基于显著性检测的黄瓜叶部病害图像分割算法

针对复杂背景下黄瓜叶部病害分割精度不高的问题,提出了一种基于显著性检测的黄瓜叶部病害图像分割算法。首先利用超像素将黄瓜图像分块,获取黄瓜叶片的边缘,并提出了一种超像素间权重计算方法和显著种子选取方法;然后通过流形排序计算显著图,对得到的显著图进行阈值分割,得到二值图像;再将二值图像与原图像进行掩码运算,得到黄瓜病害叶片;最后利用超绿特征和数学形态学对病害叶片进行分割得到病斑。对常见的黄瓜病害(白粉病、褐斑病、霜霉病、炭疽病)图像进行测试,结果表明该算法与Otsu算法和k-means算法相比,有效解决了冗余分割问题,错分率均在5%以内,算法平均执行时间均小于4 000 ms,分割效果更加精确,为后续构建黄瓜病害自动识别系统奠定了基础。     

基于分块阈值和边缘检测的叶片分割算法

针对复杂的植物叶片图像,提出了一种分块阈值、边缘检测相结合的图像分割算法。首先,根据预先确定的子块的大小,把整幅图像划分成若干数目的子块,对每个子块用大津法进行分割,把分割好后得到的子图像拼接起来形成目标图像;然后,用改进的Sobel边缘算子对原图像进行边缘提取分割;最后,把分块阈值得到的结果与边缘检测得到的结果结合起来得到较优的结果;在此基础上再进行腐蚀、填洞等形态学操作,得到最终的分割结果。实验表明:与传统的分块阈值、边缘检测相比较,此算法的抗噪性较好,细节上分割得也较为清楚,具有较好的分割效果。     

基于几何形态学与迭代随机圆的番茄识别方法

为解决番茄采摘机器人作业过程中果实识别不准确的问题,提出一种基于几何形态学和迭代随机圆相结合的目标提取算法,该算法可对图像中粘连的果实进行有效分割与识别。首先,以串收番茄佳西娜为研究对象,使用RGB相机采集图像;其次,对图像进行Canny边缘检测操作,获得果实边缘轮廓点;然后,对果实边缘轮廓点进行基于几何形态学的处理,获得果实轮廓点;最后,对果实轮廓点分组处理后,进行迭代随机圆的处理,得到果实识别结果。对该算法的正确率和准确率进行了验证,结果表明,果实识别正确率为85. 1%,果实识别准确率为79. 1%,此算法在一定程度上解决了复杂环境下多个果实粘连或被少量遮挡情况下的果实分割问题。     

自然环境下重叠果实图像识别算法与试验

针对非结构化自然环境中光照变化和对象重叠特征等外界因素给图像处理带来的难题,提出了一种自然环境下重叠果实的图像识别与边界分割的组合优化算法。该组合优化算法首先对原始图像进行噪声滤波处理,然后利用Sobel算子以及改进算子的最大类方差法(OTSU)来辨识重叠果实目标;接着采用K-means算法对重叠目标的像素进行聚类得到单个目标位置,再结合边缘检测结果的连通域分析及区域生长获得单个目标边界的大致区域;最后利用基于限制区域的分水岭算法,得到目标的精确边界。为了验证所提算法的有效性和适应性,进行了试验研究。试验结果表明:所提出的组合优化算法不仅可以在自然环境下从重叠物体图像背景中识别出重叠目标,而且还可以从重叠目标中分割出单个目标的精确边界。     

基于视差图像的重叠果实图像分割算法

为解决自动采摘视觉系统中重叠果实的分割问题,提出了基于视差图像的果实分割算法。采用双目立体视觉系统获取图像对,对图像对进行预处理和校正,通过图像对的立体匹配来获取视差图像,最后对视差图像进行分割。该算法将分割的依据和信息从二维图像的颜色、形状、纹理等扩展到三维空间的深度,对空间距离不同的目标具有较好的分割效果。实验表明,对获取的视差图像进行基于区域的分割时,其区域间灰度对比度为0.98,目标计数一致性达到0.90;进行基于边缘的分割时,其边缘检测误差为5.74%,因此,该方法对重叠果实区域的分割是有效的。     

