基于机器视觉的作物多姿态害虫特征提取与分类方法

由于野外诱捕害虫的姿态存在多样性和不确定性,使得利用机器视觉进行害虫的自动识别与计数仍然是一个难题。该文提出一种基于颜色和纹理等与形态无关的特征相结合和利用多类支持向量机分类器的多姿态害虫分类方法。通过对目标害虫图像进行不同颜色空间特征、基于统计方法的纹理特征和基于小波的纹理特征的提取,构建了6组不同组合的特征向量。将10阶交叉验证的识别率作为适应度函数值,利用遗传算法对各组特征向量进行降维筛选。最后利用基于有向无环图多类支持向量机分类器对多姿态害虫进行识别和特征组选择。结果表明,遗传算法最多可以使特征向量维数降到原来的38.89%,基于HSV三通道颜色图像的小波纹理特征组在建模时间和平均准确率方面都表现最优,可以作为一种有效的多姿态害虫分类特征选择。     

基于偏好人工免疫网络多特征融合的油茶果图像识别

为提高油茶果采摘机器人机器视觉的识别率,该文提出了基于偏好人工免疫网络识别的油茶果多特征融合识别方法。在对油茶果图像进行处理的基础上,提取待识别目标区域的颜色特征、形态特征、纹理特征进行聚类,并提取典型油茶果多特征作为偏好抗体,使多特征参数在偏好免疫算法中进行有效融合。仿真试验结果表明,多特征融合的识别方法对油茶果果实的识别率在晴天时达到了90.15%,阴天时达到了93.90%。而时间复杂度基本不变,取得了较好的识别效果,该研究可为下一步油茶果采摘机器人智能采摘提供参考。     

基于最小噪声分离的籽棉异性纤维高光谱图像识别(英文)

针对籽棉表层多类难检异性纤维,包括纸屑、白发、丙纶丝、化纤和地膜等5种白色物质,采用高光谱技术和最小噪声分离(minimum noise fraction,MNF)分析方法对含有异性纤维的籽棉图像进行研究。该文在400～1 000 nm的光谱范围内采集高光谱图像,根据光谱曲线选取子区域,应用最小噪声分离分析方法降维、去噪。取MNF变换后的前4幅分量图像,通过视觉评价,选定最佳成分图像并融合中值滤波、灰度变化等图像处理的方法确定最佳分割图像,提取异性纤维。试验结果表明,对于以上5种异性纤维,该方法的识别率达到91.0%。该研究可为棉花异性纤维检测系统的开发提供参考。     

基于粗糙集和BP神经网络的棉花病害识别

为了提高棉花病害的识别率,提出了一种在自然环境条件下基于粗糙集和BP神经网络的棉花病害识别方法。该方法以轮纹病、角斑病、褐斑病和盲椿象为研究对象,将病害棉花图像从RGB颜色空间转换到HSI和L*a*b*颜色空间,应用Otsu算法对H分量、a*分量和b*分量进行阈值分割,通过H+a*+b*分量与原始图像的交集提取棉花病斑区域,利用颜色矩和灰度共生矩阵分别提取病斑的颜色和纹理特征,并结合粗糙集理论和BP神经网络,实现特征向量的优选,和棉花病害的识别。通过比较试验发现,粗糙集理论能有效减少特征维数,使提取的全部特征向量16个减少到5个,使BP神经网络的训练时间缩短到原来的1/4,且棉花病害平均识别正确率达到92.72%。研究结果表明,该方法准确识别了4种棉花病害,为棉花病害的防治提供了有效的技术支持。     

