基于PLSR的土壤颜色预测方法及其与色系转换法的对比研究

传统的土壤颜色测定主要采用蒙塞尔比色卡比对,精度高,但费时费力。近年来尝试采用色系转换法预测土壤颜色,方法较为简便。基于土壤高光谱反射率和偏最小二乘回归(PLSR)方法进行土壤颜色预测,并与色系转换法进行对比研究。采集皖赣鄂交界地区76个不同颜色的土壤样品,分别采用PLSR及色系转换法进行土壤颜色预测,并与实测结果进行了对比。结果表明,PLSR交叉验证的R2cv分别达到0.62、0.61和0.75,测定值标准偏差与标准预测误差的比值(RPD)分别达到1.94、1.67和2.15,说明PLSR模型用于土壤颜色预测是可行的;其均方根误差(RMSE)仅为1.32、0.55和0.97个单位,较色系转换法的RMSE分别低0.94、1.24和0.95个单位,其HV/C整体预测误差?E的平均值为1.91,较色系转换法的平均值低5.16,说明PLSR方法预测土壤蒙塞尔颜色较色系转换法更优。该方法为土壤颜色的获取提供了一种新的途径。     

基于探索性分析的的荔枝果及结果母枝颜色特征分析与识别

从复杂背景中识别成熟荔枝串中的荔枝果及结果母枝,获取结果母枝上的采摘点是机器人视觉定位与识别的难点,荔枝果、结果母枝与叶子各部位图像颜色特征分析与识别成为研究重点。首先针对荔枝果与结果母枝的特点、光照与环境的特殊性及不确定性,提出了探索性分析与荔枝图像识别的融合方法,对荔枝果与结果母枝进行了图像分类与统计的探索性分析,并给出了荔枝图像数据的探索性分析流程图;其次,根据荔枝不同部位颜色均值分布的特点,设计了荔枝果、结果母枝及叶子在6种色彩模型下的颜色均值分布箱线图,通过图形启示的数据分析与探索,给出了基于YCbCr色彩空间的Cr单通道图的荔枝各部位分类识别的视觉模型,分析表明Cr分量值在0.5～0.54能去除叶子和侧枝等复杂背景,实现荔枝串中的荔枝果与结果母枝的分割。最后,以60组不同光照条件的180幅自然环境下采集的荔枝图像为试验测试对象,用颜色特征的视觉模型结合阈值分割方法有效地识别了成熟荔枝串与荔枝果,荔枝串与荔枝果的平均识别率分别为91.67%和95.00%。用探索性分析与图像运算相结合的方法成功地提取了结果母枝(识别率为86.67%),并用计算出的采摘点进行视觉定位的仿真。试验和仿真结果表明视觉模型及其方法能对荔枝不同部位进行有效识别。     

基于气味与颜色的脊尾白虾新鲜度评价

该文旨在建立一种检测脊尾白虾新鲜度的无损检测方法,利用电子鼻与色差仪研究在4℃冷藏条件下不同新鲜度脊尾白虾的气味和颜色的变化规律,分别建立气味、颜色、气味结合颜色的3种新鲜度等级预测模型,并进行比较分析。结果表明,根据LAB表色系统,b*值随脊尾白虾鲜度的劣变呈正向线性相关;电子鼻可将不同新鲜度等级的脊尾白虾进行准确区分,并确定了反映其新鲜度变化的气敏传感器有5个（S6、S7、S8、S9、S10）;利用气味、颜色、气味结合颜色建立的3个新鲜度等级预测模型都具有可行性（平均准确率≥90.0%）,其中气味结合颜色建立的预测模型准确率最高,达到98.8%,依次为气味、颜色模型。因此,可根据气味结合颜色的预测模型对脊尾白虾新鲜度等级进行预测。     

