水果采摘机器人视觉系统的目标提取

在田间对作物的果实图像进行实时、准确地目标识别提取,是采摘机器人视觉系统的关键技术,而目标提取的实质是图像分割。大部分水(蔬)果处于采摘期时,表面颜色与背景颜色存在较大差异。而同一品种果实表面颜色相近,体现为在色彩空间果实表面颜色和背景颜色存在着不同的分布特性。根据这一特性,提出了一种基于色彩空间参照表的适用于水果采摘机器人视觉系统果实目标提取的图像分割算法。该算法先由果实样本图像建立色彩空间参照表,再根据色彩空间参照表采用一种类似于“卷积”的方法进行图像分割。与现有其他方法比较,本方法基于彩色的信息处理,可将背景除去得更干净;对背景不做分割处理、无复杂运算,有利于机器人实时图像处理。采用该算法分别对草莓、橙子、西红柿的图像在L^*n^*6^*,Hsv,YCbCr色彩模型下进行了实验,结果显示该算法在这些色彩模型下均可取得理想的图像分割效果。     

基于机器视觉图像的多目标提取识别

为了实现农作物图像多目标的准确识别,提出了四连通或八连通的连通域判别法.利用MATLAB的数值计算、图形处理和可视化建模以及动态仿真等功能,对黄瓜植株花朵图像预处理,去除干扰目标,对目标处理结果进行整合,进而得到多目标处理结果.结果表明该方法依据图像信息即可有效地实现多目标的分离和识别.     

基于轻量化YOLOv4的生猪目标检测算法

针对目前生猪目标检测算法模型较大,实时性差导致其难以在移动终端中应用等问题,将一种改进的轻量化YOLOv4算法用于生猪目标检测。在群养猪环境下以不同视角和不同遮挡程度拍摄生猪图像,建立生猪目标检测数据集。基于轻量化思想,在YOLOv4基础上缩减模型大小。结果表明,本研究算法的准确率和召回率分别为96.85%和91.75%,检测速度为62帧/s,相比于原模型,本研究算法在不损失精度的情况下,将模型大小压缩了80%,检测速度提高了11帧/s。本研究算法具有轻量化,稳健性强,实时性好的优点,能够更好地实现实际猪舍环境下生猪目标的检测,并有利于嵌入移动端设备中。     

基于深度学习技术生猪图像目标检测算法的应用研究

将基于深度学习的图像目标检测技术引入到养殖个体图像目标检测,可以提高养殖视频图像智能分析技术,提高科学养殖能力。试验将深度学习的YOLO V3算法应用到生猪图像目标检测,结合畜牧养殖实际情况,进行了类别选择、遮挡物处理和图像增强等设计,实现了基于深度学习技术的生猪图像目标检测算法。利用该算法对采集的生猪个体图像数据进行训练、验证和测试,对测试图像目标检测漏检率约6%,错检率约1%,精度较高;同时也与其他深度学习目标检测算法进行了对比和分析,测试结果反馈检测精度良好,检测速度较快,对比Fast R-CNN深度学习目标检测算法,mAP-50提高了7%～8%,检测速度提高了约5倍。与SSD算法比较,mAP-50指标和检测速度相当,但是由于YOLO V3算法网络模型比SSD算法简洁,算法移植兼容性更高。研究与试验结果表明,YOLO V3算法检测速度快,适合畜牧养殖图像智能识别工程化目标检测的要求。     

