玉米种子活力近红外光谱智能检测方法研究

为了实现玉米种子活力的快速无损检测,提出利用近红外光谱和BP神经网络来建立玉米种子活力智能检测模型。首先通过人工老化将样本按老化程度分为3种级别,采集样本的近红外光谱。分别通过卷积平滑(S-G)和多元散射校正(MSC)及二者组合的方法消除光谱噪声和去除奇异光谱。然后分别用主成分分析(PCA)和离散多带小波变换(DWT)提取光谱特征,作为BP神经网络的输入。依据预处理及特征提取的不同构建出6种BP神经网络种子活力检测模型。试验结果表明,组合预处理方法与主成分分析特征提取结合构建的模型最优,其识别的准确率为95.0%,平均识别时间为26.25ms。研究结果为玉米种子活力的快速无损检测提供了理论依据和实用方法。     

基于图像熵信息的玉米种子纯度高光谱图像识别

种子纯度是种子质量的一个重要标志,为寻求快速有效的种子纯度识别方法,该文利用高光谱图像技术研究了玉米种子的分类识别问题。首先对17类玉米品种共1632粒种子的高光谱图像提取400～1000nm波长范围内233个波段的熵信息作为分类特征;然后利用偏最小二乘(PLS)投影算法对玉米高光谱图像进行最优波段选择,共获得65个最优波段特征;最后结合偏最小二乘判别分析法(PLSDA)实现了玉米种子的准确识别分类。分类结果表明,在最优波段数仅为全波段27.90%的情况下,其训练精度可以达到99.19%、测试精度为98.90%,可实现多类别样本条件下的玉米种子纯度识别。     

基于颜色特征的玉米种子纯度识别

为准确快速的识别出玉米种子中的杂粒,提高玉米种的纯度,该文提出一种以玉米种子冠部与侧面颜色作为特征向量进行纯度识别的新方法。该方法首先将玉米种子原始图像进行背景分割、单粒提取,然后进行冠部核心区域及侧面RGB、HSV颜色特征向量的提取,最后采用Fisher判别理论将多维特征向量投影到一维空间中,进行K-均值聚类分析。试验结果证明：利用Fisher判别理论在一维空间上进行K-均值聚类分析,玉米种子纯度的识别率高于93.75%。影响玉米种子正确识别率的主要因素是投影方向的选择及正确的冠部核心区域的提取。     

基于改进灰度共生矩阵和粒子群算法的稻飞虱分类

针对稻飞虱远程实时识别采集图像质量不高而无法使用颜色特征的问题,应用灰度共生矩阵提取的纹理特征值对稻飞虱分类进行了研究。采用自行设计的拍摄装置采集稻飞虱图像,经过一系列预处理后得到去掉背景的稻飞虱灰度图像;对灰度图像采用改进的灰度共生矩阵提取纹理特征值,再用反向传播BP(back propagation)神经网络和参数改进粒子群算法优化BP神经网络分别进行训练和测试,以此检验纹理特征值的识别效果和粒子群算法的优化效果。试验用Matlab验证算法,对白背飞虱、灰飞虱和褐飞虱共300个样本进行了训练和测试,结果表明基于参数选择改进粒子群算法优化BP神经网络的识别率总体达到了95%,比直接用BP神经网络的识别率高,而且经过Matlab测试,训练时间只用了0.5683s,说明粒子群算法更满足实时性要求。     

基于改进小波变换的地物类型提取研究

在多源遥感图像融合过程中,为充分利用高分辨率影像的低频信息,从而提高对影像的解译能力,本研究尝试对传统的小波融合算法进行了改进,以SPOT5的多光谱波段和全色波段为数据源,借助MatLab与ENVI等工具,实现改进后小波变换的遥感影像融合,该融合方法跟传统融合方法相比,信息熵和清晰度都有所提高.分别以传统融合图像及改进小波变换融合后图像为分类底图,实施了监督分类,完成地物类型的提取,结果表明:改进的小波变换融合后图像分类效果更好,分类精度和Kappa系数都有所提高,其中利用小波变换融合为基础的马氏距离法和决策树算法相结合的分类效果最佳.     

