白背飞虱智能识别技术研究

[目的]为了实现水稻白背飞虱的自动监测,提出一种利用昆虫背部图像特征的白背飞虱自动识别方法。[方法]用自制的野外昆虫图像采集装置,在野外环境下,采集131张白背飞虱昆虫图像,通过颜色(蓝色分量B=130)阈值分割、滤波处理后,获取所采集昆虫图像二值化图,然后提取出单个昆虫背部区域二值化图和背部区域灰度图。通过对白背飞虱的大小统计分析的方法,剔去明显非白背飞虱的单个昆虫图像,再运用不变矩和二维傅里叶频谱数据提取昆虫几何形态、颜色和纹理共88个特征值,将7个不变矩和l×l(l=1,2,…,9)二维傅里叶频谱特征进行组合后作为输入变量,建立基于支持向量机的白背飞虱识别模型。[结果]自动采集装置在野外环境下采集的单个白背飞虱大小为1 000~2 600个像素点。当使用1~5不变矩特征值和5×5频谱特征值建立识别模型,训练集准确率达到95.71%,测试集准确率达到95.00%。[结论]使用不变矩和二维傅里叶频谱提取白背飞虱的几何形态、颜色和纹理特征,并建立支持向量机的识别模型,可以实现田间白背飞虱的自动识别。     

基于改进颜色特征的小麦病害图像识别技术研究

[目的]介绍一种根据小麦病害图像的颜色特征进行病害识别的方法。[方法]首先对小麦叶部图像进行预处理,利用小波变换进行病害部位增强和去噪;然后基于病害部位的非绿特征进行图像分割,得到只包含病害像素的图像;对病害图像颜色进行统计,得到R、G、B分量的均值,并用相对于绿色分量的均值比作为颜色特征值;最后通过分析样本图像得到每种病害的特征值范围,利用颜色特征值对未知样本进行病害识别。[结果]采用该方法对小麦叶锈病、条锈病、白粉病进行识别,平均准确率达到98%。[结论]为小麦病害的诊断与诊治提供了理论依据。     

计算机视觉技术在核桃壳、仁及分心木识别中的应用研究

[目的]为了研究快速准确识别核桃壳、仁及分心木的方法,[方法]本研究以太谷"清香"核桃为研究对象,搭建计算机视觉系统获取核桃壳、仁及分心木的图像信息,提取各样本的12个颜色特征值(RGB和HSI各分量的均值与方差),以及利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)分别提取各样本能量、熵、惯性矩、相关性、逆差矩4个方向(0°,45°,90°,135°)共20个纹理特征参数。以颜色特征值、纹理特征值、颜色-纹理特征值融合作为输入建立3种最小二乘支持向量机(LS-SVM)模型(Y-LS-SVM、W-LS-SVM、Y-W-LS-SVM),并对各预测集样本进行判别。[结果]结果表明,Y-LS-SVM模型对核桃仁、分心木及核桃壳的判别准确率分别为91.1%、82.4%、96.6%;W-LS-SVM模型对核桃仁、分心木及核桃壳的判别准确率分别为100%、85.3%、84.7%;Y-W-LS-SVM模型对核桃仁、分心木及核桃壳的判别准确率分别为93.3%、97.1%、100%。Y-W-LS-SVM模型的判别效果最好。[结论]本研究表明,基于计算机视觉技术能够很好地对核桃壳、仁及分心木进行识别,为核桃壳、仁及分心木在线分选技术提供理论基础。     

基于改进SVM算法的植物叶片分类研究

[目的]为了有效的对植物物种进行识别,[方法]本文提出了基于布谷鸟(CS)算法改进的支持向量机(SVM)方法对植物叶片分类从而识别植物物种。本文用两种数据集验证改进的CS-SVM算法对植物叶片的分类效果:UCI公开数据集和自主采集叶片图像。在自主采集的叶片图像数据集中,首先对叶片图像预处理,提取6个特征值,然后再使用CS-SVM算法建立分类模型。[结果]结果表明,在UCI公开数据集每种叶片样本量较少的情况下,CS-SVM算法对叶片分类的准确率可以达到87%以上;在采集的叶片图像数据集上以鹅耳草榆属、槭属等8种植物叶片和红柳、杨属等15种植物叶片样本分别试验,前者叶片分类准确率达95%,后者则大于84%。最后,将CS-SVM算法与PSO-SVM算法对植物叶片的分类效果进行对比,结果表明两种方法在叶片分类准确率上无显著差异,但CS-SVM方法在速度上领先10 s以上。[结论]改进的CS-SVM算法在样本量少或者样本特征属性少的情况下,对植物叶片的分类具有良好的效果。     

