基于HSV与形状特征融合的花椒图像识别

光照条件变化会对花椒目标识别率产生影响,关系到机器视觉技术能否有效应用于生产现场的花椒采摘。通过对HSV特性图像识别技术的分析,提出HSV和形状特征融合的花椒识别算法。该算法采用同态滤波方法对光照进行补偿,解决因为光照不均匀而导致的花椒识别率低的问题,最后利用花椒圆度特征,排除树枝及树叶等的干扰,实现花椒的准确识别。利用同态滤波方法对光照进行补偿,对于光照不强或者发生遮挡的花椒图像有较大改善,通过试验得出其平均识别率达到94.0%,比单独采用HSV特性识别时,在顺光,背光和遮阴条件下,识别率分别提高4%,13%和21%,此外在遮阴条件下运行时间缩短14.6%。为遮阴条件下提高花椒识别率提供一种方法。     

基于GF-1和Sentinel-2时序数据的茶园识别

由于茶园大多分布在地形复杂的山区,地块破碎,分布零散,形状差异大、植被混杂且茶园所处环境长期受到云雨的影响,增加了茶园遥感识别的难度与不确定性,针对这一问题,该研究提出了利用高分1号(GF-1)和哨兵2号(Sentinel-2)时序数据提取茶园的方法,以浙江省武义县王宅镇为研究区,采用GF-1号为主要数据源,并利用MODIS地表反射率产品和Sentinel-2反射率数据,基于时空融合算法得到时间分辨率5 d的10 m Sentinel-2完整的时序数据。综合利用GF-1在空间细节方面的优势和重建的Sentinel-2高观测频率时序数据在反映茶树生长过程方面的优势,分别基于GF-1的光谱和纹理特征及GF-1的光谱、纹理特征和Sentinel-2时序特征两种特征组合方式,采用随机森林算法提取茶园。结果表明,GF-1光谱、纹理信息结合Sentinel-2时序信息分类结果的准确率、错误率、精确率、召回率和F1分数分别为96.91%、3.09%、89.00%、83.09%和0.86,仅基于GF-1光谱和纹理信息的分类准确率、错误率、精确率、召回率和F1分数分别为94.72%、5.28%、73.09%、84.61%和0.78,添加时序信息分类结果总体优于未添加时序信息的分类结果。表明高空间分辨率结合高频率时序遥感数据是提高茶园分类精度的有效手段。     

移动互联网环境下农机企业危机沟通的思考*

从危机沟通的渠道、危机沟通的具体策略、危机沟通的后续行动三个方面,为中国农机企业的危机沟通提供可行建议。以形象修护理论为基础,结合移动互联网环境传播特点以及中国农业机械化发展的实际情况,分析新浪新闻手机客户端、今日头条手机客户端上的两条农机质量纠纷视频。推荐农机企业使用的8条具体策略包括:否认事件不实部分;表明事件的意外属性;阐明自身出发点;阐明自己的贡献及所做出的努力;提出物质补偿;提出改进措施;承担有错部分;主动向用户征询意见。提出危机沟通应在线上、线下两种渠道进行,危机沟通应与具体行动相结合。     

基于卷积神经网络马铃薯叶片病害识别和病斑检测*

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。     

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。     

基于机器视觉的温室番茄裂果检测

该文通过对温室番茄果实进行定位及裂果检测,可为番茄裂果率预估及后续裂果自动筛选提供参考。针对自然光照下采集的各类番茄图像,在相关颜色空间中进行阈值预分割,利用前期支持向量机训练得到的纹理特征分类器对预分割区域进行二次判别;之后在前景区域利用显著性角点分割构造边缘轮廓集,利用基于最小二乘法修正的改进霍夫变换拟合单个番茄目标;最后利用二维Gabor小波算子对拟合的单个番茄区域进行纹理特征提取及裂果判别。文中共采集82幅番茄图像,其中50幅图像作为训练集图像,32幅图像作为验证集,所提算法对测试集中总共128个番茄的果实正确检出率为91.41%,对其中35裂果的正确判别率为97.14%,裂果判别部分平均耗时21 ms。试验结果表明,该方法具有较好的鲁棒性与可靠性,对成熟期番茄裂果率的估计研究及采摘过程中裂果的自动分级筛选具有较好的指导意义,为未来实现温室番茄果实生长状态在线监测提供参考。     

