自然条件下茶叶嫩芽图像分割方法的研究

探讨茶叶嫩芽自动分割方法,为茶叶智能采摘提供技术支持。以自然环境下茶叶嫩芽图像为研究对象,比较了基于颜色的阈值分割与聚类分割方法对茶叶嫩芽自动分割的影响。首先,选择了R-B和b分量进行茶叶阈值分割;其次在Lab颜色模型下进行K-means聚类分割;最后,通过形态学处理实现茶叶嫩芽自动识别。基于聚类的茶叶分割方法不仅能够抑制颜色阈值分割受光照的影响,且实现了自然环境下茶叶嫩芽的有效分割。     

基于AP聚类算法的图像分割应用与研究

针对传统聚类算法在图像分割中对聚类中心选择敏感,可靠性差的缺点,本文采用AP聚类算法研究图像分割问题。AP(Affinity propagation)聚类算法是通过数据点之间的信息传递产生高质量的聚类中心,避免了聚类初始中心选择难的问题。本文通过与K均值算法和模糊C均值算法在图像分割中的实验比较,得出本算法优于其他两种算法,对图像可取得良好的分割效果。     

航拍油菜花图像的自动聚类分割方法

为了实现航拍大田油菜花的准确分割,本文提出了一种基于HSI颜色空间阈值和X均值自动聚类算法相结合的分割方法来有效提高分割精度。先将待分割的原始图像转换到HSI颜色空间,通过设定的颜色阈值对目标区域进行定位,实现初步分割,得到候选目标区域;然后将候选目标区域的像素转换至LAB颜色空间,计算候选区域的a、b通道的均值和方差;最后利用得到的均值和方差作为聚类的约束条件,利用X均值自动聚类算法对原图像的a、b通道进行聚类。实验结果表明,本文提出的方法能够克服变化的背景的影响,准确提取油菜花区域;相对于传统的聚类方法,本方法不需要预先设定聚类数,从而实现完全自动的分割。     

基于YOLOv5深度学习的茶叶嫩芽估产方法

针对丘陵地区小规模茶园估产难度高,估产手段少等问题,采用基于YOLOv5的目标检测算法和田间抽样调查法,对丘陵地区小规模茶园估产问题进行研究。在茶园中随机抽取9个有代表性的茶叶生长点;使用目标检测算法识别抽样点茶叶嫩芽数目;利用最小二乘法拟合茶叶嫩芽产量与数目间的线性关系;结合抽样点识别出的嫩芽数目、抽样点面积、线性拟合关系和茶园整体面积估算出茶园茶叶嫩芽产量。结果表明：1)基于YOLOv5的目标检测算法对茶叶嫩芽识别的精度为99.02%,平均准确率为90.14%;2)茶叶嫩芽数目和产量间有高度线性关系,决定系数R²为0.999 8;3)通过算法估计的茶叶嫩芽产量与实际采收产量相对误差为29.56%。本研究能够较为方便的估算出茶园茶叶嫩芽产量,在茶叶生长时期为农户提供产量相关的数据支持,便于茶叶生产的前期管理。     

基于改进K-means聚类与分水岭的木材横截面管孔分割

  目的  管孔是木材识别方面的重要特征之一。针对管孔随机分布、大小不一导致管孔分割鲁棒性不高,木纤维、木射线以及轴向薄壁组织等噪声区域对管孔分割效果影响较大的问题,本研究提出了一种改进K-means聚类与分水岭的木材横截面管孔分割算法。  方法  采用改进K-means聚类对管孔区域进行粗分割,有效区分管孔区域与木纤维、木射线以及轴向薄壁组织等噪声区域。再对粗分割结果采用改进分水岭算法进行精分割,分割出的管孔与实际管孔基本吻合。  结果  平均每张木材横截面微观图像有97.1%的管孔被准确有效地分割出来。本研究提出的改进分割算法与其他算法相比,分割效果显著提升,在大小不一且随机分布的管孔分割过程中鲁棒性高,具有良好的分割性能。  结论  该算法有效解决了传统K-means聚类算法在图像分割时受噪声影响大和初始聚类中心随机性问题,为阔叶材管孔特征提取和定量分析奠定了坚实基础。图7表1参16     

基于统计直方图k-means聚类的水稻冠层图像分割

针对现有k-means聚类图像分割方法存在对初始聚类中心敏感、易错分割以及运行时效低等问题,提出了一种基于统计直方图k-means聚类的水稻冠层图像分割方法.该方法首先根据图像直方图蕴含的像素数量先验信息,选择像素数量差异较大的像素值作为水稻冠层图像的初始聚类中心;然后再利用图像直方图中像素值与图像像素数量的先验对应关...     

