基于Faster R-CNN算法的番茄识别检测方法

针对番茄生长环境复杂,枝叶对果实造成遮挡及果实之间存在遮挡等因素,造成番茄难以识别、检测等难题,本文基于Faster R-CNN的番茄识别检测方法进行研究.首先使用AlexNet网络提取涵盖番茄语义、空间信息的特征图;用区域建议网络对特征图进行番茄与背景的二分类、预选框回归训练,用非极大值抑制算法筛选出预选区域;用区域...     

基于近红外光谱和LabVIEW技术的番茄抗灰霉病检测系统

为了准确、快速、无损地检测番茄灰霉病的抗病性,根据番茄的近红外光谱特性,设计了一种基于近红外光谱与LabVIEW技术的番茄灰霉病抗病检测系统。该系统主要包括初始化模块、参数读取模块、光谱数据实时采集模块和算法模块。利用该检测系统对番茄叶片进行抗病性检测实时分类试验,以验证系统性能。利用支持向量机算法,对收集的番茄叶片样本进行实时处理。结果表明,基于近红外光谱与LabVIEW技术的近红外光谱番茄抗病检测系统能够较好地完成对番茄叶片样本的分类。     

云南番茄地方主栽品种及野生种的遗传多样性研究

 用RAPD技术检测了27份番茄材料的遗传多样性,并对其进行了聚类分析。结果表明,番茄各栽培品种之间的遗传背景十分狭窄,在使用的11条随机引物对番茄基因组DNA进行的RAPD检测中,共产生125条DNA谱带,其中9条带为特征带,14条为27个品种（其中1个为野生种）的共显带,多态带为86条,多态率为68.8%. 供试品种被划分为6大类群,其分类与形态学上的分类基本一致。     

基于高光谱成像的苹果损伤检测方法研究

【目的】研究苹果损伤高光谱特征,建立基于高光谱成像的苹果损伤区域最佳分类模型,为实时、快速、准确地识别苹果损伤提供重要依据。【方法】以北京平谷区收集的苹果样品为研究对象,利用高光谱图像技术检测水果表面机械损伤。利用 390 ~1 000 nm 范围的高光谱图像（HSI）数据,通过比值光谱分析损伤与正常感兴趣区域（ROI）的光谱响应特性,筛选特征波段,并构建较好地突出损伤区域特征的 3 种类型光谱指数：归一化光谱指数（NDSI）、比值光谱指数（RSI）和差值光谱指数（DSI）。在此基础上,优选提取损伤区域能力较强的光谱指数,利用迭代自组织数据分析（ISODATA）无监督据聚类算法提取苹果损伤区域。【结果】当苹果表面受到损伤时,光谱反射率变化显著。波段优化后发现,528、676 nm 的反射率可以有效识别异常区域。基于选定的特征波段,构建苹果损伤检测的识别光谱指数,包括 NDSI、RSI 和 DSI。光谱指数图像的像素值分析发现,损伤区域特征与正常区域特征在各光谱指数（SI）增强图像中区分明显。两类图像特征的 NDSI 像素平均值相差最大、达到 0.629,表明建立的 NDSI 对损伤区域及正常区域特征具有较强的区分能力。利用无监督分类方法 ISODATA 分类,验证了光谱特征指数在检测苹果损伤方面具有较高的特异性,对苹果损伤的检测正确率 达到 92.50%。【结论】研究结果适用于苹果损伤的实时快速检测,为苹果的精准管理生产提供技术基础与参考。     

基于高光谱成像技术的苹果表面轻微损伤检测

为了研究检测苹果表面轻微损伤的有效的方法,以红富士苹果为试验样本,通过高光谱成像采集系统采集苹果样本的高光谱图像,根据正常苹果表面区域和刚损伤、损伤后(3,10,24h)的损伤区域光谱反射率平均曲线得到有效光谱区域;用掩膜法对图像进行背景分割,并基于有效光谱区域做主成分分析,选取第四主成分(PC4)提取损伤区域,运用阈值分割的方法建立提取损伤区域的算法模型;应用该算法模型对正常苹果和损伤苹果进行检测。检测结果表明:正常苹果样本正确检测率达到100%,损伤苹果样本的正确检测率为97.5%,总体检测精确度高达98.75%,说明利用高光谱成像技术可以有效快速检测出苹果表面的轻微损伤。     

