温室幼苗图像的多算法融合区域生长分割算法研究

将区域生长算法应用于温室幼苗图像的分割,针对该算法种子点选取的复杂性及执行效率等问题,通过引入小波变换和最小二乘原理,提出一种多算法混合的区域生长算法。该算法能够提升图像分割的执行效率,并获得良好的分割效果。通过采集温室中三种植物幼苗图像进行验证,新算法在执行效率上比G通道区域生长算法有较大的提升,尤其是对于小叶片幼苗的图片,其分割时间缩短3倍;且本算法有效地减少背景对于分割结果的影响,在对不同植物幼苗图像的分割上,也表现出良好的鲁棒性。     

基于改进GrabCut算法的黄瓜植株图像分割

植物图像的自动分割是植物表型研究的热点问题,也是作物生长过程监测、病虫害识别等应用的核心技术之一。以黄瓜为对象,通过对图像中作物与背景特点的分析,选取EXG超绿分割和GrabCut算法进行试验研究;基于EXG超绿分割和GrabCut算法在黄瓜群体图像上的分割结果及这两种算法的优缺点,提出具有更高分割精度的改进算法。用室内室外不同生长时期的黄瓜植株图像进行试验,温室内图像和室外自然光照图像的平均分割精度分别达到96.56%和96.59%,均优于EXG超绿分割和GrabCut算法。同时表明,本文的改进算法适应性更强,具有较好的鲁棒性。     

采用区域生长法分割根系CT图像的改进算法

提出了一种基于阈值分析和区域生长相结合的用于植物根系CT序列图像分割的算法。首先通过直方图分析,初步确定根系区域的分割阈值,再利用经过改进的区域生长法分割得到目标区域。实验结果表明,该分割算法计算量小,分割精度高,在提取目标的同时,能够有效地分离介质(背景)像素;而且对于背景复杂、噪声较大、目标像素灰度不均匀的CT图像也能取得较好的分割效果。     

基于改进Mask RCNN的复杂环境下苹果检测研究

苹果检测是苹果采摘系统中的关键环节,为实现复杂环境下苹果采摘机器人视觉系统对苹果的识别和定位,提出一种基于深度学习的方法,通过改进的Mask RCNN网络对苹果进行检测研究。该方法在原始Mask RCNN网络的基础上,增加边界加权损失函数,能够使边界检测结果更为精确。训练后的模型在验证集下的AP值为92.62%。通过比较Mask RCNN与Faster RCNN、YOLO v3和传统分割算法K-means算法在不同数目,不同光照和绿色苹果情况下的检测效果,试验结果表明:Mask-RCNN的F1值和分割效果均高于其他算法,证明本文方法对复杂环境下的苹果有很好的检测效果,可为苹果产业中采摘机器人的视觉系统提供技术支持。     

黄瓜茎维管束图像分割与三维可视化技术研究

植物维管束在植物生长发育过程中扮演了重要角色。针对黄瓜茎序列图像的特点提出了基于区域生长的分割框架,并结合步进立方体和合成体绘制方法实现了黄瓜茎维管束的三维可视化。结果表明,该方法准确分割出黄瓜茎维管束并实现其几何属性的测量和分析,有利于深入研究维管束的结构与功能关系。     

基于机器视觉的蔬菜生长状况分析

蔬菜植株面积大小是评估其生长状况的重要依据。本文采用基于机器视觉的图像处理技术,获取并分析蔬菜的生长状况,其关键在于如何准确地分割图像并计算叶面积大小。为此,通过对采用传统的阈值分割算法、传统的K-means分割算法和L*a*b*空间下的K-means分割算法所输出结果的对比分析,结果表明在L*a*b*空间下进行的K-means分割,在保留蔬菜叶片表面信息的同时不仅有效地分割图像,而且能以彩色图像的形式输出。本文选取了30株绿色蔬菜,计算其在第15天、30天、45天的叶面积大小,通过对比同一蔬菜在不同时间与同一时间及同期内不同蔬菜的叶面积,评估得到这30株蔬菜的生长状况。     

基于植物病斑的图像分割研究综述

图像分割是图像处理中的关键技术之一。目前,基于植物病斑的图像分割算法很多,对于不同的病斑特点,人们提出了相应地解决办法,而且还在不断改进和提高这些算法的效率和有效性。为此,结合目前的研究进展,对图像分割的分类及其在植物病斑的处理中的应用进行综合型阐述,并对各分割算法所存在的问题以及未来发展的趋势进行了讨论。     

