基于径向基支持向量机的棉花虫害识别

针对棉花受棉蚜、棉叶螨、棉盲蝽、斜纹夜蛾和烟粉虱等害虫为害后叶片表面出现不同症状,利用计算机视觉技术识别棉花虫害.通过获取受害棉花叶片图像,预处理后转换至2G-R-B空间,结合Otsu算法实现色斑分割,提取色斑图像R变量、(R +G+B)/3变量的一阶矩、二阶矩和三阶矩为颜色特征,提取非色斑图像拓扑描述子和Hu不变矩为形状特征,提取2层双树复小波变换的细节图像均值和方差为纹理特征,并应用径向基支持向量机识别棉花棉蚜、棉叶螨、棉盲蝽、斜纹夜蛾、烟粉虱等虫害和正常叶片.试验结果表明,当径向基参数σ为3时,棉花虫害识别正确率达88.1％.     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

基于动态集成的黄瓜叶部病害识别方法

对作物病害类型的准确识别是病害防治的前提。为提高病害识别的准确度,以黄瓜叶部病害识别为例,提出一种基于动态集成的作物叶部病害种类的识别方法。首先利用图像分块策略提取病害图像的75维颜色统计特征,然后采用不一致度量方法对构建的10个BP神经网络单分类器进行差异性度量,并按照差异性大小进行排序,最后根据分类器的可信度,动态选择差异性大的分类器子集对病害图像进行集成识别。在由512幅白粉病、霜霉病、灰霉病和正常叶片4类黄瓜叶片组织图像构成的测试集上,所提方法的识别错误率为3.32%,分别比BP神经网络、SVM、Bagging、Ada Boost算法降低了1.37个百分点、1.56个百分点、1.76个百分点、0.78个百分点。试验结果表明:所提方法能够实现黄瓜叶部病害种类的准确识别,可为其它作物病害的识别提供借鉴。     

采摘机器人基于支持向量机苹果识别方法

针对目前苹果采摘机器人果实识别过程误差大、处理时间长等问题,应用支持向量机(SVM)方法对苹果果实进行识别.首先采用矢量中值滤波法对苹果彩色图像进行预处理,然后运用区域生长算法和颜色特征相结合的方法进行图像分割,最后分别对苹果彩色图像的颜色特征、几何形状特征进行提取,并用支持向量机的模式识别方法识别苹果果实.实验结果表明:支持向量机识别方法的识别性能优于神经网络方法;综合颜色特征和形状特征的支持向量机识别方法对苹果果实识别的正确率高于只用颜色特征或形状特征的正确率.     

基于机器视觉棉叶螨自动监测与分级方法研究

为实现棉叶螨自动监测与分级,研究了受叶螨危害棉叶的颜色统计特征,对不同等级螨害棉叶进行比较,利用颜色特征的均值和方差,自动监测棉花是否发生螨害,最后对棉花叶螨危害程度进行自动分级。结果表明:采用机器视觉技术对棉叶螨进行自动监测分级能够取得较好的效果。     

基于 PCA 和 SVM 的植物叶片分类方法研究

为了提高植物叶片识别与分类的正确率,提出了一种基于 PCA 和 SVM 的植物叶片识别方法,在对叶片图像进行分割、边缘检测后,提取10个具有旋转、比例、平移不变性的无量纲叶片特征参数,对叶片特征参数进行主成分分析,将前3个主成分作为支持向量机的输入建立模式识别模型。实验结果表明,本算法女贞、木瓜、五角枫、三角枫等4种植物叶片的识别正确率达97．22％,优于直接用特征参数作为模型输入的识别正确率,且算法具有良好的实时性。     

基于图像处理和SVM的植物叶片分类研究

为了提高植物叶片识别与分类的正确率,提出了基于SVM的识别模型和方法;对叶片图像预处理后,提取并优选10个叶片形状特征参数,用SVM法进行训练建模并识别.实验结果表明,用线性核函数的SVM对木瓜、女贞、三角枫和五角枫4种植物叶片识别的平均准确率在95.8％以上,优于神经网络和Fisher判别法,为鉴定植物种类提供了一种快速有效的方法.     

