自然背景下计算机视觉技术在西红柿采摘中的应用

针对西红柿种植过程中,采摘费时费力的问题,将计算机视觉技术与图像处理和模式识别技术相结合,开发了在自然背景条件下的西红柿自动识别系统。运用双目立体视觉系统来识别红色西红柿,去除原始图像的噪声、转换图像的灰度、对新图像进行分割和目标特征提取,从背景中把西红柿分离出来;同时,针对果实间存在的重叠问题,采用圆形Hough变换算法,提取西红柿的圆心坐标和半径特征,通过获取T=Sqrt(s×l)图像,恢复被遮挡西红柿。利用该技术,采集了不同条件下的100张西红柿照片,其中99张照片被准确识别,识别率达到9 9%以上,能够较好地满足西红柿采摘工作的要求。     

温室黄瓜果实的模式识别与分割-利用Bayes分类判别模型

利用黄瓜果实与其果梗叶片在颜色深度上的差异,采用在自然背景下的黄瓜图像为训练样本,分别提取出黄瓜果实与背景的RGB颜色分量信息,计算出各自的分类判别函数,利用Bayes分类判别模型对自然背景下的黄瓜果实进行判别。试验表明:利用Bayes模式识别能够较好地实现对成熟黄瓜果实与背景的分离;在识别后对图像进行腐蚀,膨胀,区域标记及特征提取等处理,能够较为准确地提取出成熟黄瓜果实及其重心位置。     

基于注意力机制的葡萄品种多特征分类方法

针对田间自然背景下葡萄品种鉴别缺乏有效识别方法的问题,提出了一种基于融合注意力机制的残差网络ResNet50-SE,对自然背景下不同生长时期的葡萄品种进行分类鉴别,分析并验证了网络的识别效果。将SE注意力模块引入ResNet-50网络,并通过迁移学习实现基于不同时期下葡萄的嫩梢、幼叶及成熟叶片特征的识别;同时为了揭示注意力机制的作用机制,利用Grad-CAM可视化方法,对ResNet50-SE模型每一层所提取的不同生长阶段下的葡萄特征进行可视化解释;通过t-SNE算法对模型提取到的不同葡萄品种的多特征进行聚类分析,进而直观评估模型对多特征提取的性能。结果表明：提出的ResNet50-SE网络在田间复杂背景条件下对于葡萄不同时期的多特征识别具有较高的识别率和较强的鲁棒性,模型测试集准确率达到88.75%,平均召回率达到89.17%,相比于AlexNet 、GoogLeNet、ResNet-50、VGG-16,测试集准确率分别提高了13.61、7.64、0.70、6.53个百分点;注意力机制能明显降低背景影响,强化有效特征;模型对训练集提取的不同生长时期的特征聚类效果较强。可见,SE模块可明显提升ResNet-50模型在特征提取过程的效果,有效降低田间复杂背景对分类结果的影响,为田间复杂背景下葡萄品种的分类识别及田间多特征分类问题提供借鉴。     

基于随机森林算法的自然光照条件下绿色苹果识别

果实识别是自动化采摘系统中的重要环节，能否快速、准确地识别出果实直接影响采摘机器人的实时性和可靠性。为了实现自然光照条件下绿色苹果的识别，本文采集了果实生长期苹果树图像，并利用随机森林算法实现了绿色苹果果实的分类和识别。针对果树背景颜色和纹理特征的复杂性，尤其是绿色果实和叶片在很多特征上的相似性，论文基于RGB颜色空间进行了Otsu阈值分割和滤波处理，去除枝干等背景，得到仅剩果实和叶片的图像。然后，分别提取叶片和苹果的灰度及纹理特征构成训练集合，建立了绿色苹果随机森林识别模型，并使用像素模板验证数据集，对模型进行预测试验，正确率为90%。最后，选择10幅自然光照条件下不同的果树图像作为检测对象，使用该模型进行果实识别并使用霍夫变换绘制果实轮廓，平均识别正确率为88%。结果表明，该方法具有较高的鲁棒性、稳定性、准确性，能够用于自然光照条件下绿色果实的快速识别。     

