基于神经网络的视觉图像处理研究

近几年，随着神经网络理论的深入研究，人们对神经网络技术的并行性计算能力、非线性映射和自适应能力等优点有了充分的认识，各种神经网络模型在图像处理领域中得到了广泛的应用。对各种流行的神经网络模型在图像处理领域中的应用进行了综述，根据图像处理的具体内容进行了分类叙述，阐明了神经网络技术在图像处理领域中的优点和不足，并对将来神经网络技术在图像处理领域中的应用提出了展望。     

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。     

基于遗传神经网络的杂草与作物识别方法的研究

综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层前馈神经网络,实现了大豆与杂草的识别.首先,通过计算机视觉技术采集大豆与杂草的叶片图像作为测试样本,之后应用遗传神经网络建立对杂草图像的识别模型.研究结果表明,这种图像处理技术与神经网络的结合的方法,识别作物区域的准确率可达90%以上.     

基于机器视觉的鲫鱼和鲤鱼品种识别方法研究

淡水鱼品种的准确识别是淡水鱼深加工的前提。以鲫鱼和鲤鱼为对象,研制了鱼体品种识别装置,利用机器视觉技术对鱼体样本进行检测,获取鱼体样本图像;通过图像处理技术对鱼体图像进行分析处理,将鱼体分为5段,计算各段的平均宽度与各段长度的比值,获取鱼体形态特征参数,再以5个形态特征参数作为输入值,构建BP神经网络对鱼体品种进行识别。试验结果表明,该方法对150-500 g范围内的鲤鱼和鲫鱼识别准确率可分别达到100%和93.33%。     

基于图像处理技术的大豆灰斑病的检测技术研究

选择了平滑滤波、阈值分割等算法,利用图像处理技术和神经网络技术,对大豆灰斑病进行了检测,在标准豆粒与灰斑病豆粒混合的条件下计算出病粒的百分比。同时,在暗箱条件下用照相设备采集图像,利用VC++开发平台,编写程序对图像进行去噪和分割后,通过实验设计和数据统计分析提取出豆粒的23个形态特征和颜色特征参数。采用BP神经网络对豆粒进行进一步的测评。实验取得了良好的结果,识别准确,为今后大豆其他缺陷检测打下良好的基础。     

基于计算机视觉技术对杂交水稻裂颖种子的识别研究

应用计算机视觉技术理论,通过图像处理获取正常、微裂、裂颖3种杂交水稻种子的特征,并根据这些特征设计神经网络进行杂交水稻裂颖种子识别。结果表明,该方法能准确识别正常、微裂、裂颖的种子,识别率达到96%、85%、95%。     

基于双目视觉的测树方法研究

树木参数是林业调查的重要指标。依据双目视觉原理和图像处理技术提出一种基于双目视觉的测树方法研究,利用经纬仪和CCD代替双CCD,减少计算误差,再经图像处理和识别提取出树木参数。     

基于双目视觉的测树方法研究

树木参数是林业调查的重要指标。依据双目视觉原理和图像处理技术提出一种基于双目视觉的测树方法研究,利用经纬仪和CCD代替双CCD,减少计算误差,再经图像处理和识别提取出树木参数。     

基于BPNN的烤烟褐变程度识别及其分类烟叶质量分析

【目的】建立BP(Back propagation)神经网络(BPNN)自动识别系统，以实现烤烟褐变标准化和量化。【方法】以云烟87上部烟叶为样本，通过扫描获取烟叶颜色等特征信息，建立BP神经网络烤烟褐变程度识别模型，输出判别结果，以人工判别烤烟褐变结果为参考，进行相似度比较。通过外观质量、常规化学成分、多酚含量、TSNAs含量和感官质量变化分析比对，验证BP神经网络自动识别系统和人工识别结果的精准度。【结果】建立的BP神经网络模型能够精准识别烟叶褐化等级，其识别准确率为98.75%,分级烟叶外观质量、常规化学成分、多酚含量、TSNAs含量和感官质量变化与人工识别基本一致，两种识别模式无显著性差异(P<0.05),为杂色烟分级提供了客观评价方法，能有效区分不同褐变程度烟叶的可用性。【结论】BP神经网络识别系统对烟叶褐变程度鉴别精准度与人工识别接近，可以利用BP神经网络自动识别系统替代人工识别。     

