基于多特征融合的田间杂草分类识别

提出了一种基于模糊BP综合神经网络的田间杂草分类识别方法。对分类特征进行模糊化处理,充分考虑了杂草的分类特征本身存在的不确定性。使用遗传算法对网络结构进行优化处理,提高了该综合神经网络的收敛性和稳定性。并基于特征级数据融合方法进行杂草识别。对田间7种杂草进行识别的实验结果表明,7种杂草的混合识别率达到94.2%;另外,对玉米及其伴生杂草进行分类测试,混合识别率达到96.7%,具有较好的识别精度。     

基于形态学参数的红枣品种识别

品种自动识别是红枣施药、采摘及分类分级等自动化作业的重要环节。为了探索骏枣、灰枣和冬枣3个新疆主栽品种机器自动识别的可行性,采集3个红枣品种的数字图像,以圆形度、矩形度、长宽比、半径比、Haralick比、类细度比例、面积与边界到形心平均距离平方比和紧凑度8个形态学参数作为品种特征值对红枣品种进行识别。随机取骏枣、哈密大枣、灰枣各35粒进行试验,统计分析各品种的8种形态学参数。试验结果表明:面积与边界到形心平均距离平方比可以最有效识别冬枣,骏枣及灰枣还需借助其它类型参数进行识别。     

基于深度与传统特征融合的非限制条件下奶牛个体识别

针对非限制条件下奶牛的个体识别,提出了一种基于深度特征与传统特征融合的奶牛识别方法。首先利用Mask R-CNN识别站立和躺卧姿态下的奶牛。其次,用两种方法提取奶牛的特征概率向量：用卷积神经网络(Convolutional neural network, CNN)提取Softmax层概率向量形式的深度特征;人工提取并利用近邻成分分析(Neighbourhood component analysis, NCA)选择传统特征,并将其输入支持向量机(Support vector machine, SVM)模型,输出概率向量。最后对两种特征进行融合,并基于融合后的特征采用SVM对奶牛进行分类。对58头奶牛站立和躺卧姿态的数据集进行了个体识别实验,结果表明,对于站立和躺卧姿态下的奶牛,与单独使用深度特征相比,特征融合方法准确率分别提高约3个百分点和2个百分点;与单独使用传统特征相比,特征融合方法准确率分别提高约5个百分点和10个百分点。站立和躺卧姿态下的奶牛个体识别率分别达到98.66%和94.06%。本文研究结果可为智能奶牛行为分析、疾病检测等提供有效的技术支持。     

基于特征选择的小麦籽粒品种识别研究

为有效地对小麦籽粒品种进行分类,判别影响小麦籽粒品种识别的特征,进行基于特征选择的小麦籽粒品种识别研究。首先采集农大3416-18、内乐288、衡水6632、百农419、洛麦28和新麦26六个品种的小麦籽粒图像18 000张,对采集的图像进行预处理,提取小麦籽粒的颜色特征、形态特征和纹理特征三大类共28个特征值,并对特征进行相关性分析。然后分别构建不同特征融合模型以及数据降维和数据增强模型。最后进行试验分析,基于纹理+形态+颜色三个特征融合模型平均识别准确率为91.02%,其中基于纹理+形态+颜色特征模型的洛麦28识别率最高,达97.0%;经过线性判别分析,降维处理的小麦特征数据识别准确率达86.19%,模型训练时间仅0.87 s;基于数据增强后的平均识别准确率达94.26%。试验表明基于特征选择的小麦籽粒识别是可行的,有助于育种工作者对小麦籽粒识别做出更准确判断,具有一定的实际意义。     

