田间早期成熟棉花识别研究

利用田间早期成熟棉花表面颜色与背景颜色存在较大差异的特点,在统计分析和试验的基础上,建立了利用过绿颜色特征(ExG)进行棉花识别的视觉模型。试验结果表明该模型可以完成棉花的识别。     

田间早期成熟棉花识别研究

利用田间早期成熟棉花表面颜色与背景颜色存在较大差异的特点,在统计分析和试验的基础上,建立了利用过绿颜色特征(ExG)进行棉花识别的视觉模型。试验结果表明该模型可以完成棉花的识别。     

基于颜色分量与直方图的玉米苗期背景分割方法研究

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。     

基于Matlab7.0的大豆苗期土壤背景与杂草分割算法

解决大豆苗期图像中的土壤背景分割是大豆田间杂草识别的前提和基础.为了解决大豆苗期田间杂草识别中受光照影响及环境适应性差等问题,通过对400幅不同环境下苗期大豆图像的植被颜色和背景颜色分量的统计分析,得出用3基色红(R)绿(G)蓝(B)合成的同一像素点,绿色植被图像的颜色分量G值都大于R和B值,而背景则恰恰相反.研究表明,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,此方法较2G-R-B颜色特征分割法对绿色植物和土壤背景的分离更为有效,可广泛应用于处于各种农作物田间杂草识别及其它绿色植被分割中受光照变化影响较大的领域.     

成熟番茄的图像识别及其位姿的获取研究

针对自然生长状态下成熟番茄图像的识别问题,提出选用YIQ颜色空间,采用Otsu最大类间方差法分割图像,然后用面积阈值的方法消除噪声,来获取成熟番茄图像的目标区域;然后用矩法来求目标区域的质心位置和惯性主轴,用惯性主轴的角度来标识果实果轴的方向,进而获取果实的生长姿态。实验结果表明,用这种方法可以取得较好的效果。     

基于计算机视觉的自然光照条件下成熟石榴的识别

研究自然光照条件下成熟石榴识别;利用同态滤波进行图像增强,将图像从RGB空间转换到HSI空间,并将色调和饱和度融合,有效去除暗背景和灰背景,利用区域面积并结合形态学特征去噪实现区域分割,最后利用优化后的Hough变换提取形心和半径,恢复遮挡果形;基于VC++6.0开发图像处理程序,能够实现对成熟石榴的识别;识别率为85%以上,为下一步对目标正确定位,实现水果采摘自动化收获打下基础.     

基于色差信息的田间成熟棉花识别

准确识别和定位目标在三维空间中的位置,为机械手提供运动参数,是采摘机器人视觉系统要解决的关键问题。本文利用棉花成熟期,棉花表面颜色与背景颜色存在较大差异的特征,在统计分析的基础上,建立了利用色差信号进行棉花识别的视觉模型。试验结果表明该模型可以完成棉花的识别,识别准确率达到85%以上。     

基于线结构光视觉的番茄重叠果实识别定位方法研究

为实现番茄自动化采收,针对温室光照条件多变、背景复杂及果实簇生遮挡的特征,构建了基于线结构光视觉的番茄果实识别定位视觉系统,并提出了一种针对簇生重叠果实的区域分割方法。在(2R-G-B)色差模型下利用动态阈值分割,提取成熟果实区域;计算亮度渐变梯度向量,采用灰度重心法提取结构光条纹中心线;基于线结构光立体测量原理,在光条纹扫描视场过程中实时获取成熟果实表面三维信息,并映射形成果实表面与相机光心距离深度图像,实现簇生重叠果实区域的立体分割;基于果实表面激光条纹点空间坐标拟合果实外接球体,获取果实形态和空间坐标信息;试验结果表明,视觉系统单次识别测量耗时2.8s,果实直径测量误差小于6mm,果实与摄像机中心距测量误差小于8mm。     

基于GA-BP神经网络的温室番茄病害诊断

为了提高温室番茄病害自动识别率,采用P2P无线网络摄像机定点远程监控与数码相机采集设备相结合的方法获取材料,通过分治中值滤波算法和分水岭算法分离复杂背景下的叶片并提取病斑,提取病斑特征参数并最终选择6个颜色参数、4个形状参数、3个纹理参数,改进传统的差反向传播(error back propagation,简称BP)算法,建立遗传算法优化的误差反向传播(genetic algorithm error back propagation,简称GA-BP)番茄病害识别模型。结果表明,GA-BP模型能快速有效地识别番茄叶片病害,对番茄早疫病、晚疫病、叶霉病的识别率分别达到92.50%、91.25%、95.50%。该模型解决了BP神经网络收敛速度慢、寻优不精确的问题,高效地实现了温室番茄病害的诊断。     