小波变换与分水岭算法融合的番茄冠层叶片图像分割

在基于机器视觉的作物营养诊断研究中,通常需要采集叶片样本并在实验室条件下定量测定其营养素含量,但由于叶片间相互重叠,往往使得叶片样本不能清晰地反映在群体番茄冠层图像中。为了解决这一问题,需要利用图像分析技术有效提取作物冠层图像中的叶片,并根据处理结果采集实验室测定样本。本文从复杂背景剔除、梯度图计算、小波变换、标记选取、分水岭分割等环节出发,实现了基于小波变换与分水岭算法融合的番茄冠层多光谱图像叶片分割。首先对比了4种复杂背景剔除算法,发现当增强因子a=1.3时,基于归一化植被指数(Normalized difference vegetation index,NDVI)的阈值分割目标提取准确,适合各种光照条件,时空复杂度低。其次在梯度图计算方面,近红外(Near infrared,NIR)波段图像形态学梯度在保持目标边缘的同时,能消除大量由叶脉、光照等引起的叶片内纹理细节。然后以小波分析为基础进行标记选取,发现当选取db4小波函数、4层小波分解低频系数、阈值为18的H-maxima变换能得到最优的目标标记结果。最后对多光谱番茄冠层图像的小波变换分水岭分割和数学形态学分水岭分割结果进行叠加,发现对复杂背景及不同光照强度下的番茄冠层叶片平均误分率为21%,为基于多光谱图像分析的番茄叶片营养素含量检测提供了一定的技术支持。     

复杂背景下植物叶片的彩色图像分割

研究彩色图像自动分割问题。根据分水岭与自动种子区域生长相结合的算法,在复杂背景的处理上依然存在过分割的问题。本文提出:首先在其预处理上应用各项异性扩散Perona&Malik算法进行处理,Perona&Malik算法在抑制噪声的同时能够保持图像的边缘信息;其次在预处理基础上应用分水岭分割出区域;最后进行自动种子区域生长和合并小区域。通过在Matlab上仿真,结果表明此算法能够减少区域分割,并且在复杂背景下更完整地分割出目标区域。     

无芒隐子草叶片卷曲度和厚度测量方法

针对叶片卷曲度和厚度交互式测量方式费时、费力、误差大,传统图像处理算法普适性不高等问题,以无芒隐子草叶片为研究对象,采用基于Graham 算法的最小外接矩形法实现叶片卷曲度的测量,采用矢量积法和角点检测相结合的凹凸点检测算法实现叶片厚度的测量。首先,通过石蜡制片获取无芒隐子草叶切片,利用显微镜连接计算机获取切片图像;然后,采用红色灰度化方法结合阈值分割将切片图像的目标和背景分离;最后,根据叶片卷曲度和厚度的实际测量方式,采用Graham算法通过求取目标区域的最小外接矩形实现叶片卷曲度的测量,将矢量积法和角点检测相结合检测目标区域的凹凸点,通过凹点与凹点、凸点与凸点匹配实现叶片厚度的测量。选取30幅无芒隐子草叶切片图像为样本进行了试验,结果显示,采用本文提出的红色灰度化方法和分量法、最大值法、平均法、加权平均法对图像进行灰度化处理后,图像信息熵分别为6.4280、6.3612、5.6679、5.9348、6.0526,图像平均梯度分别为0.0785、0.0242、0.0158、0.0093、0.0104,图像对比度分别为0.2641、0.1130、0.0574、0.0703、0.0784,说明本文方法能更好地保持图像的边缘、细节等信息,图像清晰度更高。进行自动阈值分割后,分割的平均误检率为0.75%,平均漏检率为3.49%,平均整体分割精度达到98.14%。在有效分割目标和背景的基础上,对叶片卷曲度和厚度进行测量,并与交互式测量结果进行相比,结果表明,采用本文方法对叶片卷曲度和厚度的测量值与交互式测量值的平均相对误差分别为0.96%和3.69%,测量速度分别提高了约10倍和37倍。     

自然场景下植物叶片图像分割方法研究

图像分割是一种重要的图像分析技术,旨在把图像分成各具特性的区域并提取出感兴趣的部分.图像分割的结果是图像特征提取、识别等图像理解的基础.介绍阈值分割和边缘检测的分割方法,并进行分割算法试验,分析自然场景下植物叶片图像几种分割方法的优缺点,为该分割方法的应用提供依据.     

