基于机器视觉的玉米果穗产量组分性状测量方法

玉米果穗的穗长、穗粗、穗行数、行粒数等性状是制约玉米产量的重要组分性状,目前主要采用人工测量方式,或通过截取果穗横断面图像自动计算穗行数等参数,操作复杂、测量效率低、主观误差大,且无法保留完整的原始考种材料。针对上述问题,该文基于机器视觉技术,通过可见光二维成像获取果穗三维表型性状参数,结合果穗颜色特征及果穗的生物学规律,分别建立投影修正模型、穗行数快速估算模型、行粒数计算模型等,精确计算穗长、穗粗、穗行数以及行粒数等性状参数。试验结果表明,该方法适用于粘连果穗处理,秃尖的识别率高,且对光照环境要求低,穗行数及行粒数的零误差率在93%以上,测量速度可达30穗/min以上,能够满足高通量考种的需求,特别是保留了原始果穗考种材料实现无损测量,对于实现高通量考种及精细化育种有重要的参考价值。     

采用全景技术的机器视觉测量玉米果穗考种指标

为了在利用图像技术无损考察玉米果穗形态指标时,能够利用一幅图像显示整个玉米果穗的外形,从而减少多幅图像拼接产生的重叠和处理不便,该文提出一种新的基于机器视觉的玉米果穗考种方法与配套装置,首先拍摄旋转玉米果穗图像序列,应用SIFT（scale invariant feature transform）算法获取图像特征点,对特征点随机采样计算单应矩阵并进行一致性检测排除外点,将前后2帧图像注册到同一坐标系。然后采用动态规划法寻找前后2帧拼接图像的缝合线,按缝合线切割图像,以图像模板高斯滤波权值融合缝合线两侧图像消除曝光差异。依次拼接、融合图像序列生成果穗全景图。对果穗全景图进行考种指标检测,试验结果表明：基于机器视觉的测量值与人工测量方式不存在显著性差异（显著水平α=0.05）,该文所述方法可满足自动化考种的需求。     

基于全景图像的玉米果穗流水线考种方法及系统

为提高玉米果穗考种效率和精度,该文提出一种基于全景图像的玉米果穗流水线考种方法和系统。利用托辊传送装置实现果穗自动连续推送,基于工业相机自动检测果穗运动状态并实时采集图像,获取覆盖果穗全表面的图像序列;建立果穗运动、摄像机成像、表面拼接关系,从图像序列中抽取果穗中心畸变最小区域拼接出果穗表面全景图像;最后,结合果穗边界检测、籽粒分割和有效性鉴定等技术提取出果穗表面上有效籽粒。试验结果表明,该文方法和系统较好地平衡了玉米果穗考种的效率和精度,图像采集和计算平均效率达15穗/min和4穗/min,穗长和穗行数指标计算精度可达99%和98.89%,可为研发全自动、高通量玉米果穗表型检测装置提供有益借鉴。     

基于稀疏表示算法的高通量玉米果穗粒型识别系统

玉米籽粒粒型是评估玉米产量和品质的重要表型参数之一,为了提高籽粒粒型的识别率,同时满足高通量以及无损测量的要求,该文以果穗整体为研究对象,基于稀疏表示的方法构建了高通量玉米果穗籽粒粒型识别系统(果穗未脱粒)。以掉落抓拍法硬件采集平台采集3种不同粒型(硬粒型、马齿型、半马齿型)的玉米穗图像,首先使用帧差法获取果穗轮廓,再通过G通道分离、OTSU算法(最大类间方差法)得到籽粒轮廓信息,提取籽粒部分颜色、形状、纹理特征作为分类依据,每种粒型取200粒作为训练样本构成稀疏表示算法的判别字典,对每一个测试样本计算稀疏表示系数,根据最小重构误差判定籽粒粒型类别。结果表明,该方法不需要传统的果穗脱粒再进行籽粒类型统计,识别正确率达到94.8%,测量速度达到28穗/min,大大提高了玉米粒型统计的效率。     

基于骨架的玉米植株三维点云果穗分割与表型参数提取

当前三维点云处理技术难以在玉米植株点云上对果穗进行识别和表型参数提取.针对该问题,该研究采用基于骨架的玉米植株器官分割流程对植株三维点云的果穗器官进行分割和表型参数提取.首先,优化基于骨架的玉米植株茎叶分割方法,在成熟期植株点云上实现植株骨架的提取、器官子骨架的分解以及器官点云的分割;再根据器官高度、子骨架长度、圆柱特...     