基于数据融合的玉米种子内部机械裂纹检测方法

为深入研究玉米种子脱粒和输送等环节中产生的内部裂纹机理和检测技术,该文在体视显微检测基础上提出了基于融合技术的边缘检测方法。该方法采用改进的数学形态学方法和传统Sobel边缘检测算子对损伤玉米种子图像进行边缘检测,建立相应的融合规则,将2种方法检测出来的图像边缘进行基于小波变换的融合处理,并从新图像中提取玉米种子内部机械损伤的特征信息。结果表明,该检测方法结合了2种边缘检测方法的优点,有效提高了边缘检测准确性,在准确提取玉米种子内部裂纹特征同时能有效降低噪声,较单一边缘检测算法有更好的效果。     

基于两级分割与区域标记梯度Hough圆变换的苹果识别

自然环境下果实的准确分割与快速识别是采摘机器人作业面临的难题之一。针对自然环境中的成熟苹果，该研究提出一种基于Otsu与分水岭相结合的两级分割算法与区域标记梯度Hough圆变换的苹果识别方法。首先，使用亮度自适应校正算法对表面亮度分布不均的苹果图像进行校正，增强图像的细节信息。结合果实颜色特征，提取YCbCr颜色空间的Cr分量图像作为预处理样本。然后，采用改进后的Otsu算法进行初次分割，得到苹果目标的二值图像，该算法通过引入形态学开-闭重建滤波去除大量背景噪声，通过缩减灰度级遍历范围提高分割速率。采用基于距离变换的分水岭算法进行二次分割，分离粘连果实区域，提取目标苹果的外部轮廓。最后，在轮廓外设置最小外接矩形标记有效区域，在标记区域内进行梯度Hough圆变换实现苹果目标的自动识别。对自然环境中采集的200幅苹果图像进行测试，并与传统梯度Hough圆变换方法进行对比，本文方法在顺、逆光下的识别准确率为90.75和89.79%，比传统方法提高了15.03和16.41%，平均识别时间为0.665和0.693 s，比传统方法缩短了0.664和0.643 s。所提的两级分割算法不仅可以从复杂环境中准确分割果实目标区域，而且可以从粘连果实区域中提取单个果实边界。利用区域标记的梯度Hough圆变换方法能够快速准确地对果实进行识别。研究结果能满足苹果采摘机器人对不同光照下目标识别速度和精度的要求，可为苹果等类球形果实的快速识别提供参考。     

多对象特征提取和优化神经网络的玉米种子品种识别

为了实现机器视觉代替人的视觉,对玉米种子品种进行实时、客观、准确和无损伤识别,研制了玉米品种识别硬件系统和软件系统。针对玉米种子及种子图像的特点,对玉米种子品种识别技术与算法进行了深入地研究和探索,提出了一种基于多对象有效特征提取和主成分分析优化神经网络的玉米种子品种识别方法,提取了玉米种子的几何特征和颜色特征参数,优化了基于机器视觉的玉米种子图像处理策略和品种识别算法,提高了玉米品种识别的速度和准确率。对农大108、鲁单981、郑单958、五岳18共4个品种玉米种子进行了品种识别试验,每粒种子识别的平均耗时为 0.127 s,综合识别率达到97%以上。研究表明,基于机器视觉的玉米种子品种识别与检测方法是可行的,该方法可提高玉米种子品种识别效率和正确率。     