基于多器官特征融合的枣品种识别方法

针对自然场景下的枣品种识别问题,以枣果为研究对象的机器视觉技术已成为枣品种精准识别的主流方法之一。针对枣品种存在类间差异小、类内差异大的问题,提出了一种基于多器官特征融合的枣品种识别方法。首先利用YOLO v3检测算法将采集的自然场景图像中的枣果和叶片器官分割提取,提出了基于笛卡尔乘积构建两器官组合对的枣品种多样本数据集,然后基于EfficientNetV2网络模型,设计了能够充分学习两器官特征相关性的融合策略来提升模型性能,引入了逐步迁移训练方式以提升枣品种识别效率。最后,在构建的包含20个枣品种数据集上进行了大量实验,得到97.04%的识别准确率,明显优于现有研究结果,并且在训练时间和收敛速度上,本方法也有一定提升。结果表明该方法能够有效融合枣品种枣果和叶片器官的特征信息,可为其他品种识别研究提供参考。     

基于颜色特征的棉田中铁苋菜识别技

基于不同的颜色特征,利用机器视觉技术自动识别棉田中铁苋菜.分别对棉花和杂草铁苋菜的色差法(R-G,R-B,G-B)、超绿法(2G-R-B)、色度法(H)等5种特征图像进行对比,确定色度法利用最大方差进行二值化的效果最佳.创建与二值图像相对应的0、1双精度型矩阵,并分别与R、G、B三基色分量图相乘,获取前景是R、G、B三基色分量图,背景是黑色的灰度图像.分析棉花、铁苋菜前景R、G、B的标准差,确定R的标准差与B的标准差差值小于5作为判断铁苋菜的阈值.识别结果表明,棉花的判断准确率为71.4%,铁苋菜的判断准确率为92.9%,总体准确率为82.1%.     

基于特征融合的果园非结构化道路识别方法

针对果园道路无明显边界且道路边缘存在阴影、土壤和沙石干扰等问题,提出一种基于特征融合的果园非结构化道路识别方法。通过相机标定获取畸变参数对采集到的图像进行畸变矫正,并提出一种基于滤波与梯度统计相结合的动态感兴趣区域(ROI)提取方法对HSV颜色空间S分量进行ROI选取,采用最大值法将颜色特征与S分量多方向纹理特征掩膜相融合并进行二值化与降噪处理。根据道路边缘突变特征寻找特征点,并提出一种基于距离与位置双重约束的两级伪特征点剔除方法。为更好贴合非结构化道路不规则边缘,引入分段三次样条插值法拟合道路边缘,以此实现道路识别。试验结果表明,在晴天、阴天、顺光、逆光、冬季晴天和雨雪天气6种工况条件下,S分量、纹理图像和融合图像的平均纵向偏差均值分别为2.43、39.71、1.36像素,平均偏差率均值分别为0.99%、18.02%和0.54%,相较于S分量与纹理图像而言,使用本文方法构建的融合图像其平均纵向偏差与平均偏差率均得到有效减少。最小二乘法、随机采样一致性法(RANSAC)与分段三次样条插值法拟合边缘的平均偏差均值分别为2.64、3.16、0.66像素,平均偏差率均值分别为1.02%、1....     

基于视觉识别技术稻谷品质分析装置与试验研究

随着人们对稻谷品质要求越来越高,检测品质识别技术在农业中得到多方面使用。为此,针对检测稻谷品质精度和质量的设备单一、人工干预较多等问题,设计了一种基于视觉识别技术的稻谷品质分析装置,并分别介绍了装置的工作原理和重要部件。同时,利用MatLab软件建立相应函数和Canny边缘检测算法模型,并对稻谷数目精准检测和烘干后产生爆腰粒的识别及在线称重,结果表明:提高稻谷品质装置的自动化检测水平和工作效率,对其提升稻谷爆腰率检测及高效识别数目有重要的研究意义。     

