基于凹点分析法的粘连鸡体分割方法研究

针对鸡体之间存在相互粘连问题,以散养绿壳蛋鸡为研究对象,提出一种基于凹点分析法的粘连鸡体分割新方法,该方法在不同的颜色空间下使用最大类间方差法(Maximum Between-Class Variance,OTSU)结合形态学运算,对采集的视频图像进行图像预处理后,通过分析粘连区域的凸缺陷轮廓,使用正方形模板确定凹点位...     

基于红外热成像的生猪耳温自动提取算法

针对利用红外热成像进行生猪体温自动提取困难的问题,在设施猪场生猪体温红外巡检装置的基础上,提出将生猪耳部区域作为其体温的代表区域,探索一种基于红外热像图的生猪耳温自动提取算法(IT-PETE)。该算法通过高效而准确地识别生猪耳部区域并提取耳部区域的温度最大值和平均值,实现生猪体温非接触式自动监测。IT-PETE算法首先用拉普拉斯算子对生猪热红外图像进行预处理,然后基于YOLO v4和形态学对热红外图像中的生猪耳部进行提取,并结合耳部分割图像和温度矩阵自动获取耳部区域温度的最大值和平均值。采用5折交叉验证方法训练生猪耳部区域检测模型,训练集和验证集图像共2000幅,测试集400幅。试验表明,YOLO v4耳部区域检测准确率为97.6%,比Faster R-CNN和SSD分别提高了2.0个百分点和7.8个百分点,单帧图像的平均检测时间为12ms。同时对20头猪的人工统计耳温数据与算法提取体温进行相关性分析,得到两者在耳部区域温度最大值和平均值的决定系数分别为0.9849和0.9119,表明IT-PETE算法对体温数据的提取具有可靠性和可行性。因此,IT-PETE算法在一定程度上可为生猪体温自动化监测和预警系统提供技术支撑。     

复杂环境中蛋鸡识别及粘连分离方法研究

提出基于Lab颜色模型的蛋鸡与背景自动分割方法和基于极限腐蚀和凹点搜寻的粘连蛋鸡分离与计数算法.实验前期将通过计算机视觉系统获取的RGB图像转换成Lab图像,每张图像中均选取蛋鸡及最接近蛋鸡颜色的背景2个小样本区域,分别计算这两类区域在a、b分量的数学期望作为分割阈值.随后将采集的图像像素聚类于与a、b分割阈值的欧氏距离最小的区域,从而实现蛋鸡与背景区域的自动分割.针对经常出现的蛋鸡群聚造成蛋鸡个体之间相互粘连的情况,研究利用改进的极限腐蚀及凹点搜寻处理算法分离出独立的蛋鸡并正确计数.108幅蛋鸡图像识别结果表明,该算法能将蛋鸡个体从复杂背景中有效提取、计数和粘连分离,蛋鸡计数正确率为93.5％,综合分离正确率为89.8％.     

基于注意力机制和可变形卷积的鸡只图像实例分割提取

为提高鸡只个体轮廓分割提取的精度和准确度,实现基于机器视觉技术的鸡只行为、健康、福利状态监测等精准畜牧业管理,保证相关监测技术及决策的可靠性,针对叠层笼养环境下肉鸡图像的实例分割和轮廓提取问题,提出一种优化的基于Mask R-CNN框架的实例分割方法,构建了一种鸡只图像分割和轮廓提取网络,对鸡群图像进行分割,从而实现鸡只个体轮廓的提取。该网络以注意力机制、可变形卷积的41层深度残差网络（ResNet）和特征金字塔网络（Feature pyramid networks, FPN）相融合为主干网络,提取图像特征,并经区域生成网络（Region proposal networks, RPN）提取感兴趣区域（ROI）,最后通过头部网络完成鸡只目标的分类、分割和边框回归。鸡只图像分割试验表明,与Mask R-CNN网络相比,优化后网络模型精确率和精度均值分别从78.23%、84.48%提高到88.60%、90.37%,模型召回率为77.48%,可以实现鸡只轮廓的像素级分割。本研究可为鸡只福利状态和鸡只健康状况的实时监测提供技术支撑。     

