基于图像分割映射的农业机器人视觉去雾方法

视觉导航农业机器人在雾天作业容易受前端含雾图像的影响,严重时无法有效工作。提出了一种基于图像分割映射的农业机器人视觉去雾方法。对前端采集图像进行近景与远景区域分割,并通过亮度信息的分段映射获取大气散射函数的预测估计值;采用导向滤波对大气散射函数的估计值进行优化,进一步增强图像的边缘信息,改善大面积天空背景引起的去雾残留问题。基于实际的农业智能导航平台对实测的含雾前端图像进行了去雾分析,并同传统的去雾方法进行了综合比较,显示所提方法具有较高的去雾精度和实时性。两段视频的图像去雾综合指标分别改善了28.9%和29.1%,时间消耗分别减少了34.4%和53.9%。     

基于超像素暗通道和改进导向滤波的农业图像去雾方法

针对传统暗通道先验算法运算速度慢以及适用性差的问题,提出了一种基于超像素级暗通道先验和自适应容差机制改进导向滤波算法的农业图像去雾方法。首先利用超像素分割获得具有一致颜色和亮度属性的超像素块并估计不规则区域块的透射率,引入导向滤波算法并利用自适应平滑参数细化透射率得到更为细致的边缘信息,加入自适应容差机制,使其能够根据图像明亮区域的变化和雾霾的浓度对透射率进行自适应补偿修正,得到最优透射率。最后对局部大气光估计和适应性调整,根据大气散射模型得到质量更高的复原图像。试验以6幅农业场景图像为例进行去雾研究,采用主观和客观评价指标评价去雾结果,与传统去雾算法相比,本文方法恢复的图像色彩更真实,细节更丰富,并且在一定像素范围内具有较高的实时性,可为农情信息解析提供研究基础。     

基于非抽样Shearlet变换的红外与可见光图像融合方法

针对同一场景红外图像与可见光图像的融合问题,提出了一种基于非抽样Shearlet变换(NSST)的融合算法。首先对源图像进行多尺度、多方向NSST分解,得到低频子带系数和各带通方向子带系数;然后,在局部区域结构相似度的基础上,采用基于局部区域能量的方法选择融合图像的低频子带系数;基于脉冲耦合神经网络(PCNN)对带通方向子带空间频率(SF)的响应而得到的点火次数选择融合图像的带通方向子带系数,得到融合图像的NSST系数;最后经过非抽样Shearlet逆变换得到融合图像。实验结果表明:与其他5种相关的融合方法相比,该方法可获得具有更好视觉效果和更优量化指标的融合图像。     

基于全卷积神经网络的林区航拍图像虫害区域识别方法

针对航拍林区虫害图像的虫害区域不规则和传统识别方法泛化能力差的问题,提出一种基于全卷积神经网络(Fully convolution networks,FCN)的虫害区域识别方法。采用八旋翼无人机航拍虫害林区、获取林区虫害图像,并对虫害区域进行像素级标注,用于模型训练;将VGG16模型的全连接层替换为卷积层,并通过上采样实现端到端的学习;使用预训练的卷积层参数,提升模型收敛速度;采用跳跃结构融合多种特征信息,有效提升识别精度,并通过该方法构造了5种全卷积神经网络。试验表明,针对林区航拍虫害图像,FCN-2s在5种全卷积神经网络中区域识别精度最高,其像素准确率为97. 86%,平均交并比为79. 49%,单幅分割时间为4. 31 s。该方法与K-means、脉冲耦合神经网络、复合梯度分水岭算法相比,像素准确率分别高出44. 93、20. 73、6. 04个百分点,平均交并比分别高出50. 19、35. 67、18. 86个百分点,单幅分割时间分别缩短47. 54、19. 70、11. 39 s,可以实现林区航拍图像的虫害区域快速准确识别,为林业虫害监测和防治提供参考。     

一种四旋翼航拍无人机的设计

普通的航拍无人机通常采用机载遥感设备获取信息,然后地面接收设备接收图像信息并进行整合处理,这样的方法可能会出现信息接收与传输不同步的现象,容易导致效率低下。针对这种情况,我们设计了一种新型的航拍无人机。     

基于深度学习的无人机土地覆盖图像分割方法

编制土地覆盖图需要包含精准类别划分的土地覆盖数据,传统获取方法成本高、工程量大,且效果不佳。提出一种面向无人机航拍图像的语义分割方法,用于分割不同类型的土地区域并分类,从而获取土地覆盖数据。首先,按照最新国家标准,对包含多种土地利用类型的航拍图像进行像素级标注,建立无人机高分辨率复杂土地覆盖图像数据集。然后,在语义分割模型DeepLab V3+的基础上进行改进,主要包括:将原始主干网络Xception+替换为深度残差网络ResNet+;引入联合上采样模块,增强编码器的信息传递能力;调整扩张卷积空间金字塔池化模块的扩张率,并移除该模块的全局池化连接;改进解码器,使其融合更多浅层特征。最后在本文数据集上训练和测试模型。实验结果表明,本文提出的方法在测试集上像素准确率和平均交并比分别为95. 06%和81. 22%,相比原始模型分别提升了14. 55个百分点和25. 49个百分点,并且优于常用的语义分割模型FCN-8S和PSPNet模型。该方法能够得到精度更高的土地覆盖数据,满足编制精细土地覆盖图的需要。     

