基于叶片图像算法的植物种类识别方法研究

为了提高植物种类的识别率,采用叶片图像算法。首先建立植物种类特征模型,包括植物叶片颜色特征、形状特征、纹理特征;然后确定径向基函数神经网络的输入层、输出层、隐含层之间的关系;接着对径向基函数个数、中心及宽度优化,基于梯度下降方法对权重参数计算,自适应调节学习率;最后给出了植物种类识别过程。实验仿真选择植物叶片颜色特征、形状特征、纹理特征的特征量分别为6、7、7个,其中本文算法对植物种类识别的三个组合特征平均识别率为93.5%,高于单个特征、两个组合特征的平均识别率,形状特征对识别率所起的作用最大。     

基于图像处理和特征优选的玉米品质识别

为实现玉米籽粒的品种识别与品质评估,根据籽粒图像特征参数较多、参数间有一定相关性的特点,采集原始图像并进行必要的预处理,提取图像的颜色特征、形状特征及纹理特征共30个;以主成分分析法对指标集进行精简,在保证识别精度的前提下去除冗余信息,降低图像计算复杂度,使特征集精简为10个;以支持向量机进行分类识别,结果证实品种平均识别率为93.3%,不合格粒平均识别率为94.5%,识别精度较高,可满足玉米籽粒的无损识别、分类、检测及评估需求。     

玉米叶片病斑多光谱特征提取及识别方法

为了更好地防治玉米病害,使用BP神经网络、L-M算法优化的BP神经网络和FCM聚类算法对玉米的3种叶片病斑图像进行识别研究。利用图像处理技术对采集的图像进行预处理和阈值分割,提取3个颜色特征、9个纹理特征和7个形状特征,通过LLE算法降维获得6维的内在低维流形特征,使用3种算法对提取的特征参数进行识别。结果表明,从识别率和网络训练速度2个方面来看,L-M算法优化的BP神经网络识别率高达98.67%,且训练速度快,更适合作为玉米叶片病斑图像的识别算法。     

基于支持向量机的花生荚果品种识别模型优化研究

为实现通过自动化手段进行花生品种真伪的鉴定,通过扫描仪采集了花生荚果侧面的图像,花生共20个品种,每个品种50个花生荚果,对采集的每幅图像提取形态、颜色、纹理方面的50个特征,首先通过主分量分析(PCA)对这些特征进行组合优化,然后采用RBF核函数搭建了支持向量机模型,最后通过网格搜索法、基因算法和粒子群方法优化支持向量机模型的惩罚参数c与gamma参数。优化结果表明,在主成分累积贡献率为95%时,PCA是10个主分量,3种参数优化方案中20个品种的5折交叉验证识别率分别为78.6%、77.6%、78.0%,识别效果相当,花生品种真伪的二分类识别率最高达到95%。优化后该模型对品种真伪的识别已经基本可以推广到实际生产中使用。     

基于主分量分析的苹果叶部3种常见病害识别方法

苹果叶部的3种常见病害(斑点落叶病、花叶病和锈病)严重影响苹果的产量和质量。病害识别是病害防治的基础,传统的苹果病害识别方法不能有效选择病害的分类特征。基于主分量分析算法,提出一种叶片颜色、形状和纹理特征相结合的苹果病害识别方法。首先对苹果病害叶片图像进行预处理,降低图像干扰;然后利用改进的分水岭方法分割病斑,提取病斑图像的颜色、形状和纹理特征,组成特征矩阵;再利用主分量分析(PCA)对该矩阵进行维数约简,得到低维分类特征;最后利用BP神经网络识别苹果的3种病害类型。结果表明,该方法能够有效识别苹果的3种病害,平均识别率超过94%。     

