农田图像绿色植物自适应分割方法

为了适应不同农田地块自然图像颜色特征固有的差异性,从土壤背景中准确分割出各种绿色植物目标,设计了一种自适应分割方法。首先利用初始有标签训练样本获得支持向量机分割模型,然后根据K均值聚类算法自动从待分割图像中提取无标签训练样本,与有标签训练样本组成混合训练样本集。而后在混合样本集基础上,使用直推式支持向量机训练方法得到新的有标签训练样本集,挖掘出待分割图像颜色特征的分布信息。最后,利用这些新的有标签样本在线自适应更新分割模型。农田图像试验结果显示,该方法可以提高分割模型的针对性,有效地增强了分割过程适应农田自然图像颜色特征差异性的能力。     

基于改进全卷积网络的棉田冠层图像分割方法

针对传统的全卷积网络分割精度低、效果差等问题,该文提出一种结合条件随机场的改进全卷积网络棉田冠层图像分割方法。首先通过提取和学习图像特征对全卷积网络进行训练以优化其分割性能,得到初步分割结果和训练后的全卷积网络模型;接着将初步分割结果以像素和像素对应的分类向量形式输入到条件随机场中,同时结合像素间相对关系构建能量函数再进行训练,对初步分割结果进行优化得到训练后的条件随机场模型;进而通过验证过程对全卷积网络和条件随机场模型参数进一步调优,得到最优的全卷积网络和条件随机场;最后结合最优的全卷积网络和条件随机场实现棉田冠层图像分割并进行试验。试验结果表明:该方法的平均像素准确率为83.24%,平均交并比为71.02%,平均速度达到0.33 s/幅,与传统的全卷积网络分割性能相比分别提升了16.22和12.1个百分点,改进效果明显;与Zoom-out和CRFas RNN(conditional random fields as recurrent neural networks)分割方法进行对比,平均像素准确率分别提升了4.56和1.69个百分点,平均交并比分别提升了7.23和0.83个百分点;与逻辑回归方法和SVM(support vector machine)方法进行对比,平均像素准确率分别提升了3.29和4.01个百分点,平均交并比分别提升了2.69和3.55个百分点。该文方法在背景复杂、光照条件复杂等环境下可以准确分割出冠层目标区域,鲁棒性较好,可为棉花生长状态自动化监测提供参考。     

基于数码相机的水稻冠层图像分割及氮素营养诊断

利用数码相机对作物进行快速准确的营养诊断,需要对图像中作物冠层部分与非冠层部分进行有效的分割。该文依据绿色植被和土壤在可见光区域反射光谱的差异,提出了根据数字图像绿色通道和红色通道差值的大小设定阈值对图像进行分割的方法。阈值设定为10～20之间时对水稻冠层图像有较好的分割效果,拔节期和孕穗期获得最佳图像分割效果的阈值分别为10与20。分割后图像中提取的特征参数与SPAD值、叶片含氮量等指标间具有良好的相关关系,其中红光标准化值NRI与两者间的相关系数达到-0.87和-0.65。该方法能准确地分割水稻冠层图像,且简便易行,对绿色植被的图像分割具有普适性,有较高应用价值。     

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。     

水稻冠层光谱反射特征及其与叶面积指数关系研究

在水稻试验小区,通过人为控制的方法造成施N水平的差异,对水稻整个生长期内冠层光谱进行了比较系统、密集的测定,并测定了水稻几个重要生育期的叶面积指数。结果表明:随着施N水平的提高,水稻冠层光谱在各生育期呈现出一定的规律性,在近红外部分(760 ~ 1220 nm),冠层光谱反射率随着施N水平的提高而升高,而在可见光部分(460 ~ 710 nm),水稻冠层的光谱反射率反而逐渐降低。冠层光谱经差异显著性检验发现:水稻灌浆期以前,对施N水平最为敏感的波段是绿光(560 ~ 610 nm)和近红外(710 ~ 760 nm)部分;转换为归一化植被指数(NDVI)以后,差异最显著的是 (R760 - R560) / (R760 R560)。对叶面积指数与冠层光谱反射率的相关分析结果表明:在水稻抽穗期以前,叶面积与冠层光谱反射率相关性较差;而抽穗期以后,二者有较好的相关性。     