基于色差信息多色彩模型的黄羽鸡快速分割方法

快速准确分割出复杂背景下的鸡只图像,是应用机器视觉系统快速识别实际饲养环境下病鸡的关键步骤。以某鸡舍散养的黄羽肉鸡为分割目标,提出了一种基于色差信息的多色彩模型鸡只分割方法。首先对200幅自然环境下拍摄的图像在常用的色彩模型下,分析了鸡冠、鸡身羽毛、鸡肚羽毛以及背景的颜色特征,利用背景在RGB色彩模型的R、G、B三分量色差信息特征进行一次分割,去除大部分的背景,然后转换到HSV色彩模型,获取黄羽鸡不同部位的H分量阈值,再由H阈值范围提取鸡身、鸡冠实现二次分割,最终得到分割目标。实验结果表明所提方法实际分割正确率为86.3%,优于L*a*b*色彩模型聚类的78.4%。所提方法复杂度小,运算时间短,适用于实时分割场合。     

植株点云超体聚类分割方法

针对传统的超体聚类分割对植株存在过分割率高、实时性差的问题,提出一种融合显著性特征图的超体聚类分割方法。首先,采用Kinect V2实时获取目标植株的彩色图像和深度图像,将RGB彩色空间图像转换为CIELab彩色空间图像,计算每个像素的显著性特征值,获取彩色特征图,并融合亮度特征图和方向特征图构建显著性特征图;然后,将显著性特征图和深度图像同步对齐,获得显著性点云,八叉树网格初始化点云,并通过Mean-Shift算法获取满足概率密度阈值的网格点云,取最大概率密度点作为种子点,基于点对之间的欧氏距离和特征相似度作为区域生长相似性准则,生成超体素块;最后,通过LCCP算法对显著性点云进行聚类分割。实验结果表明,改进的显著性超体聚类分割方法可以大幅提高目标前景分割的准确性和快速性,有效克服背景噪声和离群点。     

基于改进K-means图像分割算法的细叶作物覆盖度提取

植被覆盖度是重要的农学指标,图像法作为一种方便、快捷、准确度较高的地面测量方法,在该领域得到了广泛应用。图像背景分割是获取植被覆盖度最关键的步骤,已有分割算法的分割对象局限于大叶植物或者长势较为稀疏的作物,针对细叶作物的研究较少,或者未根据分割结果得出更有价值的规律。本文以小麦为例,提出了基于HSV空间的自适应果蝇均值聚类算法(IFOA-K-means),用来分割图像背景,以此作为获取覆盖度变化的理论基础。采用小波分析按比例去噪算法单独对亮度分量去噪,主体分割算法采用自适应步长果蝇算法(IFOA)改进的Kmeans算法对小麦图像进行背景分割,综合了自适应果蝇算法的全局最优和K-means算法的局部最优特点,使分割效果达到最优。其分割效果优于基于遗传算法的最大类间方差分割法,较好地去除了滴灌带等较明显干扰因素,与传统的K-means算法相比,运行时间和峰值信噪比指标都较优,小麦覆盖度准确率在90%以上,与作物系数之间的决定系数为0. 953 1。     

基于改进几何活动轮廓模型的母猪红外图像分割算法

基于母猪热红外视频在线检测的实时性和稳健性,提出了一种快速高效的母猪热红外图像轮廓分割方法。采用点运算进行对比度增强,去除大部分背景像素,减少图像数据处理量,减弱热红外图像中复杂背景的干扰;提出了能够随着图像整体对比度和局部对比度变化的权值函数,从而动态地均衡图像全局能量和局部能量的权重;结合LGIF模型,建立了一个改进权值的LGIF活动轮廓模型。应用不同分割方法对在不同姿态、不同光照、不同品种情况下拍摄的300幅母猪热红外图像进行试验,结果分析表明,所提方法能更高效地将母猪轮廓从养殖场猪圈环境中提取出来,单幅图像平均分割时间为49.67 s,正确分割率达到98%以上,研究结果可为后续基于在线红外视频监测研究提供技术支撑。     

