理, 采用主成分载荷（PCA loadings）、 载荷系数法（x-LW）、 回归系数法（RC）、 连续投影算法(SPA)分别进行特征波长提取, 采用偏最小二乘判别分析（PLS-DA）、 极限学习机（ELM）和支持向量机（SVM）建立分类模型。 结果表明, 基于De-trending 预处理, 通过PCA loadings, x-loading weights及SPA特征波长提取方法, 基于极限学习机ELM算法建立的模型取得了最优的分类效果, 建模集和预测集的分类精度均达到100%, 另引入平均分类精度的指标, 发现不同试验时间下, 模型分类精度变化不大, 表明应用近红外高光谱成像技术对油菜和杂草进行分类是可行的。

自然界中不同种物质拥有不同的偏振特性, 这些特征信号能用于检测不同的目标地物。为了探索偏振光谱技术用于精确识别作物和杂草的可行性, 此研究利用配置偏振片的成像光谱仪FISS-P在室内采集玉米与5种杂草的偏振光谱影像。通过比较和分析0°、60°、120°和无偏4种状态下玉米与各种杂草的光谱响应规律、光谱特征和决策识别模型精度, 结果显示4种偏振状态下玉米和杂草的光谱变化趋势较一致, 无偏状态下玉米和杂草的光谱强度最大; 不同偏振状态下玉米和杂草的敏感波段既存在共性又表现出一定的差异性; 4种偏振状态下玉米杂草识别模型的总体精度和Kappa系数均达到90%以上, 其中, 0°偏振状态下玉米和杂草识别模型的整体精度最高, 接近100%。综上, 偏振光谱能够在叶片尺度较好地识别玉米和杂草, 这为田间尺度进一步应用提供了扎实的数据积累。

杂草自动识别技术是实现变量喷洒、精准施药的关键, 更是制约其实现的瓶颈, 因此, 准确、快速、无损地实现杂草自动识别已成为精准农业的一个重要研究方向。利用高光谱成像系统采集甘蓝幼苗及小藜、稗草、牛筋草、马唐和狗尾草等五种杂草在1 000～2 500 nm波长区间的高光谱图像数据, 在ENVI中经过MNF变换对数据降噪、去相关, 并将波段维数从256维降到11维, 通过提取感兴趣区域获得标准光谱, 最后利用SAM分类法识别甘蓝与杂草, 光谱角弧度阈值为0.1弧度时, 分类效果良好。在HSI Analyzer中选择训练像元获得标准光谱后, 利用SAM分类法识别甘蓝与杂草, 并利用人工分类图与SAM分类图比较定量度量杂草的识别正确率, 结果表明, 当参数设置为5点平滑、0阶导数和7度光谱角度时, 分类效果最佳, 杂草识别率为80.0%, 非杂草类识别率为97.3%, 总体识别率为96.8%。应用光谱图像技术与SAM分类法相结合的方法进行杂草检测, 充分利用了光谱和图像的融合信息, 该方法应用空间的分类算法来建立光谱判别方法的训练集, 在像素级别上考察光谱矢量之间的相似性, 融合了光谱和图像两者的优势, 同时兼顾了准确性和快速性, 并且在整场范围内(行间和行内)改善杂草检测范围, 为农业精确管理中需要植物精准信息的应用领域提供了相关的分析手段和方法。

为了提高杂草识别的准确性和快速性, 利用光谱反射率差异区分作物与杂草。 首先利用SG卷积求导法与多元散射校正法的不同组合对原始光谱数据进行预处理, 然后利用主成分分析法（PCA）对各类植物进行聚类分析, 并根据主成分分析结果中各个最佳主成分对应的载荷图, 提取对各类植物识别敏感的特征波长, 最后以特征波长为输入变量, 用簇类的独立软模式（SIMCA）分类法对各类植物进行分类识别。 甘蓝与杂草的分类结果表明, 在1阶3次51点SG卷积求导法加上多元散射校正法（MSC）的最佳预处理基础上, 根据主成分分析中前3个主成分, 提取到23个特征波长, 以它们为输入变量, 利用SIMCA方法进行分类时, 建模集和预测集的识别率分别达到98.6%和100%。

杂草的识别分类在精准农业的变量喷施中具有重要的作用.因此提出了一种新的基于SVM(支持向量机), 利用决策二叉树在可见/近红外图像中识别作物和杂草的方法.根据近红外波段的光谱特性, 利用阈值法实现了植物和土壤背景的分割.将植物冠层的多光谱反射特征、纹理特征和形状特征相结合, 采用最大投票机制算法构造合理的决策二叉树, 实现了分类.对玉米幼苗及其伴生杂草的识别结果表明, 基于SVM, 利用决策二叉树的多类分类, 可极大的提高分类精度, 满足农业应用的实时性要求, 与其他方法相比具有较好的结果.

杂草识别是变量喷雾和物理方法精确除草的前提。 利用自主设计的地面成像光谱系统在自然环境下获取了胡萝卜幼苗以及马齿苋、 牛筋草和地锦等杂草在380～760 nm波长区间的高光谱数据, 通过对数据归一化消除光照条件的影响之后, 运用逐步法进行波段选择, 采用Fisher线性判别方法对杂草与胡萝卜幼苗进行了识别。 结果表明, 当把每种杂草都作为一类加以精细区分时, 运用选择的8个波段建立模型对杂草和胡萝卜幼苗的识别率达85%左右； 当把杂草整体作为一类与胡萝卜幼苗进行区分时, 运用选择的7个波段识别率高于91%。 同时为了设计低成本的杂草识别系统, 通过穷举法选择最优的2和3波段组合, 其中最优3波段组合对杂草胡萝卜幼苗的识别能力与逐步法选择的5个波段相当, 整体识别率达89%。 此外发现, 红边波段对杂草有着显著的识别能力.Spectrometer

除草剂的精确喷施、物理方法精确除草皆依赖于杂草的自动识别。光合色素和结构差异导致作物、杂草的光谱反射率不同,因此不同植物可以利用光谱特性来区分。利用ASD光谱仪在室内分别测量了棉花、刺儿菜、水稻、稗草等四种植物在350-2 500 nm波段范围内的光谱反射率。运用SAS统计软件的STEPDISC过程筛选能够区分作物和杂草的波长;判别模型中加入筛选所得特征波长,利用Discrim过程进行判别分析。实验结果表明,利用3个特征波长385,415和435 nm有效地从双子叶植物棉花中识别出双子叶杂草刺儿菜,其识别率为100％,波长415和435 nm的组合对识别模型的贡献最大;利用5个特征波长375, 465,585,705和1 035 nm可有效地从单子叶植物水稻中识别出单子叶杂草稗草,其识别率也为100％,黄色到橙色的过渡波长585 nm和“红边” 内的波长705 nm的组合对识别模型的贡献最大。

为了进行快速实时的杂草识别,研究了作物和杂草叶片的可见-近红外反射光谱特性。选择了两种常见的田间作物大豆(Glycine max)和玉米(Zea mays),以及铁苋菜(Acalypha australis L.)和田字草(Marsilea quadrifolia L.)两种杂草作为研究对象,每种各30个样本,共120个样本。采用ASD Fieldspec 便携式光谱仪进行光谱采集。在对400～1000 nm的光谱数据进行平滑和一阶求导预处理、。通过主成份分析,去除了一个奇异样本。最后用79个样本组成的建模集进行偏最小二乘法建模,对剩余的40个样本进行预测。预测模型结果的相关性达到0.986,识别率达到100%。说明研究中选用的作物和杂草叶片的可见-近红外反射光谱特性之间有较大的区别,可以用于进行杂草和作物的区分。