基于视觉伺服的樱桃番茄果串对靶测量方法

针对鲜食番茄自动化采收实际需要,为了实现对樱桃番茄果串自动识别定位,基于激光测距和视觉伺服技术设计了果串自动对靶测量视觉系统。通过分析成熟番茄果串图像色彩特征,采用R-G色差模型凸显目标与背景差异,并根据色差灰度逐列统计锁定果串图像区域;基于Cognex Vision Pro图像处理类库Cog PMAlign Tool模板匹配工具,对果串区域内果粒进行分割;根据对边缘果粒空间坐标估算,同时对采摘机械臂进行视觉伺服控制,实现对边缘果粒对靶定位测量,并根据其空间坐标测算果串长宽特征,为采摘执行部件提供作业依据。试验结果表明,视觉系统对果串内果粒的平均识别率为83.5%,对果粒视觉对靶的平均偏差为8.38像素,果串长度测量平均误差为8.25 mm,果串宽度测量平均误差为5.25 mm。该研究结果为串形果实自动采收目标识别定位提供参考。     

基于计算机视觉技术参考物法测量叶片面积

该研究利用计算机视觉技术采用参考物法测量叶片的面积,研制了无需采摘叶片测量其面积的活体采样光箱,并进行了光箱参数的优化,研究了用极值法求得阈值,并对图像进行阈值化,研究了去除图像中残留杂点的方法,最后验证利用计算机视觉技术参考物法测量叶片面积的可行性,且测量精度和效率都很高     

基于图像的植物叶面积无损测量方法研究

为了研究植物的生长规律,应用计算机视觉技术对大豆叶片实现无损测量.该项研究针对大豆叶面积无损测量中校正图像和去除叶片纹理特征等问题上,提出了基于双线性映射的无损测量法.无损测量有效性不受叶片大小、形状差异和叶片图像中叶片周边白色背景的影响,试验验证该方法能很好地校正叶片图像,提取叶片的有效面积,并去除植物纹理斑点的影响,应用该方法校正叶片图像,精度可达99%以上.采用计算机视觉技术测量叶面积,具有简单、准确、方便快捷的特点,这对数字农业的植物信息快速采集和利用具有重要的意义.     

基于线结构光视觉的穴盘苗外形参数在线测量系统研制及试验

为了满足穴盘苗自动化分选的实际需求,该文设计了基于线结构光视觉的穴盘苗外形参数测量系统,实时获取穴盘苗图像信息,实现对其叶片面积和高度的在线测量。为充分突显目标与背景色彩差异,针对穴盘苗叶片和背景基质图像特征,利用最大类间方差动态阈值对2G-R-B 色差图像进行分割;以穴孔为单位进行区域标记和特征提取,分别计算幼苗叶片图像面积,排除明亮蛭石颗粒造成的椒盐噪声和劣苗叶片区域;根据 Cb、Cr 色彩分量特征提取在健康幼苗叶片区域的红色激光条像素坐标,拟合其分布中心线;基于线结构光视觉三维定位原理,根据幼苗叶片区域激光条中心线图像坐标,实现对穴盘苗高度的测量。试验结果表明,系统对直立姿态的穴盘苗高度测量精度为5 mm,在叶片面积测量评估方面可以满足穴盘苗筛选精度要求。     

基于双目视觉的植物叶片三维形态与光照度同步测量

植物叶片的生长与光照度密切相关,尤其在温室大棚内,对光照度的控制要求更高。为同时获取叶片的三维形态与光照分布,该文提出了一种基于双目视觉的纹理植物叶片三维形态与光照度同步测量方法。利用双目视觉原理结合数字图像相关技术,实现叶片三维形态测量;通过植物叶片光照度与图像灰度关系推导,实现三维光照分布测量。该文以网纹草为例,对上述方法进行验证。试验表明:参考子区半径为57 pixels、计算间隔7 pixels时三维形态测量效果最佳;对叶片实施均匀光照,照度仪测量值与图像测量平均值相对误差在6%以内;对叶片实施非均匀光照,测量的光照分布真实反映了叶片光照分布。该方法具有非接触、方便、快捷等优点,为植物叶片的三维形态与光照度测量提供了一种方法,为温室大棚的智能光控提供了数据支撑。     

