基于最优子集选择的水稻穗无人机图像分割方法

为探索有效的稻穗识别特征选取方法,解决基于无人机数码影像水稻产量估测中图像颜色空间各个通道或指数对水稻穗识别能力不清的问题,利用2017年和2018年沈阳农业大学超级稻成果转化基地水稻试验田无人机高清数码影像、地面小区样方内水稻穗数量等实测数据,构建了水稻穗、叶、背景的3分类图像样本库,应用最优子集选择(Best subset selection)算法分析了RGB和HSV颜色空间各个通道或指数对水稻穗的识别能力,提取适合东北粳稻稻穗图像分割的7种特征参数,以此特征为输入构建了基于BP神经网络的稻穗分割模型,进一步对稻穗图像进行连通域分析,获取稻穗数量,并与地面实测数据进行比较。结果表明:最优子集选择算法获取的稻穗像素分割特征参数为R、B、H、S、V、GLI、ExG等7种,飞行高度为3 m时,稻穗分割效果最好,对应的交叉验证均方误差MSE为0.036 3;构建的稻穗分割模型可有效实现东北粳稻稻穗的提取,3、6、9 m飞行高度下,拍摄图像稻穗数量提取的均方根误差分别为9.03、11.21、13.10,平均绝对百分误差分别为10.60%、14.88%和17.16%。     

基于多阈值图像分割算法的秸秆覆盖率检测

针对目前秸秆覆盖率人工检测费时费力、准确率低、信息难以存储的问题,提出了一种基于图像分割的秸秆覆盖率检测方法。考虑到传统图像分割方法精度不高,且多阈值分割时计算量过大,将灰狼算法中的搜索机制与差分进化算法相融合,提出一种基于图像多阈值的自动分割方法（DE-GWO）,用于田间秸秆覆盖率检测。首先,对现场采集的秸秆覆盖图像进行预处理,采用自适应Tsallis熵作为目标函数,评估图像分割效率;其次,根据图像的复杂程度选取分割阈值的数量,利用DE-GWO算法对其进行多阈值图像分割;然后,分别按照灰度级别计算分割后图像比例;最后,根据拍摄高度、fov视角等参数,将图像中秸秆覆盖率与实际地理面积进行转换。实验结果表明,本文算法田间秸秆覆盖率与实际测量误差在8%以内,且相比于改进粒子群算法（PSO）和灰狼算法（GWO）,DE-GWO算法精确度更高,平均耗时为人工测量的1/1500。开发了一套依据DE-GWO算法的秸秆覆盖率检测软件系统,为后续监控系统的实时检测提供了算法基础和软件支持。     

基于SfM的针叶林无人机影像树冠分割算法

利用无人机影像进行森林资源调查具有作业快速便捷、数据分辨率较高、影像细节丰富的特点,可较好地识别单木,获取树木位置、冠幅等信息。但是,厘米级的影像分辨率使基于光谱信息的传统分割算法在提取树冠时出现破碎化现象,产生过分割结果。同时,在非落叶季由于无人机影像难以观测到茂密林冠下层地形,故在地形起伏较大的林区难以实现基于树木冠层高度模型(CHM)的单木分割方法。针对上述问题,结合传统二维图像处理和Sf M三维建模,提出了一种无需高度归一化的无人机影像树冠三维分割提取算法,首先利用Sf M技术从高重叠航片建立三维表面模型,利用高程和图像信息检测初始树木位置,再采取k NN自适应邻域分水岭分割的方式对中心单木进行精确的树冠参数提取。在北京市百花山国家级自然保护区的落叶松林地进行了高分辨率无人机影像实验,采用正射影像目视解译结果和多种基于图像、点云的自动分割算法结果进行验证和评价。结果表明,本文方法对树木总体检出率在91%以上,冠幅提取精度在81%以上,优于传统的全局分水岭方法和其他树冠分割算法。     

