基于机器视觉的马铃薯质量和形状分选方法

马铃薯的质量和形状是机器视觉分级的2个重要特征和依据,为实现马铃薯质量与形状检测分级,该文提出了一种基于图像综合特征参数的分选方法。首先提取马铃薯俯视图的面积参数和侧视图的周长参数,通过回归分析建立马铃薯的质量检测模型,实现对马铃薯的质量分选;然后提取马铃薯俯视图像的6个不变矩参数,输入到已训练好的神经网络,完成对马铃薯形状分选。试验结果表明:该方法可以有效的检测马铃薯的质量并区分其形状,质量分选准确率为95.3%,薯形分选准确率为96%。可满足实际应用的要求。     

利用Zernike矩计算储粮害虫图像倾斜角度

自动检测粮粒外部害虫是粮虫领域的研究热点。由于储粮害虫图像的一些无量纲的特征丧失了旋转不变性,为了利用这些无量纲的特征形成适于分类的最优知识库,必须计算储粮害虫图像的倾斜角度。分析了利用Zernike矩计算图像倾斜角度的原理,借助Zernike矩旋转不变性,提出了利用Zernike矩计算无明显直线的储粮害虫图像的倾斜角度的方法。试验证明,对于无明显直线的储粮害虫图像,利用Zernike矩能够很好地进行倾斜检测,倾斜角度计算准确度高,且该方法还具有对噪声不敏感的特性,对于其他无明显直线的图像也同样适用。     

支持向量机在植物病斑形状识别中的应用研究

植物病斑形状识别属于小样本问题。提出了一种新的模式识别方法—支持向量机方法在处理小样本问题时具有很好的学习能力和推广性。该文讨论了支持向量机分类方法应用于植物病斑形状识别。对番茄植物病斑形状识别试验的分析表明，支持向量机分类方法适合于植物病斑复杂形状的分类问题，该方法在训练样本较少时具有良好的分类能力和泛化能力。不同分类核函数的相互比较分析表明，线性核函数最适合于植物病斑的形状识别。     

基于流形学习算法的马铃薯机械损伤机器视觉检测方法

针对马铃薯表面芽眼和凹凸不平的影响,使之马铃薯机械损伤难以检测的问题,该文提出了一种基于流形学习算法的马铃薯机械损伤检测方法。首先利用马铃薯图像的显著图分割出马铃薯区域,然后利用主成分分析(principal component analysis,PCA)、等距映射(isometric mapping,Isomap)和局部线性嵌入(locally-linear embedding,LLE)3种流形学习方法提取马铃薯区域图像特征参数,然后分别建立基于3种流形特征的支持向量机(support vector machine,SVM)分类模型PCA-SVM、Isomap-SVM和LLE-SVM,利用网格搜索法(grid search)、遗传算法(genetic algorithm,GA)以及粒子群算法(particle swarm optimization,PSO)3种模型参数优化方法,优化支持向量机模型的惩罚参数c和RBF核参数g,以建立最优分类模型,最后比较3种分类模型的识别效果,确定最优分类模型。研究结果表明,PCA-SVM分类模型对训练集识别率为100%,测试集识别率为100%;Isomap-SVM分类模型对训练集识别率为100%,测试集识别率为91.7%;LLE-SVM分类模型对训练集识别率为100%,测试集识别率为91.7%,表明PCA、Isomap和LLE 3种流形学习方法用于马铃薯机械损伤检测是可行的,其中PCA-SVM分类模型检测效果最优。     

面向对象土地覆被图像组合分类方法

研究了支持向量机在面向对象土地覆被图像分类中的应用技术,提出采用最小二乘支持向量机（LSSVM）与模糊灰色关联度联合评估（FG）相结合的一种新的组合分类方法简记FG-LSSVM,为土地覆被分类提供一种可行的高精度分类途径。根据图像上不同对象的空间尺度和光谱值特征,基于稳健的核密度梯度分割算法提取具有任意形状和唯一标识的均质对象后,为了比较提出方法的性能,采用原始对象样本依次验证了3个面向对象分类方法,即标准支持向量机方法、以模糊贴近度作为模糊因子的模糊支持向量机方法和传统K最近邻面向对象分类方法。实现了一个高精度面向对象土地覆被图像分类信息系统。试验结果表明：提出的FG-LSSVM面向对象方法相比标准支持向量机、模糊支持向量机与K最近邻方法试验精度约提高2.4%左右。提出的方法在识别效果上,符合研究区实际分类应用的要求。     