基于无人机多光谱图像的云南松虫害区域识别方法

针对云南省祥云县林区云南松虫害区域高效识别的需求,为更加高效准确地对虫害信息进行监测,本文搭建了林区八旋翼多光谱图像采集平台,基于无人机多光谱图像提出了一种Jeffries-Matusita(J-M)距离优化的反向传播神经网络(BP)分类方法。该方法首先引入J-M距离实现了对训练样本的优化,有效降低了"同谱异物"和"同物异谱"现象的影响,然后基于颜色矩和灰度共生矩阵提取了图像的颜色和纹理特征,并提取了580、680、800 nm共3个波段的相对光谱反射率作为光谱值特征,建立了5个植被指数模型,最后利用BP神经网络算法对颜色、纹理、光谱值和植被指数4种特征向量进行训练识别,实现了对虫害区域的分类识别。利用所提算法从总体分类精度和Kappa指数两方面与传统BP神经网络和支持向量机(SVM)算法进行对比试验。试验结果表明,本文算法总体分类精度和Kappa指数分别达到了94.01%和0.92,建模时间相对于传统BP神经网络缩短了38%,总体分类效果优于传统BP神经网络和SVM算法。     

基于视觉算法的割草机器人作业系统优化

以割草机器人作业系统为研究对象，通过对割草机器人作业过程进行分析，利用高清摄像头进行目标区域草地图像采集，采用视觉算法进行草地图像转换，获取草地图像的颜色和边界特征集合，实现草地识别和草地形状识别，并根据结果进行割草作业自动化控制。试验表明：基于视觉算法建立的割草机器人作业控制系统，草地面积识别误差不大于1.5%,草地图像像素识别误差不大于3%,系统在进行草地状态识别时具有较高的可靠性。     

基于改进SURF算法无人机影像特征匹配的研究

由于无人机受相机广角和飞行高度的限制,单张影像无法拍摄整个农田形状,导致无法准确测量农田实际面积。为此,基于图像特征匹配技术,提出改进SURF算法,用于无人机影像拼接。该算法针对传统SURF算法初始特征点选取精度不足的问题提出改进方案,优化高斯模糊的过程,进而形成新的尺度空间生成方式。通过在实验基地试验得出:本研究提出的改进SURF算法比传统SURF算法特征点在卷积核尺寸为3×3时,70 m、120 m高空的匹配率分别提升4.7%和5.3%;在卷积核尺寸为5×5时,70 m、120 m高空的匹配率分别提升4.0%和4.3%。本研究将改进后的SURF算法用于后期图像拼接中,经试验对比发现:改进的SURF算法在图片拼接处衔接程度明显提升,得到匹配精度更优的拼接图像。     

基于IHS＿NSCT多光谱图像融合算法的研究

基于无人机多光谱影像的大豆生产状况信息获取是近年来农业信息技术研究的主要方向之一，但大豆生长过程中无人机多光谱图像不同通道间图像存在重叠且合成的多光谱图像分辨率较低。为此，针对传统的IHS变换只能进行3个波段的图像融合且易出现光谱扭曲失真现象，将源图像配准操作消除重叠影响，提取图像中光谱信息更为丰富的强度分量单位，并利用NSCT变换的多尺度、平移不变特性结合分量单位进行高、低频子带的提取和再融合操作，完成MS图像与PAN图像的融合。同时，以信息熵(EN)、相关系数(CC)等参数作为评价指标，得到高分辨率的融合图像。实试结果表明：算法熵值信息和相关系数参数明显优于另两种算法结果，其信息熵值达到7.79,相关系数达到0.97,可见融合算法能够表达作物光谱信息且可为作物营养成分监测任务提供理论与技术支撑。     

苹果采摘机器人目标果实快速跟踪识别方法

为了减少苹果采摘机器人采摘过程处理时间,对苹果采摘机器人目标果实的快速跟踪识别方法进行了研究。对基于R-G颜色特征的OTSU动态阈值分割方法进行首帧采集图像分割,采用图像中心原则确定要采摘的目标果实;利用所采集图像之间的信息关联性,在不断缩小图像处理区域的同时,采用经过加速优化改进的去均值归一化积相关模板匹配算法来跟踪识别后帧图像的目标果实,并进行不同阈值分割方法实现效果,不同灰度、亮度和对比度的匹配识别以及新旧方法识别时间对比试验,从而验证了所采用和设计方法的有效性;其中所设计跟踪识别方法的识别时间相比于原方法,减少36%。     

