基于HSV模型与改进的OTSU算法花椒图像分割

为实现农业智能机器人对作业现场花椒的识别,提出了一种基于HSV模型与改进的Otsu算法相结合的图像分割方法:以现场图像的H分量图像作为处理样本,先采用中值滤波滤除噪声,再利用改进的Otsu算法进行阈值分割,达到对花椒目标辨识的目的。通过对采摘现场成熟的大红袍花椒在顺光、背光、遮阴3种情况下采集的图像进行分割,结果表明:在顺光、背光、遮阴条件下,分割识别率分别为93.3%、90%、88.3%,且与传统的Otsu算法相比,图像分割时间缩短20%以上,为现场机器人花椒采摘识别提供了一种方法。     

基于RealSense深度相机的多特征树干快速识别方法

针对农业机器人在果园定位和导航中,环境背景复杂、光照强度变化大等问题,本文提出了一种基于RGB-D相机并利用颜色、深度、宽度和平行边特征的树干快速识别方法。首先,使用RealSense深度相机获取果园的彩色图像和深度数据;然后,将彩色图像转换为HSV颜色空间,再对HSV颜色空间中的S分量进行超像素分割,并将颜色特征和深度特征相近的相邻超像素块进行合并;随后,对深度图像进行树干宽度特征检测,对宽度置信率大于阈值的物体看作是待处理物体;最后,对待处理的物体进行平行边特征检测,在待处理物体边缘区域选择感兴趣区域窗口（ROI）进行边缘检测,搜索可能的树干边缘直边,当物体边缘的置信率R_B大于设定的阈值T_LB时,则识别为树干。通过对树干的多特征提取,有效提高了在不同环境下树干识别准确率。利用移动机器人平台在果园环境进行试验测试,以检验在强光照、正常光照和弱光照条件下树干识别算法的性能。试验结果表明,本文的树干识别算法在强光照、正常光照和弱光照条件下,树干识别的准确率分别为92.38%、91.35%和89.86%,每帧图像平均耗时分别为0.54、0.66、...     

面向复杂背景环境目标的快速识别研究

面向复杂背景环境的定位目标的快速识别是野外作业机器人的关键技术,以柑橘为例,研究了自然环境下基于彩色信息的目标定位的识别方法。首先,采用YCbCr颜色模型来分析柑橘彩色图像的颜色和灰度特征,并通过Otsu与FCM分割算法相结合对在不同光照条件下拍摄的彩色目标图像进行分割;然后,利用形态学数学和区域标记消除分割后产生的随机噪声;最后,用凸包算法提取果实形状特征,并通过凸包算法来判定是否为柑橘和是否可采。对500张彩色柑橘图像进行分割,结果表明采用Cr颜色分量和Otsu与FCM算法相结合有效地解决复杂自然光照下的分割问题;对963个柑橘进行了凸包算法识别试验,总体识别率达87.53%。凸包算法对遮挡图像也可进行高效识别,并能快速、准确地提取柑橘目标的质心坐标。     

基于深度学习与复合字典的马铃薯病害识别方法

为解决自然环境下小样本病害叶片识别率低、鲁棒性不强的问题,以马铃薯病害叶片为研究对象,提出一种基于深度卷积神经网络与复合特征字典结合的病害叶片识别方法。首先,利用迁移学习技术对Faster R-CNN模型进行训练,检测出病害叶片的斑块区域;然后,采用高密度采样方法对整个斑块区域提取颜色特征和SIFT特征,建立颜色特征和SIFT特征词汇表,再由K-均值聚类算法对两类表观特征词汇表进行聚类,构造出复合特征字典;最后,将病害区域提取的特征在复合特征字典中映射后获得特征直方图,利用支持向量机训练出病害的识别模型。试验结果表明,复合特征字典中视觉单词数为50时,病害识别的鲁棒性和实时性最佳,平均识别准确率为90.83%,单帧图像耗时1.68 s;在颜色特征和SIFT特征组合下,本文方法在自然光照条件下对病害的平均识别准确率最高,达到84.16%;在相同数据集下,与传统词袋法相比,本文方法的平均识别准确率提高了25.45个百分点。     