一种优化的Swin Transformer番茄叶片病害识别方法

为了及时准确的识别番茄叶片病害,提高番茄产量,提出了一种优化的Swin Transformer番茄病害识别方法,该模型利用Transformer的自注意力结构获得更加完备的番茄病害图像的高层视觉语义信息;结合Mixup混合增强算法,在预处理阶段对图像特征信息进行增强;并采用迁移学习在增强番茄叶片病害数据集上进行训练和优化Swin Transformer模型,以此实现精准的番茄叶片病害识别。结果表明：1)优化的Swin Transformer模型对番茄叶片病害识别准确率达到98.40%;2)在相同训练参数下,本研究模型比原Swin Transformer、VGG16、AlexNet、GoogLeNet、ResNet50、MobileNetV2、ViT和MobileViT模型准确率提高了0.70%～1.91%,且能快速收敛;3)本研究模型中加入的Mixup混合增强算法极大地提高了番茄叶片病害的识别准确率,比现有的常见方法性能更加优越,并且鲁棒性强。因此,本研究提出的新模型能够更加准确的识别番茄叶片病害。     

基于图像融合特征的番茄叶部病害的识别

为了提高基于数字图像识别番茄叶部病害的准确率,适应不同分辨率条件下的应用需求,并满足实践拍摄条件的不确定性,以番茄晚疫病、花叶病、早疫病叶片图像为研究对象,选择HSV模型中的4维H分量等量分割波段作为颜色特征,基于灰度差分统计的均值、对比度和熵3维特征作为纹理特征,融合7维特征向量作为支持向量机(SVM)分类器的输入,用粒子群算法(PSO)优化SVM模型参数。试验结果表明,融合灰度差分统计与H分量4维特征的病害识别模型准确率可达90%。     

基于计算机视觉技术的番茄叶部病害识别研究

针对番茄叶部病害的计算机识别问题进行深入研究,建立一套基于适用于番茄病害的颜色特征提取、纹理特征识别等模式识别方法,确定与病理对应的特征和特征组合模式,在此基础上进行了仿真研究和对比试验,结果表明,该方法能有效提高番茄叶部病害的自动识别水平。     

外源5-氨基乙酰丙酸对加工番茄叶光合色素及果实产量品质的影响

【目的】研究外源5-氨基乙酰丙酸(ALA)对加工番茄的影响,为其在加工番茄上推广应用提供基础理论依据。【方法】以加工番茄品种H1015和H3402为材料,分析叶面喷施ALA对功能叶的光合色素含量动态变化及果实产量品质相关指标的影响。【结果】随着叶面喷施ALA浓度增加,加工番茄功能叶的光合色素含量增加。50.0 mg/L的ALA处理下,H1015的平均产量比对照增加15.12%,而H3402的平均产量比对照增加12.01%;H1015的可溶性固形物增加10.43%;H3402的番茄红素和a/b色差值分别增加14.06%和13.86%。【结论】在加工番茄幼果期叶面喷施ALA后,外源ALA参与了加工番茄叶光合色素的合成过程,促进了叶光合色素的合成,提高了加工番茄叶的光合色素含量,不仅促进叶光合作用效率,促进叶光合物质积累,促进加工番茄果实的生长发育,提高产量,影响了各组织器官中光合物质的分配,不同程度地改善了加工番茄部分品质。     

基于无人机的田间地膜识别算法研究

为了满足基于机器视觉的田间地膜智能识别要求,对垂直拍摄的6叶期单垄单行烟田图像进行研究,分析图像中地膜、烟苗和土壤的RGB和HSV分量的直方图,发现B分量和V分量采用阈值分割法能分割出地膜。对地膜图像进行手动阈值分割、迭代阈值分割、大律法分割和基于遗传算法的最大熵值法等分割算法比较,发现迭代阈值分割算法目标识别率最高,为71%,且处理过程用时较短。通过对无人机不同飞行高度下地膜识别情况分析,发现50 m飞行高度下的地膜识别率最高,为80.06%,地膜识别面积为246.83 m²,地膜覆盖率为30.12%。该研究为残膜的智能识别提供方法和参考。     