基于高光谱分析技术的机炒龙井茶等级识别方法

随着机炒龙井茶外形和色泽趋向统一整齐,茶叶的内在品质相应成为评判等级的关键,由此,该文提出了一种高光谱与支持向量机分类相结合的技术,进行基于机炒龙井茶内在品质的等级识别方法研究。应用高光谱技术提取了龙井茶在350～2 500 nm波长范围内的吸收深度、吸收面积、红边位置、红谷位置、归一化植被指数等光谱特征参数,并对这些特征参数与茶叶等级的相关性进行了研究;然后利用带惩罚系数C的支持向量机分类理论,以光谱特征参数为输入量,分析确定了模型中关键的核函数和分类函数,构建了龙井茶等级识别模型,并进行了不同等级机炒龙井茶的分类识别验证。结果表明：采用所研究的方法和建立的模型对龙井茶进行等级分类准确率达到98.3%,证明应用该方法进行机炒龙井茶的等级分类识别是可行的。     

基于机器视觉的肉鸡胴体淤血检测技术

肉鸡胴体淤血是一种品质异常现象,给屠宰企业带来较大的经济损失。建立胴体淤血的快速、准确识别技术是产业当前的迫切需求。该研究利用自行设计搭建的肉鸡胴体图像采集装置,研发了一种快速识别胴体淤血的技术方法。采用三方位视觉采集（搭载三光源）系统,实现视场对肉鸡胴体的全覆盖。采用基于全局RGB阈值分割提取出图像的14个特征参数,采用主成分分析降维后得到7个主成分,结合遗传算法训练支持向量机模型。然后基于滑动窗口分割胴体子图像,人工将子图像分为四类并提取出颜色矩信息,结合遗传算法训练支持向量机模型并采用相似性度量对模型分类结果进行修正。发现正视图和侧视图中基于7个主成分的支持向量机模型中,分类准确率分别为86.0%和89.8%,预测时间为0.006 s,RGB阈值分割淤血的效果不理想;基于局部颜色矩支持向量机模型中,分类准确率分别为98.3%和97.9%,预测时间为0.001 s。在测试样本上,结合欧氏距离进行相似性度量对模型分类结果修正后,淤血的识别召回率得到提升,误报率和漏报率降低。该研究提出的基于胴体子图像局部颜色矩信息训练支持向量机模型结合相似性度量方法,可以弥补全局RGB阈值分割淤血的不足,有效识别胴体淤血,为工厂进行胴体淤血的实时检测提供参考。     

基于Gabor小波和颜色矩的棉花盲椿象分类方法

为了提高棉花盲椿象测报精度,提出了一种在自然环境下基于Gabor小波和颜色矩的棉花盲椿象自动分类方法。该方法以5种棉花盲椿象为研究对象,利用Gabor小波和颜色矩分别提取盲椿象图像的纹理和颜色特征,并结合主成分分析和支持向量机,实现了棉花盲椿象的分类。通过特征提取与优化试验发现,利用主成分变换得到的第1主成分、第2主成分和第3主成分分量累计贡献率为87.3%,且聚类效果较好;通过棉花盲椿象分类试验得出,经过主成分分析与径向基核函数支持向量机相结合的棉花盲椿象分类效果最好,其训练时间为89 ms,分类正确率达91%。该方法能准确对棉花盲椿象进行分类与识别。     

基于机器视觉形状特征参数的祁门红茶等级识别

外形是评价茶叶质量的重要指标之一,目前主要依赖人工审评的方法,客观、准确的评价外形指标对茶叶加工、销售有重要的意义。该研究提出了一种基于形状特征直方图结合支持向量机的茶叶等级识别方法。以7个等级的祁门工夫红茶为研究对象,构建图像采集系统,标定相机参数,采集各等级的茶叶图像。对图像进行灰度化、二值化处理,提取叶片的6个绝对形状特征:长度、宽度、面积、周长、最小外接矩长、宽,在此基础上计算狭长度,矩形度2个相对形状特征,生成形状特征的直方图。以直方图分布为特征向量,构建了基于BP神经网络,极限学习机(extreme learning machine,ELM),支持向量机(support vector machine,SVM),最小二乘支持向量机(least squares support vector machine,LS-SVM)的等级识别模型,并对比了不同模型的识别效果。结果表明,该文构建的图像采集系统测量精度0.3 mm,能够准确提取形状特征参数;基于形状特征直方图的LS-SVM模型识别效果最好,识别精度为95.71%,测试集决定系数为96.2%,具有算法复杂度低,易于求解的优点。研究结果为实现茶叶的客观、数字化等级鉴定,提供了试验数据和参考方法。     