复杂背景黄瓜叶部病害图像分割方法

针对具有复杂背景的黄瓜病害图像,设计了一种图像分割方法。该方法首先结合超G和OTSU方法去除彩色图像中的大部分背景,尽可能保留图像中的绿色部分信息;然后根据病害图像RGB模型中红色分量自动建立数据项,并且设定相邻像素间红色分量差值的函数作为平滑项,以上述数据项和平滑项构建基于阈值预处理的图切割算法。利用该方法对4种黄瓜病害（霜霉病、白粉病、靶斑病和炭疽病）彩色图像进行分割。结果表明,该方法能够较为准确地将病斑区域从彩色图像中提取出来,算法的平均正确识别率达到90%以上;平均运行速度为2.12 s,能够满足实时图像分割的要求。     

基于热红外成像与骨架树模型的奶牛眼温自动检测

针对现有方法无法实现奶牛热红外图像中眼温信息自动获取的问题,为实现奶牛眼温无接触、自动、高精确检测,提出了一种基于热红外成像技术与骨架树模型的奶牛眼温自动检测方法.首先,在获得奶牛侧面热红外图像的基础上,利用基于差距度量的阈值分割方法提取奶牛目标,对奶牛骨架进行精确提取,并构建了奶牛骨架树模型,在该模型上对奶牛头部区域...     

基于冠层光谱和覆盖度的马铃薯叶片钾含量估算方法

叶片钾含量(Leaf potassium content, LKC)是表征作物钾素营养状况的重要指标,高效准确地获取马铃薯LKC有助于精准农业施肥管理。本研究旨在通过结合马铃薯关键生育期RGB影像提取的植被指数(VIs)和植被覆盖度(FVC),提高马铃薯关键生育期LKC估算的准确性。首先从马铃薯块茎形成期(S1)、块茎增长期(S2)和淀粉积累期(S3)的RGB影像中提取VIs和FVC,然后分别分析每个生育期VIs和FVC与马铃薯LKC的相关性,最后利用支持向量机(Support vector machine, SVM)、Lasso回归(Least absolute shrinkage and selection operator, Lasso)和岭回归构建马铃薯LKC的估算模型。结果表明：基于RGB影像提取的马铃薯FVC精度较高,且前两个生育期高于第3个生育期;利用VIs估算马铃薯LKC是可行的,但精度有待进一步提高;VIs结合FVC可以提高马铃薯LKC的估算精度。本研究可为作物生长和钾素营养状况监测提供技术参考。     

基于图像颜色特征的密植冬小麦覆盖指数反演

为了快速获取大田冬小麦作物生长信息,对田间植被覆盖度(VCI)进行检测。采用开发的多光谱图像采集系统,在拔节期-扬花期获取冬小麦冠层可见光( B、G、R ,400～700 nm)和近红外(NIR,760～1 000 nm)图像。图像经自适应平滑滤波处理后,针对RGB图像,采用HSI色彩空间模型,设定 H 分量阈值［π/4,6π/5］进行分割,对NIR图像采用自动阈值分割法分割,进而提出了基于“ H +NIR”组合的冬小麦冠层多光谱图像分割方法,并计算VCI值。对未经分割的原始图像提取了9个图像检测参数,包括各通道图像灰度均值( A R、 A G、 A B、 A NIR )、归一化植被指数(NDVI)、归一化差异绿度指数(NDGI)、比值植被指数(RVI)、差值植被指数(DVI)和冠层 H 分量均值 A H。图像检测参数与VCI相关性分析结果表明,各植被指数与VCI的相关系数绝对值均大于0.90。应用NDVI、NDGI、RVI和DVI建立了多元线性回归模型,其 R 2 c =0.948, R 2 v =0.884,可以用于快速反演VCI,为田间作物生长评价和管理提供支持。     