西红柿果实目标识别方法研究——基于模糊聚类算法

为了准确识别成熟的西红柿目标,提出了一种模糊C-均值聚类算法(Fuzzy Clustering Means,FCM)的西红柿目标分割方法。该方法首先利用FCM算法对西红柿图像进行模糊聚类,并对聚类后的果实图像与丢失的部分目标图像进行相加,以得到更加完整的西红柿目标;然后对西红柿目标进行二值化、去噪、开运算与闭运算等处理,完成西红柿目标的分割。为了验证算法的有效性,利用20幅图像进行了试验并与K-means算法和Otsu算法分割效果进行了对比。结果表明:利用文中算法所分割出的西红柿目标最高分割误差率均低于Kmeans算法和Otsu算法,平均分割错误率为1 6.5 5%,比K-means算法低了3.5 6%,比Otsu算法低了1 2.8 0%。这表明,将该方法应用于西红柿目标的识别是可行的。     

基于Mask-RCNN的自然场景下油茶果目标识别与检测

针对我国油茶果采摘过程中存在的自动化水平落后、采摘效率低、适采周期短的现状,应用于机器人收获技术的机器视觉技术受限于真实场景中复杂背景干扰从而导致识别精度较低的问题。以自然场景下的油茶果为研究对象,提出一种基于Mask-RCNN的自然场景下油茶果目标识别与检测算法,首先获取油茶果图像并建立数据集,利用ResNet卷积神经网络提取油茶果果实图片的特征,获得果实目标分割结果,再采用RPN对所得到的特征图进行操作,并增加全连接层,提取每个样本mask像素面积,并对目标类别进行预测。利用测试集分别测试油茶果的分割网络模型及目标识别算法,结果表明,网络模型的分割准确率为89.85％,油茶果目标识别的平均检测精度为89.42％,召回率为92.86％。本算法能够自动检测油茶果目标,并有效降低不同光照情况下叶片与花苞遮挡、果实重叠、果实色泽等因素干扰,为自然场景中果实自动化采摘提供可靠的视觉支持。     

基于颜色和形状特征的机采棉杂质识别方法

机采棉的含杂识别分类检测能够提高棉花加工设备效率,减少棉花纤维损伤,并为棉花收获设备的改进提供指导。提出了一种基于颜色和形状特征的机采棉杂质识别分类方法,对大杂质和小杂质检测采取不同的图像处理方法。颜色特征主要采用基于彩色梯度图像的分水岭变换与改进模糊C均值聚类方法融合的方法;形状特征主要采用机采棉杂质的面积、周长、离心率和矩形度特征。通过对100幅机采棉图像试验表明,该方法对各类杂质的平均识别正确率为89%。     

基于改进RHT及均值漂移聚类方法的双孢菇图像目标提取研究

工厂化生产环境下双孢菇图像存在成簇粘连、菌柄倾斜、白色菌丝繁盛等复杂状态，采用常规阈值分割方法无法准确提取目标，采用改进的随机霍夫变换圆形检测算法与滑动平均聚类算法结合的方法开展目标提取研究。通过图像预处理降低部分背景干扰，改进边缘点取样方式提升圆形检测效率，依据菌盖半径范围剔除无效参数；以双孢菇图像检测出的所有圆形为目标，采用均值漂移聚类算法合并圆形，消除圆形检测算法中识别出的错误目标。采用算法提取目标结果：针对双孢菇规则生长、菌盖附土、菌盖重叠率不高或变形较小的图像，目标提取正确率大于92%；针对大面积菌丝包围菌菇、菌菇成簇倾斜、大小菌菇密集掺杂、菌盖堆积变形严重的图像，存在圆形检测不准、聚类误判或漏判等问题，目标提取正确率大于82%。本文采用的算法数据处理量小、计算速度快、适应性强，能够满足菌菇生产过程中长势自动监测、出菇统计等需求。     

基于多特征融合相关滤波的运动奶牛目标提取

为实现大规模养殖场内奶牛目标的自动提取,将相关滤波算法融入目标提取基本框架,提出一种相关滤波融合边缘检测的奶牛目标提取(Correlation filtering-edge detection based target extraction, CFED)算法。首先利用颜色名(Color names, CN)、方向梯度直方图 (Histogram of oriented gradient, HOG)设计的相关滤波器获取奶牛目标范围;再利用13个不同方向的边缘滤波模板卷积目标范围图像得到图像边缘,最后融合边缘信息和颜色特征提取出奶牛目标。对奶牛场不同环境下的9段视频进行目标提取试验,结果表明,算法提取的目标与真实结果平均重叠率达到92.93%,较Otsu、K-means聚类、帧间差分法和高斯混合模型(Gaussian mixture model,GMM)分别高35.63、32.84、20.28、14.35个百分点;平均假阳性率和假阴性率分别为5.07%和5.08%,处理每帧图像平均耗时0.70s。该结果表明,提出的CFED算法具有较好的目标检测能力,为奶牛目标准确快速提取提供了一个有效方法。     