种蛋外形的计算机视觉识别研究

提出一种利用计算机视觉对种蛋进行筛选的方法。蛋形指数有两个指标：质量与形状,将质量的测量转为对尺寸的测量,采用第一个神经网络检测种蛋的主要特征点,并根据视觉测量原理得到其尺寸大小。利用带小波变换对原始的边缘形状参数进行特征提取,第二个神经网络以此为输入来识别种蛋外形的规则性。试验表明：该方法与人工筛选相比较,其一致性可达到93%。     

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。     

面向温室移动机器人的无监督视觉里程估计方法

针对温室移动机器人自主作业过程中,对视觉里程信息的实际需求及视觉里程估计因缺少几何约束而易产生尺度不确定问题,提出一种基于无监督光流的视觉里程估计方法。根据双目视频局部图像的几何关系,构建了局部几何一致性约束及相应光流模型,优化调整了光流估计网络结构;在网络训练中,采用金字塔层间知识自蒸馏损失,解决层级光流场缺少监督信号的问题;以轮式移动机器人为试验平台,在种植番茄温室场景中开展相关试验。结果表明,与不采用局部几何一致性约束相比,采用该约束后,模型的帧间及双目图像间光流端点误差分别降低8.89%和8.96%;与不采用层间知识自蒸馏相比,采用该处理后,两误差则分别降低11.76%和11.45%;与基于现有光流模型的视觉里程估计相比,该方法在位姿跟踪中的相对位移误差降低了9.80%;与多网络联合训练的位姿估计方法相比,该误差降低了43.21%;该方法可获得场景稠密深度,深度估计相对误差为5.28%,在1 m范围内的位移平均绝对误差为3.6 cm,姿态平均绝对误差为1.3o,与现有基准方法相比,该方法提高了视觉里程估计精度。研究结果可为温室移动机器人视觉系统设计提供技术参考。     

基于光切法的葡萄硬枝嫁接切削面粗糙度图像检测算法

为了实现葡萄硬枝嫁接苗木切削面粗糙度的检测,该文基于光切法测量原理,搭建了切削面粗糙度图像检测系统,研究了特征提取的图像检测算法。为获取较长的取样长度,采用了图像拼接技术,并提出了一种自动制取匹配模板的方法,拼接算法测试结果表明:每多拼接一幅粗糙度特征图像,运行时间平均增加1.104 s,取样长度平均增加1 131.77μm;采用了模糊集合理论对拼接后的粗糙度特征图像进行灰度变换,可以有效保证图像分割后单侧边缘的完整;采用了人机交互的方式对粗糙度特征二值图像像素进行区域操作,可以滤除因切削面自身含有的导管腔、管胞腔而导致的缺陷轮廓,从而提高粗糙度计算的准确度;提出了一种逐列遍历图像提取单侧边缘的方法,通过对单侧边缘进行计算,可以得到粗糙度高度参数Ra与Rz的值。将该粗糙度图像检测算法与基恩士VK-X200形状测量激光显微系统进行了粗糙度检测对比试验,结果表明,该文提出的粗糙度图像检测算法测得Ra的相对误差为6.73%,在测量误差允许范围内,该文基于光切法测量原理的图像检测算法,用于检测葡萄硬枝嫁接苗木切削面粗糙度,具有较高的精度和良好的可行性,为进一步研究切削参数对切削面粗糙度以及对苗木嫁接成活率的影响提供了技术支撑。     

