基于颜色特征的绿色作物图像分割算法

绿色作物的识别是农业机械视觉系统的重要研究内容之一,该文采用RGB颜色系统,基于统计分析提出了一种绿色作物图像分割方法。从简单物体光照颜色模型方面,分析了RGB颜色空间中作物绿色“恒量”（Gvalue>Rvalue and Gvalue>Bvalue）的存在性,构建了作物图像分割相对错误率评估模型。并与传统颜色索引方法Excess Green (ExG)+auto-threshold进行了对比分析。试验结果表明,在正常光照条件下：1）采用的算法对田间不同作物-土壤组图像分割的相对错误率均有显著影响;其中,相对ExG+auto-threshold算法,采用RGB算法的结果图像中大多能保留油菜、大豆和甘蔗的形态学特征;2）采用的算法、光照变化以及算法与光照变化的交互作用均对室外美人蕉图像分割的相对错误率有显著影响;其中,相对ExG+auto-threshold算法,采用RGB算法的结果图像中大多能去除背景噪声。单因子方差分析进一步表明,光照变化对采用ExG+auto-threshold算法分割图像的阈值有显著影响。该文提出的RGB算法相对传统的ExG+auto-threshold绿色索引,对于早期生长的绿色作物是一种有效、简单的图像分割方法,对作物-土壤、光照变化不敏感。     

基于机器视觉的作物多姿态害虫特征提取与分类方法

由于野外诱捕害虫的姿态存在多样性和不确定性,使得利用机器视觉进行害虫的自动识别与计数仍然是一个难题。该文提出一种基于颜色和纹理等与形态无关的特征相结合和利用多类支持向量机分类器的多姿态害虫分类方法。通过对目标害虫图像进行不同颜色空间特征、基于统计方法的纹理特征和基于小波的纹理特征的提取,构建了6组不同组合的特征向量。将10阶交叉验证的识别率作为适应度函数值,利用遗传算法对各组特征向量进行降维筛选。最后利用基于有向无环图多类支持向量机分类器对多姿态害虫进行识别和特征组选择。结果表明,遗传算法最多可以使特征向量维数降到原来的38.89%,基于HSV三通道颜色图像的小波纹理特征组在建模时间和平均准确率方面都表现最优,可以作为一种有效的多姿态害虫分类特征选择。     

基于机器视觉的番茄多目标提取与匹配

果实的提取和匹配是番茄采摘机器人进行番茄定位和采摘的基础。为解决获取图像中多个成熟番茄粘连或被遮挡的情况下果实的提取和匹配问题,该文提出了使用局部极大值法和随机圆环变换检测圆算法结合进行目标提取,再使用SURF算法进行目标匹配的算法。该方法首先基于颜色对番茄进行分割提取,然后使用局部极大值法对番茄个数进行估计,结合番茄区域面积进行半径估计,之后通过随机圆环变换算法检测番茄中心和半径进行目标定位,再使用SURF算法进行双目目标匹配的算法。该方法在一定程度上解决了复杂自然环境下,多个番茄的提取和图像特征匹配的问题,并通过试验验证了其有效性和准确性,可为采摘机器人目标识别技术的研究提供参考。     

基于机器视觉的株间机械除草装置的作物识别与定位方法

株间机械除草技术可进一步减少化学除草剂的使用,有利于环境保护和农业可持续发展.为实现智能化的株间机械除草装置自主避让作物并进入株间区域,该研究提出了一种株间机械除草装置的作物识别与定位方法.利用2G-R-B方法将作物RGB彩色图像进行灰度化,再选用Ostu法二值化、连续腐蚀和连续膨胀等方法对图像进行了初步处理.根据行像素累加曲线和曲线的标准偏差扫描线获得作物行区域信息,以作物行区域为处理对象,利用列像素累加曲线、曲线标准偏差和正弦波曲线拟合识别出作物,并结合二值图像中绿色植物连通域的质心获得作物位置信息.试验结果表明,该方法可以正确识别出作物并提供准确的定位信息,能适应不同天气状况、不同种类的作物,棉苗正确识别率为95.8%,生菜苗正确识别率为100%,该方法为株间机械除草装置避苗和除草自动控制提供了基本条件.     

