基于色差信息多色彩模型的黄羽鸡快速分割方法

快速准确分割出复杂背景下的鸡只图像,是应用机器视觉系统快速识别实际饲养环境下病鸡的关键步骤。以某鸡舍散养的黄羽肉鸡为分割目标,提出了一种基于色差信息的多色彩模型鸡只分割方法。首先对200幅自然环境下拍摄的图像在常用的色彩模型下,分析了鸡冠、鸡身羽毛、鸡肚羽毛以及背景的颜色特征,利用背景在RGB色彩模型的R、G、B三分量色差信息特征进行一次分割,去除大部分的背景,然后转换到HSV色彩模型,获取黄羽鸡不同部位的H分量阈值,再由H阈值范围提取鸡身、鸡冠实现二次分割,最终得到分割目标。实验结果表明所提方法实际分割正确率为86.3%,优于L*a*b*色彩模型聚类的78.4%。所提方法复杂度小,运算时间短,适用于实时分割场合。     

基于图像处理的酿酒葡萄叶片病害分割与诊断

利用图像处理技术和人工神经网络对酿酒葡萄常见的4种病害进行分割和识别。首先,在HSV颜色空间中采用ISODATA聚类算法分割病斑,在病斑区域,对于H、S、V分量分别提取了基于灰度共生矩阵的4种纹理特征以及颜色特征;然后以人工神经网络为分类器,对各分量及其组合的特征对于识别精度的影响进行了实验研究,结果表明,H分量对于4种病斑均具有较好的分割效果;在诊断时,HS组合的特征具有最好的识别效果,平均准确率达到了90%,对白粉病识别率则达到94%。     

基于深度学习的自然环境下刺梨果实识别

采用0.57R-0.18G-0.2B色差分量法对刺梨图像进行处理,通过Ostu自适应阈值分割、形态学滤波和二值图像白色色素面积阈值等方法对图像进行一次分割。根据刺梨果实图像的颜色和纹理特征,再采用YCbCr颜色空间模型中各分量的阈值对图像进行二次分割。通过标记分水岭分割算法对粘连果实连通区域进行分割,利用Hough圆变换对独立、遮挡和重叠情况下的果实外圆进行拟合和修复,最终获取果实质心坐标及其半径。试验结果表明:刺梨果实识别正确率均高于92%,说明本算法能够对刺梨果实进行有效地识别。     

基于HSV模型与改进的OTSU算法花椒图像分割

为实现农业智能机器人对作业现场花椒的识别,提出了一种基于HSV模型与改进的Otsu算法相结合的图像分割方法:以现场图像的H分量图像作为处理样本,先采用中值滤波滤除噪声,再利用改进的Otsu算法进行阈值分割,达到对花椒目标辨识的目的。通过对采摘现场成熟的大红袍花椒在顺光、背光、遮阴3种情况下采集的图像进行分割,结果表明:在顺光、背光、遮阴条件下,分割识别率分别为93.3%、90%、88.3%,且与传统的Otsu算法相比,图像分割时间缩短20%以上,为现场机器人花椒采摘识别提供了一种方法。     

自然场景下树上柑橘实时识别技术

采用G-B色差分量,通过Otsu自适应阈值分割算法分割成熟柑橘图像,采用基于距离变换的分水岭分割将遮挡、重叠柑橘逐个分开,利用凸包算法修复遮挡区域,设定圆度阈值去除误分割区域,然后提取柑橘轮廓,并运用基于Tukey权重函数的最小二乘圆拟合特征圆,提取了柑橘的中心坐标及半径.对87幅图像中592个柑橘进行了识别试验,总体识别率达87.2%,遮挡或重叠柑橘识别率均超过80%.     

叶面雾滴沉积分布直接检测算法研究

提出一种基于阈值边缘提取算法和HSV颜色模型的二次分割叶片雾滴图像识别算法。通过模拟喷雾试验得到三种不同雾滴密度的叶片样本,保留叶片自身轮廓信息的同时分割叶面雾滴,计算叶面积与雾滴覆盖率关系。结果表明应用Otsu阈值边缘提取与HSV空间混合算法相对于传统的k-means聚类分割算法、动态阈值分割算法,更适用于叶面雾滴分布的识别与检测,三种覆盖密度叶片的分割准确率分别为:95.16%、94.23%、93.76%,平均准确率为94.38%;雾滴覆盖率检测相对误差分别为:2.82%、4.11%、7.59%,平均相对误差分别为4.84%。基于阈值边缘提取与HSV空间提取的混合算法可分割叶面雾滴图像并检测完整叶面上雾滴覆盖率,识别结果能够满足识别精度的要求。     

