质心跟踪视频棉花行数动态计数方法

为了实现无人植保车在棉田全覆盖视觉导航,该文提出了一种基于视频的棉花行动态计数方法,将棉花行数作为植保车直线植保作业行驶到田端后,判断2个直线作业区间隔距离的依据,以适应实际作业环境中不同的棉花种植行距。通过2G-R-B将彩色图像转化为灰度图像,强调了棉花行信息;通过在坐标系中设置固定位置和大小的关注区域,在减小计算量的同时,有效避免了田端缺苗、棉花行不规则等现象对检测结果造成的影响;通过对关注区域内各列灰度累计曲线的波峰筛选,适应3个生长期的棉花行的定位,识别正确率高于85%;通过设置浮动窗口并求其灰度质心为跟踪目标,提高了不同生长期和不同农田环境下的目标识别和跟踪适应性;通过对质心构建目标窗口,并计算前后帧目标窗口在图像坐标系中所在位置的重叠率,将后一帧目标窗口遍历前一帧图像中的目标窗口,关联重叠率0.1的目标窗口,实现了视频图像中多个棉花行的跟踪。结果表明:该算法对于不同生长期的棉花行有较好的跟踪效果,对田端缺苗、杂草等农田环境有较好的鲁棒性。每帧图像的平均处理时间为150 ms,能够满足实时处理要求。     

基于特征组合与SVM的小粒种咖啡缺陷生豆检测

缺陷生咖啡豆显著影响商品咖啡豆品质及定价,其分选剔除是咖啡豆烘焙前的重要工作环节。目前缺陷豆的检测、分选及剔除主要由人工操作完成,耗时、费力且主观性大。该研究采用机器视觉技术提取咖啡豆轮廓、颜色和纹理3类特征,使用单一类别特征和不同类别特征进行组合,运用网格搜索确定支持向量机（Support Vector Machine,SVM）分类模型参数,通过k折交叉验证试验对比SVM模型性能,运用皮尔逊相关系数进行特征筛选,找到检测缺陷生咖啡豆的较优特征组合。为说明SVM检测模型的有效性,选用随机森林（Random Forests,RF）、极端随机树（Extremely Randomized Trees,ERT）、逻辑回归（Logistic Regression,LR）、LightGBM、XGBoost和CatBoost算法进行较优特征组合的对比试验。结果表明：包括轮廓、颜色和纹理3类14个特征的组合是较优特征组合,其SVM检测模型的平均准确率、平均精度、平均召回率、平均F1值分别为84.9%、85.8%、82.3%、84.0%,效果均明显优于2类特征组合和单一类别特征的检测模型,SVM检测模型的准确率和F1值相比随机森林、极端随机树、逻辑回归、LightGBM、XGBoost和CatBoost分别提高4.7和4.8,3.4和4.0,5.6和7.2,3.0和3.0,3.5和4.2,2.6和2.6个百分点。较优特征组合的SVM缺陷生咖啡豆检测模型检测缺陷类型较全面,识别准确率高,可实际应用于小粒种生咖啡豆智能化分选装备。     

基于特征融合的棉花幼苗计数算法

为了获取棉花幼苗数量,掌握播种成活率和出苗率等关键苗情信息,该研究提出一种基于特征融合的棉花幼苗计数算法。首先,该算法采用VGG-16作为基础模块提取图像特征,使用注意力模块（Convolutional Block Attention Module,CBAM）在通道和空间维度上进行特征增强,然后将增强后的特征与基础模块中的特征进行融合,进一步强化幼苗特征表达,最后通过去冗余和归一化操作得到计数结果。此外,还构建了一个包含399张棉花幼苗图像的数据集,其中包含了对212 572株幼苗的精准手工标注点标签。在该数据集上的测试结果表明,所提出的棉花幼苗计数算法取得了较好的计数效果,平均计数误差（Mean Absolute Error,MAE）和均方根误差（Root Mean Square Error,RMSE）分别为63.46和81.33,对比多列卷积神经网络（Multi-column Convolutional Neural Network, MCNN）、拥挤场景识别网络（Congested Scene Recognition Network, CSRNet）、TasselNet、MobileCount等方法,MAE平均下降了48.8%,RMSE平均下降了45.3%。     

