基于机器视觉的玉米种粒破损识别方法研究

针对玉米种粒在收获、脱粒、贮藏时因各种因素造成损伤和人工选种耗时耗力的问题,提出了一种基于机器视觉的玉米种粒破损检测方法。首先,利用图像获取装置得到单粒玉米种粒图像,通过差影法确定图像噪声种类,采用中值滤波方法对图像进行降噪;其次,标记图像边界,运用灰度阈值法完成玉米种粒图像分割。根据玉米种粒的形态特征分别提取玉米种粒的周长、面积、周长面积比、长轴长、短轴长、长宽比6个几何特征和矩形度、圆形度、紧凑度、7个Hu不变矩10个形状特征,共16个特征。完整玉米种粒和破损玉米种粒图像各50幅作为训练样本,将提取的16个特征分量作为输入量,对支持向量机(Support Vector Machine,SVM)进行训练,输出量为1、0,分别代表"合格""不合格",训练完成后获得玉米种粒的SVM识别模型;另取完整的玉米种粒和破损的玉米种粒图像各50幅作为测试样本,对训练好的SVM模型进行测试。结果表明:该检测方法对玉米种粒破损识别准确率达95%以上,识别100幅玉米种粒图像的时间为1.27s。研究结果为玉米种粒的实时破损检测提供了参考。     

多类支持向量机在玉米品种识别中的应用

为了验证采用机器视觉以及图像处理方法对玉米品种进行自动识别的可行性,研究了一种基于玉米外观特征和多变量支持向量机(SVM)分类算法的玉米品种识别方法.采用数码相机获得了11个品种每个品种50粒共550幅图像,然后对各品种对应的籽粒群体图像提取每个籽粒的形态特征8个、颜色特征12个、纹理特征13个,共33个特征参数,并分别定义11个玉米品种的二进制编码作为网络的输出,建立特征参数与玉米品种之间的SVM识别模型.试验结果表明,该方法对11个品种550个籽粒的品种检出率为100%.在同样的情况下比较了基于BP神经网络(ANN)的识别性能,较ANN 94.3%的识别率,采用SVM的识别效果有了较大的提高,得到了较好的识别效果.     

基于机器视觉的花生品种识别系统研究

为了实现花生品种自动识别,收集了12个花生品种的600粒籽仁作为实验样本,利用计算机视觉和图像处理技术对图像进行处理;然后,对每幅样本图像提取形态、颜色和纹理等3大类共48个特征,建立人工神经网络（ ANN ）和支持向量机（ SVM ）识别模型对这些特征进行分析识别,并基于 Visual C＋＋6．0环境构建识别系统。运行结果表明,SVM 方法识别效果比较稳定,对12个花生品种自我识别率达到100％,测试识别率达到83％;另外,基于Visual C＋＋的识别系统在识别效果与效率方面比Matlab 都有了较大的提高。该花生品种识别系统对于花生品种识别具有积极意义。     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

采摘机器人基于支持向量机苹果识别方法

针对目前苹果采摘机器人果实识别过程误差大、处理时间长等问题,应用支持向量机(SVM)方法对苹果果实进行识别.首先采用矢量中值滤波法对苹果彩色图像进行预处理,然后运用区域生长算法和颜色特征相结合的方法进行图像分割,最后分别对苹果彩色图像的颜色特征、几何形状特征进行提取,并用支持向量机的模式识别方法识别苹果果实.实验结果表明:支持向量机识别方法的识别性能优于神经网络方法;综合颜色特征和形状特征的支持向量机识别方法对苹果果实识别的正确率高于只用颜色特征或形状特征的正确率.     

基于Gabor滤波器和SVM结合的中华蜂图像识别方法

为了减少由于光照强度不一、对比度不同的干扰因素对中华蜂图像识别过程带来的困难,提出一种基于Gabor滤波、PCA降维与SVM相结合的蜜蜂图像识别方法。将人工采集的中华蜂图像进行灰度化、归一化处理,并采用Gabor滤波技术对处理后的图片进行图像特征的提取,进一步通过PCA将高维特征向量进行线性降维,最后将图片特征值矩阵分别经过不同核函数的SVM进行分类识别。通过不同核函数的SVM进行对比建模,测试并分析其对于特征提取后中华蜂图像的建模时长、识别准确率及识别图像时长。试验表明,中华蜂的图像经过Gabor特征提取、PCA降维得到的特征矩阵,经过核函数为Sigmoid的SVM时,其识别特性最好。      

