基于计算机视觉的番茄营养元素亏缺识别研究

针对番茄种植中营养元素的亏缺,肉眼不易进行识别判断的问题,以番茄亏缺氮、镁营养元素为研究对象,利用CDD摄像机采集研究图像,将图像进行处理后,提取分割出可以表现亏缺氮、镁的特征图像,提取颜色特征和纹理特征,并通过遗传算法进行优化。同时,将优化的特征进行组合分析,以此建立特征模型,并确定特征向量用于分析提取出来的特征参数,建立的特征模型,并采用二叉树形式对番茄缺素识别进行研究。仿真试验结果表明:番茄种植中,采用计算机视觉技术识别亏缺氮、镁营养元素,识别准确率可以满足生产需要。种植户可以根据检测结果对番茄进行区别施肥,既能满足番茄生长的需要,又不会造成资源的浪费,符合农业可持续发展的要求。     

基于BP神经网络的烟叶颜色自动分级研究

在形状、身份、油分及颜色等因素中,颜色是影响烟叶等级的一个重要因子。为实现根据烟叶颜色特征对烟叶等级的自动区分,选取贵州黔南地区中部六个等级的烟叶作为实验样本,经过样本采集、预处理,提取出样本的颜色特征值,分析RGB、HIS及HSV三种颜色模型下各颜色分量对烟叶等级影响的研究;基于BP神经网络,依据烟叶等级间差异较大的颜色分量作为神经网络输入因子,从而实现烟叶等级的预测识别。结果显示,用该模型进行烟叶等级预测识别的准确率可达89.17%,耗时仅0.39s。说明根据设计的BP神经网络可实现通过颜色特征对烟叶等级较为准确的预测,可靠性高。     

差分百分率直方图法提取缺素叶片纹理特征

针对基于计算机视觉技术对无土栽培番茄缺乏营养元素智能识别研究中，如何提取缺素叶片纹理特征问题，提出了差分百分率直方图法。特征有效性不受叶片大小、形状差异和叶片图像中叶片周边白色背景的影响，实验验证该方法能较好地提取出缺素叶片纹理特征，最后利用K－的邻模式识别法进行模式识别，识别的准确率在80％以上。     

基于核相互子空间法的番茄叶部病害快速识别模型

近年来，基于叶片图像的番茄病害识别研究受到广泛关注。本研究利用番茄叶部病害图像中病斑的颜色和纹理的差异，通过提取番茄病害叶片图像的颜色矩（CM）、颜色聚合向量（CCV）和方向梯度直方图（HOG）等颜色纹理特征，引入核相互子空间法（KMSM），建立了番茄叶部病害快速识别模型（CCHKMSM）。该模型首先通过高斯核函数，将从不同类别叶部病害图像数据中抽取的颜色及纹理特征映射到高维空间；然后对映射的高维空间进行主成分分析，建立非线性病害特征空间；最后基于非线性特征空间最小正则角对病害进行识别。本研究分别以公共农业病虫害数据集PlantVillage中的9种番茄病害类和1类健康番茄叶片图像，以及实际场景下采集的3种叶部病虫害图像数据集开展算法验证试验。基于PlantVillage的试验结果表明，当每类样本集数量为350张时，本研究所提出的CCHKMSM模型识别率达到100%，模型训练时间为0.1540 s，平均识别时间为0.013 s；同时，在样本数量150张到1000张的测试区间内，模型平均识别率为99.14%。该识别率高于其他典型的机器学习模型，与基于深度学习的识别方法相当。基于实际复杂场景下采集病害图像集的实验中，通过对原始图像切割分块后，对各病害的平均识别率为96.21%。试验结果表明，本研究提出的CCHKMSM模型识别准确率高且计算量小，其训练时间和测试时间都远低于深度学习等方法。该方法对系统要求低，具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。     