椪柑果实病虫害的傅里叶频谱重分形图像识别

为探讨植物病虫害互不交叉、重叠的数字典型特征值来进行病虫害计算机识别,研究了椪柑病虫害为害状图像傅里叶变换幅度谱的多重分形特征。首先,用改进型分水岭算法检测病虫害为害状边缘,并对其进行区域合并,形成病虫害为害状边界。其次,对病虫害果进行二维离散傅里叶变换,依据病虫害为害状边界进行图像标记,提取标记区域内的傅里叶变换幅度谱图。最后,对傅里叶变换幅度谱图进行多重分形分析及多重分形谱的二次拟合,将拟合抛物线段的高度、宽度和质心坐标作为病虫害特征值,并以此为输入变量,建立 BP 神经网络椪柑病虫害识别模型来进行病虫害识别,椪柑蓟马、花潜金龟子、吸果夜蛾、侧多食跗线螨、椪柑炭疽病5类病虫害30组测试样本中吸果夜蛾识别正确率最高96.67%,侧多食跗线螨识别正确率最低86.67%,平均正确识别率为92.67%。试验结果表明：傅里叶变换幅度谱图的多重分形谱高度、宽度和质心坐标较精确地刻画了病虫害为害状这类复杂生物体的特征,该方法可进行椪柑病虫害自动识别,并可推广到其他植物的病虫害机器识别中。     

基于小波分析和BP神经网络的触电信号检测模型

针对从农村低压电网总泄漏电流中检测和判断触电电流信号的难题,该文提出一种基于小波变换和BP神经网络的触电信号检测方法。首先用触电物理实验平台对动物触电信号进行实测,选择合适的小波基和分解尺度对触电实验中总泄漏电流及触电电流进行小波多分辨分析,实现原始信号的预处理;再将预处理后的波形作为样本进行神经网络学习和训练,建立从总泄漏电流波形中提取触电电流波形的神经网络耦合模型,并用此模型对未训练的样本进行触电信号的检测,检测值与实际值的平均相对误差为3.93%,说明该方法能够从总泄漏电流中检测出触电电流信号,对于     

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。     

基于高光谱图像和遗传优化神经网络的茶叶病斑识别

为实现茶叶病害的快速高效识别,提出了基于高光谱成像技术和图像处理技术融合的茶叶病斑识别方法。利用高光谱成像技术采集了炭疽病、赤叶斑病、茶白星病、健康叶片等4类样本的高光谱图像。提取感兴趣区域敏感波段的相对光谱反射率作为光谱特征。通过2次主成分分析,确定第二次主成分分析后的第二主成分图像为特征图像,基于颜色矩和灰度共生矩阵提取特征图像的颜色特征和纹理特征。利用BP神经网络对颜色、纹理和光谱特征向量融合数据进行检验,识别率为89.59%;为提高识别率,提出遗传算法优化BP神经网络的方法,使病斑识别率提高到94.17%,建模时间也缩短至1.7 s。试验结果表明:高光谱成像技术和遗传优化神经网络可以快速准确的实现对茶叶病斑的识别,可为植保无人机超低空遥感病害监测提供参考。     

基于颜色传感器和遗传算法的牛肉系水力快速检测

为了实现快速检测牛肉系水力,解决肉制品系水力检测不便的问题,该文研究了基于颜色传感器和遗传算法的牛肉系水力快速检测方法。优化了变色试纸与牛肉样品的最佳贴附时间,使用Arduino控制器操控颜色传感器采集试纸颜色参数;将80组牛肉样品分成60个训练组和20个验证组,应用遗传算法优化BP神经网络模型。研究结果表明:在系水力试纸的尺寸为5 cm×2 cm、氯化钴浸泡液浓度为3 g/mL的条件下,得到试纸最佳贴附时间为20 s;经遗传算法优化BP神经网络后,最佳线性回归方程的斜率为0.96,相关系数R~2为0.987,优化后的神经网络模型对系水力等级的预测准确率从90%提高到95%;将检测时间降低到1 min之内,实现了对牛肉系水力等级的快速检测。该研究为进一步开发智能化的肉制品系水力快速检测设备提供了理论依据。     