基于超轻量化孪生网络的自然场景奶牛单目标跟踪方法

针对跟踪模型泛化能力差、跟踪模型正样本选取质量低、深层模型参数量大不利于部署等问题，本文提出了超轻量化孪生网络模型Siamese-remo。首先结合传统随机采样方法和go-turn方法，设计出新型的正负样本选取策略，增加模型泛化能力；其次采用shiftbox-remo的数据增强方式均匀正样本分布，并提升正样本采集质量；然后通过改进后的超轻量化Mobileone-remo网络提取特征，一定程度减少深层网络对跟踪平移不变性的破坏，并预设不同特征融合参数，单独训练网络分类和回归；最终加入Center-rank loss函数，根据样本点位置影响置信度、IOU排名，对网络分类回归策略进行优化。实验证明，自然场景下奶牛单目标跟踪模型期望平均重合度(Expected average overlap, EAO)达到0.475,相对于基线模型提升0.078,与现有跟踪器对比取得了较好的成绩，且参数量仅为现有主流算法的1/20,为后续自然场景下奶牛身份识别与目标跟踪系统提供了技术支持。     

西红柿力学性能试验

结合国内西红柿采摘方式仍比较单一,大多处于人工采摘的现状,对西红柿采摘技术进行研究,从西红柿本身入手,对西红柿的受力进行力学分析,采用带有藤的西红柿作为试验材料,使用精密型微控电子万能试验机进行剪切和压缩试验。采用统计软件对西红柿以及藤的每个阶段力学特性参数进行数据分析,得出西红柿最大抗压弹性强度为0.017 MPa,其弹性模量为8.33 MPa;西红柿藤被剪断的力最小值为233.05 N。西红柿的抗压性能以及西红柿藤受剪切时的参数为西红柿采摘机设计提供参考依据。      

基于深度学习的大豆生长期叶片缺素症状检测方法

为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。     

基于主成分回归的茎直径动态变化预测方法

影响植物茎直径变化的因素有很多,除了植物的自然生长外,气象因子和土壤含水率也是十分重要的因素。以空气温度、相对湿度、气压和光合有效辐射4个温室内的主要气象因子和土壤含水率为观测对象,对处于生长末期的4株温室向日葵样本和2株西红柿样本进行监测试验。以其中一株向日葵样本为对象,对其茎直径变化的影响因素作主成分分析并建立回归模型。将试验样本上的监测数据输入模型,对向日葵样本和西红柿样本的茎直径变化量进行预测,并分别与其各自实测值比较。结果显示,该回归模型对处于生长末期的温室向日葵和西红柿茎直径动态变化有较好的预测,预测值与实测值相关分析的决定系数为0.649~0.782,均方根误差为0.029~0.143。     

基于树木整体图像和集成迁移学习的树种识别

为解决自然场景中拥有复杂背景的树木整体图像识别问题,提出了一种基于树木整体图像和集成迁移学习的树种识别方法。首先使用Alex Net、Vgg Net-16、Inception-V3及ResNet-50这4种在Image Net大规模数据集上预训练的模型对图像进行特征提取,然后迁移到目标树种数据集上,训练出4个不同的分类模型,最后通过相对多数投票法和加权平均法建立集成模型。构建了一个新的树种图像数据集——Trees Net,基于该数据集,设计了多类实验,并将该方法与传统的图像识别方法进行了分析比较。实验结果表明:该方法对复杂背景下树种图像识别准确率达到99. 15%,对于树木整体图像识别具有较好的效果。     

基于对数相似度约束Otsu的自然场景病害果实图像分割

针对自然场景下,由于复杂背景以及多变环境,水果病害果实图像分割难的问题,提出了一种基于对数相似度约束Otsu和水平集活动轮廓的近椭圆形病害果实图像分割方法。考虑背景的复杂多变,提出对数相似度约束Otsu分割来区分病害果实与背景;由于水平集活动轮廓模型的局部最优性,提出采用自适应膨胀系数的改进距离规则水平集活动轮廓模型来精确演化轮廓。先对病害果实区域样本的颜色进行混合高斯建模,获得整个病害果实图像与样本模型的对数相似度;对对数相似度进行约束Otsu阈值分割以及形态学滤波;采用最小二乘法对滤波后的曲线轮廓进行椭圆拟合,对拟合后的椭圆采用自适应膨胀系数的距离规则水平集活动轮廓演化,得到病害果实完整轮廓。对18个不同场景的病害果实进行分割,平均误判率和漏判率分别为1.77%和1.6%,实验结果表明,该方法可以从复杂自然场景图像中分割出病害果实。     