基于自适应中心对称局部二值模式的作物病害识别方法

基于局部二值模式(LBP)算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点,针对作物病害叶片图像的特点,提出一种自适应中心对称局部二值模式(Adaptive Center-Symmetric Local Binary Patterns,ACSLBP)算法,并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征,利用模糊C均值聚类算法对病害叶片图像进行分割,再将分割后的病斑图像进行分块,然后采用自适应阈值提取每个子块的ACSLBP纹理直方图,结合作物病害叶片图像的颜色特征,利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验,平均识别率高达95%以上,表明该方法是有效可行的。     

基于概率神经网络和分形的植物叶片机器识别研究

【目的】提出一种将植物叶片的形状特征与其纹理特征相结合的综合特征识别方法,有效解决了传统的植物机器识别分类特征单一且识别率较低的问题,为植物的快速机器识别提供技术参考。【方法】提取植物叶片样本的综合特征信息,以概率神经网络(PNN)为分类器对所得的特征信息进行训练,训练好的网络用来识别植物叶片的类别,从而确定相应植物的种类。【结果】有效提取了含有8个分量的植物叶片综合特征向量,通过对PNN分类器的训练,实现了30种植物叶片的快速机器识别,平均识别率达98.3%。比较测试表明,若去掉叶片纹理特征,单以其形状特征作为识别依据,平均识别率仅为93.7%。【结论】植物叶片综合特征识别方法有效弥补了传统单特征识别方法的不足,使识别效率得到了较大的提高。     

一种玉米雄穗图像识别算法研究

针对复杂的玉米田间图像,提出了一种玉米雄穗识别算法。该算法在HOG/SVM算法的基础上进行改进,为了弥补HOG特征只表现图像的轮廓特征这一缺点,分别提取待测图像块的颜色特征、轮廓特征和纹理特征,并送入提出的组合级联SVM分类器中进行判别。该SVM分类器是由2级SVM模型组合构成的,并使用大量经过人工标注的雄穗图像和背景图像为样本训练而成。综合考虑分割结果和性能评价,雄穗成功识别率为83%,该方法能很好地识别玉米雄穗,适用于复杂田间玉米雄穗图像的分割。     

基于多特征融合和CNN模型的树种图像识别研究

目的在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。方法将6类常见树种（樟子松、山杨、白桦、落叶松、雪松和白皮松）图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。结果本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB + H通道 + LBP条件下,验证识别准确率最高,达到93.50%;RGB + HSV + LBP + HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。结论基于RGB + H通道 + LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。      

基于神经网络的食用玫瑰花图像识别算法

针对单依靠颜色或形状将采摘期玫瑰花从图像中分割出来难度较大的问题,研究一种基于神经网络的食用玫瑰花图像识别算法。将处于采摘期的玫瑰花正面图像作为识别对象,先提取HSI色彩空间下的S分量,用最大类间方差法(Otsu)进行分割;再提取目标图像灰度共生矩阵下的纹理特征,选取区分度高的纹理特征,结合BP神经网络,建立识别模型。试验结果表明:该方法正确识别率85%,识别率主要受试验样本开放标准选取的影响,而受光照影响不敏感,是一种较好的识别方法。     

基于图像处理的玉米品种的种子形态分析及其分类研究

 【目的】建立中国当代玉米品种的种子重要形态性状的基础信息集。【方法】扫描获得中国当代193个代表性玉米品种各50粒种子的正反面彩色图像,确定大小、形状、纹理和颜色共4大类27个能够系统反映籽粒形态的数量性状,自行编制数字图像处理程序实现了形态特征的自动提取并获得品种各性状的籽粒均值,采用SAS软件的单性状描述统计和单性状或同类性状聚类分析对品种进行评价与分类。【结果】建立了一个含有9 650个玉米粒的19 300幅彩色图像的数据库,明确了籽粒各个形态性状的变化规律,按变异程度分为大中小3个组别,发现中国当代玉米品种在大多数情况下聚集程度都比较高,筛选出36份（次）特异种质材料。【结论】研究结果为玉米粒的形态研究与应用提供了比较系统全面的数据,数字图像处理作为一种简便快速的作物籽粒形态检测技术将有十分广泛的应用前景。     