基于机器视觉的玉米精准施药系统作物行识别算法及系统实现

识别作物行中心线并实现喷药喷头的自动对准是精准施药系统实现的关键技术。为克服作物行识别算法的单一性和适应性不强的缺点,该文以生长早中期的玉米图像为研究对象,利用改进的过绿特征法和改进的中值滤波算法分割出作物行,减少处理时间和去除噪声;然后在行提取时只保留包含作物行信息的中间作物行,通过随机Hough变换检测出作物行中心线,并根据世界坐标与图像坐标的转换和相对距离得到偏差信息:最后实现了系统的硬件搭建并给出了实际运行效果。不同图像的试验和处理结果表明,该算法在背景分割、作物行提取和偏差信息获取方面具有一定的优势,可适用于不同作物及不同视野图像的作物行算法识别,对精准施药的研究具有一定的参考价值。     

基于改进均值漂移算法的绿色作物图像分割方法

针对绿色农作物图像背景复杂且分割难的问题,提出一种基于改进均值漂移算法的分割方法。采用均值漂移算法对图像进行平滑和分割时,带宽的选择直接影响平滑和分割的结果。传统的均值漂移分割方法需要人为地设定空域带宽和值域带宽这2个参数。该文首先根据绿色作物图像的颜色特点,提取图像的颜色指数;然后采用均值漂移算法,将图像的颜色信息与空间信息结合起来,根据作物图像颜色分布的丰富程度定义自适应空域带宽,采用渐近积分均方差来获得自适应值域带宽,对图像进行平滑滤波;最后采用 Otsu 方法将平滑后的图像分成两部分：绿色部分和背景部分。试验结果表明,该方法能够有效地分割出绿色作物,并在分割性能上明显优于常规的颜色指数方法,作物图像的错分率均小于6.5%。     

基于自动Hough变换累加阈值的蔬菜作物行提取方法研究

为解决机器视觉对生菜和绿甘蓝两种作物在整个生长时期内多环境变量对作物行识别影响的问题,同时提高机器视觉作物行识别算法的有效性,该文提出了一种基于自动Hough变换累加阈值的多作物行提取算法。首先,选用Lab颜色空间中与光照无关a分量对绿色作物进行提取,通过最优自适应阈值进行图像分割,并采用先闭后开形态学运算对杂草和作物边缘进行滤波。其次,采用双阈值分段垂直投影法对作物行特征点进行提取,通过对亮度投影视图中的目标像素占比阈值和噪声判断阈值设置,实现特征点位置判断和杂草噪声过滤,并对相邻特征点进行优化,剔除部分干扰特征。最后,采用Hough变化对特征点进行直线拟合,将不同Hough变换累加阈值获得的拟合直线映射到累加平面上,通过K-means聚类将累加平面数据聚类为与作物行数相同的类数,根据相机成像的透视原理提出基于聚类质心距离差和组内方差的最优累加阈值获取方法,将最优累加阈值下累加平面中的聚类质心作为识别出的真实作物行线。温室和田间试验表明,针对不同生长时期的生菜和绿甘蓝作物,该文算法均可有效识别出作物行线,最优阈值算法耗时小于1.5 s,作物行提取平均耗时为0.2 s,在田间和温室中作物行的平均识别准确率分别为94.6%、97.1%,识别准确率为100%的占比分别为86.7%和93.3%。研究结果为解决多环境变量影响因素下的算法鲁棒性和适用性问题提供依据。     