基于HIS颜色特征的田间成熟番茄识别技术

研究了一种基于HIS颜色特征的田间成熟番茄识别技术。将计算机视觉系统获取的番茄RGB图像转换成HIS图像，通过统计H、I、S分量的灰度分布找出成熟番茄、未成熟番茄和叶子(枝干)灰度分布差别；然后根据H分量的灰度分布用阈值法分割出成熟番茄区域；经过空洞填充后，计算出番茄质心坐标。该方法对田间成熟番茄之间相互分离的情况有很好的识别效果。     

基于颜色特征的番茄图像分割算法的研究

图像分割是实现田间番茄机器识别的关键部分。根据采摘番茄目标与背景在颜色特征上的差异性,对田间采摘番茄的图像分割算法进行了研究。通过分析比较各种方法的分割效果和所耗费的时间可知,大律分割法具有较好的分割效果,但其在实际应用过程中却存在着一定的问题。针对出现的问题,对该方法进行了相应的改进。研究表明,改进后的大律分割法能较好地处理田间采摘番茄的图像,为进一步采摘识别提供了条件。     

基于计算机视觉的番茄营养元素亏缺的识别

以肉眼不易识别的番茄缺氮和缺钾初期为研究对象，对体现在叶片颜色和纹理上的缺素症状进行了特征提取，利用遗传算法对提取的众多缺素特征进行优化组合，选择出用于模式识别分类器设计的特征向量，建立了二叉树分类法对番茄缺素进行模式识别的框架，在该框架下，基于模糊K－近邻法建立了缺素的模式识别系统，并进行了识别测试。结果表明，对不易肉眼判别的番茄缺氮和缺钾初期叶片的识别准确度在85％以上，能够满足生产要求。     

基于边缘曲率分析的重叠番茄识别

为提高重叠番茄的识别正确率,提出了一种基于边缘曲率分析的重叠番茄识别方法。该方法从二值图像中提取番茄区域的边缘,并且为进一步计算出边缘点曲率,对边缘点按逆时针方向进行排序。计算出边缘点曲率后,剔除掉曲率异常的边缘点。最后通过对各剩余边缘分别进行圆回归,实现重叠番茄的识别。为减小作业环境光照变化及枝叶遮挡等因素给识别带来的影响,采用了基于归一化色差的固定阈值分割方法,6条边缘识别准则及3条圆回归准则。119幅图像的试验结果表明,存在轻微遮挡的重叠番茄识别正确率为90.9%;遮挡率大于25%且小于50%时,识别正确率为76.9%;遮挡率大于50%时,识别正确率为23%。     

基于Lab颜色空间的棉花覆盖度提取方法研究

基于手持高清可见光图像和无人机可见光遥感影像中植被与非植被像元在不同颜色空间单通道上分布的差异性,以苗期和蕾期的棉花为对象,进行了棉花覆盖度的提取方法研究。基于不同天气状况和不同采集时刻等光照条件下采集的29幅具有不同覆盖度的棉花地面可见光图像,分别对比分析了Lab颜色空间a通道、RGB颜色空间2G-R-B指数和HIS颜色空间H通道对棉花的识别能力,以及使用动态阈值和固定阈值两种情况下的棉花覆盖度提取精度。其中动态阈值通过植被与非植被像元的高斯分布交点确定,固定阈值在3种颜色空间分别设置为动态阈值的均值。结果表明,植被像元与非植被像元在a通道、2G-R-B指数和H通道上呈现高斯分布,可以采用非线性最小二乘算法实现高斯分布拟合。通过高斯分布拟合求解交点得到的动态分类阈值分布范围较为集中,将其均值-3.78、0.06、0.13设定为固定分类阈值。相比于2G-R-B指数和H通道,a通道对绿色植被的识别能力最好,更适合提取棉花植被覆盖度;相比于动态阈值,固定阈值的提取精度更好,平均提取误差为0.009 4。将该方法应用到无人机尺度时,同样可以较好地提取不同天气状况和不同土壤干湿类型的棉花覆盖度,且总体平均提取误差为0.012。经过初步检验和分析认为,基于植被与非植被像元在Lab颜色空间a通道上分布的差异性,结合固定分类阈值,可以精确地提取不同光照条件下的苗期和蕾期棉花覆盖度。     

基于OHTA颜色空间的瓜果轮廓提取方法

提出了一种对彩色水果图像进行果实轮廓提取的算法.首先将图像转换为OHTA颜色空间中的灰度图像,用阈值法实现了图像分割;然后用BLOB算法滤去图像中的噪声;最后用插值的方法得到平滑的轮廓曲线.利用开发的智能瓜果精选分级试验样机,按照大小对温室西红柿进行分类,对算法的精度和实时性进行检验,结果表明算法的精度可达98%,分选速度达到3个/s,达到了实用化的目标.     

