基于机器视觉的鲜食玉米品质检测分类器设计与试验

设计一种基于机器视觉的鲜食玉米品质检测分类器。利用计算机视觉技术,通过小波分析方法对不同角度拍摄的鲜食玉米图像进行纹理特征分析;在获取玉米图像纹理特征的基础上,采用最大熵函数对纹理图像的分离度进行度量,并结合重量判据设计鲜食玉米品质检测分类器,实现对不同品种、尺寸以及破损程度的鲜食玉米进行分类,有效剔除病虫害污染的玉米产品。该设备可有效减少因工人主观经验水平的参次不齐等主观因素导致产品质量检测分类不均的现象。经实验验证,该品质检测分类器能够有效完成不同重量、尺寸的鲜食玉米的产品品质检测与分类,有效分类率可达到99%以上。     

基于WilksΛ准则的KFDA方法研究枸杞分级

为提高枸杞分级正确率,建立一种基于枸杞图像的分级模型,以3个产地共6个等级的枸杞为研究对象,在提取枸杞图像颜色和纹理特征参量的基础上,运用Fisher判别分析(FDA)和核Fisher判别分析(KFDA)方法对6个等级的枸杞进行鉴别分析。在KFDA分析过程中,选取径向基函数(RBF)为核函数,采用基于距离测度的矩阵相似性度量方法,优化确定了RBF核函数的最优参数值为13.2436;选用前150个主成分分析时,基于WilksΛ准则的枸杞分类及验证正确率分别为100.00%和87.80%,而基于传统主成分贡献率的枸杞分类及验证正确率分别100.00%和81.70%。结果表明,运用基于WilksΛ准则的KFDA方法,选用150个最有利于分类的主成分,鉴别结果由FDA的91.7%提高到KFDA的100%。该研究方法不仅有效提高了枸杞图像的鉴别正确率,而且为其他农产品图像分级提供了理论依据。     

基于颜色及纹理特征的果蔬种类识别方法

为更好地表述果蔬图像纹理特征,提高智能果蔬识别系统识别准确性,提出一种颜色完全局部二值模式纹理特征提取算法。果蔬识别系统模型利用颜色完全局部二值模式提取图像纹理特征,利用HSV颜色直方图、外点/内点颜色直方图提取图像颜色特征,采用匹配得分融合算法将颜色和纹理特征相融合,采用最近邻分类器实现果蔬农产品分类。通过不同光照条件下和不同数量训练样本条件下的试验得出：颜色完全局部二值模式的果蔬图像纹理表述能力明显优于和差直方图等果蔬图像纹理操作子,识别率提升最小在5%以上,更适合果蔬分类;对比其他纹理特征提取算法,采用颜色完全局部二值模式与颜色特征进行融合时,识别率最优,时间开销约为1.1 s。该方法能够应用到智能果蔬识别系统中,提升系统识别准确性。     

基于多特征提取和Stacking集成学习的金线莲品系分类

针对传统中药鉴定、分子鉴定、生物技术鉴定及光谱检测技术的主观性强、耗时、操作复杂等不足,以及金线莲整个叶片形态区分度小、单一分类器鉴别精度不高的问题,该研究提出了基于机器视觉的叶片子区间多特征提取方法和基于多模型融合的Stacking集成学习算法实现金线莲的品系分类。试验采集6个品系的金线莲叶片图像数据,进行图像预处理后提取叶片子区间内纹理、颜色共114个特征,基于这些特征,构建堆叠式两阶段集成学习框架,以逻辑回归、K最近邻、随机森林和梯度提升决策树(Gradient Boosting Decision Tree,GBDT)作为基分类器,GBDT作为元分类器进行学习。试验结果表明,Stacking集成学习模型的整体识别综合评价指标F值达93.91%,分类正确率达94.49%,分别比逻辑回归、K最近邻、随机森林和GBDT这4个单一分类模型高出4.40、11.87、11.01、12.94个百分点和5.36、11.34、6.93、12.13个百分点。因此,该研究能够有效识别金线莲品系,为形状大小相似、形状特征难以利用的植物叶片识别提供参考。     