基于深度神经网络的芯片上活体虫黄藻检测

为了对活体虫黄藻进行快速、无标签和低成本的检测,笔者结合微流控技术、显微图像处理和深度学习神经网络,提出了基于深度神经网络的活体虫黄藻检测方法,对混合了微球、正常与漂白虫黄藻细胞溶液进行检测,结果表明:使用明场显微图像进行训练的神经网络模型泛化至微流控芯片上细胞检测当中,且能以93.9%的平均识别精确度识别不同生理状态下的虫黄藻细胞与其他目标,说明该方法可从大量复杂、异质的细胞群体中快速准确地识别出目标细胞。     

基于图像处理技术的储粮害虫快速识别

为了快速检测、识别出储粮虫害图像中的虫体信息,为虫害的综合防治提供依据,提出了一种基于图像处理技术的害虫检测与识别快速方法,该方法采用图像预处理技术、形态学开重建以及基于改进Hausdorff距离的模板匹配算法.结果表明：该方法不仅可以正确检测、识别出害虫信息,并且在检测与识别效率上基本达到了实时性检测的要求.     

檀香咖啡豹蠹蛾虫害的树干区域分类研究

目的檀香是一种典型的珍贵树种，但不易成活且常遭受病虫害的干扰。本研究针对受咖啡豹蠹蛾危害的檀香，为提高受害檀香树干区域的分类效果，根据不同区域在颜色和纹理方面的特点，提出了一种复杂背景下受咖啡豹蠹蛾危害的檀香树干区域分类方法。方法(1) 本文首先结合高斯高通滤波、Otsu法、2G-R-B因子以及形态学运算，将树干从复杂背景中提取出来，再通过L*a*b*系统中的L*通道和a*通道将树干分割为健康区域、虫害区域和排泄物区域。(2)提出“多纹理”并使用“相对颜色”特征变换方法以提取图像特征。(3)提出BP神经网络和RBF-SVM相结合的方法对区域进行识别。结果(1) 本文提出的图像分割算法有效地将受虫害危害的檀香从背景中提取出来，并成功分割为健康区域、虫害区域和排泄物区域。(2)与传统PCA处理相比，使用“多纹理”和“相对颜色特征”得到的分类精度有所提高。其中，“多纹理”特征通过差异扩大的方法构建出的图像特征，明显增加了类间方差；“相对颜色特征”则减小了光照对样本的影响，从而减小了类内方差。(3)通过将RBF-SVM与BP神经网络方法相结合，对比发现，使用一种方法进行三分类的精度较低，分别为74.44%和81.11%；两次二分类后提高了精度，分别为87.77%和85.56%；而两种方法相结合的方式所得到的分类精度最高，总体可达91.11%。结论本文通过数字图像对受咖啡豹蠹蛾危害的檀香树干区域进行分类，为该虫害的早期识别以及受损率计算提供了方法，可以有效地减小檀香生长所受危害，提高心材质量，也为数字图像技术在林业中的应用提供了参考。      

An adaptive image segmentation algorithm for X-ray quarantine inspection of selected fruits

Although X-ray scanners are commonly used in airports or customs for security inspection, practical application of X-ray imaging in quarantine inspection to prevent propagation of alien insect pests in imported fruits is still unavailable. The first step to identify insect infestation in fruit by X-ray imaging technique is image acquisition. This is followed by the image segmentation procedure, which can locate sites of infestation. Since the grey level of X-ray images depends on the density and thickness of the test samples, the relative contrast of infestation site to the intact region inside a typical fruit varies with its position. To accurately determine whether a fruit has signs of insect infestation, we have developed an adaptive image segmentation algorithm based on the local pixels intensities and unsupervised thresholding algorithm. This paper presents the detailed image processing procedure including the grid formation, local thresholding, threshold value interpolation, background removal, and morphological filtering for the determination of infestation sites of a fruit in X-ray image. The real-time image processing procedure was tested with X-ray images of several types of fruit such as citrus, peach, guava, etc. Additional tests and analyses were also performed using the developed algorithm on the X-ray images obtained with different image acquisition parameters.     

