基于改进VGG卷积神经网络的棉花病害识别模型

为实现自然条件下棉花病害图像准确分类,提出基于改进VGG-16卷积神经网络的病害识别模型。该模型在VGG-16网络模型基础上,优化全连接层层数,并用6标签SoftMax分类器替换原有VGG-16网络中的SoftMax分类器,优化了模型结构和参数,通过微型迁移学习共享预训练模型中卷积层与池化层的权值参数。从构建的棉花病害图像库中随机抽取病害图像样本作为训练集和测试集,用以测试该方法的性能。试验结果表明:该模型能有效提取出棉花病害叶片图像的多层特征图像,并通过Relu激活函数的处理更能凸显棉花病害的边缘信息与纹理信息,分辨率为512像素×512像素图像在样本训练与验证试验效果最好。在平均识别准确率方面,本研究模型较BP神经网络、支持向量机、AlexNET、GoogleNET、VGG-16NET效果最好,达到89.51%,实现对棉花的褐斑病、炭疽病、黄萎病、枯萎病、轮纹病、正常叶片的准确区分。该模型在棉花病害识别领域具备良好的分类性能,可实现自然条件下棉花病害的准确识别。     

棉田复杂背景下棉花叶片分割方法

【目的】解决棉田复杂背景下棉花叶部病害快速识别问题,为提出一种快速提取棉花植株和分割棉花叶片的方法。【方法】通过棉花植株的RGB颜色特征将植株与土壤进行分离,结合形态学处理技术和彩色分割方法,将植株的茎秆去除,保留棉花叶片部分;分别使用广度搜索分割算法、分水岭分割算法和轮廓搜索分割算法,对棉花叶片图像进行分割提取。【结果】基于广度搜索的分割算法将叶片轮廓搜索出来与原图融合分离出叶片,该算法对于图像结构简单的情况分割效果较好,通过对应的drawContours函数将每个轮廓画出,再与原图定位,将叶片的完整信息也轮廓结合,实现叶片的分离。【结论】基于距离变换的分水岭分割算法存在过分割问题,基于广度搜索分割算法与边缘检测结合对于叶片结构清楚图像分割效果显著,与轮廓搜索算法相比,后者的适用性更广,提取的轮廓层次结构也清楚,分割效果最佳。     

Classification of foreign fibers in cotton lint using machine vision and multi-class support vector machine

Automatic classification of foreign fibers in cotton lint using machine vision is still a challenge due to various colors and shapes of the foreign fibers. This paper presents a novel classification method based on multi-class support vector machine (MSVM) which aims at accurate and fast classification of the foreign fibers. Firstly, live images were acquired by a machine vision system and then processed using image processing algorithms. Then the color features, shape features and texture features of each foreign fiber object were extracted and feature vectors were composed. Afterwards, three kinds of multi-class support vector machines were constructed, i.e., one-against-all decision-tree based MSVM, one-against-one voting based MSVM and one-against-one directed acyclic graph MSVM separately. At last, with the extracted feature vectors as input, the MSVMs were tested using leave-one-out cross validation. The results indicate that both the one-against-one voting based MSVM and the one-against-one directed acyclic graph MSVM can satisfy the accuracy requirement of the classification of foreign fibers, and the mean accuracy is 93.57% and 92.34% separately. The one-against-all decision-tree based MSVM only obtains mean accuracy of 79.25% which can not meet the accuracy requirement. In classification speed, one-against-one directed acyclic graph MSVM is the fastest and fitter for online classification.     

