基于模糊聚类的番茄目标快速识别算法

为准确而又快速地识别图像中的番茄目标,提出一种基于模糊聚类算法(fuzzy clustering means,简称FCM)的番茄目标识别方法,在目标函数中引入隶属度约束项,加快模糊聚类算法的收敛速度,快速分割番茄目标图像。为验证算法的有效性,利用多张番茄图像进行图像分割试验,并将本算法与FCM算法、Otsu算法的分割效果进行对比,结果表明,本算法对番茄目标的识别速度与识别准确率都得到了一定程度的提高。     

基于Faster R-CNN算法的番茄识别检测方法

针对番茄生长环境复杂,枝叶对果实造成遮挡及果实之间存在遮挡等因素,造成番茄难以识别、检测等难题,本文基于Faster R-CNN的番茄识别检测方法进行研究。首先使用AlexNet网络提取涵盖番茄语义、空间信息的特征图;用区域建议网络对特征图进行番茄与背景的二分类、预选框回归训练,用非极大值抑制算法筛选出预选区域;用区域特征聚集方法将预选区域特征图转化为固定大小的特征图,最后针对番茄图像的每个特征图计算分类回归损失,实现对番茄的识别检测。该方法在番茄数据集上进行测试,在重叠度取0.5时,番茄数据集的均值平均精度值为0.839,优于Yolov3算法、SSD算法的0.804、0.773,该方法的平均正确识别率为95.2%。结果表明本方法可准确的识别检测出成熟、未成熟番茄的标签及位置,单样本图像处理时间为245 ms,可满足番茄检测的实时控制要求。     

基于主成分分析及LVQ神经网络的番茄种子品种识别

提出了一种基于主成分分析优化(PCA)及竞争性神经网络(LVQ)的番茄种子品种识别方法,对番茄品种识别技术与算法进行了研究,提取了番茄种子的几何特征、纹理特征和7个不变矩特征,通过主成分分析选取了4个主成分作为人工神经网络的输入,对黑迪、红迪、佳粉十八、金迪、丘比特5个品种进行了LVQ神经网络品种识别试验。试验结果表明,竞争层节点数目为20,训练次数为96时每粒种子识别的平均耗时最短,识别准确率最高,分别为0.2 s、90.5%,基于机器视觉的番茄种子品种识别与检测方法是可行的。     

一种优化的Swin Transformer番茄叶片病害识别方法

为了及时准确的识别番茄叶片病害,提高番茄产量,提出了一种优化的Swin Transformer番茄病害识别方法,该模型利用Transformer的自注意力结构获得更加完备的番茄病害图像的高层视觉语义信息;结合Mixup混合增强算法,在预处理阶段对图像特征信息进行增强;并采用迁移学习在增强番茄叶片病害数据集上进行训练和优化Swin Transformer模型,以此实现精准的番茄叶片病害识别。结果表明：1)优化的Swin Transformer模型对番茄叶片病害识别准确率达到98.40%;2)在相同训练参数下,本研究模型比原Swin Transformer、VGG16、AlexNet、GoogLeNet、ResNet50、MobileNetV2、ViT和MobileViT模型准确率提高了0.70%～1.91%,且能快速收敛;3)本研究模型中加入的Mixup混合增强算法极大地提高了番茄叶片病害的识别准确率,比现有的常见方法性能更加优越,并且鲁棒性强。因此,本研究提出的新模型能够更加准确的识别番茄叶片病害。     

基于健壮的边界跟踪算法的二维灰度图像边界提取

在分析二维灰度图像边界的常规提取方法的基础上,提出了一种新的健壮的边界提取方法.该方法首先采用Canny边缘算法检测二维图像边缘,然后使用了一种健壮的边界跟踪算法抽取物体边界,这种边界跟踪算法在跟踪边缘图像的物体边界过程中能自动修补断裂边缘和排除虚假边界点.实验证明,新方法成功率高,能较有效排除干扰,准确识别出物体边界.     