权重约束AdaBoost鱼眼识别及改进Hough圆变换瞳孔智能测量

针对传统鱼眼瞳孔直径测量方法耗时、耗力,且数据主观性强的问题,该文提出基于权重约束AdaBoost和改进Hough圆变换的鱼眼瞳孔直径智能测量方法。首先,利用工业相机采集实验板上的鱼图像,从正负鱼眼图像样本中训练出基于权重约束AdaBoost算法的鱼眼分类器;然后,采用该分类器对试验图像进行检测,将检测到的鱼眼局部图从整体图中分离出来;最后,采用改进的Hough圆变换检测出鱼眼的瞳孔,并计算得到瞳孔直径。对100条金鲳鱼进行试验,鱼眼分类精度达97.1%,瞳孔正确检测率达94.2%,相比改进前分别提升了1.7个百分点和10.5个百分点,与人工测量瞳孔直径值的平均偏差为6.5%,比改进前低了5.9个百分点,总的平均测量时间为324.371 ms,比改进前减少了10.707 ms。试验证明:该文提出的方法能够精确、实时、自动地测量出鱼眼瞳孔的直径,有效避免了传统测量方式的复杂性和测量数据的主观性,可为鱼体生长状况评估、良种选育提供重要参考。     

基于多分类器融合的玉米叶部病害识别

针对单分类器识别的局限性和玉米叶部病害的复杂性,该文提出了一种基于自适应加权的多分类器融合的玉米叶部病害识别方法。首先,对采集的玉米叶部病害图像的病害区域分别提取颜色、颜色共生矩阵和颜色完全局部二值模式3种特征,并相应地构建3个基于支持向量机的单分类器;然后,利用K近邻和聚类分析的方法计算各单分类器的自适应动态权值;最后,通过线性加权的方式进行融合判决,得到最终的分类结果。利用该方法对7种常见的玉米叶部病害图片进行了试验,平均识别率达94.71%。结果表明,其性能优于目前常见的单一特征或特征组合构建的同类分类器及多分类器融合方法。研究结果为其他农作物病害诊断提供了借鉴和参考。     

基于EMD多尺度特征熵的水轮机尾水管涡带信息提取

水电机组故障诊断的关键是从状态信号中提取故障特征,因此采用经验模态分解和指标能量相结合的方法,进行水轮机尾水管动态特征信息提取。首先,对信号进行经验模态分解,然后,根据得到的本征模式分量函数计算指标能量,最后,建立基于指标能量的多尺度特征熵,并以此熵值作为故障模式识别的特征向量。以原型水轮机尾水管压力脉动信号为例,进行了应用检验。结果表明,该方法准确性高,并具有良好的水轮机特征向量提取能力,适合分析复杂而特殊的水轮机动态特征信息。     

基于图像分块及重构的菠菜重叠叶片与杂草识别

针对重叠叶片在识别过程中存在识别率低、形状特征失效等问题,该研究提出一种基于图像分块及重构的方法,实现菠菜重叠叶片杂草识别。采用超绿模型将菠菜RGB图像进行灰度化得到绿色植被前景图像。针对重叠叶片形状特征失效问题,采用图像分块方式得到不同大小的图像块,并提取图像块中作物和杂草的颜色特征、局部二值模式(local binary pattern,LBP)纹理特征、分形盒维数共78维特征,构造支持向量机(support vector machine,SVM)分类器完成图像块的分类识别。该研究提出图像块边缘扩充和投票窗口机制得到重构图实现图像块分类结果可视化。试验结果表明,该研究提出的方法平均识别率达到83.78%,高于K最近邻法(K-Nearest neighbor,KNN)、决策树法等,可以实现重叠叶片的杂草识别,从而为智能除草机的研制提供理论依据。     

基于机器视觉的作物多姿态害虫特征提取与分类方法

由于野外诱捕害虫的姿态存在多样性和不确定性,使得利用机器视觉进行害虫的自动识别与计数仍然是一个难题。该文提出一种基于颜色和纹理等与形态无关的特征相结合和利用多类支持向量机分类器的多姿态害虫分类方法。通过对目标害虫图像进行不同颜色空间特征、基于统计方法的纹理特征和基于小波的纹理特征的提取,构建了6组不同组合的特征向量。将10阶交叉验证的识别率作为适应度函数值,利用遗传算法对各组特征向量进行降维筛选。最后利用基于有向无环图多类支持向量机分类器对多姿态害虫进行识别和特征组选择。结果表明,遗传算法最多可以使特征向量维数降到原来的38.89%,基于HSV三通道颜色图像的小波纹理特征组在建模时间和平均准确率方面都表现最优,可以作为一种有效的多姿态害虫分类特征选择。     