基于迁移学习的温室番茄叶片水分胁迫诊断方法

为实时诊断番茄叶片水分胁迫程度，提出一种叶片水分胁迫程度的诊断方法，该诊断方法包括2部分：叶片分割和水分胁迫程度分类。采用以ResNet101为特征提取卷积网络的Mask R-CNN网络对背景遮挡的番茄叶片进行实例分割，通过迁移学习将Mask R-CNN在COCO数据集上预训练得到的权重用于番茄叶片的实例分割，保留原卷积网络的训练参数，只调整全连接层。利用卷积网络提取的特征，可将番茄叶片分割视为区分叶片与背景的一个二分类问题，以此来分割受到不同水分胁迫的番茄叶片图像。利用微调后的DenseNet169图像分类模型进行叶片水分胁迫程度分类，通过迁移学习将DenseNet169在ImageNet数据集上预训练得到的权重用于番茄叶片水分胁迫程度的分类，保持DenseNet169卷积层的参数不变，只训练全连接层，并对原DenseNet169全连接层进行了修改，将分类数量从1.000修改为3。试验共采集特征明显的无水分胁迫、中度胁迫和重度胁迫3类温室番茄叶片图像，共2000幅图像，建立数据集，并进行模型训练与测试。试验结果表明，训练后的Mask R-CNN叶片实例分割模型在测试集上对于单叶片和多叶片的马修斯相关系数平均为0.798，分割准确度平均可达到94.37%。经过DenseNet169网络训练的叶片水分胁迫程度分类模型在测试集上的分类准确率为94.68%，与 VGG-19、AlexNet这2种常用的深度学习分类模型进行对比，分类准确率分别提高了5.59、14.68个百分点，表明本文方法对温室番茄叶片水分胁迫程度实时诊断有较好的效果，可为构建智能化的水胁迫分析技术提供参考。     

基于像素点变换法的苹果颜色分级系统研究

苹果的着色面积比是苹果颜色分级的一个重要依据。采用HSI颜色模型中的色度值作为苹果颜色分割的依据,通过设置合适的色度值提取出苹果的着色区域,再利用像素点变换法计算苹果的整个表面积和着色面积,得到苹果的着色比,最终判断苹果的等级。试验表明,该方法具有精度高、速度快的特点。     

利用作物冠层叶气温差预报根系层土壤含水率的试验研究

根系是作物吸收水分的重要器官,根系的生长和分布对水分利用起着重要的作用,试验以番茄作为研究对象,于2011年的春夏两季对日光温室番茄的根系活动层内土壤容积含水率与冠层叶-气温差之间的关系进行了研究。结果表明：反映日光温室番茄的冠层叶-气温差与土壤含水率关系的最佳测定时间是13：00～15：00,根据该时段内的数据分析发现,冠层叶-气温差与不同深度范围内的土壤容积含水率成负相关,且与20～30cm土层内的土壤容积含水率相关性最为显著,相关系数为-0．808,通过回归分析,得出冠层叶-气温差（△T）与20～30cm土层内的土壤容积含水率（Sw）两者之间的回归方程为SW=-0．017AT＋0．155,因此可以确定番茄根系的活动层主要分布在土层的20～30cm范围内。     

基于机器视觉的自然环境中成熟荔枝识别

研究了自然场景下成熟荔枝的识别技术.通过分析荔枝彩色图像的颜色和灰度特征,选取YCbCr颜色模型进行处理,对其Cr分量图进行阈值分割去除复杂背景,并采用形态学和连通区域标注法消除分割后的随机噪声;然后结合一维随机信号直方图分析法与模糊C均值聚类法( FCM)对处理后的荔枝图像进行聚类和分割,实现荔枝果实和果梗的识别.不同光照条件下的识别实验结果表明,算法均能有效分割出果实和果梗,综合识别率达到95.5％.