Cotton Image Segmentation Algorithm Based on Fusion Method of Markov Random Field and Quantum Particle Swarm Cluster

[Objective] The aim of this study was to improve the cotton image segmentation accuracy in a picking robot image processing system. [Method] An image segmentation algorithm based on a fusion method of Markov random field and quantum particle swarm optimization clustering was proposed. The process of the proposed algorithm is as follows: first, transform the RGB (red, green, blue) images into grayscale; second, use it to segment these images; finally, the threshold of the connected area is set on the basis of the segmented image to obtain the target area. Then, the cotton front image and the cotton side image are selected from the images collected from different angles. The segmentation experiment was carried out by using this algorithm, and compared with the Otsu algorithm, the fuzzy C-means algorithm, the quantum particle swarm image segmentation algorithm and the Markov random field image segmentation algorithm. [Result] The results showed that the segmentation accuracy and peak signal to noise ratio of the proposed algorithm were 98.94% and 77.48 dB. When compared with the Otsu algorithm, fuzzy C-means algorithm, quantum particle swarm optimization algorithm and Markov random field algorithm, the average segmentation accuracy and peak signal to noise ratio of the proposed algorithm increased by 2.47%–4.56%, and 9.81–13.11 dB, respectively. [Conclusion] The proposed algorithm had higher segmentation accuracy and higher peak signal to noise ratio than the other algorithms tested.     

基于厘米级无人机影像的水土保持措施精准识别

基于厘米级高分辨率无人机影像,应用面向对象方法(Object-Based Image Analysis, OBIA)对吉林省伊通县椽子沟流域的横坡改垄、地埂植物带、生态恢复乔木林、生态恢复草地等水土保持措施进行自动精准识别。应用超绿指数(Excess Green Index,ExG)、超红指数(Excess Red Index,ExR)、归一化差异指数(Normalized Difference Index,NDI)等光谱指数,形状的主方向、形状指数等形状特征,均值(Mean)、方差(Variance)、对比度(Contrast)等纹理特征进行措施的特征提取。结果表明:研究区水土保持措施识别的总体精度可达91.24%,Kappa系数为0.87;对垄台、垄沟等线性水土保持措施总体精度可达72.33%,Kappa系数为0.63。基于厘米级无人机影像,应用面向对象方法基本可实现对黑土区水土保持措施的精准识别,也可对垄台垄沟等线性措施进行自动识别,研究结果可为水土保持措施实施范围及完好程度的动态监测提供参考依据。     

基于小麦群体图像的田间麦穗计数及产量预测方法

在田间小麦测产时，需人工获取田间单位面积内的麦穗数和穗粒数，耗时耗力。为了快速测量小麦田间单位面积内的产量，该文利用特定装置以田间麦穗倾斜的方式获取田间麦穗群体图像，通过转换图像颜色空间RGB→HSI，提取饱和度S分量图像，然后把饱和度S分量图像转换成二值图像，再经细窄部位粘连去除算法进行初步分割，再由边界和区域的特征参数判断出粘连的麦穗图像，并利用基于凹点检测匹配连线的方法实现粘连麦穗的分割，进而识别出图像中的麦穗数量；通过计算图像中每个麦穗的面积像素点数并由预测公式得到每个麦穗的籽粒数，进而计算出每幅图像上所有麦穗的预测籽粒数，然后计算出0.25 m2区域内对应的4幅图像上的预测籽粒数；同时根据籽粒千粒质量数据，计算得到该区域内的产量信息。该文在识别3个品种田间麦穗单幅图像中麦穗数量的平均识别精度为91.63%，籽粒数的平均预测精度为90.73%；对3个品种0.25 m2区域的小麦麦穗数量、总籽粒数及产量预测的平均精度为93.83%、93.43%、93.49%。运用该文方法可以实现小麦田间单位面积内的产量信息自动测量。     

基于时空域联合信息的高原鼠兔运动目标检测

自然场景下的高原鼠兔序列图像对比度低,边缘较弱,目标包含多色彩且目标运动具有突变性。针对传统运动目标检测方法不能精确提取多色彩目标轮廓的问题,提出一种基于时空域联合信息的运动目标检测方法。首先,利用背景减法确定当前帧图像中目标的形心位置,得到粗分割图像及初始轮廓,然后用改进Chan-Vese(CV)模型对粗分割图像进行分割,改进Chan-Vese模型对多色彩目标图像适应性强,从而获得精确的目标轮廓。鉴于几何活动轮廓模型在图像分割过程中需不断初始化水平集函数,且初始化计算量随图像规模的增大而增多,该文在背景减法获得目标形心的基础上,以形心为中心,截取包含目标的图像块作为粗分割图像,然后利用改进Chan-Vese模型对粗分割图像精确分割,以减少分割耗时。该文对包含50帧图像的视频处理,试验结果显示:该文方法耗时仅为15.25 s,相似度指数平均为0.852 929,Jaccard指数平均为0.744 57。和背景减与CV模型相结合的运动目标检测方法相比,该文方法过分割率低,无冗余轮廓,且耗时短;和背景减与改进CV模型相结合的运动目标检测方法相比,该文实时性更高;该文所提出的目标检测方法可精确提取目标轮廓且实时性高。     