Automatic image segmentation method for cotton leaves with disease under natural environment

In order to improve the image segmentation performance of cotton leaves in natural environment, an automatic segmentation model of diseased leaf with active gradient and local information is proposed. Firstly, a segmented monotone decreasing edge composite function is proposed to accelerate the evolution of the level set curve in the gradient smooth region. Secondly, canny edge detection operator gradient is introduced into the model as the global information. In the process of the evolution of the level set function, the guidance information of the energy function is used to guide the curve evolution according to the local information of the image, and the smooth contour curve is obtained. And the main direction of the evolution of the level set curve is controlled according to the global gradient information, which effectively overcomes the local minima in the process of the evolution of the level set function. Finally, the Heaviside function is introduced into the energy function to smooth the contours of the motion and to increase the penalty function Φ(x) to calibrate the deviation of the level set function so that the level set is smooth and closed. The results showed that the model of cotton leaf edge profile curve could be obtained in the model of cotton leaf covered by bare soil, straw mulching and plastic film mulching, and the ideal edge of the ROI could be realized when the light was not uniform. In the complex background, the model can segment the leaves of the cotton with uneven illumination, shadow and weed background, and it is better to realize the ideal extraction of the edge of the blade. Compared with the Geodesic Active Contour(GAC) algorithm, Chan-Vese(C-V) algorithm and Local Binary Fitting(LBF) algorithm, it is found that the model has the advantages of segmentation accuracy and running time when processing seven kinds of cotton disease leaves images, including uneven lighting, leaf disease spot blur, adhesive diseased leaf, shadow, complex background, unclear diseased leaf edges, and staggered condition. This model can not only conduct image segmentation of cotton leaves under natural conditions, but also provide technical support for the accurate identification and diagnosis of cotton diseases.     

自然光照条件下苹果识别方法对比研究

针对自然光照条件下果园苹果识别效果不佳的问题,从苹果的颜色分割和形状提取2方面进行对比研究,提出一种自然光照条件下的苹果识别方法。利用错检率、漏检率和处理速度3个量化指标综合对比分析颜色阈值、SVM和BPNN 3种苹果颜色分割方法的处理效果。比较6种边缘检测算法对苹果区域图像的边缘检测效果,并使用Hough圆检测算法对苹果形状进行提取,以获得苹果的圆心和半径。试验结果表明:由BPNN的苹果颜色分割方法以及结合Log和Hough的苹果形状提取方法所构建的果实识别算法具有较高的鲁棒性和准确性,能有效克服果实遮挡、重叠和颜色变异等问题,果实平均识别率可达91.6%。     

基于形态学梯度的细胞图像自动分割

提出一种自动分割细胞图像的方法,利用数学形态学梯度运算对图像边缘进行锐化。再利用判别分析法自动确定梯度图像阈值,经后处理,可得单像素宽度细胞图像边缘。该边缘可描述医学图像中细胞的有效区域,实现细胞图像自动分割。为验证该方法的有效性,对30幅实际细胞图像进行分割试验。结果表明,该方法对细胞图像分割有较好的适应能力。     

Predicting Cotton Lint Yield Maps from Aerial Photographs

It is generally accepted that aerial images of growing crops provide spatial and temporal information about crop growth conditions and may even be indicative of crop yield. The focus of this study was to develop a straightforward technique for creating predictive cotton yield maps from aerial images. A total of ten fields in southern Georgia, USA, were studied during three growing seasons. Conventional (true color) aerial photographs of the fields were acquired during the growing season in two to four week intervals. The aerial photos were then digitized and analyzed using an unsupervised classification function of image analysis software. During harvest, conventional yield maps were created for each of the fields using a cotton picker mounted yield monitor. Classified images and yield maps were compared quantitatively and qualitatively. A pixel by pixel comparison of the classified images and yield maps showed that spatial agreement between the two gradually increased in the weeks after planting, maintained spatial agreement of between 40% and 60% during weeks eight to fourteen, and then gradually declined again. The highest spatial agreement between a classified image and a yield map was 78%. The highest average agreement was 52% and occurred 9.9 weeks after planting. The visual similarity between the classified images and the yield maps were striking. In all cases, the dates with the best visual agreement occurred between eight and ten weeks after planting, and generally, during July for southern Georgia. This method offers great potential for offering cotton farmers early-season maps that predict the spatial distribution of yield. Although these maps can not provide magnitudes, they clearly show the resulting yield patterns. With inherent knowledge of past performance, farmers can use this information to allocate resources, address crop growth problems, and, perhaps, improve the profitability of their farm operation. These maps are well suited to be offered to farmers as a service by a crop consultant or a cooperative.     

