基于机器视觉的作物对行喷药控制的研究

设计了一套基于机器视觉的作物对行喷药控制系统.首先由CCD摄像机拍摄成行作物图像,提取其色调值图像并用最大类间方差法二值化后,经数学形态学腐蚀后用Hough变换方法拟合作物行中心线,最后步进电机移动其喷头标识来对准此作物行.实验验证了该方法的正确性.     

基于计算机视觉的作物行定位技术

针对基于计算机视觉的作物行中心线定位困难问题,提出了基于垂直投影法的作物行定位方法。对作物图像运用过绿特征值分割作物和背景,将得到过绿特征图像划分为若干水平图像条,对图像条过绿特征值进行垂直投影,求取投影曲线上突出峰点的位置;利用稳健回归法对位置点进行线性拟合得到作物的行中心线。采用320×240像素的大豆图像进行作物行定位实验,结果表明采用该方法能够获得较好的定位结果。     

基于梯度的RHT作物行中心线检测方法研究

为保证快速、有效地检测作物行中心线,提出利用基于梯度的随机Hough变换进行作物行中心线检测。针对作物行内植物疏密情况不同分别进行作物行中心线检测分析与研究,发现该方法对不同的作物行内植物疏密情况具有良好的适应性。通过与传统的Hough变换进行对比试验发现,基于梯度的随机Hough变换能够有效提高检测速度。     

基于机器视觉的中耕除草机的研制与试验

传统的中耕机械除草作业极易损伤作物,使其作业效果大打折扣.为了充分发挥中耕除草作业的优势,研制了一种基于机器视觉技术的新型中耕除草机.该机具采用双横梁摆动机构,并加装电液控制模块和作物行视觉检测模块.采用2层式控制结构,上位机实现作物行的视觉识别和定位算法,基于单片机的下位机控制器实现锄具的侧向运动控制,上、下位机间采用CAN总线通讯.通过测试表明,整个系统工作正常,锄具的侧向运动速度在50~75mm/s,作业精度小于15cm,可实现在无人参与下的行间除草作业要求.     

基于行宽的玉米行间杂草识别算法

为精确识别和定位玉米行间杂草,满足基于机器视觉的变量施药系统喷施要求,提出了一种基于行宽的多行玉米行间杂草识别算法.该算法以垂直拍摄的3叶期3行玉米田间图像为研究对象,利用YIQ颜色空间中的Q分量灰度化田间彩色图像,以降低自然光源对图像的影响;通过建立实际田间玉米行宽与图像玉米行宽的映射关系,将3叶期玉米行的宽度映射到对应图像中,并确定基于识别率和运算速度的覆盖范围;以具有一定宽度的玉米行作为识别基准,减小未连通叶片区域的误识别率,提高对杂草识别的精度.从识别精度和速度2方面与基于作物行中心线识别算法进行了对比.研究结果表明,对于3叶期3行玉米田间图像,杂草正确识别率可达89.2％,速度为197 ms.本算法有效地提高了行间杂草识别的精度和速度,能够初步满足基于机器视觉的变量施药系统对大田玉米多行喷施的工作要求.     

机器视觉对农田中定位基准线的识别

针对机器视觉对作物行定位困难问题,给出一种基于Hough变换的作物行视觉定位方法。根据农田作物行图像的信息特点,运用2G-R-B灰度变换加大图像类间距离,采用最大类间方差法(OTSU)分割作物行与背景图像,采用5像素×1像素结构元素图像膨胀法对作物行形态进行修正并缩小或消除作物行和背景中的孔洞,采用中间线检测准定位基准线图像处理方法提取代表作物行走向的准定位基准线,采用Hough变换得到真正的定位基准线及其参数。采用400像素×300像素的白菜作物行图像进行实验,经本方法进行图像处理后,得到每条作物行单一的最能反映作物行走向的准定位基准线,再经Hough变换得到清晰、准确的定位基准线。所得到的定位基准线很好地代表了作物行走向,表明本方法能够得到较好的定位效果。     

实现识别行间苗草的机器视觉系统设计

在耕作试验室的试验环境之下,开发并测试了能够识别行间苗草作物的机器视觉系统,硬件系统主要由速度可控制的土槽试验车装备、固定在可升降平台上可实时采集图像的imagesoure工业摄像头和作为控制台的工控计算机组成;机器视觉系统根据植物和背景的颜色特征二值化图像与田间作物的位置特征识别苗草。结果表明,采集并处理一副大小为640×480像素的彩色图像的平均时间为291 ms,在行驶速度为1.8 km·h-1条件下系统正确识别率达到了95%。     