无人机喷雾参数对粳稻冠层沉积量的影响及评估

主要研究了植保无人机在水稻灌浆期喷施磷酸二氢钾(KH2PO4)的作业效果及八旋翼无人机喷雾参数对水稻叶片雾滴沉积分布的影响,测试分析了无人机在水稻灌浆期植保作业时雾滴的沉积效果。研究采用雾滴测试卡接收雾滴,通过调节无人机的作业高度进行雾滴沉积量评估试验。根据作业高度不同,共设计3组试验,高度分别是3、4、5m。结果表明:不同作业高度时,雾滴在水稻冠层和下层具有不同的沉积效果,且分布均匀性的变异系数也不同。作业高度5m时,雾滴在水稻叶片上的总沉积量最少,均匀性最差,冠层和下层的变异系数分别为92.11%、150.29%;作业高度3m时,雾滴在水稻叶片上的总沉积量高于4m和5m时的沉积量,均匀性较好,冠层和下层的变异系数分别为32.94%、49.47%。3组作业高度均显示:雾滴在水稻冠层的沉积量高于下层叶片,叶片正面的沉积量高于反面,叶片反面沉积量可达到正面叶片的1/2以上。本研究对八旋翼无人机高效利用、提高农药喷施作业效率、增加水稻产量具有深远的意义。     

基于U-Net网络的果园视觉导航路径识别方法

针对视觉导航系统在果园环境中面临的图像背景复杂、干扰因素多等问题,提出了一种基于U-Net网络的果园视觉导航路径识别方法。使用Labelme对采集图像中的道路信息进行标注,制作果园数据集;基于U-Net语义分割算法在数据增强的基础上对全卷积神经网络进行训练,得到道路分割模型;根据生成的道路分割掩码进行导航信息提取,生成路径拟合中点;基于样条曲线拟合原理对拟合中点进行多段三次B样条曲线拟合,完成导航路径的识别;最后进行了实验验证。结果表明,临界阈值为0.4时,语义分割模型在弱光、普通光以及强光照条件下的分割交并比分别为89.52%、86.45%、86.16%,能够平稳实现果园道路像素级分割;边缘信息提取与路径识别方法可适应不同视角下的道路掩码形状,得到较为平顺的导航路径;在不同光照和视角条件下,平均像素误差为9.5像素,平均距离误差为0.044 m,已知所在果园道路宽度约为3.1 m,平均距离误差占比为1.4%;果园履带底盘正常行驶速度一般在0～1.4 m/s之间,单幅图像平均处理时间为0.154 s。在当前果园环境和硬件配置下,本研究可为视觉导航任务提供有效参考。     

基于改进几何活动轮廓模型的母猪红外图像分割算法

基于母猪热红外视频在线检测的实时性和稳健性,提出了一种快速高效的母猪热红外图像轮廓分割方法。采用点运算进行对比度增强,去除大部分背景像素,减少图像数据处理量,减弱热红外图像中复杂背景的干扰;提出了能够随着图像整体对比度和局部对比度变化的权值函数,从而动态地均衡图像全局能量和局部能量的权重;结合LGIF模型,建立了一个改进权值的LGIF活动轮廓模型。应用不同分割方法对在不同姿态、不同光照、不同品种情况下拍摄的300幅母猪热红外图像进行试验,结果分析表明,所提方法能更高效地将母猪轮廓从养殖场猪圈环境中提取出来,单幅图像平均分割时间为49.67 s,正确分割率达到98%以上,研究结果可为后续基于在线红外视频监测研究提供技术支撑。     

