图书馆在架图书书脊与标签实例分割方法研究

准确获取图书信息是智能化管理图书的关键，为实现在架图书书脊和书脊底部标签的精确分割，本研究在SparseInst基础上提出增强编码器实例分割模型EE-SparseInst。该模型使用特征选择对齐模块将特征图对齐并融合，以减少边界信息损失，使用边界解析模块增强相邻书脊边缘处的语义表示，提高掩码的分割质量。建立在架图书图像数据集，数据集包含2 253张图像和标注信息。结果表明，EE-SparseInst平均精确率达到80.81%,相较于CenterMask、SOLOv2、PolarMask和SparseInst 4种主流锚框自由式实例分割方法分别提高了7.57%、20.07%、10.50%、0.74%。     

基于SegNet模型的高原鼠兔的图像分割

针对高原鼠兔图像目标尺寸小、背景复杂、特征不显著、基于活动轮廓的图像分割模型无法有效分割的问题，采用基于卷积神经网络的SegNet语义模型对高原鼠兔图像进行分割：首先将采集的高原鼠兔图像进行预处理，尺度归一化后制作成与Pascal VOC数据集格式一致的数据集；然后将数据集分为训练集与测试集，采用训练集对SegNet模型训练，测试集对模型进行分割测试。对高原鼠兔图像分割的试验结果表明：与基于活动轮廓的Chan_Vese模型相比，基于卷积神经网络的SegNet模型对高原鼠兔图像分割时的交并比、平均像素精度、Dice相似性指数和Jaccard指数分别提高了68.33%、9.35%、30.61%和47.98%，过分割率和欠分割率分别降低了87.20%、16.52%。     

基于语义分割网络的克氏原鳌虾图像识别与分割

为高效获取克氏原螯虾的精准分割图像，提出了一种基于语义分割网络的克氏原螯虾图像识别与分割的方法。首先，在克氏原螯虾上市季节（4—8月）拍摄其图像，建立数据集；然后使用Labelme对所采集的数据集制作标签，进行数据增强，并将数据集按8∶2的比例随机划分为训练集和验证集；最后基于U-Net语义分割网络基础来对数据集进行预处理操作，其中网络的编码器部分捕捉克氏原螯虾图片的上下文信息，解码器部分对克氏原螯虾图片进行精准定位，完成分割任务。结果表明，训练后网络模型的validation Dice（验证集相似度）达到0.944 5,validation loss为0.055 5。这表明该研究所提出的语义分割网络可以较好地解决克氏原螯虾识别与分割问题，能够实现准确、高效的克氏原螯虾图像分割，为实现克氏原螯虾机器化优质选种打下了的基础，也为水产养殖智能化提供了视觉支持。     

基于卷积评价及对抗网络的花粉、孢子图像增广算法

针对花粉、孢子图像特征复杂,样本稀缺及种类繁多制约图像检测识别效果的问题,建立基于自适应阈值分割的pix2pix图像增广模型.首先基于卷积评价改进自适应阈值分割算法,择优选取语义分割图像;其次构建pix2pix图像增广模型,将语义分割图像和原始图像建立标签映射用于模型训练,根据语义分割图像生成仿真图像,扩充样本数据集.结果表明,以149种花粉、孢子图像为样本,通过图像增广模型生成的花粉、孢子图像整体相似度达到85.40％;图像增广前Faster RCNN、YOLOv3检测模型的检测精准率分别为86.18％、85.64％,使用增广后的样本训练模型,检测精准率分别达到92.16％、90.57％,提升5.98个百分点和4.93个百分点.     

基于超像素特征向量的果树冠层分割方法

针对无人机精确植保过程中,果树冠层区域颜色特征和杂草相似度较高、难以分割等问题,采用基于超像素特征向量的果树冠层分割方法,以消除不同杂草特征对树冠分离的干扰,减小农药喷雾区域,节省农药使用量.通过分析无人机采集合成的样本图像在HSV彩色空间上色调与饱和度的分布情况,选取合适的阈值范围,提取样本图像中包含果树冠层与杂草的绿色区域,将提取的绿色区域RGB图像转换生成Lab和HSV彩色空间模型下的图像,然后运用简单的线性迭代聚类(Simple linear iterative clustering,SLIC)超像素分割算法将RGB图像预设分割成250个超像素单元,结合超像素的分割信息与RGB图像、Lab图像、HSV图像以及灰度图,提取超像素单元的特征向量,随机选取25％的超像素样本的特征向量作为SVM分类器的训练集,利用SVM分类器对所有样本进行预测分类,实现果树冠层与杂草分割.将基于超像素特征向量的方法和基于光谱阈值、K-means聚类的2种方法进行对比分析,结果显示,基于超像素特征向量的方法在识别果树冠层位置方面生产者精度为90.83％,在提取果树冠层轮廓上F测度值为87.62％,总体分割性能优于后两种方法.说明,基于超像素特征向量的方法能够较为准确地分割果树冠层与杂草,为实现无人机在果园中精确植保提供重要支撑.     

