玉米品种识别多算法模型比较研究

为了比较玉米品种图像识别中各种神经网络识别模型的性能,搭建了一套基于统计特征提取和模式识别分类算法的玉米品种识别系统。采用扫描仪获得了11个玉米品种每个品种50粒子粒图像,基于图像的统计特征,分别研究了7种人工神经网络(ANN)模型(BP、rbf、grnn、pnn、compet、sofm、ELM)的识别性能,进一步考察了极限学习机(ELM)、支持向量机(SVM)模式分类过程性能。结果表明,在同样的情况下SVM模型较ANN模型的特征识别率高,另外神经网络模型grnn和ELM识别效果较好,其他识别模型性能较差。对11个玉米品种种子的最高检出率为91.73%,另外,所采用的特征降维方法、特征维数、初始权值的随机性选择等因素都会影响模型的识别效果。这对玉米种子纯度和品种真实性检验中人工神经网络模型的构建具有指导意义。     

计算机辅助小麦图像识别应用中颜色特征基本参量的表达

在计算机辅助图像处理中，运用颜色特征进行图像的分类和识别是简便而有效的一种方法。然而，颜色特征的表达和提取是否准确、合理直接决定着分类和识别的可靠性。本文在重点分析RGB、HIS和L*a*b*三种常用颜色模式基本参量含义及相互间关系的基础上，结合小麦图像自身的特点，通过对30幅小麦图像在三种颜色模式下的9个基本参量进行主成分分析，建立了应用于小麦图像识别的颜色特征基本参量表达式，并对这三种颜色模式的9个基本参量进行了分类，提出了确定而有意义的表征小麦颜色特征的主成分指标。结果如下：基于第一主成分的分类指标综合表达出小麦冠层的亮绿色特点，分类结果具有较高的准确性和可靠性；第二主成分指标主要表达小麦冠层黄绿颜色变化的特点，能够形成连续的量化指标空间。第三主成分指标主要表达小麦正常绿色的情况，在图像获取亮度差异较小时可以进行小麦正常绿色值的评价。     

基于图像特征的小麦胚芽鞘识别

利用图像颜色特征,首先分割小麦种子图像进而确定小麦种子轮廓矩,根据其轮廓距确定小麦种子质心坐标,然后根据小麦胚芽鞘图像颜色特征对胚芽鞘图像进行分割、获取小麦胚芽鞘图像,其次利用Zhang-Suen并行快速细化算法对小麦胚芽鞘进行细化获取胚芽鞘骨骼线,进而获取骨骼线图像(单像素)上所有点对胚芽鞘骨骼线进行多段直线曲线近似,最后根据小麦种子轮廓质心坐标、胚芽鞘骨骼线近似曲线和切割距离(给定)确定胚芽鞘的姿态和对小麦胚芽鞘切割点位置进行定位。通过对小麦胚芽鞘30幅图片进行图像处理验证。结果表明,该方法能完整地提取小麦种子和胚芽鞘图像、小麦胚芽鞘姿态及位置信息。基于图像颜色特征的小麦胚芽鞘识别及定位方法,为小麦胚芽鞘的识别与分析提供了准确、快捷、可视的技术手段,对于构建胚芽鞘智能识别、定位的视觉系统及自动化切割装置的研究意义重大。     

基于计算机视觉的沙糖橘果皮光滑指标检测

使用计算机视觉系统提取沙糖橘果皮正面图像,构建有效的图像采集方法、预处理方法、分割方法。从目标区域图像中提取6个与品质密切相关的果皮纹理特征信息用来分类识别果皮光滑,使用单一方差参数配合参数区间分类的方式正确率较低,为76.3%;进而以果皮6个灰度纹理特征开展MLP模型设计和训练,使用训练后的模型进行分类检测。在实测一定数量的果皮得出分类检测结果的基础上,进行系统设计的可行性验证。结果表明,基于3层的BP神经网络模型,设计6-8-2BP网络结构,分类识别正确率达到97.5%。该设计方法可对果蔬果皮特征检测提供参考和借鉴。     

基于纹理特征和神经网络的图像识别

图像特征是用来区分图像内部最基本属性或特征的,它包括了几何特征、形状特征、颜色特征、纹理特征等,在这些特征中纹理特征理解过于复杂,至今尚未有一个大家都认同的定义,从而也就使得纹理分析变得很困难。该文主要研究图像的分类识别,采用基于灰度共生矩阵的纹理特征的提取。以8位灰度图为研究对象,依次对图像进行4个方向(0°、45°、90°、135°)的扫描,并分别建立灰度共生矩阵,从而提取纹理特征参数,然后建立BP神经网络模型,用提取的纹理特征值,来训练BP神经网络模型,使网络模型能够识别图像的内容。此文提出了用纹理特征训练神经网络的方法来识别图像,研究结果表明,纹理是图像分析中一个非常重要的特征,所提取的图像特征是描述图像相当有效的参数。     

