分形理论在植物形态模拟中的应用

在虚拟植物生长建模的可视化研究中,分形是其重要的理论基础。它利用自然景物本身存在的自相似性,通过多种分形造型方法对自然实体进行建模。根据植物形态学原理和计算机图形学技术,采用分形方法可绘制出形态逼真的植物。为此,介绍了分形的基本理论,并在VisualC++6.0中利用迭代法对几种经典的分形树进行了程序模拟;在此基础上,通过连续改变分形树的内部参数,模拟了植物的动态变化过程,产生计算机动画效果,有较强真实感。     

基于视差图像的重叠果实图像分割算法

为解决自动采摘视觉系统中重叠果实的分割问题,提出了基于视差图像的果实分割算法。采用双目立体视觉系统获取图像对,对图像对进行预处理和校正,通过图像对的立体匹配来获取视差图像,最后对视差图像进行分割。该算法将分割的依据和信息从二维图像的颜色、形状、纹理等扩展到三维空间的深度,对空间距离不同的目标具有较好的分割效果。实验表明,对获取的视差图像进行基于区域的分割时,其区域间灰度对比度为0.98,目标计数一致性达到0.90;进行基于边缘的分割时,其边缘检测误差为5.74%,因此,该方法对重叠果实区域的分割是有效的。     

基于MSP430的智能灌溉系统设计

针对传统灌溉系统效率差以及现有智能灌溉系统设计复杂、可靠性差等问题,提出了一种智能灌溉系统设计的新方案.该方案以自带12位ADC的MSP430单片机作为嵌入式微处理器,以PC机为上位机,构成一种主从式系统,在简化系统硬件设计的同时,有效地实现了智能节水灌溉的目的.该系统工作稳定、可靠性高,具有较好的适用性.     

考虑品种差异的冷鲜猪肉含水率高光谱信号补正算法

为提高含水率高光谱校正模型对不同品种冷鲜猪肉样本的适用性,该文提出了1种品种敏感波段选择结合分段直接校正的高光谱信号补正方法。首先用主品种偏最小二乘回归模型和添加了7个从品种样本后更新模型的模型回归系数相对差异值,以此选出对品种敏感的波段,然后采用分段直接校正算法对选中波段的光谱信号补正,以消除品种差异对模型预测效果的影响。以猪肉含水率为检测指标,以零号土猪肉为主品种,以恩施山黑猪为从品种,经该算法补正后,主品种模型对从品种样本的预测均方根误差从补正前的1.42%减小到0.50%,预测决定系数从0.20提高到0.84,预测偏差比率(residual prediction deviation,RPD)从0.91提高到2.58。结果表明,该文提出的补正算法能显著提高零号土猪肉含水率模型对恩施山黑猪含水率的预测能力。     

基于高斯HI颜色算法的大田油菜图像分割

针对自然条件下光照条件变化给大田油菜图像分割带来的问题,该文研究了油菜图像的高斯HI颜色分割算法,为作物生长发育周期的自动识别提供前期准备。已有统计结果表明,在仅保留绿色作物的图像中,不同色调值的像素数量服从高斯分布。该文将去掉背景信息的样本数据从RGB颜色模型转换至HSI颜色模型后,统计各个光强的所有像素对应的色调值,并计算其期望值和方差,依次得出所有强度所对应色调值的期望值和方差,建立出油菜作物色调强度查找表(hue intensity-look up table)。在此基础上,计算每个像素的色调值和期望值之间的差值,若差值小于阈值,则像素被分割为作物,否则为背景。为了在高斯HI颜色分割算法中确定合适的阈值,该研究选取了45幅不同天气状况(晴天、阴天和雨天)不同发育阶段(苗期、三叶期和四叶期)的油菜图像作为样本,探讨阈值的选取与分割结果的关系。结果表明阈值在[2.4,2.6]内分割效果最佳,油菜目标的形状特征完整度最好。为了对图像分割结果进行评价,分别利用高斯HI颜色模型、CIVE(color index of vegetation extraction)、EXG-EXR(excess green-excess red)、EXG(excess green)和VEG(vegetation)算法对15幅不同天气状况的图像进行分割。从视觉效果上来看,高斯HI算法仅需少量样本,即可达到满意分割效果。与其他方法相比,高斯HI颜色分割算法的误分割率(misclassification error,ME)仅为1.8%,相对目标面积误差(relative object area error,RAE)仅为3.6%,均优于其他4种算法的试验结果。在分割结果稳定性上,高斯HI颜色算法表现最好,其ME和RAE值的标准差最低,分别为0.7%和4.5%。试验结果表明,高斯HI颜色算法能取得较好的分割效果,而且对光照条件变化并不敏感,同时,能够充分保留油菜形状特征的完整性,为后期油菜生长发育周期的自动识别提供可靠数据。     

不同品种猪肉pH值高光谱检测的模型传递修正算法

针对猪肉pH值高光谱检测模型受品种差异影响存在适用性差的问题,比较了不同算法,提出了一种基于光谱值校正的模型传递算法,以用于品种之间的模型传递。以山黑猪为主品种建立PLS模型,用该模型直接预测零号土猪样本时,预测相关系数仅为0.415,预测均方根误差为0.180 4,预测精度较差。分别用斜率/截距(S/B)算法、模型更新算法以及光谱值校正传递算法对山黑猪模型进行修正或传递并进行了比较。采用S/B法时,山黑猪模型对零号土猪的预测相关系数仍为0.415,预测均方根误差由0.180 4降至0.134 3,下降了25.54%。采用模型更新算法时,把14个零号土猪样本添加到山黑猪校正集,修正后的山黑猪模型对零号土猪样本的预测性能较优,Rp由0.415提高至0.797,提高92.05%,预测均方根误差由0.1804降低为0.1121,下降了37.86%。采用光谱-理化值共生距离法结合DS算法的光谱值校正传递算法时,山黑猪模型对零号土猪样本的预测相关系数由0.415提高至0.837,提高了101.69%,预测均方根误差由0.1804降低至0.0856,下降了52.55%。结果表明,光谱值校正的传递算法能够有效消除品种之间光谱差异,提高了山黑猪模型的适用性,且传递修正效果优于S/B算法和模型更新算法。