基于Rank变换的农田场景三维重建方法

农田场景的三维重建对于研究远程监测作物的生长形态、预测作物产量、识别田间杂草等都具有重要作用。为解决农田场景图像三维重建困难、立体匹配精度较差等问题,该文提出了一种基于Rank变换的农田场景三维建模方法。该方法运用加权平均法灰度化图像,以保留农田场景的完整特征;以灰度图像的Rank变换结果作为匹配基元,采用基于归一化绝对差和测度函数的区域匹配算法获取场景的稠密视差图;根据平行双目视觉成像原理计算场景的空间坐标,并生成三维点云图;依据所得场景的三维坐标,对场景中感兴趣区域实现三维重建。采用标准视差计算测试图像验证立体匹配算法精确性,平均误匹配率较传统的绝对差和函数算法降低约5.63%。运用不同环境下的棉田场景图像测试三维重建方法,试验结果表明,在6.8 m的景深范围内,作物及杂草的高度、宽度等几何参数计算值与实际测量值接近,各项指标的平均相对误差为3.81%,验证了三维重建方法的可靠性及准确性。     

基于尺度不变特征转换算子的水果表面图像拼接方法

水果全表面图像信息是否完整,直接影响水果表面颜色和缺陷检测的结果。该文提出了一种基于尺度不变特征转换(SIFT,scale invariant feature transform)算子的图像拼接方法,实现多视角水果图像的拼接以获取完整的水果表面信息。首先以15°固定间隔旋转水果以获取各视角下的连续图像,在图像2R-G-B通道下实现图像目标和背景分离,并对目标图像进行灰度直方图均衡化以增强其纹理信息,有利于特征点的提取。运用SIFT算法提取图像特征点,因为特征向量数量多、维数高,采用普通的K-D树算法搜索匹配点将消耗大量时间,因此将图像划分为16个区域,通过多次试验可知中间4个区域为特征点是最容易匹配的区域,这样就缩小匹配点可能存在的区域。采用极线几何约束法和改进型随机抽样一致(random sample consensus,RANSAC)算法以提高图像拼接精度,减少匹配时间。根据平移矩阵,对前后图像进行拼接,从而实现水果表面图像的完整拼接。试验结果表明:该算法平均匹配精度提高35.0%,平均拼接时间为2.5 s,较传统K-D树算法缩短67.8%时间,拼接效果还原率为93.9%。该文算法具有一定的尺度、旋转以及仿射变换不变性,适用于随机呈现的不同姿态球状水果图像拼接。该研究可为基于机器视觉的农产品品质检测和等级划分提供科学参考。     

基于特征点提取匹配的蝗虫切片图像的拼接和修复方法

由于环境和切片本身特性的影响,试验中获取的蝗虫切片总是不完整或者带有褶皱的。针对这一问题,提出了一种基于图像匹配的蝗虫切片拼接和修复方法,以序列切片中缺损切片的邻近切片图作为参考对象,对缺损切片图像进行拼接和修复。首先对切片进行小波降噪,降低噪声对匹配的影响;然后用尺度不变特征变换(scale.invariant feature transform,SIFT)算法和快速鲁棒特征(speed-up robust features,SIJRF)算法获取切片特征点并生成特征向量,完成切片的初始特征点匹配;随后利用随机采样一致(random sample consensus,RANSAC)算法进行匹配矫正,剔除匹配点对中的误匹配,并利用最小二乘法求解出单应性矩阵;最后用正确的匹配点对和单应性矩阵完成蝗虫切片的拼接,利用求得的空间映射模型找到褶皱部分相应的匹配域,完成对缺损部分的修复。试验表明:提出的切片拼接和修复方法的所提取的特征点的正确匹配率能够达到72.2%,并且运行速度以及匹配效果都能在一定程度上满足切片修复的要求,为后面进行蝗虫切片褶皱打开以及蝗虫体的三维重建提供了技术参考。     

