基于多相机成像的玉米果穗考种参数高通量自动提取方法

实现玉米果穗考种性状的准确、快速获取是提高玉米育种效率的关键环节。该文在前期设计的玉米高通量自动化考种装置基础上,提出了一种基于多相机的玉米果穗考种参数提取方法,通过4个等间隔均匀分布的摄像头同时获取果穗4个方向图像,针对每副图像分别经过背景去除、投影模型构建、籽粒跟踪、考种参数提取等处理,最后根据4副图像的处理结果,综合计算穗长、穗粗、平均粒厚、穗行数、行粒数、穗粒数等考种参数。在玉米高通量自动化考种装置的果穗考种模块上进行试验,结果表明,该文所提方法测得的穗长、穗粗、平均粒厚与人工方法测量值之间的决定系数R2分别为0.997 3、0.984和0.941 5,对穗行数、行粒数的测量精度分别为98.63%、95.35%,为玉米果穗考种参数提取提供了一种新思路,为高通量自动考种装置的实现奠定了基础。     

基于图像处理的玉米果穗三维几何特征快速测量

摘要：目前,育种过程中玉米果穗的三维考种形态特征（如穗体积、穗形态等）通常都是采用手工测量的方法,需花费大量的人力和物力,而且手工测量方法常存在着主观误差、测量效率低等问题。该文基于HSV彩色空间图像处理算法实现了多个玉米果穗三维考种形态特征的快速测量。首先基于HSV直方图阈值分割算法实现了多个玉米果穗轮廓的准确提取,分割算法适用于任意摆放玉米果穗;其次基于果穗轮廓最小外接矩形和轮廓横截面累计求和的思想,实现了玉米果穗三维几何特征的快速、准确计算。以郑单958和农华101两品种为例进行算法测试验证,果穗体积等的测量准确率达94%;并对产生误差的原因进一步分析。该文实现了多个玉米果穗三维特征的快速测量方法,大大提高了作物考种的工作效率。     

基于全景图像的玉米果穗流水线考种方法及系统

为提高玉米果穗考种效率和精度,该文提出一种基于全景图像的玉米果穗流水线考种方法和系统。利用托辊传送装置实现果穗自动连续推送,基于工业相机自动检测果穗运动状态并实时采集图像,获取覆盖果穗全表面的图像序列;建立果穗运动、摄像机成像、表面拼接关系,从图像序列中抽取果穗中心畸变最小区域拼接出果穗表面全景图像;最后,结合果穗边界检测、籽粒分割和有效性鉴定等技术提取出果穗表面上有效籽粒。试验结果表明,该文方法和系统较好地平衡了玉米果穗考种的效率和精度,图像采集和计算平均效率达15穗/min和4穗/min,穗长和穗行数指标计算精度可达99%和98.89%,可为研发全自动、高通量玉米果穗表型检测装置提供有益借鉴。     

玉米高通量自动考种装置设计与试验

考种是玉米育种的重要环节,针对现有考种方法分别进行玉米果穗或玉米籽粒考种参数测量,难以满足玉米商业化育种过程大量样本自动考种需求的现状,该文设计了一种玉米高通量自动考种装置,主要包括玉米果穗考种单元、自动脱粒单元、玉米籽粒考种单元、后处理单元及系统控制单元,可实现玉米果穗考种、自动脱粒、籽粒考种、籽粒提升、籽粒封装、标签打印等全过程的自动化.依据设计方案进行原理样机试制及试验,结果表明:该装置可实现玉米穗质量、果穗长宽、穗行数、行粒数、秃尖区域、籽粒厚度、籽粒长、籽粒宽、穗粒数等考种参数的实时测量,且对果穗长、宽的平均测量精度分别为99.13％,99.25％、对籽粒数量的平均测量精度为99.39％.样机对单个玉米考种时耗时约为27.2 s,连续考种作业时处理速度达4穗/min.该研究为玉米高通量自动考种装备的实现提供了参考.     

采用全景技术的机器视觉测量玉米果穗考种指标

为了在利用图像技术无损考察玉米果穗形态指标时,能够利用一幅图像显示整个玉米果穗的外形,从而减少多幅图像拼接产生的重叠和处理不便,该文提出一种新的基于机器视觉的玉米果穗考种方法与配套装置,首先拍摄旋转玉米果穗图像序列,应用SIFT（scale invariant feature transform）算法获取图像特征点,对特征点随机采样计算单应矩阵并进行一致性检测排除外点,将前后2帧图像注册到同一坐标系。然后采用动态规划法寻找前后2帧拼接图像的缝合线,按缝合线切割图像,以图像模板高斯滤波权值融合缝合线两侧图像消除曝光差异。依次拼接、融合图像序列生成果穗全景图。对果穗全景图进行考种指标检测,试验结果表明：基于机器视觉的测量值与人工测量方式不存在显著性差异（显著水平α=0.05）,该文所述方法可满足自动化考种的需求。     