基于彩色和深度信息结合K-means聚类算法快速拼接植株图像

图像拼接可以建立宽视角的高分辨率图像,对实现农业智能化有重要作用。基于Kinect传感器的图像拼接方法利用彩色和深度双源信息,能够有效避免图像缺失、亮暗差异、重影等拼接错误,但是存在拼接时间较长和目标植株不明显等情况。针对这一问题,该文提出一种基于Kinect传感器彩色和深度信息的目标植株图像快速拼接方法。首先用K-means聚类算法和植株深度信息提取彩色图像中有效植株区域,再采用SURF(speeded up robust features)算法进行特征点提取,利用相似性度量进行特征点匹配并根据植株深度数据去除误匹配,由RANSAC(randomsampleconsensus)算法寻找投影变换矩阵,最后采用基于缝合线算法的多分辨率图像融合方法进行拼接。室内外试验结果表明:该文图像拼接方法更能突显出目标植株且极大缩短了拼接时间,该方法图像拼接时间只需3.52 s(室内)和7.11 s(室外),较基于深度和彩色双信息特征源的Kinect植物图像拼接方法时间缩短了8.62 s(室内)和38.56 s(室外),且平均匹配准确率达96.8%。该文拼接后图像信息熵、清晰度、互信息、空间频率平均分别为6.34、50.36、11.70、11.28,图像质量较传统方法均有提高。该研究可为监测农业植株生长状态、精确喷洒药物提供参考。     

改进DeepLabV3+算法提取无作物田垄导航线

机器视觉导航是智慧农业的重要部分,无作物田垄的导航线检测是旱地移栽导航的关键。针对无作物田垄颜色信息相近、纹理差距小,传统图像处理方法适用性差、准确率低,语义分割算法检测速度慢、实时性差的问题,该研究提出一种基于改进DeepLabV3+的田垄分割模型。首先对传统DeepLabV3+网络进行轻量化设计,用MobileNetV2网络代替主干网络Xception,以提高算法的检测速度和实时性;接着引入CBAM（convolutional block attention module,CBAM）注意力机制,使模型能够更好地处理垄面边界信息;然后利用垄面边界信息获得导航特征点,对于断垄情况,导航特征点会出现偏差,因此利用四分位数对导航特征点异常值进行筛选,并采用最小二乘法进行导航线拟合。模型评估结果显示,改进后模型的平均像素精确度和平均交并比分别为96.27%和93.18%,平均检测帧率为84.21帧/s,优于PSPNet、U-Net、HRNet、Segformer以及DeepLabV3+网络。在不同田垄环境下,最大角度误差为1.2°,最大像素误差为9,能够有效从不同场景中获取导航线。研究结果可为农业机器人的无作物田垄导航提供参考。     

田间作物群体三维点云柱体空间分割方法

农田作物群体表型信息对于研究作物内部基因改变和培育优良品种具有重要意义.为实现田间作物群体点云数据中单个植株对象的完整提取与分割,以便于更高效地完成作物个体表型参数的自动测量,该研究提出一种田间作物柱体空间聚类分割方法.利用三维激光扫描仪获取田间油菜、玉米和棉花的三维点云数据,基于HSI(Hue-Saturation-...     

基于立体视觉的玉米雄穗三维信息提取

玉米雄穗的表型信息对玉米育种研究具有重要的参考意义。该研究以自动获取玉米雄穗三维表型信息为目的。通过对雄穗样本进行多视角摄影处理来重建其三维模型。对重建的三维点云数据运用基于密度聚类的方法统计其分枝数信息,运用Delaunays三角网方法计算其外包络体积信息,并基于点云信息对雄穗主轴和最大穗冠的结构参数进行计算,同时定义了相关表型参数。用实测结果验证计算结果:分枝数统计结果的最大绝对误差为2,RMSE(root mean square error)为1.03,n RMSE(normalized root mean square error)为0.05;主轴长度,主轴最大/最小直径,最大穗冠高度和最大穗冠直径的R~2分别为0.99,0.82,0.83,0.97和0.93,均达到极显著相关水平。研究提出的相关表型参数和其提取方法在育种研究中具有应用潜力,为田间高通量雄穗信息的快速提取提供了参考。     