改进的医学CT图像K-均值聚类分割算法的实现

为提高K-均值聚类算法在医学CT图像分割上的应用效果、稳定性和质量,减少程序运行时间,本研究用Matlab语言优化了K-均值聚类算法程序,与StatisticsToolbox的K—means函数进行比较,使用单因素方差分析法检验两种算法实现程序运行时间的差异,并直接观察分割效果和稳定性。结果显示,改进后的K-均值聚类算法程序具有分割结果稳定、质量提高等优点,在常用Windows操作系统和Pc机配置环境下,分割耗时在1s左右,显著低于原有的分割程序,消除了等待感觉,提高了使用者的工作舒适度和效率,为图像的识别处理奠定了基础。     

一种粗糙熵和K-均值聚类相结合的岩心图像分割方法

K-均值聚类算法和粗糙熵是应用于图像分割的主要算法,目的是对图像进行分析处理。将K-均值聚类算法和粗糙熵结合起来应用到岩心图像的分割,目的是提取出岩石的隙缝信息。先利用K-均值聚类算法对岩心图像进行区域分割,再利用基于粗糙熵的方法对分割结果进行目标提取,从而达到多阚值分割的目的。通过效果图对比分析可以看出,采用基于粗糙熵的K-均值聚类算法处理多目标的岩心图像,提取出的目标更清晰,更明确,实验结果更有价值,证明了改进后算法的有效性。     

改进的基于模糊C-均值聚类的图像分割算法

为了提高图像分割算法的抗噪声性能,提出了一种改进的基于模糊C-均值聚类的图像分割算法.该算法首先根据邻域像素的隶属度矩阵来计算出像素和聚类中心的空间距离,然后利用空间距离和欧氏距离来重新确定像素和聚类中心的距离,最后利用新提取的距离特征和改进的FCM聚类算法对图像进行分割.实验结果表明,该算法能有效地提取目标图像,对噪声具有较强的鲁棒性,收敛速度快.

Abstract：

To enhance the noise immunity performance of the image segmentation algorithm, an improved algorithm for image segmentation based on fuzzy C-means clustering is proposed in this paper. The spatial distance between a pixel and the cluster center is calculated by the membership matrix of the neighboring pixels, and a new distance is determined by the spatial distance and the Euclidean distance. This new distance feature and the improved algorithm based on fuzzy C-means clustering are used in image segmentation. The experimental results show that the proposed algorithm is effective in getting the target image,more robust to the noises and faster than the conventional fuzzy C-means (FCM) algorithm.     

基于YOLOX改进模型的茶叶嫩芽识别方法

【目的】改善茶叶嫩芽识别困难的问题,提高模型的识别准确率。茶叶嫩芽的识别是实现茶叶自动化采摘的核心技术之一,而茶叶嫩芽生长的姿态以及采集图像时的拍摄角度等条件都会对茶叶嫩芽的识别带来困难,造成识别准确率低的问题。【方法】提出一种改进的YOLOX茶叶嫩芽检测算法SS-YOLOX,该方法能准确地对一芽一叶、一芽二叶等茶叶嫩芽进行识别、分类。该方法通过添加注意力模块（Squeeze and excitation,SE）提高模型的特征提取能力,改善小目标漏检问题、引入Soft NMS算法改善检测框重叠度较高时的打分机制,提高模型对不同场景下嫩芽的识别能力。【结果】消融试验表明,引入Soft-NMS算法、SE模块均能提高YOLOX模型模型的检测精度,以引入SE模块提升较为明显。通过不同嫩芽图像对比验证算法的可行性和准确性,SS-YOLOX模型的均值平均精度mAP比原YOLOX模型提高2.2%,达到86.3%,表明经过改进后,模型的识别能力得到提升。在目标嫩芽数量较多的情况下,SS-YOLOX模型能有效地降低漏检率和错检率。【结论】SS-YOLOX模型能准确识别茶叶嫩芽,且识别效果更好,可为茶叶智...     

基于SOFM神经网络的茄子图像分割方法

以将茄子图像从复杂的背景中分割出来为目的,在分析茄子图像色差和色相的基础上,选取R—B、G—B和H作为自组织特征映射（SOFM）网络的输入特征向量,利用该网络自组织学习的特征进行聚类。采用信噪比、面积比、分割时间和傅里叶边界描述子等指标来评价分割精度。试验证明,基于SOFM神经网络图像分割评价优于单一闽值分割,适合复杂背景的彩色图像分割。     

基于K均值聚类和数学形态学的小麦彩色图像分割

对小麦植株图像进行分割,是将机器视觉技术应用到动态监测小麦生长状况的基础.采用K均值聚类和数学形态学相结合的方法进行分割,充分利用了小麦植株颜色和背景颜色的差异.首先根据图像色彩对图像进行聚类,然后对聚类后的图像进行形态学开运算,实现了小麦植株与背景的分离,并达到了较好的效果.     

