大米外观品质检测中图像采集条件的研究

为优化图像采集条件,提高图像采集质量,改善大米外观品质的检测效果,对光照强度和拍摄角度2个主要因素进行了研究,并以大米分割图像中统计的米粒数与实际拍摄的米粒数的比值作为衡量大米图像质量的评价标准,对在各种光照强度和拍摄角度的条件下采集的大米图像质量进行了分析比对。结果表明,在黑色背景下选择90°的拍摄角度和光照强度为40～50lx进行图像采集的效果较好。     

光谱指数测量中窄带图像的光强自适应分割方法

[目的]本文对作物冠层区域的光强自适应性分割算法进行了研究,旨在消除光谱指数测量过程中土壤背景的干扰,克服现有光谱检测方法对结构光的依赖性。[方法]采用加装窄带滤光片的2个相机组建测量系统,并对相机的几何安装参数进行标定;将窄带图像灰度直方图的波谷灰度值与最大灰度值的比值作为归一化阈值,实现窄带图像分割的光环境自适应性。在实现近红外窄带图像中土壤和冠层分割的基础上,通过几何变换推算出可见光波段窄带图像的冠层区域,从而实现可见光窄带图像的分割。[结果]在80～140 cm高度内,每隔10 cm设置1个测量高度,每个高度采集5组平均株高为25 cm的绿萝冠层窄带图像(770和660 nm),安装660 nm滤光片的相机在完成图像采集后,将滤光片换成770 nm重新拍摄5张照片,作为660 nm图像分割效果的参考图像。结果表明:660 nm图像的分割区域与参考图像的分割区域平均重合度大于99%。同时计算了光照度为10 000～26 000 lx时拍摄的50幅绿萝770 nm窄带图像的非归一化阈值和归一化阈值,其与光照度的相关系数分别为0.586 6和0.091 6。[结论]本文提出的基于归一化阈值的分割方法对光环境的变化具有很强的适应性,综合归一化阈值和几何变换可以实现窄带图像的分割,为构建消除土壤干扰的归一化植被指数(normalized difference vegetation index,NDVI)等光谱指数提供有效的基础数据。     

基于C－SVM的大米品种识别研究

提出了一种基于支持向量机(C-SVM)区分大米品种的方法。首先对大米图像进行阈值分割、平滑处理等预处理,并根据大米的粒型特点,提取米粒的面积、周长等6个形态特征。利用Orange Canvas数据挖掘软件先对linear和RBF核函数进行核参数选择,并在Opencv 3.0环境下,编程实现K-means、linear和RBF的3种大米品种识别方法,对10组混合大米图像进行品种测试。试验结果表明,支持向量机线性核函数对大米品种识别具有较高的预测稳定性,识别分类准确率约为99%。     

基于RGB彩色空间的原木端面图像参数测算研究

[目的]根据原木端面图像的彩色特征,提出一种基于RGB颜色空间的彩色图像分割算法。[方法]选取图像中指定区域作为样本,统计样本中像素点的彩色分量,利用其彩色阈值区间,通过逐点匹配法对图像进行分割。[结果]该方法不仅消除了阴影干扰,而且能够准确地对原木端面进行分割。分割结果图像优化处理后,完整地反映出图像中的原木端面。采用目标图像外接矩形的内接椭圆算法对原木端面图像进行参数测算,结果表明,该算法的测算结果相对误差小于0.5%。[结论]基于RGB彩色空间的原木端面图像分隔方法分隔效果较优,参数测算结果较准确。     

基于Simulink的大米动态图像检测系统仿真

[目的]建立大米动态图像的仿真检测系统。[方法]以粳米为研究对象,利用Simulink设计大米动态图像仿真处理平台,用Mplay进行系统调试,利用背景差分法分割大米图像,对图像进行检测与跟踪。[结果]实现了大米动态图像的检测及目标跟踪,且对图像的分割、标注效果较好,提取的大米外观形状的特征值与其静态图像特征值的平均相对误差仅为2.26%。[结论]建立了大米动态图像的仿真检测系统,该系统检测精确度高,算法验证及修改简单、方便,编写代码所需时间较短。     