基于支持向量机的玉米根茬行图像分割

玉米根茬行的准确识别是实现玉麦轮作机器视觉式小麦自动对行免耕播种技术的前提。针对华北一年两熟区联合收获机玉米留茬收获后根茬行较难准确分割的问题,该研究以直立玉米根茬为研究对象,提出一种基于支持向量机（Support Vector Machine,SVM）的玉米根茬行分割方法。首先,利用主成分分析（Principal Components Analysis,PCA）对提取的目标（直立根茬）与背景（行间秸秆及裸露地表）的颜色和纹理特征进行分析,优选出21个特征,构成特征向量作为训练直立根茬SVM识别模型的输入;然后,根据图像坐标设置图像中间包含完整玉米根茬行的矩形区域为感兴趣区域（Region of Interest,ROI）;最后,使用训练好的直立根茬SVM识别模型以25×25（像素）的窗口在ROI内滑动检测,采用阈值法分割根茬行并通过形态学处理优化得到最终的玉米根茬行二值图像。利用在农业农村部河北北部耕地保育农业科学观测实验站采集的100幅玉米根茬行图像进行试验,结果表明,本文方法对于不同行间秸秆覆盖量和不同光照条件下的根茬行分割表现出较好的准确性和鲁棒性,直立根茬平均识别准确率、平均分割准确率、平均召回率、平均分割准确率与平均召回率的加权调和平均值（F1avr值）分别为93.8%、93.72%、92.35%和93.03%,每幅图像的平均分割时间为0.06 s,具有较好的实时性。基于SVM的分割方法可实现联合收获机玉米留茬收获后根茬行图像的分割,为下一步检测玉米根茬行直线并将其作为导航基准线进行视觉导航的研究提供良好基础。     

氮磷互作水稻冠层氮素敏感光谱筛选研究

基于连续两年的水稻氮磷互作盆栽试验,于水稻拔节、抽穗、灌浆等主要生育时期同步测定了冠层反射光谱和水稻植株总氮含量,系统分析了350~1 330 nm波段范围内任意两波段组合而成的差值(DVI)、比值(RVI)及归一化(NDVI)光谱指数与植株总氮含量的关系,筛选了可用于氮磷互作环境下的最佳光谱指数,建立了估算模型,并与已有的水稻氮光谱反演指数进行了比较。结果表明:氮磷交互下水稻冠层光谱受氮素的影响明显高于磷素,呈现随施氮量的增加可见光区反射率下降,近红外区上升的规律;但对磷肥的响应受施氮水平的影响,施磷在缺氮情况下提高了可见光区和近红外区的反射率,不缺氮情况下却使可见光区反射率降低。与植株总氮含量相关性较好的波段组合基本不受植被指数构造形式的影响,表现较为稳定,主要分布在近红外(780~1 330 nm)/可见光(750~770 nm)区域、红边(640~700 nm)区域和可见光(450~500 nm)区域。但施磷与不施磷处理的总氮光谱指数敏感波段组合区域有所变化,施磷处理的敏感区域要小于不施磷处理,且相关性决定系数有所降低。存在对施磷不施磷处理都比较敏感的光谱指数区域,拔节、抽穗和灌浆期分别以RVI(FD719,FD740),NDVI(FD419,FD552),DVI(FD707,FD713)表现最佳,建模决定系数分别为0.87、0.80、0.87,几乎不受氮磷交互作用的影响,验证模型均方根误差分别为1.98、3.68、3.47。已有的氮光谱反演参数中则以m ND705、PRI、NDVI705表现最好,但其预测精度明显受磷肥作用的影响,尤其是在拔节期,不施磷处理下的精度要远低于施磷处理,且整体精度均低于本研究新选的氮光谱指数。因此,氮磷互作对水稻氮光谱反演指数的波段组合及预测精度产生影响,要提高氮素光谱诊断精度,需要根据情况选择适宜的光谱指数。     

植物冠层对氨的吸收研究进展

植物冠层吸收大气中的NH3是植物与大气NH3交换的一个主要过程。本文对植物冠层吸收NH3的吸收机理、研究方法和影响因素、以及大气NH3浓度升高对植物N循环的影响进行了总结,对植物冠层吸收NH3研究中存在的问题进行了讨论,并介绍了水稻冠层吸收施肥后挥发NH3的最新研究结果。     