基于3种不同颜色空间的作物行提取方法比较研究

作物行检测是精准农业和自动导航的关键。为研究不同颜色空间作物行提取方法克服光照条件变化影响的性能，综合比较不同方法的优劣情况，选取归一化RGB颜色空间提取ExG分量方法(ExG分量法)、HSV颜色空间提取H分量方法(H分量法)、CIE-Lab颜色空间提取a分量方法(a分量法)3种方法，分别在阴天和晴天2种光照条件下进行了详细分析和比较。结果表明，ExG分量法和a分量法在阴天和晴天环境都具有可行性且基本能够满足实际需求；H分量法仅在阴天环境下具有可行性且基本能够满足实际需求，在晴天环境下无法完全准确分离作物和土壤。分析得出，阴天环境下综合比较优劣结果为a分量法>H分量法>ExG分量法，晴天环境下综合比较优劣结果为a分量法>ExG分量法。     

激光雷达和摄像机联合标定识别作物

作物识别技术广泛应用于杂草精准对靶施药、果实采摘机器人、植物病虫害识别等方面.从机器视觉和激光探测两方面分析了国内外作物识别的研究现状,机器视觉识别作物主要是利用作物的颜色、纹理、形状、位置特征;激光探测识别作物利用激光的测距信息.分析了国内外融合激光雷达和摄像机信息识别作物的研究现状,总结了激光雷达和摄像机联合标定的方法,并指出其在作物识别中的重要性.     

农业机械机器视觉导航研究进展

总结了近十几年来农业机械视觉导航中作物行定位与导航参数提取的方法及研究进展,并提出一些符合我国农业机械导航发展的研究方向和有关方法。     

基于多光谱影像和专家决策法的作物分类研究

[目的]探讨基于多光谱影像和专家决策法的作物分类,验证利用单时相多光谱影像区分农作物的可行性。[方法]以呼伦贝尔地区典型农业种植区为研究区,根据野外实测光谱数据,寻找区分研究区主要作物大麦、小麦、油菜的最佳时间,根据作物波谱特征,采用决策树方法,结合光谱角度制图（SAM）等光谱匹配方法,开展了作物分类研究。[结果]利用8月上旬获取的LandsatTM影像,在对影像进行几何校正、大气校正的基础上,构建决策树,成功提取了小麦、大麦、油菜、种植草场的种植信息,分类总体精度达到86.90%,Kappa系数达到0.8311。[结论]以典型时相的多光谱影像为数据源,应用决策树方法提取作物类型信息,具有较好的应用前景。     

基于多光谱影像和专家决策法的作物分类研究

[目的]探讨基于多光谱影像和专家决策法的作物分类,验证利用单时相多光谱影像区分农作物的可行性。[方法]以呼伦贝尔地区典型农业种植区为研究区,根据野外实测光谱数据,寻找区分研究区主要作物大麦、小麦、油菜的最佳时间,根据作物波谱特征,采用决策树方法,结合光谱角度制图（SAM）等光谱匹配方法,开展了作物分类研究。[结果]利用8月上旬获取的LandsatTM影像,在对影像进行几何校正、大气校正的基础上,构建决策树,成功提取了小麦、大麦、油菜、种植草场的种植信息,分类总体精度达到86.90%,Kap-pa系数达到0.831 1。[结论]以典型时相的多光谱影像为数据源,应用决策树方法提取作物类型信息,具有较好的应用前景。     

自然环境下苹果彩色图像分割研究

[目的]获得自然环境下较好分割苹果图像的方法。[方法]选取苹果被遮挡（主要是叶子）、相互重叠的情况作为试验图片,采用欧几里得距离对彩色图像进行预处理,在预处理中,利用边界盒的相似性准则,提高了处理速度;对预处理的结果进行黑白（苹果和非苹果）编码,产生一副二值分割图像;最后采用数学形态学对二值化图像进行处理。[结果]有效的去除了复杂背景、目标物被遮挡、相互重叠等存在的图像噪声,去噪效果良好。[结论]算法对成熟苹果具有很好的分割效果,但不适合未成熟苹果的分割。     

