基于图像处理的茶叶害虫智能识别方法研究

针对人工方法识别田间茶叶害虫需人工深入田间,不仅劳动强度大,而且无法自动定位与识别,不利于茶叶植保时施药的机械化、高效化及智能化的问题。本研究对基于图像处理技术的茶叶害虫智能识别技术及实现方法进行了研究。首先,建立覆盖茶园中各种情况的害虫样本图像库;其次,对样本图像和待识别图像进行图像预处理;接着,对待识别图像进行害虫自动定位;然后,对其进行特征提取获得特征数据;最后,采用模式识别算法设计分类器并训练获得分类器模型,再采用该模型进行害虫智能识别。本研究对各步骤进行了阐述,为茶叶害虫智能识别的实现提供了方法指导,以促进茶叶植保实现施药的机械化、高效化及智能化。     

基于Faster R-CNN网络的茶叶嫩芽检测

为有效识别茶叶嫩芽提高机械采摘精度、规划采摘路线以避免伤害茶树,针对传统目标检测算法在复杂背景下检测精度低、鲁棒性差、速度慢等问题,探索了基于Faster R-CNN目标检测算法在复杂背景下茶叶嫩芽检测方面的应用。首先对采集图像分别进行等分裁切、标签制作、数据增强等处理,制作VOC2007数据集;其次在计算机上搭建深度学习环境,调整参数进行网络模型训练;最后对已训练模型进行测试,评价已训练模型的性能,并同时考虑了Faster R-CNN模型对于嫩芽类型(单芽和一芽一叶/二叶)的检测精度。结果表明,当不区分茶叶嫩芽类型时,平均准确度(AP)为54%,均方根误差(RMSE)为3.32;当区分茶叶嫩芽类型时,单芽和一芽一叶/二叶的AP为22%和75%,RMSE为2.84;另外剔除单芽后,一芽一叶/二叶的AP为76%,RMSE为2.19。通过对比基于颜色特征和阈值分割的茶叶嫩芽识别算法(传统目标检测算法),表明深度学习目标检测算法在检测精度和速度上明显优于传统目标检测算法(RMSE为5.47),可以较好地识别复杂背景下的茶叶嫩芽。     

计算机图像处理技术在茶叶品质区分中的应用

随着社会主义市场经济体制的建立和发展,企业对于茶叶产品的品质越来越重视。只有不断提高茶叶产品的品质,才能在激烈的市场竞争中立于不败之地。在茶叶品质区分中运用计算机图像处理技术,能帮助企业树立良好的形象。文章探讨了计算机图像处理技术的基本内容及发展前景,并对计算机图像处理技术在茶叶品质区分中的应用进行了分析。     

基于阈值分割法的茶叶嫩芽识别研究

嫩芽识别是实现名优茶智能采摘的前提,因此,利用数码相机采集了清明时期贵州大学和贵州农科院茶园茶叶图像,并以茶叶图像为对象,研究了茶叶嫩芽的识别方法。首先对1KGB颜色模型的色差法（R—B）进行分析,然后以该算子为分割分量,对比研究了多种阈值分割法的优缺点和分割效果。试验结果表明,所研究的分割方法都能有效区分嫩芽和背景,其中ostu法和迭代阈值法的识别效果较好,嫩芽识别准确率为90％左右。     

基于颜色和形状特征的茶叶嫩芽识别方

与人工采摘茶叶相比,现有采茶机械虽能提高采摘速度,但采摘时老叶、嫩叶一起采,缺乏选择性,并有部分叶片遭破损,降低了原料品质.为此,需要研究具有选择性、低损伤率的自动采摘方法.本文采用基于颜色和形状特征的图像处理方法,实现茶叶嫩芽的计算机识别和检测.针对清明期陕西名茶"午子仙豪"茶叶,首先在RGB颜色空间中提取茶叶图像的G分量,并采用双阈值方法对图像进行分割;然后根据茶叶嫩芽的形状特征,检测茶叶嫩芽的边缘.实验结果表明:基于颜色和形状特征的识别方法能有效分辨出茶叶嫩芽,识别准确率为94%,为实现茶叶嫩芽的自动采摘提供了一种有效方法.     

