采用计算机视觉进行棉花虫害程度的自动测定

采用计算机视觉技术，根据棉花叶片的孔洞及叶片边缘的残缺，来测定棉花虫害的受害程度。该方法应用局部门限法完成图像与背景的分割；用高斯拉普拉斯算子，进行棉花图像的边缘检测；利用边缘跟踪算法确定棉叶中的孔洞；利用膨胀算法确定叶片边缘的残缺。实验结果表明，该方法可有效的测定棉花虫害的受害程度，其测定误差小于0.05。     

基于光谱特征参数的温室番茄叶片叶绿素含量预测

为了快速、准确估测温室番茄叶片叶绿素含量,提升作物精细管理水平,利用光谱分析技术研究了温室番茄不同生长阶段叶绿素含量和响应光谱的相关性,在幼苗营养生长阶段叶片叶绿素含量呈增长趋势,到移植50天前后达到最大值,在此期间反射光谱的红边会向红外方向（长波）偏移,同时绿峰向蓝光（短波）方向偏移,绿峰幅值减小。从结果期开始叶绿素含量呈下降趋势,而红边、绿峰及绿峰幅值向相反方向变化。为了定量分析叶绿素含量和叶片反射光谱间的关系,从自定义的68个光谱特征参数中提取了7个能反映叶绿素含量变化的最优参量,并使用逐步回归、岭回归、主成分分量回归和偏最小二乘回归消除了最优参量的多重共线性,建立了叶绿素含量预测模型,其中岭回归模型精度最佳,均方根误差（RMSE）为0.406,决定系数(R2)为0.839。     

果实表面颜色计算机视觉分级技术研究

以计算机视觉自动检测果实表面着色度并进行分级为目的,建立了室内计算机视觉系统获取苹果果实的彩色图像,并将ＲＧＢ值转换成ＨＬＳ值;在分析苹果颜色特性的基础上,确定了用合适色相值下累计着色面积百分比进行颜色分级的方法。分级试验结果表明,用建立的准则和方法,计算机视觉分级与人工分级的一致度在８８％以上。     

基于颜色分形的水果计算机视觉分级技术

通过对不同着色等级的水果分析,以各色度在水果表面分布的分形维数为特征进行分级,该特征值不仅考虑了各色度点的累计特性,而且考虑了色度点空间分布特性,使颜色分级更符合实际情况。将各色度域分形维数作为模式处理,建立了人工神经网络识别模型。学习后的模型分级正确率高,达到95%,能够满足计算机视觉实时分级水果生产线的要求     

基于计算机视觉的大菱鲆对背景色选择习性研究

为了探讨大菱鲆幼鱼对于不同背景色的选择习性,该文首先通过9格颜色试验发现大菱鲆幼鱼偏好淡紫色,而出现在黑色和红色背景累积频率较低;同时通过计算机视觉分析发现,幼鱼在黑色和红色背景下体表明度变化速率远比在紫色和粉色背景下剧烈,证明了黑色和红色背景对幼鱼胁迫更大,其需要调动更多激素来调整生理响应,以改变体色适应新的背景环境。因此建议养殖池的颜色尽量采用浅色,不要使用黑色等深色作为养殖背景颜色,研究结果可为养殖系统设计和生产管理提供参考依据。     

基于高光谱反射率的棉花冠层叶绿素密度估算

为了进一步提高棉花叶绿素密度高光谱估算精度,该研究以棉花冠层叶绿素密度以及冠层高光谱反射率为数据源,在分析叶绿素密度与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、已有光谱指数及全波段组合指数相关性的基础上,采用线性及多元逐步回归技术构建了叶绿素密度高光谱诊断模型,系统对比分析了以上4种光谱形式用于棉花冠层叶绿素密度诊断的精度。结果表明:1)基于一阶导数光谱反射率的估算模型精度明显优于原始光谱反射率;2)基于比值指数或归一化指数形式的估算模型精度及稳定性要优于单波段或多波段的线性模型;3)单波段变量DR756、全波度组合比值指数DR635/DR643以及归一化指数(DR1055-DR684)/(DR1055+DR684)均可较好的实现叶绿素密度估算,其中由DR635/DR643为自变量的模型所得到棉花冠层叶绿素密度估算值与实测值拟合最好,相关系数达到0.821。该研究可为高光谱技术在棉花冠层叶绿素密度诊断中的更好应用提供参考。     

