基于图像分析的杂草分形维数计算

介绍了分形维数的理论计算公式和试验公式，分析了计盒维数的计算方法，运用Matlab软件设计了图像的处理和基于图像的计盒维数的计算程序。随机地选择了4种双子叶杂草和两种单子叶杂草共6种杂草作为研究对象，运用自行设计的程序分别计算了杂草叶的RGB三色图像的分形维数并以其平均值作为杂草叶的分形维数。研究结果表明该文给出的分形维数的计算方法可靠；研究结果也验证了杂草叶具有分形特征；研究结果还说明不同种类的杂草 ，其叶的分形维数明显不同，可以用分形维数为特征参数识别杂草。     

基于分形维数和HHT的蚜虫刺吸电位波形机器识别

昆虫刺吸电位(electricalpenetrationgraph,EPG)技术在研究刺吸式昆虫取食行为、昆虫与植物的关系、昆虫传毒机制、作物抗虫机制等方面得到了广泛的应用,然而EPG信号的识别和分析一直是靠人工进行,亟需波形自动识别系统以提高分析效率。刺吸式昆虫取食植物时,产生的EPG波形跟昆虫和植物的种类有关,不同类别的刺吸式昆虫EPG波形差别很大,即使是同种类型的EPG波形其幅值和频率间也会有差异,这给EPG波形的机器识别带来了困难。该文以蚜虫的EPG信号为研究对象,对np波、pd波、E1波、E2波、G波、C波和F波的特征提取和分类识别进行了研究,提出了一种基于分形维数、希尔伯特-黄变换(hilbert-huang transform,HHT)和决策树的EPG波形识别方法。首先对EPG仪器采集得到的信号进行去噪预处理,分别提取分形维数和HHT共10维特征,组成不同维数的特征向量进入决策树分类器进行对比试验。试验结果表明,可采用分形盒维数、Hurst指数、前2层的谱质心和加权频率融合的6维特征向量获得较高的识别率。在EPG波形的机器识别中采用6维特征向量输入的决策树进行分类,通过对4组不同样本进行测试,得到了92.14%、89.29%、95%和89.29%的识别率,平均识别率为91.43%。研究结果表明该文提出的基于分形维数和HHT的特征提取方法以及构建的决策树分类器具有一定的可行性,可为研发EPG信号自动识别分析系统提供理论参考。     

基于机器视觉技术的淡水鱼品种识别

为了后续加工便利,需要对打捞上来的淡水鱼进行分类,而且分类是淡水鱼加工前处理的重要工序之一。为了实现淡水鱼的自动分类,该研究通过收集常见的4种淡水鱼240条为试验样本,分别为鲢鱼、鲫鱼、鳊鱼和鲤鱼。通过运用机器视觉技术采集各种淡水鱼的图像,并运用数字图像处理技术对图像进行处理,提取其各个颜色分量及长短轴之比等特征值,最后运用该特征值建立有关淡水鱼的品种识别模型。研究表明,通过该识别模型可以完全实现对鲢鱼、鲫鱼、鳊鱼和鲤鱼这4种淡水鱼的品种的识别,准确率达到96.67%。机器视觉技术可以快速准确对常见的淡水鱼进行品种识别,具有较强的实际应用价值。     

白浆土型人参栽培床土的分形维数特征

运用土壤颗粒表面分形维数计算方法,研究了吉林省白浆土型人参栽培床土的分形维数的特点。结果表明白浆土型人参床土颗粒表面的分形维数介于2.890～2.963之间,并随黏度增加有增大的趋势。同时统计分析表明,土粒表面分形维数与土壤的容重、孔隙度及难效水(水吸力>60 kPa)均具有显著相关性(相关系数分别为0.747^*,0.796^*和0.798^*);与土壤中>0.25 mm团聚体的百分含量呈极显著的相关(相关系数为0.826^**)。分形维数可以作为衡量白浆土型人参床土的物理肥力指标之一。     