基于二维直方图的杂草图像分割算法

通过引入像素灰度级和邻域灰度级构成的二维直方图,提出了一种杂草彩色图像分割算法。试验结果表明,基于二维直方图的分割算法由于增加了各个像素点相邻区域的信息,从而减少了自然条件下镜面反射和叶片小面积污损的影响。由于分割结果更好地保留了叶片的连通性,新的分割算法能在自然条件下更好地区分单子叶植物和双子叶植物及识别作物和杂草,从而有助于杂草识别率的提高。     

基于数学形态学的植物叶柄与叶片分割

叶柄与叶片的分割是进行植物叶特征提取关键的一步.为此,介绍了基于数学形态学的植物叶柄与叶片的分割方法,通过二值化处理、数学形态学处理,能够有效地分离叶柄和叶片.其中,二值化处理采用动态阈值,使得该方法能够适用于不同颜色的植物叶;数学形态学处理采用动态十字形模板,使得该方法能够适用于不同尺寸的植物叶.     

基于XCT技术的原位根系三维可视化研究

为解决植物根系原位三维观测的技术难题,采用XCT层析成像技术获取原位根系的断层序列图像,然后利用计算机图像图形处理技术实现对植物根系的原位三维可视化.为了提高图像分割的精确性,提出一种利用根系几何形态特征的综合分割方法,有效清除了与根系密度极其近似的杂质体素,完成了对序列图像的三维分割.并利用VTK工具箱采用移动立方体算法(MC)实现了对分割后序列图像的三维重建.编程实验证实,本文提出的技术路线和方法能够有效地实现对生长在介质环境中原位根系的三维可视化观测.     

基于超体素聚类和局部特征的玉米植株点云雄穗分割

针对当前三维点云处理方法在玉米植株点云中识别雄穗相对困难的问题,提出一种基于超体素聚类和局部特征的玉米植株点云雄穗分割方法.首先通过边连接操作建立玉米植株点云无向图,利用法向量差异计算边权值,并采用谱聚类方法将植株点云分解为多个超体素子区域;随后结合主成分分析方法和点云直线特征提取植株顶部的子区域;最后利用玉米植株点云...     

基于时间序列的玉米叶片性状动态提取方法研究

玉米叶片性状对生长发育、遗传育种及功能基因解析研究具有重要意义,而传统的测量方式效率低、主观性强、测量性状少,已无法满足现代玉米研究的需求,为此提出一种基于时间序列的玉米叶片性状动态追踪技术。研究基于高通量作物表型平台,针对100份玉米品种资源,每间隔3 d获取8个玉米生长点图像;利用图像分割、叶片骨架提取等算法得到单片叶长、叶角度、叶弯曲度参数;基于叶片相对位置信息实现玉米叶片的动态追踪及标记。试验结果和人工测量值相比,叶长和叶夹角测量误差分别为0.92%和3.32%。叶片追踪可以得到叶片的动态变化过程,计算获取叶片长度的平均生长率及叶片弯曲度的变化分布。     

基于SegNet与三维点云聚类的大田杨树苗叶片分割方法

准确分割单个杨树叶是无接触提取杨树苗叶表型参数的前提,针对大田杨树苗的复杂种植环境,本文提出一种基于SegNet与三维点云聚类的大田杨树苗叶片分割方法。首先对Kinect V2相机进行标定,对齐RGB与深度数据,滤除背景,获得RGB与深度数据融合数据;然后针对RGB与深度融合数据采用语义分割算法SegNet对杨树苗叶与杨树干进行分割;为了更好地分割出单个杨树叶,对分割的杨树叶区域重构出三维点云,采用基于几何距离的kd-tree对单个树叶进行分类。对采集的单株树苗与多株树苗数据进行了实验分析,采用SegNet与FCN分别对杨树苗叶区域与茎区域进行分割,结果表明,SegNet对叶、茎检测准确率分别为94.4%、97.5%,交并比分别为75.9%、67.9%,优于FCN;对叶区域采用不同距离阈值的kd-tree算法进行单叶分割分析,确定了适合杨树叶的分割阈值。实验结果表明,本文提出的分割算法不仅能分割出单株杨树苗的叶片,也能分割出多株杨树苗的单个叶片。     