基于机器视觉的野生食用菌特征提取识别研究

为快速有效的识别野生食用菌,保证其食用的安全性。利用图像处理方法和机器视觉技术,提出改进的颜色空间融合形态特征提取方法。首先采用Retinex算法增强图像,通过中值滤波进行去噪完成图像预处理,其次提出两种改进的颜色空间量化方案,在HSV颜色空间特征提取的基础上与3个形态特征参数融合,最后采用综合评价指标方法对识别结果进行量化评价,进行特征提取识别试验。结果表明,颜色与形态特征的融合方法具有较好的识别能力,有效缩短特征提取的时间。图像特征提取的平均时间达到29.30 ms,速率提高3.51 ms,综合评价指标识别率达到90.78%,可以较好的识别野生食用菌,为食用菌种类的识别发展提供新方法和新途径。     

基于图像处理的酿酒葡萄叶片病害分割与诊断

利用图像处理技术和人工神经网络对酿酒葡萄常见的4种病害进行分割和识别。首先,在HSV颜色空间中采用ISODATA聚类算法分割病斑,在病斑区域,对于H、S、V分量分别提取了基于灰度共生矩阵的4种纹理特征以及颜色特征;然后以人工神经网络为分类器,对各分量及其组合的特征对于识别精度的影响进行了实验研究,结果表明,H分量对于4种病斑均具有较好的分割效果;在诊断时,HS组合的特征具有最好的识别效果,平均准确率达到了90%,对白粉病识别率则达到94%。     

基于机器视觉的自然环境中成熟荔枝识别

研究了自然场景下成熟荔枝的识别技术.通过分析荔枝彩色图像的颜色和灰度特征,选取YCbCr颜色模型进行处理,对其Cr分量图进行阈值分割去除复杂背景,并采用形态学和连通区域标注法消除分割后的随机噪声;然后结合一维随机信号直方图分析法与模糊C均值聚类法( FCM)对处理后的荔枝图像进行聚类和分割,实现荔枝果实和果梗的识别.不同光照条件下的识别实验结果表明,算法均能有效分割出果实和果梗,综合识别率达到95.5％.     

基于深度学习的复杂自然环境下桑树枝干识别方法

在复杂自然环境下完成桑树枝干识别是实现桑叶采摘机智能化的关键部分，针对实际应用中光照条件变化多、桑叶遮挡和桑树分枝多等问题，提出一种基于深度学习的复杂自然环境下桑树枝干识别方法。首先，采用旋转、镜像翻转、色彩增强和同态滤波的图像处理方法扩展数据集，以提高模型的鲁棒性，通过Resnet50目标检测网络模型以及相机标定获得照片中所需的桑树枝干坐标，通过试验发现当学习率设置为0.001，迭代次数设置为600时模型的识别效果最优。该方法对于复杂自然环境中的不同光照条件具有良好的适应性，能够对存在多条分支以及被桑叶遮挡的桑树枝干进行识别并获取坐标信息，识别准确率达到87.42%，可以满足实际工作需求。     

基于同态滤波和K均值聚类算法的草原植被盖度测量

针对草原盖度地表测量法费时、费力、重现性差及自然环境下光照不均草原植被图像分割效果不理想问题,应用动态巴特沃斯同态滤波法对草原植被图像进行光照补偿,采用K均值聚类算法对补偿后图像进行分割,最后根据植被盖度定义,实现草原植被盖度测量。试验结果表明:本算法测量标准差、相对误差、均方根误差RMSE和耗时均值分别为0.5 7 0%、3.9 8 8%、0.1 0 0和2.3 5 s,比方格纸测量法标准差低4.6 8 6%,速度提升9 0倍左右。通过对分割效果定性和定量分析,验证了本文算法的草原植被盖度测量精度、稳定性和速度,可为草原盖度研究提供参考和技术支持。     