基于深度学习的图像分割在畜禽养殖中的应用研究进展

图像分割作为智慧农业养殖中“视觉系统”的重要组成部分，被广泛应用于畜禽的智慧养殖中。近年来，深度学习算法飞速发展，基于深度学习的图像分割技术也取得了重大突破。这些方法赋予了分割区域更准确的语义信息，使得图像分割更加精准和智能，为畜禽智慧养殖提供了更强的技术支持。本文通过广泛收集和整理国内外研究的相关文献，重点阐述了图像分割技术在畜禽养殖中的畜禽计数、体尺体质量测量、姿态估计与行为识别、体况及疾病检测、精准饲养等方面的应用现状，给出了如何根据实际性能需求（精度、处理速度）、数据集、计算资源等方面选择合适图像分割方法的建议，总结分析了当前研究中与畜禽养殖相关且可用于图像分割训练的公开数据集；并指出了基于深度学习的图像分割技术在畜禽养殖中所面临的挑战与未来的发展趋势，希望能为畜禽养殖中图像分割技术的具体应用提供参考。     

图像分割算法在肉鸡深度图集上的研究

[目的]针对在复杂环境背景中难以识别分割多只肉鸡的问题,探讨基于深度学习实现对多只肉鸡深度图像分割的方法.[方法]利用深度相机,通过不同的拍摄角度(俯视、正视、侧视)在自然环境下采集肉鸡不同姿势(站立、俯卧、抬头、低头等)形态的深度图像,并使用CVAT标注软件对深度图像进行精确标注,建立肉鸡深度图数据集(含4058张深...     

基于改进U-Net网络的苹果叶部病害语义分割方法

针对自然条件下苹果叶部病斑分割与识别效果欠佳的问题，本文提出一种融合条件随机场和卷积块状注意力模块的苹果叶部病害语义分割模型，实现苹果叶部锈病、褐斑病、灰斑病及斑点落叶病的病斑准确分割和识别。本文在U-Net模型基础上，使用ResNet50为骨干网络防止梯度消失问题，并分别在跳跃连接分支与上采样层加入卷积块状注意力模块，减少训练过程中的分割精度损失，融合Dice Loss和Focal Loss降低损失波动，最后利用条件随机场优化分割结果，获取病斑掩模图像，实现对苹果叶部病害语义分割。本研究在自制苹果叶部病害数据集上进行试验，分析了光照、阴影及水滴等因素对分割结果的影响。试验结果表明：本文构建的语义分割模型相比传统U-Net模型，平均分割精度(mIoU)提升8.24百分点，平均分类精度(mPrecision)提升11百分点，类别平均像素准确率(mPA)提升6.09百分点，受光照不均、雨滴的影响更小，具有更好的鲁棒性和可靠性。     

基于语义分割的棉花垄间实时道路识别

为解决棉花垄间道路识别准确性和实时性差的问题,建立用于棉花垄间道路实时识别的Quarter-Unet模型,深度学习语义分割模型FCN和Unet对棉花垄间道路识别的适应性,选择适应性更好的Unet模型,对其VGG16主干进行剪枝,得到Half-Unet和Quarter-Unet,采用640幅图像组成的训练集和160幅图像组成的验证集进行研究,结果表明,与Unet模型相比,在识别的MIoU基本不变的情况下,Quarter-Unet的内存占用量降至19.5%,而处理速度提高至155%,为后续研发棉花田间智能农机导航设备提供了技术基础。     

结合深度学习和引导滤波的苹果叶片图像分割

针对传统方法对苹果叶片进行图像分割和测量几何形状参数精确度较低的问题，结合基于深度学习和引导滤波技术提出一种新的苹果叶片图像自动分割算法。首先采用深度学习方法，使用BiseNet卷积神经网络对苹果叶片图像进行自动分割，得到苹果叶片主体轮廓；然后使用彩色苹果叶片图像作为引导图像对主体轮廓进行引导滤波处理，以增强边缘锯齿等细节特征信息；最后将主体轮廓与细节特征信息进行联合分割，得到完整、准确的苹果叶片信息。对包含174种8 184张苹果叶片图像数据集进行试验，结果表明苹果叶片分割的精确率达到98.99%，交并比98.82%。利用本研究算法能够真正实现准确、快速测量苹果叶片的面积、周长等参数值，为苹果叶片几何参数的测定提供了一种新的测量方法。     