基于混合颜色空间和双次Otsu的黄瓜靶斑病图像分割

为快速、准确地分割黄瓜叶部病害图像,提出一种基于混合颜色空间的双次Otsu算法。算法根据病害图像各部分的颜色特征,首先选取原始彩色图像的R分量进行初始Otsu分割和形态学相关操作,将R分量图分割为背景类和非背景类;然后选取非背景类图像的Cr分量进行第2次Otsu操作,将非背景区域分割为正常叶子类和病斑区域类,得到最终的分割结果。将该算法应用于黄瓜靶斑病图像的分割中,并与R_Otsu算法、H_Otsu算法以及图切割算法进行比较。试验结果表明:与对比算法相比,本算法在分割精度及处理速度2方面的综合分割性能最优,错分率均值和方差分别为2.12%和0.08%,平均处理时间0.2s,算法对光照变化具有一定的鲁棒性。本研究算法可为自然光照条件下黄瓜病害图像实时、准确分割提供技术参考。     

樱桃番茄果色的遗传分析

以2个黑色樱桃番茄的自交系Z1、Z2,与红色、粉红色、橙色和黄色樱桃番茄自交系（分别以R、P、O和Y代表各类型）为试材,进行杂交。采取RHS植物色卡比对结合目测进行分类、色彩色差仪测定果色;并利用植物数量性状主基因＋多基因的遗传分析方法,对黑色樱桃番茄果色的遗传规律进行研究。结果表明：樱桃番茄果色黑色性状为隐性性状遗传,双亲果色必须都是黑色类型,才能获得同类型果色的杂种一代;组合PINK×Z2果色性状遗传符合2对加性-显性-上位性主基因模型,主基因的遗传力非常高,早期世代就要注意果色性状的选择;果色黑色性状是由基因R和gf这2对主基因控制,且它们之间存在着互作效应。     

基于MSDB-ResNet的水稻病虫害识别

目的 水稻产量关乎全人类的粮食安全,如何有效地预防和高效地检测水稻病虫害是智慧农业领域的重要课题。深度学习由于具备自主学习图像特征等优异性能,成为水稻病虫害识别的首选方法。但在自然环境下,数据集偏小,且容易受到复杂背景的影响,在训练过程中容易产生过拟合,以及细微特征难以提取等问题。本研究致力于解决上述问题。方法 提出一种基于改进ResNet的多尺度双分支结构的水稻病虫害识别模型(MSDB-ResNet)。在ResNet模型的基础上,引入ConvNeXt残差块,以优化残差块的计算比例,构建双分支结构,通过调整每条分支的卷积核大小,提取输入病害图像中大小不同的病害特征。针对现实环境复杂、数据集太小、过拟合等问题,利用从自然环境拍摄到的5932张水稻病虫害图像,使用随机亮度、运动模糊等数据预处理方法,以及镜像、裁剪、缩放等数据增强方法,将数据集扩充到20000张,训练MSDB-ResNet模型识别4种常见的水稻病害。结果 MSDB-ResNet在水稻病虫害数据集上具有良好的识别性能,识别准确率高达99.10%,较原ResNet 模型提高了2.42个百分点,明显优于AlexNet、VGG、DenseNet和ResNet等经典网络。该模型具有良好的泛化能力和极强的鲁棒性。结论 MSDB-ResNet模型在水稻病虫害识别中具有一定的可行性和先进性,可为实现复杂背景下的水稻病虫害识别提供参考。     

基于图像技术的玉米叶部病害识别研究

针对野外光照条件下玉米叶部病害的图像识别问题,采用Retinex算法进行图像增强,消除光照的不利影响,在R-G灰度空间中运用自动阈值法进行病斑图像分割,提取病斑的颜色、纹理及不变矩特征,并采用主成分分析和支持向量机相结合的方法进行玉米叶片常见病害的分类识别。实验结果显示,小斑病、锈病和弯孢菌叶斑病的总识别精度为90.74%。表明本研究方法在自然光照环境下可获得良好的病害识别效果,具有一定的实用价值。