基于多光谱图像和数据挖掘的多特征杂草识别方法

为满足变量喷洒对杂草识别正确率的要求,提出一种基于多光谱图像和数据挖掘的杂草多特征识别方法。首先对多光谱成像仪获取的玉米与杂草图像从CIR转换到Lab颜色空间,用K-means聚类算法将图像分为土壤和绿色植物,随后用形态学处理提取出植物叶片图像,在此基础上提取叶片形状、纹理及分形维数3类特征,并基于C4.5算法对杂草分别进行单特征和多特征组合的分类识别。试验结果表明,多特征识别率比单特征识别率高,3类特征组合后的识别率最高达到96.3%。为验证该文提出方法的有效性,将C4.5算法与BP算法以及SVM算法进行比较,试验结果表明C4.5算法的平均识别率高于另2种算法,该文提出的田间杂草快速识别方法是有效可行的。该文为玉米苗期精确喷洒除草剂提供技术依据。     

基于费舍尔评分与离散粒子群优化的棉花异性纤维在线检测

为改进基于机器视觉的棉花异性纤维在线检测效率,提出一种基于费舍尔评分与离散粒子群优化的棉花异性纤维特征选择方法。该方法将费舍尔评分滤波式特征选择方法及基于离散粒子群优化的捆绑式特征选择方法组合在一起,首先利用费舍尔评分方法过滤噪声特征,然后利用离散粒子群算法从已去噪的特征集中选取最优特征子集。提出的方法应用于棉花异性纤维数据集,并与费舍尔评分方法、离散粒子群方法、遗传算法、蚁群算法进行对比,试验结果表明该方法可以更有效地选择出有较少特征数目、较高分类精度的特征子集。从75个棉花异性纤维原始特征中选出18个特征组成的特征集,其分类准确度达到93.5%,检测时间仅为0.8231 s,有效地改进了棉花异性纤维在线检测的精度与效率,从而减少异性纤维对棉纺织品的危害,提高棉纺企业经济效益。     

棉花中白色异性纤维的激光成像快速检测方法

现有的棉花异性纤维分拣机采用可见光照明成像,难以识别棉花中混杂的白色异性纤维。为了有效地检测出与棉花颜色相同或相近的白色异性纤维,该文采用线激光照明成像的方法,在固定线激光功率、波长和相机光圈的条件下,利用不同的曝光时间,获取了12种典型的白色异性纤维与皮棉的图像,分析其成像曝光时间与图像对比度之间的关系,发现不同的关系曲线存在一段共有的最优曝光峰值时间。在此曝光时间内,同一图像中的白色异性纤维已经"过曝",而棉花还处于欠饱和状态。二者图像灰度值的明显差异可用于检测棉花中的白色异性纤维。该文在线激光功率为0.8 W,波长650 nm,相机光圈为8C,曝光时间为1.6 ms的条件下获取了1 500幅图像。试验表明,采用简单的固定阈值法,皮棉中12种典型的白色异性纤维的识别率达到了95.8%。研究结果为提高棉花中白色异性纤维的识别率和速度提供了一条新途径。     

基于线激光与LED的棉花中异性纤维检测方法

激光成像可以检测出皮棉中的白色异性纤维,而深色和有色的异性纤维反光性能差,激光成像难以检测。该文提出了一种基于LED与线激光的双光源一次成像方法,可以检测出各种颜色的异性纤维。试验以白色、深色和浅色共20种典型异性纤维和皮棉作为样本,在相机曝光时间与光圈不变的条件下,逐步改变LED亮度和线激光功率,发现在RGB颜色空间,利用R(红色)通道,白色异性纤维与棉花的可分度随着激光功率的增大而增大,达到峰值之后又逐步减小;在HIS颜色空间,利用S(饱和度)通道,有色异性纤维与棉花的可分度随着LED亮度的增大而增大,达到峰值之后又逐步减小。在此基础上,该文获取了310幅棉花与异性纤维的图像,作出了基于R与S通道的图像可分度、LED亮度与激光功率的对应变化曲线,然后将两种曲线进行融合,在曝光时间106μs、光圈2.8C条件下,发现线激光功率7.01 m W、LED亮度3 326 lx时,白色异性纤维和深色、有色异性纤维与棉花的可分度最大。采用上述双光源成像参数和该文的成像装置获取840幅图像,通过简单的二值化图像分割算法,白色异性纤维的正确识别为84.1%,深色和有色异性纤维正确识别为93.9%,优于单独激光成像或单独LED成像的识别率。     

