基于压缩感知理论的苹果病害识别方法

为实现自然场景下低分辨率苹果果实病害的智能识别,提出了一种基于压缩感知理论的苹果病害识别方法。以轮纹病、炭疽病和新轮纹病3种常见的苹果果实病害为研究对象,提取病斑的8个纹理特征参数组成训练特征矩阵。利用压缩感知理论,求解待测样本特征向量在特征矩阵上的稀疏表示系数向量,通过对系数向量的分析实现待测样本的分类。设计灰度关联分析和支持向量机识别模型与本文方法进行识别效果对比,平均正确识别率分别为86.67%、90%和90%。实验结果表明,基于压缩感知理论的识别方法能够对苹果病害进行有效识别。     

基于核函数支持向量机的植物叶部病害多分类检测方法

现有植物病害图像检测方法存在检测病害单一的问题,因此,本文针对叶片的链格孢病、炭疽病、细菌性枯萎病、尾孢菌叶斑病4种病害和健康叶片,提出了基于核函数支持向量机的多分类检测方法。根据植物叶部病害图像具有多变的特点,首先通过受病叶片图像预处理增强病害部分与健康部分的对比度,使病害部分更加明显。然后在Lab彩色空间模型下的a、b分量上进行叶片分割并提取特征,采用K均值聚类方法,增强分割聚类效果。最后采用基于核函数的支持向量机多分类方法对4种病害进行检测识别并分类。为提高检测准确度,用500次迭代评估出最大精度,考虑交叉验证系数的影响,将样本的40%作为验证数据,60%作为训练数据,采用径向基核函数对其进行训练。该方法将传统的2种叶片病害识别扩大至4种,实验结果证实对4种病害的识别率最高达到89.5%,最低也达到了70%,证明了该方法的有效性。     

基于梯度分布不均匀性的干瘪红枣识别

为了从混合的饱满红枣和干瘪红枣中识别出干瘪红枣,首先分析了颜色空间模型的特性,选择灰度图、RGB颜色空间模型的R分量、L*a*b*颜色空间模型的a*分量,并使用不同的梯度算子作为对比;然后通过形态学运算、逻辑运算去除异常梯度,进行梯度归一化变换;最后采用归一化的梯度直方图作为红枣表面的纹理特征表示方法,并计算其梯度分布不均匀性作为判别准则。利用12通道红枣分选机采集240幅饱满与202幅干瘪红枣图像作为样本图像。实验结果表明,采用简单梯度算子对L*a*b*模型的a*分量提取纹理信息效果最好,误判率为0.83%,正确识别率高达99.01%。     

基于机器视觉的半干枣病害和裂纹识别研究

研究提出了一种基于机器视觉的病害和裂纹的识别方法。在H分量图中,依据半干枣在病害和非病害区域色调值差异提取病害区域,以提取的病害区域与枣表面积的比作为阈值确定较高的病害面积识别精度,可正确识别的感兴趣病害面积为16.87mm2,占枣投影面积的3.3%。为进一步提高在该病害面积识别精度的正确率,依据已确定的病害面积比阈值,将病害面积比值二值化,结合红枣区域颜色特征值H的均值和均方差,用SVM方法建立枣病害的识别模型,训练集和测试集的识别正确率分别为9 5.7 7%和9 5.7 9%。在I分量图中,对红枣区域进行Otsu’s阈值分割、图像局部属性统计和形态学处理,提取裂纹二值图像,依据裂纹图像不变距方法建立裂纹识别模型,训练集和测试集的识别正确率分别为94.90%和94.55%。     

