田间杂草识别中图像预处理方法的研究

为了改善农业喷洒机器人视觉系统中图像的处理效果,对视觉系统采集到的RGB彩色图像进行2G-R-B变换处理。对得到的超绿灰度图像,分别使用对比度拉伸变换和直方图均衡化两种方法进行图像增强处理。比较这两种方法的处理效果,结果表明：直方图均衡化法对田间杂草图像具有较好的增强效果。     

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。     

基于多光谱图像和 SVM 的玉米田间杂草识别

为解决变量喷洒对杂草识别速度与正确率的要求,提出了一种基于多光谱图像和SVM 的杂草识别新方法。通过多光谱成像仪获得玉米与杂草图像,采用 IR-R 的多光谱融合并结合 Otsu 分割法完成背景分割;随后对植被图像进行目标分割与形态学处理,提取出所有植被叶片图像,在此基础上提取了叶片11个形状特征参数和纹理特征参数。为提高算法的实时性,对叶片的特征参数进行主成分分析,将前3个主成分作为支持向量机的输入建立模式识别模型。结果表明,降维后对于未知预测样本的识别正确率达到85％,用时0．001415 s。与直接利用支持向量机的90％的识别率和0．105165 s的用时相比,该算法在满足识别率的同时,用时更少,为田间杂草的快速识别提供了一种新方法。     

黄瓜霜霉病图像预处理方法研究

为了获得适合于提取黄瓜霜霉病病斑的颜色和纹理特征的预处理方法,采用邻域平均法和中值滤波法对黄瓜霜霉病病斑图像进行平滑处理并加以比较.结果表明:邻域平均法作为颜色特征参数提取前的预处理效果较好,中值滤波作为纹理特征参数提取前的预处理效果较好;其次为了有效提取黄瓜霜霉病的病斑形状,分别采用一阶微分和二阶微分对图像进行了边缘检测处理,结果表明一阶微分更适合黄瓜霜霉病斑的形状特征提取.这些研究为进一步的特征参数提取以及最终的病害确定奠定了一定的基础.     

大豆田间杂草的光谱识别研究

精确施药的关键是快速正确识别杂草。为此,利用ASD野外便携式光谱仪,在田间测量了大豆、马唐和稗草植株冠层在350～2 500nm波长内的光谱数据,经过数据预处理,数据分析波长选为350～1 300nm和1 400～1 800 nm。数据处理采用支持向量机(SVM)模式识别方法 ,用线性、多项式、径向基和多层感知核函数对大豆和杂草建立二分类模型。结果表明:三阶多项式核函数SVM分类模型的正确识别率最高,达到85%以上,且支持向量比例较小;以二分类模型为基础,利用投票机制建立了大豆、马唐和稗草的一对一多分类SVM模型,正确识别率达83%;田间光谱测量受光照、背景和仪器测量精度等条件的影响较大,但结果仍表明SVM结合光谱技术在田间杂草识别中的应用潜力很大。此研究为田间杂草识别及传感器的建立提供了研究思路和应用基础。     

基于二维直方图的杂草图像分割算法

通过引入像素灰度级和邻域灰度级构成的二维直方图,提出了一种杂草彩色图像分割算法。试验结果表明,基于二维直方图的分割算法由于增加了各个像素点相邻区域的信息,从而减少了自然条件下镜面反射和叶片小面积污损的影响。由于分割结果更好地保留了叶片的连通性,新的分割算法能在自然条件下更好地区分单子叶植物和双子叶植物及识别作物和杂草,从而有助于杂草识别率的提高。     

基于多分辨率分析的储粮害虫图像预处理研究

粮虫种类多、体形小且形态结构比较复杂,须借助于高分辨率的图像进行准确的细分。针对高分辨率的粮虫图像,提出基于多分辨率图像分析的粮虫图像预处理方法。本算法首先降低图像的分辨率,并对低分辨率的图像滤波,然后将恢复为原分辨率后的图像与原图像进行"与"运算,并进一步滤波。该法有效去除了对粮虫识别贡献率较小的腿和触角等部分,保留了对识别分类贡献率较大的头部和鞘翅等部分,且预处理后的目标边界比较平滑,同时使算法运行的效率提高了15.12倍,并通过实验进一步验证了该方法的可行性。     