基于颜色和形状特征的茶叶嫩芽识别方

与人工采摘茶叶相比,现有采茶机械虽能提高采摘速度,但采摘时老叶、嫩叶一起采,缺乏选择性,并有部分叶片遭破损,降低了原料品质.为此,需要研究具有选择性、低损伤率的自动采摘方法.本文采用基于颜色和形状特征的图像处理方法,实现茶叶嫩芽的计算机识别和检测.针对清明期陕西名茶"午子仙豪"茶叶,首先在RGB颜色空间中提取茶叶图像的G分量,并采用双阈值方法对图像进行分割;然后根据茶叶嫩芽的形状特征,检测茶叶嫩芽的边缘.实验结果表明:基于颜色和形状特征的识别方法能有效分辨出茶叶嫩芽,识别准确率为94%,为实现茶叶嫩芽的自动采摘提供了一种有效方法.     

基于WGAN和MCA-MobileNet的番茄叶片病害识别

针对番茄病害识别模型参数量大、计算成本高、准确率低等问题,本文提出一种基于多尺度特征融合和坐标注意力机制的轻量级网络（Multi scale feature fusion and coordinate attention MobileNet, MCA-MobileNet）模型。采集10类番茄叶片图像,采用基于Wasserstein距离的生成对抗网络（Wasserstein generative adversarial networks, WGAN）进行数据增强,解决了样本数据不足和不均衡的问题,提高模型的泛化能力。在原始模型MobileNet-V2的基础上,引入改进后的多尺度特征融合模块对不同尺度的特征图进行特征提取,提高模型对不同尺度的适应性;将轻量型的坐标注意力机制模块（Coordinate attention, CA）嵌入倒置残差结构中,使模型更加关注叶片中的病害特征,提高对病害种类的识别准确率。试验结果表明,MCA-MobileNet对番茄叶片病害的识别准确率达到94.11%,较原始模型提高2.84个百分点,且参数量仅为原始模型的1/6。该方法较好地平衡了模型的识别准确率和计算成本,为番茄叶片病害的现场部署和实时检测提供了思路和技术支撑。     

猕猴桃自动分级设备设计与试验

针对目前猕猴桃采后人工分级费时费力、自动分级成本高等问题,通过机械分离输送、图像采集与处理、智能控制等技术,研制了一套实用的猕猴桃自动分级设备。该设备包括单行定位输送系统、图像采集系统、分级执行系统和控制系统,通过多特征提取和融合分级的方法对猕猴桃实现了自动分级,同时在线监控参数。经试验验证,该设备按体积、形状、表面缺陷特征分级的准确率分别可达88.9%、91%、94%,融合分级的准确率可达86%。     

基于特征融合和SVM的稻谷品种识别

为快速有效地识别稻谷品种,提出一种基于特征融合和SVM的稻谷品种识别方法。采集华南双季稻区4种不同的籼稻品种(象牙香占、江航丝苗、小农占和五优234),采用图像处理的方法对稻谷图像进行灰度化、二值化和形态学处理等预处理操作,提取稻谷图像的形状特征和颜色特征,建立单特征模型和融合特征模型,构建SVM分类器,进行稻谷品种识别试验,并进行模型选择和讨论。结果表明,两两品种差异性显著的6个形状特征参数为:面积、长轴长、短轴长、离心率、周长和形状因子;形状特征模型对于不规则形状和大小的谷粒品种具备较好的识别能力;与BP神经网络识别模型相比,SVM模型的识别率更高、时间更短。基于特征融合和SVM的稻谷品种识别获得较高的准确率99.50%和较短的识别时间0.165 s,可满足稻谷在线识别与质量检测的精度和实时性要求。     

