基于图像处理的植物虫损叶面面积计算算法研究

提供了采用数字图像处理方法快速计算植物虫损叶片面积的方法,对叶片图像进行图像采集、预处理以及几何校正,提取叶片轮廓并填充后,去除叶柄求得虫损叶片面积及虫损率。此方法简单易行,适合多种形状叶片,同时适用于非虫损叶片面积的测量。     

基于轮廓分割的草莓叶片三维建模

为精确构建原位草莓植株三维空间结构,以高架栽培模式生长环境下的草莓植株为研究对象,提出了一种基于多源图像轮廓分割的草莓植株结构形态三维重建算法。通过改进的多源图像融合算法,建立多源图像映射关系,融合预处理后的多源信息得到待分割强度图;计算待分割强度图矢量场卷积的局部中心,选出多目标的初始轮廓控制点,将参数的活动轮廓模型应用于待分割强度图像进行叶片的分割;采用标记的方法将分割轮廓映射至距离点云集,设计以单个叶片为单位的平面拟合选择机制,最终完成草莓三维模型的重建及显示。为验证该算法的有效性,将三维重建后的有效叶片数,平均单叶长度及叶片距离差作为评价指标,实验结果表明,有效叶片数正确率为85.6%,平均单叶长度模型正确计算率为88.4%,叶片距离差正确计算率为82.4%,研究结果可应用于原位草莓植株的空间位置测量,可为农业机器人局部视觉场景中植株空间结构的构建提供参考。     

基于多轮廓模型的红枣体积和表面积在线测量方法

为快速测量红枣的体积和表面积,给红枣三维信息的分级装备开发提供依据。该文搭建图像采集装置,由工业相机连续拍摄旋转圆盘上物体的二维图像,编写图像处理软件提取图像的二维轮廓特征,再由二维图像的轮廓构建三维多轮廓模型,测量模型的体积和表面积。探讨不同轮廓间角(4°～15°),不同投影高度(0.1～0.5cm)和不同直径(24～42 mm)对多轮廓模型测量体积和表面积的影响。试验结果表明,多轮廓球体模型的直径为固定值,体积的相对误差随轮廓间角和投影高度的增大而增大,表面积的相对误差随轮廓间角和投影高度的增大而减小,最小相对误差分别为6.0%和1.0%;多轮廓球体模型的轮廓间角和投影高度为确定值,模型的体积和表面积的相对误差随直径的变化不明显,但直径越小误差越大,体积和表面积相对误差的均值分别为9.1%和4.34%;多轮廓红枣模型的轮廓间角和投影高度为确定值,模型体积的平均相对误差随等级的增大而增大,表面积随等级变化不明显,其中体积的均方根误差和平均相对误差的均值为2.45 cm3和10.2%;表面积的均方根误差和平均相对误差的均值为3.65 cm2和7.09%。红枣多轮廓模型测量方法为红枣分级装备的开发提供技术参考。     

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.     

基于机器视觉的猪胴体背膘厚度在线检测技术

为了能在线精准测量猪胴体背膘厚度,解决人工测量过程中效率低、人为因素影响大及结缔组织易被误测量为背膘的问题。该文基于机器视觉及图像处理技术提出一种图像采集并自动测量背膘厚度的算法。在双边滤波、大律法、形态学变换的基础上,通过轮廓面积分割提取出背膘区域及其边缘轮廓,利用拟合线对轮廓边框进行拟合,判断是否包含结缔组织。若包含则针对原始图像目标测量区域像素点特征进行具体分析,去除结缔组织。然后通过直线映射,确定背膘厚度检测线,测量猪胴体背膘厚度。测试结果表明:检测方法能适应在线检测速度需求,检测正确率为93.5%,平均检测时间为0.3 s。研究结果为生猪屠宰生产线上准确、快速测量背膘厚度提供参考。     

柑橘叶面积指数自动测量红外透射系统的开发与应用

针对间接方法测叶面积指数(leaf area index,LAI)一般不考虑单一孤立果树冠层、叶片相互重叠因素及图像处理速度低的缺点,通过正交试验确定单一孤立柑橘LAI测量的主要影响因素为重叠叶片数(α<0.05),建立等间隙模型解决有间隙的重叠的影响问题,采用三维行走机构实现自动采集,应用LabVIEW平台开发一个基于红外透射的柑橘LAI自动测量系统。系统硬件由控制模块与行走机构、信号调理模块、数据采集卡和PC机组成,其标定LAI相对误差绝对值平均为11.11%。在行走机构按照S形路线,自动进行扫描、定位采集的方式下,系统对华南农业大学工程学院柑橘园45棵橘树测量,以直接法和采样法计算的LAI值作为真实值,相对误差绝对值的平均为31.4%;参照对比的Win SCANOPY Pro植物冠层分析系统专业版测量值与真实值比较,相对误差绝对值的平均为29.8%。两系统误差接近,表明本系统可满足柑橘LAI测量试验要求。     