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。     

基于YOLO v5和多源数据集的水稻主要害虫识别方法

针对水稻稻纵卷叶螟和二化螟成虫图像识别中自动化程度较低的问题,引入目标检测算法YOLO v5对监测设备和诱捕器上的稻纵卷叶螟和二化螟成虫进行识别与计数。依据稻纵卷叶螟和二化螟的生物习性,采用自主研发的水稻害虫诱集与拍摄监测装置,自动获取稻纵卷叶螟和二化螟成虫图像,并与三角形诱捕器和虫情测报灯诱捕拍摄的稻纵卷叶螟和二化螟成虫图像共同构建水稻害虫图像数据集;采用左右翻转、增加对比度、上下翻转的方式增强图像数据集;对比了不同训练模型对三角形诱捕器和监测设备诱捕拍摄的水稻害虫图像的检测性能,并对比稻纵卷叶螟成虫不同训练样本量对识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异。测试结果表明,测试集图像为三角形诱捕器和监测设备诱捕拍摄虫害图像时,稻纵卷叶螟识别的精确率和召回率分别达到91.67%和98.30%,F1值达到94.87%,二化螟识别的精确率和召回率分别达到93.39%和98.48%,F1值达到95.87%。不同采样背景、设备构建的多源水稻害虫图像数据集可以提高模型对水稻害虫识别的准确性。基于YOLO v5算法设计的水稻害虫识别计数模型能够达到较高的识别准确率,可以用于...     

基于改进Mask R-CNN的水稻茎秆截面参数检测方法

针对人工测量、统计作物茎秆显微切片图像中维管束数目、面积等关键参数主观性强、费时费力、效率低的问题,提出一种基于图像处理的水稻茎秆截面参数自动检测方法。首先构建了一个基于改进Mask R-CNN网络的水稻茎秆切片图像分割模型。网络以MobilenetV2和残差特征增强及自适应空间融合的特征金字塔网络为特征提取网络,同时引入PointRend增强模块,并将网络回归损失函数优化为IoU函数,最优模型的F1值为91.21%,平均精确率为94.37%,召回率为88.25%,平均交并比为90.80%,单幅图像平均检测耗时0.50s,实现了水稻茎秆切片图像中大、小维管束区域的定位、检测和分割;通过边缘检测、形态学处理及轮廓提取,实现茎秆截面轮廓的分割提取。本文方法可实现对水稻茎秆截面面积、截面直径,大、小维管束面积,大、小维管束数量等6个参数的自动检测,检测平均相对误差不超过4.6%,可用于水稻茎秆微观结构的高通量观测。     

自然环境下树上绿色芒果的无人机视觉检测技术

为了快速检测芒果树上的芒果,本文提出了一种基于无人机的树上绿色芒果视觉检测方法。本文采用深度学习技术,利用YOLOv2模型对无人机采集的芒果图像进行检测,首先通过无人机采集树上芒果图像,对芒果图像进行人工标记,建立芒果图像的训练集和测试集,通过试验确定训练模型的批处理量和初始学习率,并在训练模型时根据训练次数逐渐降低学习率,最终训练出来的模型在训练集上的平均精度(Mean average precision,MAP)为86.43%。通过试验,分析了包含不同果实数和不同光照条件下芒果图像的识别准确率,并设计了芒果树产量估计试验,试验结果表明:本文算法检测一幅图像的平均运行时间为0.08s,对测试集的识别准确率为90.64%,错误识别率为9.36%;对含不同果实数的图像识别准确率最高为94.55%,最低为88.05%;顺光条件下识别准确率为93.42%,逆光条件下识别准确率为87.18%;对芒果树产量估计的平均误差为12.79%。表明本文算法对自然环境下树上芒果有较好的检测效果,为农业智能化生产中果蔬产量的估计提供了视觉技术支持。     

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。     

基于分水岭和改进MRF的马铃薯丁粘连图像在线分割

针对马铃薯丁粘连图像分割问题,提出一种融合分水岭和改进马尔科夫随机场（MRF）的分割方法。分水岭方法可以将粘连图像分割为若干一致性较好的区域,恰好有利于MRF进行标记,同时,针对实际应用中区域势团势能不一致的情况,通过改进势函数确定MRF的条件概率,使其在全局上具有一致性,从而解决粘连分割问题。用分水岭方法对图像进行初始分割,将图像转化为块状表示。综合考虑初始分割区域的相对高度和面积,用改进的MRF标记正确分割区域和过分割区域。计算过分割区域与邻域的紧密度,选择紧密度最大的邻域并与之合并。试验结果表明,该方法在继承了分水岭方法优点的前提下,解决了过分割的问题,正确率为95%。     

