融合超像素分割算法与肢体特征的奶牛躯干精确分割方法

为了实现奶牛躯干的精确分割,以荷斯坦奶牛为研究对象,首先采用超像素分割算法(simple linear iterative cluster,简称SLIC)与显著性分析相结合的方法获得完整奶牛目标;然后通过设置傅里叶描述子以平滑Canny算子边缘检测的奶牛轮廓;最后采用基于奶牛肢体特征的分割点提取方法提取各分割点并依次连接生成奶牛躯干的分割线。为了验证本研究结果的有效性,使用试验图像库中随机抽取的20幅图像进行了测试,试验结果表明,本研究所提取的奶牛目标与手动提取目标的平均重叠率为96.83%,可以实现不同背景下奶牛目标的准确分割。本研究所提出的奶牛躯干分割方法的平均重叠率为99.86%,表明该方法在奶牛躯干精确分割中准确率较高且相对稳定,可以实现不同站立体态奶牛的高精度分割。     

一种基于深度卷积神经网络的油菜虫害检测方法

针对目前油菜虫害识别在背景、角度、姿态、光照等方面的鲁棒性问题,提出一种基于深度卷积神经网络的油菜虫害检测方法:首先在卷积神经网络和区域候选网络的基础上,构建油菜虫害检测模型,再在深度学习tensorflow框架上实现模型的检测,最后对比分析结果。油菜虫害检测模型利用VGG16网络提取油菜虫害图像的特征,区域候选网络生成油菜害虫的初步位置候选框,Fast R–CNN实现候选框的分类和定位。结果表明,该方法可实现对蚜虫、菜青虫(幼虫)、菜蝽、跳甲、猿叶甲5种油菜害虫的快速准确检测,平均准确率达94.12%,与RCNN、Fast R–CNN、多特征融合方法、颜色特征提取方法相比,准确率分别提高了28%、23%、12%、2%。     

基于小波变换和改进KPCA的奶牛个体识别研究

为加快畜牧业现代化程度,克服传统方法中奶牛个体识别正确率低的缺陷,针对奶牛个体纹理特征,对传统KPCA(核主成分分析)方法从降低协方差矩阵维数和引入类别信息两个角度进行改进,并与小波变换进行结合,应用于奶牛个体识别领域。首先对归一化后的奶牛图像进行一层小波分解得到4个分量子图,然后对各子图利用改进的KPCA进行特征提取并引入加权策略融合,最后构造出多类SVM分类器进行学习分类。将预先采集的20头奶牛个体的视频数据转化成图片序列并选取20 000张组成实验数据集,通过多组对比实验对小波融合系数、融合向量组数、特征维数三个重要参数进行设定,然后利用不同算法进行奶牛个体识别实验。结果表明,提出方法在识别正确率达到96.31%时,仅用了4.20 s,较其他算法具有明显优势,可以有效地应用到奶牛个体识别领域,兼具高性能、低成本的优势。     

基于PAM-RF 的奶牛活动异常情况监测

奶牛生理状态信息化监测是实现现代化大规模奶牛养殖的重要工具。针对奶牛的行为模式监测问题,设计了一种利用无线传感器网络技术,基于PAM算法与随机森林算法相结合的奶牛活动异常情况监测模型。该监测模型使用三轴加速度传感器作为奶牛行为数字化采集手段,无监督PAM算法分类样本行为作为训练集,结合基于有监督的随机森林算法作为奶牛活动行为分类的数学模型,在分类奶牛行为基础上构建奶牛活动强度指数时间序列,进而监测奶牛活动异常情况的发生。结果表明,该模型可以高效地分辨高、中、低3类不同强度的奶牛活动行为,模型的平均分类正确率高于91%,其中高强度与低强度分类正确率均高于95%;运用奶牛活动强度指数时间序列能够有效监测奶牛发情异常情况的发生,监测奶牛发情的正确率为91.67%。     