气味与颜色结合对脊尾白虾新鲜度的评价

本文旨在建立一种检测脊尾白虾新鲜度的无损检测方法,利用电子鼻与色差仪研究在4℃冷藏条件下不同新鲜度脊尾白虾的气味和颜色的变化规律,分别建立气味、颜色、气味结合颜色的三种新鲜度等级预测模型,并进行比较分析。结果表明,根据LAB表色系统,b*值随脊尾白虾鲜度的劣变呈正向线性相关;电子鼻可将不同新鲜度等级的脊尾白虾进行准确区分,并确定了反映其新鲜度变化的气敏传感器有五个(S6、S7、S8、S9、S10);利用气味、颜色、气味结合颜色建立的三个新鲜度等级预测模型都具有可行性(平均准确率≥90.0%),其中气味结合颜色建立的预测模型准确率最高,达到98.8%,依次为气味、颜色模型。因此,可根据气味结合颜色的预测模型对脊尾白虾新鲜度等级进行预测。     

基于高斯HI颜色算法的大田油菜图像分割

针对自然条件下光照条件变化给大田油菜图像分割带来的问题,该文研究了油菜图像的高斯HI颜色分割算法,为作物生长发育周期的自动识别提供前期准备。已有统计结果表明,在仅保留绿色作物的图像中,不同色调值的像素数量服从高斯分布。该文将去掉背景信息的样本数据从RGB颜色模型转换至HSI颜色模型后,统计各个光强的所有像素对应的色调值,并计算其期望值和方差,依次得出所有强度所对应色调值的期望值和方差,建立出油菜作物色调强度查找表(hue intensity-look up table)。在此基础上,计算每个像素的色调值和期望值之间的差值,若差值小于阈值,则像素被分割为作物,否则为背景。为了在高斯HI颜色分割算法中确定合适的阈值,该研究选取了45幅不同天气状况(晴天、阴天和雨天)不同发育阶段(苗期、三叶期和四叶期)的油菜图像作为样本,探讨阈值的选取与分割结果的关系。结果表明阈值在[2.4,2.6]内分割效果最佳,油菜目标的形状特征完整度最好。为了对图像分割结果进行评价,分别利用高斯HI颜色模型、CIVE(color index of vegetation extraction)、EXG-EXR(excess green-excess red)、EXG(excess green)和VEG(vegetation)算法对15幅不同天气状况的图像进行分割。从视觉效果上来看,高斯HI算法仅需少量样本,即可达到满意分割效果。与其他方法相比,高斯HI颜色分割算法的误分割率(misclassification error,ME)仅为1.8%,相对目标面积误差(relative object area error,RAE)仅为3.6%,均优于其他4种算法的试验结果。在分割结果稳定性上,高斯HI颜色算法表现最好,其ME和RAE值的标准差最低,分别为0.7%和4.5%。试验结果表明,高斯HI颜色算法能取得较好的分割效果,而且对光照条件变化并不敏感,同时,能够充分保留油菜形状特征的完整性,为后期油菜生长发育周期的自动识别提供可靠数据。     

匹配点云结合HSI色彩分量的无人机RGB影像信息提取方法

无人机通常搭载可见光波段传感器获取红-绿-蓝（Red-Green-Blue,RGB）影像,由于无人机RGB影像波段较少,影像的地物信息提取存在一定难度。该研究提出了一种匹配点云结合色调-饱和度-亮度（Hue-Saturation-Intensity,HSI）空间色彩分量的无人机RGB影像信息提取方法。首先以饱和度分量和红光波段构造了饱和度与红光比值指数,再结合可见光波段差异植被指数以及由匹配点云获得的地形特征对研究区正射影像进行分类。试验结果表明,本文方法的总体分类精度达到了91.11%,Kappa系数为0.895,证明匹配点云结合HSI空间色彩分量的方法提取无人机RGB影像信息是可行的,提取结果具有较高精度。相较于基于光谱特征的传统方法,本文方法引入匹配点云可以简单高效地提取影像中高程差异明显的地物,同时,结合HSI色彩分量能够有效弥补无人机RGB影像光谱特征较少的不足。     