基于多特征软概率级联的场景级土地利用分类方法

为实现高分辨率遥感影像特征的有效组织优化,以及提高特征的可判别性,该文提出了基于中层特征学习的多特征软概率级联模型实现场景级土地利用分类。首先,提取影像的密集尺度不变转换特征(dense scale invariant feature transform,DSIFT)、光谱特征(spectral feature,SF)以及局部二值模式特征(local binary pattern,LBP)作为低层特征;然后由局部约束线性编码(locality-constraint linear coding,LLC)分别对DSIFT特征、SF特征以及LBP特征进行稀疏编码得到3种低层特征的稀疏系数,并结合空间金字塔匹配(spatial pyramidal matching,SPM)模型、最大空间平滑方法对稀疏系数进行优化,获得影像的中层特征表达;最后,利用SVM分类器,分别对3种低层特征的中层特征表达进行分类,并分别计算3种低层特征分类的软概率,级联3种特征的软概率将其作为图像最终的特征表达,利用SVM分类器进行第2次分类得到最终分类结果。采用UC-Merced Land Use数据集对该方法进行了验证,试验结果表明:1)该方法总体精度达到88.6%,相较于传统稀疏编码空间金字塔匹配(sparse coding and spatial pyramidal matching,Sc SPM),局部约束线性编码(locality-constraint linear coding,LLC)等分类方法,总体精度分别提高了12.7%,9.9%;2)相较于提取单一低层特征的场景分类方法,该文算法更有利于实现对影像中复杂且不易区分的地物的表达,可有效提高土地利用分类精度。     

物料分选过程中的模式识别技术与智能化

农产品加工过程中涉及物料分选操作,自动物料分选系统的设计与模式识别与智能化技术相关。该文研究了农产品物料分选过程的基本规律,根据非间歇离散型物料分选过程的时间约束以及物料的固有分类特性呈现不可分离性的特点,提出了时间适应度和特征效率的概念。分选系统的时间适应度应该大于零,特征维数最小化的原则是特征效率从正向逼近于１。介绍了异步多维模式分类器的基本结构和实现方法,根据Ｂａｙｅｓ最小错误分类原则或Ｂａｙｅｓ最小风险分类原则,可通过学习程序实现分类阈值的在线寻优。基于人－机智能综合思想,通过建立内环和外环智能体系来控制分选系统工作,在复杂情况下,外环智能体系可将人类自然智能导入系统帮助工作。上述技术在智能化茶叶分选设备上得到成功应用。     

基于多方位视觉的果实形状特征的提取研究

针对传统瓜果分级中捕捉单幅果实图像来分析果实特征时信息较少的缺陷，提出了一种基于多方位视觉系统的果实形状特征提取算法。同步采集3个方向的果实图像信息，经OHTA空间上的图像分割和改进的BLOB算法去噪声等处理后，分别给出果实的多方位的图像特征信息。运用统计学原理，设计了线性分类器，对3个方向的图像特征信息进行了互补性融合，得出分级判别准则。利用开发的智能瓜果精选分级试验样机，验证了该算法的有效性, 试验结果证明识别成功率达到97％，达到了实用的要求。     