一种迁移学习算法在番茄病害检测上的应用

针对当前番茄病害智能识别精度不高、耗时长的问题,提出一种基于Inception-v3和迁移学习相结合的图像分类算法。从试验田中收集8种番茄病害叶片和健康叶片,运用1 000万像素高清扫描仪统一扫描成图像,将图像归类到9种文件夹中,手动标记叶片属性。最后,基于Inception-v3模型结合迁移学习算法对健康和病害叶片进行分类试验,并与传统图像分类算法(KNN、SVM、BP神经网络)和非迁移学习算法进行对比。结果表明,基于Inception-v3模型结合迁移学习算法,在番茄病害图像分类中能够快速有效识别分类生长健康番茄和患病番茄,并且能高效识别番茄病害的种类。其中健康置信度达0.9760,病害种类平均置信度达0.929 7,可为番茄病害检测和防治提供支持。     

基于图像和YOLOv3的番茄果实表型参数计算及重量模拟

为了便捷准确地计算番茄果实长度、宽度和投影面积表型参数并模拟果实重量,以番茄粉冠F₁为试验材料,利用YOLOv3深度学习模型检测和裁切番茄果实图像,利用像素计算来分割番茄果实区域,将计算果实区域的6个特征参数输入线性回归模型、BP神经网络模型、支持向量机(SVM)模型中反演果实重量,以期从图像中获取番茄果实表型参数及重量模拟结果。结果表明,YOLOv3模型对番茄果实检测的平均精确度(AP)为90.06%;用果实长度、宽度、投影面积计算的平均相对误差分别为3.37%、5.65%、5.49%;用线性回归模型、BP神经网络模型、SVM模型模拟得到的果实重量的平均相对误差分别为44.68%、17.38%、6.45%。研究结果证实,从图像处理中获取番茄果实长度、宽度、投影面积表型参数是可行的,SVM模型对番茄果实重量的模拟精度较高。     

基于matlab的番茄果实串检测提取

以自然环境下的番茄果实串作为研究对象。通过果实的颜色特征选择RGB模型,分别提取出R、G、B各颜色分量的灰度图,确定多组图像中番茄串目标区域的各颜色分量均值。通过分析确定用R-G色差分量进行大津法(Otsu)阈值分割,然后利用形态学闭运算处理果实串的二值图。利用初步处理后的图像进行颜色反转求最大连通域,再重新将颜色反转得到完整的果实串连通区域,并结合Canny边缘检测算子实现番茄果实串边缘轮廓的提取,轮廓上的极值坐标作为外接矩形边框。计算轮廓区域内各像素点坐标之和除以轮廓内总像素数得到果实串的形心坐标。试验表明,该方法对番茄果实串有较好的处理能力,具有通用性。     

基于计算机视觉的香梨损伤自动检测与分类研究

为了提高香梨损伤检测与分类的准确率和效率,综合运用计算机视觉技术、人工神经网络技术,实现香梨损伤的自动检测与分类。首先,通过计算机视觉系统获取香梨图像,利用图像处理去除噪声、图像分割,归一化等多种基本图像处理的方法对香梨损伤图像进行了处理。通过提取三种特征及八个特征参数,采用BP算法训练的多层前向人工神经网络对香梨的损伤进行分类。并对结果进行分析,另外研究了香梨缺陷果和正常果的分类。     