基于全卷积网络的生猪轮廓提取

【目的】实现猪舍场景下非接触、低成本的生猪轮廓高效提取。【方法】以真实养殖环境下的生猪个体为研究对象,提出一种基于VGG16与UNET相结合的全卷积神经网络模型(VGG-UNET模型)。该模型采用批处理方法,迁移学习VGG16模型参数,通过在模型中构建复制通道深度融合图像深层抽象特征与浅层特征,实现对图像语义级别分割。在30头长白生猪的1 815张数据集上进行模型验证,通过设置不同批大小对比试验,并选取其中具有最佳效果的3组探讨批大小与评价指标值变化趋势间的关系。【结果】测试集上的对比试验结果表明,VGGUNET模型在像素精度与均交并比方面分别达到94.32%和86.60%,比单独采用UNET模型分别高出0.89%和1.67%。不同指标值变化情况与批大小间的关系不尽相同。在本文试验环境下,批大小对模型收敛速度的影响不明显。不同批大小条件下PA及MIoU指标值变化综合分析得出,VGG-UNET模型具有较强稳定性和较高鲁棒性;批大小为8的情况下VGG-UNET模型效果最佳。【结论】本文提出的生猪轮廓提取方法 (VGG-UNET模型)是有效的,能实现精确、稳定的生猪轮廓提取,且分割结果较为完整,同时模型具有较高鲁棒性,可为后续生猪个体识别研究提供参考。     

视频图像中目标轮廓的提取算法研究

本文研究了视频图像中目标边缘提取算法。首先在图像中确定出目标物体,并分析目标物体灰度与背景灰度的对比,对图像灰度的分布及对目标物体在图像的位置都要有充分了解,然后对灰度图像设定合适的阈值进行二值化图像的处理,使其满足图像测量的要求,再应用图像测量算法把目标物体的轮廓边缘提取出来,同时使用一些补偿算法,使图像的边缘更加平滑和清晰,使处理后的图像具有良好视觉的效果。实验表明,算法是有效的。     

基于机器视觉的田间水稻苗列识别算法的研究

利用YUV色彩空间模型,以完全查表法对水稻秧苗列图像进行灰度化,通过基于傅里叶变换指导生成图像形态学运算的结构元素,提出一种结合傅里叶变换进行膨胀和腐蚀的方法,提取秧苗列轮廓,采用改良的逆投影变换对苗列图像进行垂直俯视投影,得到实际田间苗列位置,进而利用苗列实际走向信息,实现机器视觉导航系统跟踪苗列行进。对摄像机不同角度获取的苗列图像的处理结果表明,在容许识别定位误差小于50像素点、角度偏差小于6°的前提下,对苗列中心线识别与提取导航基准线的准确率为95.2%,可较好地实现田间自然环境下秧苗图像背景分割和苗列中心线提取。     

一种基于模式匹配的目标点识别算法

设计了一种基于模式匹配的目标点识别算法.算法通过对图像中的目标进行模式匹配处理,自动识别目标,实现目标的计数功能.该算法避免了傅立叶变换滤波等计算量较大算法的使用,适用于利用图像处理进行目标实时计数的领域.     

加大生猪产业结构调整 实现“十五”发展目标

易门县加大农业产业结构调整力度，确立了“十五”期间实现年出栏肉猪20万头，生产销售仔猪40万头的生猪产业化建设目标。为实现这一目标，易门县……     

基于颜色信息的蓝莓熟果的估计

主要是利用图像技术,根据成熟蓝莓颜色与背景颜色的明显差别评估当前蓝莓植株的熟果量,估计单株成熟蓝莓的多寡,能够为蓝莓采摘机采摘参数的调整和确定自动采摘策略提供基础.     

基于计算机视觉的草莓等级判别研究

如何对采集到的草莓图像进行分割和如何选取评定草莓等级的特征参数是草莓自动分拣系统的2个重要环节.该研究利用草莓R、G、B通道明显的像素差值来分割目标和背景,并且选取草莓的形状特征和成熟度作为草莓评级的特征参数,综合运用机器视觉、神经网络等理论方法,通过实验数据统计,建立极坐标下草莓外形轮廓特征参数及颜色空间下成熟度特征参数的提取方法,以人工神经网络为识别模型,实现对草莓的自动分类.实验结果表明,该方法对草莓的自动分级结果与人工分级结果相比较,准确率达到90％,具有实际的可行性.     