采棉机跨区作业导航电子地图的制作

为了使采棉机跨区作业管理中的监控定位更为准确,采用Alos和TM遥感影像、商用电子地图为基本材料,通过对Alos影像进行矢量化并结合外业调查得到作业区域的交通、田块、POI等空间信息图层。同时对TM遥感影像进行监督分类,识别出棉花地块以及面积等信息,在MapInfo桌面GIS软件中对其进行整合得到作业区地图,再与商用电子地图进行图层叠加处理,最后制得高精度、要素丰富、适用于采棉机作业过程中导航定位的电子地图。该采棉机跨区作业导航电子地图使采棉机跨区作业过程中的监控定位更加准确,管理更加有效,既能适应大区域的调度,也能做小范围的作业定位和监控。因此,该采棉机跨区作业导航电子地图的制作方法为制作农业生产应用电子地图提供了技术手段。     

基于LoG算子的棉花图像检索算法研究

针对基于边缘检测的图像检索中边缘点容易受到噪声干扰的问题,提出一种基于LoG边缘算子的棉花图像检索算法.首先在求取边缘检测前进行滤除噪声处理,然后根据欧式距离衡量图像间的相似性.棉花图像数据集的试验结果表明,算法能够有效去除边缘噪声,提高了图像检索的查全率和查准率,尤其适用于高噪声环境下的棉花图像检索.     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

花粉管通道法转基因棉花后代筛选鉴定

通过对棕色棉BC05叶片进行Kan浓度梯度涂抹实验,确定了Kan涂抹筛选的最佳浓度为3.0 g/L,最佳观察时间为涂抹第5天。对Kan抗性植株进行PCR鉴定表明,Kan涂抹筛选可基本准确的鉴别出转基因材料与非转基因材料,但目标基因是否成功整合还必须进行PCR鉴定,田间卡那霉素筛选结合PCR分子鉴定是转基因棉花后代大规模群体筛选的有效方法。     

基于Lab颜色空间下的小麦赤霉病图像分割

针对智能识别小麦赤霉病方法中分割患病麦穗图像效果不佳的问题,运用中值滤波方法对患赤霉病麦穗图像进行降噪预处理,采用基于阈值的最大类间方差算法(OTSU)、基于聚类的k-means算法在RGB、HSV和Lab颜色空间中对小麦扬花期到黄熟期感染赤霉病的麦穗图像进行分割,提取出麦穗的病害部分。采用试验田环境下扬花期到黄熟期200张患赤霉病的麦穗图像进行分割试验,结果表明:将图像从RGB颜色空间转化为Lab颜色空间并对a分量采用最大类间方差算法(OTSU)进行分割的效果最佳,误分率仅有1.11%。     

一种粘连谷物图像分割及杂质识别算法开发

本文提出了一种自动分割粘连谷物并识别杂质的算法。该算法首先使用基于形态学多尺度分解的分水岭算法对粘连颗粒进行分割,接着提取各个颗粒的形态特征和颜色特征,然后计算上述样本颗粒的特征值与完好谷物的特征值之间的马氏距离,并比较它们的马氏距离与设定的阈值,来识别混杂在谷物中的杂质。通过对5种谷粒(普通大米、粗米、糙米、普通大麦、糯麦)的实验,结果表明该算法取得了较好的分割与识别效果,为谷物质量分级的评定提供了一种快速有效地检测谷物产品杂质率的方法。     

基于多特征融合和稀疏表示的农业害虫图像识别方法

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG 融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。     

彩色棉纤维色素提取和测定方法的研究

以白色棉、棕色棉和绿色棉的成熟纤维为材料,用有机溶剂(乙醇、乙醚、二甲苯),酸性、碱性溶液,以及HNO3/乙醇溶液,分别对不同颜色纤维中的色素进行提取. 结果表明,采用HNO3/乙醇溶液消煮法可以将彩色纤维中的色素物质提取出来. HNO3/乙醇的色素提取液在光谱波长为412 nm处有一个最大吸收峰;颜色深浅不同的棕色或绿色棉纤维提取液在这一波长处的吸收值差异显著,随着纤维颜色的加深提取液吸收值增大(0.063 4～0.990 0);白色纤维的提取液在412 nm处的吸收值很小(0.007 2),可忽略不计.因此,用HNO3/乙醇法提取棉纤维色素和用分光光度计比色法可以定量比较彩色棉纤维的色泽深浅. 在用酸性和碱性处理棕色和绿色棉纤维时,发现纤维颜色的深浅程度随处理溶液酸碱度的变化而变化,而且这种变化是可逆的.纤维中色素含量与纤维素含量存在负相关.     