基于光谱分析的棉花异性纤维最佳波段选择方法

图像采集是基于计算机视觉的棉花异性纤维检测计量系统中的基础环节。为构建有效的图像采集系统以便检测皮棉中的异性纤维并识别其种类,在对棉纤维和异性纤维进行光谱分析的基础上,根据二者的漫反射光谱差异,提出了基于反射差极值分布的最佳检测波段选择方法和基于光谱可区分度的最佳可区分波段选择方法。光谱分析结果表明,紫外波段是带荧光异性纤维的最佳检测波段,可见光波段是带颜色异性纤维的最佳检测波段,而红外波段是塑料薄膜、毛发、羽毛等的最佳检测波段,并初步认定780～1 800 nm的近红外波段为异性纤维间的最佳可区分波段。     

基于叶片图像和环境信息的黄瓜病害识别方法

作物病害严重影响着作物的产量和质量,病害类型识别是病害防治的前提。利用图像处理和统计分析,提出了一种基于病害叶片图像和环境信息的黄瓜病害类别识别方法。采集不同季节、温度和湿度等环境下的病害叶片图像,并记录病害的环境信息;利用属性约简法提取病害叶片的5个环境信息特征向量,对病害叶片图像进行一系列图像处理,提取病斑图像的颜色、形状、纹理等35个统计特征向量。将两者结合得到黄瓜病害的40个特征分量。再利用统计分析系统(statistical analysis system,SAS)的判别分析方法,选择10个分类能力强的特征分量,计算作物病害的聚类中心分类特征向量。最后,利用最大隶属度准则识别病害叶片的病斑类别。对黄瓜的霜霉病、褐斑病和炭疽病3种叶部病害的识别率高达90%以上。试验结果表明,该方法能够有效识别作物叶部病害类别,可为田间开放环境下实现作物病害的快速自动识别提供依据。     

基于GA-SVM模型的机采籽棉杂质识别

针对中国机采棉加工过程中混级混轧、缺乏棉花参数检测的现状,提出使用遗传算法优化支持向量机参数的机采籽棉图像分割、杂质识别方法。在图像分割阶段,采用像素点邻域的色调、饱和度、亮度颜色特征与平均亮度、平均对比度、平滑度、三阶矩、一致性、熵等纹理特征构建特征向量,使用最优保留策略的遗传算法优化惩罚参数及核函数参数,建立图像分割SVM分类器;对杂质识别过程,在计算标记区域的颜色特征、纹理特征基础上,增加面积、周长、离心率、矩形度、形状因子等形状特征,使用遗传算法建立杂质识别SVM分类器。测试结果表明,该方法适用于边缘对比度低、纹理信息丰富的机采籽棉含杂图像分割,对杂质的有效识别率为92.6%。该研究为棉花加工设备的参数优化和国产采棉机的研制及优化提供重要参考依据。     

纤维红外吸收特性及其在皮棉杂质检测中的应用

皮棉异性纤维杂质检测技术是近几年来国内外研究的难点。为有效检测皮棉中与棉纤维外观极其相似的异性纤维杂质，提出了一种显微近红外成像方法用于检测皮棉中异性纤维。该方法将棉纤维与异性纤维在特定红外波段的吸收特性差别，转化为近红外光谱成像系统中两者的灰度、形态图像特征差别，通过显微光路对图像特征差别放大，利用图像分割技术将异性纤维目标分割出来。试验结果表明，采用显微近红外成像方法捕获的图像中，异性纤维灰度、形态特征明显，其检测结果与实际相符，此方法可有效识别皮棉中异性纤维杂质。     