基于颜色矩的典型草原牧草特征提取与图像识别

针对内蒙古乌兰察布市荒漠化草原牧草监测与数字化程度较低的问题,该文实现了2种典型牧草的特征提取与图像识别,为多牧草种类识别与草业管理提供依据。利用智能导航车采集草原原始图像,对羊草和灰绿藜2种牧草图像提取RGB与HSV颜色矩特征并建立相应的规则库,数据表明二者的颜色矩特征具有明显区别。采用2G-B-R色差特征的模糊C-均值聚类算法对图像进行背景分割后,构建了一种3层BP神经网络模型,通过主成分分析法(principal component analysis,PCA)将15维输入特征参数降为10维以提高识别速度,且最终的整体识别率达到89.5%,实现了羊草与灰绿藜图像的有效分类识别,同时得到灰绿藜与羊草在测试图像中的植被覆盖度分别约为9.78%、34.21%。试验结果表明,利用颜色矩特征为基础,模糊C-均值聚类算法与BP(back propagation,BP)神经网络模型为分割、识别手段能够有效地实现典型牧草的图像分类研究。自动识别牧草是草业数字化的重要组成部分,可为监测植被物种多样性、草种退化及病虫草害的控制提供科学依据,是实现现代草原生态环境保护,发展草原经济的重要途径。     

基于HSI模型的土壤氮素空间预测不确定性的可视化表达

任何模型都无法完全准确地再现真实世界,因此各种空间预测始终面临着不确定性的困扰。从20世纪90年代开始,土壤空间预测研究中输出结果的不确定性分析与评价日益受到重视。由于不确定性信息的可视化表达有助于更加直观地揭示与展示真实世界,因此是一种增强不确定分析与决策支持之间联系的有效途径。本文首先对不确定性可视化表达的主要技术与方法进行了简要论述,进而以北京市城市边缘带样区基于地统计学的土壤表层全氮含量的空间预测作为案例研究,以相对误差表示预测结果的不确定性,应用色调-饱和度-亮度(HSI)色彩模型实现土壤属性预测结果和不确定信息的可视化同步表达。在HSI模型中,色调值被用来表示预测值,白度表示不确定性。在案例研究的全氮预测输出结果中,颜色发白的区域表示预测结果的不确定性较高,需要做进一步补充采样。实际应用过程中发现,二维图例对不确定性的可视化表达效果有一定的限制作用,仍需在二维图例完善或创建新型图例方面开展深入的研究工作。     

基于纹理颜色模型的高原鼠兔突变运动跟踪

针对自然生境环境下高原鼠兔跟踪中,鼠兔毛色呈保护色与背景颜色相近以及运动随机的问题,构造了一种局部纹理差异性算子LTDC(local ternary difference count),来表征目标和背景之间的细微差异性,弥补了采用单一LTC(local ternary count)算子的不足。通过运动信息来判断鼠兔的运动模式,不同的模式采用不同的采样跟踪策略。把所构造的LTDC算子与R(red)G(green)B(blue)颜色信息相结合来表示目标,并把该目标表示模型引入到运动信息引导的高原鼠兔跟踪方法中。通过对采集的秋冬季节高原鼠兔视频图像进行测试,分析跟踪的成功率和误差,得到的LTDC纹理颜色模型的目标表示方法在鼠兔发生突变运动时,由于采用了运动信息引导的采样跟踪方式,能够有效地捕获突变目标,跟踪成功率达到97.93%。在鼠兔发生平滑运动时,尽管目标与背景颜色相近,依然能够稳定地跟踪目标,跟踪误差较小,误差波动范围也较小,误差均值为19.56,误差方差为74.24。试验结果表明:所提出的跟踪方法具有较强的目标与背景区分能力,在目标和背景颜色相近、运动复杂的场景中,能够较为准确地实现高原鼠兔目标的定位。     