基于计算机视觉的成熟番茄识别研究

以番茄图像为研究对象,提出一种成熟番茄识别方法。首先,以HSI模型中的色调分量为基础进行图像分割,提取出成熟番茄目标图像;然后,再采用最大方差自动取阈值法进行分割处理,对得到的目标图像进行轮廓提取;最后,对轮廓曲线采用Hough变换的方法进行识别,以同一个轮廓圆识别的多个极值点的均值作为最终识别结果,在Hough变换之前采用最小外接矩形法进行有效区域标记,提高了Hough变换的效率。通过多幅番茄果实图像的仿真测试表明:本算法对果实遮掩度为0、小于50%、大于50%这3种情况的识别率分别为78.7%、6 8.1%、4 1.9%,平均识别率达到7 0.6%。本算法对于成熟番茄可以较好识别,尤其对于存在重叠情况的番茄,识别准确率较高。     

基于改进随机Hough变换的棉桃识别技术

为准确识别自然环境中被遮挡的棉花,提出一种基于随机Hough变换的棉花识别方法。为了减小运算量,首先基于RGB彩色模型的（R-B色差通道进行图像分割,利用区域标记获取棉花最小外接矩形区域。然后在有效区域内采用边界跟踪方法获取轮廓信息,根据棉桃轮廓的数学模型进行随机Hough变换。仿真表明：当棉花轮廓信息丢失量小于1/2时,识别效果良好。而且由于轮廓提取和Hough变换均在有效区域进行,参数空间大大压缩,能满足采棉机器人对目标识别精度和速度的要求。     

基于机器视觉的甘蔗茎节特征提取与识别

为实现含有蔗芽的有效蔗种片段机器智能切断,引人机器视觉技术识别甘蔗茎节.以甘蔗图像HSV颜色空间的S分量经阈值分割、数学形态滤波处理作为模板,和H分量经阈值分割的反图像进行与运算得到合成图;将合成图划分为64个列块区域,提取质心比、粗度比和白点比等7个特征指标,再用支持向量机分类识别茎节与节间列块,得到茎节与节间的平均识别率为93.359%;对支持向量机分类出的茎节列块进行聚类分析,得到茎节数与位置的平均识别率分别为94.118%,91.522%.     

基于机器视觉的甘蔗茎节特征提取与识

为实现含有蔗芽的有效蔗种片段机器智能切断,引入机器视觉技术识别甘蔗茎节。以甘蔗图像HSV颜色空间的S分量经阈值分割、数学形态滤波处理作为模板,和H分量经阈值分割的反图像进行与运算得到合成图;将合成图划分为64个列块区域,提取质心比、粗度比和白点比等7个特征指标,再用支持向量机分类识别茎节与节间列块,得到茎节与节间的平均识别率为93.359%;对支持向量机分类出的茎节列块进行聚类分析,得到茎节数与位置的平均识别率分别为     

基于颜色特征的番茄图像分割算法的研究

图像分割是实现田间番茄机器识别的关键部分。根据采摘番茄目标与背景在颜色特征上的差异性,对田间采摘番茄的图像分割算法进行了研究。通过分析比较各种方法的分割效果和所耗费的时间可知,大律分割法具有较好的分割效果,但其在实际应用过程中却存在着一定的问题。针对出现的问题,对该方法进行了相应的改进。研究表明,改进后的大律分割法能较好地处理田间采摘番茄的图像,为进一步采摘识别提供了条件。     

基于模式识别的大蒜瓣尖识别研究

针对现有大蒜播种机采用纯机械方式无法解决大蒜直立播种的问题,提出了用模式识别技术解决的方法。首先对图像进行二值化、边缘跟踪,然后根据大蒜的形态特征,提出以曲率为特征量,根据SUSAN角点检测算法的原理识别出瓣尖的位置。试验结果表明:此算法完全可以检测出瓣尖的位置,为解决大蒜直立播种问题奠定了基础。     

基于改进AdaBoost算法的秸秆识别与覆盖率检测技术

针对目前秸秆覆盖率自动识别准确率低的问题,提出了一种秸秆图像畸变校正与Otsu算法阈值分割相结合的图像处理算法,并采用该方法计算田间秸秆覆盖率。首先,通过单目摄像头采集免耕播种机的作业环境信息,采用改进的AdaBoost算法对目前工作环境是否为免耕地进行自动判断;其次,对现场采集的秸秆覆盖图像进行预处理,通过彩色空间距离化、图像增强等方式提高图像中秸秆的可识别特征;然后,建立逆向映射模型并结合最邻近插值的方法解决图像畸变问题;最后,裁剪出用于秸秆识别的图像部分,通过Otsu算法进行阈值分割、计算秸秆覆盖率。通过实验对AdaBoost算法分类与秸秆覆盖率的检测效果进行验证,结果表明,运用AdaBoost算法能有效识别免耕播种机的工作环境,采用本文图像处理算法计算田间秸秆覆盖率,与实际测量误差在5％以内。     