基于多传感器融合的水稻行识别与跟踪导航研究

水稻生产田间管理机械自动跟踪水稻行是提高水稻生产田间管理自动化程度的关键。为避免田间管理机械碾压水稻行,本文融合机器视觉和2D激光雷达信息识别水稻行,并进行水稻行跟踪导航控制。首先分别利用机器视觉和激光雷达提取水稻行中心点,并统一空间坐标和目标区域,再采用稳健回归算法拟合水稻行中心线,获取导航基准线并计算出导航参数。然后设计了预瞄追踪PID控制器,最后搭建了水稻行跟踪导航试验平台并进行试验研究。试验结果表明,跟踪模拟水稻行的曲线导航试验标准差为27.51 mm;跟踪机械移载的水稻行导航试验横向偏差标准差为43.03 mm,航向偏差标准差为3.38°。     

基于计算机视觉的稻谷品种数据库检索技术

利用计算机视觉技术提取稻谷的主要外形特征,初步建立了稻谷品种数据库。研究了稻谷品种数据库的检索技术,提出了将BP神经网络与相似度检索相结合的检索方法。实验结果表明,该方法可有效提高检索效率。     

基于粒子群优化SVM和多特征融合的鱼类分类方法研究

针对鱼类识别面临着光照强度、各背景栖息地的变化和不同物种在视觉上具有相似性等方面的问题,提出一种新的基于多特征相结合及粒子群优化SVM的鱼类分类方法。该方法采用在原始图像中提取颜色、方向梯度直方图(HOG)和灰度共生矩阵(GLCM)特征构成特征向量,并提出选择设置最佳权重比的方法进行特征融合,采用PCA技术对提取的特征向量进行降维,以消除冗余数据。结果表明,该方法在实际采集的数据集上的准确率达94.7%,同属类鱼识别最高准确率93.75%,该方法可以应用于实际的鱼类图像数据集,实现对鱼类生物多样性的有效监测。     

基于机器视觉的田间杂草形状特征识别技术研究进展

农田杂草总体上是指生长在田间、分布广泛、对农作物有危害、非人工有意栽培的草本植物。我国农田杂草危害面积大约为4000万hm^2，主要发生在水稻、小麦、玉米、大豆、棉花五大作物农田，造成严重减产。因此应对杂草及时地加以控制，以保证作物的产量和质量。     

基于颜色信息和形状特征的棉桃识别方法

为了给机械手自动采摘棉桃提供运动参数,提出了一种棉桃识别方法,可以从背景环境中准确识别棉桃,获取棉桃准确的位置信息。通过对棉花不同部分颜色数据的分析,建立了基于色差信息的识别模型,为进一步提高识别准确性,利用形状特征建立动态Freeman编码方法去除噪声。实验结果表明这种方法具有良好的棉桃识别效果,识别率达到85%。     

基于SVM-DS多特征融合的杂草识别

为解决单一特征识别杂草的低准确率和低稳定性,提出一种支持向量机(SVM)和DS(Shafer-Dempster)证据理论相结合的多特征融合杂草识别方法.在对田间植物图像处理的基础上,提取植物叶片形状、纹理及分形维数3类特征,分别以3类单特征的SVM分类结果作为独立证据构造基本概率指派(BPA),引入基于矩阵分析的DS融合算法简化决策级融合算法复杂度,根据融合结果及分类判决门限给出最终的识别结果.实验结果表明,多特征决策融合识别方法正确识别率达到96.11％,与单特征识别相比有更好的稳定性和更高的识别率.     

基于多层信息融合和显著性特征增强的农作物病害识别

现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够,且提取的农作物病害图像显著性特征大多不足,为了更加有效地提取农作物病害图像中的判别特征,提高农作物病害识别精度,提出一种基于多层信息融合和显著性特征增强的农作物病害识别网络(Crop disease recognition network based on multi-layer information fusion and saliency feature enhancement, MISF-Net)。MISF-Net主要由ConvNext主干网络、多层信息融合模块、显著性特征增强模块组成。其中,ConvNext主干网络主要用于提取农作物病害图像的特征;多层信息融合模块主要用于提取和融合主干网络浅层、中层、深层特征中的判别信息;显著性特征增强模块主要用于增强农作物病害图像中的显著性判别特征。在农作物病害数据集AI challenger 2018及自制数据集RCP-Crops上的实验结果表明,MISF-Net的农作物病害识别准确率分别达到87.84%、95.41%,F1值分别达到87.72%、95....     

