一种从土壤背景中分离出作物的图像分割方法

杂草是指生长在不适当的地方的植物，其生长对经济作物的影响弊大于利。杂草与经济作物争土壤、阳光和水肥，而且极易蔓延。杂草的蔓延是导致作物减产的主要因素，并可能会使作物的生产量减少25％-30％。     

响应面法优化龙眼核多酚提取工艺的研究

以龙眼核为原料,用乙醇溶液为溶剂提取其中的酚类化合物,在单因素实验基础上,通过响应面法优化其提取工艺.结果表明,乙醇浓度对得率的影响达到极显著水平（P〈0.01）,提取时间对得率的影响显著（P〈0.05）,而提取温度与料液比对得率的影响不显著;4个因素对得率的影响大小是：乙醇浓度〉提取时间〉提取温度〉料液比.响应面分析得到的回归模型能够较好地预测实际得率,乙醇浸提龙眼核多酚的最优条件为：提取时间106 min,乙醇体积分数为58%,提取温度64℃,料液比为1∶9,在此条件下,多酚得率为42.690 mg/g,达到理论预测值的96.29%.     

河南地区杨树"黄叶病"研究初报

为确定河南地区杨树黄叶病的病因并提出有效的防治措施，开展了元素补充、组织粉碎回接、微生物分离回接、线虫检测、电子显微镜切片观察、植原体的PCR及DAPI检测等实验。结果表明：对轻度病株施硫酸亚铁有较好的治疗效果；回接组织粉碎物的健株无症状表现；从病株的根、茎、叶中分离了4种微生物并进行了回接，27．5％的接种苗出现了与黄叶病相似的症状；在病株体内没有发现植原体和内寄生性线虫；电子显微镜下观测到了杆状细菌存在。研究结果对该病害的后续研究具有重要的参考价值。     

苏州古典园林中的植物

对苏州古典园林中的植物种类、植物性状和植物产地进行了分析,并介绍了传统花木的应用。在苏州8个具有代表性的古典园林中大约有植物118种,隶属于56科。8个园林中有很多共同的植物种类。园林中乔木、灌木、草本以及藤蔓类植物配合应用,落叶树木多于常绿树木(1.54∶1),乡土植物(占总种数的64.4%)大大地多于外来植物,反映出了造园者师法自然,顺应自然的宗旨,符合生态要求,值得我们在城市绿化建设中借鉴。另外,人们赋予某些植物的人格意义使苏州古典园林中大量采用传统花木。     

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。     

基于分形维数的玉米和杂草图像识

提出了利用分形维数来识别玉米和杂草的方法.将田间采集到的原始图像转化到HSI空间,利用H分量的不变特性进行图像变换,以消除光照的影响,有利于图像的分割处理.为了识别出玉米和杂草,比较了3种分形维数的计算公式和计算方法,利用Matlab编写的分形软件得到了玉米和杂草的平均分形维数,试验结果表明:Bouligand-Minkowski方法最佳,其中玉米和杂草的平均分形维数分别为1.204和1.079.利用SVM方法进行识别,正确率可以达到80%.     

基于RGB植被指数的大田油菜图像分割定量评价

以自然光下大田油菜幼苗图像为研究对象,运用超红指数ExR、超绿指数ExG、超绿超红差分指数ExGR、归一化植被指数NDI、植被提取颜色指数CIVE、植被指数组合COM等6种常用植被指数和阈值算法分割具有阴影区域的大田油菜图像,同时试验中引入定量评价标准客观评价常用RGB空间植被指数的分割效果。结果表明:定性分析中COM指数优于其他5种植被指数,能够减少阴影带来的分割影响,并在局部叶片分割试验中保留完整叶片轮廓;定量分析中COM指数提供最佳分割精度、灵敏度和特指度分别为94.1%、97.2%、90.9%,其相应标准差为1.1、1.3和0.06。     

多媒体辅助教学在农业工程教学中的应用

多媒体教学作为教学辅助手段,有其不可代替的优势,也存在一定的缺点.本文结合农业工程院校的特点,探讨了多媒体教学的优与劣,指出多媒体教学的运用应该从实际出发,与传统教学相结合,才能收到理想的教学效果.     

基于视觉注意模型的苗期油菜田间杂草检测

提出了基于视觉注意模型的苗期油菜/杂草图像检测方法。针对苗期油菜大田环境,获取油菜/杂草RGB原始图像。根据原始图像颜色分布特点改进Itti模型,生成系列特征显著图,结合区域生长算法分割出感兴趣区域。针对该区域提取形状和纹理特征参数作为支持向量机输入量,判别出所有油菜区域,最后融合原始图像和油菜区域获取最终株间杂草区域。结果表明:与局部迭代阈值法和最大类间方差法相比,本研究提出的图像分割方法更优,正确分割目标概率、错误分割目标概率及漏分割目标概率分别为92.46%、3.26%及7.54%;针对形状、纹理、综合特征及精选特征四类特征参数集,径向基-支持向量机的识别率分别为96.00%、94.29%、100.00%及96.00%。     

基于改进的K-均值聚类算法的农作物图像分割

图像分割是图像进行分析处理的首要步骤。为此，针对彩色农作物图像的特征，首先将RGB彩色图像转换到HIS色彩空间，运用均值一方差与粗糙集理论选取适当的初值聚类中心和聚类个数，再进行聚类计算，实现了色彩分量的快速自动化分割，较准确地从背景中提取出了目标物体，为农作物图像的识别与分析、后续计算和处理提供了可靠的基础。实验结果表明，改进的k-均值算法减少了运算量，提高了分类精度和准确性。