苹果自动分级中的图像分割

为了提高苹果自动分级中图像处理的速度和可靠性，就有关苹果图像分割问题进行了探讨，提出了苹果图像处理窗口的快速确定方法、阈值计算方法以及用最小二乘法与搜索点所在的区域相结合确定搜索方向的方法，试验表明，用上述方法能可靠，有效，快速地进行图像分割。     

结合深度学习和引导滤波的苹果叶片图像分割

针对传统方法对苹果叶片进行图像分割和测量几何形状参数精确度较低的问题,结合基于深度学习和引导滤波技术提出一种新的苹果叶片图像自动分割算法。首先采用深度学习方法,使用BiseNet卷积神经网络对苹果叶片图像进行自动分割,得到苹果叶片主体轮廓;然后使用彩色苹果叶片图像作为引导图像对主体轮廓进行引导滤波处理,以增强边缘锯齿等细节特征信息;最后将主体轮廓与细节特征信息进行联合分割,得到完整、准确的苹果叶片信息。对包含174种8 184张苹果叶片图像数据集进行试验,结果表明苹果叶片分割的精确率达到98.99%,交并比98.82%。利用本研究算法能够真正实现准确、快速测量苹果叶片的面积、周长等参数值,为苹果叶片几何参数的测定提供了一种新的测量方法。     

基于B样条曲线的水稻叶片几何参数测量系统

基于B样条曲线的水稻叶片几何参数测量系统能无损、精确获取水稻叶片几何参数,可为农学研究提供精准数据。该研究分析了B样条曲线拟合基本原理,采用1次B样条曲线获取水稻最大叶宽,基于3次B样条曲线交互绘制手势轨迹曲线逼近叶脉获取水稻叶长,控制点数量和位置可人工干预,实现轨迹曲线实时调整。运用变异系数和均方根误差评价测量结果,结果显示,叶长变异系数为2.4%,叶宽变异系数为5.4%,均小于15%,测量结果精度较高;建立系统预测值和实测值线性回归拟合模型,水稻叶长均方根误差为1.534 0 cm,叶宽均方根误差为0.101 9 cm,系统预测能力较好。利用B样条曲线测量叶片几何参数,前期图像获取简便,能够真正实现便捷、无损、准确获取水稻叶长、叶宽,为水稻叶片几何参数的测定提供了一种新的测量方法,可满足农业科学研究基本需要。     

一品红叶面积计算的研究

叶片是植物进行光合作用、蒸腾作用的主要器官,叶面积的测定对研究盆花一品红的生物学特性,指导生产乃至进行品质评价均具有重要意义。本实验采用叶形纸称重法得到单张一品红“千禧”叶片的面积,并同时将测量叶长和叶宽的乘积与叶面积进行拟合。结果表明:叶面积(LA)与叶长(LL)和叶宽(LW)的乘积呈线性相关:LA=0.6826×(LL×LW),R2=0.960,SE=3.899mm2。用另外独立的数据进行检验表明叶面积回归模型的预测效果好。     

基于生物量的水稻叶片主要几何属性模型研究

 【目的】构建基于生物量的水稻叶片主要几何属性模型,为水稻株型设计与调控提供理论依据。【方法】以两优108、86优8、南粳43及扬稻6号为材料,设置品种、氮肥与密度田间试验,观测水稻主茎不同叶位叶片长度和宽度,分析了水稻主茎叶片长和宽的关系、比叶重（SLW）随叶位的变化规律,以及水稻叶片干重与叶长和叶宽的关系,构建基于生物量的水稻叶片主要几何属性模型。【结果】叶长与叶宽的关系可用幂指数方程表达,比叶重随叶位呈二次曲线变化。采用独立的试验资料检验模型,主茎叶片叶长、叶宽模拟值与实测值的根均方差（RMSE）分别为2.55和0.06 cm。【结论】几何属性模型可较好地模拟不同生长条件下水稻主茎不同叶位叶片的主要几何属性,为生长模型与形态结构模型的结合奠定了基础。     