基于多视图特征融合的植物病害识别算法

近年来,基于传统机器学习和深度学习的叶片病害识别算法取得显著进展。然而现有病害识别模型大多采用单一类型特征,即对叶片病害图像提取颜色纹理等传统特征或采用深度学习自动学习特征。一方面采用深度学习自动学习特征需要大量样本,计算开销较大;另一方面传统特征往往应用于小规模病害数据集。因此提出基于多视图特征融合的病害识别算法,首先提取病害叶片图像的Gist特征以及基于深度学习预训练模型VGG16的深度特征,通过深度典型相关分析(DCCA)发掘传统特征与深度特征的相关性,获得更加鲁棒的特征子空间,从而提高识别效果。在Plant Village上的试验结果表明,采用DCCA融合传统特征和深度特征的识别方法比单类型特征识别法的识别精度要高,其平均识别精度可达88.45%。     

基于几何和色度学特征识别的花生视觉选种方法

花生选种要求花生粒完好、个大、颗粒饱满.为减少花生选种的工作量,该研究以花生粒为研究对象,建立花生选种的视觉识别方法.该方法首先采集图像并对图像进行视觉处理,根据训练样本图像建立基于几何和色度学的项目特征库;再根据采集的待选种子花生图像,对比特征库测试待选种子花生的2个重要几何特征参数面积和圆度,来识别粒大饱满种子花生...     

一种基于机器视觉的稻谷种子轮廓提取方法

0引言 我国水稻种植面积广阔,稻谷品种繁多.稻谷种子质量直接影响着粮食产量,因此,识别种子的品质,即种子真实性和品种纯度的确定显得尤为重要.目前,稻谷品种的鉴定识别方法主要有2种:化学方法和田间小区种植方法.其中,利用化学方法识别稻谷品种成本较高,而田间小区种植法实验周期又太长,它们都只在科研院所进行小批量的稻谷品种识别中适用.     

基于Hough变换的成熟草莓识别技术

基于图像区域特征来识别被遮掩、重叠或紧靠的草莓果实非常困难，提出一种基于Hough变换的成熟草莓识别方法。先对Lab彩色模型下α通道图像进行分割，利用提取的草莓轮廓信息，根据草莓轮廓的数学模型进行Hough变换，实现成熟草莓的识别。为减少运算量，在Hough变换之前，先进行区域标记，获取有效图像信息区域。草莓轮廓信息提取和Hough变换在各个有效区域中进行，由于参数空间大大压缩，运算量也得到减少。试验表明：当成熟草莓轮廓信息丢失小于1／2时，无论单个分离的成熟草莓，还是被遮掩、重叠或紧靠的成熟草莓，皆有很好的识别效果，识别平均相对偏差为4．8％，能满足草莓采摘机器人对目标识别精度的要求。     

基于DPLS和LS—SVM的梨品种近红外光谱识别

为了实现不同品种梨的快速光谱鉴别,采用主成分分析法(PCA)对光谱数据进行聚类分析,得到3种不同品种梨的特征差异,主成分分析表明,以所有建模样本主成分PC1和PC2做出的得分图,对不同种类梨具有很好的聚类作用。利用主成分分析得到的载荷图可以得到对于梨品种敏感的特征波段,用特征波段图谱作为输入建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。3个品种梨各70个共210个分别建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。对未知的24个样本进行预测,LS-SVM模型品种识别准确率达到100%,DPLS模型的校正及验证结果与实际分类变量的相关系数均大于0.980,交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)都小于0.100,品种识别率为100%。表明提出的方法具有很好的分类和鉴别作用,提供了梨的品种快速鉴别分析方法。