基于机器视觉的玉米植株数量获取方法与试验

获得田间的玉米植株数量对于优化不同玉米品种的种植密度有重要意义,玉米植株数量也是计算新玉米品种平均每株产量的重要参数。为了减轻人工获得玉米植株数量的劳动强度,提高数据的准确率,该文利用基于机器视觉的图像处理技术来获得玉米植株数量。被留高茬玉米收获机作业之后的地块,有一定高度的玉米秸秆站立在地表,摄录这样的图像信息可以大大简化图像处理的难度,提高结果的精确度,所以将图像采集装置安装在留高茬玉米收获机之后来获得视频流。后处理过程中,将视频文件分解为图片文件,然后将真彩色的RGB图片文件转化成灰度图像进行图片的配准,再将灰度图像转化为二值图像进行图像分割与边界提取,最后找到玉米秸秆断面的几何中心并进行标记,统计标记结果即获得玉米植株数量。试验结果显示,人工播种与机械播种在图像识别的误差上没有显著差异(P0.05);机器视觉识别出来的玉米植株数量与实际数量也没有显著差异(P0.05),其平均误差为6.7%;并且该误差不会随着图像中玉米植株数量的增加而产生积累。该文的设计可以降低机器视觉在识别玉米植株数量过程中的难度,提高图像识别的准确度,更好地服务生产实际问题。     

玉米果穗图像单一特征的品种鉴别力评价

寻找新的果穗性状并评价它们单独鉴别品种的能力,是玉米新品种特异性、一致性和稳定性（DUS）测试研究的重要内容。采集了4个品种各50个果穗的RGB图像,用图像处理法提取了4大类形态特征共计145个性状,逐一性状对品种进行判别分析,以性状的品种识别率表示性状鉴别品种的能力大小。单一性状的品种识别率变化在0.244～0.634之间,在前17个高鉴别力性状中,果穗长宽比等具有与指南性状同等的甚至更高的品种区分能力。单一性状的广义遗传力一般都小于0.66,且与鉴别力高度一致（y = 0.29 + 0.44x, r=0.897, P<0.01）。总体上,四大属性的鉴别力从大到小依次为形状类>纹理类>颜色类>大小类。从受试的145个特征中筛选出许多具有较高品种鉴别能力的性状,可望应用于玉米新品种DUS测试工作。     

基于压力和图像的鲜玉米果穗成熟度分级方法

为实现鲜玉米果穗成熟度等级的客观评定,提出了基于压力传感器和计算机视觉技术的综合分析方法。研制了玉米果穗成熟度检测装置,提取纹理信息所得惯性矩和压力检测装置所得最大压力值作为鲜玉米果穗成熟度等级评定的特征参数,通过系统聚类分级研究,确定成熟度等级为3级。采用主成分分析法对11个颜色特征进行优化筛选,用第一、二主成分可综合反映11个颜色特征的分级信息,实现了参数的降维。试验结果表明：以最大压力值、惯性矩、颜色特征主成分分析第一、二主成分值作为构建概率神经网络的输入,进行鲜玉米果穗成熟度等级评定,正确率为96.67%。结合压力传感器和计算机视觉技术可实现对鲜玉米果穗成熟度的准确分级。     

基于机器视觉的植物群体生长参数反演方法

为实现植物群生长参数在线无损检测,采用机器视觉技术捕获植物群冠层图像,通过RGB空间超绿色-超红色指标(excess green minus excess red,ExG-ExR)、超绿色指标(excess green,ExG)和归一化差异指标(normalized difference indices,NDI)3种指标分割植物群冠层图像,提取植物群图像特征参数:覆盖率、冠层幅长和冠层幅宽,并结合人工测量植物群体参数:茎秆高度、茎直径、叶面数量、坐果数量和叶面指数(leaf area index,LAI)(拟合值),建立植物群5个生长参数的5种反演模型分别为覆盖率反演模型、冠层幅宽反演模型、冠层幅长反演模型、回归方程反演模型和均值反演模型。结果表明:采用ExG-ExR分割的植物群冠层区域与人工提取区域重合度大于99.5%,识别率大于98.2%,分割性能优于ExG+Otsu和NDI+Otsu分割方法。采用120幅反演模型验证图验证反演模型性能,结果表明植物群冠层覆盖率反演模型反演5个植物群生长参数时,其反演值与测量值间相关性决定系数大于0.958,性能优于冠层幅宽和幅长反演模型,而回归方程和均值反演模型在反演植物群5个生长参数时,都仅有2个参数反演性能优于覆盖率反演模型。茎秆高度、叶面数量、茎直径、坐果数量和LAI的反演模型反演值与测量值间线性相关决定系数最高分别为0.979、0.976、0.979、0.965和0.973,标准误差(standard error,SE)分别为10.55 cm、1.37、0.213 mm、0.672和0.055,其对应的反演模型分别为均值反演模型、覆盖率反演模型、覆盖率反演模型、覆盖率反演模型和均值反演模型。通过机器视觉技术及反演模型能够在线无损准确反演植物群生长参数,为温室环境调控及精准肥水一体灌溉控制系统提供具有代表性意义的决策依据。     