不同生育期玉米大豆间作土壤水势变化特征

土壤水的移动影响作物对养分的吸收,通过土水势的测定可以为作物从土壤中吸收养分提供重要参考。本文通过盆栽试验,研究了玉米和大豆间作时作物在玉米苗期、拔节期、大喇叭口期、抽穗期、成熟期土壤水势上的变化特征。结果表明：玉米大豆间作具有明显的间作产量优势。与相应的单作相比,间作玉米籽粒产量、玉米叶片生物量和大豆叶片生物量,分别提高 ４１.９０％,２２.１９％,５９.５７％,表明了玉米大豆间作体系中玉米具有产量竞争优势。在玉米大豆间作中,除苗期第 １天到第 ５天、拔节期第 １天到第 ５天、成熟期第 １天到第 １０天外,其它生育期玉米的土壤水势低于大豆。这表明在玉米旺盛生长时期 （拔节盛期、大喇叭口期、抽穗期）,土壤水分都是从大豆向玉米移动。玉米相对于大豆对土壤水分有更强的竞争能力。     

不同灌水次数对夏玉米生长发育及水分利用效率的影响

通过防雨棚下测坑试验,研究了不同灌水次数对夏玉米形态指标、产量、耗水量以及水分利用效率的影响.结果表明,夏玉米株高和叶面积指数随灌水次数的减少而降低;拔节期不灌水明显抑制株高和叶面积的增长.果穗长、果穗粗、穗粒数有随着灌水次数的减少而降低的趋势;灌4水的产量最高,在苗期和灌浆期灌水(2水)的处理产量最低,较灌4水的处理...     

叶面喷锌时期对不同基因型夏玉米干物质和锌素累积分布的影响

【目的】探索叶面喷锌时期对不同基因型夏玉米干物质和锌素累积分配的影响,为锌肥在玉米生产上的合理利用提供理论依据。【方法】田间条件下设4个喷锌时期处理（不喷锌、苗期和拔节期1:1喷锌、拔节期和大口期1:1喷锌、大口期喷锌,喷施量均为ZnSO₄·7H₂O 4.5 kg/ha）,测定不同喷锌时期下10个基因型夏玉米（登海605、迪卡653、先玉335、秋乐618、伟科702、隆平638、裕丰303、德单5号、郑单958和谷神玉66）植株各器官干物质和锌累积量,并分析其分配比例及籽粒产量、增产率和锌利用率的差异。【结果】不同喷锌时期以苗期和拔节期1:1喷锌处理的茎重达最高,为3.18 t/ha,籽粒重以拔节期和大口期1:1和大口期喷锌处理最高,不同基因型以秋乐618、裕丰303、德单5号籽粒重最高。喷锌后籽粒重占比增加明显,以大口期喷锌处理最高,为50.98%,各基因型以德单5号最高,为53.29%,各处理以不喷锌处理德单5号的籽粒占比最高,为54.50%。植株各器官的锌含量以叶最高,为149.43 mg/kg,其次是籽粒,为38.40 mg/kg;各喷锌处理以拔节期和大口期1:1喷施下籽粒锌含量最高,平均为43.94 mg/kg;各基因型以谷神玉66最高,为50.74 mg/kg;喷锌后茎、苞叶和籽粒中锌累积量占比表现明显下降趋势,各基因型以德单5号籽粒最高,为62.13%;各处理以不喷锌下德单5号中籽粒锌素占比最高,为79.52%。与不喷锌相比,拔节期和大口期1:1、大口期喷锌处理的产量较高,平均为8.80 t/ha;各基因型以裕丰303产量最高,各处理以拔节期大口期1:1喷锌下裕丰303产量最高,为10.63 t/ha。迪卡653的平均增产率最高,达12.92%,隆平638的平均增产率最低,为1.61%,拔节期和大口期1:1处理谷神玉66和郑单958的增产率最高,平均为15.39%。喷锌后,锌利用率平均提高7.96%,以大口期喷锌下裕丰303增幅最高,为22.75%。【结论】在夏玉米生产中,选用裕丰303等品种,于植株拔节期和大口期以1:1喷施4.5 kg/haZnSO₄·7H₂O,能促进光合物质和锌素向籽粒转移,达到同步提高籽粒产量和锌含量的目的。     

