小麦茎秆截面参数显微图像测量系统

小麦的抗倒性与其茎秆截面显微结构密切相关,茎秆微观结构的观测和分析对小麦遗传育种具有重要意义。研究了一种显微图像测量系统,用于精确测量小麦茎秆截面的主要参数。使用计算机、图像采集室、光学显微成像系统等搭建了硬件平台,并开发了算法软件。系统针对茎秆截面的颜色和结构特点,对显微图像进行预处理得到髓腔、厚壁的轮廓,再进行椭圆拟合以计算截面整体、髓腔和厚壁的几何参数。根据维管束结构的一致性,提出了一种具有尺度、平移和旋转不变性的模板匹配方法,用于在目标图像中识别维管束并统计数量。实验表明该自动化测量系统具有高通量和高精确度的优点,在作物重要资源的挖掘和群体遗传等研究中具有重要的价值。     

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。     

基于改进Unet的小麦茎秆截面参数检测

针对小麦茎秆截面显微图像分割过程的复杂性,融合ResNet50和Unet网络构建维管束和背景区域的语义分割模型Res-Unet,搭建对小麦茎秆截面、髓腔、厚壁和背景的语义分割模型Mobile-Unet,可实现对小麦茎秆截面尺寸、髓腔尺寸和维管束面积等微观结构参数的检测。针对小麦样本数据集,通过深度学习中迁移学习的共享参数方式,将训练好的ResNet50网络权重应用到茎秆截面切片图像的网络模型上。结果表明,与同类方法相比,相关参数在精度上均有较大提升,全部参数的识别率超过97%,最高可达99.91%,平均每幅图像检测只需21.6s,与已有图像处理方法（110s）相比,处理速度提升了80.36%。模型评估的准确率、召回率、F1值和平均交并比均达到90%。本文方法可用于小麦茎秆微观结构的高通量观察和参数测定,为作物抗倒伏研究奠定了技术基础。     

基于语义分割与实例分割的玉米茎秆截面参数测量方法

茎秆微观结构与其力学性能密切相关,影响作物的抗倒伏性能。但作物茎秆微观表型参数难以通过人工方式获取,因此急需自动化的测量方法。本研究以玉米为材料,通过光学显微镜获得玉米茎秆横截面切片图像,基于深度学习架构融合ResNet和Unet构建语义分割Res-Unet网络模型,对截面表皮、周皮和髓区3个功能区域进行分割;针对维管束数量多、面积小、密度大的特点,以EfficientDet作为基础网络架构,根据维管束尺寸小的特性,减少双向特征图金字塔(BiFPN)的层数,达到提高推理速度、减少显存占用量的目的,同时添加掩膜分割分支,构造新的网络Eiff-BiFPN实现对维管束的分割。实验结果表明,功能区域分割的平均DICE达到88.17%;维管束分割的AP₅₀和AP_50:70分别达到88.78%和72.80%。根据分割结果,可以获得玉米茎秆截面尺寸、各功能区域尺寸和维管束数量、面积等微观结构参数。本文方法具有精确性、实时性和可用性,可用于玉米茎秆微观结构参数的自动化测定,为作物抗倒伏研究提供技术基础。     

变量喷雾中果树图像不同分割方法

变量喷雾是现代农药精确喷施技术之一.为了实现果树变量喷雾,需要检测果树的形态结构参数.图像处理技术是获取果树形态结构参数的重要方法.本文根据果树图像的特征,分别基于灰度模型、RGB模型和HSV模型对果树图像进行图像分割试验.试验结果表明,有效的果树图像分割方法是基于灰度模型的图像分割与基于RGB模型的(R+G+B)、2R、2G等分量的图像分割.其中,基于灰度模型的图像分割采用固定阈值128,基于RGB模型的图像分割采用Otsu算法.比较各种有效图像分割方法的准确率和耗时,结果表明采用基于RGB模型的2R分量、Otsu算法可以满足果树图像分割处理的要求,该方法分割准确率为79.67％.     

基于对数相似度约束Otsu的自然场景病害果实图像分割

针对自然场景下,由于复杂背景以及多变环境,水果病害果实图像分割难的问题,提出了一种基于对数相似度约束Otsu和水平集活动轮廓的近椭圆形病害果实图像分割方法。考虑背景的复杂多变,提出对数相似度约束Otsu分割来区分病害果实与背景;由于水平集活动轮廓模型的局部最优性,提出采用自适应膨胀系数的改进距离规则水平集活动轮廓模型来精确演化轮廓。先对病害果实区域样本的颜色进行混合高斯建模,获得整个病害果实图像与样本模型的对数相似度;对对数相似度进行约束Otsu阈值分割以及形态学滤波;采用最小二乘法对滤波后的曲线轮廓进行椭圆拟合,对拟合后的椭圆采用自适应膨胀系数的距离规则水平集活动轮廓演化,得到病害果实完整轮廓。对18个不同场景的病害果实进行分割,平均误判率和漏判率分别为1.77%和1.6%,实验结果表明,该方法可以从复杂自然场景图像中分割出病害果实。     