不同浓度镉胁迫下水稻冠层光谱特征及其预测评价

以南粳44和两优培九两个水稻品种为材料,通过盆栽试验,研究了不同浓度镉胁迫下水稻冠层光谱特征及植株各器官镉含量间的定量关系。结果表明,两水稻品种整株、茎、叶和穗各器官镉含量均随着镉胁迫处理浓度的增加而加大,且茎中含量最高;不同浓度镉污染胁迫下的水稻冠层反射光谱曲线在可见光红光波段也存在差异,随着镉处理浓度增大,光谱曲线反射值降低,去除包络线后归一化深度加大,红边位置在两个品种中有不同程度的红移。通过构建植被指数NDVI（x）与水稻器官中镉含量的多种关系模型,比较了模型预测的显著性,分别构建了适用于两个水稻品种各器官的镉胁迫遥感监测的预测模型,南粳44分别为y整珠=86．207x2-56．633x＋9．7361,y茎=157．65x2-101．89x＋17．317,y叶=21．619x2-14．192x＋2．5283以及y穗_4．701lzz_1．4549x＋0．1628;两优培九分别为y茎=41．495x2-29．34x＋5．1829,y茎=53．364x2-36．778x＋6．3612,y叶=22．981x^2-15．768x＋2．7588,y茎=36．347x^2-25．477x＋4．4473。进而说明,地面高光谱遥感对水稻重金属镉污染及其胁迫水平有较好的响应,可通过水稻冠层光谱的差异性分析,实现水稻镉污染的快速、无损伤探测。     

改进RetinaNet的水稻冠层害虫为害状自动检测模型

中国现行的水稻冠层害虫为害状田间调查方法需要测报人员下田目测为害状发生情况,此种人工调查方法存在客观性差、效率低与劳动强度大等问题。近几年,诸多学者开始利用深度学习方法来识别植物病虫为害状,但大多针对单株或单个叶片上病虫害种类进行识别研究。该研究采集了水稻冠层多丛植株上稻纵卷叶螟和二化螟为害状图像,提出一种改进RetinaNet的水稻冠层害虫为害状自动检测模型。模型中采用ResNeXt101作为特征提取网络,组归一化(Group Normalization,GN)作为归一化方法,改进了特征金字塔网络(Feature Pyramid Network,FPN)结构。改进后的RetinaNet模型对2种害虫为害状区域检测的平均精度均值达到93.76%,为实现水稻害虫为害状智能监测提供了理论依据和技术支持。     

基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割

棉田冠层覆盖度是监测棉田棉花长势的重要指标,针对棉田复杂环境中冠层图像难以准确分割的问题,该文提出了一种基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割方法。首先将棉田冠层图像像素分成叶片冠层和地表背景2类,在HSV颜色空间中分别提取两类像素的H通道值,在RGB颜色空间中分别提取绿色占比值(G/(G+R+B))作为颜色特征;再利用逻辑回归算法确定出各颜色特征的分割阈值,通过H通道分割阈值实现图像的初次分割;再对初次分割结果中的低亮像素使用逻辑回归算法计算出的超绿特征阈值进行低亮像素分割,同时采用绿色占比分割阈值对图像高亮像素及低亮像素分割结果整体实现二次分割,最后采用形态学滤波方法对分割结果进行优化。为评价该分割方法,利用从新疆棉花产区采集到的320幅棉田冠层图像进行试验。结果表明,该方法可在棉田复杂自然背景下,有效分割出棉田冠层区域,平均相对目标面积误差率仅为5.46%,总体平均匹配率达到93.07%;优于超绿特征OTSU分割方法(平均相对目标面积误差率11.78%,总体平均匹配率76.43%)、四分量分割方法(平均相对目标面积误差率24.11%,总体平均匹配率71.67%)、显著性分割方法(平均相对目标面积误差率36.92%,总体平均匹配率66.92%)。该方法的平均处理时间为4.63 s,相对于超绿特征OTSU法(3.84 s)和四分量分割法(2.56 s),耗时多一些,但与显著性分割法(6.25 s)对比,花费时间要少。研究结果可为棉田自然复杂环境下机器视觉技术监测棉花覆盖度提供一种有效途径。     

基于高光谱技术的菌落图像分割与计数

在平板菌落计数过程中,菌落与背景区域类似的颜色会干扰菌落的准确计数。为了准确测定细菌数,该研究利用高光谱图像技术捕捉成分差异引起的菌落与背景区域光谱特征,并结合化学计量学方法对平板的菌落进行分割并实现计数。采集枯草芽孢杆菌菌落平板的高光谱图像,提取菌落、背景区域的高光谱信息;利用遗传算法结合最小二乘支持向量机建立菌落区域/背景区域判别模型;随后,将菌落平板高光谱图像中每一个像素点对应的光谱信息代入判别模型以判断属于菌落的区域,模型的识别率为97.22%;最后,利用特征波段下的高光谱图像实现菌落的分割及计数,计数平均相对误差值为4.2 %,用时约为10 min。相比较于计算机视觉计数法,菌落计数法的平均相对误差降低了49.4%,结果表明建立的方法有望成为一类新的准确平板菌落计数方法。     