基于Fisher判别分析的玉米叶部病害图像识别

 【目的】利用计算机视觉技术实现玉米叶部病害的自动识别诊断。【方法】在大田开放环境下采集病害图像样本,综合应用基于H阈值分割、迭代二值化、图像形态学运算、轮廓提取等算法处理病害图像,抽取病斑,提取病害图像的纹理、颜色、形状等特征向量,采用遗传算法优化选择出分类特征,并利用费歇尔判别法识别普通锈病、大斑病和褐斑病3种玉米叶部病害。【结果】研究中提取了墒、相关信息测度、分形维数、H值、Cb值、颜色矩、病斑面积、圆度、形状因子等28个特征向量,利用遗传算法优选出H值、颜色矩、病斑面积、形状因子等4个独立、稳定性好、分类能力强的特征向量,应用费歇尔判别分析法识别病害,准确率达到90%以上。【结论】综合运用数字图像处理技术、图像纹理、颜色、形状特征分析方法、遗传算法、费歇尔判别分析方法可以有效识别基于田间条件下采集的病害图像,为田间开放环境下实现大田作物病虫害的快速智能诊断提供借鉴。     

灌水时间和灌水比例对单套作玉米产量 及水分利用效率的影响

目的 探究不同灌水比例和灌水时间对单套作玉米产量及其水分利用效率的影响,为构建套作复合群体水分高效管理技术提供依据。方法 采用自动式遮雨棚水分精量控制,2016—2017年连续2年在灌溉定额4 050 m ³·hm ^-2条件下,设置2种种植模式（单作A1、套作A2）、3种灌水比例（播种水25%+拔节水25%+抽雄水25%+灌浆水25%,B1;播种水25%+拔节水25%+抽雄水15%+灌浆水35%,B2;播种水25%+拔节水35%+灌浆水40%,B3）两因素随机区组试验。研究不同种植模式下灌水时间和灌水比例对玉米生育期内土壤含水量、棵间蒸发量、耗水特征、产量及水分利用效率的影响。 结果 相同的灌溉定额下,玉米拔节后单作土壤含水量比套作平均高出16.60%,拔节期—成熟期套作棵间蒸发量平均较单作高出23.60%;单套作耗水强度高峰期均为拔节—抽雄期,日耗水强度最高达到7.21 mm·d ^-1,耗水量占全生育期21.62%—31.67%,拔节期后套作阶段耗水强度均显著高于单作,平均高出3.68%;单作玉米产量在播种水25%+拔节水35%+灌浆水40%时达最高,平均较单作其他处理提高16.49%,水分利用效率平均提高11.71%,而套作则在灌水处理为播种水25%+拔节水25%+抽雄水15%+灌浆水35%时,穗粒数、有效穗数平均较其他灌水处理增加4.47%、6.97%,从而使产量平均增加22.07%,水分利用效率平均提高19.11%。 结论 本试验灌溉定额为4 050 m ³·hm ^-2下,播种、拔节期、灌浆期分别灌水25%、35%、40%有利于提高单作玉米产量,而套作玉米采用宽窄行带状栽培则需要增加一次灌水时间,在播种、拔节期、抽雄期、灌浆期分别灌水25%、25%、15%、35%有利于提高其产量及水分利用效率。     

基于透射光和反射光图像同位分割的小麦品种识别方法研究

为提高基于机器视觉的小麦品种识别准确性,本文通过透射光和反射光同位图像分割对种子颜色特征参数进行了优化提取.采用透射光图像辅助反射光图像分割的方式从种子图像中分割出胚部区域,并分别提取小麦整粒、种胚、胚乳区域的颜色特征参数.以济麦22、济麦44、京麦9、京麦11共4个品种种子作为研究对象,利用HALCON机器视觉软件获...     