基于改进的LinkNet的苹果叶片图像分割算法

使用传统方式对苹果叶片进行图像分割进而测量叶片几何参数,虽精度尚可,但效率较低。针对该问题,提出一种基于深度学习语义分割模型和迁移学习的苹果叶片图像分割算法,完成对叶片的快速、准确分割。所提方法以LinkNet为基本网络结构,进行了4个方面的改进：采用ResNet18作为编码器主干网络,融合迁移学习的思想加速模型拟合;减小编码解码块的数量,降低网络复杂度;改进通道约减方案,减少上采样中的参数量;使用子像素卷积进行上采样,降低计算量。结合焦点损失函数,将改进的LinkNet网络应用于标准苹果叶片数据集上。试验结果表明,所提算法的分割精度为97.27%,与原LinkNet相比精度相当;推理时间仅为7.82 ms,相较于原网络缩短39.89%;模型参数量和浮点数计算量大幅减少;且改进网络的推理速度远快于FCN、U-Net、DeepLabV3+等网络。所提算法在快速分割叶片主体的同时,还能较好地保持叶片边缘锯齿等细节特征,能够真正实现高效、精准地分割苹果叶片,为快速测量叶片面积和其他几何参数提供了新的思路。     

苹果梨单叶面积的测定方法

通过对苹果梨单叶面积的测定与分析,拟合了单叶面积的简单线性回归方程与多元线性回归方程.两方程均达到极显著水平,相关系数达0.99.其中叶面积对叶长×叶宽的简单线性回归方程^Y=-1.194 5+0.643 2 x效果最佳.建议在苹果梨生产实践和科学研究中广泛应用.     

夏玉米叶片形状系数的时间和空间变异

【目的】叶片形状系数(α)为测量作物的叶面积和叶面积指数提供了简单快捷的方法。然而,以往研究表明对作物叶片形状系数的选取存在很大的随意性,缺乏统一标准,且通常将其视为常数,不考虑它的时间和空间变异性。为解决这一问题,文章对陕西关中地区夏玉米不同生长阶段和不同叶位叶片形状系数的时间和空间变异性进行了深入研究。【方法】选取2015年6—10月生长季6个夏玉米品种,将玉米生育期划分为三叶、拔节、抽雄、开花、吐丝、成熟等6个不同生长阶段,每6天采样一次,测量叶片面积(LA)、叶片长度(L)和宽度(W),计算各个阶段的α值,同时对比α值在单个玉米植株不同叶位之间的差异。然后分别建立线性、二次、对数等3类共5个叶面积估算模型,以RMSE、RRMSE和ARE 3个统计量作为评价指标,对各叶片面积估算模型的精度进行评价。【结果】对全生育期6个夏玉米品种的760个叶片的面积和长宽乘积进行线性回归分析,夏玉米叶片形状系数均值约为0.78;在被验证的5种叶面积估算模型中,叶面积模型LA=α×L×W,其中α=0.78时精度最高,其相对均方根误差(RRMSE)约为9.50%,绝对相对误差(ARE)约为6.96%。α值范围为0.72—0.87,并随玉米生育期的变化而变化,自三叶期到开花期逐渐增大到全生育期最大值0.87,开花后缓慢下降至0.78,其中开花期叶片的α值与开花前各阶段的α值存在显著差异,而与开花后各阶段的α值不存在显著差异。不同熟性的夏玉米品种之间叶片α值也只在开花、吐丝期表现显著差异。不同叶型叶片α值表现出不同的变化规律,三叶期到拔节前,短宽型叶片的α值大于细长型叶片,此后一直到成熟期,细长型叶片的α值则大于短宽型叶片。在单个植株不同叶位叶片之间,α值变异性明显,开花期、吐丝期、成熟期均呈现出两头大中间小的规律,其中植株中部棒三叶位置α均值最为稳定,为0.78,对应的标准差在0.05以内,而植株上部和下部α均值约为0.84,对应的标准差在0.03—0.10。其中拔节、抽雄期不同叶位叶片的α值不存在显著差异,而在开花、吐丝、成熟期则表现出显著差异。【结论】叶面积模型LA=0.78×L×W更适于估算田间夏玉米叶片面积,较一般采用叶片性状系数0.75时提高模拟精度(ARE)3.86%。应在不同的生长阶段和不同叶位分别采用不同的叶片形状系数,这样才能进一步提高玉米叶面积估算的精度。     