应用多酚–叶绿素仪监测棉花氮素营养状况研究

  【目的】  通过田间试验,研究使用多酚–叶绿素仪对棉花进行快速无损氮素营养诊断适宜的指标。  【方法】  田间试验在新疆石河子市进行,设3个施氮处理,分别为施纯N 0、180和240 kg/hm2,分别用N0、N180和N240表示。所有氮肥分5次随滴灌施入,每次施肥后3天,利用多酚–叶绿素仪 (Dualex-4) 和SPAD叶绿素仪分别测定20株棉花叶片的氮平衡指数 (NBI)、Chl值和SPAD值,同步采样测定棉花叶片全氮含量,及0—20 cm、0—40 cm和0—60 cm土层硝态氮含量。  【结果】  随着施氮量的增加棉花叶片全氮含量和土壤硝态氮含量均显著增加。其中,0—40 cm土层硝态氮含量与棉花叶片全氮含量关系最密切。增加氮肥施用量,棉花叶片氮素营养诊断指标NBI、Chl值和SPAD值均显著增加。棉花叶片NBI、Chl和SPAD与叶片全氮含量均呈极显著正相关关系,且相关系数 (r) 均达到0.8以上。相关性模型校验结果表明,棉花叶片全氮含量实测值与预测值的平均相对误差 (RE) 分别为–4.0% (NBI)、–3.1% (Chl) 和–5.7% (SAPD)。其中,氮平衡指数 (NBI) 模型对棉花叶片全氮含量的预测精度最高,与实测值的相关系数达到了0.9143,平均绝对百分比误差 (MAPE) 为6.91%;标准均方根误差 (nRMSE) 为8.21%。棉花叶片NBI、Chl和SPAD与土壤硝态氮的模型决定系数表现为NBI > Chl > SPAD。模型校验分析表明,NBI模型与0—40 cm土层硝态氮实测含量的相关性最高,相关系数为0.9116,预测值与实测值的MAPE和nRMSE分别为14.11%和17.88%。  【结论】  应用多酚–叶绿素仪监测棉花氮素营养,氮平衡指数 (NBI) 与棉花叶片氮含量和0—40 cm土层硝态氮含量的相关性最高,预测值与实测值的误差仅为6.91%和14.11%,可以满足膜下滴灌条件下棉花氮素营养的快速诊断需求。     

基于无人机采集的视觉与光谱图像预测棉花产量

为了高效管理农田,该文提出了一种应用低空遥感视觉与光谱图像预测棉花产量的方法。盛花期前的棉花图像由无人机遥感平台在距地面50m的飞行高度下采集,采集的局部图像通过拼接处理得到棉花地的全景RGB图像与CIR(color-infrared,彩色红外)图像。基于全景图像提取并计算了色度、植株覆盖率与归一化植被指数(normalized difference vegetationindex,NDVI)3个特征参数,用于构建棉花产量的预测模型。包括产量与特征参数的原始数据集随机分为训练集(90%)与测试集(10%)。训练集数据首先基于产量概率分布特征去除了10%的离群值,然后通过均值滤波器滤波,处理后的数据用于构建预测模型。通过SAS软件对比分析了单变量、双变量以及三变量构建的线性回归模型,预测模型由P值、决定系数R2、每0.4 hm2面积下估计值与真实值之间的平均绝对误差百分比(mean absolute percentage error,MAPE)这3个参数进行评估。试验结果表明,单变量、双变量以及三变量构建的共7个线性回归模型,其P值均小于0.05,则7个线性回归模型均具有统计学意义(5%显著性水平)。其中,由三变量构建的多元线性回归模型具有最大的决定系数R2=0.9 773,因此适应性最优。基于测试集验证模型精度,试验结果表明,采用多元线性回归模型进行产量估计,估计值与实际值之间的平均绝对误差百分比为4.0%。因此,无人机搭载图像传感器采集提取视觉与光谱特征能够有效用于作物产量的预测。     

基于快速叶绿素荧光参数的不同基因型棉花叶片衰老研究

光系统Ⅱ（PSⅡ）的光反应与作物光合能力密切相关。为了获得更多关于叶片衰老过程中PSⅡ状态的详细信息并快速筛选出具有不同叶片光合功能持续时间的棉花基因型,本试验利用快速叶绿素荧光技术研究了生产上报道叶片衰老快慢不同的3种棉花基因型倒一叶衰老过程中的PSⅡ的光化学反应。结果显示,基于光吸收的性能指数（PI_ABS）将‘百棉1号’ ‘百棉5号’和‘DP99B’分为晚衰型、中间型和早衰型。3种基因型棉花品种叶片衰老过程中电子传递受抑制情况遵循同样的规则。放氧复合体（OEC）在生育后期大量降解; PSⅡ受体侧的抑制情况要大于供体侧;叶片衰老显著限制光系统Ⅱ-光系统I间的电子传递;随着叶片衰老,用于热耗散和还原初级醌受体（Q_A）的能量增加,而用于PSⅡ电子传递链中Q_A还原（Q_A^-）之后电子传递的能量下降。但是叶片衰老过程中,电子传递受抑制程度（除荧光开始到荧光最大时间段之间的Q_A还原次数之外）为‘DP99B’ > ‘百棉5号’ > ‘百棉1号’。由此可知,不同棉花基因型的叶绿素荧光特征可快速、无损地反映叶片衰老的快慢及内在生理机制。     