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。     

石漠化治理区不同植被类型浅层土壤水分对降雨的响应

【目的】揭示石漠化治理区不同植被类型浅层土壤水分入渗过程的差异性,分析降雨对土壤水分的补给特征,因地制宜地开展灌溉工作。【方法】以花椒地、金银花地、火龙果地、荒地为研究对象,监测了地区降雨量和植被0~10、10~25 cm土层土壤含水率,并计算了土壤储水量、滞后时间、补给速率、补给效率等指标。【结果】①4种植被浅层土壤含水率变化趋势与降雨一致,6、8、9月为二者的峰值期;浅层土壤含水率为火龙果地最高,而后依次为荒地、金银花地、花椒地;火龙果地土壤含水率变异系数最小,荒地最大。②植被土壤含水率对小雨量降雨事件的响应较小,仅火龙果地增长11.97%;随降雨量级增大,土壤含水率增长率为火龙果地(7.89%~17.94%),其次为金银花地(0~45.09%)、荒地(0~59.86%)、花椒地(0~126.95%);火龙果地浅层土壤含水率增长率在大雨事件中最小,其他3种样地均为小雨量时增长率小,大雨量时增长率大。③不同植被浅层土壤水分对降雨响应时间有显著差异,大雨量条件下响应快于小、中雨量,0~10 cm土层优于10~25 cm土层;平均滞后时间为荒地0.3 h、火龙果地0.5 h、花椒地0.9 h、金银花地3.0 h;补给效率为火龙果地(64.87%)>荒地(38.16%)>花椒地(31.94%)>金银花地(29.23%)。【结论】丰水期,对火龙果地适当减少人为灌溉,增加地表覆盖以减轻水土流失;对金银花地、花椒地可采取相应保墒措施提高土壤对降雨的利用效率且在雨量较小时增加灌溉,提高入渗量。     

模糊综合评价法判断重庆花椒种植区土壤肥力水平

为揭示重庆花椒地土壤质量状况及空间特征,采集重庆主要花椒区45个土壤样品,测定pH值、容重、有机质、有效磷、碱解氮、速效钾、有效铜、有效锌、有效铁、有效锰、有效硼、有效钼、有效硫共13个指标,采用模糊综合评价法对土壤质量进行综合评价,并利用半变异函数分析各指标空间变异特征。结果表明:各养分指标变异系数范围为14.8%～171.4%,该区域养分含量分布很不均衡;有效磷、有效铁、有效硼、有效硫的空间相关性较弱,主要受随机性因素影响;有效锌和有效铁的隶属度最高,其值分别为0.89、0.91,有效硼和有机质的隶属度较低,其值为0.15、0.34,说明花椒地有效锌和有效铁含量较丰富,但有效铁和有机质含量较缺乏;整体上该区中等肥力水平占51.1%,中等偏上肥力水平占42.2%,中等偏下肥力水平占6.7%,土壤肥力综合指数的在空间上呈现球状半变异函数,拟合程度极高。     

一种用于机器人水果采摘的快速识别方法

针对机器人水果采摘中容易受遮挡、光照变化等因素的影响而产生误识别的问题,提出了一种基于颜色分量统计的特征匹配水果识别方法。根据成熟水果所特有的颜色特性,提取代表水果特征的描述值,将其作为识别时的特征进行匹配。在匹配过程中对每个搜索子图进行匹配时采用积分求和的思想,大大提高了水果识别的效率。实验结果表明:该算法在一定程度上有效解决了光照和遮挡对识别造成的影响,能快速准确地识别出需要采摘的成熟水果类型。     

