利用骨架特征信息的粘连谷粒图像分割方法

针对长宽比大的粘连谷粒图像精确分割问题,提出利用图像骨架粘连点位姿信息的粘连谷粒图像分割方法,相比常规分水岭算法提高了准确性和可靠性。在图像平滑、二值化的基础上提取谷粒的骨架信息,采用SPT算子定位骨架粘连点位姿并进行粘连点延展闭合。针对不同粘连程度的谷粒图像,将本文算法与传统分水岭算法进行了对比测试,结果表明本文算法对于复杂粘连情况具有较强的适应性。当谷粒为长宽比在1.5以内的大豆和玉米时,本文方法和分水岭算法效果类似。然而,当谷粒长宽比大于1.5,分水岭算法出现大量欠分割和过分割现象,识别错误率达到75%,本文算法依然可控制在10%以内。     

基于数学形态学粘连粮食籽粒图像分割算法的改进

为了保障我国的粮食安全,需要特别重视提高粮食生产能力,并为商品粮食的收购以及市场流通提供快速、准确的外观品质检测手段.为此,针对粘连籽粒图像分割时易产生过分割与欠分割的问题,在凌云设计的粮食图像分割算法的基础上,提出了一种改进的数学形态学方法,并对原算法与改进算法进行对比实验.实验结果表明,改进算法能够较好地解决粘连籽粒的分割问题,特别是籽粒接触面积较小、碎米率较大的图像的分割问题.     

玉米果穗粘连籽粒图像分割方法

为了对基于图像的玉米果穗穗粒数进行更精确的计算,给出了一种新的粘连籽粒图像分割方法。对粘连二值图像进行轮廓平滑和欧氏距离变换,将粘连籽粒的距离变换图视为地形学上的地形图,以地形图中的山谷线作为粘连二值图像的分割线。将欧氏距离变换图像的边界像素点视作水源点,根据山谷形态两边高、中间低的地形趋势设定水流的行进规则,使得水流在遇到山坡时自动绕行,但在遇到谷口点时可沿山谷线流动,从而将粘连籽粒分割开。该方法对单个未粘连籽粒不产生影响,不必在分割操作前依靠人工设定阈值进行籽粒是否粘连的判断,可以作为籽粒是否存在粘连的判断方法。用该方法对442个含不同粘连情况的籽粒连通分量进行判断与分割测试,粘连判断准确率为99.7%,粘连籽粒的分割准确率为94.9%。     

粘连玉米籽粒图像的自动分割方法

以玉米籽粒为对象,提出了一种基于公共区域和籽粒轮廓寻找分割点的方法,实现了粘连玉米籽粒图像的自动分割.对于两个相互粘连的籽粒,在对粘连目标进行连续腐蚀-膨胀处理过程中,相互接触籽粒会形成公共区域,将公共区域与任意一个籽粒轮廓进行交集运算后,得到一段不封闭的曲线,曲线段的端点作为分割点,再运用Bresenham画线算法生成分割线,将这两个籽粒分离.对于大量粘连的籽粒,采用同样的方法,以"剥离"方式可将籽粒逐个分离出来.对100组粘连籽粒图像进行算法测试,分割正确率为96%,分割后的籽粒边界较为平滑,变形较小.     

基于分水岭和改进MRF的马铃薯丁粘连图像在线分割

针对马铃薯丁粘连图像分割问题,提出一种融合分水岭和改进马尔科夫随机场（MRF）的分割方法。分水岭方法可以将粘连图像分割为若干一致性较好的区域,恰好有利于MRF进行标记,同时,针对实际应用中区域势团势能不一致的情况,通过改进势函数确定MRF的条件概率,使其在全局上具有一致性,从而解决粘连分割问题。用分水岭方法对图像进行初始分割,将图像转化为块状表示。综合考虑初始分割区域的相对高度和面积,用改进的MRF标记正确分割区域和过分割区域。计算过分割区域与邻域的紧密度,选择紧密度最大的邻域并与之合并。试验结果表明,该方法在继承了分水岭方法优点的前提下,解决了过分割的问题,正确率为95%。     