基于机器视觉的玉米果穗产量组分性状测量方法

玉米果穗的穗长、穗粗、穗行数、行粒数等性状是制约玉米产量的重要组分性状,目前主要采用人工测量方式,或通过截取果穗横断面图像自动计算穗行数等参数,操作复杂、测量效率低、主观误差大,且无法保留完整的原始考种材料。针对上述问题,该文基于机器视觉技术,通过可见光二维成像获取果穗三维表型性状参数,结合果穗颜色特征及果穗的生物学规律,分别建立投影修正模型、穗行数快速估算模型、行粒数计算模型等,精确计算穗长、穗粗、穗行数以及行粒数等性状参数。试验结果表明,该方法适用于粘连果穗处理,秃尖的识别率高,且对光照环境要求低,穗行数及行粒数的零误差率在93%以上,测量速度可达30穗/min以上,能够满足高通量考种的需求,特别是保留了原始果穗考种材料实现无损测量,对于实现高通量考种及精细化育种有重要的参考价值。     

基于分级阈值和多级筛分的玉米果穗穗粒分割方法

为了有效克服果穗形状畸变和穗粒颜色差异对穗粒分割的影响,该文提出一种准确、鲁棒的玉米果穗穗粒分割方法。该方法利用果穗三维形状特征校正果穗径向畸变以最大程度恢复图像上果穗表面信息;采用分级阈值分割策略确定每颗穗粒最佳阈值范围,并利用穗粒几何特征实现穗粒初次筛分,消除穗粒间粘连效应;结合主成份分析和支持向量模型完成穗粒的二次筛分,生成果穗表面穗粒分布图。该方法整合了果穗径向畸变-分级阈值-穗粒多级筛分,实现果穗穗粒的精准分割,为玉米果穗自动化考种提供了基础方法。试验结果表明提出方法在穗粒分割准确性和鲁棒性上具有显著优势,平均计算效率达15 s/果穗。     

基于穗粒分布图的玉米果穗表型性状参数计算方法

玉米果穗表型性状是玉米育种、产量预测的重要参数,提出一种基于穗粒分布图的玉米果穗性状计算方法,全面解析玉米果穗和穗粒的几何、数量和颜色等表型性状。该文利用步进电机驱动果穗转动来获取果穗主要侧面图像,采用果穗畸变校正方法生成标准果穗图像序列,在像素尺度进行果穗轮廓分析,建立图像序列中果穗轮廓映射关系并生成果穗三维模型,在穗粒尺度拼接果穗整个表面的穗粒分布图,计算出果穗和穗粒的各项表型性状。试验结果表明,提出的表型性状计算方法对穗型及穗粒分布规则的玉米果穗具有较高检测精度,其中穗行数、行粒数、总粒数、果穗长和果穗粗的平均计算精度分别为98.231%、94.351%、96.921%、98.956%和98.165%。     

基于机器视觉的玉米果穗参数的图像测量方法

在玉米育种和品质研究中,经常需要对玉米的果穗长度、果穗宽度、穗行数、穗粒数等参数进行测量。该研究提出了一种基于机器视觉的玉米果穗参数图像测量方法。使用PC摄像头连续采集旋转台上的玉米果穗图像,经过图像处理,获得玉米穗的图像区域,进而得到玉米果穗的穗长和穗宽参数;通过对玉米果穗局部区域的x方向和y方向累计像素值曲线进行分析,提取出玉米穗行,获得每一穗行的穗粒数和穗行宽度;通过图像匹配,获得玉米果穗的穗行数。试验表明,使用该研究方法对玉米果穗的长度、宽度和穗行数的参数测量准确率可达98%以上,对穗行宽及总穗粒数测量准确率达95%以上,整穗的平均检测时间约102 s/穗。该研究实现了玉米果穗参数快速有效的自动检测,相对于目前采用的人工检测,大大提供检测效率,降低劳动强度,可应用于玉米千粒质量检测、产量预测、育种和品质分析等场合。     