基于STC12单片机的奶牛健康检测系统设计

为了实现奶牛健康的实时检测,提出了一种基于STC12C5A60S2单片机的奶牛健康检测系统.该系统由基于单片机的下位机装置、基于Lab VIEW的上位机程序和基于FTP(File transfer protocol)协议的服务器3部分组成.下位机采用STC12C5A60S2单片机构建控制核心,使用温度传感器、心率传感器和运动传感器对奶牛特征参数进行检测,使用串口有线通讯和Wi Fi无线通讯的可选模式将数据传输至上位机;上位机软件使用虚拟仪器Lab VIEW技术进行构建,使用TCP(Transfer control protocol)协议对下位机进行通讯和控制,诊断算法可以对奶牛的健康数据进行诊断计算和简单的健康结果诊断;服务器使用服务器专用计算机构建,通过FTP协议为系统提供服务.系统测试结果表明,下位机检测数据的有效性最高达75%,有线数据传输正确率达92%,无线传输正确率达80%,服务器数据服务传输正确率达99%,诊断算法依赖经验库设计方案可行.在工作模拟测试中,运用该系统随机对10头奶牛的体温,运动量和心率进行了远程检测试验,10头奶牛的平均体温心率分别为34.5℃和63次/min;运动量白天平均为163次/min、夜晚平均为47次/min,奶牛的数据平均值的诊断结果为"健康,准确度:88%".系统具有一定的实用性,希望能给类似设计提供参考.     

基于近红外光谱与图像识别技术融合的烟叶成熟度的判别

为提高鲜烟叶成熟度的识别精度,提出基于近红外光谱和图像识别的多源信息融合技术的烟叶成熟度判别方法：利用随机森林(RF)方法分别建立近红外光谱判别模型、图像判别模型和多源信息融合判别模型,对烟叶成熟程度进行检测。近红外光谱模型对红花大金元、K326和云烟87等3个烤烟品种烟叶成熟度的识别正确率分别为91.27%、90.43%、89.44%,图像模型的识别正确率分别为86.20%、86.96%、81.23%,融合模型的识别正确率分别为94.08%、94.78%和92.96%。与近红外光谱模型相比,融合模型的判别正确率平均提高了3.93%;与图像模型相比,融合模型的判别正确率平均提高了10.83%。     

基于图像处理技术的小麦形态检测方法研究

形态特征是作物的肢体语言,对形态特征的研究在育种工作、生长状态分析、病害判断等方面都有着重要的意义。文章通过对图像分割和骨架提取算法进行优化改进提取出小麦植株骨架,采用最小矩形法计算小麦株高、用像素查找法计算叶长、用Hough变换计算叶基角和开张角,检测精度均达到90%以上,从而实现了面向农学小麦育种和管理专家的高效检测系统。     

基于HSV和骨架提取的水稻种子芽根长度自动化测量方法研究

种子的芽长和根长是评判种子质量的重要指标。传统的人工测量芽长与根长的方式，存在着繁琐、费时费力、易受主观判断影响等问题。利用图像处理技术的芽长根长自动检测算法能够提高芽长根长检测的效率，也避免了主观因素导致的误差。本研究基于HSV色彩空间和骨架提取，设计了种子芽长根长的检测方法。首先对图像进行阈值分割，其次再利用骨架提取算法结合深度优先搜索寻找水稻幼苗拓扑结构中最长路径，最后根据HSV色彩空间分割出的种子区域对芽和根进行分离，且采用间隔选取像素点坐标的方式计算欧式距离，并分别统计芽和根的长度。结果表明，本文方法自动测量的芽和根长度与人工实测数据的相关系数分别为0.998和0.997，平均百分比误差分别为1.48%和1.57%。基于HSV色彩空间和骨架提取的复合算法能够对种子萌发过程中的芽长与根长进行快速、准确地测量。     

基于旋转对称轴的从不完全点云提取骨架的算法研究

随着计算机图形学的迅速发展,对三维模型的研究日益深入。骨架作为形状表示的一种有效形式在三维模型的各个研究领域中被广泛采用。因为模型的骨架很好的保留了模型的拓扑连接性及其形态,所以经常被用于碰撞检测、三维动画、模型渲染、模型表面重建、模型检索等应用中。不同的应用,对于骨架应该保存的信息要求不完全相同,因此提取思路也不完全相同。提出了基于旋转对称轴的从不完全点云中提取曲线骨架的算法,通过旋转对称轴有效地利用常规信息来补偿丢失的数据,同时在柱状组合图形上计算产生健壮的曲线骨架。     