基于深度学习网络实现番茄病虫害检测与识别

为利用计算机或人工智能技术协助番茄病虫害防治，以存在病虫害侵害问题的番茄植株图像为研究对象，针对番茄病虫害目标小而密的特点提出基于Swin Transformer的YOLOX目标检测网络，用于精确定位图像中的病虫害目标，并采用基于经典卷积神经网络构建的旋转不变Fisher判别CNN分类网络，以此提高病虫害分类的准确率。结果表明:1)将测试结果与传统的目标检测模型和分类模型作对比，基于Swin Transformer的YOLOX网络在番茄病虫害测试集上的精确度比Faster R-CNN和SSD分别高了7.9%和9.5%，旋转不变Fisher判别CNN对病虫害类别的识别准确率与AlexNet、VGGNet相比分别提升了8.7%和5.2%；2)与基于Transformer的目标检测模型DETR和近年来新兴的图像分类模型Vision Transformer(ViT)在番茄病虫害测试集上的结果相比较，本研究的检测和分类方法也存在优势，病虫害检测精度和分类准确率分别提高了3.9%和4.3%。此外消融试验也证明了本研究方法改进的有效性。总之，本研究所构建的网络在番茄病虫害的目标检测和分类识别方面的性能优于其他网络，有助于提升番茄病虫害的防治效果，对计算机视觉在农业领域的应用具有重要意义。     

Predictions of apple bruise volume using artificial neural network

Bruise damage is a major cause of fruit quality loss. Bruises occur under dynamic and static loading when stress induced in the fruit exceeds the failure stress of the fruit tissue. In this article the potential of an artificial neural network (ANN) technique has evaluated as an alternative method for the prediction of apple bruise volume. Neural bruise estimation models were constructed to calculate Golden Delicious apple bruise volume with respect to fruit properties. The neural models were built based upon impact force and impact energy as the main input parameters including fruit curvature radius, temperature and acoustical stiffness. Optimal parameters for the network were selected via a trial and error procedure on the available data. In this paper, the performance of Basic Backpropagation (BB) training algorithm was also compared with Backpropagation with Declining Learning Rate Factor algorithm (BDLRF). It was found that BDLRF has a better performance for the prediction of apple bruise volume. It is concluded that ANN represents a promising tool for predicting apple bruise volume in comparison to regression model.     

基于图像融合特征的番茄叶部病害的识别

为了提高基于数字图像识别番茄叶部病害的准确率,适应不同分辨率条件下的应用需求,并满足实践拍摄条件的不确定性,以番茄晚疫病、花叶病、早疫病叶片图像为研究对象,选择HSV模型中的4维H分量等量分割波段作为颜色特征,基于灰度差分统计的均值、对比度和熵3维特征作为纹理特征,融合7维特征向量作为支持向量机(SVM)分类器的输入,用粒子群算法(PSO)优化SVM模型参数。试验结果表明,融合灰度差分统计与H分量4维特征的病害识别模型准确率可达90%。     

基于摆动冲击试验的青香蕉碰撞损伤敏感性评估

目的 评估一束适收期青香蕉果穗内梳层节点、节点嵌套的内外排层、果指表面区域和冲击水平对果实碰撞损伤敏感性的影响,为后续生产处理环节中确保果指质量的针对性防护提供参考。方法 嵌套、单因素和正交试验设计结合单因素及多因素方差分析,确定显著影响果实碰撞损伤敏感性的因素及主次关系。设计和搭建摆动冲击试验台,开展果实的碰撞损伤试验。通过测量碰撞部位的损伤体积和吸收能量,计算果实的碰撞损伤敏感性(单位吸收能量下的损伤体积)。结果 嵌套试验结果表明：梳层节点对损伤敏感性无显著影响;节点嵌套的排层对其影响极显著;根据多重比较分析结果节点嵌套排层的14个水平可分为4组。单因素试验结果表明：果指表面区域对损伤敏感性的影响极显著,近果顶端>果指中部>近果柄端;损伤敏感性随冲击水平的提高而显著增加。正交试验结果表明：影响果实碰撞损伤敏感性各因素的主次顺序为冲击水平>生长位置>果指表面区域。结论 一束香蕉梳层节点嵌套的内外排层及果指表面不同区域的碰撞损伤敏感性具有统计意义上的差异。     

农杆菌介导gag基因和gp120基因转化番茄的初步研究

以4个番茄品种为材料，通过对子叶和茎段培养，建立了番茄组织培养的再生体系，为番茄的遗传转化提供了良好的受体系统；通过农杆菌介导，初步将HIV—l的gag基因、apl20基因和gag-apl20嵌合基因导入番茄，得到了抗性转化再生植株，再生植株PCR检测结果呈阳性，从而建立了良好的番茄遗传转化体系。     

Automatic Identification of Tomato Maturation Using Multilayer Feed Forward Neural Network with Genetic Algorithms （GA）

We set up computer vision system for tomato images. By using this system, the RGB value of tomato image was converted into HIS value whose H was used to acquire the color character of the surface of tomato. To use multilayer feed forward neural network with GA can finish automatic identification of tomato maturation. The results of experiment showed that the accuracy was up to 94%.     