基于尺度不变特征转换算子的水果表面图像拼接方法

水果全表面图像信息是否完整,直接影响水果表面颜色和缺陷检测的结果。该文提出了一种基于尺度不变特征转换(SIFT,scale invariant feature transform)算子的图像拼接方法,实现多视角水果图像的拼接以获取完整的水果表面信息。首先以15°固定间隔旋转水果以获取各视角下的连续图像,在图像2R-G-B通道下实现图像目标和背景分离,并对目标图像进行灰度直方图均衡化以增强其纹理信息,有利于特征点的提取。运用SIFT算法提取图像特征点,因为特征向量数量多、维数高,采用普通的K-D树算法搜索匹配点将消耗大量时间,因此将图像划分为16个区域,通过多次试验可知中间4个区域为特征点是最容易匹配的区域,这样就缩小匹配点可能存在的区域。采用极线几何约束法和改进型随机抽样一致(random sample consensus,RANSAC)算法以提高图像拼接精度,减少匹配时间。根据平移矩阵,对前后图像进行拼接,从而实现水果表面图像的完整拼接。试验结果表明:该算法平均匹配精度提高35.0%,平均拼接时间为2.5 s,较传统K-D树算法缩短67.8%时间,拼接效果还原率为93.9%。该文算法具有一定的尺度、旋转以及仿射变换不变性,适用于随机呈现的不同姿态球状水果图像拼接。该研究可为基于机器视觉的农产品品质检测和等级划分提供科学参考。     

基于双目立体视觉的机械手移栽穴盘定位方法

为了解决自动化机械手移栽过程中穴盘放置偏斜和底部局部"凸起"而引起的移栽效果不理想的问题,为机械手提供穴盘精准坐标,对穴盘准确定位方法进行研究。首先,根据机械手移栽特点提出穴盘定位总体方法及图像获取手段。其次,利用单目相机获取的图像采用像素标记法和Radon变换法计算穴盘中心坐标和角度,完成穴盘平面定位。再次,对双目相机获取的图像采用SIFT(scale invariant feature transform)特征匹配的算法获得匹配点对坐标,并提出区域整合匹配点的方法。最后,利用整合的区域双目匹配点坐标配合相机标定结果重建匹配点的三维世界坐标,并且与穴盘平面定位结果相结合完成穴盘空间位置重构。试验结果表明,提出的穴盘定位方法能够真实地恢复穴盘空间姿态,中心像素横纵坐标相对误差分别在(-7,+7)和(-6,+7)像素内,角度检测值与实测值相对误差值在(-0.51°,+0.53°)内,利用SIFT特征匹配算法匹配双目图像,在2×4区域内对8对整合匹配点进行三维世界坐标重建,其中7个坐标的三个维度与测量值相对误差在2 mm内,1个坐标与测量值相对误差为4.6 mm内。该方法所应用的算法成熟,可以满足机械手移栽实际应用处理要求。     

基于特征组合与SVM的小粒种咖啡缺陷生豆检测

缺陷生咖啡豆显著影响商品咖啡豆品质及定价,其分选剔除是咖啡豆烘焙前的重要工作环节。目前缺陷豆的检测、分选及剔除主要由人工操作完成,耗时、费力且主观性大。该研究采用机器视觉技术提取咖啡豆轮廓、颜色和纹理3类特征,使用单一类别特征和不同类别特征进行组合,运用网格搜索确定支持向量机（Support Vector Machine,SVM）分类模型参数,通过k折交叉验证试验对比SVM模型性能,运用皮尔逊相关系数进行特征筛选,找到检测缺陷生咖啡豆的较优特征组合。为说明SVM检测模型的有效性,选用随机森林（Random Forests,RF）、极端随机树（Extremely Randomized Trees,ERT）、逻辑回归（Logistic Regression,LR）、LightGBM、XGBoost和CatBoost算法进行较优特征组合的对比试验。结果表明：包括轮廓、颜色和纹理3类14个特征的组合是较优特征组合,其SVM检测模型的平均准确率、平均精度、平均召回率、平均F1值分别为84.9%、85.8%、82.3%、84.0%,效果均明显优于2类特征组合和单一类别特征的检测模型,SVM检测模型的准确率和F1值相比随机森林、极端随机树、逻辑回归、LightGBM、XGBoost和CatBoost分别提高4.7和4.8,3.4和4.0,5.6和7.2,3.0和3.0,3.5和4.2,2.6和2.6个百分点。较优特征组合的SVM缺陷生咖啡豆检测模型检测缺陷类型较全面,识别准确率高,可实际应用于小粒种生咖啡豆智能化分选装备。     