基于特征选择的小麦籽粒品种识别研究

为有效地对小麦籽粒品种进行分类，判别影响小麦籽粒品种识别的特征，进行基于特征选择的小麦籽粒品种识别研究。首先采集农大3416-18、内乐288、衡水6632、百农419、洛麦28和新麦26六个品种的小麦籽粒图像18 000张，对采集的图像进行预处理，提取小麦籽粒的颜色特征、形态特征和纹理特征三大类共28个特征值，并对特征进行相关性分析。然后分别构建不同特征融合模型以及数据降维和数据增强模型。最后进行试验分析，基于纹理+形态+颜色三个特征融合模型平均识别准确率为91.02%，其中基于纹理+形态+颜色特征模型的洛麦28识别率最高，达97.0%；经过线性判别分析，降维处理的小麦特征数据识别准确率达86.19%，模型训练时间仅0.87 s；基于数据增强后的平均识别准确率达94.26%。试验表明基于特征选择的小麦籽粒识别是可行的，有助于育种工作者对小麦籽粒识别做出更准确判断，具有一定的实际意义。     

基于多光谱视觉的油菜叶片氮素营养检测方法研究

应用多光谱视觉技术对油菜叶片氮含量百分率进行了定量分析.在RGB颜色模型下,对采集的油菜叶片图像的颜色特征进行分析.分析结果表明:G/R-G/B和G/R与叶片氮含量百分率呈高度相关,相关系数分别为0.89和0.88,而其它图像特征同含氮量百分率之间相关性都比较弱.为此,使用G/R-G/B与G/R分别与叶片氮含量百分率建立线性回归模型,经验证G/R-G/B建立的回归模型预测值平均相对误差在9%以内,这表明此特征可用于多光谱视觉快速诊断油菜叶片氮素营养的特征.     

基于多光谱图像及组合特征分析的茶叶等级区

提出了一种采用多光谱成像的机器视觉技术对4个等级的西湖龙井茶进行区分的方法.首先采用3CCD多光谱摄像机同时获取茶叶在540、670和800nm波谱处的波长图像,然后对预处理后的图像进行图像特征提取,选取了18个形状特征和15个纹理特征.基于这2组特征分别对4个等级的茶叶进行主成分聚类分析,得到的两幅主成分空间的聚类图都不能对4个等级茶叶进行有效的区分.为了得到高效的区分模型,本研究对形状特征和纹理特征进行组合,聚类分析的结果优于原先的分析结果.随后,采用多类逐步判别分析法对形状特征、纹理特征和组合特征(形状+纹理)这3组特征分别进行特征优化,并建立了对应各组特征的等级区分模型,经过比较发现基于组合特征的区分模型的效果仍为最佳,对于预测集样本的区分正确率为85%.本研究还发现对于等级区分最重要的两个特征依次为波长800nm通道图像的相关性、波长800nm通道图像的二阶角矩.     

基于图像处理技术的大田麦穗计数

为了实现不同播种方式下单位面积小麦穗数的智能计算,设计了一种利用图像分析技术实现大田麦穗快速计数的方法,分析了利用颜色特征和纹理特征分割麦穗的优缺点和粘连区域麦穗个数的计算方法。通过对撒播和条播各35幅样本图像进行计数实验,准确率分别为95.77%和96.89%。结果表明,利用颜色特征和纹理特征均可提取大田环境下麦穗图像,其中利用颜色特征提取速度快。麦穗骨架角点个数能够反映粘连区域麦穗个数,在条播和撒播小麦田中计数准确率均较高。     

基于纹理和位置特征的麦田杂草识别方法

以化学防除适期麦田杂草为研究对象，对利用条播作物的位置和纹理特征识别田间杂草的方法进行了研究。根据条播作物小麦作物行的间距相对固定等位置特征，利用植物像素直方图法确定作物行的中心线和行宽，并识别行间杂草。然后，以作物行中心为基准来选取纹理块，计算量化级数为8级的H颜色空间的共生矩阵，提取5个纹理特征参数，利用K均值聚类法判别分析各块的类别来识别行内杂草。研究结果表明，杂草的正确识别率约为93％，作物的错误识别率约为7％。     