基于混合蛙跳算法的马铃薯病害图像分割优化

针对Otsu算法对直方图呈现多峰多谷的复杂马铃薯病害图像分割效果不佳的问题,结合混合蛙跳算法(shuffled frog leaping algorithm,SFLA)提出了一种Otsu-SFLA分割优化模型,将Otsu病害图像的分割结果作为SFLA算法的优化起点,进行复杂背景的马铃薯病害图像的分割优化,将马铃薯叶枯病、马铃薯晚疫病、马铃薯菌核病、马铃薯根腐线虫病、马铃薯灰霉病的病害图像作为分割对象进行分割,分割匹配率分别为97.0%、96.2%、96.9%、95.7%、94.8%,平均分割匹配率为96.1%,错误率分别为1.6%、1.1%、1.2%、1.1%、1.4%、平均错误率为1.3%,正确率分别为95.4%、95.1%、95.7%、94.6%、93.4%,平均正确率为94.8%,表明Otsu-SFLA模型可有效从复杂马铃薯病害图像中获取病斑区域。     

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.     

马铃薯薄片干燥过程形态变化三维成像

为研究马铃薯薄片在干燥过程中形态变化规律,该文利用Kinect传感器搭建了图像采集平台,研究其在不同干燥温度下(50、60、70、80℃)的形态变化规律。通过图像采集平台获取马铃薯薄片深度图像和彩色图像,利用彩色图像确定感兴趣区域,对对应区域的深度图像进行灰度值拉伸、阈值分割、边缘去噪处理,进而提取特征,计算出正投影面积的收缩率、深度均值及标准差,以表征马铃薯干燥过程中表面卷曲及平整度等形态指标的变化规律。对不同干燥时间点马铃薯片进行三维图形显示可观察其变化规律明显。统计结果表明:低温(50、60℃)与高温(70、80℃)对马铃薯薄片干燥时的收缩率、卷曲程度具有显著影响(P0.05)。50℃时收缩率为54.97%,80℃时收缩率升高为64.55%;干燥温度与马铃薯片卷曲程度呈先升后降的关系,60℃时卷曲度最大,其深度均值为27.81 mm,80℃时降低到18.86 mm。而四组温度下,马铃薯薄片的平整度具有显著性差异(P0.05),50℃时马铃薯片深度值的标准差为7.99 mm,80℃时降低至5.71mm,说明平整度随着干燥温度升高而增加。该研究可为马铃薯薄片干燥过程中形态变化的检测提供参考,同时为干燥工艺的智能化控制提供技术依据。     

黑土区田块尺度土壤有机质含量遥感反演模型

为了对田块尺度土壤有机质进行空间反演并提高模型精度和稳定性,该文以黑龙江省黑土带41.3 hm~2田块为例,获取2016年5月中下旬两期(受限于拍摄周期和天气原因而选择不同卫星影像,2016年5月17日Landsat 8影像和5月25日Sentinel-2A影像)裸土时期遥感影像和4 m分辨率DEM数据;分析单期影像与土壤有机质(soil organic matter,SOM)的关系,两期影像所包含的土壤含水量变化信息与地形因素对SOM预测模型精度的影响,建立基于BP神经网络的SOM遥感反演模型。结果表明:该田块内SOM含量差异较大;利用单期影像预测SOM时,基于红波段和785~899 nm波段建立的预测模型精度(建模均方根误差RMSE 1.033,检验RMSE 1.079)和稳定性(建模决定系数R2 0.677,检验R20.644)较高;两期影像时,基于红波段和1 570~1 650 nm波段建立的预测模型精度(建模RMSE 0.855,检验RMSE 0.898)和稳定性(建模R2 0.792,检验R2 0.797)显著提高;在两期影像模型基础上,加入地形因子作为输入量,模型精度(建模RMSE 0.492,检验RMSE 0.499)和稳定性(建模R2 0.917,检验R2 0.928)进一步提高。研究成果可为土壤碳库估算和农田精准施肥提供理论与技术支持。