日光温室热工缺陷面积热红外图像测量方法

隔热层和气密性缺陷是日光温室保温蓄热性能差的重要因素,为了快速检测日光温室热工缺陷区域及测量该区域的面积,该文借助热红外成像仪和Lab VIEW软件平台,构建了基于热红外图像的日光温室热工区域面积测量方法。以陕西杨凌西北农林科技大学园艺场日光温室北墙风口为测试对象,通过现场实测数据与理论计算结果进行比较分析。首先,利用热红外成像仪实时检测出日光温室北墙通风口表面与墙体内表面存在的明显温度差异,其最大温差高达8.4℃。基于温度差异,能快速找出温室内围护结构不同位置所存在的明显散热区域。然后通过直方图法、均方根法和人工提取法分别计算了散热区域面积,其中直方图面积测量方法具有较好的效果,平均相对误差为5.4%;人工提取法次之,平均相对误差为6.0%,均方根法最大,平均相对误差为11.8%。研究结果表明,基于热红外图像的直方图面积测量方法能快速检测出热工缺陷区域的面积,为进一步自动定量分析整个日光温室热工缺陷区域的面积及散热量提供了理论方法,在温室围护结构热工损耗计算方面具有较大地应用潜力,可为农民和企业提出日光温室优化改造建议。     

基于RGB-D相机的玉米茎粗测量方法

为实现田间玉米茎粗的快速测量,提出了一种基于RGB-D(RGB-Depth)相机的玉米茎粗参数提取方法。以小喇叭口期玉米为观测对象,利用RGB-D相机获取田间玉米的彩色图像和深度图像。首先,根据玉米与背景的颜色差异,对图像进行自动阈值分割,提取图像中感兴趣区域内的信息;利用形态学"开"操作剔除图像中的噪声,得到玉米茎杆的主干。其次,对茎杆主干进行骨架化操作,检测骨架的交叉点和末端点,确定茎杆的待测量部位。然后,对该部位的点云数据进行去噪、聚类、椭圆拟合操作,得到椭圆的长轴和短轴,获得玉米的茎粗。对20株玉米进行测试,结果表明:茎粗长轴的平均测量误差为3.31 mm,标准差为3.01 mm,平均测量相对误差为10.27%,茎粗短轴的平均测量误差为3.33 mm,标准差为2.39 mm,平均测量相对误差为12.71%。该研究可为作物表型参数的快速获取提供参考。     

基于机器视觉的白掌组培苗在线分级方法

白掌在观叶类花卉中占有很大比例,其育苗多采用组织栽培法,且组培苗生产具有规模化。为提高成苗出苗品质,需要在组培苗炼苗前对其分级,而目前常用分级法不能有效解决自然状态下水平放置的白掌组培苗存在的叶片扭曲和重叠问题,因此该文提出一种基于机器视觉实现白掌组培苗在线分级的方法,通过对自然状态下水平放置的白掌组培苗的叶片面积、苗高、地径以及投影面积的分析,得到其投影面积与叶片面积呈线性关系,相关度为0.9344;投影面积与地径呈多项式函数关系,相关性为0.9067,故确定组培苗投影面积和苗高为实际生产中的分级指标。该文采用基于颜色模板匹配算法测量组培苗投影面积,得到的叶片面积和地径与实际叶片面积和地径的变异系数相对误差分别为0.35%和7.95%;利用最小外接矩形法(MBR,minimum bounding rectangle)测量苗高,得到的苗高和实际苗高变异系数相对误差为1.44%。通过整机分级试验发现在输送间距为0.25 m,输送速度为0.5 m/s,分级级别为3级的条件下,该分级装置的分级成功率可达96%,对应生产率为7 200株/h。     

基于机器视觉图像特征参数的马铃薯质量和形状分级方法

马铃薯自动分级过程中,存在既要保证分级精度又对分级速度有一定要求的难点问题。该文探讨了利用机器视觉技术快速获取马铃薯图像特征参数,结合多元线性回归方法,建立马铃薯质量和形状分级预测模型,实现基于无损检测的马铃薯自动分级。搭建了同时获取马铃薯三面投影图像的机器视觉系统,通过图像数据处理获得马铃薯俯视图像轮廓面积、两侧面图像轮廓面积、俯视及侧面图像外接矩形长度及宽度数据等图像特征参数,通过多元数据回归分析,建立了马铃薯质量和形状分级预测模型。选择100个试验样本运用该方法进行质量和形状分级模型构建和预测,采用电子称获取样本实际质量,采用目测法对马铃薯进行形状分选。对比试验结果表明,质量分级相关度系数R为0.991,形状分级分辨率为86.7%。表明该方法对马铃薯质量和形状分级进行预测具有可行性,可运用于马铃薯自动分选系统中。     