基于暗通道先验和区间插值小波变换的图像去雾霾方法

针对在雾霾天气条件下采集到的图像质量退化,影响现代化农业精准作业的问题,该文提出一种基于暗通道先验理论和区间插值小波变换的图像去雾新方法。该文将暗通道先验模型和区间插值小波变换相结合,期望能有效滤除雾霾信息,恢复景物颜色特征,使图像更加清晰。结果表明:经过该方法处理后,图像整体较明亮,图像的对比度和清晰度都得到提高,达到滤除图像中雾霾的效果。主观上符合人眼的观察感受,图像的层次感突出,景物细节纹理也保持较好,彩色图像的色彩饱和度被很好地保持住,图像的失真度较低,逼近景物的真实颜色。去雾效果与暗通道先验算法对比,该文算法标准差数值在R通道平均提高25.44%;G通道平均提高27.90%;B通道平均提高26.24%。因此,采用该方法可以实现图像去雾,为进一步准确获取图像信息奠定基础,适应于现代精准农业的应用。     

基于层内和层间相关性的小波图像去噪

小波图像去噪已经成为图像去噪的主要方法之一。利用小波变换在去除噪声时,可提取并保存对视觉起主要作用的边缘信息,传统的小波去噪方法大致有小波阈值收缩去噪算法、小波模极大值去噪算法。由于小波系数间存在很大的相关性,本文提出了一种基于层内和层间相关性的小波去噪方法,利用图像细节信息在不同尺度及同一尺度上的相关性进行滤波,达到对低信噪比的图像去噪的目的。在实验中,将本文去噪的结果与Donoho的硬阈值作了比较,结果显示本文方法能获得较好的去噪效果。     

基于剪切波和全变分的农田遥感图像去噪去伪影方法

农田遥感图像在采集过程中会受到噪声影响,为得到准确的农田遥感图像数据,应对获取的农田遥感图像进行去噪预处理。农田遥感图像中的纹理承载了重要信息,在图像降噪的同时保持或增强图像纹理具有重要意义。由于纹理和噪声一样,在频域表现为高频信号,以分解和重构算法为基础的常见滤波(含小波变换)方法在降噪的同时,也会造成纹理清晰度的下降。该文结合农田遥感图像纹理呈现出来的直线特性,将剪切波(Shearlet)和变分理论相结合,提出了一种新的遥感农田图像保纹理降噪方法。该方法首先对较大的遥感图像分块进行shearlet变换,在降噪的同时识别不同图块图像的纹理含量;对细小纹理含量较少的平滑区域,采用保边降噪变分模型去除shearlet变换带来的人工伪影。为避免子图块边界带来的边界效应,该文基于中心仿射变换理论提出了一种新的图像延拓方法,有效提高了图像降噪的效果。试验结果表明,该文算法去噪后的峰值信噪比(peak signal to noise ratio,PSNR)平均值比全变分模型去噪算法大1 d B,该文算法去噪后的PSNR平均比曲线波去噪算法大2 d B。同基于Symmlet小波的Shearlet算法相比,该文算法处理后农田遥感图像中伪影减少,在高斯噪声标准偏差σ为10、20和30 d B时,峰值信噪比PSNR分别提高了13.99%、9.69%和7.75%。     

基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选

为寻找适宜分类的空间尺度,该文提出一种基于小波包的空间尺度选择方法。该文以无人机航拍农作物影像为数据源,针对高空间分辨率遥感影像农作物分类问题,基于小波包变换对影像分类特征进行多尺度定量分析。将七种农作物影像样本进行小波包分解,从高频部分获取均值,方差,能量,能量差四种纹理信息,从低频部分获取光谱信息,构建分类特征矢量,通过作物样本之间的J-M距离,分析在不同小波包分解层样本之间的可分性,并进一步通过农作物面向对象分类精度和分割耗时评价适宜尺度。该文选择位于河北的涿州农场为研究区,利用无人机航空影像,对提出的方法进行试验验证,结果显示:小波包分解到第三、四层级时,即空间分辨率为0.32~0.64 m时,适宜农作物面向对象分类;在适宜尺度下,基于小波包分解的面向对象分类总体分类精度可达到89%,Kappa系数可达到0.85。研究结果可为高空间分辨率遥感农作物精细识别提供支撑。     