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。     

油桃外部缺陷的高光谱成像检测

采用高光谱(420~1 000 nm)成像技术对"中油9号"油桃的4种外部缺陷(裂纹果、锈病果、异形果和暗伤果)进行检测判别。对400个样本(4种外部缺陷样本和完好样本)运用偏最小二乘回归(PLSR)从全波段中分别提取了10条特征波长,分别为497、534、657、677、696、709、745、823、868、943 nm。缺陷样本的高光谱图像经过主成分分析后,对876 nm下的单波段图像通过掩膜、Sobel算子处理,并对主成分图像经过区域生长算法实现缺陷样本的缺陷区域分割。对光谱数据进行主成分分析得到前10个主成分值,并对图像数据采用灰度共生矩阵(GLCM)提取得到6项图像纹理指标(均值、对比度、相关性、能量、同质性、熵值)。将主成分值和纹理值融合建立极限学习机(ELM)模型对油桃外部缺陷进行检测判别。结果表明,该模型对缺陷样本的判别正确率为91.67%,完好样本的正确率为100%。     

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.     

基于纹理和梯度特征的苹果伤痕与果梗/花萼在线识别

为了解决苹果果梗/花萼与伤痕在线识别的问题,利用自行设计的机器视觉检测系统在线采集苹果图像,通过自动分割合成算法将3个不同运动状态下的图像进行合成,使得合成后图像可以包含苹果的整个表面。再利用感兴趣区域提取算法提取出苹果合成图像中的果梗/花萼和伤痕部分。通过分析早期伤痕、中期伤痕和后期伤痕的纹理特征和边缘梯度特征,得出纹理特征适用于早中期伤痕与果梗/花萼的检测,而由于后期伤痕的褐变严重且多已出现凹陷,其纹理特征与果梗/花萼相似,故通过提取后期伤痕和果梗/花萼的边缘梯度特征值用于两者的区分。从SVM的建模结果来看,对于早中期伤痕,模型的总体判别正确率为97%,而后期伤痕的总体判别正确率为96%,并利用所得到的模型设计了用于果梗/花萼与伤痕区分的总体算法。最终通过80个带有不同种类伤痕的样本验证总体算法的正确率为95%,验证试验结果表明该算法可实现对果梗/花萼与伤痕的在线识别。     

基于PCA—SVM的棉花出苗期杂草类型识别

为了实现棉田中不同类型杂草的机器视觉识别,提出基于主成分分析和支持向量机的棉花出苗期杂草识别方法。该方法通过提取棉田图像中棉花和杂草的颜色、形状、纹理等特征,并利用主成分分析(PCA)降低特征变量空间维数,结合支持向量机,实现对棉田杂草类型分类。通过120个棉花杂草测试样本分类试验结果发现,经PCA降维得到的前3个主成分分量能有效减少支持向量机的训练时间和提高分类正确率;通过对比发现前3个主成分分量与径向基核函数支持向量机相结合效果最好,其训练时间为91 ms,平均分类正确率达98.33%。     

甘蔗病斑模式识别特征参数提取的研究

在甘蔗病害识别的研究中,为寻找合适的赤腐病病斑和环斑病病斑分类的特征参数,从颜色、纹理和形状3个方面探讨了识别这两种病斑的特征参数的可行性。初步分析结果表明：颜色分量Cr的均值、颜色分量S的方差、颜色分量V的均值、圆度和复杂性可作为识别这两种病斑的特征参数。用模糊K-近邻算法进行模式识别,结果发现颜色分量Cr的均值与圆度、颜色分量V的均值与圆度的特征参数组合的区分效果最好。     

基于PCA-SVM的麦冬叶部病害识别系统

以川麦冬叶部黑斑病、炭疽病、叶枯病3种病害图像为研究对象,采用K-Means聚类分割技术分离出病斑,通过对颜色、形状和纹理特征构成的46维特征向量进行主成分分析,再运用支持向量机设计的多级分类器进行病害识别,开发出的麦冬叶部病害识别系统识别率达到了94.4%,表明了系统对麦冬病害防治,促进麦冬产业现代化发展有重要意义。     