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。     

基于词典和全切分的中文农业网页分词算法的研究

针对农业垂直搜索中中文分词要求的特殊性,提出-5基于词典和全切分的中文分词算法。该算法首先对经过预处理的网页进行基于词典的机械式切分,对未识别的字串再进行基于贝叶斯（Bayes）方法的全切分概率计算,通过计算字串的最大切分可信度确定最合理的切分,并更新词典。实验从120万张农业中文网页中随机抽取14组生成测试集,测试结果表明,该算法与正向最大匹配算法（FMM）和逆向最大匹配算法（RMM）相比具有更高的召回率,F1测度平均达到88％。     

基于不一致性法的最优分割参数评价

影像分割是基于对象分析方法的前提,分割结果的质量决定了后续分类的精度,分割参数的选择影响到分割结果的好坏.基于不一致性度量方法,考虑几何不一致性和算术不一致性,构建了新的最优分割参数评价指标FIX,实现最优分割参数的选择.选取高空间分辨率IKONOS影像上2种不同地物(池塘、农田)进行实验研究,表明不同地物具有不同的最优分割参数,为最优分割参数评价方法提供一种思路.     

基于改进的轻量版SOLOv2红鳍东方鲀实例分割方法

为解决红鳍东方鲀养殖密度不均导致图像分割精度低和小目标分割效果差的问题，提出一种改进的轻量版SOLOv2实例分割方法。首先进行可变形卷积（deformable convolutional networks，DCN）网络结构的优化调整，通过在卷积核上增加偏移参数，调整卷积的感受野，使感受野与物体的实际形状更加贴近；再在残差模块最后一层引入无参数注意力机制SimAM，捕捉图像中更多的局部信息，获得不同尺度的目标特征，优化模型对小目标分割的性能。试验结果显示，改进后的轻量版SOLOv2模型较原有模型平均分割精度提高了3.7个百分点，对小目标的分割精度提升了1.4个百分点，同时加入DCN和SimAM注意力模块后，模型的分割精度提高到65.2%。结果表明，改进后的SOLOv2模型可以提高边界处的细节感知能力，强化模型对小目标鱼群特征的提取能力，可用于高密度场景下的精准实例分割，实现红鳍东方鲀鱼群目标精准像素级分割。     

基于光源不变图和聚类算法的叶片阴影中病斑的分割

【目的】提出了一种基于光源不变图的病斑分割方法,以提高病斑识别程序的准确性和稳定性。【方法】将阴影区和非阴影区视为不同光源照明,通过最小熵法计算原图的光源不变图,在该图上采用K均值聚类算法对病斑进行分割,以采集的病斑叶片为材料,对该方法的处理效果进行验证。【结果】比较光源不变图法和H分量法的处理结果后发现,采用光源不变图法处理病斑不同区域的平均差异较H分量法更低,仅为10.7%;聚类分割算法对使用光源不变图法处理病斑图像的分割准确率为95.0%,较H分量法具有更高的正确率,且误检率更低。【结论】采用光源不变图法对病斑图像处理的效果好、性能稳定,同一目标在不同光照条件下处理结果的一致性较高。     

利用Randon变换进行图像分割与特征提取

对预处理之后的二值图像沿水平和竖直方向投影并截底,然后对结果投影图进一步搜索处理,可分割出具有水平和竖直方向,且成直线分布的物体特征.类似的方法可分割提取出倾斜的物体特征.它是基于全局信息,有极好的抑制噪声的性能.     

苹果树图像分割算法研究综述

在国内外图像处理和机器视觉技术在苹果树图像分析应用相关研究的基础上,总结了专门针对苹果树图像分割技术的研究进展。按照图像分割的技术体系,分析了苹果树图像分割技术的主要研究进展,系统地总结了图像分割算法及其在苹果树图像应用上的特点,提出了苹果树图像分割算法的演进图,展望了苹果树图像分割算法研究发展的趋势,为基于图像处理及机器视觉技术的苹果信息化技术研究提供了参考。     

一种两阶段彩色图像分割方法的原木识别

针对原木图像存在年轮、锯痕以及原木之间紧密接触的问题,提出两阶段分割方法,即依据原木目标和背景的颜色差异应用K均值算法进行聚类得到相互紧密接触的原木目标分割结果;然后应用分水岭分割算法将粘连的原木目标加以分离．结果表明：与直接用分水岭算法和K均值算法相比,本方法能够有效地分割出原木目标．     

基于面向对象的滑坡快速识别技术研究

对滑坡快速识别技术研究,可为滑坡灾害调查、灾后快速反应以及道路选线等提供重要依据。利用遥感影像,采用面向对象的影像分析技术与多尺度影像分割技术,运用eCognition软件对日本广岛地区进行滑坡快速识别。针对研究区复杂的地物类型,构建优化分类模型,选择适宜的影像分割尺度和分类特征,按照合理顺序逐步识别滑坡体。试验表明,该方法识别速度快、精度高,为遥感影像滑坡快速识别提供了新思路。