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%。     

苹果采摘机器人视觉系统的目标提取研究

研究了自然环境下的成熟苹果彩色图像,结果表明:成熟苹果颜色与背景色大都存在明显差异。从颜色空间角度来说,目标和背景分布于不同的区域。根据这一特点,提出了基于样本颜色空间的目标提取算法。首先,由苹果样本图像在L*a*b*空间中构建样本颜色空间,并用数学形态学对样本颜色空间进行优化;然后,依据样本颜色空间对苹果彩色图像进行目标识别,对于远景深小目标物和严重遮挡的目标物,在样本空间识别的基础上进行二值化,运用形态学结构元素法进行处理;最后,得到了理想的分割效果,识别率高。     

基于机器视觉的蔬菜生长状况分析

蔬菜植株面积大小是评估其生长状况的重要依据。本文采用基于机器视觉的图像处理技术,获取并分析蔬菜的生长状况,其关键在于如何准确地分割图像并计算叶面积大小。为此,通过对采用传统的阈值分割算法、传统的K-means分割算法和L*a*b*空间下的K-means分割算法所输出结果的对比分析,结果表明在L*a*b*空间下进行的K-means分割,在保留蔬菜叶片表面信息的同时不仅有效地分割图像,而且能以彩色图像的形式输出。本文选取了30株绿色蔬菜,计算其在第15天、30天、45天的叶面积大小,通过对比同一蔬菜在不同时间与同一时间及同期内不同蔬菜的叶面积,评估得到这30株蔬菜的生长状况。     

苹果园区作业机器人障碍物识别研究

苹果采摘的季节性强,工作量大,利用机器人进行苹果采摘符合现代农业的发展趋势。障碍物识别对苹果作业机器人的正常工作至关重要。为此,针对苹果园区垄间地面情况和障碍物特点,采用L*a*b*颜色空间中的b*分量进行图像灰度化处理,再进行图像阈值分割处理,可有效将苹果园区垄间中的障碍物等从复杂背景中分离出来;再利用优化后的SURF算法进行障碍物匹配,可有效地提高障碍物的识别率。实验表明:优化后的SURF算法可以提高障碍物匹配的准确率,并缩短障碍物匹配的时间。     

基于计算机视觉的油炸薯片中丙烯酰胺含量测定系统

设计了一套基于计算机视觉技术的油炸薯片中丙烯酰胺含量的测定系统,图像获取装置采集每隔60 s从电炸锅内取出的薯片的双面图像,采用气相色谱-质谱法测定相应薯片的丙烯酰胺含量;采用图像滤波算法、彩色图像分割算法和颜色测量算法从双面图像中提取目标薯片,测量整体薯片的L*、a*、b*平均值.数据分析表明,薯片双面a*平均值的平均值与薯片中丙烯酰胺含量之间有很强的相关性(R2=0.971),建立了两者之间的线性回归方程.采集了10个不同品牌薯片的双面图像,将获取的双面a*平均值的平均值代入方程,计算得到的丙烯酰胺含量与标准化学方法测定值之间的最大相对误差为4.94％,表明该方法可行、准确.     

基于单元最邻近匹配的蝗虫切片图像修复方法

针对序列切片中带有褶皱的蝗虫切片图像,提出基于单元最邻近匹配的方法打开褶皱,首先利用尺度不变特征变换(Scale-invariant feature transform,SIFT)算法对放大2倍的切片图像提取褶皱切片和参考切片特征点,利用k-d树策略确定初始的匹配对;然后经RANSAC算法剔除误匹配;再分别对褶皱区域和褶皱切片进行单元划分,并用最小二乘法分别求每个褶皱子单元最邻近的切片子单元中匹配点对的空间映射模型;最后利用该空间映射模型求褶皱子单元的对应匹配块,完成褶皱区域的修复。试验表明:采用单元最邻近匹配的方法能够搜索到更多的特征点,建立的空间映射模型也能更好地匹配褶皱区域的图像纹理变化,能较好地完成对褶皱区域的修复,实现带破损切片的精确分割和修复。     