基于像素类型的阶跃型边缘提取算法

介绍一种用于提取目标图像和背景图像都比较简单的图像中的阶跃型边缘算法。把二值化图像中的像素点分为4类:背景点、目标体点、边缘点、噪声点;算法实现过程如下:首先对图像进行二值化处理,然后对二值图像中的目标体的边缘像素点进行跟踪,找出目标体的边缘曲线。试验表明:该算法实现简单、处理快速、抗噪性好。     

基于K-means与KNN的多特征苹果在线分级

【目的】准确获取红富士苹果的分级指标，为实现多特征融合的苹果分级提供依据。【方法】以均值滤波、全局亮度均衡化与图像裁剪方法，预处理实验所需的苹果图像；使用K-means聚类算法、OTSU最大类间方差法，将苹果灰度图转换为二值图；利用二值图与苹果原图的异或运算，提取苹果轮廓；采用苹果的二值图计算苹果的果实区域大小；使用颜色空间转换RGB-HSV中H通道划分果实红色区域；通过构建掩膜、形态学操作判断果体是否含有缺陷及计算其面积；构建最小外接矩形计算苹果的果径及果形；利用KNN分类算法实现多特征融合的苹果在线自动分级。【结果】基于K-means聚类与KNN分类相结合的苹果在线分级方法，在优于传统图像阈值分割效果的基础上，特级果分级准确率为97.14%,一级果分级准确率为100%,二级果分级准确率为93.75%,等外果分级准确率为100%,综合分级准确率达到97%。【结论】100个苹果测试准确率达到97%,验证了该分级方法的可行性与准确性。     

油菜气象信息管理系统研究

基于宣城农业气象试验站的油菜气象观测资料，利用Access2000数据库工具编制油菜气象信息管理系统，可以将文本文件、图片文件及其他多媒体文件集中存放，内容包括作物、灾害与气象、服务及观测人员4大类油菜气象信息，实现了油菜气象工作的信息化管理。提出的方法也可以用于其他作物气象业务。     

基于局部阈值的植物叶片图像分割算法研究

提供了采用数字图像处理方法快速分割含边框植物叶片的方法,分别采用局部阈值分割和最佳阈值分割获取二值图像,得到局部阈值分割效果较好的结论,最终得到了比较清晰的边框图像和叶片二值图像,为后续图像处理打下良好基础。     

基于多时相GF-1遥感影像的作物分类提取

为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

基于高光谱图像的新疆红富士苹果颜色分级研究

【目的】以新疆红富士苹果为研究对象,探讨应用高光谱图像技术对其着色面积进行的研究方法。【方法】对852/713双波段比图像作阈值分割,以及形态学开运算去除果梗区域,提取色调H灰度图像对应去除果梗的二值图像像素值为1的累计频度值,依据AdaBoost算法将15个BP神经网络弱分类器训练组成强分类器,对苹果的着色面积进行分类。【结果】采用AdaBoost_NN对苹果着色面积的分级与人工分级一致率达到97.7%。其中45个优等果有2个被错分为一等果,27个等外果有1个被错分为二等果。【结论】利用高光谱图像技术提取的特征波长图像能够很好的对苹果着色面积进行分级,为今后多光谱成像技术在线分析苹果品质奠定研究基础。     

基于多时相影像植被指数变化特征的作物遥感分类

高分一号GF1/WFV遥感影像具有较高的时间和空间分辨率,利用多时相影像开展农作物分类调查具有明显优势。以安徽省颍上县为研究区域,利用2017年5月至9月共6景多时相GF-1/WFV卫星遥感影像数据对主要农作物的分类识别提取。首先,通过分析研究区主要农作物的典型植被指数NDVI、EVI和WDRVI时序变化特征,明析了不同作物在各时相对不同VI的响应特征;其次,基于作物在不同时相的敏感VI变化响应,构建了决策树分层分类模型,成功提取了研究区玉米、水稻、大豆和甘薯四种主要作物种植空间分布情况。结果表明:总体精度达到90.9%,Kappa系数为0.895。同时,采用最大似然法、支持向量机对研究区作物进行分类,通过分类效果对比发现,最大似然法最差,支持向量机次之,决策树分类方法最佳。研究表明:利用多时相时间序列的遥感影像数据,结合作物植被指数特征,采用决策树分类方法可以有效提高作物分类的精度。