基于计算机视觉的水产动物视觉特征测量研究综述

作为水产养殖集成信息化管理的主要信息源,水产动物视觉属性信息的测量不仅是判定水产动物生长状况,调控水质环境的主要信息依据,也是对水产动物进行喂养、用药、捕获、选别和分级等操作的前提基础。近年来,计算机视觉技术作为一项快速、客观、无损的检测方法,已被逐渐用于水产动物视觉属性的测量中,许多研究学者开展了大量的研究工作。该文更新和总结了国内外近20多年来有代表性的相关研究和解决方案,在描述计算机视觉检测系统的概念和组成结构的基础上,围绕尺寸测量、形状分析、颜色识别和质量估计等方面详细分析了计算机视觉技术在水产动物（以鱼类为主）视觉属性测量方面的国内外研究现状,着重阐述总结了研究人员在水产动物视觉检测的图像采集、轮廓提取、特征标定与计算等方面的具体改进措施,并对基于计算机视觉测量的水产动物疾病诊断,识别分类等综合应用现状也进行了分析探讨,以评估计算机视觉技术在水产动物视觉质量检测领域的总体应用情况和现存的主要问题,同时给出了今后的研究趋势与发展方向。     

基于棉花红边参数的叶绿素密度及叶面积指数的估算

利用野外非成像高光谱仪,测试棉花两个品种4种配置种植方式两年关键生育时期的冠层反射光谱数据,应用光谱微分技术,获取棉花微分光谱680～750 nm波段的红边参数：红边面积（SDr）、红边斜率（Dr）以及红边位置（λr）变量;将棉花红边面积、红边斜率分别与其冠层叶绿素密度（CH.D）、叶面积指数（LAI）进行相关分析,它们的相关性均达到1%极显著水平,其中红边面积与叶绿素密度的相关性最好（RCH.D=0.8787**,n=137）;并且红边面积较红边斜率对叶绿素密度、叶面积指数的预测精度更高。以棉花新陆早13号和19号为建模样本,通过红边面积与叶绿素密度的线性相关模型,分别反演新陆早13号、19号冠层叶片的叶绿素密度,结果表明对这两个棉花品种的叶绿素密度估算精度分别达87.4%和83.3%,说明高光谱红边参数是估算棉花叶绿素密度和叶面积指数的一种简单、快捷、非破坏性的有效方法。     

采棉机视觉导航路线图像检测方法

采棉机视觉导航路线的检测是实现采棉机自主导航的重要前提。收获时期的棉田中主要有棉秆、棉花、棉桃、棉叶、杂草及田外区域等多种目标特征,并且机械采收会造成已收获区的棉枝上残留少许棉花,对采棉机田间作业路径的检测造成困难。该文主要通过分析已收获区、未收获区、田外区域、田端的不同颜色特征,对采棉机田间作业路径、棉田边缘、田端等的检测算法。首先采用3B-R-G、|R-G|、|R-B|及|G-B|等颜色分量差的方法,针对棉田内、外等不同区域的目标特征分别进行提取,并以设定的步长进行移动平滑处理,而后基于最低波谷点向未收获区方向寻找波峰上升临界点以及与前一帧直线检测结果相关联等方法,确定直线变换的候补点群,最后基于过已知点Hough变换提取导航直线;试验证明,该算法提取的直线能够准确贴合已收获区与未收获区分界、田侧边缘等,处理时间平均为56.10 ms/帧,满足采棉机田间实际生产作业的需求。该研究可为小麦、玉米等其他作物机械化收获时视觉导航路线的检测提供参考。     

病害胁迫对棉叶光谱反射率和叶绿素荧光特性的影响

研究病害胁迫对棉叶光谱反射率和叶绿素荧光特性的影响,以期为利用光谱和叶绿素荧光技术监测棉花黄萎病提供新的技术和方法.通过田间黄篓病接种处理,诱导发病后测定病害棉叶理化参数,光谱及叶绿素荧光参数,并对三者进行分析.结果表明,随着病害严重度增加,棉叶叶绿素a、叶绿素b、叶绿素a+b、叶片含水率、叶片全氮质量分数均减少,类胡...     