基于支持向量机的玉米叶部病害识别

针对玉米叶部病害图像的特点,提出将支持向量机（SVM）组成的多分类器应用于多种玉米叶部病害识别中。首先利用Live-Ware分割算法分割出玉米叶部病灶,再利用小波特征提取算法提取病灶的特征向量,最后利用支持向量机分类方法进行病害的识别。玉米叶部病害图像识别试验结果表明,支持向量机分类方法适合小样本情况,具有良好的分类能力,适合多种玉米叶部病害的分类。不同的分类核函数的相互比较分析表明,径向基核函数最适合玉米病害的分类识别。     

基于Relief F和PSO混合特征选择的面向对象土地利用分类

针对面向对象土地利用分类存在特征维数过高的问题,提出了一种结合Relief F和粒子群优化算法(particle swarm optimization,PSO)的混合特征选择方法,即首先利用Relief F作为特征预选器滤除相关性小的特征,然后以PSO作为搜索算法,以支持向量机(support vector machine,SVM)的分类精度作为评估函数在剩余特征中选择出最优特征子集。该文以吉林省长春市部分区域为研究区,采用Landsat8遥感影像为数据源,首先对其进行多尺度分割,然后提取影像对象的光谱、纹理、形状和空间关系特征,利用提出的混合特征选择方法选取最优特征子集,最后使用SVM分类器对研究区进行土地利用分类,总体分类精度和Kappa系数分别为85.88%和0.8036,与基于4种其他特征选择方法的土地利用分类结果进行比较,基于Relief F和PSO的混合特征选择方法利用最少的特征获得最高的分类精度,能够有效地用于面向对象土地利用分类。     

储粮害虫图像识别中的特征提取

特征提取是储粮害虫图像识别中的重要环节,是识别系统的难点所在。针对粮虫的二值化图像提取出17个形态学特征,并进行归一化处理;把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一个重要因子,运用蚁群优化算法从粮虫的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;采用支持向量机分类器对9类粮虫进行分类,识别率达到95%以上,证实了基于蚁群优化算法的粮虫特征提取的可行性。     

基于费舍尔评分与离散粒子群优化的棉花异性纤维在线检测

为改进基于机器视觉的棉花异性纤维在线检测效率,提出一种基于费舍尔评分与离散粒子群优化的棉花异性纤维特征选择方法。该方法将费舍尔评分滤波式特征选择方法及基于离散粒子群优化的捆绑式特征选择方法组合在一起,首先利用费舍尔评分方法过滤噪声特征,然后利用离散粒子群算法从已去噪的特征集中选取最优特征子集。提出的方法应用于棉花异性纤维数据集,并与费舍尔评分方法、离散粒子群方法、遗传算法、蚁群算法进行对比,试验结果表明该方法可以更有效地选择出有较少特征数目、较高分类精度的特征子集。从75个棉花异性纤维原始特征中选出18个特征组成的特征集,其分类准确度达到93.5%,检测时间仅为0.8231 s,有效地改进了棉花异性纤维在线检测的精度与效率,从而减少异性纤维对棉纺织品的危害,提高棉纺企业经济效益。     