树干直径自动识别与测量技术研究

在森林资源调查中为实现树干直径快速、精确测量,使用电子元件进行了树干影像自动识别与测量。通过摄像头和CMOS传感器获得图像,经灰度转换后,使用窗口大小为5行5列的高斯滤波器,利用Canny边缘检测算法提取边缘,包括平滑、非极大值剔除、双阈值的边缘连接等,在提取的边缘图像基础上,设计了树木直径自动提取算法。以4列的窗口为模板,自上而下,对经过Canny算法后的图像进行竖直线段的提取。在提取所有竖线后,将最大宽度的2条竖线当作树干轮廓线,通过焦距、物距、像距与像素宽度之间的关系计算出树干直径。最后选择了不同树种共计16棵树木进行了验证,实验结果表明树干直径识别的精度为96.9%,绝大部分测量数据符合森林资源调查要求。     

基于核K—均值聚类算法的植物叶部病害识

针对植物叶部病害图像的特点,首先对采集到的玉米病害彩色图像采用矢量中值滤波法去除噪声,然后提取玉米病叶彩色图像的纹理特征和颜色特征作为特征向量,利用Mercer核,把输入空间的样本映射到高维特征空间进行K-均值聚类以及植物病害识别.试验涉及的4种玉米病害识别正确率达82.5%,核K-均值聚类方法适合玉米叶部病害分类.     

基于颜色特征与多层同质性分割算法的麦田杂草识别

针对杂草与小麦叶子交叠的情况,提出了一种利用改进的多层同质性分割算法,并综合颜色与形态特征的杂草识别方法。在颜色空间YIQ,选取I作为特征量并用改进的最大类间方差法分离植物与背景;在颜色空间HSI,选取I的同质性量和S作为特征量进行多层同质性分割分离小麦与杂草;最后结合形态学特征开闭运算滤波及二值逻辑与运算获得杂草图像;通过模拟化学除草系统,从理论上评价整个系统的除草效率。试验结果表明,杂草正确识别率达92.6%,单幅图像除草剂的减少率在35%~50%,小麦田的除草剂减少率超过78.7%。     

基于K均值聚类的绿色苹果识别技

针对颜色和背景相近的绿色苹果,提出了一种基于K-均值聚类的苹果图像识别算法.该算法以8×8像素的正方形区域为分割单位.选择颜色差R-B作为颜色特征,选择灰度均值m,标准偏差σ和熵e作为纹理特征,形成特征向量空间.采用间隙统计法确定苹果图像的最佳聚类数. 将特征向量空间和最佳聚类数作为输入,运用本文算法对苹果图像进行聚类和分割.对200幅图像识别实验结果表明,在顺光和逆光情况下,算法均能实现果实与背景的有效分割,果实识别的正确率高于81%.     

基于机器视觉的苹果识别和形状特征提取

提出了利用色差R-G和色差比(R-G)/(G-B)相结合的苹果识别方法.在顺光、逆光等不同情况下对拍摄的苹果图像进行了识别,并对识别后的图像进行消除噪声、区域填充等预处理,获得苹果的轮廓图像.针对轮廓图像,采用遗传算法进行形状特征提取.采取多次运行遗传算法,并依次转换目标轮廓点为背景点的方法,处理果实图像邻接、重叠问题.实验结果表明:苹果识别方法在一定程度上消除了阴影、逆光、土壤等影响,识别率达97%.基于遗传算法的形状特征提取方法,可对邻接、重叠图像进行有效分割,快速、准确地实现苹果图像圆心坐标和半径的提取.     

基于颜色和形状特征的机采棉杂质识别方法

机采棉的含杂识别分类检测能够提高棉花加工设备效率,减少棉花纤维损伤,并为棉花收获设备的改进提供指导。提出了一种基于颜色和形状特征的机采棉杂质识别分类方法,对大杂质和小杂质检测采取不同的图像处理方法。颜色特征主要采用基于彩色梯度图像的分水岭变换与改进模糊C均值聚类方法融合的方法;形状特征主要采用机采棉杂质的面积、周长、离心率和矩形度特征。通过对100幅机采棉图像试验表明,该方法对各类杂质的平均识别正确率为89%。     

基于卷积算法的自动割草机目标检测应用研究

为进一步提高我国自动割草机的目标检测准确度与整机作业效率,采用卷积算法理论针对其检测系统展开设计应用研究.在整机结构组成及作业原理基础上,根据卷积算法执行规则流程,建立目标函数与检测核心模型,并针对检测系统进行软件设计与硬件平台搭建,并进行自动割草机目标检测作业试验.结果表明:经卷积算法应用,自动收割机检测系统可实现目...