基于机器视觉与深度学习的西兰花表型快速提取方法研究

准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤，本研究通过对深度残差网络ResNet进行改进得到一种新型的西兰花花球分割模型，并通过花球部位黄绿颜色占比判断其新鲜度，实现低成本高效准确地西兰花表型信息提取。主要技术流程包括：（1）基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集；（2）对训练图像进行预处理并输入模型进行分割；（3）基于颜色信息用粒子群结构PSO和大津法Otsu对分割结果进一步进行阈值分割，获取其新鲜度指标。试验结果表明：本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型，4个评价指标结构相似性指数(SSIM)、平均精度(Precision)、平均召回率(Recall)、F-度量(F-measure)结果分别为0.911、0.897、0.908和0.907，相比于传统方法提升了10%-15%，且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时，在分割结果的基础上采用PSO-Otsu法可以实现花球新鲜度快速分析，其精度超过了0.8。本研究结果实现了西兰花田间多表型参数的高通量获取，可以为作物田间长势监测研究提供重要参考。     

基于卷积神经网络的生菜多光谱图像分割与配准

针对多光谱图像中由于多镜头多光谱相机各通道之间存在的偏差以及传统分割方法的不适用,图像分析处理过程往往会出现无法自动化分割或分割精度较低的问题,提出采用基于相位相关算法和基于UNet的语义分割模型对田间生菜多光谱图像进行各个通道的精确配准并实现前景分割。使用Canny算法对多光谱各通道图像进行边缘提取,进而使用相位相关算法对多光谱各通道图像进行配准,单幅图像平均处理时间0.92s,配准精度达到99%,满足后续图像分割所需精度;以VGG16作为主干特征提取网络,直接采用两倍上采样,使最终输出图像和输入图像高宽相等,构建优化的UNet模型。实验结果表明：本文所提出的图像配准和图像分割网络,分割像素准确率达到99.19%,平均IoU可以达到94.98%,能够很好地对生菜多光谱图像进行前景分割,可以为后续研究作物精准表型的光谱分析提供参考。     

基于深度学习的无人机水田图像语义分割方法

为高效获取水田信息提高精准农业应用水平,提出一种基于深度学习的无人机水田图像语义分割方法。首先,采集无人机水田图像并制作一套高分辨率水田数据集,使用双边滤波去除图像噪声;然后,通过调整编码器获取更为细致的田块边界特征信息;最后,改进解码器融合更多浅层特征并采用深度可分离卷积解耦图像深度信息与空间信息,获得改进网络结构的DeepLabv3+模型。试验结果显示,改进模型的像素精度和平均交并比分别为96.04%和85.90%,与原始模型相比提升2.09%和4.66%;与典型的UNet、SegNet和PSPNet语义分割模型相比,各项指标均有不同程度的提高。本文方法能够实现准确、高效的水田分割,为进一步获取水田边界定位信息和构建高精度农田地图提供重要基础。     

基于全卷积神经网络的云杉图像分割算法

以云杉为研究对象提出了应用全卷积神经网络（Fully convolutional networks,FCN）分割图像的算法。利用无人机采集图像,标注470幅云杉图像,其中300幅组成训练集,170幅组成测试集,标注90幅樟子松图像作为附加测试集。以VGG16为基础建立云杉分割FCN模型,利用Tensorflow框架实现和训练网络,通过共享权值和逐渐降低的学习速率,提高FCN模型的训练性能。选择像素精度（PA）、均像素精度（MPA）、均交并比（MIoU）和频权交并比（FWIoU）4个语义分割评价指标评价测试结果。FCN模型分割云杉图像,PA和MPA达到0.86,MIoU达到0.75,FWIoU达到0.76,处理速率达到0.085s/幅,有效地解决了光照变化、云杉个体差异、地面杂草干扰和植株之间粘连的影响。与HSV颜色空间阈值分割以及K均值聚类分割算法比较,FCN模型的MIoU分别提高0.10和0.38。