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。     

基于深度学习的大棚及地膜农田无人机航拍监测方法

随着精准农业技术的发展,快速获取大棚和地膜农田面积及地理分布的需求越来越大,但沿用面向卫星遥感影像的解译方法处理无人机航拍影像,存在特征选择复杂、识别精度较低、处理时间长等问题。基于此,本文提出一种基于深度学习的大棚及地膜农田无人机航拍监测方法,即采用六旋翼无人机搭载索尼NEX-5k相机进行航拍作业,对采集到的558幅赤峰市王爷府镇地区的无人机航片进行正射校正与拼接,构建全卷积神经网络(Fully convolutional network,FCN),通过多尺度融合的方法实现了FCN的5个变种模型:FCN-32s、FCN-16s、FCN-8s、FCN-4s、FCN-2s,使用带动量的随机梯度下降算法端到端训练模型,自动提取并分类影像特征。FCN模型与ENVI商用遥感软件的基于像素的分类方法、e Cognition软件的面向对象的分类方法对比后表明:FCN-4s模型为识别大棚和地膜农田的最佳模型,对于测试区域的平均整体正确率为97%,而基于像素的分类方法平均整体正确率为74.1%,面向对象的分类方法平均整体正确率为81.78%。FCN-4s模型平均运行时间为16.85 s,是基于像素的分类方法运行时间的0.06%,是面向对象的分类方法运行时间的5.62%。本方法可快速准确获取大棚和地膜农田的地理分布及面积,满足设施农业对无人机航拍监测的需求。     

基于改进K-means图像分割算法的细叶作物覆盖度提取

植被覆盖度是重要的农学指标,图像法作为一种方便、快捷、准确度较高的地面测量方法,在该领域得到了广泛应用。图像背景分割是获取植被覆盖度最关键的步骤,已有分割算法的分割对象局限于大叶植物或者长势较为稀疏的作物,针对细叶作物的研究较少,或者未根据分割结果得出更有价值的规律。本文以小麦为例,提出了基于HSV空间的自适应果蝇均值聚类算法(IFOA-K-means),用来分割图像背景,以此作为获取覆盖度变化的理论基础。采用小波分析按比例去噪算法单独对亮度分量去噪,主体分割算法采用自适应步长果蝇算法(IFOA)改进的Kmeans算法对小麦图像进行背景分割,综合了自适应果蝇算法的全局最优和K-means算法的局部最优特点,使分割效果达到最优。其分割效果优于基于遗传算法的最大类间方差分割法,较好地去除了滴灌带等较明显干扰因素,与传统的K-means算法相比,运行时间和峰值信噪比指标都较优,小麦覆盖度准确率在90%以上,与作物系数之间的决定系数为0. 953 1。     

基于小波精细积分与暗通道的农田图像去雾算法

基于暗通道先验原理,提出一种Shannon-Cosine小波结合精细积分法的农田图像去雾算法。针对现有透射率估计方法中存在的块效应以及复原后图像纹理丢失的问题,该算法对透射率图进行了细化,利用非线性偏微分方程保边特性,运用小波数值方法对其离散,降低方程组规模。并采用精细积分法求解,提高计算精度。达到了对透射率图局部平滑、边缘突出的目的。同时,对大气值A的计算方法进行改进,提高了运算速度。实验结果表明:本文算法得到的透射率图恢复的图像具有更好的清晰度,纹理更加丰富,相比于原暗通道算法,本文算法新增可见边之比提高了30. 36%,对比度提高了40. 72%,标准差提高了28. 21%,该算法可实现更好的去雾效果。     

油菜地块边界提取研究

油菜地块精准提取可实现道路、田埂和地块三部分的分离，为植保无人机提供准确作业区域和非作业区域，推动植保无人机实现自主作业。基于甘肃省张掖市民乐县油菜地无人机低空RGB影像，构建基于简单线性迭代聚类（SLIC）分割和VGG16分类网络相结合的方法实现油菜田地块边界提取。首先，以过绿指数方式灰度化图像，区分裸露地表与植被覆盖区域，其次，通过直方图分析、轮廓检测提取地块主体部分；最后，通过简单线性迭代聚类（SLIC）和VGG16模型相结合，划分网格，识别过分割区域中的作物种植区域，提取完整地块。对比所提算法与传统边界检测算法地块边界提取效果，结果表明：所提模型的平均交并比和平均准确率分别为95.9%、96.0%，边界提取精度和完整性明显优于传统算法。所提模型能够消除低空拍摄下杂草的影像，可为农田边界提取提供参考，可为植保无人机完全自主作业做好铺垫。     

