基于结构光三维点云的棉花幼苗叶片性状解析方法

针对传统的棉花叶片表型测量方法主观、低效,对复杂性状如卷叶程度、黄叶占比等很难量化的问题,提出一种基于结构光三维成像的棉花幼苗叶片性状解析方法。首先,采用结构光扫描仪获取棉花幼苗的三维点云数据;然后,利用直通滤波、超体聚类、条件欧氏距离算法,实现叶片点云的识别与分割;最后,基于分割的叶片点云,采用三角面片化、随机采样一致性、Lab颜色分割等处理,实现叶片面积、周长、生长角度、卷曲度、黄叶占比等参数的快速、准确、无损提取。对40株棉花幼苗进行三维结构光成像试验,结果表明,3D叶片面积、周长测量的平均绝对误差分别为2. 59%、2. 85%,具有较高的测量精度,还证明叶片卷曲度和黄叶占比能显著区分病叶和正常叶。     

基于最小距离求交的狭叶锦鸡儿叶片横切面宽度测量

针对传统叶片横切面宽度测量效率低、劳动强度大、重现性差,已有图像处理算法与实际测量方式不匹配等问题,以狭叶锦鸡儿叶切片为研究对象,根据叶片横切面特点,提出基于最小距离求交算法实现其宽度测量。首先将采用同态滤波对叶片横切面图像进行光照补偿;接着将灰度化后图像采用最大类间方差法(Otsu)将叶片整体从背景中分离,并使用形态学处理算法,消除初分割边缘毛刺,填充存在的孔洞;然后采用Sobel算子提取边缘,使用快速行进骨架提取算法提取目标骨架;最后采用本文提出的最小距离求交法确定宽度测量点,使用欧几里得算法计算两点间图上距离,将其除以对应比例关系,得到实际叶片横切面宽度。实验结果表明:对供试叶片宽度测量均值约为646.31μm,均方根误差RMSE约为3.065,相较ToupTek Toupview软件交互测量,相对误差约为0.42%,满足实际测量需求。     

小波域非局部均值无芒隐子草叶切片盲去噪

在获取无芒隐子草叶切片图像时不可避免受到噪声的污染,易导致后续提取和测量特征参数的不准确。对于自然图像,事先并不知道其所含噪声的类型和方差,因而首先利用小波变换和曲线拟合确定切片图像噪声类型和强度;在此基础上,分别应用小波阈值去噪、非局部均值去噪和提出的非局部均值滤波(NLM)与小波阈值去噪相结合的方法对无芒隐子草叶切片图像进行去噪。实验结果表明:获取的切片图像噪声类型为高斯加性噪声,标准差为σ∈[1. 5,3. 5],用高斯函数对随机选取的10幅切片图像的高频HH子带能量分布进行拟合,拟合优度为R2=0. 990 7;用3种方法对含不同噪声大小的切片图像进行去噪,当噪声标准差为σ∈[1. 5,8]时,应用Beyes Shrink法去噪后,图像的峰值信噪比提高了3 d B,而NLM和本文提出的算法不适用;当噪声标准差为σ∈[8,15]时,NLM算法和提出的算法去噪效果相当,去噪后图像峰值信噪比提高了7. 5d B,应用Beyes Shrink算法提高了6. 5 d B;而当σ∈[15,30]时,使用提出的算法表现出较大的优越性,去噪后图像峰值信噪比提高了10. 53d B,是NLM算法的1. 4倍、Beyes Shrink法的1. 3倍。本文的算法和实验结论可为无芒隐子草切片图像准确降噪提供理论基础。     

田间枣树叶片复杂目标图像综合分割方法

设计了一种复杂图像分割的综合算法。首先对图像进行预处理,锁定大致目标范围,对图像进行增强,再基于阈值分割和Canny算子对图像进行初步分割。然后结合形态学处理方法及各种逻辑运算对分割结果进行优化处理,得到精确完整的目标图像。以田间枣树叶片图像为例进行实验,证明了该算法的可行性和有效性。该算法对叶片重叠、叶片灰度不均匀等复杂图像都有很好的分割效果,获得了边缘清晰、平滑、定位精确的边缘图像。     