基于Landsat 8的云南松光谱端元选择与评价研究

以云南松为研究对象,调查昆明市主城区周围61个样点,选择3块代表性样地,基于Landsat 8影像,采用纯净像元指数(PPI)、连续最大角凸锥(SMACC)和几何顶点的端元提取方法,利用样区1提取的云南松端元波谱对样区2和3进行分类。以外业调查数据提取的平均端元为真值,结合波谱角填图(SAM)分类结果,对比分析不同的端元提取方法。结果表明:研究样区2基于PPI、SMACC和几何顶点端元提取的分类结果整体精度分别为85.00%、35.00%和85.00%;研究样区3基于PPI、SMACC和几何顶点端元提取的分类结果整体精度分别为83.33%、16.67%和75.00%。基于PPI提取的云南松端元平均波谱曲线与真实地表的云南松波谱曲线最为相似,可用于今后基于Landsat8数据的云南松波谱端元提取和混合像元分解。     

基于计算机视觉的沙糖橘果皮光滑指标检测

使用计算机视觉系统提取沙糖橘果皮正面图像,构建有效的图像采集方法、预处理方法、分割方法。从目标区域图像中提取6个与品质密切相关的果皮纹理特征信息用来分类识别果皮光滑,使用单一方差参数配合参数区间分类的方式正确率较低,为76.3%;进而以果皮6个灰度纹理特征开展MLP模型设计和训练,使用训练后的模型进行分类检测。在实测一定数量的果皮得出分类检测结果的基础上,进行系统设计的可行性验证。结果表明,基于3层的BP神经网络模型,设计6-8-2BP网络结构,分类识别正确率达到97.5%。该设计方法可对果蔬果皮特征检测提供参考和借鉴。     

基于深度学习的果园道路导航线生成算法研究

针对目前果园环境视觉导航线提取受光照、杂草干扰,而已有的导航线生成算法过于复杂且适用范围较窄的问题,提出了一种基于深度学习的方法来提取果园道路导航线:采用YOLOV3卷积神经网络提取果园道路图像上的特征点,并通过最小二乘法拟合生成导航线。通过采集的800张果园道路图片作为训练集,进而在240张图片组成的独立测试集上进行测试,总体识别率为95.37%,在杂草较少、杂草较多、高光照和正常光照的环境下,导航线平均偏差分别为2.15、2.28、2.32、2.41像素;平均偏移距离分别为3.4、3.5、2.7、3.6 cm。     

基于深度迁移学习模型的花卉种类识别

为了解决传统花卉识别方法中特征提取主观性强、模型泛化能力差、错分率高的问题,提出一种基于Inception_v3的深度迁移学习模型的花卉图像识别方法。本研究对5种常见花卉图像进行识别分类,首先对原始图像进行预处理,通过对每张图像进行水平翻转、旋转操作,扩增数据集;其次,采用预训练完毕的Inception_v3模型,对其在ImageNet上训练好的网络参数进行迁移学习,对各个参数进行微调,并保留原模型的特征提取能力,并将原模型的全连接层替换为符合本研究要求的5分类softmax分类输出层,从而构建基于深度迁移学习的识别模型。对5种花卉共计11 000张图像进行训练和验证,平均识别正确率达到93.73%,与传统的花卉识别方法相比,识别率得到提高,模型鲁棒性更强,具有一定的使用价值。     

基于广义Hough聚类的粘连猪头尾识别

为了通过形状特征对群养猪进行个体分析,首先必须获得每个猪个体的完整轮廓和主要特征部位。提出了基于距离变换的粘连猪体分割和基于广义Hough聚类的头部和尾部的识别方法。首先利用形状因子判定出图像中粘连猪体,然后对粘连猪体利用距离变换进行外轮廓逐层剥离,确定分离点和分割线,最后利用椭圆拟合对分割后的猪体轮廓进行局部修复,分割过程中轮廓失真较小,能准确地实现粘连猪体的分割。在分割的基础上根据猪体身长来截取头部和尾部的轮廓,根据猪体头尾形状的差异性,采用广义Hough聚类的方法识别头部和尾部,识别的平均正确率为87.28%。     

南昌地区不透水面遥感估算研究

基于亚像元思想,采用线性光谱混合模型对混合像元进行分解,结合传统与手动方法选取端元,使用Landsat 8 OLI数据对研究区不透水面覆盖度(Impervious Surface Coverage,ISC)进行提取,并对初步提取的不透水面采用NDVI阈值法进行优化处理。对于模型的分解精度,RMS平均值为0.008 812,达到精度要求。提取结果经精度验证,提取的不透水面盖度的均方根误差为0.139 8,平均绝对误差为0.080 9,具有较高的精度。最后,对南昌部分地区进行不透水面盖度统计,并对其进行空间分布分析。研究结果表明:使用线性光谱混合模型并结合传统与手动选取端元,能够较好的提取南昌地区不透水面盖度信息,可以解决仅仅基于像元的不透水面提取精度不高的问题;南昌地区不透水面主要集中在研究区的中部地区,四周不透水面盖度较低,平均不透水面盖度最高的地区为青云谱区,平均ISC达到59%。     