基于背景板比例尺的玉米果穗图像特征测量

玉米果穗图像特征的精确测量是实现玉米自动考种的关键技术,但玉米背景图像的复杂性,难以快速、准确测量出玉米的几何特征（玉米果穗的总长度、宽度、体积、秃尖等）。该文根据玉米灰度图像的分布特点,构造了三区域图像增强模型,采用形态学图像处理方法对增强后的图像进行分割,计算出背景板比例尺,以此为参考实现了精确计算玉米的几何参数。文中对计算结果进行了误差分析,表明该文提出的基于背景板比例尺的图像处理算法能够准确地测量出玉米图像中的几何特征值,准确率可达到96.01%,可实现玉米自动考种,替代传统的玉米手工考种,对于玉米品种推广、育种具有重要意义。     

基于计算机视觉的大米裂纹检测研究

针对人工目测的传统方法在进行米粒裂纹检验时存在主观性及随意性较大、效率较低、可重复性较差等缺点,在分析大米裂纹光学特征的基础上,在Visual C++ 6.0环境下开发了一套大米裂纹计算机识别系统,通过图像二值化、区域标记等方法从原始图像中提取单体米粒图像,并对提取出的单体米粒图像进行灰度拉伸变换处理以突出米粒裂纹特征,然后提取单体米粒的行灰度均值变化曲线,并对曲线进行加权滤波处理,提出了一种基于单体裂纹米粒图像行灰度均值变化特征的大米裂纹检测算法。运用该算法对从金优974、菲优600、冈优182、中优205、89-94等5类大米品种中各选取的6 组特殊类样品和5 组随机样品进行裂纹检测。试验结果表明,该系统对特殊类大米样品和随机大米样品裂纹率的判断准确率分别为98.37%和97.88%,为进一步完善大米品质的计算机视觉检测提供了理论和实践基础。     

基于计算机视觉的鸡蛋新鲜度无损检测

对鸡蛋的新鲜度、贮藏期进行无损检测,在鸡蛋生产、流通、加工领域具有重要意义。该文进行了鸡蛋新鲜度（哈夫值）常规指标在一定温度条件下随贮藏时间变化的试验,采用高分辨率的工业化数字摄像头,以冷光源背向照明方式（照度为10 000 Lx）获取数字图像,并提取了鸡蛋的图像特征蛋黄指数和气室指数。建立了鸡蛋新鲜度与蛋黄指数、贮藏时间与鸡蛋新鲜度、贮藏时间与蛋黄指数和气室指数的关系模型。得知鸡蛋新鲜度与蛋黄指数呈线性相关性,经检验实测值与预测值平均相对误差为6%;贮藏时间与鸡蛋新鲜度以及贮藏时间与鸡蛋蛋黄指数、鸡蛋气室指数均具有二次函数关系,经检验实测值与预测值绝对误差不超过2 d。结果表明基于计算机视觉技术、采用背向照明方式采集的鸡蛋的透射图像得到鸡蛋的蛋黄和气室的图像信息,可以预测鸡蛋的新鲜度和贮藏期。     

玉米苗期杂草的计算机识别技术研究

利用计算机视觉技术和人工神经网络技术对识别玉米苗期田间杂草进行了研究。首先利用类间方差最大自动阈值法二值化杂草图像的超绿特征,再进行连续腐蚀与膨胀,然后根据长宽比、圆度、第一不变矩3个形状特征由BP网络识别出玉米幼苗,最后利用种子填充法从阈值分割结果中擦除玉米目标,剩余的就是杂草目标。研究表明,基于BP网络的杂草识别算法对玉米幼苗与杂草的正确识别率分别为87.5%和93.0%,处理一幅640×480像素的杂草图像平均耗时约为58 ms。     