基于多阈值图像分割算法的秸秆覆盖率检测

针对目前秸秆覆盖率人工检测费时费力、准确率低、信息难以存储的问题,提出了一种基于图像分割的秸秆覆盖率检测方法。考虑到传统图像分割方法精度不高,且多阈值分割时计算量过大,将灰狼算法中的搜索机制与差分进化算法相融合,提出一种基于图像多阈值的自动分割方法（DE-GWO）,用于田间秸秆覆盖率检测。首先,对现场采集的秸秆覆盖图像进行预处理,采用自适应Tsallis熵作为目标函数,评估图像分割效率;其次,根据图像的复杂程度选取分割阈值的数量,利用DE-GWO算法对其进行多阈值图像分割;然后,分别按照灰度级别计算分割后图像比例;最后,根据拍摄高度、fov视角等参数,将图像中秸秆覆盖率与实际地理面积进行转换。实验结果表明,本文算法田间秸秆覆盖率与实际测量误差在8%以内,且相比于改进粒子群算法（PSO）和灰狼算法（GWO）,DE-GWO算法精确度更高,平均耗时为人工测量的1/1500。开发了一套依据DE-GWO算法的秸秆覆盖率检测软件系统,为后续监控系统的实时检测提供了算法基础和软件支持。     

非垂直拍摄获取细叶作物覆盖度优化算法研究

【目的】探究非垂直拍摄获取细叶作物覆盖度优化算法以及非垂直拍摄对作物覆盖度计算结果的影响。【方法】在北京市小汤山基地草业研究中心露天环境下,以青绿薹草、结缕草为试验对象,获取45°、60°、90°(与地面夹角)3种拍摄角度下的图像,采用基于自适应权重粒子群改进K-means的图像分割方法,分析不同拍摄角度对青绿薹草覆盖度测量精度的影响,研究非垂直拍摄与垂直角度下覆盖度的关系曲线。首先将草RGB图像转化成HSV颜色空间,在HSV颜色空间利用自适应权重PSO算法向全局像素解的子空间搜寻,通过迭代搜寻到全局最优解,确定最佳初始聚类中心;其次利用K-means算法对不同角度图像像素进行聚类划分,从而得到草冠层区域分割结果,最后采用形态学滤波方法对分割结果进行优化。【结果】垂直拍摄时,传统K-means算法计算的2个品种的覆盖度总体相对误差分别为32.89%和34.37%,而本文算法下2个品种总体相对误差分别为11.23%和15.85%。相比于K-means算法,本文算法环境适应性好,算法精度高。非垂直拍摄条件下,本文算法能够克服多角度拍摄导致图像色彩分布不均匀的问题,有效分割出草冠层区域,90°覆盖度估测值与真实值平均误差为3.27%,60°二者平均误差为4.61%,45°平均误差为5.70%,随着拍摄角度的减小,平均误差略有增大,但均小于6%。非垂直角度下计算的覆盖度与垂直角度覆盖度呈显著地线性关系。【结论】采用本文方法可以提高非垂直拍摄获取作物覆盖度的精度。     

基于Stacking集成学习的夏玉米覆盖度估测模型研究

以基于无人机多光谱影像提取的夏玉米植被指数作为特征变量,利用皮尔森相关系数结合随机森林反向验证权重的方法进行特征选择,去除冗余特征。以随机森林、梯度提升树、支持向量机和岭回归作为初级学习器,以岭回归作为次级学习器,建立基于Stacking集成学习的夏玉米覆盖度估测模型,并通过5折交叉验证进一步提升模型泛化能力,采用随机搜索和网格搜索结合的方法对模型超参数进行优化,使用4种回归指标进行模型精度评价,并利用次年数据验证其鲁棒性。结果表明,与单一模型以及决策树、Xgboost、Adaboost、Bagging集成框架相比,Stacking集成学习模型具有更高的精度和更强的鲁棒性,R2为0.9509,比单一模型平均提升0.0369,比其他集成模型平均提升0.0417;Stacking集成学习模型RMSE、MAE和MAPE分别为0.0432、0.0330和5.01%,各指标分别比单一模型平均降低0.0138、0.0130和2.14个百分点,分别比其他集成模型平均降低0.0185、0.0126和2.15个百分点。本研究为夏玉米覆盖度估测提供了新的方法。     