基于形色筛选的苹果园羽化害虫粘连图像分割方法

针对苹果园害虫识别过程中的粘连问题,提出了一种基于形色筛选的害虫粘连图像分割方法。首先,采集苹果园害虫图像,聚焦于羽化害虫。害虫在羽化过程中已完成大部分生长发育,其外部形态、颜色、纹理更为稳定显著。因此,基于不同种类害虫的形色特征信息分析,来获取害虫HSV分割阈值和模板轮廓。其次,利用形状因子判定分割粘连区域,通过颜色分割法和轮廓定位分割法来实现非种间与种间粘连害虫的分割。最后,对采集的苹果园害虫图像进行了试验分析,采用基于形色筛选的分割法对单个害虫进行分割,结果表明,本文方法的平均分割率、平均分割错误率和平均分割有效率分别为101%、3.14%和96.86%,分割效果优于传统图像分割方法。此外,通过预定义的颜色阈值,本文方法实现了棉铃虫、桃蛀螟与玉米螟的精准分类,平均分类准确率分别为97.77%、96.75%与96.83%。同时,以Mask R-CNN模型作为识别模型,平均识别精度作为评价指标,分别对已用本文方法和未用本文方法分割的害虫图像进行识别试验。结果表明,已用本文方法分割的棉铃虫、桃蛀螟和玉米螟害虫图像平均识别精度分别为96.55%、94.80%与95.51%,平均识别精度分别提高16.42、16.59、16.46个百分点。这表明该方法可为果园害虫精准识别提供理论和方法基础。     

基于改进遗传算法的低能耗铣削参数优化

以铣削加工为例,建立了以铣削时间(加工相同体积的材料,铣削时间越小表示效率越高)和铣削能耗为目标的多目标优化模型,以主轴转速、进给速度、铣削深度和铣削宽度为优化变量,同时,铣削过程还要受到实际加工条件的约束,比如机床的额定功率和铣削力的约束.用改进遗传算法即多种群,即自适应度多种群遗传算法对该多目标模型进行求解,最后结...     

基于M-LP特征加权聚类的果树冠层图像分割方法

针对背景和杂草干扰下的果树图像冠层提取问题,提出了一种基于M-SP特征加权聚类的冠层分割算法。首先,将采集的原始图像由RGB颜色空间转换到HSI颜色空间,计算果树与背景区域在H、S分量上的马氏距离,构造马氏距离相似度矩阵〖WTHX〗M〖WTBX〗;其次,提取图像像素的垂直位置作为空间特征〖WTHX〗P〖WTBZ〗,在HSI空间内的I分量上,利用最大熵算法提取图像的阴影区域,并进行掩膜处理,将获取的阴影区域作为空间特征的加权区域L,从而构造阴影位置加权的空间特征〖WTHX〗L〖WTBX〗P;最后,对获取的M-LP特征矩阵进行归一化处理,分别进行上背景、下背景、果树冠层、杂草4个类别的K means聚类,最终完成图像分割。为验证算法的有效性,在采集的果树图像上进行了分割试验,结果表明,基于M-LP特征的聚类方法能有效解决重度杂草干扰条件下果树冠层被漏分的问题。采用精确率、召回率和F1值3个评价指标对分割结果进行定量评价,选取不同杂草干扰程度（轻微、中等、较强）和时间段（早晨、中午、傍晚）的果树图像,分别以传统K-means和GMM聚类算法作为对比进行试验,结果表明,相对于未经过特征提取的普通聚类分割方法,本文算法对于不同杂草干扰程度和不同拍摄时间段下的果树冠层分割表现出一定的鲁棒性,平均精确率为87.1%,平均召回率为87.7%,平均F1值为87.1%。分割和验证结果表明,在进行有效图像特征提取的基础上,结合少量标注作为先验知识的无监督分割方法可以准确分割出果树冠层区域。     

融合特征金字塔与可变形卷积的高密度群养猪计数方法

针对猪只人工计数方法消耗时间和劳动力,育肥猪较为活跃且喜好聚集,图像中存在大量的高密度区域,导致猪只之间互相粘连、遮挡等问题,基于SOLO v2实例分割算法,提出了一种自然养殖场景下融合多尺度特征金字塔与二代可变形卷积的高密度群养猪计数模型。通过优化模型结构来减少计算资源的消耗与占用。将科大讯飞给出的猪只计数的公开数据集划分为猪只分割数据集和猪只盘点测试集,利用猪只分割数据集获得较好的分割模型,然后在猪只盘点测试集中测试盘点准确率,实现猪群分割和猪只计数。实验结果表明,本文提出的高密度猪只计数模型的分割准确率达到96.7%,且模型内存占用量为256 MB,为改进前的2/3,实现了遮挡、粘连和重叠情况下的猪只个体高准确率分割。在含有500幅猪只图像计数测试集中,模型计算猪只数量误差为0时的图像数量为207幅,较改进前提高26%。模型计算猪只数量误差小于2头猪的图像数量占测试图像总数量的97.2%。模型计算猪只数量误差大于3头猪的图像数量占总体图像数量比例仅为1%。最后,对比基于YOLO v5的群养猪计数方法,本文模型具有更优的分割效果和计数准确率,验证了本文方法对群养猪只计数的有效性。因...     