基于虚拟模型的水稻冠层叶面积计算方法

水稻冠层的叶面积是分析水稻生长状况的重要参数,传统叶面积统计方法效率较低且误差较大,难以对植株冠层不同高度层的叶面积进行测量。针对传统水稻冠层叶面积统计方法的薄弱点,该文提出一种基于虚拟模型的水稻冠层叶面积计算方法。该方法首先通过田间试验获取的水稻形态参数,建立虚拟水稻模型,然后基于该模型计算植株整体叶面积以及两株水稻在一定株距下不同高度层内叶片面积的大小,从而为水稻种植管理措施的优化提供参考。该文算法与长宽校正法相比,在整株叶面积统计结果上,二者相差在5%左右;每层叶片面积实际测定和仿真结果的比较,两者误差在10%之内。该方法对于水稻冠层叶片面积统计具有一定的实际意义。     

改进自适应分水岭方法分割棉花叶部粘连病斑

针对棉花叶部病斑相互之间存在粘连问题,该文提出了一种自适应分水岭分割方法。该方法在H-minima分水岭分割方法基础上,结合最小二乘圆法误差理论,对图像中每个连通分量进行最小二乘圆拟合,并计算最小二乘圆误差值,通过最小二乘圆误差值大小判断每个连通分量的轮廓不规则度,针对不同轮廓不规则度确定H-minima变换的极小值阈值,根据不同极小值阈值实现棉花叶部粘连病斑的分水岭分割。不同数量粘连病斑分割试验结果表明:该方法实现了棉花叶部粘连病斑数量从2个粘连至5个粘连病斑的自动分割,分割准确率为91.25%,平均运行时间为0.088 s。不同分割方法对比结果显示:该方法能实现对棉花轮纹病、褐斑病、炭疽病、叶斑病和棉铃疫病共5种病害的粘连病斑自动分割,并将距离分水岭分割方法、梯度分水岭分割方法、标记分水岭分割方法、Chan-Vese方法、高斯混合方法与该文方法比较,正确分割率分别为67.8%、36.4%、83.7%、70.3%、82.1%、93.5%,该方法优于其他5种分割方法,有效抑制了过分割问题;在复杂背景、光照不均匀、病斑大小不一致等复杂条件下,该文方法也能较好地实现粘连病斑的分割。该方法不仅能对棉花叶部粘连病斑自动分割,也能为其他作物叶片粘连病斑分割提供参考。     

基于虚拟仪器的果树重叠叶片LAI实时检测系统

目前叶面积指数(leaf area index,LAI)检测中重叠叶片的辨别是一个难点。该文提出一种创新的重叠叶片LAI简易检测方法:在室内直射平行光源照射下,通过光电传感器检测叶片透射光能量,传感器信号经过调理,由数据采集卡采集至计算机,利用LabVIEW软件平台进行程序设计,自动判断重叠叶片层数。将叶片层数乘以传感器的接收面积即为该检测位置各层叶片面积,将整个检测过程中的叶片面积累加即为各层叶片的总面积,进而求出LAI。根据试验结果选用近红外作为光源,设计并制作用于检测的近红外光电传感器,其短路电流I1、I2分别与前置放大输出电压U1、主放大输出电压U2均有良好的线性关系,于0.05水平显著。数据采集试验结果表明,在手动进行扫描、定位采集的方式下,以方格法计算的LAI值作为准确值,系统对LAI的计算最大相对误差绝对值为14.8%。初步探讨了叶片间隔对透射辐射量的影响,结果发现乘幂模型的拟合效果较好。     

棉花叶片厚度的高光谱测试方法

植物叶片厚度的变化能够指示植物生长状态的改变,为了实时、活体、无损地获取叶片厚度,该研究以棉花叶片为研究对象,利用DPS、Origin统计分析软件分析84组光谱数据与叶片厚度的相关性。研究表明,光谱反射率与叶片厚度在可见光350～369 nm及664～689 nm 2个较窄区域达到了极显著正相关关系,在红外917～1 884、2 048～2 380 nm 2个区域呈极显著负相关关系,总体相关程度红外波段高于可见光波段。红边参数与叶片厚度的相关性不高,24个形状参数与厚度达到了极显著相关水平,其中,中心为980 nm的吸收谷面积与叶片厚度相关度最高,相关系数为0.848。分别用反射率、植被指数、光谱形状参数建立并测试3个估算模型,相对误差最高为7.4%,均方根差最高为0.051 mm。结果表明利用高光谱分析技术,可以实现叶片厚度的快速、活体测量。     