基于网格搜索随机森林算法的工矿复垦区土地利用分类

为提高工矿复垦区遥感影像土地利用分类精度,为土地复垦监测工作提供数据支持,该文探讨了基于网格搜索(Grid-Search)的随机森林(random forest)复垦区土地利用分类方法。研究利用GF-1影像、DEM(digital elevation model)和野外调查等数据,以随机森林分类算法为框架,采用基于OOB(Out-of-Bag)误差的网格搜索法对算法进行参数寻优,结合影像光谱、地形、纹理、空间信息,计算选取了33个特征变量,构建了4种变量组合模型开展随机森林分类试验,4个组合模型的分类精度分别达到82.79%、84.91%、86.75%、88.16%。为去除33个特征变量中的冗余信息、降低影像波段变量维度、缩短分类执行时间并保证影像分类精度,试验分别利用变量重要性估计和Relief F方法进行特征选择后再次执行随机森林分类,将分类结果与不同组合模型、不同分类方法进行比较,结果表明:基于网格搜索参数寻优的随机森林算法在多特征变量的影像分类中可以达到88.16%的分类精度,在利用不同方法降维后依然可以将分类精度保持在85%以上,精度优于相同特征变量下的SVM(support vector machine)和MLC(maximum likelihood classification)分类方法;在效率方面,随机森林分类方法执行时间优于SVM,并且在处理多维特征变量时能力更强。由此可见,采用基于网格搜索的随机森林方法对工矿复垦区土地利用信息进行分类提取可以得到较高的精度,基于该方法开展遥感影像解译可为土地复垦监测工作提供技术支持和理论参考。     

基于多特征软概率级联的场景级土地利用分类方法

为实现高分辨率遥感影像特征的有效组织优化,以及提高特征的可判别性,该文提出了基于中层特征学习的多特征软概率级联模型实现场景级土地利用分类。首先,提取影像的密集尺度不变转换特征(dense scale invariant feature transform,DSIFT)、光谱特征(spectral feature,SF)以及局部二值模式特征(local binary pattern,LBP)作为低层特征;然后由局部约束线性编码(locality-constraint linear coding,LLC)分别对DSIFT特征、SF特征以及LBP特征进行稀疏编码得到3种低层特征的稀疏系数,并结合空间金字塔匹配(spatial pyramidal matching,SPM)模型、最大空间平滑方法对稀疏系数进行优化,获得影像的中层特征表达;最后,利用SVM分类器,分别对3种低层特征的中层特征表达进行分类,并分别计算3种低层特征分类的软概率,级联3种特征的软概率将其作为图像最终的特征表达,利用SVM分类器进行第2次分类得到最终分类结果。采用UC-Merced Land Use数据集对该方法进行了验证,试验结果表明:1)该方法总体精度达到88.6%,相较于传统稀疏编码空间金字塔匹配(sparse coding and spatial pyramidal matching,Sc SPM),局部约束线性编码(locality-constraint linear coding,LLC)等分类方法,总体精度分别提高了12.7%,9.9%;2)相较于提取单一低层特征的场景分类方法,该文算法更有利于实现对影像中复杂且不易区分的地物的表达,可有效提高土地利用分类精度。     

δ13C法研究砂姜黑土添加秸秆后团聚体有机碳变化规律

为研究水稻秸秆添加对砂姜黑土水稳性团聚体分布及稳定性的影响,探索水稻秸秆腐解过程中外源新碳及原有机碳在不同粒级团聚体中的分配规律,该文通过室内模拟试验,运用δ~(13)C示踪方法,将稳定同位素碳(δ~(13)C)标记的水稻秸秆添加入砂姜黑土,利用湿筛法得到不同培养时期不同粒级的土壤水稳性团聚体,测定不同时期各粒级土壤外源新碳及原有机碳含量。结果表明:未添加水稻秸秆的砂姜黑土(对照组),水稳性微团聚体(250μm)占主体,团聚体有机碳含量低。与对照相比,添加水稻秸秆(试验组)显著促进了2000、2000~250μm粒级水稳性大团聚体的团聚(P0.05);培养到120 d时,2000、2000~250μm水稳性团聚体比对照组分别增加了265.5%、16.0%,促使水稳性大团聚体(250μm)占主体,显著提高了砂姜黑土水稳性团聚体的平均重量直径(mean weight diameter,MWD)、几何平均直径(geometric mean diameter,GMD)、水稳性大团聚体含量(R0.25),降低了分形维数(D)值(P0.05),土壤结构稳定性明显得到改善。试验组各粒级团聚体有机碳含量显著增加,培养到15 d时,2000、2000~250、250~53、53μm粒级团聚体有机碳分别比对照组增加了21.4%、25.4%、34.7%、50.0%,其中微团聚体有机碳增加幅度大于大团聚体的增加幅度。MWD、GMD、R0.25与2000~250、250~53μm粒级团聚体有机碳呈极显著正相关关系(P0.01),与2000μm粒级团聚体有机碳呈显著正相关关系(P0.05)、与53μm粒级团聚体有机碳关系不显著。不同粒级团聚体的δ~(13)C值明显增加,动态变化较大,表明外源新碳周转速率较快。外源新碳主要分配在250~53、53μm粒级微团聚体中,分配比例分别为38%、28%,外源新碳的分解速率明显快于原有机碳。研究得出添加水稻秸秆有利于增加砂姜黑土的团聚体稳定性,提高土壤及不同粒级团聚体的有机碳含量,提升土壤碳水平,改善了土壤结构,这为淮北地区土壤质量提升及有机碳循环提供了理论依据。     