基于自适应滤波算法的树木年轮测量方法

为提高树木年轮测量仪的测量精度,提出了一种自适应低通滤波算法对年轮测量仪的直流电机电流信号进行滤波处理。普通低通滤波算法滤波系数固定,当树木年轮宽度发生变化时,既可能保留了部分噪声信号,又可能滤去部分有效的树木年轮信号,因此降低了年轮测量仪的测量精度。自适应低通滤波算法的滤波系数可随滤波器输入值和输出值的变化自动进行调整,提高了噪声滤除效果,减少了有效信号损失。使用自主研发的年轮测量仪测量了大、中、小3种径阶的60个落叶松圆盘,记录直流电机原始电流信号,分别采用自适应低通滤波算法和普通低通滤波算法对原始电流进行滤波处理,根据滤波后的电流波形图,预估圆盘年龄,并计算2种滤波算法的年轮识别正确率。结果表明,自适应低通滤波器年轮识别正确率的平均值为89. 66%,普通低通滤波器年轮识别正确率的平均值为75. 84%;当平均年轮宽度变窄时,自适应低通滤波器的年轮识别正确率从95. 61%下降到82. 02%,下降了13. 59个百分点,而普通低通滤波器的年轮识别正确率从86. 37%下降到62. 30%,下降了24. 07个百分点。表明自适应低通滤波器年轮识别正确率高,自适应能力强,年轮识别精度稳定。     

基于改进AdaBoost算法的秸秆识别与覆盖率检测技术

针对目前秸秆覆盖率自动识别准确率低的问题,提出了一种秸秆图像畸变校正与Otsu算法阈值分割相结合的图像处理算法,并采用该方法计算田间秸秆覆盖率。首先,通过单目摄像头采集免耕播种机的作业环境信息,采用改进的AdaBoost算法对目前工作环境是否为免耕地进行自动判断;其次,对现场采集的秸秆覆盖图像进行预处理,通过彩色空间距离化、图像增强等方式提高图像中秸秆的可识别特征;然后,建立逆向映射模型并结合最邻近插值的方法解决图像畸变问题;最后,裁剪出用于秸秆识别的图像部分,通过Otsu算法进行阈值分割、计算秸秆覆盖率。通过实验对AdaBoost算法分类与秸秆覆盖率的检测效果进行验证,结果表明,运用AdaBoost算法能有效识别免耕播种机的工作环境,采用本文图像处理算法计算田间秸秆覆盖率,与实际测量误差在5％以内。     

小波域马铃薯典型虫害图像特征选择与识别

为准确、快速地识别马铃薯典型虫害,提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。该方法以自然环境下的马铃薯虫害分割图像为对象,提取小波域高斯空间模型的高频协方差阵特征值与低频低阶矩(HELM)的12个不变纹理特征、空间域Hu不变矩的4个形状特征,进行支持向量机(SVM)的虫害分类识别。通过对8类典型虫害的识别,试验结果表明:在SVM识别方法下,本文HELM特征提取方法,相比传统纹理特征提取方法,在特征计算量不增加的同时,平均识别率至少提高了17个百分点;在HELM特征与Hu矩特征下,本文SVM的运行时间为0.481 s,比人工神经网络快了近2 s,平均识别率为97.5%,比人工神经网络、贝叶斯分类器识别率提高了至少6个百分点,有明显的识别优势。     

基于CBAM-YOLO v7的自然环境下棉叶病虫害识别方法

针对自然环境下棉花叶片病害检测难度大和人工设计特征提取器难以获取与棉叶病虫害相近特征表达的问题,提出一种改进的注意力机制YOLO v7算法（CBAM-YOLO v7）。该模型在YOLO v7模型基础上,在Backbone与Head中间增加注意力机制CBAM,并在Head部进行4倍下采样,然后将CBAM-YOLO v7模型用于棉叶病虫害识别,并与YOLO v5和YOLO v7进行对比试验。试验结果表明：蚜虫和正常叶片检测方面,YOLO v7可取得好的检测结果;CBAM-YOLO v7对黄萎病、棉盲蝽、红蜘蛛棉叶病虫害图像检测的准确率高于其他模型。CBAM-YOLO v7的mAP为85.5%,相较于YOLO v5提高21个百分点,相较于YOLO v7提高4.9个百分点;单幅图检测耗时为29.26ms,可为棉叶病害在线监测提供理论基础。     

基于无人机数码影像的棉叶螨严重度监测

棉叶螨是影响棉花产量和品质的主要虫害之一。为快速、准确、有效地监测棉叶螨发生情况，利用无人机搭载数码相机获取数码影像，并计算多种可见光植被指数作为初选特征因子，然后采用ReliefF-Pearson特征降维方法选取最佳建模特征，分别构建偏最小二乘回归(PLSR)、BP神经网络(BPNN)、随机森林(RF)的棉花冠层叶片叶绿素相对含量(SPAD)值遥感估测模型和棉叶螨严重度遥感估测模型。结果表明，棉叶螨严重度与棉花冠层叶片SPAD值呈显著负相关关系。经过精度评价，确定RF模型具有最佳性能，模型验证的决定系数和均方根误差为0.74、2.13。该研究结果表明利用棉花冠层叶片SPAD值遥感估测模型可准确估测棉叶螨为害情况，为棉叶螨的无损监测和病虫害防治提供参考依据。     