基于叶片光谱特性的玉米品种抗倒伏性预测

针对玉米叶片各区域光谱特性与玉米品种抗倒伏性能之间关系未知的问题,该研究探讨了叶脉区、正常反射区和整片叶的平均光谱对玉米品种抗倒伏性预测效果的影响。试验采集了2018年和2019年8个玉米品种的叶片高光谱图像,使用阈值分割和K-means聚类方法提取各叶片区域的平均光谱数据。用最大相关最小冗余（Max-Relevance and Min-Redundancy,MRMR）特征选择算法,提取各叶片区域平均光谱的抗倒伏和不抗倒伏品种分类特征。使用交叉验证的方式,对MRMR方法选择的特征数量进行优化,并使用支持向量机（Support Vector Machines,SVM）方法建立各叶片区域的抗倒伏性预测光谱模型,用网格搜索法对各模型参数进行优化。2 a试验结果显示,各叶片区域约有35~50个可以反映品种抗倒伏性的光谱特征,其中非叶脉区光谱相比叶脉区光谱的抗倒伏特征更多,分类效果更好。参数优化训练后,叶片各区域的光谱模型对训练集数据的预测正确率达到98.46%、98.52%和100%,正常反射区的光谱模型对测试集数据的分类效果最好,2018年和2019年测试集数据的预测正确率分别达到了91%和94.34%。与基于整片叶平均光谱的预测模型相比,基于叶片各区域的光谱特征模型可以排除不平整叶面反射的干扰,有助于提高模型预测结果的稳定性。研究表明,基于正常反射区光谱的预测模型更适用于品种抗倒伏预测,研究结果可为基于玉米叶片光谱预测品种的抗倒伏能力提供借鉴。     

机载激光雷达的作物叶面积指数定量反演

为了进一步挖掘激光雷达在植被垂直结构探测上的潜力,通过引入Kuusk的多层均匀冠层方向反射模型的单次散射部分,基于激光雷达发射和回波波形的高斯特征,模拟作物激光雷达回波,建立了作物叶面积体密度和叶面积指数的反演方法。模型输入参数的敏感性分析显示：G函数对反演结果的影响比土壤和叶片反射率大。最后利用“黑河综合遥感联合试验”的数据对反演方法进行了验证：反演的作物叶面积体密度与实测数据基本一致,叶面积指数反演的相对误差为12.5%。结果表明该方法可以有效反演作物叶面积体密度和叶面积指数,为作物结构参数反演提供了新的途径。     

基于叶片SPAD估算不同水氮处理下温室番茄氮营养指数

为了探讨临界氮稀释曲线模型在西北地区温室番茄不同水分处理下的适用性以及采用SPAD仪快速准确诊断氮营养状况,该研究以"丽娜"番茄为材料,2013-2015年在陕西省杨凌区温室内进行水分和氮素处理试验,水分处理设置4个水平,分别为全生育期充分灌水处理、仅苗期亏水50%、苗期开花期连续亏水50%和全生育期亏水50%;氮素处理设置3个水平,施氮量分别为0、150和300 kg/hm2,通过2013-2015年试验数据对临界氮浓度稀释曲线模型进行率定和验证,并将该模型参数与番茄全生育期平均日耗水量建立相关关系,提高了临界氮浓度稀释模型在不同水分条件下的适用性。结果表明通过番茄全生育期平均日耗水量和临界氮浓度稀释曲线模型估算得到的临界氮浓度估算值和实际计算值有较好的一致性,其绝对误差为0.13~0.34 g/(100 g),标准误差为0.14~0.39 g/(100 g),决定系数为0.94~0.99,因此采用该方法可以对西北地区温室番茄不同水分处理下临界氮浓度稀释进行准确估算。通过2013-2015年试验数据分析番茄不同叶位叶片SPAD值和氮营养指数(nitrogen nutrition index,NNI)之间相关性,结果表明番茄中位叶片SPAD值与氮营养指数(NNI)有良好的线性相关性(决定系数为0.77~0.98),且该相关系数值与番茄日耗水量呈极显著相关关系,因此通过番茄日耗水量可以估算出NNI与中位叶片SPAD值之间的线性关系,估算出NNI=1时的中位叶片SPAD值,并以此SPAD值进行氮营养诊断。该研究可为西北地区温室番茄实时氮营养诊断和优化氮素管理提供了较好的理论参考。     