基于Sauvola与Otsu算法的秸秆覆盖率图像检测方法

针对自然光照下粗秸秆中空、细碎秸秆细节丢失导致秸秆覆盖率图像检测法精度低的问题，提出了一种基于Sauvola与Otsu算法相结合的秸秆覆盖率检测方法。首先对彩色分量空间距离灰度化后的图像采用Sauvola阈值分割来提取秸秆区域细节图像，然后对色差法灰度化后的图像采用Otsu阈值分割来解决秸秆区域中空问题，最后对不同阈值分割图像相加，计算其平均值，从而得到秸秆覆盖率的大小。田间试验结果表明，采用此方法对不同情况秸秆覆盖与不同地区的秸秆覆盖均具有较好的识别效果，不同情况秸秆覆盖率的最大平均误差约为1.9%，不同地区秸秆覆盖率的最大平均误差约为2.5%，有效地提高了秸秆辨识的精确度。      

基于改进PCNN的番茄植株夜间图像分割算法

为实现番茄植株夜间图像分割,设计了一种基于最大类间方差法的改进脉冲耦合神经网络(PCNN)图像分割算法。该算法对传统PCNN模型中的链接输入项进行加权处理,在进行图像分割前,先基于最大类间方差(Otsu)算法获得阈值,再将该阈值赋值给改进PCNN模型中的链接输入项权值、突触链接系数β、链接权放大系数VE和阈值迭代衰减时间常数αE。对849幅番茄植株夜间图像进行试验,结果表明,图像分割正确率平均值为90. 43%,平均每幅图像分割时间为0. 994 4 s;输入链接项的加权处理可减少PCNN的迭代次数,提高算法的实时性;基于Otsu算法可实现改进PCNN模型的网络参数自适应设置。基于视觉效果、最大熵及分割正确率这3项评价指标的对比分析显示,改进PCNN模型的分割效果优于Otsu算法和传统PCNN模型,实时性优于传统PCNN模型。     

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。     

基于颜色特征的番茄图像分割算法的研究

图像分割是实现田间番茄机器识别的关键部分。根据采摘番茄目标与背景在颜色特征上的差异性,对田间采摘番茄的图像分割算法进行了研究。通过分析比较各种方法的分割效果和所耗费的时间可知,大律分割法具有较好的分割效果,但其在实际应用过程中却存在着一定的问题。针对出现的问题,对该方法进行了相应的改进。研究表明,改进后的大律分割法能较好地处理田间采摘番茄的图像,为进一步采摘识别提供了条件。     

基于改进红绿色差和Otsu的葡萄果穗图像分割

为提高田间复杂环境下传统图像分割法分割葡萄果穗图像准确度低的问题，提出一种基于改进红绿色差和Otsu算法的田间葡萄果穗图像分割方法。选取与人类视觉相近的RGB颜色空间，提取并分析R、G特征图的直方图，经分析对其点乘特征图并进行Otsu运算，再经过形态学处理，实现对田间环境下葡萄果穗图像的分割。与灰度图、（R-G）特征图和（R-G）/（R+G）特征图分别采用最大阈值分割法（Otsu）分割的结果进行对比，试验结果表明，红绿色差点乘Otsu分割法的分割结果最优，准确率为92.37%，F1值90.13%。对50幅图像做了测试，其中图像准确率最高为97%，准确率最低为79%，其平均准确率为88.75%。所提出的方法能够实现葡萄果穗较完整的分割，并可为葡萄果穗的识别、定位提供研究基础。     

基于双次Otsu算法的野外荔枝多类色彩目标快速识别

针对目前野外环境下多类目标识别速度偏慢,导致机器人视觉定位精度低和工作效率不高的难题,以野外环境下成熟荔枝的多类色彩目标识别为例,提出了一种双次Otsu分割算法对多类色彩目标进行识别。首先为了提高算法的效率,改进了传统的Otsu算式;然后对目标色彩图像的背景、果梗、果实分别用改进的Otsu算法进行粗分割和细分割。最后通过与K-均值聚类(K-means)算法、模糊C均值聚类(FCM)算法、Otsu和K-means结合算法、Otsu和FCM结合算法这4种算法进行对比,双次Otsu算法从分割质量及其正确分割率、运行时间、稳定性3方面都优于其他4种算法。实验结果表明,双次Otsu算法对色彩目标的成熟荔枝识别的时间少于0.2 s。     

基于多源图像融合的自然环境下番茄果实识别

蔬果采摘机器人面对的自然场景复杂多变,为准确识别和分割目标果实,实现高成功率采收,提出基于多源图像融合的识别方法。首先,针对在不同自然场景下单图像通道信息不充分问题,提出融合RGB图像、深度图像和红外图像的多源信息融合方法,实现了机器人能够适应自然环境中不同光线条件的番茄果实。其次,针对传统机器学习训练样本标注低效问题,提出聚类方法对样本进行辅助快速标注,完成模型训练;最终,建立扩展Mask R-CNN深度学习算法模型,进行采摘机器人在线果实识别。实验结果表明,扩展Mask R-CNN算法模型在测试集中的检测准确率为98.3%、交并比为0.916,可以满足番茄果实识别要求;在不同光线条件下,与Otsu阈值分割算法相比,扩展Mask R-CNN算法模型能够区分粘连果实,分割结果清晰完整,具有更强的抗干扰能力。