基于多纹理特征融合的麦田收割边界检测

自主导航是智能化农机完成收割作业的重要保障。该研究针对多云天气下光照易变化导致单一特征难以应对麦田环境的问题,提出基于多纹理特征融合的麦田收割边界检测方法。通过构建由图像熵特征和方向梯度特征组成的二维特征向量对麦田收割区域与未收割区域进行分类。其中,根据图像熵特征提取的特点,提出基于滑动窗口的直方图统计方法加速图像熵特征提取速度,较传统熵特征提取方法,本文方法耗时减少49.52%。在提取二维特征基础上,根据特征直方图分布特点,结合最大熵阈值分割算法对麦田图像进行初步分类,然后通过去除小连通区域对误分类区域进行剔除,进而运用Canny算子提取边缘轮廓点,得到分布于收割边界附近的待拟合点。最后,通过Ransac算法对拟合直线进行区域限制,得到较为准确的收割边界。试验结果表明,相比传统基于Adaboost集成学习算法提取收割边界,本文算法处理240像素×1 280像素的图像平均耗时为0.88 s,提速约73.89%;在不同光照条件下,收割边界平均检测率为89.45%,提高47.28个百分点,其中弱光照下检测率为90.41%,提高46.19个百分点,局部强光照下检测率为88.26%,提高46.00个百分点,强光照下检测率为89.68%,提高49.64个百分点。研究结果可为田间农机导航线识别提供参考。     

基于网格搜索随机森林算法的工矿复垦区土地利用分类

为提高工矿复垦区遥感影像土地利用分类精度,为土地复垦监测工作提供数据支持,该文探讨了基于网格搜索(Grid-Search)的随机森林(random forest)复垦区土地利用分类方法。研究利用GF-1影像、DEM(digital elevation model)和野外调查等数据,以随机森林分类算法为框架,采用基于OOB(Out-of-Bag)误差的网格搜索法对算法进行参数寻优,结合影像光谱、地形、纹理、空间信息,计算选取了33个特征变量,构建了4种变量组合模型开展随机森林分类试验,4个组合模型的分类精度分别达到82.79%、84.91%、86.75%、88.16%。为去除33个特征变量中的冗余信息、降低影像波段变量维度、缩短分类执行时间并保证影像分类精度,试验分别利用变量重要性估计和Relief F方法进行特征选择后再次执行随机森林分类,将分类结果与不同组合模型、不同分类方法进行比较,结果表明:基于网格搜索参数寻优的随机森林算法在多特征变量的影像分类中可以达到88.16%的分类精度,在利用不同方法降维后依然可以将分类精度保持在85%以上,精度优于相同特征变量下的SVM(support vector machine)和MLC(maximum likelihood classification)分类方法;在效率方面,随机森林分类方法执行时间优于SVM,并且在处理多维特征变量时能力更强。由此可见,采用基于网格搜索的随机森林方法对工矿复垦区土地利用信息进行分类提取可以得到较高的精度,基于该方法开展遥感影像解译可为土地复垦监测工作提供技术支持和理论参考。     

δ13C法研究砂姜黑土添加秸秆后团聚体有机碳变化规律

为研究水稻秸秆添加对砂姜黑土水稳性团聚体分布及稳定性的影响,探索水稻秸秆腐解过程中外源新碳及原有机碳在不同粒级团聚体中的分配规律,该文通过室内模拟试验,运用δ~(13)C示踪方法,将稳定同位素碳(δ~(13)C)标记的水稻秸秆添加入砂姜黑土,利用湿筛法得到不同培养时期不同粒级的土壤水稳性团聚体,测定不同时期各粒级土壤外源新碳及原有机碳含量。结果表明:未添加水稻秸秆的砂姜黑土(对照组),水稳性微团聚体(250μm)占主体,团聚体有机碳含量低。与对照相比,添加水稻秸秆(试验组)显著促进了2000、2000~250μm粒级水稳性大团聚体的团聚(P0.05);培养到120 d时,2000、2000~250μm水稳性团聚体比对照组分别增加了265.5%、16.0%,促使水稳性大团聚体(250μm)占主体,显著提高了砂姜黑土水稳性团聚体的平均重量直径(mean weight diameter,MWD)、几何平均直径(geometric mean diameter,GMD)、水稳性大团聚体含量(R0.25),降低了分形维数(D)值(P0.05),土壤结构稳定性明显得到改善。试验组各粒级团聚体有机碳含量显著增加,培养到15 d时,2000、2000~250、250~53、53μm粒级团聚体有机碳分别比对照组增加了21.4%、25.4%、34.7%、50.0%,其中微团聚体有机碳增加幅度大于大团聚体的增加幅度。MWD、GMD、R0.25与2000~250、250~53μm粒级团聚体有机碳呈极显著正相关关系(P0.01),与2000μm粒级团聚体有机碳呈显著正相关关系(P0.05)、与53μm粒级团聚体有机碳关系不显著。不同粒级团聚体的δ~(13)C值明显增加,动态变化较大,表明外源新碳周转速率较快。外源新碳主要分配在250~53、53μm粒级微团聚体中,分配比例分别为38%、28%,外源新碳的分解速率明显快于原有机碳。研究得出添加水稻秸秆有利于增加砂姜黑土的团聚体稳定性,提高土壤及不同粒级团聚体的有机碳含量,提升土壤碳水平,改善了土壤结构,这为淮北地区土壤质量提升及有机碳循环提供了理论依据。     