基于机器视觉的苹果最大横切面直径分级方法

针对中国苹果产后分选率和分选精度均较低而影响其商品价值等现状,在GB/T10651-2008《鲜苹果》颁布的背景下,设计了一套基于机器视觉技术的苹果分选系统。针对红富士苹果,采用了一种利用RGB颜色模型R-B通道进行阈值分割和均值滤波后,通过行扫描提取出轮廓的方法。提出了2种对苹果进行大小分级的理论模型:一种以苹果轮廓线上两点之间的最大距离作为分级标准;另一种以苹果最大横切面直径作为分级标准,其中苹果最大横切面直径通过曲线拟合得出。利用VC6.0软件编程实现了上述2种分级模型的算法。通过40个苹果6次在线分级试验表明,模型一分级正确率为93.3%,模型二分级正确率为87.1%,双通道分级效率最高可达12个/s,达到了苹果在线分选商品化应用的基本要求,为近球形果蔬参照行业分级标准进行大小自动化分选提供参考。     

基于株心颜色的玉米田间杂草识别方法

根据3～5叶苗期玉米植株的生长特征及其株心所具有的颜色特征,提出了一种利用玉米植株的株心颜色特征识别玉米田间杂草的方法。玉米植株叶片的颜色是深绿色,而株心区域的颜色是浅绿色,该特征可由反映颜色深浅程度的饱和度指标表达。玉米植株的中心区域具有最大的饱和度值,该特性可用于在利用绿-红指标分割土壤背景后玉米植株的中心区域的提取。对分割后的绿色植株前景而言,与提取的株心区域相连通的区域是玉米植株,反之,非连通区域为杂草。试验结果表明：玉米植株和杂草的正确识别率平均为88%和84%,识别一帧720×576象素的图像的平均时间 120 ms。玉米植株的正确识别率主要受中心区域的完整度影响,而杂草的正确识别率主要受玉米和杂草叶片重叠程度的影响。     

基于机器视觉的水稻杂质及破碎籽粒在线识别方法

为了解决目前国内联合收获机缺乏针对含杂率、破碎率的在线监测装置的问题,该文提出基于机器视觉的水稻图像采集,杂质与破碎籽粒分类识别方法。采用带色彩恢复的多尺度Retinex算法增强原始图像,对HSV颜色模型的色调、饱和度两个通道分别设定阈值进行图像分割,并结合形状特征得到分类识别结果。采用综合评价指标对试验结果进行量化评价,研究表明,茎秆杂质识别的综合评价指标值达到了86.92%,细小枝梗杂质识别的综合评价指标值为85.07%,破碎籽粒识别的综合评价指标值为84.74%,平均识别一幅图像的时间为3.24 s。结果表明,所提出的算法能够快速有效识别出水稻图像中的杂质以及破碎籽粒,为水稻含杂率、破碎率的在线监测提供技术支撑。     

基于图像分块及重构的菠菜重叠叶片与杂草识别

针对重叠叶片在识别过程中存在识别率低、形状特征失效等问题,该研究提出一种基于图像分块及重构的方法,实现菠菜重叠叶片杂草识别。采用超绿模型将菠菜RGB图像进行灰度化得到绿色植被前景图像。针对重叠叶片形状特征失效问题,采用图像分块方式得到不同大小的图像块,并提取图像块中作物和杂草的颜色特征、局部二值模式(local binary pattern,LBP)纹理特征、分形盒维数共78维特征,构造支持向量机(support vector machine,SVM)分类器完成图像块的分类识别。该研究提出图像块边缘扩充和投票窗口机制得到重构图实现图像块分类结果可视化。试验结果表明,该研究提出的方法平均识别率达到83.78%,高于K最近邻法(K-Nearest neighbor,KNN)、决策树法等,可以实现重叠叶片的杂草识别,从而为智能除草机的研制提供理论依据。     