自动监测装置用温室粉虱和蓟马成虫图像分割识别算法

为了监测温室黄瓜作物虫害种类、数量变化情况以预测虫害发展趋势,该文以粉虱和蓟马为例,提出了一种基于Prewitt、Canny边缘检测算子分割和SVM(support vector machine)的温室粉虱和蓟马诱虫板的图像识别算法。该方法利用HSI(Hue-Saturation-Intensity)颜色空间的I分量与L*a*b*颜色空间的b分量二值图像中害虫目标与背景的高对比性,再分别相应地利用Prewitt算子和Canny算子进行单头害虫边缘分割,再经过形态学处理,最后融合这两幅二值图像完成单头害虫区域的提取。然后提取害虫的5个形态特征(面积、相对面积、周长、复杂度、占空比)及9个颜色特征(Hue-Saturation-Value颜色空间、HSI颜色空间、L*a*b*颜色空间各分量的一阶矩),并对这14个特征参数进行归一化处理,将特征值作为SVM的输入向量,进行温室粉虱和蓟马的诱虫板图像识别。通过分析比较不同向量组合的BP(back propagation)与SVM的害虫识别率、4种不同SVM核函数的害虫识别率,发现颜色特征向量是粉虱和蓟马识别的主成分,且SVM的识别效果优于BP神经网络、线性核函数的SVM分类性能最好且稳定。结果表明:平均识别准确率达到了93.5%,粉虱和蓟马成虫的识别率分别是96.0%和91.0%,能够实现温室害虫的诱虫板图像识别。该研究可以为虫害的监测与预警提供支持,为及时采取正确的防治措施提供重要的理论依据。     

基于机器视觉图像特征参数的马铃薯质量和形状分级方法

马铃薯自动分级过程中,存在既要保证分级精度又对分级速度有一定要求的难点问题。该文探讨了利用机器视觉技术快速获取马铃薯图像特征参数,结合多元线性回归方法,建立马铃薯质量和形状分级预测模型,实现基于无损检测的马铃薯自动分级。搭建了同时获取马铃薯三面投影图像的机器视觉系统,通过图像数据处理获得马铃薯俯视图像轮廓面积、两侧面图像轮廓面积、俯视及侧面图像外接矩形长度及宽度数据等图像特征参数,通过多元数据回归分析,建立了马铃薯质量和形状分级预测模型。选择100个试验样本运用该方法进行质量和形状分级模型构建和预测,采用电子称获取样本实际质量,采用目测法对马铃薯进行形状分选。对比试验结果表明,质量分级相关度系数R为0.991,形状分级分辨率为86.7%。表明该方法对马铃薯质量和形状分级进行预测具有可行性,可运用于马铃薯自动分选系统中。     

基于近地成像光谱的小麦全蚀病等级监测

小麦全蚀病是检疫性的土传病害,对小麦生产危害极大,对其发生的监测是治理的根本。遥感技术可实时、宏观监测病害发生发展,尤其是成像光谱技术的图谱合一,可精准对病害识别和分类。该文首先通过主成分分析提取不同小麦白穗率的冠层光谱特征;再通过灰色聚类分析方法,研究白穗率等级的可分性;最后利用基于径向基(RBF,radial basis function)核函数的支持向量机对全蚀病害的近地成像高光谱图像进行分类,从而验证近地成像光谱在全蚀病监测上的可行性。研究结果显示:该方法对5种程度的小麦全蚀病白穗率的分类精度均达94%以上,Kappa值大于0.8。研究表明利用该方法,通过近地成像光谱图像可以准确监测小麦全蚀病的病情,对小麦全蚀病的治理有指导意义。