基于归一化植被指数的流域植被覆盖分形维数研究

量化和表征植被覆盖空间分布的复杂性是研究植被与地表物质迁移关系的重要问题。为研究植被覆盖分形维数的表征特点及其在不同尺度上的变化特征,该文基于地理信息系统平台,利用分形布朗运动理论,结合像元归一化植被指数(normalized difference vegetation index,NDVI)的空间分布,提出并计算了植被覆盖分形布朗运动(fractional brownian motion,FBM)分形维数。结果显示,流域植被覆盖的空间分布具有统计自相似性,可用分形维数表征,其值在2.5~3之间,越接近2.5,表示植被覆盖空间分布越复杂。植被覆盖FBM分形维数与流域内均值化NDVI值和NDVI值的变异系数无直接关系,与单位面积不同NDVI值的像元数呈极显著负相关(R=0.66,P0.01)。植被覆盖FBM分形维数具有尺度效应,随流域面积增大而增大,到一定尺度后趋于平稳。流域植被覆盖FBM分形维数能够克服NDVI像元点奇异值等对植被空间分布量化表征计算的干扰,相对传统表征植被覆盖的指数,其在水文、土壤侵蚀等模型中具有更广泛的应用意义。     

基于GIS的流域地貌形态分形盒维数测定方法研究

流域地貌形态分形维数测定是目前地貌分形研究的薄弱环节,对于流域水土流失预报模型中地貌因子量化具有重要科学意义。依据分形盒维数测定原理,结合流域地貌的复杂三维立体特性,提出了以地形等高线为基本数据源,以GIS技术作为主要实现手段的流域地貌形态分形盒维数测定方法,编制出了相关测算程序,并以岔巴沟流域为例进行了实证研究。结果表明,该方法快速、准确、数据可靠,可实现不同尺度流域地貌形态分形盒维数的测定。     

土壤颗粒的体积分形维数及其在土地利用中的应用

土壤具有自相似特征或尺度不变特征。许多研究表明,土壤质量(重量)分形维数是土壤内在属性之一。但是,在计算土壤质量分形维数的推导过程中需要做一些假设,而有些假设,如不同粒级的土壤颗粒具有相同的密度等假设,已受到一些学者的批评。此外,用传统的比重法测量土壤颗粒分布不仅工作量大,且操作结果更易受人为因素的影响。鉴此,本文提出了土壤体积分形维数的概念。通过对宜兴不同土地利用方式下178个土壤样品的体积分形维数的测定发现:土壤体积分形维数和土壤质量分形维数一样,都是土壤的固有属性;土壤颗粒体积分形维数与土壤颗粒体积百分含量具有显著的对数相关关系;对茶园、菜地和农田土壤剖面上土壤颗粒体积分形维数的变化分析表明,在茶园和菜地土壤剖面上,随着土壤剖面深度的增加,土壤粘粒体积百分含量增加,土壤颗粒体积分形维数也随之增加;在农田土壤剖面上,随着深度的增加,土壤粘粒体积百分含量和土壤体积分形维数也表现出基本保持一致的变化规律。此外,农业管理措施对土壤颗粒的组成会产生影响,使土壤粘粒体积百分含量发生变化,从而使土壤颗粒体积分形维数也随之变化,如菜地土壤体积分形维数随着种植年限的增加而出现下降趋势。     