基于多层感知神经网络的水稻叶瘟病识别方法

为实现水稻叶瘟病的快速诊断,综合利用图像处理技术和神经网络来进行叶瘟病斑的识别研究。该文设计了3个多层感知分类器来进行病斑识别准确率的对比验证,分别采用叶片正常区域和病斑区域的纹理特征、颜色特征以及纹理和颜色的组合特征作为不同分类器的输入单元;输出层采用1个单元用于输出病斑区域和正常区域的识别结果。首先,该文将采集到的RGB图像转换成灰度图像,利用灰度共生矩阵分别提取叶片正常区域与病斑区域的能量、对比度、熵、逆差距作为纹理特征;紧接着,将RGB彩色空间转换至HIS和Lab空间,分别提取病斑区域和正常区域的L、a、b值作为颜色特征。最后,采用不同的BP神经网络分类器进行病斑区域识别。该文共采用120副图像作为待测对象,试验结果表明,采用颜色和纹理的组合特征进行识别,准确率要比单独使用纹理特征和颜色特征高10%～15%。本文的研究结果为进一步实现水稻病害自动诊断打下了基础。     

育种用玉米种子切片取样自动定向方法与试验

为解决玉米育种激光切片取样机器人设计中玉米种子自动定向问题,该文提出了一种计算机视觉与姿态调整装置相结合的定向方法,并使用此方法做了验证试验。使用MATLAB神经网络模式识别工具箱,以种子的部分特征参数作为神经网络的输入,以预定义的种子形态和姿态为输出,建立模型并对模型进行训练,训练完成的模型用于种子姿态识别,姿态调整装置根据识别结果将种子调整到理想姿态。对497组样本进行训练,得到形态识别准确率97.8%,姿态识别准确率99.8%,识别速度1.3 s/幅,能满足设备的设计要求,验证了姿态识别方法的准确性和姿态调整装置设计的合理性。该方法可为玉米种子自动定向问题提供解决方案,为自动育苗机中自动定向装置的设计提供参考。     

基于BP神经网络和概率神经网络的水稻图像氮素营养诊断

【目的】实现图像氮素营养诊断需要关键指标的确定和建立快速处理海量图像数据的模型。本研究筛选了水稻氮素营养诊断的敏感时期和部位,优化了图像处理技术参数,并比较了BP神经网络和概率神经网络两种建模方法对养分诊断的可靠性,为利用计算机视觉虚拟技术快速精准判断作物生长营养状况、反演生长过程提供思路和方法。【方法】本研究以超级杂交稻‘两优培九’为试验对象进行了田间试验。设置4个施氮(N)水平:0、210、300、390 kg/hm^2。在水稻幼穗分化期及齐穗期,扫描获取水稻顶一叶、顶二叶、顶三叶叶片、叶鞘图像数据,共1920组。通过图像处理技术,获取19项水稻特征指标。分别应用BP神经网络和概率神经网络对19项水稻特征指标进行水稻氮素营养诊断识别,并对诊断指标进行了优化和标准化。比较了两个建模方法的灵敏性。【结果】1)幼穗分化期水稻的整体识别准确率均高于齐穗期水稻的整体识别准确率;三个部位叶片的图像数据,以顶三叶最为可靠;2) BP神经网络对幼穗分化期及齐穗期水稻19项特征指标进行氮素营养诊断的整体识别准确率均高于概率神经网络。其中BP神经网络对幼穗分化期顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达90%。概率神经网络对幼穗分化期顶二叶、顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达82%。【结论】幼穗分化期水稻顶3叶叶片特征最具区分度,易于进行氮素营养诊断识别,可作为氮素营养诊断的有效时期和部位。叶片的6项RGB、HSI颜色空间分量组合最能体现其氮素营养状况。识别效果以BP神经网络好于概率神经网络方法,其整体识别准确率达90%。     

基于图像处理与人工神经网络的小麦颗粒外观品质评价方法

综合利用计算机视觉、图像处理、人工神经网络技术，实现小麦品质评价自动化。通过比较不同背景，发现在黑色毛面纸板背景下，使用数码像机获得容易处理的小麦图像。应用分水岭算法自主开发了图像分割处理软件，分割小麦图像并识别提取出完整的小麦颗粒，针对每个小麦颗粒，计算了其12个形态学特征、12个色泽参数等图像特征参数。利用所提取的24个小麦图像特征参数，采用人工神经网络BP算法建立起小麦粒径外观品质评价模型，并应用于小麦的品质识别，取得了良好的试验结果。多次建模运算证明，该方法具有较好的稳定性，对小麦粒径外观品质评价的平均识别准确率可达93%。