基于计算机图像技术的作物籽粒识别

图像识别技术是计算机视觉技术的重要内容之一。为了解决传统作物籽粒计数方法的不足,以水稻籽粒为试验对象,通过外部设备获取高质量的籽粒图像,利用计算机图像处理技术设计配套的软件,并改进相应的图像分割算法,可以快速准确识别出水稻籽粒数量,准确率可达98%以上。结果为计算机视觉识别技术在农业上的进一步应用奠定了理论与实践基础。     

自动采摘目标图像快速识别算法研究——基于K-means聚类算法

介绍了K-means聚类算法的工作原理,研究了基于图像处理和K-means聚类算法的目标物体快速识别,设计了一套自动采摘目标图像快速识别算法,可以准确实现对苹果的快速精确识别,未来还可以扩展对其他水果的识别。实验结果表明:当采摘机器人的机械臂移动速度较高,能够准确对目标物体进行快速识别,证明了目标图像快速识别算法性能优良,具有较高的有效性和可行性。     

基于图像识别的小麦品种分类研究

 基于数字图像分析，利用小麦籽粒的20个形态特征和12个颜色特征对来自中国4个地点7个春小麦品种共28个样本进行分类和识别。对于不同品种和地区的样本，分别利用逐步判别分析，选取显著性较大的特征参量，建立各地区和品种的贝叶斯分类器模型。结果表明，对各地区品种识别的正确回判率和测试集的正确识别率均达到100%。将各样本按品种合并，再对合并后的样本进行品种识别，除了新克旱 9号的回判率为98.3%外，其它品种的回判率均为100%。测试集中，龙麦26和青春566正确识别率分别为97.5%和95.0%，其它品种均为100%。品种来源地识别也能达到较高的水平，甘肃、宁夏、新疆和黑龙江的正确识别率分别为88.6%、92.9%、72.9%和95.7%。说明利用籽粒图像对小麦品种进行识别高效可行。     

基于图像处理和特征优选的玉米品质识别

为实现玉米籽粒的品种识别与品质评估,根据籽粒图像特征参数较多、参数间有一定相关性的特点,采集原始图像并进行必要的预处理,提取图像的颜色特征、形状特征及纹理特征共30个;以主成分分析法对指标集进行精简,在保证识别精度的前提下去除冗余信息,降低图像计算复杂度,使特征集精简为10个;以支持向量机进行分类识别,结果证实品种平均识别率为93.3%,不合格粒平均识别率为94.5%,识别精度较高,可满足玉米籽粒的无损识别、分类、检测及评估需求。     

基于高光谱成像的鲜桃虫害检测特征向量的选取

本文采用阈值分割和主成分分析方法对高光谱图像进行处理,以得到虫害区域分割结果。然后选取2个特征波长作为光谱特征,提取4个纹理参数作为纹理特征,并将其优化组合成4组特征向量。利用BP神经网络进行鲜桃虫害检测。结果表明,667nm和746nm波段的光谱反射值的光谱特征和270°方向的能量、对比度、熵、相关性的纹理特征的组合为鲜桃虫害检测的最优特征向量,果实识别正确率为100%。     

基于特征选择与骨架提取的种子萌发的芽长、根长检测

芽长是种子活力的一个重要判定标准.传统的芽长检测方法采用人工测量方式,存在费时费力、且受人为主观因素影响较大等问题.利用数字图像处理技术的芽长自动检测算法可以提高芽长测量的效率,并且能够统一测量标准从而避免主观误差.本研究基于特征选择与骨架提取算法原理设计了种子芽长、根长检测复合算法及软件,首先利用颜色特征提取叶片信息,并在整株芽长二值图像中去除叶片区域信息,其次通过圆盘结构元素与线性结构元素腐蚀图像分割出种子图像,获得种子的中心,再对整株芽长二值图像进行图像增强和边缘轮廓处理,最后对芽长图像进行骨架提取与剪枝,依据像素点间的欧氏距离计算芽长与根长.通过对玉米、小麦、水稻的芽长和根长进行测量,结果显示,玉米、小麦与水稻芽长的百分误差分别为2.90％、2.05％、2.40％;根长的百分误差分别为1.90％、2.11％、2.02％.说明基于特征选择与骨架提取检测方法的复合算法能够实现对种子萌发的芽长与根长的高精度、快速检测.     

基于Mask R-CNN的盆栽小麦单片叶长和株高提取研究

小麦叶片和株高性状对功能基因解析、育种工作以及小麦生长状态分析都具有重要意义,而传统的人工检测提取性状的方法存在主观性强、效率低、提取性状不多的缺点,甚至还会影响小麦后续生长.为实现小麦叶长和株高性状的自动测量,提出了一种基于Mask R-CNN的小麦叶长和株高性状提取方法.Mask R-CNN是一种目标实例分割模型,主要是由Faster R-CNN、RoIAlign和FCN组成.基于高通量表型系统采集小麦幼苗图片,对小麦幼苗图片中茎秆进行标注,将标注图作为训练集投入Mask R-CNN网络进行训练,用已训练好的模型分割出mIoU达到72％的小麦茎秆图之后,结合相关的图像处理方法将叶片和茎秆进行分离,获取单片叶长和株高性状,然后将叶长和株高性状与人工测量数据进行对比分析.结果 表明:叶长性状的相关系数R2为0.8735,株高性状的相关系数R2为0.9828.研究基于Mask R-CNN实现盆栽小麦单片叶长和株高智能分析和精准提取,为小麦遗传改良育种提供了一种表型高通量智能分析方法.     

基于YOLOv4的猪只饮食行为检测方法

针对猪舍环境下猪只饮食行为自动化检测程度较低的问题,提出了一种基于YOLOv4的猪只饮食行为检测模型。基于多时间段、多视角和不同程度遮挡的猪只饮食图像,建立了猪只饮食行为图像数据库,利用YOLOv4深度学习网络的深层次特征提取、高精度检测分类特性,对猪只饮食行为进行检测。结果表明,基于YOLOv4的猪只饮食行为检测模型在不同视角、不同遮挡程度以及不同光照下均能准确预测猪只的饮食行为,在测试集中平均检测精度(m AP)达到95.5%,分别高于YOLOv3、Tiny-YOLOv4模型2.8、3.6个百分点,比Faster R-CNN模型高1.5个百分点,比Retina Net、SSD模型高5.9、5个百分点。本文方法可为智能养猪与科学管理提供技术支撑。     

基于全方位视觉传感器的农业机械定位系统

利用全方位视觉传感器能提供传感器周围360°范围内信息的图像,通过全方位图像可准确获取物体方向角,基于该特点研发一种可以实现农业机械自动导航的定位系统。该系统硬件主要由全方位视觉传感器、人工标识、PC、PC软件和作业车构成。该计算算法首先通过全方位视觉系统的校正,得出相机的成像投影中心;通过图像处理提取人工标识的位置,估算出标识相对于相机的方向角,然后根据圆周角定理和几何关系计算出相机的位置来完成农业机械的定位。在面积为5×3 m2的水泥地面和白炽灯光的实验室中进行试验,平均选取10个位置进行试验,试验结果显示估算点和选取点间距离的平均误差小于3 cm。研究证明该定位系统是可行的。