基于SegNet与三维点云聚类的大田杨树苗叶片分割方法

准确分割单个杨树叶是无接触提取杨树苗叶表型参数的前提,针对大田杨树苗的复杂种植环境,本文提出一种基于SegNet与三维点云聚类的大田杨树苗叶片分割方法。首先对Kinect V2相机进行标定,对齐RGB与深度数据,滤除背景,获得RGB与深度数据融合数据;然后针对RGB与深度融合数据采用语义分割算法SegNet对杨树苗叶与杨树干进行分割;为了更好地分割出单个杨树叶,对分割的杨树叶区域重构出三维点云,采用基于几何距离的kd-tree对单个树叶进行分类。对采集的单株树苗与多株树苗数据进行了实验分析,采用SegNet与FCN分别对杨树苗叶区域与茎区域进行分割,结果表明,SegNet对叶、茎检测准确率分别为94.4%、97.5%,交并比分别为75.9%、67.9%,优于FCN;对叶区域采用不同距离阈值的kd-tree算法进行单叶分割分析,确定了适合杨树叶的分割阈值。实验结果表明,本文提出的分割算法不仅能分割出单株杨树苗的叶片,也能分割出多株杨树苗的单个叶片。     

基于全卷积神经网络的植物叶片自动分割及表型解析

为提高植物叶片图像中形态参数提取的效率和准确率,以全卷积神经网络为基础,对模型构架和关键函数进行优化,通过有监督的学习方法实现植物叶片图像分割效果。模型在测试集上的平均召回率r为0.95,MIoU为0.94。在分割结果中提取植物叶片的形态学参数与人工提取结果高度相关,r~2>0.96。该研究实现了植物叶片图像高通量地分割,并且在分割结果中提取的植物叶片形态参数可以用于作物长势监测等相关研究。     

覆膜和种植密度对旱作春玉米产量和蒸散量的影响

为探究黄土高原旱作玉米的适宜种植密度,开展了玉米露地与覆膜6个种植密度的大田试验。结果表明:覆膜加速了玉米的生长和发育,表现在株高和叶面积指数的增加,生育期的提前,如抽穗期(即最大高度出现时)比露地种植提前了11 d。在玉米生长的中后期,露地玉米株高具有随密度增加而降低的趋势,而覆膜玉米则无显著差异。无论是覆膜还是露地种植,玉米叶面积指数都是随种植密度的增加而提高。玉米的蒸散量随种植密度的增加而增加,但覆膜种植降低了玉米对水分的消耗,在不同程度上缓解了因种植密度增加而导致的蒸散量增加与降水不足之间的矛盾。覆膜显著提高了玉米产量和水分利用效率,平均产量和水分利用效率较露地种植分别提高52.79%和60.55%。露地与覆膜种植产量和水分利用效率随种植密度的增加都呈现先增加后减小的趋势,但获得最高产量与水分利用效率对应的种植密度不同:露地种植在密度为52 500株/hm~2(D2)时获得最高产量和水分利用效率,而覆膜种植增大了单位面积土地可支撑的群体,最高产量和水分利用效率分别在密度为82 500株/hm~2(D4)和67 500株/hm~2(D3)时获得,但D3与D4下水分利用效率无显著差异,所以在试验气候年型下,黄土高原东部露地和覆膜种植的春玉米适宜密度分别为52 500株/hm~2和82 500株/hm~2。     