基于FCN的无人机玉米遥感图像垄中心线提取

为解决农业机器人在玉米田行间行走的全局路径规划问题,该研究提出一种基于全卷积神经网络(Fully ConvolutionalNetworks,FCN)的无人机玉米遥感图像垄中心线提取方法。基于无人机获取的高精度可见光遥感图像,设计了针对农田垄中心线提取的数据集标注方法,采用滑动窗口法进行图像分块,利用深度学习语义分割网络FCN对垄中心线附近7～17像素宽度范围的垄线区域进行提取,模型在测试田块上精确率达66.1%～83.4%,召回率达51.1%～73.9%,调和平均值为57.6%～78.4%;对拼接后的图像使用影像分割投影法提取中心线,探究了垄线区域宽度对垄中心线提取精度的影响,训练采用9像素的垄区域宽度,可得到垄中心线在77 mm左右偏差范围准确率为91.2%,在31.5 mm左右偏差范围内为61.5%。结果表明,基于FCN对无人机玉米遥感图像进行处理,可得到整片田地的垄中心线栅格地图,方便农业机器人进行全局路径规划。     

基于地形特征的无人机遥感梯田影像边缘提取方法

梯田具有蓄水固沙的作用，是旱作农业区重点建设的高产稳产农田设施，为粮食增产、农民增收提供了有力保障。因仅基于影像数据采用边缘提取方法进行梯田区域分割效果不理想，及时准确地掌握梯田信息较为困难。无人机遥感技术的不断发展为高精度梯田地形信息的获取提供了新方法。本研究以甘肃省榆中县为例，首先从数字高程模型DEM数据中提取坡度，将正射影像与坡度数据融合，并通过基于Canny算子的粗边缘提取方法和基于多尺度分割的精细边缘提取方法，对比分析坡度对无人机遥感梯田影像边缘提取的影响。试验结果表明，正射影像和坡度融合的提取效果均优于单一的正射影像数据提取效果，粗边缘提取方法中正射影像和坡度融合的数据源精度平均提高了23.97%，精细边缘提取方法中正射影像和坡度融合的数据源精度平均提高了17.84%。研究表明，在无人机遥感梯田影像边缘提取中加入一定的地形特征，可以取得更好的边缘提取效果。     

基于SegNet模型的高原鼠兔的图像分割

针对高原鼠兔图像目标尺寸小、背景复杂、特征不显著、基于活动轮廓的图像分割模型无法有效分割的问题，采用基于卷积神经网络的SegNet语义模型对高原鼠兔图像进行分割：首先将采集的高原鼠兔图像进行预处理，尺度归一化后制作成与Pascal VOC数据集格式一致的数据集；然后将数据集分为训练集与测试集，采用训练集对SegNet模型训练，测试集对模型进行分割测试。对高原鼠兔图像分割的试验结果表明：与基于活动轮廓的Chan_Vese模型相比，基于卷积神经网络的SegNet模型对高原鼠兔图像分割时的交并比、平均像素精度、Dice相似性指数和Jaccard指数分别提高了68.33%、9.35%、30.61%和47.98%，过分割率和欠分割率分别降低了87.20%、16.52%。     

基于循环残差注意力的群养生猪实例分割

目的 在群养环境下，实现生猪粘连、杂物遮挡等不同条件下生猪个体的高精度分割。方法 对真实养殖场景下的8栏日龄20~105 d共45头群养生猪进行研究，以移动相机拍摄图像为数据源，并执行改变亮度、加入高斯噪声等数据增强操作获取标注图片3 834张。探究基于2个骨干网络ResNet50、ResNet101与2个任务网络Mask R-CNN、Cascade mask R-CNN交叉结合的多种模型，并将循环残差注意力(RRA)思想引入2个任务网络模型中，在不显著增加计算量的前提下提升模型特征提取能力、提高分割精度。结果 选用Mask R-CNN-ResNet50比Cascade mask R-CNN-ResNet50在AP_0.5、AP_0.75、AP_0.5-0.95和AP_{0.5-0.95-large}指标上分别提升4.3%、3.5%、2.2%和2.2%；加入不同数量的RRA模块以探究其对各个任务模型预测性能影响，试验表明加入2个RRA模块后对各个任务模型的提升效果最为明显。结论 加入2个RRA模块的Mask R-CNN-ResNet50模型可以更精确、有效地对不同场景群养生猪进行分割，为后续生猪身份识别与行为分析提供模型支撑。     

构建VED-SegNet分割模型提取鱼类表型比例

为提高鱼类表型分割精度和准确度,实现鱼类表型智能监测,该研究基于深度学习算法构建了VED-SegNet模型用于鱼类表型分割和测量。该模型将cross stage partial network和GSConv结合作为编码器（VoV-GSCSP）,保持足够精度的同时降低网络结构复杂性。另一方面,该模型采用EMA（efficient multi-scale attention module with cross-spatial learning）建立强化结构,加强编码器和解码器之间的信息传递,提高模型精度,并实现了8个表型类别的输出。采用自建的鱼类表型分割数据集对VED-SegNet模型进行了测试,测量结果中鱼类各表型比例与实际测量值相接近,表型最大平均绝对和平均相对误差为0.39%、11.28%,能实现无接触式提取水产养殖中鱼类表型比例。对比其他常见语义分割模型,平均交并比mean intersection over union,mIoU和平均像素准确率mean pixel accuracy,mPA最高,分别到达了87.92%、92.83%。VED-SegNet模型在环境复杂、多鱼重叠的养殖水体鱼类监测场景中精准分割鱼类形态特征,可为鱼类表型智能测量提供技术支持。     

数学形态学在木材表面缺陷图像分割后处理中的应用

介绍了数学形态学的基本思想和运算。针对木材表面缺陷图像分割效果不完善的问题,提出基于数学形态学的图像后处理方法,包括应用数学形态学的填充操作、形态滤波以及形态梯度边缘检测等。经实验验证,应用数学形态学进行图像后处理,增强了木材缺陷图像分割结果的可视性和准确性。