棉花异性纤维图像在线分割方法

图像分割是基于机器视觉检测棉花中异性纤维含量的关键技术。棉花图像的背景（棉花纤维）简单,灰度服从正态分布,目标（异性纤维）一般都比背景暗,但是细小且灰度分布方差大。该文有针对性地提出一种背景估计阈值BET（Background Estimation Thresholding）方法对棉花图像进行分割,并选择3类典型棉花图像样本与Otsu方法进行了对比试验。BET方法能得到更好的分割结果,并且算法速度快,100万次分割耗时仅8.46 s。试验结果表明该方法简单有效,速度快,可应用于大批量棉花异性纤维的实时在线     

基于多光谱图像融合和形态重构的图像分割方法

一些成熟的瓜果果实在单一的光谱图像中,果与叶的灰度值只存在微小差异,常用的图像分割方法不足以把果与叶区分开,为此,提出一种基于多光谱图像融合的形态学重构分割方法。首先,采集同一目标的可见光彩色图像和近红外图像,对此多光谱图像分别采用主成分分析（PCA）、小波变换以及可见光图像H分量与近红外图像NIR的算术组合（NIR/H）等方式进行融合处理;然后,对融合图像进行形态学重构分水岭分割。多幅苹果和番茄图像的目标提取试验结果表明,对可见光图像和近红外图像的PCA和小波变换融合图像进行形态学重构分水岭分割,可以得到较好的分割效果,尤其是小波变换融合图像的形态学重构分水岭分割效果更具有自适应性。     

基于空间特征谱聚类算法的含噪苹果图像优化分割

为了减少噪声对苹果采摘机器人的目标识别所带来的影响,对含噪苹果图像的分割方法进行了研究。该研究设计一种针对噪声具有鲁棒性的苹果图像分割方法,首先计算苹果图像的三维空间特征点的紧致性函数,用以构造邻近点的相似矩阵实现苹果图像的去噪效果;再利用离群点矩阵拆分并由其他剩余列向量线性表示,对相似矩阵进行离群点调优实现聚类优化,进而提出基于空间特征的谱聚类含噪苹果图像分割的优化算法,旨在提高分割算法的效率和识别准确率。通过对两幅苹果图像添加不同程度的高斯和椒盐噪声（方差分别为0.01、0.05和0.1的高斯噪声和概率为0.01、0.05和0.1的椒盐噪声）进行试验,分别求出谱聚类方法、基于空间特征的谱聚类方法和该文优化方法的苹果目标图像的分割图,并计算三类方法的分割准确率。该文优化方法对于单个苹果受不同噪声影响下的分割准确率均在99%以上,对于重叠苹果的分割准确率均在98%以上,对于所选取的30幅苹果图在方差为0.05的高斯噪声和概率为0.01的椒盐噪声影响下的平均分割准确率为99.014%。结果表明：谱聚类方法受噪声的影响较大;基于空间特征的谱聚类方法的分割效果受噪声的影响较小,但在边界区域仍然有很多错分的像素;优化方法在边界区域的分割要优于基于空间特征的谱聚类方法;在设定的试验条件下,其分割结果准确率相对于基于空间特征的谱聚类方法和传统的谱聚类方法可分别提高5%～6%和9%～25%。在分割效率方面,该文优化方法的分割时间低于传统的谱聚类算法,且与基于空间特征谱聚类方法接近。研究结果为苹果采摘机器人的快速目标识别提供参考。     

皮棉中地膜的高光谱图像分割方法

混入棉花中的地膜大部分是透明的或者颜色与棉花相近,使用传统的视觉检测方法很难对其进行检测。针对此问题,采集了地膜的高光谱图像,结合光谱分析与图像处理技术,提出一种地膜的高光谱图像分割方法。首先提取地膜的平均光谱数据,经过去除噪声波段、多项式卷积平滑(Savitzky-Golay,SG)、标准正态变量(standard normal variate,SNV)变换等操作后,使用偏最小二乘回归(partial least squares regression,PLSR)分析方法优选出4个最优波段,分别为560.3、673.9、716.9和798.8 nm;然后提取出4个波段对应的图像,分别进行两次图像融合,并对融合后的图像进行阈值分割、中值滤波操作;最后对处理后的图像再次进行图像融合,并移除小目标得到最终结果。为验证该方法,采用面积交迭度(area overlap measure,AOM)、误分率(misclassified error,ME)和识别率(recognition accuracy)对分割结果进行客观评价分析,结果表明该方法能较好地完成对地膜图像的分割,可为后续的地膜特征提取和自动识别打下良好的基础。