不同灌水和光强条件下小粒咖啡叶片光响应及光合生理特征

为探明小粒咖啡水分和光照耦合管理模式, 采用盆栽试验,研究3个灌水水平(W_H:高水;W_M:中水;W_L:低水)和3个光强水平(S₀:不遮阴;S₁:轻度遮阴;S₂:重度遮阴)对小粒咖啡叶片光响应曲线、光合、蒸腾及气孔导度等生理指标的影响.结果表明:遮阴对小粒咖啡叶片的叶绿素及胡萝卜素含量的影响大于灌水,与不遮阴相比,增大遮阴强度使叶绿素总量和叶绿素b分别增大13.53%~260.21%和31.10%~412.91%;不遮阴和轻度遮阴时,与低水相比,增大灌水量使叶绿素a、叶绿素b和叶绿素总量分别增大13.30%~110.65%,92.11%~148.36%和39.85%~124.30%;不遮阴和轻度遮阴时,与低水相比,增大灌水量提高最大净光合速率26.61%~185.27%;而重度遮阴时,增大灌水量使最大净光合速率先增大后减少,中水和低水时,与不遮阴相比,增大遮阴强度使最大净光合速率增大10.73%~103.73%;不同灌水和光强条件下咖啡叶片的净光合速率、蒸腾速率以及气孔导度日变化均呈双峰型,与不遮阴相比,增大遮阴强度使叶片日均净光合速率和日均气孔导度分别增大12.36%~57.74%和4.56%~42.66%,而降低日均蒸腾速率;与低水相比,日均气孔导度和净光合速率随着灌水量增大而显著增大;轻度遮阴和高水组合水分利用效率最大,同时光能利用效率和最大净光合速率最大,S₁W_H为小粒咖啡水光高效利用组合.     

基于动态图像阈值的智能车辆路径导航

使用机器视觉技术进行智能车辆车道路径识别时,其识别效果易受光照等外界因素的影响.考虑到条带状的导航路径在获取的路径图像中的宽度应该在一个固定范围内,可以根据使用某一图像阈值识别路径后该路径的横向宽度判定先前使用的阈值是否适合,并进行相应调整,从而获取到适合各种环境的动态阈值.在给出动态图像阈值的获取流程及实现方法的基础上,对智能车辆车道路径识别和跟踪系统进行了软硬件设计,并进行实车道路试验.试验结果表明,与一般最优阈值算法相比,提出的动态阈值方法能够在各种光照条件下,尤其是强光照下准确地识别导航路径,且路径跟踪具有较好的精确性和鲁棒性.     

基于近红外图像的温室小型西瓜采摘信息获取技术

为实现温室立体栽培模式下小型西瓜的识别与空间定位,研究了基于近红外图像的西瓜采摘信息获取方法。测定、比较西瓜果实与茎、叶的光谱反射率,确定波长850 nm附近波段为区分西瓜与背景的最佳波段,在光强差异较大的两时段内采集了最佳波段下的西瓜近红外图像;通过Otsu算法滤除背景信息,利用"米"字型模板检测得到"浓缩西瓜"区域,实现西瓜果实识别;使用形心坐标计算公式获得采摘点坐标;根据西瓜果梗生长特性,利用分块定位算法获得切割点坐标信息。在温室环境下随机选择拍摄50幅有西瓜图像和20幅无西瓜图像进行识别算法验证,并对识别成功的有西瓜图像进行采摘点与切割点提取算法验证。结果表明,有西瓜图像识别成功率为86%,无西瓜图像为95%;采摘点、切割点定位准确度分别为93.0%、88.4%。     

移动机器人目标图像识别技术研究

针对设施移动机器人工作环境的复杂性,如光照多变性等,提出了基于L模型的一种新的目标识别方法。L模型是一种新的颜色模型,能够在一定程度上克服光照变化带来的影响。通过对不同光照下的作物果实等目标物进行分割识别结果的实验比较,表明该方法相对于其他常见的识别方法,在各种光照变化条件下均能保持较好的识别效果。