基于鸡头特征的病鸡识别方法研究

健康黄羽鸡鸡冠鲜红、纹理均匀,鸡眼圆润有神,病鸡鸡冠萎缩变色、鸡眼半闭或全闭。本文提出了一种基于鸡冠及鸡眼构成的鸡头特征信息的病鸡识别方法。首先通过R、G、B分量色差信息去除背景,分析鸡身和鸡冠样本区域H分量分布特点,提取H分量分割阈值分割黄羽鸡。再利用H分量进行阈值分割得到黄羽鸡和鸡冠鸡垂。提出一种利用鸡冠和鸡垂轮廓上两点距离小于阈值的鸡头合并算法,再通过修正算法识别鸡头。在鸡头中,分别提取鸡眼瞳孔轮廓并获取形状几何特征,提取鸡冠的H分量共生矩阵特征,构成基于鸡头特征,采用ARA特征选择算法获得病鸡特征向量,采用支持向量机(SVM)分类器进行训练分类。实验结果表明,病鸡识别正确率为92.5%,表明利用机器视觉获取鸡头特征进行病鸡识别具有可行性和研究价值。     

RGB与HSI颜色空间下番茄图像分割的对比研究

针对番茄收获机器人视觉系统在自然光照条件下对田间成熟番茄图像进行分割的问题,研究了基于(R-G)色差特征的阈值分割方法和基于HSI颜色空间H色调的统计阈值分割方法,并对其进行了对比分析。在RGB颜色空间,首先提取了RGB彩色图像的R、G分量并做代数减运算得到色差灰度图像RG,然后对该色差灰度图像RG使用Otsu阈值法进行自适应分割;在HIS颜色空间下,统计番茄与叶子的H色调分布差异,然后对H色调灰度图像进行阈值分割。通过大量试验表明:基于(R-G)色差特征的阈值分割方法能够实现自适应阈值处理,能对不同自然光照强度下的生长状态为相互分离的多目标番茄图像进行有效分割;同时,对番茄的成熟度及品种差异也具有很好的鲁棒性,其性能大大优于基于HSI颜色空间H色调的统计阈值分割。     

基于高斯自适应拟合的苹果目标分割方法研究

苹果目标的准确识别是苹果机械化采摘需要解决的关键问题之一。为此,基于YUV颜色空间模型,提出了一种结合色差分量与高斯自适应拟合算法的苹果目标分割方法。该方法采用首先将苹果目标由RGB颜色空间转换至YUV颜色空间,并利用色差分量V建立果实与背景分割的高斯分布拟合模型,根据拟合结果自动获取分割阈值,以实现自然场景下苹果目标的准确分割。为了验证文中算法的有效性,利用多幅图像进行了试验并与Otsu自适应阈值分割算法进行了比较。试验结果表明,采用文中算法得到的苹果果实的平均检出率达87.08%,识别率领先Otsu算法9.91%。因此,对于着色度较为均匀的苹果目标,采用高斯自适应拟合方法可以有效提高其识别率。     

蛋鸡羽毛覆盖度计算及其与体温关系研究

为解决通过人工及温度阈值分割评估蛋鸡羽毛覆盖度准确度不够的问题,提出基于热红外图像和彩色图像计算羽毛覆盖度的方法。利用Otsu算法结合不同的颜色模型提取鸡体目标及背部羽毛覆盖完好区域,通过计算面积比值,获取背部羽毛覆盖度。针对热红外图像目标鸡体边缘模糊导致分割效果较差的问题,提出基于分量R、B灰度直方图的自适应性热红外图像增强方法,该方法突出了前景与背景的差异,增强了边缘的清晰度。实验结果表明,热红外图像鸡体目标及羽毛覆盖完好区域的分割准确度达到97.18%和96.86%,彩色图像分割准确度达到99.58%和97.86%。对于羽毛覆盖度,热红外图像的计算结果接近羽毛覆盖度真实值。对同一批蛋鸡计算羽毛覆盖度,热红外图像比彩色图像的计算结果最少时高2.01个百分点,最大时高30.29个百分点。通过分析原因,发现蛋鸡剐蹭鸡笼等行为露出的白色羽毛根部,是彩色图像计算覆盖度结果出现偏差的主要因素。羽毛覆盖度会影响鸡体体表温度。通过实验发现,鸡体羽毛覆盖度与体表温度呈极显著负相关（P<0.01）,依据羽毛覆盖度对蛋鸡进行分级,对比相同级别、不同区域的蛋鸡体表温度,发现相同级别的羽毛严重损伤区域平均温度比背部平均温度高10℃以上,对比相同区域、不同级别的蛋鸡体表温度,发现背部平均温度最高相差3.89℃,损伤区域平均温度最高相差5.36℃。     