融合YOLOv7和BYTE多目标跟踪的多类别海珍品计数方法

针对目前养殖过程中海珍品计数方法成本高、效率低、计数精度难以保障等问题,该研究以真实底播养殖环境下的海珍品为研究对象,以水下拍摄的海珍品视频为数据源,提出一种基于视频多目标跟踪的多类别海珍品计数方法。首先,采用性能优异的YOLOv7算法实现海珍品目标检测器,为多目标跟踪提供输入;然后,结合真实养殖环境下同类别海珍品外观相似性高、不清晰等特点,借鉴BYTE算法的多目标跟踪思想,设计多类别轨迹生成策略和基于轨迹ID号的计数策略,提出一种多类别海珍品跟踪与计数方法。并提出一套更适用于基于轨迹ID号计数方法的评估指标。试验结果表明,改进平均计数精度、改进平均绝对误差、改进均方根误差及帧率分别为91.62%、5.75、6.38和32帧/s,各项指标多优于YOLOv5+DeepSORT、YOLOv7+DeepSORT、YOLOv5+BYTE、YOLOv7+BYTE等算法,尤其改进平均计数精度、帧率指标比YOLOv5+DeepSORT高了29.51个百分点和8帧/s,且在改进平均绝对误差、改进均方根误差指标上分别降低19.50和12.08。该研究方法可有效帮助水产养殖企业掌握水下海珍品数量,为现代化渔业的测产研究提供技术参考,为水产养殖的智慧管理提供科学决策依据。     

基于K-means聚类和椭圆拟合方法的白粉虱计数算法

为了能够对害虫的准确计数,该文以白粉虱为例,提出了一种基于K-means聚类和椭圆拟合方法的白粉虱计数算法。该方法首先利用K-means聚类算法对白粉虱图像进行分割,使白粉虱从背景图像中分离,然后利用基于最小二乘法的椭圆拟合方法对分割结果进行椭圆拟合,统计椭圆的个数,提取椭圆中心点的颜色特征值,将其作为新的分类中心,重新对白粉虱图像进行分割和椭圆个数的统计,最后将算法收敛时的椭圆个数作为当前白粉虱的个数。对辣椒、黄瓜、番茄和茄子4种作物叶片上附着的白粉虱进行了计数试验,该算法在这4种作物上的平均计数错误率依次为2.80%,8.51%,5.00%,1.56%,并且分别比阈值化方法和K-means聚类方法的平均计数错误率降低了11.65%和70.18%。试验结果表明:所提方法能够实现对不同作物上白粉虱的准确计数,且算法具有很好的泛化性。该研究结果可为虫害的检测以及采取正确的防治措施提供重要依据。     

基于深度卷积神经网络的田间麦穗密度估计及计数

小麦的最终产量可由单位面积的小麦麦穗数侧面反映,为了快速准确统计小麦麦穗数,该研究给出一种在单幅图像上利用深度卷积神经网络估计田间麦穗密度图并进行麦穗计数的方法。首先对采集的田间小麦图像进行直方图均衡化及阈值分割预处理,以减少图像中光照及一些复杂背景对计数的影响;然后根据灌浆期田间小麦图像麦穗密集的特点,引入拥挤场景识别网络（Congested Scene Recognition Network,CSRNet）构建麦穗密度图估计模型,并采用迁移学习方法,利用小麦图像公开数据集对模型进行预训练,再用所采集的小麦图像数据集进行模型参数调整和优化;利用得到的模型生成单幅小麦图像的麦穗密度图,根据密度图中所有密度值的总和对图像进行麦穗计数。最后根据对单幅麦穗图像的试验数据,构建田间麦穗计数函数模型,实现田间小麦麦穗数估计。通过对所采集的安农170、苏麦188、乐麦608和宁麦24这4个品种共296幅小麦图像进行试验,平均绝对误差（Mean Absolute Error,MAE）和均方根误差（Root Mean Squared Error,RMSE）分别为16.44和17.89,4个品种小麦的麦穗计数值与真实值的决定系数R2均在0.9左右,表明该方法对单幅图像小麦麦穗计数精度较高。此外,通过对田间小麦麦穗数进行估计试验,结果表明,随面积的增大麦穗估计的误差越小,研究结果可以为小麦的产量自动估计提供参考。     