基于SimAM-ConvNeXt-FL的茶叶病害小样本分类方法研究

为实现茶叶病害精准分类,针对茶叶病害图像分类中小样本问题及类别分布不均的问题,提出了一种基于迁移学习的SimAM-ConvNeXt-FL模型的病害图像分类方法。首先在ConvNeXt模型中加入SimAM模块,以加强复杂特征的提取。其次针对样本分布不均问题,将Focal Loss函数作为训练过程中的损失函数,通过增加数量较少样本的权重来减小样本分布不均的影响。最后使用SimAM-ConvNeXt-FL模型对Plant Village数据集训练,将训练得到的参数迁移到实测的茶叶病害图像上并进行微调,减少过拟合带来的影响,设置消融实验证明模型改进的有效性,并与不同分类模型(AlexNet、VGG16、ResNet34模型)分别进行对比实验。实验结果表明,SimAM-ConvNeXt-FL模型识别效果最佳,准确率达96.48%, SimAM-ConvNeXt-FL模型较原ConvNeXt模型在茶煤病、茶藻斑病、茶炭疽病、健康叶片和茶白星病的F1值分别提高4.46、3.76、0.43、0.22、5.23个百分点。结果表明本文提出的模型具有较高的分类准确率与较强的泛化性,可推进茶叶病害分类工作发展...     

基于GC-Cascade R-CNN的梨叶病斑计数方法

为提高梨叶片病害发生程度诊断的效率和准确性,本文提出基于全局上下文级联R-CNN网络（Global context Cascade R-CNN,GC-Cascade R-CNN）的梨叶病斑计数方法。模型的主干特征提取网络嵌入全局上下文模块（Global context feature model, GC-Model）,建立有效的长距离和通道依赖,增强目标特征信息。引入特征金字塔网络（Feature pyramid network, FPN）融合浅层细节特征和深层丰富语义特征。使用ROI Align替换ROI Pooling进行区域特征聚集,增强目标特征表达。最后利用多层级联网络对目标区域进行边框回归和分类,完成病斑计数任务。在梨叶病斑图像测试中,模型的各类病斑平均精确率均值（Mean average precision, mAP）达89.4%,检测单幅图像平均耗时为0.347 s。结果表明,模型能够有效地从梨叶片病害图像中检测出多类病斑目标,尤其对叶片炭疽病斑检测效果提升显著;不同种类梨叶片病害病斑计数值与真实值回归实验决定系数R²均大于0.92,表明模型病斑计数...     

基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析

为了实现无损检测生菜叶片中重金属镉的污染程度,以计算机视觉技术为研究手段,结合图像处理方法和特征选择方法,对4个梯度重金属镉胁迫的生菜叶片进行识别。首先利用数码相机获取生菜叶片图像,然后使用K-means聚类算法分割图像,对分割出的目标图像提取图像颜色、形状和纹理特征,共获取46个图像特征。为了使模型更简便和减少数据量,利用基于变量组合的变量重要性分析(VIAVC)和竞争性自适应重加权算法(CARS)对图像特征进行降维。采用偏最小二乘法判别分析(PLS-DA)和随机森林(RF)构建模型,用于生菜镉胁迫程度的识别。结果表明,在7个组合特征模型中,颜色形状纹理融合特征所建立的模型给出了最优结果,测试集分类正确率为92%。用VIAVC和CARS对颜色形状纹理融合特征进行特征选择,发现VIAVC的降维效果优于CARS。使用特征选择的变量建立模型,RF模型的训练集分类正确率和预测集分类正确率均高于PLS-DA,其中,基于VIAVC的RF模型的训练集和预测集分类正确率分别为98.0%和96.0%。可见,基于VIAVC的RF模型在大大降低了特征维数的前提下,能够较好地对不同镉胁迫程度的生菜叶片进行识别。     

基于小波变换和BP神经网络的蛋壳破损检测

提出了一种基于多层小波变换和纹理分析的蛋壳破损检测方法.该方法对获取的鸡蛋透射图像G分量在不同水平上进行小波分解,计算和分析各水平高频细节子图像的纹理特征参数,实验确定最有效的8个特征参数作为BP网络输入,建立结构为8202的BP神经网络蛋壳破损分类模型.实验表明,该方法对无破损蛋、线状破损蛋、网状破损蛋和点状破损蛋的判别正确率分别为95%、90%、95%、80%,平均识别率为90%.     