基于神经网络的视觉图像处理研究

近几年,随着神经网络理论的深入研究,人们对神经网络技术的并行性计算能力、非线性映射和自适应能力等优点有了充分的认识,各种神经网络模型在图像处理领域中得到了广泛的应用。对各种流行的神经网络模型在图像处理领域中的应用进行了综述,根据图像处理的具体内容进行了分类叙述,阐明了神经网络技术在图像处理领域中的优点和不足,并对将来神经网络技术在图像处理领域中的应用提出了展望。     

基于K-means和特征提取的植物叶部病害检测与实现

针对植物常见叶部病害的检测并提高准确率,提出了基于K-means的图像分割和颜色特征提取的算法。以苹果枯叶病为研究对象,应用K-means算法先进行病斑叶片的图像分割,再提取三阶颜色矩参数,与正常叶片参数进行对比分析;实验测试表明,该方法能较好的识别苹果枯叶病,具有较好的鲁棒性,且准确率较高。     

面向对象影像分类与提取法在农作物遥感解译中的应用

根据Landsat8遥感数据,利用eCognition软件,以黄淮海平原饶阳县某地区为试验区,通过对分割参数的定量试验,确定了地物对象的最佳分割尺度;在此基础上分析植被、非植被的典型特征,采用面向对象方法研究植被的信息提取,并对提取结果进行了精度评价。试验结果表明:面向对象影像分类方法能极大地提高分类精度,并实现了植被信息的准确提取,为我国主要粮食基地农作物遥感调查与监测提供了技术支撑。     

基于EXG因子的水稻秧苗图像分割

针对水稻稻田图像中秧苗和背景分割问题,采用基于最大类间方差法(OTSU法)的分割方法,成功地把水稻秧苗像素和背景像素分割开.首先用CCD相机获取水稻插秧机插秧作业后的水稻稻田图像,选择超绿特征因子(EXG因子)将水稻秧苗RGB彩色图像转化为灰度图像,使用OTSU法计算阈值,成功地将灰度图像转变为二值图像.又采用该方法分割了20幅水稻秧苗图像,结果表明,EXG因子可以对水稻秧苗图像有效分割.     

Photoshop软件在免疫组化图像分析中的应用

[目的]结合教学与科研工作实践,探讨采用图像处理软件Photoshop分析免疫组化图像的使用规范。[方法]选用合适方法对免疫组化图像进行分割与灰度转换处理,再采用软件测量与分析免疫组化图像,同时与Image-Pro Plus、ImageJ专业软件分析结果比较。[结果]该方法操作便捷,数据准确可靠。[结论]该方法值得在实验教学和科学研究中推广使用。     

温室植物病害图像处理技术中图像分割方法的研究

为了准确地得到植物受害病因及病种受害程度,提高温室病害防治的智能化,深入研究了植物病害图像处理中图像分割的方法。通过对温室黄瓜霜霉病和炭疽病的处理研究,探索出了新的多区域双峰法去除背景的方法,并利用边缘检测技术和阈值分割技术在正常部位和病害部位实现了图像的有效分割。     

基于不一致性法的最优分割参数评价

影像分割是基于对象分析方法的前提,分割结果的质量决定了后续分类的精度,分割参数的选择影响到分割结果的好坏.基于不一致性度量方法,考虑几何不一致性和算术不一致性,构建了新的最优分割参数评价指标FIX,实现最优分割参数的选择.选取高空间分辨率IKONOS影像上2种不同地物(池塘、农田)进行实验研究,表明不同地物具有不同的最优分割参数,为最优分割参数评价方法提供一种思路.     

基于MATLAB的茄子图像分割方法

针对茄子图像的灰度和颜色特点,利用MATLAB中丰富的图像处理函数,分别进行了色差分割和色调分割。在色调分割中,采用了自动选取阈值的Otsu法。在去除残留噪音的处理中,采用标注的方法对二值图像的各连通区域进行面积统计。保留最大面积的区域,从而使分割效果大大改善。利用多参数来衡量分割效果,使评价做到最大程度的客观、合理。