基于卷积算法的自动割草机目标检测应用研究

为进一步提高我国自动割草机的目标检测准确度与整机作业效率,采用卷积算法理论针对其检测系统展开设计应用研究。在整机结构组成及作业原理基础上,根据卷积算法执行规则流程,建立目标函数与检测核心模型,并针对检测系统进行软件设计与硬件平台搭建,并进行自动割草机目标检测作业试验。结果表明:经卷积算法应用,自动收割机检测系统可实现目标的快速分类,目标识别准确率平均可达96.33%,图像识别清晰度可提高至95.90%,漏割率大幅度降低,作业效率可提升10%以上,可为割草装备的精准深度优化提供一定的改进思路,且对农业图像视觉识别学科的拓展好具有重要的现实意义。     

基于深度学习的水果图像识别系统

随着模式识别领域不断的发展,图像识别作为该领域中的典型应用,受到了众多学者的关注,尤其是在图像快速识别方面。对此,该文将从深度学习的概述入手,选择卷积神经网络算法应用于水果图像识别中。通过对卷积神经网络算法的网络结构以及卷积神经网络训练过程的详细分析,采用卷积神经网络架构设计、分类器设计建构了基于卷积神经网络的水果图像识别系统。并将识别结果与传统水果图像识别结果进行对比验证,为水果图像识别领域提供参考。      

基于融合显著图与GrabCut算法的水下海参图像分割

为实现海参捕捞和海参疾病诊断的自动化,应先解决真实养殖环境下海参的图像目标分割问题。为此提出一种融合显著图模型和GrabCut算法的水下海参图像分割方法。该方法改进了传统的GrabCut算法,通过对单尺度Retinex算法分析,对水下图像进行增强,结合基于区域对比度的显著性区域检测方法和直方图均衡的方法,得到海参区域图像的部分前景和可能的背景,并以此初始化GrabCut算法的掩膜,最后进行GrabCut算法迭代,得到图像目标分割结果。通过与Otsu法、分水岭法、传统GrabCut算法对比分析表明：所提方法能够准确分割出图像中海参目标,并能克服背景噪声,保留目标图像细节,算法正确分割率达到90.13%,满足海参图像目标分割的 需要。     

基于机器视觉的田间小麦开花期判定方法

针对大量小麦育种材料花期难以精准、快速检测的问题,提出了一种基于综合颜色特征和超像素分割算法的小麦开花期判定方法。首先,根据光照强度及图像清晰度对综合颜色特征的过红颜色分量、HSV颜色空间的S分量和红绿归一化颜色分量自适应调节,增强小花和小穗的差异性。其次,基于中心距离函数和灰度变化函数改进超像素分割算法的聚类规则,获得由同质特征的相邻像素组成的图像区域。随后,优化图像区域路径搜索算法实现各图像区域精确分割,通过灰度和对比度指标完成各图像区域分类,实现小花与小穗的精准、快速分割,并根据小花与小穗的比例完成开花期判定。实验结果表明,本文所提出算法平均计算时间为0.172 s,小花平均识别精度为91%,小穗平均识别精度为90.9%,预测开花率与实际开花率的平均差值仅为1.16%,满足田间小麦开花期判定基本要求。     

基于3D视觉的番茄授粉花朵定位方法

为了给设施番茄授粉机器人授粉提供可靠的定位技术,提出了一种基于3D视觉的番茄花朵定位方法。采用RGB-D结构光相机快速获取温室内番茄植株的彩色图和深度图信息,通过YOLO v4 (You only look once)神经网络对植株上番茄花束进行目标检测,并提取出授粉花束在图像中的二维区域;使用主动对齐方式结合PCL进行彩色图像和深度图像的粗对齐,利用区域内色系单视角线性遍历方法对提取的花束区域进行精配准,获得番茄花束的空间高精度点云信息;再使用统计滤波法剔除点云信息离群点后,结合双向均值法计算花束3D box的授粉质心坐标。定位试验结果表明,该方法在温室环境中能成功对花束进行识别定位,神经网络平均检测精度达97.67%,完成单幅图像花束提取时间为14.95ms,算法获取授粉质心坐标的平均时间约为300ms。后期在温室内验证,在花束被遮挡小于80%时,算法能够对番茄花朵进行精准定位,并成功执行授粉动作,为番茄授粉机器人提供了一种新的授粉点定位方法。