运用TRAP标记分析5个鲤群体的遗传多样性

运用TRAP标记技术,选取10个多态性较好的引物组合对荷包红鲤、黄河鲤、建鲤、兴国红鲤和黑龙江野鲤等5个鲤群体进行遗传多样性分析,其中固定引物是根据目标候选基因GHR基因的序列设计。结果表明,共扩增出168个位点,其中多态性位点134个,平均多态位点比例为80.41%,平均多态性信息含量为0.29。分子变异方差分析(AMOVA)结果显示群体内的方差贡献率达96.97%,表明各个鲤群体内存在较大的遗传变异。种群再分效应固定指数(FST=0.030 26,P<0.05)表明不同鲤群体间有显著的遗传分化。基于目标候选基因的TRAP标记对5个鲤群体进行聚类分析,结果表明建鲤和兴国红鲤首先聚成一类,然后黄河鲤和黑龙江野鲤聚为一类,再与荷包红鲤聚为一类。     

基于点云骨架的单木分枝参数提取研究

地面激光扫描技术在获取树木参数的应用中发挥了重要作用,而图形学算法为实现单木结构参数自动提取提供了可行的方法。本文提出一种基于地面激光扫描数据来获取单木分枝结构参数的方法,应用SkelTre算法对激光扫描仪获取的单木点云数据进行处理得到单木的骨架模型;根据骨架模型邻边的拓扑关系搜索与各个分枝相连接的节点提取分枝结构,计算枝长;在分枝着枝点处以骨架线为轴作横切面,应用凸包算法提取横切面点云外包多边形并计算分枝直径;对枝长和分枝直径的实测值和模型的估计值进行回归分析分别得到二者的对比分析结果,枝长的实测与估计值回归分析结果为Y=1.006X+1.335,显著性值为0.001,分枝直径的回归分析结果为Y=0.923X+0.105,显著性值为0.000。实验结果表明,基于地面激光扫描数据提取骨架模型以获取单木的分枝结构和提取分枝结构参数(如枝长、分枝直径)的方法具有很好的适用性和应用前景。      

基于TM影像的多伦县土地利用信息提取

在内蒙古多伦县土地利用现状调查中,根据该区地表异质性和破碎化强烈、地物光谱特征混杂严重、土地利用/覆被遥感信息提取对目视解译依赖程度高的特点,将基于知识的遥感信息提取技术应用于该地区。通过地物光谱特征的深入分析,用线性光谱混合分解模型将主要地物覆被类型分离,并建立多个专题信息模型,依据经验知识建立了各用地类型提取规则,提取了多伦县2007年的土地利用信息。结果表明:2007年的土地利用结构仍以耕地、牧草地、未利用地为主,3种地类分别占总面积的16.4%、55.2%和20.3%,林地面积为21919hm2,占总面积的5.6%。旱地、退化草地和沙地比例偏高,多伦县的生态环境虽有所改善,但仍处于极不稳定的状态。     

水稻叶片几何参数图像视觉测量方法研究

提出了一种基于图像视觉原理的水稻叶片几何形态参数测量计算方法,通过图像分割处理,统计参考物与目标叶片面积的像素数,计算叶片面积;通过求取参考物和目标叶片的最小外接矩形方法,计算叶片的长度和宽度值;利用基于4个方向模板运算的距离变换算法对茎叶夹角图像进行骨架信息提取,利用Hough变换对提取的骨架信息进行直线检测,并进行茎叶夹角计算。结果表明,该方法能够精确、快捷地对水稻叶片几何形态参数进行测量计算,与手工测量比较,叶片面积计算误差小于5%,长宽误差小于0.67%,茎叶夹角误差小于2%,能满足农学研究的要求。     

山区林地多季相TM影像综合分类研究

为了提高陆地卫星TM数据在山区林地的分类精度,利用4个季节的帽儿山TM数据进行植被分类,并辅助以物候特征和地面GIS专题信息 采用由简单到复杂的信息提取过程,先利用基于光谱知识的林地提取模型提取林地边界,再用有监分类方法分别进行林地和非林地内部类型信息的提取,生成多季相综合分类图 分类精度比单时相提高了19 6%