基于Mask R-CNN的玉米田间杂草检测方法

针对田间复杂环境下杂草分割精度低的问题,提出了基于Mask R-CNN的杂草检测方法。该方法采用残差神经网络Res Net-101提取涵盖杂草语义、空间信息的特征图;采用区域建议网络对特征图进行杂草与背景的初步二分类、预选框回归训练,利用非极大值抑制算法筛选出感兴趣区域;采用区域特征聚集方法(Ro IAlign),取消量化操作带来的边框位置偏差,并将感兴趣区域(Ro I)特征图转换为固定尺寸的特征图;输出模块针对每个Ro I计算分类、回归、分割损失,通过训练预测候选区域的类别、位置、轮廓,实现杂草检测及轮廓分割。在玉米、杂草数据集上进行测试,当交并比(Io U)为0. 5时,本文方法均值平均精度(m AP)为0. 853,优于Sharp Mask、Deep Mask的0. 816、0. 795,本文方法的单样本耗时为280 ms,说明本文方法可快速、准确检测分割出杂草类别、位置和轮廓,优于Sharp Mask、Deep Mask实例分割算法。在复杂背景下对玉米、杂草图像进行测试,在Io U为0. 5时,本文方法 m AP为0. 785,单样本耗时为285 ms,说明本文方法可实现复杂背景下的农田作物杂草分割。在田间变量喷洒试验中,杂草识别准确率为91%,识别出杂草并准确喷雾的准确率为85%,准确喷药的杂草雾滴覆盖密度为55个/cm2,装置对每幅图像的平均处理时间为0. 98 s,满足农药变量喷洒的控制要求。     

基于高光谱图像技术的稻田苗期杂草稻识别

以生长期为10 d的杂草稻和水稻为研究对象,采集其高光谱图像信息,对其进行滤波预处理后,利用主成分分析方法优选出1448.89 nm和1469.89 nm波长下的特征图像.对每个特征图像,分别提取其形状特征、纹理特征和颜色特征,共18个特征变量.基于这些特征变量,利用神经网络方法建立杂草稻和水稻的判别模型,模型训练时杂草稻和水稻的回判率都为100％;预测时,杂草稻的回判率为92.86％,水稻的回判率为96.88％.研究表明,利用高光谱图像技术快速鉴别稻田苗期杂草稻是可行的.     

应用机器视觉技术识别田间杂草的研究

田间杂草的识别是准确使用除草剂有效的依据，对提高农作物产量、降低成本、生产出满足消费者需求的无害产品是非常重要的。为此，就如何利用机器视觉技术从复杂的土壤背景下分离出植物(作物和杂草)的方法进行研究，从而为杂草的识别做前期准备工作。     

改进的Otsu算法在粮食颗粒图像分割中的应用

针对二维Otsu自适应阈值算法计算复杂度高的问题,采用二维直方图投影到对角线得到一维阈值的方法,消除二维自适应阈值算法中的冗余计算,从而提高了计算速度.为此,将该方法应用于粮食颗粒图像分割中.实验表明,该算法在计算时间上远小于原始二维Otsu算法.     

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.     

麦田杂草的图像识别技术的研究

主要研究了麦田杂草的图像识别技术,设计了麦田杂草识别系统.该系统包括使用数码相机进行麦田图像数据的采集,实现对图像的预处理;绿色植物与土壤背景的分割包括图像的灰度化与格式转换和图像的二值化;作物与杂草的分割包括作物中心行的识别和作物行的滤除,最后获取杂草图像.在滤除作物行的过程中确定边界阈值时采用通过先计算手工标定的作物行宽度与计算机自动检测的作物行宽度之间的相对误差,然后选定合适的对应最小误差的作物行边界阈值的方法.该系统全程使用MATLAB语言编程,系统最终目的是根据杂草和作物分布的位置特征滤除作物行,识别出杂草.     

改进加权FCM用于裂纹蛋2D图像分割的研究

解决裂纹鸡蛋图像灰度直方图目标与背景区域分布模糊、图像分割效果差的问题.通过将包含空间信息的二维直方图和改进特征加权FCM算法有机结合,迭代寻求最佳聚类有效性函数和加权矩阵,实现鸡蛋图像缺陷分割.同时,对经典FCM和改进特征加权FCM算法的性能进行了分析比较.结果表明:提出的算法更接近于真实聚类中心,目标函数值亦得到改善;二维直方图的改进特征加权模糊聚类算法更好地提取了裂纹鸡蛋图像的细节信息,图像分割效果好.     

数字图像处理与洪水检测和预防

针对自然灾害频繁发生,而目前我们对于自然灾害的预防措施又相对比较落后的现状,提出了通过物联网与数字图像处理技术的结合来检测河道中河水信息的实时变化,预防洪水灾害发生,最终达到保护人类生命财产的目的。     

一种改进的小波模极大值杂草图像边缘检测算法

提出了一种改进的、基于小波多尺度和多分辨率特征的数字图像边缘检测算法,分别利用不同尺度的、小波变换后的、水平方向和垂直方向的高频信息,根据李氏指数与小波变换关系,采用小波模极大值在不同尺度下传播的特性,检测出图像在两个方向的极大值,然后利用模糊算法构造相应的隶属函数,提取弱边缘信息,最后得到不同尺度下的边缘图像.通过该算法对杂草图像仿真实验和经典的两种算子对比,证明该算法可以兼顾良好的边界定位、噪声抑制和弱边界检测等性能指标,能有效地解决传统边缘检测方法中存在的精确及强去噪能力之间的矛盾.