基于计算机视觉的水产动物视觉特征测量研究综述

作为水产养殖集成信息化管理的主要信息源,水产动物视觉属性信息的测量不仅是判定水产动物生长状况,调控水质环境的主要信息依据,也是对水产动物进行喂养、用药、捕获、选别和分级等操作的前提基础。近年来,计算机视觉技术作为一项快速、客观、无损的检测方法,已被逐渐用于水产动物视觉属性的测量中,许多研究学者开展了大量的研究工作。该文更新和总结了国内外近20多年来有代表性的相关研究和解决方案,在描述计算机视觉检测系统的概念和组成结构的基础上,围绕尺寸测量、形状分析、颜色识别和质量估计等方面详细分析了计算机视觉技术在水产动物（以鱼类为主）视觉属性测量方面的国内外研究现状,着重阐述总结了研究人员在水产动物视觉检测的图像采集、轮廓提取、特征标定与计算等方面的具体改进措施,并对基于计算机视觉测量的水产动物疾病诊断,识别分类等综合应用现状也进行了分析探讨,以评估计算机视觉技术在水产动物视觉质量检测领域的总体应用情况和现存的主要问题,同时给出了今后的研究趋势与发展方向。     

基于计算机视觉的稻谷霉变程度检测

为了实现无损检测稻谷储藏中的霉变,该研究以引起稻谷霉变的5种常见真菌(米曲霉、黑曲霉、构巢曲霉、桔青霉和杂色曲霉)为对象,首先进行真菌培养,制成悬浮液,然后将悬浮液接种到稻谷样品中,对稻谷样品模拟储藏,确定不同霉变程度的稻谷类型,划分为对照组(无霉变)、轻微霉变组和严重霉变组。利用计算机视觉系统对三组稻谷样品进行图像采集和图像处理,提取灰度、颜色和纹理特征,共获取68个图像特征。采用支持向量机(support vector machines,SVM)和偏最小二乘法判别分析(partial least squares discriminant analysis,PLS-DA)构建模型,分别用于无霉变稻谷与霉变稻谷的区分和稻谷霉变类型区分。为了降低模型复杂度和数据冗余,利用连续投影算法(successive projections algorithm,SPA)来消除原始数据变量间的共线性,优选特征值。结果表明:利用所有参数构建的SVM模型能够很好的区分对照组与霉变组,其中建模集和验证集总体区分准确率分别为99.7%和98.4%;SVM模型对于稻谷严重霉变类型的区分效果要优于轻微霉变稻谷,其中对稻谷轻微霉变类型建模集和验证集总体区分的准确率分别为99.3%和92.0%,对稻谷严重霉变类型区分的总体准确率分别为100%和94%,且整体上SVM模型的效果要优于PLS-DA模型。而基于SPA优选特征构建的模型区分结果表明,SVM模型区分效果优于PLS-DA模型,其中,在建模集和验证集中,对无霉变和霉变稻谷总体区分准确率分别为99.8%和99.5%,对稻谷轻微霉变种类区分总体准确率分别为99.8%和90.5%,对稻谷严重霉变种类区分总体准确率分别为100%和95.0%。因此,基于计算机视觉对稻谷霉变检测是可行的,而且SPA优选特征能够较好反映稻谷霉变特征,基于优选特征和SVM模型能够较好地稻谷霉变进行识别和区分,结果较好,可以为实际应用提供技术支持和参考。     

奶牛隐性乳房炎便携式计算机视觉快速检测系统设计与试验

为解决奶牛隐性乳房炎难以防治的问题,构建了一种基于计算机视觉技术的快速检测系统。通过电脑与USB摄像头采集牛奶p H测试纸图像,提出了一种融合颜色特征与形态学处理的分割方法,分割化学反应区并获取RGB值,使用Foss5000牛乳体细胞分析仪得到牛奶体细胞实测值,采取幂回归法建立RGB值与牛奶体细胞数的预测模型,并基于Android技术开发了便携式移动终端设备。牛场实测20组数据试验结果显示,牛奶体细胞数估测值与实测值相关系数为0.970,估测平均相对误差为3.67%,标准差为1.88%。系统估测牛奶体细胞数较为准确,可用于奶牛隐性乳房炎快速检测。     

用于定向播种的玉米种穗图像精选方法

玉米定向播种,要求籽粒形状扁平、具有方向性。为了减少玉米粒精选的工作量,该文以玉米种穗为对象,研究适合定向播种的玉米种穗图像精选方法。设计玉米种穗精选传输装置,实现了对玉米种穗的动态图像采集和精选。根据种穗的外形特征判断小种穗;利用R+G-2B方法加强黄色籽粒区域,根据黄色籽粒区域与整个种穗的面积比判断缺粒及霉变种穗;利用种穗图像的横向和纵向像素值累计分布特征,追踪中间穗行的籽粒轮廓,并通过其端面矩形度,判断籽粒合格的种穗。随机抽检50个种穗样本,结果表明:外形特征的检测准确率为100%,缺粒及霉变的检测准确率为96%,穗上籽粒端面矩形度的检测准确率为98%,总体检测准确率为94%。该文为定向播种用玉米籽粒精选前期的种穗精选提供了一种图像识别方法。