追肥对受淹玉米生长和产量的恢复效应

【目的】寻求适宜的追肥方案,最大程度恢复受淹玉米的生长和产量。【方法】分别于2017年和2018年6—9月,采用测坑模拟淹水的方法,在河南商丘开展了夏玉米淹水和排水后不同施肥方案的试验研究。夏玉米拔节—抽雄阶段,以淹水(W1)和不淹水(W2)为主处理,排水后施肥方案为副处理,分别为:不追肥处理(CK)、N 100 kg/hm~2处理(F1)、N 100 kg/hm~2+P2O575 kg/hm~2处理(F2)、N 100 kg/hm~2+K_2O 75 kg/hm~2处理(F3)和N 100 kg/hm~2+P2O575 kg/hm~2+K_2O 75 kg/hm~2处理(F4),试验小区重复3次。【结果】W1处理的玉米群体株高、株高整齐度、叶面积指数和产量比W2处理分别下降了4.6%、45.9%、10.9%和24.3%;对于淹水处理,排水后不同追肥措施可以显著降低淹水对玉米生长和产量所造成的危害(P<0.05),其中追肥F3处理的玉米群体株高比CK、F1和F2处理分别提高6.6%、4.7%和3.3%,株高整齐度分别增加130.8%、94.4%和48.3%,叶面积指数分别增加17.7%、9.7%和6.9%,产量分别增加20.9%、15.7%和13.1%,F3处理和F4处理间差异不显著;淹水显著降低了夏玉米植株的干物质积累(P<0.05),在淹水条件下,F3处理和F4处理的植株干物质积累量显著大于其他处理(P<0.05)。【结论】受淹玉米在排水后,追施氮肥对生长和产量具有显著的恢复效应(P<0.05),同时增施钾肥对氮肥具有显著的协同增效的作用(P<0.05)。在夏玉米生产区,对于受淹玉米生长和产量的恢复,氮钾配施氮100 kg/hm~2+K_2O 75 kg/hm~2是较为适宜的灾后追肥方案。     

基于无人机航拍图像的大田玉米冠层结构建模

针对目前采用三维数字化等方法获取大田作物冠层结构信息时需要手动干预、费时费力的问题,利用超微小型无人机分别获取了苗期大田玉米群体的航拍图像、去掉周边植株后成熟期单株及多株的玉米小群体航拍图像.基于伪极点-Crust方法构建了玉米苗期和成熟期的冠层结构模型,并基于大田原位手动测量的株高、叶长、最大叶宽、叶面积等参数对所构...     

基于全卷积神经网络的云杉图像分割算法

以云杉为研究对象提出了应用全卷积神经网络（Fully convolutional networks,FCN）分割图像的算法。利用无人机采集图像,标注470幅云杉图像,其中300幅组成训练集,170幅组成测试集,标注90幅樟子松图像作为附加测试集。以VGG16为基础建立云杉分割FCN模型,利用Tensorflow框架实现和训练网络,通过共享权值和逐渐降低的学习速率,提高FCN模型的训练性能。选择像素精度（PA）、均像素精度（MPA）、均交并比（MIoU）和频权交并比（FWIoU）4个语义分割评价指标评价测试结果。FCN模型分割云杉图像,PA和MPA达到0.86,MIoU达到0.75,FWIoU达到0.76,处理速率达到0.085s/幅,有效地解决了光照变化、云杉个体差异、地面杂草干扰和植株之间粘连的影响。与HSV颜色空间阈值分割以及K均值聚类分割算法比较,FCN模型的MIoU分别提高0.10和0.38。     

基于K-means聚类和RF算法的葡萄霜霉病检测分级方法

针对自然环境复杂背景下葡萄霜霉病检测分级困难的问题,提出了一种基于语义分割结合K-means聚类和随机森林算法的葡萄霜霉病检测分级方法,实现对葡萄霜霉病快速分级。构建了葡萄霜霉病数据集,采用HRNet v2+OCR网络建立葡萄叶片语义分割模型,提取复杂环境下葡萄叶片;采用K-means聚类算法将葡萄叶片分解为若干子区域图像,并标记少量数据集进行随机森林算法学习,实现葡萄叶片病斑分割与提取;同时在叶片提取和病斑提取过程中,设计一种像素尺寸变换方法,解决图像分辨率引起的精度低问题。基于HRNet v2+OCR网络的葡萄叶片分割模型的准确率为98.45%,平均交并比为97.23%;融合K-means聚类和随机森林(RF)算法的葡萄叶片正面、反面和正反面霜霉病病害分级准确率分别为52.59%、73.08%和63.32%,病害等级误差小于等于2级时的病害分级准确率分别为88.67%、96.97%和92.98%。研究结果表明,基于K-means聚类和随机森林算法的葡萄霜霉病检测分级方法能够准确地分割自然环境复杂背景下的葡萄叶片和葡萄霜霉病病斑,并实现葡萄霜霉病分级,为葡萄霜霉病精准防治提供了方法和...