复杂环境中蛋鸡识别及粘连分离方法研究

提出基于Lab颜色模型的蛋鸡与背景自动分割方法和基于极限腐蚀和凹点搜寻的粘连蛋鸡分离与计数算法.实验前期将通过计算机视觉系统获取的RGB图像转换成Lab图像,每张图像中均选取蛋鸡及最接近蛋鸡颜色的背景2个小样本区域,分别计算这两类区域在a、b分量的数学期望作为分割阈值.随后将采集的图像像素聚类于与a、b分割阈值的欧氏距离最小的区域,从而实现蛋鸡与背景区域的自动分割.针对经常出现的蛋鸡群聚造成蛋鸡个体之间相互粘连的情况,研究利用改进的极限腐蚀及凹点搜寻处理算法分离出独立的蛋鸡并正确计数.108幅蛋鸡图像识别结果表明,该算法能将蛋鸡个体从复杂背景中有效提取、计数和粘连分离,蛋鸡计数正确率为93.5％,综合分离正确率为89.8％.     

增强局部上下文监督信息的麦苗计数方法

在实际生产中,麦苗株数对出苗率估算、产量预测以及籽粒品质预估等起着关键作用,及时准确地估算出麦苗株数对于小麦生产至关重要。由于田间生长环境复杂,麦苗成像易受光照、遮挡和重叠等因素的影响,导致现有目标对象计数方法直接用于麦苗计数时性能不高。为减弱上述因素对麦苗计数的影响,进一步提高计数准确率,本文对现有的目标对象计数网络P2PNet (Point to point network)进行改进,提出增强局部上下文监督信息的麦苗计数模型P2P_Seg。首先,对麦苗图像进行预处理,使用点标注方法自建麦苗数据集;其次,引入麦苗局部分割分支改进网络结构,以提取麦苗局部上下文监督信息;然后,设计逐元素点乘机制融合麦苗全局信息和局部上下文监督信息;最后,引入逐像素加权焦点损失(Per-pixel weighted focal loss)构建总损失函数,对模型进行优化。在自建数据集上的实验表明,P2P_Seg的平均绝对误差(Mean absolute error,MAE)和均方根误差(Root mean square error,RMSE)分别为586和768,比P2PNet分别降低0.74和1.78;与其他先进计数模型相比,P2P_Seg具有更好的计数效果。在实际大田环境下进行了应用测试分析、误计数和漏计数情况分析,结果表明P2P_Seg更适合复杂田间环境,为麦苗株数自动统计提供了新方法。     

基于改进YOLO v7的笼养鸡/蛋自动识别与计数方法

笼养模式下鸡/蛋自动识别与计数在低产能鸡判别及鸡舍智能化管理方面具有重要作用,针对鸡舍内光线不均、鸡只与笼之间遮挡及鸡蛋粘连等因素导致自动计数困难的问题,本研究以笼养鸡只与鸡蛋为研究对象,基于YOLO v7-tiny提出一种轻量型网络YOLO v7-tiny-DO用于鸡只与鸡蛋识别,并设计自动化分笼计数方法。首先,采用JRWT1412型无畸变相机与巡检设备搭建自动化数据采集平台,获取2 146幅笼养鸡只图像用于构建数据集。然后,在YOLO v7-tiny网络基础上应用指数线性单元(Exponential linear unit, ELU)激活函数减少模型训练时间;将高效层聚合网络(Efficient layer aggregation network, ELAN)中的常规卷积替换为深度卷积减少模型参数量,并在其基础上添加深度过参数化组件(深度卷积)构建深度过参数化深度卷积层(Depthwise over-parameterized depthwise convolutional layer, DO-DConv),以提取目标深层特征;同时在特征融合模块引入坐标注意力机制(Coordina...     