复杂背景下苹果树花量模糊聚类准确估测模型

为得到苹果树估产中花朵数量和苹果产量之间的关系,解决花朵数目识别问题,提出复杂背景下苹果树花量模糊聚类准确估测模型。首先,分析自然环境下开花期苹果树图像中目标花朵与复杂背景之间色彩特征,建立最佳果树色彩模型;其次,研究图像中不同区域的不同色彩特征,选取不同分割阈值I/H1.8和H100,将复杂背景区域剔除,提取果树花朵簇轮廓面积特征;最后,建立花量FCM—模糊聚类快速准确估测模型,以花朵簇轮廓面积值作为聚类特征,分析花朵簇面积值样本聚类数目对花量估测的影响,建立最优模糊聚类估测模型。通过在国家苹果工程技术研究中心实验基地苹果园内采集花期苹果树图像,进行试验验证。结果表明,提出的复杂背景下花量FCM—模糊聚类快速准确估测方法具有较高的可靠性和适用性,可实现复杂背景下苹果树花量的快速准确估测,整体准确率可达92%。     

基于颜色特征的牧草图像分割方法研究

针对自然光照条件下牧草图像的分割问题,分别研究了在RGB颜色空间和HSI颜色空间中牧草颜色特征的提取。在RGB颜色空间中,利用2G-B色差特征得到牧草和背景差值最大的色差灰度图像,使用最大类间方差图像分割法对色差灰度图像进行了图像分割。在HSI颜色空间中,根据牧草H分量的分布特点,使用模糊C-均值(FCM)的彩色图像分割方法对牧草的彩色图像进行了有效分割。实验表明,基于HIS彩色空间H色调的FCM方法对牧草的分割能够取得比较理想的效果,经二值化处理后得到的牧草轮廓要比基于2G-B色差特征的最大类间方差分割方法得到的牧草轮廓更加完整。     

基于深度学习的自然环境下刺梨果实识别

采用0.57R-0.18G-0.2B色差分量法对刺梨图像进行处理,通过Ostu自适应阈值分割、形态学滤波和二值图像白色色素面积阈值等方法对图像进行一次分割。根据刺梨果实图像的颜色和纹理特征,再采用YCbCr颜色空间模型中各分量的阈值对图像进行二次分割。通过标记分水岭分割算法对粘连果实连通区域进行分割,利用Hough圆变换对独立、遮挡和重叠情况下的果实外圆进行拟合和修复,最终获取果实质心坐标及其半径。试验结果表明:刺梨果实识别正确率均高于92%,说明本算法能够对刺梨果实进行有效地识别。     

复杂光照条件下视觉导引AGV路径提取方法

针对复杂光照条件下视觉导引AGV的路径提取问题,提出一种基于光照色彩模型的自适应图像照度分区阈值分割方法。首先研究光照照度与图像亮度分量的关系,通过统计复杂光照条件下的图像色彩分布建立光照色彩模型。其次根据光照色彩模型将导引路径图像划分为不同照度区域。然后在RGB色彩空间对低照度区域进行图像增强以还原路径色彩信息,在高亮光区域对色度分量Cb与Cr进行差分运算以抑制共模照度干扰,最后对不同照度区域分别进行自适应阈值分割。大量实验结果表明,在光照环境中同时存在高反光和暗阴影的运行路面,该路径提取方法具有较强的复杂光照适应性,可显著降低在高反光和暗阴影区域的欠分割及过分割误差,对导引路径的识别率为98%。     