土壤颗粒分布体积分形维数与数量分形维数之间的关系

土壤的体积颗粒分布(PSD)可用于同时确定数量分形维数(DN)和体积分形维数(DV)。以往的试验和理论研究均未直接比较DV和DN的关系。为建立DV和DN的关系并分析其参数的敏感程度,在中国各地取了12种不同质地土壤,利用激光粒度仪进行了测定。提出了含3个参数Rupper(颗粒半径的上限),Ri(第i个半径)和Rlower(半径下限)的DV-DN理论关系,该关系可说明为什么DN可能大于3。在未调整的幂定律范围内(PLR),DV的幂定律半径为38.6～85.8μm,DN的幂定律半径为53.2～358μm,估算的DV值(2.18～2.69)比DN值(2.38～3.19)小。调整后的PLR比未调整的窄。在调整的PLRs范围内,估算的DV值变化范围为2.11～2.56,而DN变化范围为2.28～3.02。调整和未调整PLRs得出的DV和DN的差异说明,Rupper,Rlower,Ri和Rlower/Rupper均可能影响DV与DN关系,有必要进行参数的敏感性分析。进行敏感性分析可基于敏感系数(C)来鉴别DV-DN关系中各参数改变所引起的DV和DN相对变化,从而找出对该关系影响最大的参数。就不同情况下计算的C值而言,Rupper是影响DN值的最重要参数,小的Rupper值可能导致估算DN的准确度降低。PLR范围越大,DN的估算越准确。根据DV估算DN的相对误差的绝对值在12%范围内,说明得出的DV-DN理论关系是正确的。     

基于GIS地貌形态特征分形信息维数与等高距关系研究

首先论述了以地理信息系统(GIS)为平台,基于分形信息维数(FID)表征地貌形态特征的原理和方法．采用Avenue语言开发了基于ArcGIS环境下地貌形态特征FID计算软件;并以长江流域白水溪小流域为例,进行了不同等高距下地貌形态特征FID的计算,通过对FID与等高距耦合关系的深人分析,结果表明：基于FID不仅可以对流域地貌形态特征进行宏观性、综合性定量表征,而且能够实现不同等高距下流域地貌形态特征的相互转换,有利于与流域形态特征相关联的水文、水土流失过程的动态模拟．同时可实现对现有地形数据的充分挖掘,填补我国大比例尺基础地理信息数据不足的缺陷。     

土壤颗粒粒径分布质量分形维数和体积分形维数的对比

用激光衍射法(LD法)和吸管法实测了60个富铁土土样的颗粒粒径分布(PSD)数据,在此基础上分别计算了颗粒的质量分形维数Dm和体积分形维数Dv。结果发现:由于LD法"低估"了黏粒部分,因此Dv相对低于Dm;由于Dv和Dm之间呈现出了一定的正相关性(p<0.001),且Dv与其实测黏粒之间呈一定的正相关性,因此Dv在一定程度上也能够用于表征土壤的某些基本属性;LD法可以对粒径进行更多的分级,但不同的粒径分级会对Dv产生影响,对粒径的再细分会导致Dv略微降低。     

牛肉大理石花纹计盒维和信息维的测定

对牛肉大理石花纹几何特征进行定量描述,是牛肉大理石花纹等级自动判定系统的关键技术。通过对牛肉大理石花纹图像分形特征的分析及分形维数的测定,试图以分形维对牛肉大理石花纹的分布特征进行定量描述。作者以中国及美国牛肉分级系统中的大理石花纹标准图版为研究对象,通过图像预处理,将其转化为二值数字图像,然后根据变粗视化程度的像素点覆盖法,编写出计盒维和信息维的测定程序,计算出上述每一幅图像在不同标尺下的非空盒个数及信息量,再根据标尺与非空盒个数及信息量的关系,分析图像的分形特征;通过回归分析的方法,测定出图像的计盒维数和信息维数。试验结果显示,在一定的标度范围内,牛肉大理石花纹标准图像具有分形性,并且显示出多重分形特征;图像的计盒维数和信息维数均呈现出随着牛肉大理石花纹等级的增加而增大的变化趋势。     