基于多视角时间序列图像的植物叶片分割与特征提取

为了解决多种类植物在生长过程中不同时间点动态变化表型参数提取困难问题,提出了一种基于多视角时间序列图像和深度卷积神经网络Mask-RCNN的植物茎叶实例分割方法,在拟南芥、玉米和酸浆属3种代表性植物上进行了实验.结果 表明,训练得到的基于Mask-RCNN的植物分割模型对在不同生长时期的植物茎叶的识别精度(mAP0.5...     

基于改进凹点分割的小麦播种籽粒落种分布在线检测方法

针对播种性能参数人工计算效率低及在线检测软件缺乏等问题,提出了一种基于图像处理的小麦播种时籽粒落种分布在线检测方法,建立了基于连通区域面积和轮廓周长的粘连种子判据,创建了改进凹点分割粘连种子方法,对分割后的种子进行计数与坐标定位,实现落种均匀度、准确度和离散度的计算检测。搭建了落种分布检测装置并开发了检测软件,试验结果表明：在不同播量、播种行进速度条件下,改进凹点分割算法平均准确率均在95%以上,相比凹点分割算法平均准确率有明显提高,说明该方法对种子颗粒总数识别准确率较高;随着播量增加,种子粘连概率提高,出现假凹点几率增大,算法准确率降低;随着播种行进速度增加,图像中种子变形和失真几率增加,导致部分粘连种子难以分割或错误分割,算法准确率亦降低;播量及播种行进速度对落种均匀度、准确度、离散度的影响不显著,与人工计算测量结果吻合,表明了该落种分布检测方法的可行性。     

显微彩色图像处理在藻类识别统计中的应用

水体中藻类与水质状况之间存在着密切的关系，可根据藻类综合指数、生物多样性指数等对被监测水体的水质状况做出评价。为此，通过对水体中藻类的显微彩色图像进行处理和分析，提出了藻类显微彩色图像识别统计的方法。通过研究图像的预处理、分割和识别等过程，识别出水体中的藻类并统计出藻类细胞的个数。实验结果表明，与人工识别统计方式相比，显微彩色图像识别符合率大于90％。     

水稻病害图像预处理及其特征提取方法研究

采用计算机数字图像处理技术对水稻病害进行智能识别,并以叶鞘腐败病为例,研究了水稻病害智能识别图像预处理和特征提取的方法。试验中,利用灰度变换和中值滤波法有效去除了噪声,增强了图像;利用不同算子对病害进行边缘检测,准确地提取了病斑的几何特征,实现了病害图像目标分割。这一研究成果为特征参数的提取及最终病害确定打下基础。     

水稻单株脱粒计数仪的研制

介绍了水稻单株脱粒并实现计数仪器的结构和性能特点,对其脱粒和计数工作原理、过程进行了分析.通过对主要部件工作参数的试验及分析,确定了水稻单株脱粒叶片最佳工作转速,并确定了计数装置电机转速,可使机器对水稻破损率降到最低,且保证了计数的准确率,使仪器性能达到最佳工作状态.     

基于超像素特征的苹果采摘机器人果实分割方法

针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087s,基本满足实时性需求。     

基于改进粒子群优化神经网络的拖拉机排放方法研究

针对农用拖拉机排放污染严重的问题,特别是限制氮氧化物（NOx）和碳烟（Soot）的排放,以中国一拖集团某型号农用柴油机为研究对象,采用系统建模仿真、台架试验验证和仿真分析结合的方法对发动机排放优化进行了研究。首先构建了农用拖拉机燃烧室三维模型并导入CONVERGE进行燃烧排放模拟与仿真,通过对模型缸内压力、热释放率试验值与仿真值的对比,证明该模型具有较高精确度,能够较好地描述发动机内部燃烧排放过程。之后以燃烧室的缩口率、凸台深度、燃烧室深度为输入,以发动机NOx和Soot排放量为输出建立人工神经网络作为代理模型。计算决定系数R2和平均相对误差（MRE）来验证人工神经网络的精确度。然后在此基础上提出一种改进的粒子群优化算法,从而获得燃烧室缩口率、凸台深度、燃烧室深度的最佳参数组合,形成新的燃烧室结构并导入CONVERGE软件中进行排放模拟计算并与原燃烧室的排放量进行对比。结果表明采用新的燃烧室结构后能够降低发动机NOx和Soot排放,可为相关农用拖拉机燃烧室系统设计和开发提供参考和思路。