基于图像颜色特征的密植冬小麦覆盖指数反演

为了快速获取大田冬小麦作物生长信息,对田间植被覆盖度(VCI)进行检测。采用开发的多光谱图像采集系统,在拔节期-扬花期获取冬小麦冠层可见光( B、G、R ,400～700 nm)和近红外(NIR,760～1 000 nm)图像。图像经自适应平滑滤波处理后,针对RGB图像,采用HSI色彩空间模型,设定 H 分量阈值［π/4,6π/5］进行分割,对NIR图像采用自动阈值分割法分割,进而提出了基于“ H +NIR”组合的冬小麦冠层多光谱图像分割方法,并计算VCI值。对未经分割的原始图像提取了9个图像检测参数,包括各通道图像灰度均值( A R、 A G、 A B、 A NIR )、归一化植被指数(NDVI)、归一化差异绿度指数(NDGI)、比值植被指数(RVI)、差值植被指数(DVI)和冠层 H 分量均值 A H。图像检测参数与VCI相关性分析结果表明,各植被指数与VCI的相关系数绝对值均大于0.90。应用NDVI、NDGI、RVI和DVI建立了多元线性回归模型,其 R 2 c =0.948, R 2 v =0.884,可以用于快速反演VCI,为田间作物生长评价和管理提供支持。     

基于机器视觉的自然环境中猕猴桃识别与特征提取

研究了综合应用果实颜色和形状特征识别自然环境中猕猴桃果实及特征提取的方法.通过对比不同颜色空间,选用R-G色差分量;再采用基于误分割像素的分割评价方法来确定颜色特征nR-G中最佳分割系数n,最终选取0.9R-G颜色特征.利用0tsu法对其进行阈值分割,形态学运算去除掉残余噪声,实现了目标果实区域和背景区域的分割.然后利用Canny算子提取边界,最后对边界图像进行椭圆形Hough变换,逐个识别出目标果实,并提取出果实的形心坐标、长轴端点坐标和长短轴长度等特征信息.对49幅包含110个果实图像进行识别试验,试验结果表明:相互分离果实的识别率为96.9％,邻接果实识别率为92.0％,被枝叶部分遮挡果实识别率为86.6％,重叠的果实识别率为81.6％.     

基于颜色分量运算与色域压缩的杂草实时检测方法

提出了一种基于RGB分量运算和色域位屏蔽压缩的杂草实时检测方法。对杂草和作物的大量实验显示:颜色分量运算可增强目标的显示特性,而对色域的屏蔽压缩可在保证实时性的同时减弱图像噪声污染,减小干扰引起的纹理分割误差。该方法的处理时间几乎不受目标复杂度影响,可在30ms内有效分割出320×240分辨率图像中有颜色差异的不同杂草或农作物,对颜色分布波动具有较强的鲁棒性。颜色分量运算的线性组合系数可通过有监督的学习自动确定。     

自然场景下成熟水果的计算机视觉识别

研究在自然场景下成熟水果的识别技术。比较HSI颜色空间转换的几种方法：球体法、柱体法和双锥体法等。球形：HSI颜色转换系统在本研究中产生较少的奇异数据，被采用。将图像的RGB值转换成色调、饱和度和亮度值，并将色调和饱和度结合产生融合图像，以消除地表、天空等背景的影响。利用Otsu算法自动获取分割阈值，提取目标区域。将提取的区域形态特征进一步分割图像，去除与颜色类似的枯叶和其他背景，提取成熟水果区域，分割效果显著。     

基于Lab颜色空间的非监督GMM水稻无人机图像分割

为解决传统水稻冠层图像分割算法性能在很大程度上依赖于训练数据集的质量,且分割效果易受田间多变光照强度影响,导致水稻生产参数估计精度不高等问题,提出一种基于Lab颜色空间的非监督贝叶斯方法,用于田间水稻无人机图像分割。模型参数从每个独立、未标记的无人机图像直接学习获得,无需训练。不同图像会有不同的模型参数,该算法能够适应各种不同环境拍摄的图像。将提出的算法应用于分蘖后期田间水稻的无人机图像分割,并与RGB-GMM、HSV-GMM和All-GMM算法进行对比,在高度10 m图像中平均查全率、平均查准率和平均F1值分别为0.8427、0.7570和0.7948,在高度15 m图像中分别为0.8756、0.7133和0.7788,优于RGB-GMM、HSV-GMM和All-GMM算法。研究表明,本文提出的方法可以从复杂大田环境拍摄的无人机影像中准确提取水稻像素。     