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SVM和DS证据理论融合多特征的玉米病害识别研究

针对玉米叶部病害图像的颜色、纹理、形状特征对病害影响的差异性,提出一种结合单特征下的SVM识别准确率和识别结果的融合多特征玉米病害识别方法。首先对预处理后的玉米病害图片提取颜色、纹理、形状3种特征,对应每一种特征构建一个SVM分类器,结合3个SVM分类器的平均准确率和识别结果作为证据理论的3个证据,构建D-S证据理论的基本概率分配函数(BPA),最后根据D-S证据理论决策规则进行决策级融合,依据决策条件输出最终识别结果。结果表明,结合SVM识别准确率和识别结果来对玉米的灰斑病、弯孢菌叶斑病、锈病三种病害进行识别,准确率分别为95%,85%,100%,平均准确率为93.33%,该方法对玉米叶部病害的识别更准确和稳定。     

基于图像处理和SVM的植物叶片分类研究

为了提高植物叶片识别与分类的正确率,提出了基于SVM的识别模型和方法;对叶片图像预处理后,提取并优选10个叶片形状特征参数,用SVM法进行训练建模并识别.实验结果表明,用线性核函数的SVM对木瓜、女贞、三角枫和五角枫4种植物叶片识别的平均准确率在95.8％以上,优于神经网络和Fisher判别法,为鉴定植物种类提供了一种快速有效的方法.     

基于SVM的小麦叶部病害识别方法研究

为了准确识别小麦叶部常见病害,为小麦病情诊断和发展状况判断提供科学依据,设计并实现了一种基于SVM(Support Vector Machine)的小麦叶部常见病害识别方法。该方法可以实现对小麦白粉病、条锈病和叶锈病的准确识别。首先,基于中值滤波法和K均值聚类算法,实现了图像的去噪及病斑分割;然后,提取了病斑区域形状特征和纹理特征;最后,利用SVM算法对小麦叶部病害进行了分类识别。随机试验结果表明,利用所提取的特征可以有效地实现小麦叶部常见病害的识别,基于形状特征的综合识别率可达99.33%;利用SVM算法进行小麦病害叶片识别是有效的、可行的。该方法对于农作物病害智能识别的推广具有较好的借鉴意义。     

基于支持向量机的玉米田间杂草识别方法

提出了一种基于图像处理和支持向量机(SVM)技术的玉米和杂草识别方法.首先根据玉米与杂草、土壤彩色图像的特征提出一类图像灰度化方法,并通过对灰度图像的除噪处理有效地分离目标对象.然后从处理好的图像中提取出目标对象的形状特征参数作为输入特征向量,进而提出玉米田间杂草识别的支持向量机方法.试验结果表明了方法的有效性,通过适当选取核函数识别率可达到98.3%.     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

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%。     

基于多光谱图像和 SVM 的玉米田间杂草识别

为解决变量喷洒对杂草识别速度与正确率的要求,提出了一种基于多光谱图像和SVM 的杂草识别新方法。通过多光谱成像仪获得玉米与杂草图像,采用 IR-R 的多光谱融合并结合 Otsu 分割法完成背景分割;随后对植被图像进行目标分割与形态学处理,提取出所有植被叶片图像,在此基础上提取了叶片11个形状特征参数和纹理特征参数。为提高算法的实时性,对叶片的特征参数进行主成分分析,将前3个主成分作为支持向量机的输入建立模式识别模型。结果表明,降维后对于未知预测样本的识别正确率达到85％,用时0．001415 s。与直接利用支持向量机的90％的识别率和0．105165 s的用时相比,该算法在满足识别率的同时,用时更少,为田间杂草的快速识别提供了一种新方法。     

基于改进主动形状模型的生猪耳部区域检测方法

为研究生猪规模养殖中非接触式体温自动筛检方法,以红外热像仪为采集设备,沿侧视角度方向同时采集生猪可见光和红外热图像,经配准、融合获得二者融合图像。在此基础上,提出了一种基于改进主动形状模型的耳部目标区域检测方法。该方法在经典主动形状模型基础上,首先分析生猪耳部轮廓特征对特征点标记方法进行限定;进而结合图像融合中使用的非子采样轮廓变换,以其分解系数作为特征点纹理描述;最后应用骨架端点匹配方法对平均形状初始化的位姿进行改进。应用该方法对50幅测试图像进行实验,重合度大于0.8的检测结果占比达到84%。     