基于SURF算法的绿色作物特征提取与图像匹配方法

由于田间环境的复杂性,绿色作物特征提取与匹配仍然是基于双目视觉技术农田作物三维信息获取急需解决的关键技术之一。该文首先在RGB空间进行图像分割滤波处理。然后,采用SURF算法旋转不变性分两步获取绿色作物特征点对:第一步采用Hessian矩阵检测作物特征点,运用非极大值抑制法和插值运算寻找、定位极值点;第二步确定特征点主方向,采用描述算子进行特征点提取。最后,运用最近距离比次近距离法进行特征点匹配,并采用全约束条件滤除错误的匹配点对。同时将SURF和SIFT法进行对比分析,通过对不同光照、土壤的田间条件下芥蓝、芹菜、白菜13组图像进行试验,结果表明采用SUFR和SIFT法绿色作物特征提取率均值分别为1.2%、3.3%,双目视觉系统左、右作物图像特征正确匹配率的均值分别为94.8%、92.4%,时间消耗均值分别为4.6s、4.8s。采用SURF优越于采用SIFT法,这为进一步进行农业机械3D视觉导航或基于无线传感器网络的田间作物在线三维信息准确获取提供可借鉴思路和方法。     

基于小波分解的油菜多光谱图像与深度图像数据融合方法

将多源数据融合分析可以降低单一图像造成的误判读,利用多源数据之间的冗余部分进行配准,利用互补信息完成融合,能够提高数据的信息量和可靠性。该文利用近地面遥感模拟平台分别获取油菜的多光谱图像和深度图像,将2种图像进行配准和融合。该文分别针对多光谱图像和光程差深度图像的成像特点,进行相机内外参计算与图像矫正。采用 SIFT（scale invariant feature transform）算法计算2源图像上的 SIFT 点,并依据关键点描述子进行匹配,之后通过关键点位置计算仿射变换矩阵对图像进行缩放、平移和旋转,从而实现变换后图像的配准。分别对 harr,Db2,Db4,Sym2, Sym4,Bior2.2,Bior2.4,Coif2,Coif 等9种小波基融合后的结果计算其相应的交叉熵、峰值信噪比和互信息量等5个参量进行评价,得出小波基 harr 和 sym4融合效果较好,各项指标均衡性较好。用 haar 小波基对配准后图像在3、4、5、6层分解融合,通过观察得出在多光谱与深度图像融合中第3层小波分解和第4层分解的融合效果较好。最终将深度图像的高程数据归一化之后进行植株三维构建,得到三维点云并进行可视化。     

基于优化点匹配模式的农作区遥感影像融合分类

利用遥感影像进行农作物长势监测及估产中,对所用多源影像进行恰当的影像融合是正确解译的重要前提,在传统的基于灰度的影像匹配融合模式中,存在着高运算量和精度不高的问题,该文使用一种基于优化点匹配模式进行农作区遥感影像融合方法,对不同传感器的两景西北农作区遥感影像进行了融合分析验证。所用两景ASTER和SPOT图像匹配总体误差RMS=0.8965,融合后的影像总体分类精度提高到89.67%。     

无人机遥感在农田信息监测中的应用进展

快速实时地掌握农田信息是实施精准农作的基础。以无人机为平台的低空遥感探测技术,具有空间分辨率高、时效性强和成本低等特点,可填补地面监测和高空遥感间的测量尺度空缺,因此在农田信息精准监测领域具有广泛的应用前景。近年来,随着无人机飞行平台稳定性增强、操作难度降低,机载遥感设备的轻量化和多样化,以及遥感数据处理技术的进步,无人机遥感在农田信息监测领域得到了快速发展。本文对国内外相关研究成果进行了总结,对常用遥感技术类型和数据处理方法以及具体应用方向和实施效果进行了综述,并提出了当前存在的突出问题和未来的发展方向,以期为推动无人机遥感在农田信息监测和精准农业中更广泛的应用提供依据。