基于C-SVM的碎米检测算法研究

提出了一种基于支持向量机(C-SVM)区分整精米和碎米的方法,首先对大米图像进行阈值分割、平滑处理等图像预处理,并根据大米的粒形特点,提取米粒的面积、周长等6个形态特征,利用Orange Canvas数据挖掘软件对C-SVM中核函数参数进行预判,最终选择线性核函数的C-SVM作为分类器进行分类。对8组大米样本图像进行碎米测试,可达到较好的分类效果。试验结果表明,线性核函数的支持向量机对精整米与碎米识别分类准确率为95.6%。     

薏米视觉检测中图像采集环境的研究

[目的]优化薏米视觉检测中图像采集条件。[方法]在薏米视觉检测中通过图像采集设备采集薏米图像,以灰色、黑色、红色背景,在0～80 lx的光强区间,对采集后的图像进行阈值分割,采用阈值分割算法对图像进行处理。以分割图像薏米粒误差率为评价标准,分析了背景颜色、光照强度2个因素对薏米图像的影响,以确定薏米视觉检测中图像采集的最佳环境。[结果]较好的图像采集环境是黑色背景下50～60 lx的光照强度,其误差控制在6%,且在该光照区间旁光照强度上下浮动10 lx内误差也在10%内,这种环境能有效提高薏米图像的质量。[结论]优化薏米图像采集环境可大幅度降低图像噪声的影响,提高了薏米图像的质量。     

行播作物农田图像边界提取研究

[目的]找寻一种适于行播作物农田图像边界提取的方法。[方法]依据农田图像的特点,通过试验对比确定适合于行播作物农田图像边界提取的方法。[结果]在分析农田图像特征的基础上,选择适宜的颜色特征2g-r-b作为彩色图像的分割特征。为了实时导航,应采用固定的分割阈值。选取0.11作为超绿特征的分割阈值效果比较理想。对分割后的图像进行了中值滤波和区域填充处理可去除噪声和孔洞的影响。[结论]处理后的图像效果基本能够满足要求。     

基于HSI空间的生长状态下茄子图像的分割方法

茄子识别是茄子采摘机器人视觉系统的关键技术,利用Matlab软件中的图像处理函数,将在自然光照条件下拍摄的大棚中成熟茄子图像进行分割。对H、I通道分别进行自动阈值法和固定阈值法分割,将分割后二值化图像进行逻辑与运算,获得最终分割结果。去除噪音部分,使用形态滤波的开运算消除图像中其他的噪音部分。结果表明,该分割方法正确率大于91%,是一种较实用的茄子分割算法。     

一种去除高光和阴影的桃蛀螟图像分割方法

[目的]经典的阈值分割方法(OSTU法)在桃蛀螟图像分割中会出现过度分割和错误分割.针对这种情况,提出一种去除高光和阴影的桃蛀螟图像分割方法.[方法]算法过程:第一,将图像从RGB颜色空间转换为YUV颜色空间,利用一个5次多项式转换亮度信息,去除高光.第二,将去除高光的图像在RBG颜色空间归一化,根据阈值找到图像的阴影区域.第三,利用贝叶斯公式计算每个像素的归属,实现图像分割.[结果]经过试验,取得了较好的图像分割效果.     

基于EXG因子的水稻秧苗图像分割

针对水稻稻田图像中秧苗和背景分割问题,采用基于最大类间方差法(OTSU法)的分割方法,成功地把水稻秧苗像素和背景像素分割开.首先用CCD相机获取水稻插秧机插秧作业后的水稻稻田图像,选择超绿特征因子(EXG因子)将水稻秧苗RGB彩色图像转化为灰度图像,使用OTSU法计算阈值,成功地将灰度图像转变为二值图像.又采用该方法分割了20幅水稻秧苗图像,结果表明,EXG因子可以对水稻秧苗图像有效分割.     