基于计算机视觉技术的温室黄瓜叶片营养信息检测

应用计算机视觉技术研究了诊断温室作物营养状态的方法。在日光条件下采集了温室黄瓜叶片图像,然后分别提取了红绿蓝(RGB)三色分量和它们的相对系数rgb,以及色度、饱和度和亮度指标(HSI)。在RGB和HSI颜色模型下分析了各分量与叶片含氮率、含磷率和含水率之间的相关特性。分析结果表明：叶片绿色分量G和色度H分量与氮含量线性相关,可用作利用机器视觉快速诊断作物长势的指标,而其它分量与氮含量没有明显的相关性;颜色各分量与磷含量和水分含量均没有表现出明显相关关系;在对单次数据进行分析和比较时发现在同一光照条件下,绿色分量G和色度H与氮含量之间存在较好的线性相关特性,而当光照条件不同时,对两变量之间的线性关系存在一些影响,需要在进一步的试验研究中通过使用人工光源和系统标定的方法改进,以提高线性回归的精度。     

基于计算机视觉技术估算种猪体重的应用研究

为了解决在种猪体重测量中传统方法所遇见的问题,该研究初步探讨了一种新方法,即把计算机视觉技术应用到种猪饲养管理中,通过数字图像分析技术,测量和计算种猪的投影面积,并分析其与体重的相关性,为种猪体重测量提供了新的依据。结果显示去除头部和尾部后剩余身体部分的投影面积和体重的相关性极大,相关系数可达到0.94,再与人工测量的结果进行对比,相对误差不超过2.8%。试验证实了利用这种无接触的方法来估测种猪的体重,可以减少人力物力,避免由于猪的应激反应而给生产带来的损失,在种猪的科学饲养管理中具有实用意义。     

基于计算机视觉的番茄缺素神经网络识别

提出了采用不受植株叶片大小和背景影响的色调域平均百分率直方图来提取番茄叶片的颜色特征,用于识别番茄是否缺乏营养元素;提出了采用基于最大差分算子的色调域百分率直方图法、灰度－梯度共生矩阵法和小波分析法提取番茄缺素叶片的纹理特征,用于识别番茄缺何种营养元素;设计了番茄缺N、缺Fe、缺Mg的BP神经网络系统,综合识别结果为：正常中叶、正常新叶、缺铁新叶,缺氮中叶、缺镁中叶的识别准确率依次为95％、92.5％、92.5％、87％、87％。     

基于计算机视觉技术的运动鱼检测算法

为了提高水中鱼的运动检测精度,该文在分析比较图像和视觉领域常用的运动目标检测算法的基础上,提出了3种适合于运动鱼检测的改进算法。试验结果表明,该文提出的算法在检测鱼的快速运动方面要优于传统算法,特别是帧间差分和运动平均背景建模结合方法较其他算法在平均检测时间和检测精度方面更具优势,在鱼类运动检测方面有较大的应用潜力。     

基于机器视觉的大豆籽粒精选技术

为实现大豆精选模型的设计,选择东农405、东农410、东农634 共3个大豆品种,以正常豆、灰斑豆、霉变豆、虫蚀豆为研究对像,采用可脱离PC机独立工作的智能摄像头获取分析豆粒图像。通过动态阈值分割算法分离豆粒与背景,提取豆粒图像的形状、颜色、纹理3方面的特征参数15个。采用BP神经网络建立分类模型,模型平均识别准确率达98%。试验选择2000粒大豆样本对精选装置进行测试,测试结果显示：该装置对正常豆、灰斑豆、霉变豆和虫蚀豆的筛选精度分别达到98.3%、93.4%、92.2%、95.9%,筛选效率达到每分钟300粒,将机器视觉技术应用于大豆精选机的设计中是可行的。     

玉米苗期杂草的计算机识别技术研究

利用计算机视觉技术和人工神经网络技术对识别玉米苗期田间杂草进行了研究。首先利用类间方差最大自动阈值法二值化杂草图像的超绿特征,再进行连续腐蚀与膨胀,然后根据长宽比、圆度、第一不变矩3个形状特征由BP网络识别出玉米幼苗,最后利用种子填充法从阈值分割结果中擦除玉米目标,剩余的就是杂草目标。研究表明,基于BP网络的杂草识别算法对玉米幼苗与杂草的正确识别率分别为87.5%和93.0%,处理一幅640×480像素的杂草图像平均耗时约为58 ms。