基于时间序列的玉米叶片性状动态提取方法研究

玉米叶片性状对生长发育、遗传育种及功能基因解析研究具有重要意义,而传统的测量方式效率低、主观性强、测量性状少,已无法满足现代玉米研究的需求,为此提出一种基于时间序列的玉米叶片性状动态追踪技术。研究基于高通量作物表型平台,针对100份玉米品种资源,每间隔3 d获取8个玉米生长点图像;利用图像分割、叶片骨架提取等算法得到单片叶长、叶角度、叶弯曲度参数;基于叶片相对位置信息实现玉米叶片的动态追踪及标记。试验结果和人工测量值相比,叶长和叶夹角测量误差分别为0.92%和3.32%。叶片追踪可以得到叶片的动态变化过程,计算获取叶片长度的平均生长率及叶片弯曲度的变化分布。     

基于运动恢复结构的无规则植物叶片面积三维测量方法

接触式测量植物叶片面积的方法会对叶片造成一定程度的伤害,为此本文提出一种仅利用智能手机的非接触式多类别无规则叶片面积三维测量方法。首先,采用运动恢复结构方法获取植株的三维重建点云,在HSV颜色特征空间去除叶片三维噪点;然后,利用模糊C均值聚类算法分割单个叶片,重建叶片表面三角网格;最后,通过网格法计算叶片面积。对5种不同类别、不同形状的植物叶片进行了测量实验,结果表明,在叶片重叠率和复杂性角度上,面积测量的平均相对误差分别为6.25%和4.81%。本文方法测量稳定、精度高,能够满足多类别无规则植物叶片面积测量的需求。     

改进的CLAHE无芒隐子草叶切片图像增强

无芒隐子草叶切片图像在获取过程中不可避免产生低对比度图像,对后续处理产生影响.为此,针对传统的限制对比度自适应直方图均衡化方法(contrast-limited adaptive histogram equalization,CLAHE)对较暗图像处理效果不佳的问题,提出了基于自适应亮度调整的CLAHE图像增强算法.该...     

基于图像处理的葡萄叶片含水率诊断初探

随着图像处理与分析技术的蓬勃发展,许多专家学者利用图像获取工具比人眼更精细的分辨能力,应用图像处理技术进行信息诊断研究。以温室大棚中的葡萄植株为研究对象,使用卡西欧ex-2750数码相机采集葡萄冠层叶片图像,并通过烘干法测量叶片样本的含水率,通过MATLAB计算叶片图像的灰度均值。通过对提取的15组葡萄叶片样本数据的多项式曲线拟合,建立了基于叶片图像灰度均值的叶片含水率估算模型,模型的确定系数R2高达0.780 3。结果表明,利用叶片图像的灰度均值可以对葡萄叶片的含水率进行诊断。     

基于计算机视觉的甘蓝生长过程导航线提取算法

为改善甘蓝施药、收获机械视觉导航效果不稳定的现状,提出适应甘蓝施药、收获机械自动导航场景的视觉导航线提取算法,采用过红灰度法(2R-G-B)对图像进行灰度化,大津阈值法对灰度图像进行分割,Hough变换方法确定甘蓝双侧导航线,使用扫描法确定甘蓝导航跟踪中心线;本文试验图像采集自中国农业科学院寿光蔬菜研发中心甘蓝示范基地,分别在甘蓝生产初期和结球采集,应用Matlab计算平台进行算法验证,使用本研究算法平均每张图片的左右导航线与中心导航线的规划时间为分别为0.086 s、0.42 s,角度平均差分别为5.71°、8.30°和3.26°;使用本文方法规划的导航线在精度上优于传统方法。     

基于计算机视觉的成熟番茄识别研究

以番茄图像为研究对象,提出一种成熟番茄识别方法。首先,以HSI模型中的色调分量为基础进行图像分割,提取出成熟番茄目标图像;然后,再采用最大方差自动取阈值法进行分割处理,对得到的目标图像进行轮廓提取;最后,对轮廓曲线采用Hough变换的方法进行识别,以同一个轮廓圆识别的多个极值点的均值作为最终识别结果,在Hough变换之前采用最小外接矩形法进行有效区域标记,提高了Hough变换的效率。通过多幅番茄果实图像的仿真测试表明:本算法对果实遮掩度为0、小于50%、大于50%这3种情况的识别率分别为78.7%、6 8.1%、4 1.9%,平均识别率达到7 0.6%。本算法对于成熟番茄可以较好识别,尤其对于存在重叠情况的番茄,识别准确率较高。     