基于图像处理的杂草叶片识别参数研究

杂草种类繁多、危害严重,对杂草种类进行精确识别,可以提高除草效率,减少除草剂使用量,降低其对环境的污染.为此,应用图像处理的有关技术,以杂草叶片为研究对象,以形态、纹理和颜色特征相结合的方法来描述杂草叶片信息,提出了共16个特征参数可对杂草叶片信息进行精确描述,该特征参数可区别不同种类的杂草,为农药的精确投放和现代施药装备的开发奠定基础.     

基于图像处理的甘蔗茎节识别与定位

为实现含有蔗芽的有效蔗种片段机器智能切断,运用图像处理技术对甘蔗茎节进行识别定位。通过背景转换、灰度级变换、中值滤波和自动阈值获取甘蔗的二值化图像;采用阈值和孔洞填充实现甘蔗区域的分割,通过regionprops函数测定该区域的质心、倾角和等效长短轴长度;以分割后的甘蔗图像对二值化图像掩膜,得到含有茎节和干扰信息的图像;对该图像进行旋转,计算每列像素值之和,统计分析最大值所在列,并结合质心、等效长短轴得到茎节上下端点坐标;以倾角的度数进行反向旋转,最终得到茎节位置。试验结果表明:甘蔗茎节识别与定位方法处理速度快,茎节识别率高,左右端的定位误差分别小于0.9 mm和2.4 mm。     

基于图像处理的香蕉成熟度检测系统

许多研究结果表明,水果损失主要集中在采摘、包装、保存等环节,达到近三分之一,其中一个重要的原因为不同成熟度的水果相互混杂。因而,区分水果的成熟度并进行筛选加工处理,对于提升水果等级、改善水果品质有重要意义。本文应用MATLAB图像处理技术对香蕉成熟度进行检测,系统通过摄像头拍取图片或者在给定的图片中分割出香蕉图片,然后对香蕉图片进行二值化和滤波等分析处理,最后依据香蕉的色素组成检测出不同成熟度的香蕉。     

基于Faster-RCNN深度学习的茶叶嫩芽多维度识别及其性能分析

茶叶嫩芽自动识别分类是实现采茶机器人精采名优茶的关键技术。由于茶叶嫩芽与背景中茶叶差别很小,且茶叶嫩芽形状多样,有一芽一叶和一芽二叶等多种形式,给自动识别带来很大难度。基于Faster-RCNN深度学习神经网络模型多维度进行茶叶嫩芽识别。首先对网络性能进行分析,选取较优的网络模型;在此基础上,研究一幅图像中包含嫩芽的不同数量、形态、拍摄角度、光照条件多维度对识别性能的影响。结果发现,光照条件和拍摄角度对嫩芽识别影响较大。所采用的Faster-RCNN深度学习模型对45°角度拍摄、晴天环境下单株集中一芽两叶的茶叶嫩芽识别效果最佳,同时阴天和90°拍摄时识别效果较差。研究为后续实现机器人现代化智能化的名优茶精采提供了技术支持。     

基于图像处理的大米粒形检测技术研究

传统的大米颗粒检测的方法存在一定的局限性,尝试应用计算机图像处理技术来直接获得大米颗粒的信息.首先对获取的大米图像进行增强处理,在此基础上,研究几种不同的边缘检测算子来实现对大米粒形的检测并比较其结果.实验结果表明,Canny算子对大米粒形检测效果良好,该方法用于大米粒形的识别时对大米的判定正确率较高.     

基于图像处理技术的作物叶片检测模型研究

计算机图像处理技术在农业上的应用,目前越来越受到人们的重视。作物叶片检测也是图像处理的基本内容。为此,主要研究了作物叶片虚拟检测模型,对作物叶片虚拟检测模型的流程和功能进行了介绍;同时,对作物的生长信息进行表现、组织和管理,形象和精确地帮助人们采取合理的生产措施,为作物的产量预报和管理提供科学的依据。     

鸭蛋品质检测分级系统中的图像处理

在鸭蛋品质检测分级系统中,图像处理问题涉及边缘检测和边缘模糊矫正两大方面。对于边缘检测采用常规的灰度不连续理论,选用Sobel算子对成像区域进行从上至下、从左至右的矩阵搜索;用最小值滤波法解决边缘模糊矫正。研究和实践表明,经过处理后的图像在颜色和大小上与静止时的图像一致。     

基于图像处理的雾滴检测技术

通过模拟田间实际喷雾情况,利用图像采集系统采集雾滴图像,对其进行增强和分割等预处理,并对粘连雾滴提出用改进的分离粘连雾滴算法进行了分离处理.基于相同样本,用图像处理方法获得的雾滴粒径分布及覆盖率等参数与激光粒度仪测量结果的对比分析表明,利用图像处理技术检测雾滴分布参数,其测量误差在6%以内.     