水稻表层根系图像分割算法研究

水稻根系形态特征的定量研究对于改进农田管理方式、水稻品种选育和遗传改良等具有重要意义。近年来,随着表型组技术迅速发展,利用图像处理技术对水稻根系生长情况进行测量和分析,同时配合施肥、灌溉、光照、温控等环境监控技术已成为水稻育种和功能基因组研究新型技术手段,而根系图像分割技术是进行后续表型组学分析的重要基础之一。由于生长在土壤中的水稻根系图像具有对比度低、信噪比低、纹理复杂的特点,分割十分困难。针对此问题,研究了主干-分支连接算法、基于形态特征的局部阈值分割算法和基于形态特征的自适应阈值分割算法,对生长在土壤中水稻根系图像进行分割处理和比较。实验结果表明,主干-分支连接算法虽然保留了大量细节,但是受噪声影响严重,其结构略显杂乱,毛刺现象严重;基于形态特征的局部阈值分割算法能保留更多根部的细节,但轮廓断裂的现象比较严重;自适应阈值分割算法分割的图像根系连续性较好,毛刺现象也得到了抑制,但是细小的须根无法保留。最终将两种算法结合起来,提出一种适用于水稻表层根系图像分割的综合算法,则可以获得较为理想的分割结果,为后续水稻根系性状提取奠定了重要基础。     

支持向量机和最大类间方差法结合的水稻冠层图像分割方法

针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExGOTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex GOTSU方法的精确度显著受光强条件影响,随着光强强度的提高而显著降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。     

基于颜色指数与阈值法的稻田图像分割

为系统、全面地分析不同颜色指数对南方稻田图像分割的适应性,以分蘖期、拔节期稻田图像为研究对象,选择36种常用的颜色指数,采用Otsu阈值法开展基于颜色指数和阈值的图像分割研究,通过比较各颜色指数的分割结果,明确分蘖期和拔节期图像分割的主要干扰因素,筛选最适宜稻田图像分割的颜色指数。结果表明:水稻倒影、浮萍是分蘖期稻田图像分割的主要干扰因素,叶片镜面反射、浮萍和土壤阴影是拔节期稻田图像分割的主要干扰因素;组合指数COM2、MxEG、CIVE和GMR在分蘖期图像和拔节期图像均具有较好的分割精度。因此,基于颜色指数COM2、MxEG、CIVE、GMR和Otsu阈值的稻田图像分割方法对稻田图像分割的干扰要素具有较强的区分能力,分割精度较高,更适宜于南方稻田图像处理研究。     

基于机器视觉脐橙体积的球体估测方法

通过机器视觉获取脐橙截面积来估测脐橙体积,首先进行图像分割、腐蚀,然后从腐蚀图像中脐橙的像素点得出脐橙的截面积,接着计算出脐橙半径,通过最小二乘法估测脐橙体积。为提高精度,采取2个不同拍摄角度拍摄2幅脐橙图像,然后以2幅脐橙图像计算出脐橙截面积的平均值作为脐橙截面积。结果表明,估测误差将近9.36%,说明基于机器视觉将脐橙作为球体进行估测是低精度的。     

基于计算机图像技术的作物籽粒识别

图像识别技术是计算机视觉技术的重要内容之一。为了解决传统作物籽粒计数方法的不足,以水稻籽粒为试验对象,通过外部设备获取高质量的籽粒图像,利用计算机图像处理技术设计配套的软件,并改进相应的图像分割算法,可以快速准确识别出水稻籽粒数量,准确率可达98%以上。结果为计算机视觉识别技术在农业上的进一步应用奠定了理论与实践基础。     

花生图像采集中背景颜色和光强影响的研究

为评价花生图像质量,首先通过阈值分割算法分割花生图像,接着进行开操作,然后根据连通区域个数得出花生粒数作为评价标准。从3种背景颜色和5种光照强度的试验中得出在黑色背景50～90 lx的光强下效果较好。研究将有助于花生自动检测。     

基于多光谱图像的水稻穗颈瘟严重度识别研究

为实时获取作物病害程度信息,研究了水稻穗颈瘟的多图像分割方法,并利用分割结果来估测穗颈瘟的发病程度.由于图像中背景复杂,从获取的多光谱图像中提取IR、R、G分量,难以将水稻穗颈从背景中分割出来.采用IR-G和2IR-R-G分割方法将水稻穗预从图像中分离出来,31幅图像中水稻穗颈灰度值与病情指数呈极显著线性相关,由此建立了水稻穗颈瘟严重度的多光谱图像预测模型,实现了对水稻水稻穗颈瘟的快速、准确、非破坏性检测.     

光照分布不均的米粒数目统计

通过对光照不均匀的米粒灰度图像进行最佳阈值分割和特征提取,获得对米粒数目的自动检测方法。该方法具有较强的光照分布不均和面积大小适应性。经仿真试验,检测结果可以达到97%以上。同时,相较于同类算法,该方法算法简单,运行时间较短。