非垂直拍摄获取细叶作物覆盖度优化算法研究

【目的】探究非垂直拍摄获取细叶作物覆盖度优化算法以及非垂直拍摄对作物覆盖度计算结果的影响。【方法】在北京市小汤山基地草业研究中心露天环境下,以青绿薹草、结缕草为试验对象,获取45°、60°、90°(与地面夹角)3种拍摄角度下的图像,采用基于自适应权重粒子群改进K-means的图像分割方法,分析不同拍摄角度对青绿薹草覆盖度测量精度的影响,研究非垂直拍摄与垂直角度下覆盖度的关系曲线。首先将草RGB图像转化成HSV颜色空间,在HSV颜色空间利用自适应权重PSO算法向全局像素解的子空间搜寻,通过迭代搜寻到全局最优解,确定最佳初始聚类中心;其次利用K-means算法对不同角度图像像素进行聚类划分,从而得到草冠层区域分割结果,最后采用形态学滤波方法对分割结果进行优化。【结果】垂直拍摄时,传统K-means算法计算的2个品种的覆盖度总体相对误差分别为32.89%和34.37%,而本文算法下2个品种总体相对误差分别为11.23%和15.85%。相比于K-means算法,本文算法环境适应性好,算法精度高。非垂直拍摄条件下,本文算法能够克服多角度拍摄导致图像色彩分布不均匀的问题,有效分割出草冠层区域,90°覆盖度估测值与真实值平均误差为3.27%,60°二者平均误差为4.61%,45°平均误差为5.70%,随着拍摄角度的减小,平均误差略有增大,但均小于6%。非垂直角度下计算的覆盖度与垂直角度覆盖度呈显著地线性关系。【结论】采用本文方法可以提高非垂直拍摄获取作物覆盖度的精度。     

基于GrabCut算法的玉米病害图像识别方法研究

GrabCut算法是一种交互式操作少、分割精度高的图像分割方法,但是对于前背景颜色相近或低对比度的区域时难以准确分割前景区域。鉴于此,在实现GrabCut算法的自动分割的基础上,融合基于显著性的SLIC算法来对玉米病害图像进行更好的目标识别和图像分割。以玉米小斑病、大斑病和灰斑病三种病害的图像作为样本,采用融合显著信息的GrabCut算法与相同样本数量和条件下的One-Cut算法和SLIC算法进行试验和对比分析。试验表明,同其他两种算法相比,本文算法对于试验中玉米的三种病害具有更好的分割精度,对于玉米的叶鞘、茎和叶片部分的图像丢失率能够保持在1%以下,分别为0.899%、0.229%和0.914%,对于玉米病害部分能够进行有效地提取,具有较好的分割效果,对于玉米小斑病、大斑病和灰斑病的识别率上能够达到91.67%、86.36%和72.00%,同时通过训练模式进行验证,识别率分别能够达到87.2%、82.4%和83.6%,拒识率分别为4.5%、6.7%和6.3%。     

基于低秩自动编码器及高光谱图像的茶叶品种鉴别

提出一种基于低秩自动编码器及高光谱图像技术的茶叶品种鉴别方法。应用高光谱成像系统采集5个品种的茶叶样本高光谱图像数据,利用ENVI软件确定高光谱图像的感兴趣区域(ROI),并提取茶叶样本在ROI的平均光谱作为该样本的原始光谱数据。由于高光谱信息量大、冗余性强且存在噪声,运用自动编码器和低秩矩阵恢复结合的低秩自动编码器(LR-SAE)对原始光谱数据进行降维,在自动编码器降维基础上加入去噪处理,提取鲁棒判别特征。在此基础上应用支持向量机(SVM)和Softmax分类算法对降维后的茶叶样本高光谱数据分类。通过5折交叉试验验证,LR-SAE-SVM模型的预测集准确率达到99.37%,SAE-SVM模型的预测集准确率为98.82%;LR-SAE-Softmax模型的预测集准确率达99.04%,SAE-Softmax模型的预测集准确率为97.99%。研究结果表明,相较于未进行去噪处理的传统自动编码器,LR-SAE降维之后的分类建模效果有所提升,将其应用于茶叶品种鉴别是可行、高效的。     

基于MMC与CV模型的苗期玉米图像分割算法

针对苗期玉米田复杂土壤背景噪声,提出一种基于MMC（最大间隔准则）与CV（Chan-Vese）模型的玉米彩色图像分割算法。利用MMC对玉米彩色图像灰度化,用TV（全变分）滤波器对灰度图像进行去噪,用CV模型对去噪图像进行图像分割。试验结果表明,算法优于传统的颜色因子与Otsu组合算法,能有效去除图像中的小杂草和青苔,实现玉米目标提取,错分率为4.32%,漏分率为9.69%,相似度为86.57%。