基于YOLO的番茄病虫害识别算法研究

本文以番茄病虫害为研究对象,为了实现对其病虫害识别,本文采取了以YOLO为基础识别算法。对番茄病虫害的危害展开研究,对基于YOLO的番茄病虫害识别算法进行分析,旨在确保番茄病虫害是识别效果,降低番茄病虫害对发生概率,保证番茄的生长发育水平,推动番茄的增产增收,全面满足番茄种植户的相应需求,并推动农业发展的信息化水平进步。     

一种迁移学习算法在番茄病害检测上的应用

针对当前番茄病害智能识别精度不高、耗时长的问题,提出一种基于Inception-v3和迁移学习相结合的图像分类算法。从试验田中收集8种番茄病害叶片和健康叶片,运用1 000万像素高清扫描仪统一扫描成图像,将图像归类到9种文件夹中,手动标记叶片属性。最后,基于Inception-v3模型结合迁移学习算法对健康和病害叶片进行分类试验,并与传统图像分类算法(KNN、SVM、BP神经网络)和非迁移学习算法进行对比。结果表明,基于Inception-v3模型结合迁移学习算法,在番茄病害图像分类中能够快速有效识别分类生长健康番茄和患病番茄,并且能高效识别番茄病害的种类。其中健康置信度达0.9760,病害种类平均置信度达0.929 7,可为番茄病害检测和防治提供支持。     

木材表面缺陷特征轮廓提取算法研究

虫眼、活节和死节是最常见的木材表面缺陷,是木材分选过程主要的识别目标,精确提取木材表面缺陷轮廓特征能大幅提高木材分选的准确率。本研究提出一种针对木材表面虫眼、活节、死节缺陷轮廓提取方法。针对木材表面常见黑点和纹理等非线性噪声,使用中值滤波方法平滑图像。然后分别应用OTSU算法与全局阈值分割算法分离图像背景与目标,对结果二值图像使用数学形态学方法进行滤除和填充,最终用sobel算子提取缺陷边缘。结果表明,采用OTSU算法分割和数学形态学相结合的方法可以很好地提取木材表面缺陷特征,用sobel算子能够提取到比较完整、准确、连续的木材表面缺陷边缘轮廓,提高了目标图像的可视性和精准性。     

自然光照条件下苹果识别方法对比研究

针对自然光照条件下果园苹果识别效果不佳的问题,从苹果的颜色分割和形状提取2方面进行对比研究,提出一种自然光照条件下的苹果识别方法。利用错检率、漏检率和处理速度3个量化指标综合对比分析颜色阈值、SVM和BPNN 3种苹果颜色分割方法的处理效果。比较6种边缘检测算法对苹果区域图像的边缘检测效果,并使用Hough圆检测算法对苹果形状进行提取,以获得苹果的圆心和半径。试验结果表明:由BPNN的苹果颜色分割方法以及结合Log和Hough的苹果形状提取方法所构建的果实识别算法具有较高的鲁棒性和准确性,能有效克服果实遮挡、重叠和颜色变异等问题,果实平均识别率可达91.6%。     

基于GA-BP神经网络的温室番茄病害诊断

为了提高温室番茄病害自动识别率,采用P2P无线网络摄像机定点远程监控与数码相机采集设备相结合的方法获取材料,通过分治中值滤波算法和分水岭算法分离复杂背景下的叶片并提取病斑,提取病斑特征参数并最终选择6个颜色参数、4个形状参数、3个纹理参数,改进传统的差反向传播(error back propagation,简称BP)算法,建立遗传算法优化的误差反向传播(genetic algorithm error back propagation,简称GA-BP)番茄病害识别模型。结果表明,GA-BP模型能快速有效地识别番茄叶片病害,对番茄早疫病、晚疫病、叶霉病的识别率分别达到92.50%、91.25%、95.50%。该模型解决了BP神经网络收敛速度慢、寻优不精确的问题,高效地实现了温室番茄病害的诊断。     

基于计算机视觉技术的番茄叶部病害识别研究

针对番茄叶部病害的计算机识别问题进行深入研究,建立一套基于适用于番茄病害的颜色特征提取、纹理特征识别等模式识别方法,确定与病理对应的特征和特征组合模式,在此基础上进行了仿真研究和对比试验,结果表明,该方法能有效提高番茄叶部病害的自动识别水平。     

