首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到17条相似文献,搜索用时 109 毫秒
1.
基于计算机视觉的番茄缺素神经网络识别   总被引:10,自引:8,他引:2  
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%。  相似文献   

2.
番茄缺素叶片的图像特征提取和优化选择研究   总被引:21,自引:7,他引:14       下载免费PDF全文
在基于计算机视觉技术对无土栽培番茄营养元素缺乏智能识别研究中,对不易被肉眼判别的缺氮和缺钾初期叶片进行图像特征的提取和优化选择研究,以提高识别的准确率。提出了应用相对差值百分率直方图提取缺素叶片的颜色特征,应用差分算子提取纹理的时域特征、应用傅里叶变换提取纹理的频域特征、应用小波包提取纹理的时频特征等的新方法,并新提出从颜色和纹理时域、频域、时频域等多个角度集成提取缺素叶片图像的有效特征,利用遗传算法对提取的众多特征项进行优化选择,以使诊断识别用的信息分类能力最优。试验表明,该方法识别的准确率较高,达到95%~92.5%,而且可以比肉眼识别提前6~10 d。  相似文献   

3.
基于HSV空间颜色直方图的油菜叶片缺素诊断   总被引:6,自引:5,他引:1  
为实现快速而准确的油菜缺素诊断,根据不同缺素导致叶片颜色的变化,提出一种基于HSV颜色空间的非均匀直方图量化和组合多个支撑向量机分类器的智能化油菜缺素分析与诊断方法。采用霍格兰配方配制营养液,并使用山崎配方无土栽培技术,模拟正常、缺氮、缺磷、缺钾、缺硼5类营养状况下的油菜生长条件,栽培了一批甘蓝型双低油菜新品种阳光2009,采集幼苗期5类油菜叶片图像建立缺素数据库。首先使用主动轮廓模型分割油菜叶片区域,然后提取分割后的油菜叶片区域的HSV颜色直方图特征,并采用非均匀量化表征不同缺素油菜叶片图像的颜色差异,最后利用一对多方案训练多个支持向量机(support vector machine,SVM)分类器实现不同缺素油菜叶片图像的分类识别。缺素分类试验结果表明,该方法能较准确地判别常见油菜的缺素类型,对5种缺素的总体识别率达到93%,为数字化和智能化的油菜营养分析与诊断提供了一条有效途径。  相似文献   

4.
针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题,提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法(Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism,MSFF-AM-CNNs)。首先根据番茄叶片缺素特点提出了多尺度特征融合结构(Multi-Scale Feature Fusion Module,MSFF Module);其次在DenseNet基础上,结合浅层网络主要提取纹理、细节特征,深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法,通过不同形式引入注意力机制及多尺度特征融合结构,使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能;同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明,MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升,其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点,召回率分别提高了6.31和5.00个百分点,F1得分分别提高了7.25和5.55个百分点,平均识别准确率可达95.92%,具有较高的识别准确率及广泛的适用性,能够满足番茄叶片缺素图像的高精度分类需求,可为植物叶片缺素识别提供参考。  相似文献   

5.
利用滤波算法对马铃薯缺素叶片图像进行预处理,以更好地提取叶片图像的颜色特征、纹理特征和形状特征量,提高马铃薯营养成分分析的识别率,并且对滤波算法进行了并行化优化,以此来提高马铃薯营养成分分析诊断的速率。  相似文献   

6.
基于颜色及纹理特征的果蔬种类识别方法   总被引:6,自引:4,他引:2  
陶华伟  赵力  奚吉  虞玲  王彤 《农业工程学报》2014,30(16):305-311
为更好地表述果蔬图像纹理特征,提高智能果蔬识别系统识别准确性,提出一种颜色完全局部二值模式纹理特征提取算法。果蔬识别系统模型利用颜色完全局部二值模式提取图像纹理特征,利用HSV颜色直方图、外点/内点颜色直方图提取图像颜色特征,采用匹配得分融合算法将颜色和纹理特征相融合,采用最近邻分类器实现果蔬农产品分类。通过不同光照条件下和不同数量训练样本条件下的试验得出:颜色完全局部二值模式的果蔬图像纹理表述能力明显优于和差直方图等果蔬图像纹理操作子,识别率提升最小在5%以上,更适合果蔬分类;对比其他纹理特征提取算法,采用颜色完全局部二值模式与颜色特征进行融合时,识别率最优,时间开销约为1.1 s。该方法能够应用到智能果蔬识别系统中,提升系统识别准确性。  相似文献   