基于K均值聚类的成熟草莓图像分割算法

成熟草莓图像分割是草莓收获机器人识别和定位系统的关键技术.考虑到成熟草莓和其所处环境的颜色特性,在Lab彩色模式下将K均值聚类用于成熟草莓图像的分割.首先把输入的草莓图像从RGB空间转换到Lab空间下,然后初始化三个聚类中心进行K均值聚类的迭代算法,最后为消除成熟草莓花托表面细小瘦果对分割产生的影响,利用数学形态学的闭运算对分割的图像进行了修正加工.研究表明,K均值聚类分割算法在Lab模式下能够较好地分割出成熟草莓图像,并且Lab模式比其他彩色模式更适用于K均值聚类的图像分割算法.     

复杂环境中蛋鸡识别及粘连分离方法研究

提出基于Lab颜色模型的蛋鸡与背景自动分割方法和基于极限腐蚀和凹点搜寻的粘连蛋鸡分离与计数算法.实验前期将通过计算机视觉系统获取的RGB图像转换成Lab图像,每张图像中均选取蛋鸡及最接近蛋鸡颜色的背景2个小样本区域,分别计算这两类区域在a、b分量的数学期望作为分割阈值.随后将采集的图像像素聚类于与a、b分割阈值的欧氏距离最小的区域,从而实现蛋鸡与背景区域的自动分割.针对经常出现的蛋鸡群聚造成蛋鸡个体之间相互粘连的情况,研究利用改进的极限腐蚀及凹点搜寻处理算法分离出独立的蛋鸡并正确计数.108幅蛋鸡图像识别结果表明,该算法能将蛋鸡个体从复杂背景中有效提取、计数和粘连分离,蛋鸡计数正确率为93.5％,综合分离正确率为89.8％.     

基于改进K均值特征点聚类算法的作物行检测

精准施药是现代精准农业发展不可或缺的一部分,而准确地提取作物行是进行精准施药的关键环节。为此,以苗期的玉米为研究对象,提出一种基于改进K均值特征点聚类算法的作物行检测方法。该方法根据距离函数最值关系求出最佳聚类数目,再依据点密度大小和邻域半径确定初始聚类中心,减少了迭代次数,提高了算法的执行效率和划分效果。首先,采用改进的超绿法(1.27G-R-B)进行灰度化和Otsu方法进行二值化,得到作物行的二值图像;然后,利用左右边缘中间线算法提取作物行特征点;最后,采用改进K均值算法和最小二乘法对作物行中心线特征点进行聚类和直线拟合。试验数据表明:提出的改进K均值特征点聚类算法识别效果好,精确度高,可为精准施药提供理论依据。     

小波域非局部均值无芒隐子草叶切片盲去噪

在获取无芒隐子草叶切片图像时不可避免受到噪声的污染,易导致后续提取和测量特征参数的不准确。对于自然图像,事先并不知道其所含噪声的类型和方差,因而首先利用小波变换和曲线拟合确定切片图像噪声类型和强度;在此基础上,分别应用小波阈值去噪、非局部均值去噪和提出的非局部均值滤波(NLM)与小波阈值去噪相结合的方法对无芒隐子草叶切片图像进行去噪。实验结果表明:获取的切片图像噪声类型为高斯加性噪声,标准差为σ∈[1. 5,3. 5],用高斯函数对随机选取的10幅切片图像的高频HH子带能量分布进行拟合,拟合优度为R2=0. 990 7;用3种方法对含不同噪声大小的切片图像进行去噪,当噪声标准差为σ∈[1. 5,8]时,应用Beyes Shrink法去噪后,图像的峰值信噪比提高了3 d B,而NLM和本文提出的算法不适用;当噪声标准差为σ∈[8,15]时,NLM算法和提出的算法去噪效果相当,去噪后图像峰值信噪比提高了7. 5d B,应用Beyes Shrink算法提高了6. 5 d B;而当σ∈[15,30]时,使用提出的算法表现出较大的优越性,去噪后图像峰值信噪比提高了10. 53d B,是NLM算法的1. 4倍、Beyes Shrink法的1. 3倍。本文的算法和实验结论可为无芒隐子草切片图像准确降噪提供理论基础。     