基于机器视觉的叶菜类蔬菜菜垄识别算法

针对目前叶菜类蔬菜田间作业自动化程度低,缺乏适用自主导航技术等问题,提出一种基于机器视觉的叶菜类蔬菜菜垄识别算法。利用改进超绿算法(Gray=2Cg-Cr-Cb)对菜地图像进行灰度化,通过二值形态学变换和连通区域提取获得菜垄区域和边界,基于Huber损失函数进行边界曲线拟合,最终提取导航基准线。图像处理结果表明:1)本研究提出的识别算法在不同光照环境下具有较好的鲁棒性,自然综合光照条件下导航基准线提取成功率为97.5%;2)基于Huber损失函数获取到的导航基准线,平均均方根误差为0.668像素,比最小二乘法高72.5%,平均角度偏差为0.273°,比最小二乘法高72.6%,且处理速度与最小二乘法相似。试验证明本研究算法可实现在自然光照条件下对叶菜类蔬菜图像的菜垄识别和导航基准线提取。     

基于数学形态学的植物叶片图像预处理

植物叶片图像的预处理是进行叶形特征提取和识别的重要前提,获得高质量的预处理叶片图像对计算机辅助植物识别十分重要.本文提出了基于数学形态学的植物叶片图像的预处理方法,运用数学形态学中的开运算和闭运算消除图像中的孤立噪声点并填补叶片内部孔洞.该方法保持了原图像的基本形状特征并能获得清晰的边缘,为叶片特征提取创造了良好的前提.     

基于比较的大米样本图像分割

[目的]提高大米加工精度时图像识别的效果。[方法]采用SUSAN算子,讨论其参数的选取原理,并与传统边缘检测算法作对比。[结果]SUSAN边缘检测算法对含噪大米样本图像的边缘检测效果优于传统的边缘检测算法。[结论]SUSAN边缘检测算法非常适于含噪或低对比度大米样本图像的边缘检测     

基于图像融合特征的番茄叶部病害的识别

为了提高基于数字图像识别番茄叶部病害的准确率,适应不同分辨率条件下的应用需求,并满足实践拍摄条件的不确定性,以番茄晚疫病、花叶病、早疫病叶片图像为研究对象,选择HSV模型中的4维H分量等量分割波段作为颜色特征,基于灰度差分统计的均值、对比度和熵3维特征作为纹理特征,融合7维特征向量作为支持向量机(SVM)分类器的输入,用粒子群算法(PSO)优化SVM模型参数。试验结果表明,融合灰度差分统计与H分量4维特征的病害识别模型准确率可达90%。     

局部证据RBF人体行为高层特征自相似融合识别研究

针对传统人体动作识别算法,往往重点解决某一类行为识别,不具有通用性的问题,提出一种局部证据RBF人体行为高层特征自相似融合识别算法。首先,借用随时间变化的广义自相似性概念,利用时空兴趣点光流场局部特征提取方法,构建基于自相似矩阵的人体行为局部特征描述;其次,在使用SVM算法进行独立个体行为识别后,利用所提出的证据理论RBF（Radial Basis Function）高层特征融合,实现分类结构优化,从而提高分类准确度;仿真实验表明,所提方案能够明显提高人体行为识别算法效率和识别准确率。     

基于ACO-SVM的粮虫特征提取研究

[目的]研究基于ACO-SVM的粮虫特征提取,探讨粮虫特征提取的可行性。[方法]通过分析储粮害虫图像识别系统中的1个关键环节——特征提取,提出把支持向量机(Support vector machine,简称SVM)算法中交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的1个重要因子,将蚁群优化算法(Ant Colony Optimization,简称ACO)应用于粮虫特征的自动提取。[结果]该算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95%以上。[结论]该研究表明蚁群优化算法在粮虫特征提取中的应用是可行的。     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测,通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取,实现了边缘的精确检测。实验结果显示,该算法能够有效地提取图像目标的轮廓信息,很好保持图像纹理,具有理想的抗干扰性能,保证了检测结果的准确性。