基于优化Faster R-CNN的棉花苗期杂草识别与定位

为解决棉花苗期杂草种类多、分布状态复杂,且与棉花幼苗伴生的杂草识别率低、鲁棒性差等问题,以自然条件下新疆棉田棉花幼苗期的7种常见杂草为研究对象,提出了一种基于优化Faster R-CNN和数据增强的杂草识别与定位方法。采集不同生长背景和天气条件下的杂草图像4694幅,对目标进行标注后,再对其进行数据增强;针对Faster R-CNN模型设计合适的锚尺度,对比VGG16、VGG19、ResNet50和ResNet101这4种特征提取网络的分类效果,选定VGG16作为最优特征提取网络,训练后得到可识别不同天气条件下的棉花幼苗与多种杂草的Faster R-CNN网络模型。试验表明,该模型可对杂草与棉花幼苗伴生、杂草分布稀疏或分布紧密且目标多等情况下的杂草进行有效识别与定位,优化后的模型对单幅图像平均识别时间为0.261s,平均识别精确率为94.21%。在相同训练样本、特征提取网络以及环境设置条件下,将本文方法与主流目标检测算法——YOLO算法和SSD算法进行对比,优化后的Faster R-CNN模型具有明显优势。将训练好的模型置于田间实际环境进行验证试验,识别过程对采集到的150幅有效图像进行了验证,平均识别精确率为88.67%,平均每幅图像耗时0.385s,说明本文方法具有一定的适用性和可推广性。     

基于改进YOLO v4的群体棉种双面破损检测方法

针对研究人员难以利用计算机视觉对棉种这类尺寸较小的物体进行双面检测,导致检测效果不佳的问题,设计了一款新型棉种检测分选装置,利用亚克力板在强光和白色背景下透明的特点,将棉种通过上料装置滑入透明亚克力板的凹槽中,随着转盘的转动,同一批棉种的正反两面图像分别由2个不同位置的CCD相机采集得到.利用改进YOLO v4的目标检...     

基于颜色和形状特征的机采棉杂质识别方法

机采棉的含杂识别分类检测能够提高棉花加工设备效率,减少棉花纤维损伤,并为棉花收获设备的改进提供指导。提出了一种基于颜色和形状特征的机采棉杂质识别分类方法,对大杂质和小杂质检测采取不同的图像处理方法。颜色特征主要采用基于彩色梯度图像的分水岭变换与改进模糊C均值聚类方法融合的方法;形状特征主要采用机采棉杂质的面积、周长、离心率和矩形度特征。通过对100幅机采棉图像试验表明,该方法对各类杂质的平均识别正确率为89%。     

基于复杂环境的番茄叶部图像病虫害识别

针对复杂环境下番茄叶部图像因其背景复杂导致病害识别较为困难,以温室大棚内采集的番茄叶部图像作为研究对象,对番茄白粉病、早疫病和斑潜蝇三种常见病虫害,提出一种结合颜色纹理特征的基于支持向量机(SVM)的CCL-SVM的复杂环境番茄叶部图像病害识别方法。CCL-SVM方法为实现小样本及复杂背景环境下的快速识别,首先采用滑动窗口将原始番茄叶部病害图像切割成小区域图像,选取不包含背景的小区域图像样本作为试验样本,从而实现样本数量和样本多样性的增加,并降低样本复杂背景的影响。通过对样本数据抽取颜色纹理特征(CCL),采用SVM模型对番茄早疫病、白粉病、斑潜蝇和健康叶片分类识别。试验结果表明,提出的CCL-SVM方法比Gray-SVM对番茄叶片病害种类的识别性能得到大幅提升,识别率从60.63%提升到97.5%;CCL-SVM方法识别精度高于对比的深度学习网络VGG16和Alexnet方法,且每个小区域图像的平均测试时间远低于深度学习网络。本文设计的CCL-SVM方法具有减小复杂背景影响,计算量小及系统要求低的优点,为复杂环境下番茄病害快速识别提供一种新的思路。     

基于改进VGG网络的农作物病害图像识别

随着计算机技术的飞速发展,使用机器视觉进行农作物病害识别成为了一种趋势.但是,当前农作物病害图像识别研究主要集中在提高其识别精度方面而很少考虑实际复杂自然条件下的鲁棒性研究.在实际复杂自然条件下,噪声和复杂自然条件背景会降低识别精度.为此,对VGG网络进行改进,将高阶残差和参数共享反馈子网络添加进VGG网络中,识别实际...