基于分形维数特征的砂滤层适宜粒径范围

为了对砂滤层过滤性能进行分析,该研究以粒径范围为1.0～1.18、>1.18～1.4和>1.4～1.7 mm的3种砂滤层为研究对象,以黄河泥沙作为原水杂质颗粒,采用激光衍射粒度分析仪测量了人民胜利渠泥沙粒度分布,得到了泥沙粒度分布的密度函数,并以兰考县黄河泥沙对泥沙粒度分布规律进行了验证。采用工业CT对3种砂滤层进行扫描,利用计算机图像处理技术,采用像素点覆盖法,自编程序计算了3种砂滤层横截面特征参数,孔隙率均值分别为0.421、0.431和0.439,计盒分形维数均值分别为1.695、1.709和1.726,截面最小孔径与最大孔径比分别为1/17、1/18和1/21,拟合了孔隙率与计盒分形维数的相关关系,分析了砂滤层分形理论适用性。建立了砂滤层过滤概率分形模型,计算了3种砂滤层孔隙直径范围,分别为59.5～1 002、66.9～1 220和72.9～1 503 μm,计算了原水中100 μm以上杂质颗粒通过砂滤层的概率,对于人民胜利渠泥沙,分别为0.67%、0.81%和0.93%,对于兰考县黄河泥沙,分别为0.62%、0.80%和0.91%。从理论上证明了表层过滤的存在性,分析了表层过滤的机理及其对反冲洗频率的影响。同时,为了减轻表层过滤,粒径范围为>1.4～1.7 mm的滤层更适宜作为砂过滤器的滤料。研究可为砂滤层内部结构的研究和滤料选型提供基础理论与数据参考。     

基于图像法和粒度分形模型的打叶过程烟片结构在线检测

为实现烟叶采收后初加工过程打叶质量的实时监测与调控,该文采用图像分析法在线检测烟叶打后叶片结构,即叶片面积分布,应用分形理论建立烟叶打后叶片面积分布的分形模型,用分维数表征叶片面积分布特征。结果表明:分形模式计算的打后叶片面积分布结果与实测值相关系数较高,粒度分形模式可较准确描述烟叶打后叶片面积分布;分维数可表征打后叶片面积分布均匀程度,可反映出不同等级烟叶打叶特性差异;分维数与目前打叶过程的主要工艺控制指标大中片率成线性关系,相关系数大于0.90。基于图像法和粒度分形模型建立的打叶过程烟叶结构在线检测方法,可用于打叶质量的实时监测与调控。     

机器人采摘苹果果实的K-means和GA-RBF-LMS神经网络识别

为进一步提升苹果果实的识别精度和速度,从而提高苹果采摘机器人的采摘效率。提出一种基于K-means聚类分割和基于遗传算法(genetic algorithm,GA)、最小均方差算法(least mean square,LMS)优化的径向基(radial basis function,RBF)神经网络相结合的苹果识别方法。首先将采集到的苹果图像在Lab颜色空间下利用K-means聚类算法对其进行分割,分别提取分割图像的RGB、HSI颜色特征分量和圆方差、致密度、周长平方面积比、Hu不变矩形状特征分量。将提取的16个特征作为神经网络的输入,对RBF神经网络进行训练,以得到苹果果实的识别模型。针对RBF神经网络学习率低、过拟合等不足,引入遗传算法对RBF隐层神经元个数和连接权值进行优化,采取二者混合编码同时进化的优化方式,最后再利用LMS对连接权值进一步学习,建立新的神经网络优化模型(GA-RBF-LMS),以提高神经网络的运行效率和识别精度。为了获得更精确的网络模型,在训练过程中,苹果果实连同树枝、树叶一块训练;得到的模型在识别过程中,可一定程度上避免枝叶遮挡对果实识别的影响。为了更好地验证新方法,分别与传统的BP(back propagation)和RBF神经网络、GA-RBF优化模型比较,结果表明,该文算法对于遮挡、重叠果实的识别率达95.38%、96.17%,总体识别率达96.95%;从训练时间看,该文算法虽耗时较长,用150个样本进行训练平均耗时4.412 s,但训练成功率可达100%,且节省了人工尝试构造网络结构造成的时间浪费;从识别时间看,该文算法识别179个苹果的时间为1.75 s。可见GA-RBF-LMS网络模型在运行效率和识别精度较优。研究结果为苹果采摘机器人快速、精准识别果实提供参考。     