基于逐步判别法与BP神经网络的火焰目标检测

在基于图像分析的火焰目标检测判别函数中,判别特征的选取会显著影响判别的准确率,为了提高检测的准确率并且降低火焰目标特征向量的维数,本文提出了基于逐步判别法与BP神经网络的火焰目标检测方法,该方法对火焰目标的颜色、亮度和纹理特征及其检测算法进行了研究,然后利用逐步判别法筛选出区分能力强的特征向量子集并作为BP神经网络的输入端分量完成火焰目标的识别,该方法的漏报率为6.7%,准确率为93.3%,火焰目标检测效果最佳。     

多重分形理论在玉米病害图像特征提取中的应用

【目的】分析不同玉米病害图像特征,提取病害图像特征参数,探讨准确、快速的病害图像特征数据提取方法。【方法】采用多重分形的分析方法和提升格式的多小波变换对玉米病害图像进行预处理,去除图像噪声。利用多重分形谱理论对去噪后的玉米病害图像进行局部边缘提取,并采用玉米病害图像多重分形谱的特征值作为玉米病害的形状特征。【结果】该方法可以获得玉米病害图像对应的多重分形谱曲线,并采集N8个特征值作为病害图像的特征参数。发现不同玉米病害图像的特征参数有较大差异,而同类玉米病害图像的形状特征参数有一定的规律性。【结论】基于多重分形理论的玉米病害特征参数的提取方法能快速、有效地提取反映病害图像特征的参数,可为玉米病害图像智能识别的进一步研究提供参考。     

基于图像的植物病变叶面特征值提取研究

[目的]运用计算机图像处理技术对生产中的角斑病与斑疹病进行区分研究。[方法]利用计算机视觉技术对植物病变特征进行色度学研究,以颜色及纹理作为植物病害图像特征参数进行病斑图像周长、面积和形状的提取,从而进行病害图像的分类判断。[结果]以CIE1976HIS色调百分率直方图法提取色度特征参数,过程简单、有效,运算速度快,消除了叶片形状大小的影响;利用色调直方图的统计特征参数分析,其色调偏度能够显著地将不同病状区分出来。[结论]该研究认为色调偏度可作为区分角斑病与斑疹病的特征参数。     

基于BP-Adaboost算法的棉花采摘机预维修方法研究

[目的]尽早检测出棉花采摘机可能发生的故障,减少大型故障造成的巨大损失。[方法]提出了一种基于BPAdaboost算法的预维修方法用于检测棉花采摘机故障情况。首先采集棉花采摘机8个核心部件的工况参数信息作为故障特征参数,然后将故障特征参数作为BP神经网络的输入值,构造BP神经网络弱预测器,最后通过多个BP神经网络弱预测器构建Adaboost强预测器模型。[结果]用采集到的棉花采摘机实际工况数据验证Adaboost强预测器模型的性能,模型预测准确率达94.7%。[结论]该算法可以有效地对棉花采摘机的故障进行预测,而且与BP神经网络弱预测器相比,性能更好。     

基于多光谱成像技术选取稻飞虱为害后水稻叶片的特征波段

[目的]研究选取稻飞虱为害后水稻叶片的有效特征波段,用于从大量成像光谱数据中快速识别和分类稻飞虱为害后的水稻叶片。[方法]实验采用多光谱成像系统对400-720 nm波段范围,每隔5 nm的稻飞虱为害后的水稻叶片进行多光谱成像。[结果]根据波段指数原理,计算得出波段515,510,710,555,630,535,505,530和595 nm具有较理想的波段指数值,这些波段信息量丰富、相关性小;实验通过两种分类方法分别对稻飞虱为害后的水稻叶片的分类精度予以计算,得出全波段和特征波段的分类精度均大于90.00%。[结论]这些选取的波段可以作为稻飞虱为害后水稻叶片的有效特征波段,可以用于从大范围农作物中快速识别和分类水稻叶片。     

基于高光谱成像技术的生菜叶片水分检测研究

[目的]探索利用高光谱图像技术检测作物含水率的方法。[方法]以意大利全年耐抽苔生菜为试材,利用高光谱成像系统采集生菜叶片的高光谱图像,用ENVI V.4和Matlab V.7.0软件对高光谱图像进行处理。[结果]采用自适应波段选择法从所采集的生菜叶片高光谱图像数据中优选出特征波长1 420 nm;对每个样本特征波长下的图像进行分割,反转以及形态运算等操作得到目标图像;从每个目标图像中提取灰度均值、灰度标准差作为灰度特征,能量、熵、惯性矩、相关性的均值和标准差作为纹理特征;采用GA-PLS法选出最优特征子集,并建立基于最优特征的偏最小二乘回归模型,以检测生菜叶片的含水率。[结论]模型的预测值与实测值的相关系数R为0.902,精度明显高于基于灰度特征或纹理特征的预测模型。