基于稀疏表示算法的高通量玉米果穗粒型识别系统

玉米籽粒粒型是评估玉米产量和品质的重要表型参数之一,为了提高籽粒粒型的识别率,同时满足高通量以及无损测量的要求,该文以果穗整体为研究对象,基于稀疏表示的方法构建了高通量玉米果穗籽粒粒型识别系统(果穗未脱粒)。以掉落抓拍法硬件采集平台采集3种不同粒型(硬粒型、马齿型、半马齿型)的玉米穗图像,首先使用帧差法获取果穗轮廓,再通过G通道分离、OTSU算法(最大类间方差法)得到籽粒轮廓信息,提取籽粒部分颜色、形状、纹理特征作为分类依据,每种粒型取200粒作为训练样本构成稀疏表示算法的判别字典,对每一个测试样本计算稀疏表示系数,根据最小重构误差判定籽粒粒型类别。结果表明,该方法不需要传统的果穗脱粒再进行籽粒类型统计,识别正确率达到94.8%,测量速度达到28穗/min,大大提高了玉米粒型统计的效率。     

基于点特征检测的农业航空遥感图像配准算法

针对当前无人机遥感图像配准算法普遍存在匹配精度差与配准速度慢等问题,该文以点特征检测方法为基础,结合矩阵降维处理方法,提出一种适用于农业航空遥感图像配准的改进算法—SNS(scale-invariant feature transform and singular value decomposition)算法。SNS算法以高斯函数同步检测尺度空间极值点的坐标和特征尺度,利用海森矩阵消除伪特征点,获取特征点精准定位,在求取特征点的模值与方向基础上,采用奇异值分解方法进行矩阵优化,实现数据降维再重构。试验结果表明,SNS算法与经典算法相比,配准速度平均提高5.01%,配准精度均方根误差平均降低10.48%,说明SNS算法在压缩数据量的同时,提高了整体配准精度,具有配准速度较快和鲁棒性较好的特点。研究结果可为农业航空遥感图像快速配准提供参考。     

利用融合高度与单目图像特征的支持向量机模型识别杂草

除草是保证农作物高产的必要工作。针对机械化除草和智能喷药中存在的杂草识别问题,以2~5叶苗期玉米及杂草为研究对象,进行了融合高度特征与单目图像特征的杂草识别方法研究。首先从单目图像中提取16个形态特征和2个纹理特征;然后基于双目图像,提出了针对植株的高度特征提取方法,所得高度特征与实际测量值间误差在±12 mm以内;利用max-min ant system算法对形态特征进行优化选择,将形态特征减少到6个,有效减少数据量62.5%,并与纹理和高度特征进行融合;将2~5叶玉米幼苗的可除草期划分为3个阶段,分别构建融合高度特征与单目图像特征的SVM识别模型,并与相应不含高度特征模型进行对比。经测试,3个阶段模型的识别准确率分别为96.67%,100%,98.33%;平均识别准确率达98.33%。不含高度特征模型的识别准确率分别为93.33%,91.67%,95%;平均识别准确率为93.33%。结果表明,融合高度特征与单目图像特征的SVM识别模型优于不含高度特征模型,平均识别准确率提高了5百分点。该方法实现了高准确率的杂草识别,研究结果为农业精确除草的发展提供参考。     

基于融合多特征图切割的作物病害图像自动分割

为提高黄瓜叶部病害图像的分割性能,该文提出一种基于融合多特征图切割的病害图像自动分割方法。首先采用一种新的阈值化方法对原始病害图像的红色分量进行二值化处理;然后融合纹理、灰度、距离3个特征构建能量函数的边界项,描述像素间的相似性;再利用分割区域像素与区域边界像素的红色分量差值自动建立能量函数的区域项,反映像素归属于背景和目标的程度;最后运用最大流算法求解能量函数得到分割结果。将该方法应用于黄瓜3种病害(靶斑病、霜霉病和白粉病)叶部图像分割中,并与OTSU算法及半自动图切割算法的分割结果进行比较。试验结果表明,该方法的平均错分率为1.81%,低于其他2种算法,平均分割速度约为2.34 s并无大幅增加。该研究可为黄瓜病害的自动识别和诊断提供技术参考。     

基于尺度不变特征转换算子的水果表面图像拼接方法

水果全表面图像信息是否完整,直接影响水果表面颜色和缺陷检测的结果。该文提出了一种基于尺度不变特征转换(SIFT,scale invariant feature transform)算子的图像拼接方法,实现多视角水果图像的拼接以获取完整的水果表面信息。首先以15°固定间隔旋转水果以获取各视角下的连续图像,在图像2R-G-B通道下实现图像目标和背景分离,并对目标图像进行灰度直方图均衡化以增强其纹理信息,有利于特征点的提取。运用SIFT算法提取图像特征点,因为特征向量数量多、维数高,采用普通的K-D树算法搜索匹配点将消耗大量时间,因此将图像划分为16个区域,通过多次试验可知中间4个区域为特征点是最容易匹配的区域,这样就缩小匹配点可能存在的区域。采用极线几何约束法和改进型随机抽样一致(random sample consensus,RANSAC)算法以提高图像拼接精度,减少匹配时间。根据平移矩阵,对前后图像进行拼接,从而实现水果表面图像的完整拼接。试验结果表明:该算法平均匹配精度提高35.0%,平均拼接时间为2.5 s,较传统K-D树算法缩短67.8%时间,拼接效果还原率为93.9%。该文算法具有一定的尺度、旋转以及仿射变换不变性,适用于随机呈现的不同姿态球状水果图像拼接。该研究可为基于机器视觉的农产品品质检测和等级划分提供科学参考。     