对全国第二次土壤普查中土类、亚类划分及其调查制图的辨析

按照中国发生分类对新采集的68个北京市山区的土壤剖面进行了分类命名,并与剖面点所在土壤普查图上的分类名称进行比较,结果是只有18个剖面的分类名称一致。造成分类名称不一致的原因:1发生分类以区域典型土壤剖面分类命名,而区域内很多土壤不同于典型土壤剖面;2发生分类往往以现代生物气候带为主要分类标准命名区域土壤,而不是根据土壤性质;3分类不一致的最大原因可能是制图精度不够。研究认为,土壤分类必须依据土壤性质本身,而不是土壤形成因素;采取野外单土壤性质调查制图,室内叠加单土壤性质图形成多属性图斑,根据分类系统对它们进行综合分类,以提高分类制图精度。     

培养马氏珠母贝外套膜上皮细胞分泌物的分析

摘要： 利用本实验室建立的组织培养技术，成功地培养了马氏珠母贝（Pinctada martensii）外套膜组织，其上皮细胞能够保持旺盛的分泌功能。用偏光显微镜、扫描电镜及X-射线能谱分析仪对上皮细胞分泌物观察。结果表明：培养的外套膜上皮细胞分泌的珍珠质是由碳酸钙结晶形成的片层叠加而成，其间有有机膜粘结；碳酸钙片层由扁平块构成；随着培养时间的延长，上皮细胞分泌的珍珠质数量不断增加，颗粒不断变大；最初形成的珍珠质中有机物成分较多，可能与珍珠质的核化有关。该研究为进一步探索体外培养珍珠，实现“试管珍珠”提供了实验依据。     

基于无人机遥感可见光影像的北疆主要农作物分类方法

作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用Relief F-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine,SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。     

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     

利用近红外光谱与PCA-SVM识别热损伤番茄种子

为了研究近红外光谱技术用于热损伤种子快速无损识别的可行性,该文以120粒番茄种子为研究对象,其中60粒番茄种子通过高温加热处理的方式成为热损伤种子组,其他60粒番茄种子为正常种子组,利用实验室自主搭建的近红外光谱检测系统获取单粒番茄种子在980~1 700 nm范围内的光谱,分别采用偏最小二乘判别法(partial least squares discriminant analysis,PLS-DA)和支持向量机(support vector machines,SVM)建立了番茄种子热损伤的定性分析模型。试验结果表明:2种判别模型的验证集总正确率均大于96%,均可用于热损伤种子的判别。其中,基于主成分分析(principal component analysis,PCA)预处理的光谱数据构建的支持向量机模型的判别效果最好,其校正集和验证集的判别正确率均为100%,更适用于种子热损伤识别。因此,应用近红外光谱技术可快速无损识别热损伤番茄种子,为种子检验提供了一种新的方法。     

基于视觉显著性和脉冲耦合神经网络的成熟桑葚图像分割

为了提高在自然采摘环境中成熟桑葚机器视觉识别的有效性和鲁棒性,克服图像目标形态小、分布杂散、背景干扰多和光照不均匀等困难,该文提出了一种采用视觉显著性和脉冲耦合神经网络(pulse coupled neural network,PCNN)模型的成熟桑葚图像分割方法。该方法首先将采集的图像映射到Lab颜色空间,利用空间颜色分量的算术平均值和高斯滤波值之间的差异,构建起桑葚图像的频率调谐视觉显著图;其次,提取采集图像在HSI颜色空间的色调分量,经过均衡化处理后,与视觉显著图进行融合,实现桑葚目标的融合特征表达;最后,通过改进的分层阈值化脉冲耦合神经网络模型进行目标分割以及形态学处理,得到成熟桑葚的识别结果。利用从重庆市天府镇果桑生态园采集到的200余幅桑树挂果图像进行试验,结果表明,该方法能够在不同光照条件的复杂背景下,有效分割出成熟果实,平均误分率为1.87%,优于结合频率调谐视觉显著性的OTSU法(17.73%)、K-means聚类算法(10.69%)、基于Itti视觉显著性的PCNN分割方法(7.34%)和基于GBVS(graph-based visual saliency,GBVS)视觉显著性的PCNN分割方法(5.83%)。研究结果为成熟桑葚果实的智能化识别提供参考。     

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。