TM影像中基于光谱特征的棉花识别模型

为快速、准确地在遥感图像上从各种农作物中识别提取棉花作物的信息，满足大尺度、运行化棉花遥感监测系统的要求。作者在试验区的棉花主要生长期里，同期进行了棉花与其它主要农作物的地面光谱测量并采集了同期的Landsat TM图像。通过对各时期棉花及主要农作物的地面测量光谱与TM图像光谱特征的差异性及规律性分析，确定了试验区棉花遥感识别的最佳时相期为9月中下旬， 研究开发了基于光谱特征的棉花识别模型。经数学分析与实际应用验证，该模型简单、操作方便并且识别的准确度较高，适用于大尺度的“新疆棉花遥感监测运行系统”。     

基于机器视觉的菊花生长自动无损监测技术

本研究采用机器视觉及图像处理技术对多株植物生长信息进行了监测研究。该监测系统使用的CCD相机被安装在四周均布10株被测植物的精密旋转云台上,相机的镜头前安装了近红外滤片,在相机顶部安装了近红外光源。旋转云台按一定时间间隔自动定角度旋转,旋转到设定角度后,CCD相机对被测植株进行取像。利用该系统,可以长时间自动连续对多株植物进行监测。为了提高测量精度,实验过程中在被检测对象的茎节叶腋处粘贴反射亮片,在图像分析处理过程中,采用一种基于亚像素和区域匹配的误差消除估计算法EEC图像分析的处理方法,有效地提高了检测精度。并且,通过研究发现在图像匹配过程中,参考模板的最小尺寸应大于15×15 pixel。利用该系统对菊花的茎长生长进行了监测分析,发现白天菊花的茎长生长率要小于夜间的生长率。该研究为利用机器视觉技术连续非接触监测植物的生长信息提供了技术理论基础。     

棉花异性纤维中麻绳与羽毛的分类特征

摘要：为准确识别棉花异性纤维中较难识别的羽毛和麻绳异性纤维,采用机器视觉技术,通过图像处理方法采集异性纤维目标,对羽毛和麻绳异性纤维的色彩和纹理特征进行有效的特征提取,形成异性纤维目标的特征向量。再通过一种自底向上的凝聚型层次聚类算法对提取的羽毛和麻绳的色彩与纹理特征进行层次聚类分析,选择最优特征向量。将8个特征向量进行降维分析并比较各维数下的层次聚类效果,试验结果表明,选取红色(R_ave)、绿色(G_ave)、蓝色(B_ave)、能量、熵、惯性矩等6个特征进行层次聚类效果最好,羽毛识别率达到94%,麻绳识别率达到95%, 说明选择的特征向量对这2种异性纤维具有理想的区分性。该研究可为棉花异性纤维的正确识别提供参考。     

基于线激光与LED的棉花中异性纤维检测方法

激光成像可以检测出皮棉中的白色异性纤维,而深色和有色的异性纤维反光性能差,激光成像难以检测。该文提出了一种基于LED与线激光的双光源一次成像方法,可以检测出各种颜色的异性纤维。试验以白色、深色和浅色共20种典型异性纤维和皮棉作为样本,在相机曝光时间与光圈不变的条件下,逐步改变LED亮度和线激光功率,发现在RGB颜色空间,利用R(红色)通道,白色异性纤维与棉花的可分度随着激光功率的增大而增大,达到峰值之后又逐步减小;在HIS颜色空间,利用S(饱和度)通道,有色异性纤维与棉花的可分度随着LED亮度的增大而增大,达到峰值之后又逐步减小。在此基础上,该文获取了310幅棉花与异性纤维的图像,作出了基于R与S通道的图像可分度、LED亮度与激光功率的对应变化曲线,然后将两种曲线进行融合,在曝光时间106μs、光圈2.8C条件下,发现线激光功率7.01 m W、LED亮度3 326 lx时,白色异性纤维和深色、有色异性纤维与棉花的可分度最大。采用上述双光源成像参数和该文的成像装置获取840幅图像,通过简单的二值化图像分割算法,白色异性纤维的正确识别为84.1%,深色和有色异性纤维正确识别为93.9%,优于单独激光成像或单独LED成像的识别率。     