苹果碰撞损伤预测模型的研究

通过苹果的碰撞损伤试验，分析了损伤体积与吸收能量、最大加速度、衬垫厚度、碰撞时间等因素之间的关系，论述了建立苹果碰撞损伤预测模型的可能性。研究表明，以苹果碰撞的加速度历程和碰撞参数为基础的多元线性回归模型可以预测其损伤体积。     

不同基因型马铃薯块茎损伤性状的综合评价

 【目的】筛选马铃薯块茎耐损伤种质,为损伤相关研究及育种提供理想材料。【方法】选用104份马铃薯品种（系）,了解其表皮擦伤、内部损伤和损伤变色3个损伤指标并进行主成分、聚类和多元方差分析。【结果】主成分分析得到的主成分的特征向量值,表皮擦伤远大于内部损伤,内部损伤大于损伤变色。系统聚类分析把104份马铃薯品种（系）分为6个类群,类群间的3种损伤性状存在显著差异。【结论】3种损伤对块茎整体损伤的影响程度为：表皮擦伤>内部损伤>损伤变色,而且得到块茎整体损伤耐性理想的品种（系）类群。简化了损伤性状的研究,为后续的损伤性状研究提供了理想材料。     

Remote Sensed Spectral Imagery to Detect Late Blight in Field Tomatoes

Late blight, caused by the fungal pathogen Phytophthora infestans, is a disease that quickly spreads in tomato fields under suitable weather conditions and can threaten the sustainability of tomato farming in California, USA. This paper explores the applicability of remotely sensed images to detect disease spectral anomalies for precision disease management. We used the indices approach and generated a 5-index image that we used to identify the disease in tomato fields based on information from field-collected spectra and linear combinations of the spectral indices. Field results indicated that we were able to identify five clusters in the image space with small overlaps of a few clusters. Using the identified 5-cluster scheme to classify the tomato field images, we were able to successfully separate the diseased tomatoes from the healthy ones before economic damage was caused. Hence, the method based on a 5-index image may significantly enhance the capability of multispectral remote sensing for disease discrimination at the field level.     

Using hyperspectral imaging to discriminate yellow leaf curl disease in tomato leaves

This paper investigated the possibility of discriminating tomato yellow leaf curl disease by a hyperspectral imaging technique. A hyperspecral imaging system collected hyperspectral images of both healthy and infected tomato leaves. The reflectance spectra, first derivative reflectance spectra and absolute reflectance difference spectra in the wavelength range of 500–1000 nm of both background and the leaf area were analyzed to select sensitive wavelengths and band ratios. 853 nm was selected to create a mask image for background segmentation, while 720 nm from the reflectance spectra, four peaks (560, 575, 712, and 729 nm) from the first derivative spectra and, four wavelengths with higher values (586, 720 nm) and lower values (690, 840 nm) in the absolute difference spectra were selected as a set of sensitive wavelengths. Four band ratio images (560/575, 712/729, 586/690, and 720/840 nm) were compared with four widely used vegetation indices (VIs). 24 texture features were extracted using grey level co-occurrence matrix (GLCM), respectively. The performance of each feature was evaluated by receiver operator characteristic (ROC) curve analysis. The best threshold values of each feature were calculated by Yonden’s index. Mean value of correlation (COR_MEAN) extracted from the band ratio image (720/840 nm) had the best performance, whose AUC value was 1.0. The discrimination result for a validation set based on its best threshold value was 100%. This research also demonstrated that multispectral images at 560, 575 and 720 nm have a potential for detecting tomato yellow leaf curl virus infection in field applications.     

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。