基于神经网络和图像颜色、形状特征的绿色苹果图像分割

图像分割是苹果采摘机器准确识别和定位苹果的关键步骤.本研究首先采用线剖面方法对采集的苹果图像针对颜色特征进行分析,提出了利用颜色特征R-B的色差法对青果期苹果图像进行初步分割.在利用分割后的图像提取图像区域的形状特征(面积、周长、圆形度、离心率等).然后将得到的8个形状特征作为BP神经网络的输入量,随机选取一定数量的样本图像作为BP神经网络的训练样本图像和验证样本图像.样本图像经过BP神经网络训练后,建立了绿色苹果图像的分割模型.通过BP神经网络分割后的苹果图像,果实识别率高达89.3％,分割效果良好.     

基于机器视觉的烤烟烟叶部位的智能识别

采集烤烟不同叶位烟叶图像并进行预处理，提取烟叶叶长、叶宽、面积、周长和最小外接矩形面积5个叶片绝对形态特征参数，计算狭长度、矩形度、圆形度、叶宽最大处占比、叶宽轴与质心夹角5个相对形态特征；通过主成分分析筛选出特征向量，构建基于K近邻算法(KNN)、逻辑回归(LR)、基于线性核函数和径向基核函数的支持向量机(SVM)和BP神经网络的烟叶部位识别模型，并对比5种模型的识别效果。结果表明：基于图像轮廓特征所提取的形态特征参数可以较为有效地反映烤烟部位特征；5种识别模型中，基于BP神经网络模型的识别效果最好，识别准确度为93.75%，训练集和测试集的模型决定系数均高于90%。     

基于机器视觉的稻茬麦单茎穗高通量表型分析

【目的】高通量表型技术不仅是现代育种领域的重要手段,也是解析田间作物生理生态行为的工具,但不同类别高通量表型技术的基础架构特征仍不清楚,因此需要针对机器视觉高通量表型技术进行专门探讨。【方法】本文用机器视觉技术检测计算稻茬麦茎穗一体的表型指标。使用宁麦13、鲁原502和郑麦9023 3个小麦品种,进行小区化对比试验,使用等孔距栅条精播板进行单粒精播,准确控制条播小麦的群体条件。于稻茬麦成熟期进行茎穗一体图像获取,对图像进行灰度增强、直方图均值化、S分量提取、Otsu阈值分割、茎穗分离和茎穗形态参数提取等操作。提取的稻茬麦地上部单茎穗各器官的形态参数包括茎秆长、茎秆平均宽度、茎秆投影面积、茎秆周长、麦穗长、麦穗平均宽度、麦穗投影面积和麦穗周长。同时,使用传统方法获取小麦单叶片质量、单茎秆质量、单穗质量和单穗籽粒产量等农艺性状指标。分别构建线性模型、二次模型、指数模型及拓展模型进行多维指标拟合,包括小麦单茎穗生物量与单穗籽粒产量关系、单茎穗的麦穗形态参数与单穗籽粒产量关系等拟合分析。在单茎穗层面对小麦茎穗的表型指标与单穗籽粒产量之间的关系进行相关分析和回归分析,进而基于机器视觉在小麦茎穗一...     

基于LM神经网络的小麦叶片病害识别

快速、及时和准确的发现小麦病害对提高小麦产量具有重要作用。以小麦叶片白粉病、条锈病和叶锈病3种病害为研究对象,提出了基于LM神经网络的小麦叶片病害识别模型。首先采用K-means算法分割小麦叶片病斑区域,提取小麦病斑区域的颜色特征和纹理特征,构建数据集。然后建立LM神经网络小麦叶片病害识别模型,输入数据进行识别。基于颜色和纹理特征的小麦叶片病害识别率为95.3%。在小样本情况下,利用LM神经网络算法能够快速、准确的识别小麦病害叶片。     

基于改进颜色特征的小麦病害图像识别技术研究

[目的]介绍一种根据小麦病害图像的颜色特征进行病害识别的方法。[方法]首先对小麦叶部图像进行预处理,利用小波变换进行病害部位增强和去噪;然后基于病害部位的非绿特征进行图像分割,得到只包含病害像素的图像;对病害图像颜色进行统计,得到R、G、B分量的均值,并用相对于绿色分量的均值比作为颜色特征值;最后通过分析样本图像得到每种病害的特征值范围,利用颜色特征值对未知样本进行病害识别。[结果]采用该方法对小麦叶锈病、条锈病、白粉病进行识别,平均准确率达到98%。[结论]为小麦病害的诊断与诊治提供了理论依据。