基于Census变换的双目视觉作物行识别方法

针对基于双目视觉技术的作物行识别算法在复杂农田环境下,立体匹配精度低、图像处理速度慢等问题,该文提出了一种基于Census变换的作物行识别算法。该方法运用改进的超绿-超红方法灰度化图像,以提取绿色作物行特征;采用最小核值相似算子检测作物行特征角点,以准确描述作物行轮廓信息;运用基于Census变换的立体匹配方法计算角点对应的最优视差,并根据平行双目视觉定位原理计算角点的空间坐标;根据作物行生长高度及种植规律,通过高程及宽度阈值提取有效的作物行特征点并检测作物行数量;运用主成分分析法拟合作物行中心线。采用无干扰、阴影、杂草及地头环境下的棉田视频对算法进行对比试验。试验结果表明,对于该文算法,在非地头环境下,作物行中心线的正确识别率不小于92.58%,平均偏差角度的绝对值不大于1.166°、偏差角度的标准差不大于2.628°;图像处理时间的平均值不大于0.293 s、标准差不大于0.025 s,能够满足田间导航作业的定位精度及实时性要求。     

基于支持向量机的玉米根茬行图像分割

玉米根茬行的准确识别是实现玉麦轮作机器视觉式小麦自动对行免耕播种技术的前提。针对华北一年两熟区联合收获机玉米留茬收获后根茬行较难准确分割的问题,该研究以直立玉米根茬为研究对象,提出一种基于支持向量机（Support Vector Machine,SVM）的玉米根茬行分割方法。首先,利用主成分分析（Principal Components Analysis,PCA）对提取的目标（直立根茬）与背景（行间秸秆及裸露地表）的颜色和纹理特征进行分析,优选出21个特征,构成特征向量作为训练直立根茬SVM识别模型的输入;然后,根据图像坐标设置图像中间包含完整玉米根茬行的矩形区域为感兴趣区域（Region of Interest,ROI）;最后,使用训练好的直立根茬SVM识别模型以25×25（像素）的窗口在ROI内滑动检测,采用阈值法分割根茬行并通过形态学处理优化得到最终的玉米根茬行二值图像。利用在农业农村部河北北部耕地保育农业科学观测实验站采集的100幅玉米根茬行图像进行试验,结果表明,本文方法对于不同行间秸秆覆盖量和不同光照条件下的根茬行分割表现出较好的准确性和鲁棒性,直立根茬平均识别准确率、平均分割准确率、平均召回率、平均分割准确率与平均召回率的加权调和平均值（F1avr值）分别为93.8%、93.72%、92.35%和93.03%,每幅图像的平均分割时间为0.06 s,具有较好的实时性。基于SVM的分割方法可实现联合收获机玉米留茬收获后根茬行图像的分割,为下一步检测玉米根茬行直线并将其作为导航基准线进行视觉导航的研究提供良好基础。     

基于GA-SVM模型的机采籽棉杂质识别

针对中国机采棉加工过程中混级混轧、缺乏棉花参数检测的现状,提出使用遗传算法优化支持向量机参数的机采籽棉图像分割、杂质识别方法。在图像分割阶段,采用像素点邻域的色调、饱和度、亮度颜色特征与平均亮度、平均对比度、平滑度、三阶矩、一致性、熵等纹理特征构建特征向量,使用最优保留策略的遗传算法优化惩罚参数及核函数参数,建立图像分割SVM分类器;对杂质识别过程,在计算标记区域的颜色特征、纹理特征基础上,增加面积、周长、离心率、矩形度、形状因子等形状特征,使用遗传算法建立杂质识别SVM分类器。测试结果表明,该方法适用于边缘对比度低、纹理信息丰富的机采籽棉含杂图像分割,对杂质的有效识别率为92.6%。该研究为棉花加工设备的参数优化和国产采棉机的研制及优化提供重要参考依据。     

基于垄线平行特征的视觉导航多垄线识别

为有效快速地识别农田多条垄线以实现农业机器人视觉导航与定位,提出一种基于机器视觉的田间多垄线识别与定位方法。使用VC++ 6.0开发了农业机器人视觉导航定位图像处理软件。该方法通过图像预处理获得各垄行所在区域,使用垂直投影法提取出导航定位点。根据摄像机标定原理与透视变换原理,计算出各导航定位点世界坐标。然后结合垄线基本平行的特征,使用改进的基于Hough变换的农田多垄线识别算法,实现多垄线的识别与定位。使用多幅农田图像进行试验并在室内进行了模拟试验。处理一幅320×240的农田图像约耗时219.4 ms,室内试验各垄线导航距与导航角的平均误差分别为2.33 mm与0.3°。结果表明,该方法能有效识别与定位农田的多条垄线,同时算法的实时性也能满足 要求。     