1种基于Otsu算法的植物病害叶片图像分割方法

植物叶片图像分割是植物分类和植物病害检测中的一个关键步骤,旨在把叶片图像分成各具特性的区域并提取出感兴趣的部分。在分析自然场景下植物叶片图像几种分割方法的优缺点的基础上,基于Otsu算法,提出了1种叶片图像分割方法,并进行分割算法试验。结果表明,该叶片图像分割方法对叶片中目标(叶片或病斑)-背景类的图像具有较好的分割效果。     

基于CT图像的苹果内部品质无损检测

通过对苹果CT断层扫描图进行灰度分割,并在分离出其有效果肉区的基础上,成功地建立了基于果肉区CT均值的苹果整体内部品质的无损检测模型。首先统一CT图片的窗宽/窗位为430/-210,在此基础上确定CT值与灰度值的线性模型;然后利用Otsu自适应阈值法,对图像进行灰度分割,分离出苹果中心剖面的全部果肉区域,统计出该区域图像的灰度像素数加权均值,再转化成CT均值;最后建立上述中心剖面果肉区CT均值与苹果整体品质的关系模型,可以发现苹果的糖度、可滴定酸度、含水质量分数均与果肉区CT均值有较好的线性相关性,其R2值分别为0.846 4、0.823 3、0.907 5,且平均预测误差分别小于5.0%、7.4%、3.8%。     

苹果叶片生长模拟模型的建立

以有效积温为自变量,以叶片面积、叶片日龄和叶片数量为依变量建立苹果叶片生长模型。该模型包含有效积温子模型、单叶面积子模型、单枝叶面积子模型、单枝叶片日龄子模型、单枝叶片数量子模型和单树叶片生长子模型。通过D e lph i程序将各子模型联接,逐日计算单树叶片总面积、单树叶片日龄和单树叶片总数量。对田间实测数据与模型模拟数据进行相关性分析,以检验模型的准确度。结果表明,相关系数分别为0.997,0.972和0.974,说明该模型结构合理并具有较高的准确度。     

基于图像处理技术的四种苜蓿叶部病害的识别

基于图像处理技术,对4种苜蓿叶部病害进行识别研究。利用结合K中值聚类算法和线性判别分析的分割方法对病斑图像作分割,获得了较好的分割效果。结果表明:该分割方法在由4种病害图像数据集整合成的汇总图像数据集上综合得分的平均值和中值分别为0.877 1和0.899 7;召回率的平均值和中值分别为0.829 4和0.851 4;准确率的平均值和中值分别为0.924 9和0.942 4。进一步提取病斑图像的颜色特征、形状特征和纹理特征共计129个,利用朴素贝叶斯方法和线性判别分析方法建立病害识别模型,并结合顺序前向选择方法实现特征筛选,分别获得最优特征子集;同时利用这2个最优特征子集,结合支持向量机(Support vector machine,SVM)建立病害识别模型。比较各模型的识别效果,发现利用所建线性判别分析模型下的最优特征子集,结合SVM建立的病害识别模型识别效果最好,训练集识别正确率为96.18%,测试集识别正确率为93.10%。由此可见,本研究所建基于图像处理技术的病害识别模型可用于识别上述4种苜蓿叶部病害,为苜蓿病害的诊断和鉴别提供了一定依据。     

基于二维熵的农业图像目标分割

农业图像的目标分割是在农业领域应用机器视觉技术的基础,采用阈值法进行图像的目标分割,能够克服一些图像缺陷。首先将彩色数字图像转换成像素灰度级分布与其邻域平均像素灰度级分布所构成的二维灰度图,再根据图像分割后的最大熵计算分割阈值,然后由计算出的阈值分割农业田间图像,分割的结果显示,二维熵法分割农业田间图像的效果很好,分割质量的优秀率达到了98%。     