基于近邻法聚类和改进Hough算法的猪胴体背膘厚度检测

为了解决猪胴体背膘厚度在人工测量中准确率、效率低以及存在对样本造成污染的问题,该文基于计算机视觉和图像处理技术提出一种检测背膘厚度的算法。算法主要分成背膘部分检测和测量部位的直线检测。前者通过图像分割、特征点的检测以及漫水填充等方法实现,能准确提取猪胴体背膘部分。后者在图像预处理后,首先通过感兴趣区域(region of interest,ROI)提取猪胴体肋排区域;然后利用设定好的浮动窗口进行全幅图像的扫描,通过平滑后的平均灰度线特征提取肋骨的目标像素点;最后,基于近邻法利用目标像素点间的邻近关系对其进行聚类,找到胴体第6、7根肋骨,并采用基于已知点的Hough变换提取测量直线,将测量部位的直线映射到背膘部分,则可实现对猪胴体背膘厚度准确测量。试验结果表明,在对背膘厚度测量误差小于2 mm时,检测准确率可达92.31%,该文提出的方法能对猪胴体背膘厚度的测量位置进行准确定位和测量。     

基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价

如何将农作物从复杂动态变化的农田场景中准确提取出来,是作物分割方法后续提取覆盖度或反演叶面积指数准确与否的关键。本文以郑州、泰安和固城站2011年和2012年生长季的夏玉米为研究对象,利用在线式图像自动传输装置实时获取户外不同光照强度以及真实农田复杂背景下的夏玉米群体动态图像,在对原始图像进行几何校正的基础上,采用AP-HI、ExG、ExGR和CIVE4种作物分割方法提取夏玉米覆盖度和反演叶面积指数,通过对比试验定量评价每种作物分割方法对农田复杂背景的适应能力和精度,并从中选取适合农田复杂环境下夏玉米冠层图像覆盖度和叶面积指数的有效提取方法。结果表明：光照强度变化以及植物阴影、植物残渣等复杂背景对作物分割算法的精确性影响较大,AP-HI方法在光照适应性和对抗复杂环境两个方面均优于其它方法,相对误差在0.2以下,高于目估法测量的精度;通过对比分析发现,利用4种作物分割方法通过冠层孔隙率估算不同生长期夏玉米LAI,AP-HI反演模型最优,其估算的LAI与实际测得的LAI值比较的相关系数最高,为0.89~0.96,均方根误差最小,为0.47~0.75。综合考虑模型的精度和稳定性认为,基于AP-HI方法反演叶面积指数的方法具有一定应用优势。     

像素自相关矩阵的阈值自适应角点检测算法

针对Harris角点检测算法中角点响应函数(corner response function,CRF)系数阈值与非极大值抑制系数阈值需要人为设定所造成的可变性和随机性等问题,该文提出一种通过计算图像每个像素的自相关矩阵行列式值,构造特征角点图像进行自适应阈值分割的改进Harris角点检测算法.该算法首先通过计算原图像经过方向滤波和低通滤波后各像素的自相关矩阵行列式值,以此构造特征角点图像;然后采用OTSU算法计算特征角点图像分割阈值,从而筛选出预选区域;最后结合改进的非极大值抑制方法提取有效角点.通过5组角点检测对比试验结果数据分析,不同类型图像的角点检测准确率均有提高,高分二号遥感影像的角点检测准确率提高27.06个百分点,可以初步得出,该算法相比传统Harris角点检测算法不但能够自动计算角点检测的最佳阈值,而且能够更准确地定位角点和去除边缘伪角点,从而提高了角点检测的精确度,该研究可为农业遥感影像数据检测提供参考.     

采用改进遗传算法提取大豆叶片病斑图像

为了实现大豆叶斑病病斑区域的提取与特征计算,综合运用计算机数字图像处理技术与遗传算法进行大豆病斑提取研究。首先通过计算机视觉技术采集大豆病叶图像;其次,采用遗传算法完成了对病斑区域的提取;最后,运用数字图像处理技术完成了对病斑区域相关特征值的计算。试验结果表明,所提出的方法能够有效地提取出大豆病斑图像区域,并计算出相关特征值,为将来病种的识别和诊断奠定先期基础。