基于改进Multi-Scale AlexNet的番茄叶部病害图像识别

番茄同种病害在不同发病阶段表征差异明显,不同病害又表现出一定的相似性,传统模式识别方法不能体现病害病理表征的动态变化,实用性较差。针对该问题,基于卷积神经网络提出一种适用于移动平台的多尺度识别模型,并基于此模型开发了面向农业生产人员的番茄叶部病害图像识别系统。该文详细描述了AlexNet的结构,分析其不足,结合番茄病害叶片图像特点,去除局部响应归一化层、修改全连接层、设置不同尺度卷积核提取特征,设计了基于AlexNet的多感受野识别模型,并基于Android实现了使用此模型的番茄叶部病害图像识别系统。Multi-ScaleAlexNet模型运行所耗内存为29.9MB,比原始AlexNet的内存需求652MB降低了95.4%,该模型对番茄叶部病害及每种病害早中晚期的平均识别准确率达到92.7%,基于此模型的Andriod端识别系统在田间的识别率达到89.2%,能够满足生产实践中移动平台下的病害图像识别需求。研究结果可为基于卷积神经网络的作物病害图像识别提供参考,为作物病害的自动化识别和工程化应用参考。     

土壤图像孔隙轮廓线分形特征及其应用

孔隙轮廓线分形维数是用来描述孔隙本身所具有的分形特征，它反映了土壤孔隙与固体颗粒接触界限的不规则性。该文采用数字图像处理技术研究了中国科学院封丘农业生态实验站内3种不同质地土壤样本图像的孔隙轮廓线分形特征。结果表明：土壤孔隙轮廓线分形特征与土壤质地之间存在着一定的相关关系，即土壤质地越细(黏粒含量越高)分形维数取值越大。同时，根据这3种土壤的孔隙轮廓线分形维数，结合不同分形方法分别预测了它们的水分特征曲线，并与实测的土壤水分特征曲线进行了比较。     

基于卷积神经网络的田间多簇猕猴桃图像识别方法

为实现田间条件下快速、准确地识别多簇猕猴桃果实,该文根据猕猴桃的棚架式栽培模式,采用竖直向上获取果实图像的拍摄方式,提出一种基于Le Net卷积神经网络的深度学习模型进行多簇猕猴桃果实图像的识别方法。该文构建的卷积神经网络通过批量归一化方法,以Re LU为激活函数,Max-pooling为下采样方法,并采用Softmax回归分类器,对卷积神经网络结构进行优化。通过对100幅田间多簇猕猴桃图像的识别,试验结果表明:该识别方法对遮挡果实、重叠果实、相邻果实和独立果实的识别率分别为78.97%、83.11%、91.01%和94.78%。通过与5种现有算法进行对比试验,该文算法相对相同环境下的识别方法提高了5.73个百分点,且识别速度达到了0.27 s/个,识别速度较其他算法速度最快。证明了该文算法对田间猕猴桃图像具有较高的识别率和实时性,表明卷积神经网络在田间果实识别方面具有良好的应用前景。     

基于实例分割的柑橘花朵识别及花量统计

柑橘隔年结果现象严重,花量统计有助于果园的规划管理,并对产量预测有重要意义,但是柑橘单一植株花量巨大,花朵紧凑密集,花期树叶遮挡覆盖,对花量计算造成很大的阻碍。对此该研究提出基于实例分割的柑橘花朵识别与花量统计方法,以花期的柑橘树冠图像为样本进行花朵实例的识别及分割,通过对MaskR-CNN主体卷积部分和掩膜分支部分的优化,实现对复杂结构图像中密集小尺度柑橘花朵目标的高效检测、获取图像中可见花数量。结果显示,该方法花量识别神经网络的平均精度为36.3,花量计算误差为11.9%,对比未优化MaskR-CNN网络在训练和识别的时间效率上均有显著提升。该研究解决了柑橘花量统计难度高的问题,有助于柑橘早期测产和落花监测,并为花量控制提供决策依据。