直方图均衡化在遥感图像彩色合成中的应用

基于色彩合成原理的传统遥感图像增强手段存在很大的局限性,提出了一种直方图均衡化调整图像像素灰度值的方法,利用该方法对多光谱遥感图像进行增强处理,处理后的图像再进行彩色合成。实例分析表明,该方法直观、快捷,并能取得较好的视觉判读效果,具有一定的实用意义。     

一种基于图像分析提取作物冠层生物学参数的方法与验证

利用图像分析方法,通过准确识别冠层和背景像素进行棉花冠层生物学产量和叶面积系数估测。采用Olympus C740 Ultra Zoom数码相机拍摄棉花不同生育期冠层图像,在棉花冠层数码照片特征分析的基础上提出了棉花冠层图片计算机自动判读的方法,即混合采用图像色度(H)、绿光(G)、红光(R)灰度值构造提取条件,通过多重判断识别棉花冠层和背景,并编写了相应的计算机程序。利用该程序分析棉花不同施氮量下、不同生育期提取地面覆盖度参数与棉花生物学产量、叶面积系数间的关系,发现棉花冠层地面覆盖度指标可以有效预测棉花生物学产量和叶面积系数,二者间指数相关系数达到r=0.97以上,为极显著相关。     

小波和傅里叶相融合的彩色木材图像增强

针对现实生活中彩色图像普遍存在不清晰和对比度差的情况,在RGB模型上提出了一种新的彩色图像增强算法,并且应用到了木材图像领域。将彩色木材图像分解为RGB3个通道,首先使用滤波器把3个通道分别分解成高低频子带;然后使用傅立叶变换和小波变换相融合的方式进行锯齿检测,同时进行阈值判断;之后对检测到的锯齿进行消除,低频子带使用方向自适应滤波器,高频子带使用小波收缩函数进行消除;再使用小波逆变换返回3个通道;最后将3个通道还原成彩色图像。结果表明,该方法和传统方法相比较,可以有效保持图像的边缘特征,达到增强效果。以樟子松微观横截面为例,峰值信噪比PSNR提高了5.05,信息熵提高了3.14。本研究同时采集了榆木微观横截面、杨木宏观横截面和云杉微观横截面,其图像均得到增强。     

一种用于植物图像背景分割的最大熵改进算法的研究

以茉莉花植物为研究对象,提出了一种基于2G-R-B颜色特征的最大熵改进算法。该方法利用基于梯度的边缘强度算法和OTSU法求出初始分割区域,然后在该区域运用最大熵法求出最佳分割阈值,最后利用数学形态滤波对图像进行去噪处理。结果表明,该文的改进算法分割效果明显好于基于梯度的边缘强度算法和OTSU法分割效果。     

基于可见光视频的森林火灾识别算法

以森林火灾远程视频预警监控工程为依托,对森林火灾发生、发展的可见光视频图象进行研究,提出森林火灾识别算法,并进行处理。分析了基于视频的森林火灾火焰特征,指出火焰特征主要包括颜色变化、面积变化、边缘变化、形体变化、闪动规律和整体移动等。在此基础上,提出了视频图像中的森林火灾区域检测方法与森林火灾识别方法;根据图像区域分割匹配算法,以火焰颜色特征和面积变化为火灾判别依据,统计疑似火灾区域面积,定时地对其进行两两匹配,实现对森林火灾图像的实时检测和识别。经实际验证,该算法的查全率与查确率分别达到72.22%和92.86%。