基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析

为了实现无损检测生菜叶片中重金属镉的污染程度,以计算机视觉技术为研究手段,结合图像处理方法和特征选择方法,对4个梯度重金属镉胁迫的生菜叶片进行识别。首先利用数码相机获取生菜叶片图像,然后使用K-means聚类算法分割图像,对分割出的目标图像提取图像颜色、形状和纹理特征,共获取46个图像特征。为了使模型更简便和减少数据量,利用基于变量组合的变量重要性分析(VIAVC)和竞争性自适应重加权算法(CARS)对图像特征进行降维。采用偏最小二乘法判别分析(PLS-DA)和随机森林(RF)构建模型,用于生菜镉胁迫程度的识别。结果表明,在7个组合特征模型中,颜色形状纹理融合特征所建立的模型给出了最优结果,测试集分类正确率为92%。用VIAVC和CARS对颜色形状纹理融合特征进行特征选择,发现VIAVC的降维效果优于CARS。使用特征选择的变量建立模型,RF模型的训练集分类正确率和预测集分类正确率均高于PLS-DA,其中,基于VIAVC的RF模型的训练集和预测集分类正确率分别为98.0%和96.0%。可见,基于VIAVC的RF模型在大大降低了特征维数的前提下,能够较好地对不同镉胁迫程度的生菜叶片进行识别。     

小波域马铃薯典型虫害图像特征选择与识别

为准确、快速地识别马铃薯典型虫害,提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。该方法以自然环境下的马铃薯虫害分割图像为对象,提取小波域高斯空间模型的高频协方差阵特征值与低频低阶矩(HELM)的12个不变纹理特征、空间域Hu不变矩的4个形状特征,进行支持向量机(SVM)的虫害分类识别。通过对8类典型虫害的识别,试验结果表明:在SVM识别方法下,本文HELM特征提取方法,相比传统纹理特征提取方法,在特征计算量不增加的同时,平均识别率至少提高了17个百分点;在HELM特征与Hu矩特征下,本文SVM的运行时间为0.481 s,比人工神经网络快了近2 s,平均识别率为97.5%,比人工神经网络、贝叶斯分类器识别率提高了至少6个百分点,有明显的识别优势。     

基于SVM-DS多特征融合的杂草识别

为解决单一特征识别杂草的低准确率和低稳定性,提出一种支持向量机(SVM)和DS(Shafer-Dempster)证据理论相结合的多特征融合杂草识别方法.在对田间植物图像处理的基础上,提取植物叶片形状、纹理及分形维数3类特征,分别以3类单特征的SVM分类结果作为独立证据构造基本概率指派(BPA),引入基于矩阵分析的DS融合算法简化决策级融合算法复杂度,根据融合结果及分类判决门限给出最终的识别结果.实验结果表明,多特征决策融合识别方法正确识别率达到96.11％,与单特征识别相比有更好的稳定性和更高的识别率.     

基于改进支持向量机算法的农业害虫图像识别研究

为提高农业害虫图像识别效果,采用改进支持向量机算法。首先通过交叉验证优化惩罚因子,Manhattan距离确定核函数选择;然后建立农业害虫图像的特征模型,包括颜色特征、纹理特征、形状特征;接着对害虫图像多特征融合识别,各种害虫的颜色特征、纹理特征、形状特征所分配的权值通过Fisher计算,避免害虫识别误判的发生。试验仿真显示:害虫图像多特征平均识别率高于单一性特征、两特征,本文算法ISVM对害虫平均识别率均值为95.67%,相比NN、ACNN、FL、SVM、PPSVM分别提高9.81%、6.82%、5.57%、3.93%、1.90%,本文算法检测结果优于其他算法。     

基于多分类器DS证据理论融合的水果识别研究

针对不同分类器对不同水果种类识别准确率的不均衡问题,提出一种基于多分类器DS证据理论融合的水果识别方法。该研究选择kaggle上fruits360数据集中的5种水果作为研究对象,首先对预处理后的5种水果图像的颜色、纹理、形状特征进行提取,分别选用BP神经网络、K均值、SVM三种分类器,结合被测图像在每种分类器上的识别结果和各个分类器对不同水果的分类准确率,构建基本概率函数(BPA函数),通过DS证据融合规则对分类器融合后对被测图像进行识别。试验结果表明:该方法对5种水果的识别平均准确率为95.2%,总体标准偏差为0.02993,在提高单分类器识别准确率的同时,解决了分类器对各种水果识别的不均衡问题。对10组测试集识别的平均准确率为93.5%,总体标准偏差为0.055,该方法对水果种类的识别更准确和稳定。