基于三维点云的叶面积估算方法

为实现低成本无损精确测定叶片面积,基于运动恢复结构算法获取点云,提出了一种融合叶片点云分割、表面重建及叶片面积无损估测等过程的植物叶片面积提取方法。首先,基于运动结构恢复算法,以智能手机获取的可见光图像重建植物的三维点云;其次,为了还原叶片表面形状,基于HSV颜色空间,使用阈值分割法去除叶片点云的噪点;使用K-means聚类算法对点云的三维坐标矩阵进行分类,实现单片叶片点云的分割;基于滚球算法重建叶片的表面网格模型;最后,通过计算网格面积求得叶片面积。与常规叶面积测定方法进行了对比,本文方法的计算结果与扫描叶片法测定值相比平均误差为1.21cm2,误差占叶片面积的平均百分比为4.67%;与叶形纸称量法测定值相比平均误差为1.41cm2,误差占叶片面积的平均百分比为6.05%。结果表明,本文方法成本低、精确度高,可满足植物叶片面积无损精确测定的需求。     

基于Android手机的水稻剑叶角测量系统

为了快速、无损地测量水稻剑叶角,设计了基于Android智能手机的便携式水稻剑叶角无损测量系统。采用智能手机后置摄像头获取水稻剑叶基部图像,经过图像预处理、直线检测、K-means聚类和向量方法等处理过程,得到水稻剑叶角。基于Android编程技术对系统软件进行设计,实现了在Android平台下利用JNI和Android NDK调用基于Open CV库的剑叶角提取图像处理算法,实现了新建试验、材料信息输入、摄像头获取剑叶基部图像、计算输出剑叶角及保存数据等界面操作流程。利用该测量系统在田间对4个品种的80株水稻进行剑叶角测量试验,以验证系统性能。试验结果表明,和人工用量角器测量结果相比,该系统测量的平均绝对误差为1.34°,相对误差为2.7%,测量值和真实值相关系数为0.997,能有效测量剑叶角。     

基于双向极角的植物叶凸包生成算法

为了描述和提取植物叶的形状特征,需要生成植物叶的凸包.首先,通过图像分割,获得植物叶原始图像的二值图像;其次,利用轮廓跟踪算法,获得植物叶轮廓的简单多边形;最后,利用基于双向极角的卷包裹法,生成植物叶的凸包.该算法计算复杂度为O(Nh).试验表明,算法满足图像旋转不变性要求,适用于多种不同形状的植物叶.     

基于改进YOLACT的果树叶墙区域实时检测方法

为了解决果园因农药过量使用导致的环境污染与农药浪费问题,提出了一种基于改进YOLACT的果树叶墙区域(Leaf wall area, LWA)实时检测方法,用于计算深度-彩色双目相机采集视频中的叶墙区域距离及密度,为果园农药智慧喷施作业中农药喷洒剂量与喷洒距离的实时调整提供依据。首先,使用ConvNeXt主干网络改进了YOLACT模型,并引入NAM通道注意力机制对模型进行了优化;其次,提出了基于深度学习的果树叶墙密度检测方法;最后,通过阈值法排除深度图像中的干扰信息,简化了果树叶墙平均距离计算方法的处理流程。实验结果表明,改进YOLACT模型分割的AP_all为91.6%,相较于原始模型上升3.0个百分点,与YOLACT++、Mask R-CNN和QueryInst模型相比分别高2.9、1.2、4.1个百分点;叶墙密度估计算法在叶墙顶部、中部和底部的均方根误差(Root mean square error, RMSE)分别为1.49%、0.82%、2.20%;叶墙区域实时检测方法的处理速度可达29.96 f/s。     

基于ECMM分割法的杂草稻种子在线识别技术

为提高水稻种子质量,剔除杂草稻种子,提出一种基于凹点匹配的粘连分割算法,搭建一种在线形色双选水稻种子识别平台。该平台由排种系统、图像采集系统、传动系统、电机驱动系统构成。该平台算法基于ECMM凹点分割法,首先对采集的图像进行预处理、提取形态因子小于0.4的粘连轮廓,对所提取轮廓的边缘进行一维高斯卷积核平滑处理,并计算平滑后轮廓曲线的曲率及其曲率均值,寻找与曲率均值相差较大的若干个点作为角点。其次,依据矢量三角形面积的正负来判断角点是否为真正的凹点,寻找凹点与前继点、后继点所组成的法线方向的夹角范围(0°~180°),并在此夹角范围内寻找与其相匹配的凹点对,完成粘连分割。该算法平均精度为92.90%,比极限腐蚀法提高19.82个百分点,比分水岭算法提高12.85个百分点。最后,计算分割后图像上各轮廓内的种子长度与R通道像素占比来识别杂草稻种子。经识别平台测试,本文算法每识别100粒种子平均用时0.95s,平均识别精度为97.50%。