7.
基于多重分形理论的油菜缺素叶片特征提取   总被引:2,自引:1,他引:1  
为描述油菜缺素叶片图像的特征,该文提出了一种基于多重分形去趋势波动分析方法,即局部多重分形去趋势波动分析。该方法确定的hij(q)指数能有效刻画叶片图像每个像素点的多重分形特征,并以所有像素点hij(q)的平均值Lhq表征每幅图像的多重分形特征。选取4种油菜缺素叶片图像进行试验,结果表明所提取局部多重分形去趋势波动平均指数Lhq能很好地区分叶片,并通过方差分析指出当q={-10, -9, -8, -7, -6}时的Lhq区分效果最好。最后基于每个像素点的hij(q)指数利用模糊C均值聚类对缺镁油菜叶片图像进行模糊分割,并与传统的灰度值分割及经典的基于容量测度的指数分割进行了对比试验,结果表明以上述hij(q)为特征具有最佳的分割效果。  相似文献   

8.
针对现有番茄成熟度分级标准不统一,泛化性有待提高等问题,该研究提出一种基于区域亮度矫正的果面红色着色区域提取的方法。采用R-G法增强番茄表面的红色区域,利用Otsu分割方法提取表面着色区域,判断各着色区域的轮廓树结构以计算着色区域面积占图像总面积的比例作为主要特征,构建多因子融合的随机森林模型以实现番茄成熟度的量化分级。同时,利用基于局部亮度均衡的图像快速修复方法以解决光照变化导致的番茄表面高亮度反射问题。结果表明:以番茄表面着色面积比成熟度评价指标的分级平均正确率为92.96%,相比传统颜色矩和颜色直方图作为评价指标时的分级准确率提高了6.53和20.6个百分点。高亮区域领域像素加权替代法可对番茄高亮区域亮度实现有效矫正,矫正后的未熟、半熟和成熟番茄图像的果面着色区域面积占番茄图像总面积的比例较矫正前提高了0.06、0.15和0.11,分级准确率分别提高了17.24、11.47和4.69个百分点。研究可为番茄成熟度的定量性分级提供决策基础。  相似文献   

9.
温室绿熟番茄机器视觉检测方法   总被引:6,自引:3,他引:3  
针对基于可见光图像对绿色番茄进行识别过程中,光线不均造成的阴影等会影响果实的识别、枝干和叶片对果实的遮挡以及果实之间的遮挡对果实识别的影响等难题,该文对基于机器视觉的绿色番茄检测方法进行研究。首先通过快速归一化互相关函数(FNCC,fast normalized cross correlation)方法对果实的潜在区域进行检测,再通过基于直方图信息的区域分类器对果实潜在区域进行分类,判别该区域是否属于绿色果实,并对非果实区域进行滤除,估计果实区域的个数。与此同时,基于颜色分析对输入图像进行分割,并通过霍夫变换圆检测绿色果实的位置。最终对基于FNCC和霍夫变换圆检测方法的检测结果进行融合,实现对绿色番茄果实的检测。当绿色果实和红色果实同时存在时,将绿色果实检测结果与基于局部极大值法和随机圆环变换检测圆算法的红色番茄果实检测结果进行合并。算法通过有机结合纹理信息、颜色信息及番茄的形状信息,对绿色番茄果实进行了检测,解决了绿色番茄与叶子、茎秆等背景颜色接近等难题。文中共使用了70幅番茄图像,其中35幅图像作为训练集图像,35幅作为验证集图像。所提出算法对训练集图像中的83个果实的检测正确率为89.2%,对验证集图像中105个果实的检测正确率为86.7%,为番茄采摘机器人采摘红色和绿色成熟番茄奠定了基础。  相似文献   

10.
为了进行温室植物病害的智能化防治,运用计算机图像处理技术对生产中常见的两种黄瓜病作了研究,比较了几种常见的色度学系统,以色调H作为颜色特征参数的研究域。以色调直方图统计特征参数的计算,和百分率直方图区间值特征作为区分病变叶片与正常叶片的重要依据。结果发现色调H偏度可以较为明显的区分不同病变情况,在进一步研究不同色调区域病变叶片和正常叶片的色调分布情况时,发现在色调(48~50)和(45~47)区间,区分正常叶片与病变叶片的效果最好。该研究为后期的模式识别提供了重要的特征参数。  相似文献   