基于Laws与Gabor滤波的田间西兰花花球识别技术

正确识别西兰花田间位置是实现西兰花自动化采收的基础,西兰花花球颜色与植株的叶片、茎秆相似,仅通过颜色特征无法对西兰花进行识别,本文以成熟期的田间西兰花为研究对象,提出了一种基于纹理特征与颜色特征的西兰花识别算法。首先通过预处理以及Laws滤波对图像进行边界纹理强化,再通过Gabor滤波对图像进行纹理特征向量提取,并对提取后的纹理特征向量进行z-score标准化,随后对标准化后的纹理特征向量进行K-means聚类与开运算,获取花球潜在存在区域。同时对RGB图像进行HSV转换,通过对图像的H分量进行阈值分割达到滤除地面像素的效果。最终对纹理特征识别与颜色特征识别的结果进行融合,实现对田间西兰花的识别。算法通过结合纹理与颜色特征,对田间西兰花进行了识别,解决了西兰花的花球与茎叶等背景颜色相近难以识别的问题。本文共使用792幅图像进行试验,试验结果表明,本方法可以准确地对西兰花田间图像进行识别,其精确率为96.96%,召回率为94.41%,F1值为95.67%。通过对3组不同拍摄环境的数据集进行算法识别,3组数据集的F1值始终保持在94%以上,具有良好的拍摄环境适应性,为农业机器人进行西兰花自...     

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。     

基于模糊聚类的玉米大斑病害图像的分割技术

通过颜色空间的转换,将RGB颜色空间转化为HSI颜色空间,在色度H空间对玉米大斑病图像进行分割。应用模糊聚类分析的方法,确定了图像分割的阈值。对186幅玉米大斑病图像进行分割试验,分割的准确率为97．8％。分析表明,准确的病害图像分割可以为病害的特征值提取和病害的模式识别做好准备。     

自然环境下桃子图像分割算法

成熟果实的识别是果蔬采摘机器人视觉系统的关键问题,要解决该问题,首先需要进行有效的图像分割.从复杂背景中分离果实一直是该领域的一个难题.为此,针对自然环境下的桃子图像进行了图像分割方法的研究.利用2R-G-B和L*a*b*的a*分量以及HSI的H分量分别对彩色图像进行了3种方法的灰度化处理,然后采用大津法对灰度图像进行了二值化处理,对二值化图像采用匹配去噪与匹配膨胀相结合的方法,去除了复杂背景噪声.试验表明,所提出的桃子分割方法具有很好的分割效果.     

基于改进型C—V模型的植物病斑图像分割

针对植物病斑图像背景复杂且分割难问题,提出一种基于水平集和加权颜色信息的C-V模型。借助水平集方法对病斑图像的R、G、B分量图像颜色信息取加权值,以差分图像能量作为能量函数最终值,以适应不同的病害种类。试验结果表明,经过R、G、B加权的黄瓜红粉病病斑图像使用4R-G图像模型、苹果锈病病斑图像使用3R-G-B图像模型自动分割的效果较好,比传统C-V模型分割性能好,抗噪性好,可扩展性好。     

基于梯度分布不均匀性的干瘪红枣识别

为了从混合的饱满红枣和干瘪红枣中识别出干瘪红枣,首先分析了颜色空间模型的特性,选择灰度图、RGB颜色空间模型的R分量、L*a*b*颜色空间模型的a*分量,并使用不同的梯度算子作为对比;然后通过形态学运算、逻辑运算去除异常梯度,进行梯度归一化变换;最后采用归一化的梯度直方图作为红枣表面的纹理特征表示方法,并计算其梯度分布不均匀性作为判别准则。利用12通道红枣分选机采集240幅饱满与202幅干瘪红枣图像作为样本图像。实验结果表明,采用简单梯度算子对L*a*b*模型的a*分量提取纹理信息效果最好,误判率为0.83%,正确识别率高达99.01%。