一种基于图像特征值算法的叶面积测定方法

提出一种基于图像特征值算法的叶面积测定简化方法。应用扫描图像RGB三原色灰度值分离理论,根据植物叶片扫描图像像素点的分布特征,选用蓝色灰度值作为特征值,以扫描图像灰度中间值127作为叶面积图像与背景图像灰度值的判读指标,通过叶片像素点的分布比例计算叶片面积。将已知面积的矩形绿纸片分别随机裁剪成多个碎片,用本文方法测定碎片面积,并分别计算每个叶片的碎片面积之和进行系统精度验证,测定结果与标准面积的相对误差小于0.5%。采集60个水稻叶片分别采用本文方法和复印称重法测定叶片面积,对本文方法进行进一步验证,相关性分析结果表明,二者相关系数r=0.997 1,达极显著水平。本文方法具有较高测定精度,满足叶面积测定要求。     

基于灰度梯度图像分割的单木树冠提取研究

树冠是树木的重要组成部分,基于遥感影像的树冠提取对于森林资源调查监测具有重要意义,但准确获得树冠的形状和边界比较困难。高分辨率影像具有丰富的纹理和光谱信息,基于高分辨率影像单木树冠勾勒技术为森林资源调查提供了一种快速有效的测树途径。但是,由于高分影像信息冗杂,面向对象的分割方法数据计算量大,并且需要人工设置光谱或纹理阈值才可以实现单木分割,导致工作效率下降,鲁棒性差。图像增强通过改变原始图像的结构关系,有选择地突出或者抑制图像中的某些特征,有效的图像增强有益于提高单木树冠分割的准确程度。因此,本文提出一种基于影像的灰度梯度图像分割的树冠提取方法,通过对比传统的罗伯斯、拉普拉斯算子与改进的数学形态学算子,利用目视解译与灰度直方图结合的方法确定最优选择为改进的数学形态学算子。然后,利用改进的数学形态学算子结合面向对象多尺度分割方法,简化原始影像复杂的背景信息,快速提取大范围单木树冠信息。以甘肃省张掖市大野口林区机载激光雷达系统携带的CCD影像为数据源,提取实验区单木树冠,并从空间和形状上验证效果。实验结果表明:在高分影像的灰度梯度图像上进行面向对象分割提取单木冠幅, 单木株数精度为83.19%,形状精度达到88.62%,优于传统林业调查精度,且冠幅获取速度快,效率高,并可以较为精确地提取树冠边界。      

仓方早生桃叶面积回归测算方程研究

以仓方早生桃的成熟叶片为试材,研究了叶长(x1)、叶宽(x2)、叶长×叶宽与叶面积(LA,y)的关系。结果表明,叶长、叶宽、叶长×叶宽与LA均呈正相关关系,相关系数分别为0.9171、0.9445、0.9753;叶长和叶宽、叶长和叶长×叶宽、叶宽和叶长×叶宽与LA的复相关系数分别为0.9862、0.9876、0.9876,差异均达到了极显著水平。在此基础上建立了叶长与LA、叶宽与LA、叶长×叶宽与LA 3个简单线性回归方程以及叶长和叶宽与LA、叶长和叶长×叶宽与LA、叶宽和叶长×叶宽与LA 3个二元回归方程。6个回归方程均可作为测算仓方早生桃的叶面积。其中,以叶长和叶长×叶宽、叶宽和叶长×叶宽与LA的二元回归方程:y=128.6112+0.2677x1+0.6178x1x2、y=-59.0612+11.4454x2+0.5823x1x2测算结果更为精确。在具体应用中,可根据所要求的精确度和测算时的工作量进行选择。     

基于颜色指数与阈值法的稻田图像分割

为系统、全面地分析不同颜色指数对南方稻田图像分割的适应性,以分蘖期、拔节期稻田图像为研究对象,选择36种常用的颜色指数,采用Otsu阈值法开展基于颜色指数和阈值的图像分割研究,通过比较各颜色指数的分割结果,明确分蘖期和拔节期图像分割的主要干扰因素,筛选最适宜稻田图像分割的颜色指数。结果表明：水稻倒影、浮萍是分蘖期稻田图像分割的主要干扰因素,叶片镜面反射、浮萍和土壤阴影是拔节期稻田图像分割的主要干扰因素;组合指数COM2、MxEG、CIVE和GMR在分蘖期图像和拔节期图像均具有较好的分割精度。因此,基于颜色指数COM2、MxEG、CIVE、GMR和Otsu阈值的稻田图像分割方法对稻田图像分割的干扰要素具有较强的区分能力,分割精度较高,更适宜于南方稻田图像处理研究。