基于特征点提取匹配的蝗虫切片图像的拼接和修复方法

由于环境和切片本身特性的影响,试验中获取的蝗虫切片总是不完整或者带有褶皱的。针对这一问题,提出了一种基于图像匹配的蝗虫切片拼接和修复方法,以序列切片中缺损切片的邻近切片图作为参考对象,对缺损切片图像进行拼接和修复。首先对切片进行小波降噪,降低噪声对匹配的影响;然后用尺度不变特征变换(scale.invariant feature transform,SIFT)算法和快速鲁棒特征(speed-up robust features,SIJRF)算法获取切片特征点并生成特征向量,完成切片的初始特征点匹配;随后利用随机采样一致(random sample consensus,RANSAC)算法进行匹配矫正,剔除匹配点对中的误匹配,并利用最小二乘法求解出单应性矩阵;最后用正确的匹配点对和单应性矩阵完成蝗虫切片的拼接,利用求得的空间映射模型找到褶皱部分相应的匹配域,完成对缺损部分的修复。试验表明:提出的切片拼接和修复方法的所提取的特征点的正确匹配率能够达到72.2%,并且运行速度以及匹配效果都能在一定程度上满足切片修复的要求,为后面进行蝗虫切片褶皱打开以及蝗虫体的三维重建提供了技术参考。     

玉米单倍体种子胚部特征提取及动态识别方法

为了实现基于机器视觉方法的玉米单倍体种子识别,该文研究了一种玉米单倍体种子胚部特征提取及动态识别方法。采用一种基于B通道平均像素值的胚部特征提取方法,提取了具有Navajo标记的玉米种子的胚部图像,基于此在RGB颜色空间内提取了样本的Navajo标记图像,从而得到一套玉米单倍体种子快速识别RGB组合算法。在玉米分选试验台上进行了动态分选试验。试验结果表明,该算法对LC09124-UH400品种玉米单倍体的识别正确率为98.04%,对杂合体的识别正确率为94.44%。该文提出的玉米单倍体种子RGB组合快速识别算法与玉米分选试验台结合形成的动态分选系统,有助于实现玉米单倍体种子的自动化分选。     

基于尺度不变特征转换算法的棉花双目视觉定位技术

为了给采棉机器人提供运动参数,设计了一套双目视觉测距装置以定位棉株。对获取的左右棉株图像进行经背景分割等预处理。求取其在8个尺度下的高斯图,通过尺度不变特征转换SIFT(scale-invariant feature transform)算法在相邻高斯差分图中提取出SIFT关键点;计算每个高斯图中关键点邻域内4×4个种子点的梯度模值,得到128维特征向量。分割右图关键点构成的128维空间,得到二叉树;利用最优节点优先BBF(best bin first)算法在二叉树中寻找到172个与左图对应的粗匹配点。由随机采样一致性RANSAC(random sample consensus)算法求出基础矩阵F,恢复极线约束,剔除误匹配,得到分布在11朵棉花上的151对精匹配。结合通过标定和F得到的相机内外参数,最终重建出棉花点云的三维坐标。结果表明,Z轴重建结果比较接近人工测量,平均误差为0.039 3 m,能够反映棉花间的相对位置。     

基于株心颜色的玉米田间杂草识别方法

根据3～5叶苗期玉米植株的生长特征及其株心所具有的颜色特征,提出了一种利用玉米植株的株心颜色特征识别玉米田间杂草的方法。玉米植株叶片的颜色是深绿色,而株心区域的颜色是浅绿色,该特征可由反映颜色深浅程度的饱和度指标表达。玉米植株的中心区域具有最大的饱和度值,该特性可用于在利用绿-红指标分割土壤背景后玉米植株的中心区域的提取。对分割后的绿色植株前景而言,与提取的株心区域相连通的区域是玉米植株,反之,非连通区域为杂草。试验结果表明：玉米植株和杂草的正确识别率平均为88%和84%,识别一帧720×576象素的图像的平均时间 120 ms。玉米植株的正确识别率主要受中心区域的完整度影响,而杂草的正确识别率主要受玉米和杂草叶片重叠程度的影响。