基于双次Otsu算法的野外荔枝多类色彩目标快速识别

针对目前野外环境下多类目标识别速度偏慢,导致机器人视觉定位精度低和工作效率不高的难题,以野外环境下成熟荔枝的多类色彩目标识别为例,提出了一种双次Otsu分割算法对多类色彩目标进行识别。首先为了提高算法的效率,改进了传统的Otsu算式;然后对目标色彩图像的背景、果梗、果实分别用改进的Otsu算法进行粗分割和细分割。最后通过与K-均值聚类(K-means)算法、模糊C均值聚类(FCM)算法、Otsu和K-means结合算法、Otsu和FCM结合算法这4种算法进行对比,双次Otsu算法从分割质量及其正确分割率、运行时间、稳定性3方面都优于其他4种算法。实验结果表明,双次Otsu算法对色彩目标的成熟荔枝识别的时间少于0.2 s。     

小麦茎秆截面参数显微图像测量系统

小麦的抗倒性与其茎秆截面显微结构密切相关,茎秆微观结构的观测和分析对小麦遗传育种具有重要意义。研究了一种显微图像测量系统,用于精确测量小麦茎秆截面的主要参数。使用计算机、图像采集室、光学显微成像系统等搭建了硬件平台,并开发了算法软件。系统针对茎秆截面的颜色和结构特点,对显微图像进行预处理得到髓腔、厚壁的轮廓,再进行椭圆拟合以计算截面整体、髓腔和厚壁的几何参数。根据维管束结构的一致性,提出了一种具有尺度、平移和旋转不变性的模板匹配方法,用于在目标图像中识别维管束并统计数量。实验表明该自动化测量系统具有高通量和高精确度的优点,在作物重要资源的挖掘和群体遗传等研究中具有重要的价值。     

基于彩色线阵CCD的大米色选算法

利用PCI数据采集卡及彩色线阵CCD摄像头,实现被测物线阵图像数据的采集,并将采集的数据以文本文档的形式储存,作为后续研究色选算法的数据源.为了减小高频噪声的干扰,尝试用小波滤波的处理方法以得到平滑的信号,并根据数字图像处理中特征提取的相关理论,结合实际图像数据特征,采用K-均值聚类分析方法将图像数据分为背景类、正常米类和异色米类.实现了一种基于彩色线阵CCD的大米色选算法,并且该算法不依赖人为经验.     

基于结构相似度算法的烟叶光照强度研究

为研究采集烟叶图像时的最佳光照强度范围,提出基于结构相似度算法(SSIM)对采集图像时的不同光照强度进行分析。试验搭建了烟叶图像采集设备,基于人工分级光照标准,采集2 200 lux、2 500 lux、2 800 lux、3 000 lux、3 200 lux、3 500 lux、4 000 lux、4 500 lux等8种光照强度下的中部烟叶图像;然后对图像进行中值滤波不同窗口去噪处理,发现采用3×3窗口时去噪效果明显;其次在CIE L×a×b颜色空间模型下,基于K-means聚类法分割出烟叶图像;最后计算不同光照强度所有组合烟叶样品图像的平均结构相似度并进行光照分析。试验结果表明,在2 800 lux、3 000 lux下,烟叶图像各个组别的结构相似度比较接近,其平均MSSIM范围分别为0.735 3~0.755 2、0.740 1~0.758 8且均小于其他光照下各个组别烟叶的平均结构相似度最小值0.776 2,有利于烟叶分级。该方法可为采集烟叶图像时选择光照强度提供参考方法。     

基于扇环形区域图像分割的小麦秸秆截面参数测量方法

针对小麦秸秆截面显微图像中组织成分的结构和灰度特征,研究了一种扇环型分区域图像分割方法,用于精确分割厚壁、维管束等关键组织结构。小麦秸秆截面的内外侧轮廓构成了一个近似的环形区域。先粗略定位厚壁和维管束所属的圆环区域。依据定位信息,以截面中心为起点向圆环外轮廓画射线,将圆环划分为大量的扇环形小区域。用Otsu算法对各个小区域进行独立的阈值分割,再对分割结果进行拼接等后续处理,得到完整的厚壁或维管束,最后以此为基础精确测量秸秆截面的各种参数。实验结果表明,与传统的Otsu算法相比,该方法对显微图像采集过程中切片、染色、拍照等环节导致的低质量图像具有较高的分割准确性和鲁棒性,在提高了切片样本利用率的同时降低了人工劳动强度。该测量系统对各类参数的测量精度均大于94.6%。     