融合K-means与Ncut算法的无遮挡双重叠苹果目标分割与重建

重叠苹果目标的准确分割是采摘机器人必须解决的关键问题之一。针对现有重叠苹果目标分割方法不能保留重叠部分轮廓信息的问题,提出了一种无枝叶遮挡的双果重叠苹果目标分割方法。该方法首先利用K-means聚类算法进行图像分割以提取苹果目标区域,然后利用Normalized Cut(Ncut)算法提取苹果目标轮廓,以实现未被遮挡苹果目标完整轮廓的准确提取,最后利用Spline插值算法对遮挡的苹果目标进行轮廓重建。为了验证算法的有效性,对20幅无枝叶遮挡双果重叠的苹果图像进行试验,并将该算法与寻找2个有效凹点用其连线分割重叠苹果目标,把分离的2个轮廓分别用Hough变换重建轮廓的方法进行对比。试验结果表明,对于图像中未被遮挡的苹果目标,利用该研究算法的平均分割误差为3.15%,提取的苹果目标与原始图像中苹果目标的平均重合度为96.08%,平均误差比Hough变换重建算法低7.73%,平均重合度高9.71%,并且该研究算法能够很好地保留未被遮挡苹果目标的完整轮廓信息,提高了分割精度。对于重叠被遮挡的苹果目标,平均分割误差和平均重合度分别为5.24%和93.81%,比Hough变换重建算法的平均分割误差低11.35%,平均重合度高12.74%,表明该算法可以较好地实现重叠被遮挡苹果目标的轮廓重建,研究结果可为实现枝叶遮挡影响下的多果重叠目标分割与重建提供参考。     

采用热红外和可见光图像无损测定棉花苗期叶面积

叶面积是影响植物光合作用、蒸腾作用、呼吸作用及产量形成的重要形态指标之一,为实现作物叶面积准确、稳定和无损化测量,该研究基于红外线成像设备,提供了一种利用热红外和可见光图像测定棉花叶片面积的方法。以苗期棉花作为研究对象,通过红外成像相机T660获取棉花的热红外和可见光波段的图像,分别使用GrabCut算法和Hough圆检测提取红外图像中叶片和可见光图像中已知实际面积的圆状参照物（五角硬币）的像素面积,进而根据叶片区域和圆状参照物区域的像素倍数关系计算棉花的真实叶面积,将通过该研究所提方法计算的叶面积结果与传统的剪纸称重法、Image Pro Plus软件图像法进行皮尔逊相关性分析,检验该方法的可行性。分析表明,基于所提方法的测量值与剪纸称重法、Image Pro Plus软件图像法的结果之间均存在显著的线性相关关系（P<0.01）（相关系数分别为0.992,0.996）。3种方法对5盆棉花进行8次测量,结果显示,该研究所提方法测量值的平均变异系数为0.782%,在测量工作中表现稳定,为快速获取棉花苗期叶面积提供了一种准确稳健的理论方法。     

基于时序图像跟踪的葡萄叶片病害动态监测

为提高自然成像条件下的酿酒葡萄图像中病害识别的可靠性,对时序叶片图像作连续病害检测并监测病斑变化情况。首先,在每一天利用Faster R-CNN算法对摄像机视场中葡萄叶片进行检测,对检测到的叶片采用改进卡尔曼滤波法进行跟踪,以获得叶片正面图像。为了实现多叶片跟踪和解决由遮挡而造成的跟踪失败问题,该文在卡尔曼滤波和匈牙利算法基础上,结合运动测度和深度外观信息对跟踪目标进行匹配,运动匹配时采用马氏距离,外观匹配方面采用最小余弦距离。其次,将不同日期的叶片正面图像做SIFT(scale-invariant feature transform)匹配,找到同一叶片按日期排列的一组序列图像,并在序列图像中通过深度学习技术进行病害识别。最后,通过监测叶片序列图像上病斑相对面积变化或病斑数量是否增加来确认病害的存在。该文对提出的跟踪算法、叶片匹配算法和序列图像上病害识别的精度进行了测试,试验表明:跟踪算法平均多目标跟踪准确度为73.6%,多目标跟踪精度为74.6%,基于判别模型颜色特征的传统跟踪算法两指标分别为14.3%和61.3%;基于SIFT特征的叶片匹配在识别同一叶片时的精度达到了90.9%;病害监测方面,虚警综合排除率(马修斯相关系数)达到了84.3%。该文的方法可以排除一些虚假病害,病害监测的可靠性有所提高,可适用于自然条件下葡萄病害的连续在线监测。