玉米籽粒形状特征检测技术研究——基于图像处理

玉米籽粒形状特征是玉米品质和品种判定的重要依据,利用机器视觉代替人的视觉对玉米籽粒品种或品质的自动检测是发展的必然趋势。为此,通过图像获取、颜色空间转换、图像分割、形态学处理、单籽粒图像的定位和拾取、特征参数提取等步骤实现了对玉米籽粒图像的特征提取。所采用的算法简洁、有效,对下一步玉米籽粒的自动检测工作具有重要的实际意义。     

基于图像处理技术的叶面积检测研究

介绍了基于图像处理技术的叶面积检测法.从单片叶面积检测、病虫害损伤叶分析与面积检测、植株总叶面积检测3个方面综述了国内外图像处理技术在叶面积检测中的研究进展情况,并指出了应用图像处理技术检测叶面积还需进一步解决的问题.     

基于单目视觉与超声检测的振荡果实采摘识别与定位

针对采摘机器人在果实振荡情况下因难以精确定位影响采摘效率的问题,提出了一种基于单目视觉与超声检测的振荡果实识别与定位方法。首先对采集的振荡果树图像序列进行基于色差R-G的Otsu阈值分割和形态学处理,接着对图像果实区域进行灰度填充,将处理后的图像序列叠加得到复合图像和目标果实运动区域,求取振荡果实在图像运动区域的二维平衡位置坐标。然后机械手在视觉引导下运动,其末端指向振荡果实二维平衡位置坐标,同时超声传感器检测目标果实深度信息并提取超声回波信号峰峰值进行果实识别,当检测到果实处于适合采摘位置时,机械手爪抓取果实。采摘试验表明,采摘成功率为86%,验证了所采用方法的有效性,为实现采摘机器人实用化提供了参考。     

基于图像处理的田间杂草识别研究进展与展望

杂草是导致农作物减产的一个重要因素,准确的识别是杂草治理的前提和基础,随着计算机和信息技术的进步,机器视觉和图像处理相结合成为了当前杂草检测和识别的主流方法。本文从图像的预处理、分割、特征提取和分类4个角度,详细介绍了当前国内外田间杂草识别的研究进展以及各种分割、提取、识别方法的优缺点。另外,针对目前田间杂草检测中存在的光照环境影响、叶片的遮挡和重叠以及分类器的优化等问题进行了分析和讨论,最后根据目前杂草识别的研究趋势提出了建议与展望。     

基于图像处理和BP神经网络的玉米叶部病害识别

为快速诊断识别玉米叶部病害,及时采取防治措施,提高玉米产量,本文将图像处理技术和BP神经网络算法引入到玉米叶部病害识别诊断中。对田间采集的玉米叶部病害样本图像进行背景去除、灰度化处理、阈值分割、噪声去除等预处理操作,实现叶部病害图像的分割;通过提取病害图像颜色特征和形状特征的17个参量,作为BP神经网络的输入,实现了玉米叶部常见六种病害的分类识别。实验结果表明,6种玉米叶部病害的平均识别率为93.4%,取得较好的识别效果,具有一定的实用价值。     

基于嗅觉可视化与图像处理的食醋醋龄检测

应用基于色敏传感器阵列的嗅觉可视化系统对不同醋龄的食醋进行鉴别。运用系统的图像处理模块,比较了不同方法对目标图像的中心点定位和特征区域选取的影响。尤其在基于不同颜色空间提取特征值方面,对比了RGB、HSV、Lab颜色空间,结果表明Lab的效果最好。利用3种颜色空间中获得的特征数据并结合主成分分析(PCA)和线性判别分析(LDA)等模式识别方法,鉴别食醋醋龄,Lab颜色空间下的训练集和预测集识别率均大于90%。