基于PSO与K-均值算法的农业超绿图像分割方法

为了解决K-均值算法对农业图像中常用的超绿特征2G-R-B图像分割效果不佳的缺点,提出一种基于微粒群与K-均值算法的图像分割方法.先用K-均值算法对图像进行快速分类,然后将分类结果作为其中一个微粒的结果,利用微粒群算法计算,最后用K-均值算法在新的分类基础上计算新的聚类中心,更新当前的位置.以得到最优的图像分割闽值.试验结果表明,改进算法对超绿特征2G-R-B图像能够准确分割目标,且对不同类型的农业超绿图像具有较好的适应性.     

采摘机器人水果检测及定位研究——基于图像处理和卷积神经网络

首先,设计了一种采用K-means聚类算法和图像处理相结合的目标边缘识别算法,可以获得完整的目标边缘轮廓;然后,利用卷积神经网络和双目视觉技术实现了采摘机器人水果检测及定位方法。实验结果表明:该采摘机器人水果检测及定位方法较好,计算量小,处理速度快,误差较小,能够满足采摘要求。     

基于色差信息多色彩模型的黄羽鸡快速分割方法

快速准确分割出复杂背景下的鸡只图像,是应用机器视觉系统快速识别实际饲养环境下病鸡的关键步骤。以某鸡舍散养的黄羽肉鸡为分割目标,提出了一种基于色差信息的多色彩模型鸡只分割方法。首先对200幅自然环境下拍摄的图像在常用的色彩模型下,分析了鸡冠、鸡身羽毛、鸡肚羽毛以及背景的颜色特征,利用背景在RGB色彩模型的R、G、B三分量色差信息特征进行一次分割,去除大部分的背景,然后转换到HSV色彩模型,获取黄羽鸡不同部位的H分量阈值,再由H阈值范围提取鸡身、鸡冠实现二次分割,最终得到分割目标。实验结果表明所提方法实际分割正确率为86.3%,优于L*a*b*色彩模型聚类的78.4%。所提方法复杂度小,运算时间短,适用于实时分割场合。     

基于K­means聚类和分区寻优的秸秆覆盖率计算方法

针对农田秸秆形态多样、细碎秸秆难以准确识别的问题,基于机器视觉技术,提出了一种基于K-means聚类和分区寻优结合的秸秆覆盖率计算方法。该方法首先利用K-means聚类算法对玉米秸秆图像进行分割,使秸秆从背景图像中分离;然后将秸秆图像分隔为16区,利用统计学方法分别计算各区秸秆中位数和众数灰度平均值,16区平均后分别获得秸秆中心灰度和土壤背景中心灰度,将其作为新的分类中心,重新采用K-means聚类方法对玉米秸秆图像进行分割,当秸秆中心灰度不再发生变化时停止迭代,计算秸秆像素点数量;最后计算获得玉米秸秆覆盖率。2021年4月,该方法在吉林省长春市玉米地100个采样点进行了实际验证,与人工拉绳法和人工图像标记法的相关系数分别为0.7161和0.9068,误判率7%,平均误差比Otsu阈值化方法和经典K-means聚类方法分别降低了45.6%和29.2%。试验结果表明,所提方法能够实现对不同天气、不同种植模式、不同地块条件下的秸秆覆盖率准确计算,该研究结果可为秸秆覆盖率在线计算提供一种新方法。     

基于模式识别的农田目标定位线检测

根据农田图像的特点,采用K-means模式识别算法,实现农作物与背景的分离.通过对二值图像进行水平扫描.检测定位区域和定位点,利用定位点的坐标信息确定聚类判别函数,实现农田目标定位线的检测.多幅农田图像实验表明,定位线能够正确提取出来.该算法处理640×480像素的彩色图像蒂要0,12 s,在自动导航系统中是一种有效、快速的图像处理算法.