基于卷积神经网络干制哈密大枣纹理分级

【目的】研究一种基于卷积神经网络干制哈密大枣纹理分级的方法。利用卷积神经网络解决干制哈密大枣的纹理分类问题。【方法】将大小统一的彩色图片输入网络,卷积核自动提取其纹理特征,进行分类。【结果】分类准确率达到了97.7%。【结论】与常用的灰度共生矩阵提取干制哈密大枣纹理特征(最大概率,相关性,对比度、能量、同质性和熵),再用BP神经网络和支持向量机(SVM)分类准确率相比的方法,避免了复杂纹理提取和图片预处理的过程,在测试时间相近的情况下识别率更高。     

播期、品种和拔节期追氮量对糯玉米淀粉粒分布的影响

 【目的】明确播期、品种和拔节期追氮量对糯玉米淀粉粒分布的影响及其与淀粉糊化和热力学特性间关系。【方法】以国家糯玉米区域试验对照品种(苏玉糯5号、垦粘1号和苏玉糯1号)为材料,设置春播和秋播处理,研究拔节期追氮量(0、150和300 kg?hm-2)对糯玉米淀粉粒分布的影响。【结果】播期、品种和拔节期追氮量单因子及其互作对淀粉粒体积分布存在显著影响,且播期处理间淀粉粒径和粒度分布的变异远高于拔节期追氮量和品种处理间的变异。总体上,秋播处理下淀粉平均粒径较小、粒径＞17 μm比例较低、9—17 μm比例较高。不同品种间,淀粉平均粒径以苏玉糯1号最低,苏玉糯5号最高,＞17 μm比例苏玉糯5号和垦粘1号间差异较小,以苏玉糯1号最低。随着拔节期追氮量的增加,糯玉米淀粉平均粒径和＞17 μm比例先升后降,13—17 μm比例先降后升。淀粉平均粒径和＞17 μm比例与峰值黏度、崩解值呈显著负相关,与糊化温度呈显著正相关;9—17 μm颗粒比例与峰值黏度、崩解值呈显著正相关,与糊化温度呈显著负相关;淀粉粒分布与回复值、热焓值及回生值无显著相关关系。【结论】播期、品种和拔节期追氮量单因素及其互作对淀粉粒分布有显著影响,且播期是影响淀粉粒分布的关键因子。秋播处理下,选择垦粘1号并拔节期追氮150 kg?hm-2,淀粉平均粒径和＞17 μm比例较小,9—17 μm比例较高,其糊化特性和热力学特性亦较优。     

江淮中部夏玉米品种产量性状及光能利用率差异研究

以19个夏玉米品种为试验材料,通过田间小区试验对各品种产量、光能利用率及抗倒性进行比较分析,研究适宜江淮中部的夏玉米品种类型。结果表明:(1)供试玉米在苗期、抽雄期的生长期相差4 d,到拔节期、灌浆期扩至7 d,而全生育期则相差8 d。(2)穗长、穗粒数和穗粗与产量呈显著正相关,秃尖长、株高和百粒重则与产量相关性不显著,其中秋乐368等4品种产量显著高于其他品种。(3)夏玉米在各生育阶段的光能利用率呈单峰趋势,最大光能利用率出现在拔节期,且拔节期、抽雄期、全生育期光能利用率与籽粒光能利用率呈极显著正相关。(4)拔节期出现中度倒伏,3 d后得到恢复,而抽雄吐丝期遭受重度倒伏后难以恢复;新单88等5个品种抗倒伏能力强。(5)综合产量、光能利用率和抗倒伏等因素,适宜江淮中部的夏玉米产量目标可达9 000 kg·hm-2的水平、籽粒光能利用率为1.2%、且在全生育中期抗倒伏能力强,19个品种中的较为适宜品种为秋乐368和裕丰303。