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...     

基于小波变换和BP神经网络的蛋壳破损检

提出了一种基于多层小波变换和纹理分析的蛋壳破损检测方法。该方法对获取的鸡蛋透射图像G分量在不同水平上进行小波分解,计算和分析各水平高频细节子图像的纹理特征参数,实验确定最有效的8个特征参数作为BP网络输入,建立结构为8—20—2的BP神经网络蛋壳破损分类模型。实验表明,该方法对无破损蛋、线状破损蛋、网状破损蛋和点状破损蛋的判别正确率分别为95%、90%、95%、80%,平均识别率为     

水稻纹枯病图像识别处理方法研究

为了实现水稻病害的自动检测,设计并实现了一种基于支持向量机的水稻纹枯病识别方法。首先利用R分量和中值滤波进行图像预处理,然后利用改进的图切割方法进行病斑分割,再提取病斑的颜色和纹理特征,最后利用支持向量机方法对水稻纹枯病进行分类识别。结果表明:识别准确率达到95%,能够满足实际应用的需求。本研究结果可以为水稻病害的自动识别提供参考依据。     

基于双节点-双边图神经网络的茶叶病害分类方法

传统茶叶病害分类主要依赖人工方法,此类方法费工费时,同时茶叶病害样本较少使得现有的机器学习方法的模型训练不充分,病害分类准确率不够高。针对茶炭疽病、茶黑煤病、茶饼病和茶白星病4类病害,提出一种基于双节点-双边图神经网络的茶叶病害分类方法。首先通过两分支卷积神经网络提取RGB茶叶病害特征和灰度茶叶病害特征,两分支均采用ResNet12作为骨干网络,参数独立不共享,两类特征作为图神经网络的两个子节点,以获得不同域样本所包含的病害信息;其次构建相对度量边和相似性边两类边,从而强化节点对相邻节点所含病害特征的聚合能力。最后,经过双节点特征和双边特征更新模块,实现双节点和双边交替更新,提高边特征对节点距离度量的准确性,从而实现训练样本较少条件下对茶叶病害的准确分类。本文方法和小样本学习方法进行了对比实验,结果表明,本文方法获得更高的准确率,在miniImageNet和PlantVillage数据集上5way-1shot的准确率分别达到69.30%和88.42%,5way-5shot准确率分别为82.48%和93.04%。同时在茶叶数据集TeaD-5上5way-1shot和5way-5shot准确...     

基于鸡头特征的病鸡识别方法研究

健康黄羽鸡鸡冠鲜红、纹理均匀,鸡眼圆润有神,病鸡鸡冠萎缩变色、鸡眼半闭或全闭。本文提出了一种基于鸡冠及鸡眼构成的鸡头特征信息的病鸡识别方法。首先通过R、G、B分量色差信息去除背景,分析鸡身和鸡冠样本区域H分量分布特点,提取H分量分割阈值分割黄羽鸡。再利用H分量进行阈值分割得到黄羽鸡和鸡冠鸡垂。提出一种利用鸡冠和鸡垂轮廓上两点距离小于阈值的鸡头合并算法,再通过修正算法识别鸡头。在鸡头中,分别提取鸡眼瞳孔轮廓并获取形状几何特征,提取鸡冠的H分量共生矩阵特征,构成基于鸡头特征,采用ARA特征选择算法获得病鸡特征向量,采用支持向量机(SVM)分类器进行训练分类。实验结果表明,病鸡识别正确率为92.5%,表明利用机器视觉获取鸡头特征进行病鸡识别具有可行性和研究价值。