农业害虫远程自动识别诊断系统应用技术研究

运用昆虫图像处理及分析系统(BugVisux)对害虫图像进行分析、处理,获取图像的数字化特征值,建立主要农业害虫的数字化特征库;系统包括客户端、服务器端和数据库端的3层结构,可通过CCD摄像头自动获取图像视频,经过远程传送到服务器端,由服务器端进行图像分析与处理,最终达到能够对昆虫进行识别、诊断的目的。     

威海市气象条件与农业病虫害发生规律的研究与实践

从建立威海市主要农作物和果树病、虫害的发生、发展及预测的气象要素相关联的数据库入手,通过建立主要农作物和果树病、虫害发生的空间分布图,结合历史资料,制作威海市主要农作物和果树病、虫害预报节目和手机短信等,在气象科技为地方经济服务方面提供了新的结合点。     

基于机器学习和图像处理技术的病虫害预测

针对传统病虫害预测过于繁琐、准确度低的现状,提出一种基于图像处理与SVM(支持向量机)结合的病虫害预测算法,并对未来几年病虫害可能发生的面积进行了有效预测.首先通过图像滤波、特征提取等图像处理技术得到昆虫数学形态学特征,然后结合往年病虫害数据对特征进行标签设定和科学分类,继而对未来病虫害的发生进行合理预测.通过构建动态预测模型进行有效的、科学的病虫害预测预报.最后,通过与实际值进行对比,预测精度达到了90%.实验结果表明,该方法具备较好的预测精度,是一种合理科学的预测方法.     

频振式杀虫灯在烟草害虫防治中的应用研究

为了探索云南烟叶生产中害虫防治的有效方法,在火木龙现代烟草示范区利用频振式杀虫灯开展了烟草主要害虫防治示范试验,结果表明:该杀虫灯把杀虫工作日常化,能有效防止爆发大面积虫害;对蚜茧蜂、食蚜、蝇草蛉等天敌有一定的保护作用,对烟青虫、斜纹夜蛾、金龟子等害虫防效显著;投入成本低,控制面积大,操作简便;通过物理方法诱杀害虫,大大减少农药用量,同时不会使害虫产生抗药性,降低了烟叶农药残留,提高烟叶品质,减少对环境的污染,避免人畜中毒事件发生。这说明频振式杀虫灯具有较好的经济效益、社会效益和生态效益,可在烟草害虫防治中大面积推广使用。     

棉花病虫害防治中的叶面喷肥技术应用

为了增加棉花的产量,应该及时采取有效的防治病虫害措施。本文介绍棉花的叶面喷肥处理方法,及其如何应用于防治棉花的病虫害上。     

图像分析技术在农作物污染损害鉴定中的应用

农作物损害表症的快速识别对防止农作物受损、提高农作物的产量以及在农业生产中反应指示、预警潜在农作物污染损害行为，减低污染对农作物生长和农产品质量安全的威胁具有重要意义。随着图像处理技术的快速发展，基于图像处理技术的分析方法实现了对农作物损害快速、准确的无损检测与识别，本文对该方法在农作物病害、虫害、草害、污染胁迫、气象灾害和营养缺素6种逆境条件下的研究和应用进行综述，并对农业环境损害鉴定中污染损害识别研究现状进行总结，认为基于图像分析的农作物污染胁迫识别系统的研发在农业环境损害司法鉴定中有很好的应用前景，值得进一步深入探索和研究。     

基于卷积神经网络的水稻虫害识别方法

为解决人工识别水稻虫害难度大、费时费力的问题,研究了一种自动识别水稻虫害的方法。选取2 500张红袖蜡蝉、稻绿蝽、稻螟蛉、点蜂缘蝽、大螟图片建立数据库,利用深度卷积神经网络提取水稻虫害数据集特征,采用随机梯度下降法训练,得到最优权重文件。测试训练好的模型,并对比Faster-RCNN、SSD和YOLOv3算法的效果。结果表明,YOLOv3算法的平均精度最高,其在红袖蜡蝉、稻绿蝽、稻螟蛉、点蜂缘蝽、大螟5种水稻虫害中分别为97.40%、88.76%、85.74%、92.96%、94.78%,五类水稻虫害mAP为91.93%。与Faster-RCNN算法相比,平均准确率高1.43个百分点,单张图像检测耗时减少853.68 ms;与SSD算法相比,平均准确率高5.56个百分点,单张图像检测耗时减少2.9 ms。选择5类比较具有代表性的水稻虫害图片进行测试,对于叶片遮挡目标和相似背景等情况,YOLOv3算法能够正确识别不会出现漏检错检,且识别准确率大于98%。将YOLOv3算法引入田间复杂情况下的水稻虫害识别是可行的,具有较高的平均准确率以及较快的检测速度,能够准确识别水稻虫害,这对于水稻虫害防治和田间喷药等方面具有重要意义。