基于区域亮度矫正的番茄成熟度定量分级方法

针对现有番茄成熟度分级标准不统一,泛化性有待提高等问题,该研究提出一种基于区域亮度矫正的果面红色着色区域提取的方法。采用R-G法增强番茄表面的红色区域,利用Otsu分割方法提取表面着色区域,判断各着色区域的轮廓树结构以计算着色区域面积占图像总面积的比例作为主要特征,构建多因子融合的随机森林模型以实现番茄成熟度的量化分级。同时,利用基于局部亮度均衡的图像快速修复方法以解决光照变化导致的番茄表面高亮度反射问题。结果表明：以番茄表面着色面积比成熟度评价指标的分级平均正确率为92.96%,相比传统颜色矩和颜色直方图作为评价指标时的分级准确率提高了6.53和20.6个百分点。高亮区域领域像素加权替代法可对番茄高亮区域亮度实现有效矫正,矫正后的未熟、半熟和成熟番茄图像的果面着色区域面积占番茄图像总面积的比例较矫正前提高了0.06、0.15和0.11,分级准确率分别提高了17.24、11.47和4.69个百分点。研究可为番茄成熟度的定量性分级提供决策基础。     

自然光照条件下采摘机器人果实识别的表面阴影去除方法

有效的阴影检测和去除算法会大大提高自然环境下果实识别算法的性能,为农业智能化提供技术支持。该研究采用超像素分割的方法,将一张图像分割成多个小区域,在对图像进行超像素分割的基础上,对自然光照下的果园图像阴影区域与非阴影区域进行对比分析,探索8个自定义特征用于阴影检测。然后采用SVM的方法,结合8个自主探索的自定义特征,对图像中每个超像素分割的小区域进行检测,判断每个小区域是否处于阴影中,再使用交叉验证方法进行参数优化。根据Finlayson的二维积分算法策略,对检测的每一个阴影区域进行阴影去除,获得去除阴影后的自然光照图像。最后进行阴影检测的识别准确性试验,试验结果表明,本研究的阴影检测算法的平均识别准确率为83.16%,经过阴影去除后,图像的阴影区域亮度得到了提高,并且整幅图像的亮度更为均匀。该研究可为自然环境下机器人识别果实及其他工农业应用场景提供技术支持。     

基于机器视觉的温室番茄裂果检测

该文通过对温室番茄果实进行定位及裂果检测,可为番茄裂果率预估及后续裂果自动筛选提供参考。针对自然光照下采集的各类番茄图像,在相关颜色空间中进行阈值预分割,利用前期支持向量机训练得到的纹理特征分类器对预分割区域进行二次判别;之后在前景区域利用显著性角点分割构造边缘轮廓集,利用基于最小二乘法修正的改进霍夫变换拟合单个番茄目标;最后利用二维Gabor小波算子对拟合的单个番茄区域进行纹理特征提取及裂果判别。文中共采集82幅番茄图像,其中50幅图像作为训练集图像,32幅图像作为验证集,所提算法对测试集中总共128个番茄的果实正确检出率为91.41%,对其中35裂果的正确判别率为97.14%,裂果判别部分平均耗时21 ms。试验结果表明,该方法具有较好的鲁棒性与可靠性,对成熟期番茄裂果率的估计研究及采摘过程中裂果的自动分级筛选具有较好的指导意义,为未来实现温室番茄果实生长状态在线监测提供参考。     

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。