皮棉表面单类异性纤维的高光谱图像检测

皮棉杂质直接影响棉包定级和棉纺织品品质。国内外学者采用机器视觉等技术,能够有效检测着色较深、面积较大和含有荧光物质的部分棉花杂质。但是,针对纤细、浅色、白色和透明杂质检测效果不佳。因此,该文采用高光谱成像系统获取纤细、浅色、白色及透明异性纤维的棉花高光谱图像,异性纤维包括灰色,白色和透明的丙纶丝、黑色人发、黑色和白色的猪毛、黑色或者透明的聚乙烯地膜碎片。采用主成分分析、独立成分分析、双波段比分析和波长合并四种降维方法,对比其异性纤维分割效果,确定最佳预分割图像。随后,采用Sobel算子边界提取和形态学处理分割这些图像,再采用膨胀和收缩等形态学运算分割出目标区域,最后采用面积单值滤波剔除二进制图像中的噪声点和伪目标区域。统计结果,训练和验证集异性纤维的识别准确度分别为73.2%和75.3%,其中,灰色丙纶丝和黑色毛发的识别率超过93%,白色丙纶丝的精确分割大于80%,结果表明,高光谱图像系统可以准确检测部分浅色、白色和黑色纤细的异性纤维,白色纤细毛发和透明的聚乙烯地膜碎片检测效果较差。     

基于无人机可见光影像的农田作物分类方法比较

大面积农田种植信息的准确获取是精准农业的基础。色彩空间转换、纹理分析和颜色指数等方法能够有效的增强和挖掘影像潜在的信息,对影像分类很有帮助,该文利用2016年9月获取的无人机影像对新疆兵团第八师149团的部分农田进行了作物类型的提取研究。首先对影像进行了色彩空间转换和灰度共生矩阵纹理滤波,得到了27项色彩与纹理特征,通过比较变异系数和差异系数认为亮度、饱和度和红色二阶矩可以作为最优分类特征。其次计算影像的过绿指数(excess green index,EXG)和可见光波段差异植被指数(visible-band difference vegetation index,VDVI),通过阈值对比确定了EXG指数可以有效的区分不同作物类型。最后对比以上2种方法计算得到的分类结果,表明基于色彩与纹理特征提取的作物类型的精度较高,将该方法应用于棉花、玉米和葡萄的分类,误差值分别为7.2%、4.75%和2.37%,明显高于基于颜色指数的提取方法,是一种行之有效的无人机数据作物分类方法。该研究虽未对更大区域做进一步探讨,但可为无人机应用于农田作物分类提供参考。     

基于朴素贝叶斯分类器的棉花盲椿象危害等级识别

针对自然条件下棉花盲椿象危害区域提取和危害等级识别难的问题,提出了棉花盲椿象危害等级自动识别方法。该方法以自然条件下采集的不同盲椿象危害等级棉叶图像为对象,利用最大类间方差阈值分割和多颜色分量组合方法进行作物与土壤分离和病斑分割,并利用分水岭分割方法对粘连棉叶进行分离并提取盲椿象危害棉叶区域,提取图像的颜色、纹理和形状特征,结合朴素贝叶斯分类器,依据划分的棉花盲椿象危害等级标准,对盲椿象危害等级进行识别。不同盲椿象危害等级识别试验结果表明:该模型平均识别正确率达90.0%,通过比较试验表明,该模型在识别精度比BP神经网络高2.5%,运行速度比支持向量机高11.7%,可较好的对棉花盲椿象危害等级进行识别,可为棉花盲椿象的防治提供技术支持。     

基于自适应域值分割与力矩的棉花异性纤维分类方法

为能够准确统计出棉花中所含异性纤维的重量和数目,提出一种机器视觉与图像处理技术,对棉花异性纤维进行检测分类。在提取棉花异性纤维原始图像的基础上,采用灰度处理和滤波技术完成图像的预处理,采用自适应域值技术来完成棉花异性纤维图像分割,在分割出的二值化图像基础上,采用挖空内点法和邻域搜索法进行轮廓提取,提出以异性纤维轮廓的面积与周长平方之比作为力矩,对棉花异性纤维进行分类。通过对300个棉花异性纤维样本图像进行了试验,分类准确率可以达到96%。结果表明该技术和分类力矩可以准确的对棉花异性纤维进行初分类。