AVIRIS高光谱数据空-谱特征在植被分类中的对比分析

植被分类是高光谱影像分类中的特定应用问题，光谱特征和空间特征是植被分类中常用的两类特征，比较这两类特征的性能，对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（PCA）提取光谱特征时，常选择前几个主成分（PCs）作为光谱特征，虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率，针对这一问题本研究提出了一种混合特征提取方法，对高光谱影像在PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的PCs用于后续分类。利用一景AVIRIS高光谱植被影像，从分类精度的角度，首先比较了所提出的混合特征提取方法和原始PCA、独立主成分分析（ICA）及线性判别分析（LDA）3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集1和2上均获得了最高的总体分类正确率，分别为82.7%和86.5%。与原始PCA相比，本研究提出的混合特征提取方法的总体分类正确率，在数据集1和2上分别提高了1.5%和2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中，总体上空间特征获得的分类正确率比光谱特征高，特别是Gabor特征，在两个数据集上均获得了最高的总体分类正确率分别为95.5%和96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空-谱特征方法及其两者有效结合，进一步提高植被分类正确率提供了参考。     

基于光谱和形状特征的水稻扫描叶片氮素营养诊断

使用扫描仪获取水稻叶片图像,综合运用数字图像处理技术、参数优选和分类方法,研究了不同氮素水平水稻叶片的光谱和形状特征,并进行了氮营养的诊断与识别。研究利用面向对象的分类方法提取叶尖部位的黄化面积比例,指数回归分析结果显示此参数与叶片氮含量具有很高的相关性(R2=0.863)。提取整叶和叶尖的颜色参数并分别与叶片氮含量进行指数回归分析,发现叶尖部位的颜色特征能更好地反映叶片的氮素营养状况。采用CfsSubsetEval和Scatter search相结合方法对特征进行约简与优化,根据选择结果结合支持向量机方法进行模式识别。精度检验结果显示该方法对缺氮和正常叶片的正确识别率较高,随氮素水平的升高,正确识别率降低,对过量水平的正确识别率较低,叶面积在缺氮和正常模式下能对识别起到很好的辅助作用。     

基于特征融合技术的发动机故障诊断

为了提高发动机的故障识别率，设计了一种将B&B算法与广义辨别分析（GDA）相结合的多类特征融合方法。从发动机转子的振动信号中提取出频谱特征集和纹理特征集，用B&B算法删去2类特征集中信息量少的特征，并用GDA和支持向量机（SVM）分类器进行特征融合和分类识别。发动机的转子故障试验结果表明，该方法获得的融合特征包含有更多的类别信息，用于转子故障获得的识别率为98.21%，且不受分类器核参数的影响；而频谱特征、纹理特征输入SVM分类器后获得的故障识别率仅为92.86%和89.29%。该研究为发动机的故障诊断提     

农作物几何特征量测量系统设计与试验

为实现复杂背景下农作物几何特征量的实时测量,设计了交互式软件系统和便携式硬件结构。软件基于Matlab图像处理技术和多个作物几何特征量的计算模型,提出了动态交互式颜色特征提取方法和逐点颜色分量差值筛选法,实现了目标作物与背景的有效分离。研究了非旋转体作物体积与投影面积的关系,提出了测量这类作物的体积等特征量的新思路;建立了单位像素实际值与物距的对应关系,避免了需要在背景中设置参照从而计算单位像素代表作物几何特征量的实际值。软件渗透了人机交互和分类设计的思想,具有较好的交互性、通用性和扩展性。硬件采用高配的PC机核心部件、快速响应的工业触摸屏、自动定焦对焦工业相机和可控的相机支架、大容量锂电池。结构紧凑(29.8 cm×19.9 cm×6 cm)、操作简便、便于手持式和分体式测量。系统经过精度测量和实时测试,能完成多种作物的几何特征量测量,一般测量误差4%~8%,自动处理时间平均1.63 s(建好颜色特征库时),装置有较好的处理速度,有一定的实用价值。