11.
基于遗传神经网络的玉米叶色的自动测定研究   总被引:20,自引:3,他引:17  
利用计算机图像处理技术和遗传神经网络技术,建立了一个多层前馈神经网络,实现了大田玉米和背景图像的正确识别,并且通过获取玉米叶的色度直方图提取了玉米叶表面颜色特征,进而求得了玉米叶色的测定值。实验结果表明,玉米叶色值自动测定系统,识别玉米的准确率可达91.6%,可以有效地测定玉米的叶色。该研究为实现大田玉米的化肥精确施用提供了理论依据。  相似文献   

12.
利用数字相机获取田间加工番茄冠层影像,通过图像处理软件准确识别冠层和背景像素,分析了加工番茄不同施氮量下提取的地面覆盖度与生物学参数间的相关关系,其相关系数都达到0.96以上的极显著相关;分析了光谱参数--绿色深度指数(DGCI)与叶片叶绿素含量相关关系,二者表现出r=0.74以上的极显著直线相关。结果表明,利用地面覆盖度可在生长前期监控加工番茄生长量,预测生物学产量和叶面积系数;在果实膨大期预测吸氮量和经济产量。利用光谱参数DGCI可监测加工番茄叶片叶绿素含量。本结果可快速准确监测加工番茄生长发育,为加工番茄生产提供科学依据。  相似文献   

13.
对土壤背景进行有效分割是玉米苗期田间杂草识别的前提和基础。本研究利用颜色分量G-R和G-B与灰度直方图来实现玉米苗期图像与背景图像的分割,解决了玉米苗期田间杂草识别中受影响及环境适应性差等问题。通过对不同环境下苗期玉米图像的植被颜色和背景颜色分量的统计分析表明,采用G-R和G-B双阈值颜色特征分割,进行土壤背景分离取得了很好的效果。  相似文献   

14.
基于叶片图像和环境信息的黄瓜病害识别方法   总被引:16,自引:10,他引:6  
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。  相似文献   

15.
基于冠层图像颜色特征提取的小麦氮营养水平评价   总被引:1,自引:1,他引:0  
该文利用计算机图像处理技术,通过提取小麦冠层图像颜色特征,进行了小麦氮营养水平评价的研究。通过对RGB和HIS两种颜色系统表示的R、G、B、H、S、I和L参量进行了直方图统计量的计算,提取出一些简单有效的特征用于表达小麦自返青后的7个主要生育时期冠层的颜色。结果表明:1)这些特征可以有效表达小麦在不同氮营养水平下的冠层颜色,尤其在表达低氮水平和中高氮水平上效果更好。2)对总施氮量一致,施氮方式和施氮时期不同的小麦,这些特征也表现出显著的差异,而且可靠性高,简单易行。利用小麦冠层图像为评价小麦氮营养状况提供  相似文献   

16.
基于病斑形状和神经网络的黄瓜病害识别   总被引:11,自引:9,他引:2  
为了研究基于图像处理的黄瓜病害识别方法,试验中采集了黄瓜细菌性角斑病和黄瓜霜霉病叶片进行图像研究。在黄瓜病斑的图像分割方面,尝试了边缘检测法和最大类间方差法进行图像处理。边缘检测法提取出来的病态部位轮廓不是很完整,而利用最大类间方差法的图像分割效果较好。试验中提取了10个形状特征,选取黄瓜细菌性角斑病和黄瓜霜霉病叶片的各50个样本,其中每个病害的前30个样本,共计60个样本作为训练样本输入神经网络,对2种黄瓜病害叶片的后20个样本,共计40个样本进行测试,正确识别率达到了100%,说明通过病斑形状和神经网络进行黄瓜细菌性角斑病和黄瓜霜霉病的识别是可行的。  相似文献   

17.
张勤  陈建敏  李彬  徐灿 《农业工程学报》2021,37(18):143-152
采摘点的识别与定位是智能采摘的关键技术,也是实现高效、适时、无损采摘的重要保证。针对复杂背景下番茄串采摘点识别定位问题,提出基于RGB-D信息融合和目标检测的番茄串采摘点识别定位方法。通过YOLOv4目标检测算法和番茄串与对应果梗的连通关系,快速识别番茄串和可采摘果梗的感兴趣区域(Region of Interest,ROI);融合RGB-D图像中的深度信息和颜色特征识别采摘点,通过深度分割算法、形态学操作、K-means聚类算法和细化算法提取果梗图像,得到采摘点的图像坐标;匹配果梗深度图和彩色图信息,得到采摘点在相机坐标系下的精确坐标;引导机器人完成采摘任务。研究和大量现场试验结果表明,该方法可在复杂近色背景下,实现番茄串采摘点识别定位,单帧图像平均识别时间为54 ms,采摘点识别成功率为93.83%,采摘点深度误差±3 mm,满足自动采摘实时性要求。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号