土地利用/覆被变化的研究

土地利用／覆被变化（LUCC,landuse-cover change）研究是一个不断发展的过程,清楚、透彻地认识LUCC研究的现状及其存在的问题,利于有针对性地开展研究。近年来,我国学者在LUCC研究方面做了大量工作,取得了丰硕的成果。就LUCC研究的目标、内容及其在信息的提取、驱动力和驱动机制的探讨、生态环境效应、模型的建立等方面所取得的进展进行了综述,以便总体把握LUCC的研究状况。     

植被覆盖地表抗风蚀性能的测试与研究

为了定量评价净风吹蚀下植被覆盖地表的抗风蚀性能,利用移动式风蚀风洞对试验区地表进行原位测试.结果表明:不同风速下土壤风蚀量随植被盖度的增加呈指数规律减少,土壤防风蚀的植被盖度在30%以上较为显著;当风速为10m/s以上时,试验区的有效防风蚀植被盖度须达到40%以上,当风速为14～18m/s时,其有效植被盖度须达到60%～80%的水平.     

基于无人机数码影像的马铃薯覆盖度提取方法

为了利用数码影像快速提取马铃薯覆盖度,首先,利用植被覆盖度提取算法从地面数码影像中获取马铃薯覆盖度实测值;然后,通过植被指数提取法和最大似然监督分类法对无人机数码影像进行处理,分别获取各个研究小区的马铃薯覆盖度;提出利用颜色转换空间HSI(H-A法)从无人机数码影像中快速提取马铃薯覆盖度;最后,对HA法、最大似然监督分类法和植被指数提取法3种方法的计算结果进行精度比较。结果表明,H-A法估测的植被覆盖度的精度最高,均达到0. 91以上,拟合函数拟合度为0. 97;最大似然监督分类法次之,最低精度为0. 75,拟合度为0. 82;植被指数提取法最差,最低精度为0. 74,拟合度为0. 74。     

基于Sauvola与Otsu算法的秸秆覆盖率图像检测方法

针对自然光照下粗秸秆中空、细碎秸秆细节丢失导致秸秆覆盖率图像检测法精度低的问题,提出了一种基于Sauvola与Otsu算法相结合的秸秆覆盖率检测方法。首先对彩色分量空间距离灰度化后的图像采用Sauvola阈值分割来提取秸秆区域细节图像,然后对色差法灰度化后的图像采用Otsu阈值分割来解决秸秆区域中空问题,最后对不同阈值分割图像相加,计算其平均值,从而得到秸秆覆盖率的大小。田间试验结果表明,采用此方法对不同情况秸秆覆盖与不同地区的秸秆覆盖均具有较好的识别效果,不同情况秸秆覆盖率的最大平均误差约为1.9%,不同地区秸秆覆盖率的最大平均误差约为2.5%,有效地提高了秸秆辨识的精确度。      

植被盖度和灌木带状配置对近地表风速廓线的影响

采用便携式风速廓线仪分别对不同植被覆盖度和灌木带状配置的退化草原进行实验研究,结果表明:地表植被盖度越大,其降风速和防风蚀效果越明显,地表盖度分别为85%、35%、20%和小于5%时,距离地表2 cm处的风速相较6 4 cm处的风速降低幅度分别为7 2.4%、6 7.1%、6 1.7%和4 4.9%;灌木带越高,对牧草带有效保护距离越宽,植株高度大于0.7m的灌草带状配置有效保护距离均大于6m。因此,提高地表植被盖度和增大灌木带高度对近地表的风速廓线有较大影响,具有显著的抗风蚀效果。