基于数学形态学的树木图像分割方法

该文针对智能整枝机视觉系统的需要提出一种以数学形态学为主的图像分割方法,解决了智能整枝机视觉系统中背景复杂下树木图像分割困难的问题.该方法分成5个步骤:①利用小波变换将图像进行压缩;②亮度矫正;③用分水岭算法对图像进行分割;④用区域合并法解决分水岭算法中的过度分割问题;⑤用中值滤波器滤除分割过程产生的孤立点.结果表明:该方法比Roberts算子、Sobel算子及Prewitt算子对树木图像的分割效果好,为立木整枝机视觉系统的深入研究打下了基础.     

基于语义分割的山地果茶园道路识别技术研究

针对果、茶园规模不断扩张并逐渐向智能农业机械化发展的趋势以及常用道路语义分割数据集缺少果、茶园道路场景等问题,将语义分割技术应用到部分果、茶园道路中,以实现对果、茶园道路的像素级分割.以道路、人和车为分类对象,建立果、茶园道路场景图像数据集(包括6032张图像),将数据集按照9:1比例随机划分为训练集(5429张图像)...     

基于Mask R-CNN农田杂草实例分割与叶龄识别方法

为在田间复杂环境中实现对杂草和玉米植株准确实例分割和叶龄识别获取,提出一种基于改进掩码区域卷积神经网络(Mask Regions with convolutional neural network features,Mask R-CNN)的植物叶龄获取方法.具体实施为构建包含不同天气(晴天、阴天、雨后)和不同采集角度(...     

茶树花粉形态及其模糊聚类的研究

用光学显微镜和扫描电子显微镜对31个茶树品种(系)的花粉形态进行研究,并以14个花粉形态性状进行模糊聚类分析,结果表明:茶树花粉粒为中粒或大粒,多为长球形、三孔沟,内孔大、横长,赤道面观多为网状或拟网状纹饰,网眼和网脊大小、形状有一定差异,但品种(系)间花粉形态的变异程度较小.31个茶树品种(系)经聚类被分成六个组,基本上以原产地相近的品种(系)聚在一起,从相似性系数的大小可见茶树品种(系)间的亲缘关系之密切程度.     

基于多元聚类分析的草莓形状分类算法

为尽可能地去除人为主观性对草莓分类结果的影响,简化形状分类算法,采用多元聚类分析对草莓进行分类.按一定顺序和位置在草莓轮廓上选取12条直线作为草莓形状的特征参数,对特征参数作归一化处理消除草莓大小对形状的影响;对特征参数进行多元聚类后,从聚类结果中每类选取一定数量的多维参数,作为该类草莓形状的标准特征参数;根据待分草莓的特征参数与各类标准特征参数距离的远近,将其分入相应的类中.选用不同形状的80个草莓进行试验验证.结果表明草莓分类准确率达90%以上,每个草莓的平均处理时间≤1 s,满足实时分类处理要求.     

基于CART算法的茶园精准灌溉方法

针对茶园灌溉系统中灌溉时机与灌溉量难以确定的问题,以黄山太平地区猴魁茶园为研究对象,先利用CART算法对环境因子与灌溉之间的相关性进行分析,并与逻辑回归、支持向量机等预测模型进行对比,后采用Penman-Monteith公式等对灌溉量进行精确计算,再通过田间试验对本研究获得的灌溉方法进行验证。结果表明:1)地下20 cm、40 cm和地下60 cm处土壤湿度与灌溉之间的相关性最大,分别达到40.66%、12.74%、12.25%,因此,土壤湿度是判断灌溉时机最关键的环境因子;2)使用CART算法预测猴魁茶园的灌溉时机,其准确率、精确率、召回率、F1值较逻辑回归模型(Logistic Regression model)、支持向量机模型(Support vector machine model)分别提升了12%~16%、1.3%~1.4%、12%~16%、7%~9%;3)Penman-Monteith公式对灌溉量的计算结果表明,黄山太平地区猴魁茶园年灌溉量为200 ~500 mm,其中,夏梢期灌溉量最多,占全年灌溉量70%以上。田间试验结果表明该灌溉方法节水率达到30%~35%。因此,使用CART算法及Penman-Monteith公式所获取的灌溉策略对于该地区茶园精准灌溉有一定的借鉴意义。     

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%。