融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法

为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明：该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草提供参考。     

基于自动Hough变换累加阈值的蔬菜作物行提取方法研究

为解决机器视觉对生菜和绿甘蓝两种作物在整个生长时期内多环境变量对作物行识别影响的问题,同时提高机器视觉作物行识别算法的有效性,该文提出了一种基于自动Hough变换累加阈值的多作物行提取算法。首先,选用Lab颜色空间中与光照无关a分量对绿色作物进行提取,通过最优自适应阈值进行图像分割,并采用先闭后开形态学运算对杂草和作物边缘进行滤波。其次,采用双阈值分段垂直投影法对作物行特征点进行提取,通过对亮度投影视图中的目标像素占比阈值和噪声判断阈值设置,实现特征点位置判断和杂草噪声过滤,并对相邻特征点进行优化,剔除部分干扰特征。最后,采用Hough变化对特征点进行直线拟合,将不同Hough变换累加阈值获得的拟合直线映射到累加平面上,通过K-means聚类将累加平面数据聚类为与作物行数相同的类数,根据相机成像的透视原理提出基于聚类质心距离差和组内方差的最优累加阈值获取方法,将最优累加阈值下累加平面中的聚类质心作为识别出的真实作物行线。温室和田间试验表明,针对不同生长时期的生菜和绿甘蓝作物,该文算法均可有效识别出作物行线,最优阈值算法耗时小于1.5 s,作物行提取平均耗时为0.2 s,在田间和温室中作物行的平均识别准确率分别为94.6%、97.1%,识别准确率为100%的占比分别为86.7%和93.3%。研究结果为解决多环境变量影响因素下的算法鲁棒性和适用性问题提供依据。     

采用双目视觉和自适应Kalman滤波的作物行识别与跟踪

针对传统作物行识别方法在相邻图像间的识别结果偏差较大,作物行的定位精度和稳定性低等问题,该研究提出一种基于双目视觉和自适应Kalman滤波技术的作物行识别与跟踪方法。对于作物行识别,首先建立图像预处理算法,基于改进的超绿-超红模型和最大类间方差法分割植被灰度特征;建立作物行特征提取算法,基于特征点检测技术和双目视差测距方法计算植被角点特征的三维坐标,根据三维阈值提取作物行特征点,进而建立作物行中心线检测算法,建立基于主成分分析的直线拟合模型,根据作物行特征点的频数统计规律检测作物行冠层中心线。对于作物行跟踪,建立跟踪目标规划模型,提取位于图像中央区域的作物行作为跟踪目标;建立目标状态方程,基于自适应Kalman滤波技术构建作物行中心线跟踪模型。以棉花图像开展试验研究,图像数据包括阴影、杂草、地头等田间场景。试验结果表明,该研究方法的作物行识别准确度、精度和速度均较高,识别正确率约为92.36%,平均航向偏差为0.31°、标准差为2.55°,平均识别速度约80.25 ms/帧;经目标跟踪后,航向角和横向位置估计的标准差分别为2.62°和0.043 m、较无跟踪状态分别减小22.94%和10.42%,作物行中心线的方位估计精度进一步提高。研究成果可为导航系统提供连续、稳定的作物行导引参数。     

基于朴素贝叶斯分类器的棉花盲椿象危害等级识别

针对自然条件下棉花盲椿象危害区域提取和危害等级识别难的问题,提出了棉花盲椿象危害等级自动识别方法。该方法以自然条件下采集的不同盲椿象危害等级棉叶图像为对象,利用最大类间方差阈值分割和多颜色分量组合方法进行作物与土壤分离和病斑分割,并利用分水岭分割方法对粘连棉叶进行分离并提取盲椿象危害棉叶区域,提取图像的颜色、纹理和形状特征,结合朴素贝叶斯分类器,依据划分的棉花盲椿象危害等级标准,对盲椿象危害等级进行识别。不同盲椿象危害等级识别试验结果表明:该模型平均识别正确率达90.0%,通过比较试验表明,该模型在识别精度比BP神经网络高2.5%,运行速度比支持向量机高11.7%,可较好的对棉花盲椿象危害等级进行识别,可为棉花盲椿象的防治提供技术支持。