基于视觉技术的林木生长状态无损测量方法

为提高林木生长状态测量的准确性,克服传统测量方法的不足。从视差处理的角度出发,将图像处理技术与视觉理论有机结合,根据不同时间点采集到的树木图像信息,判断出一段时间内树木生长状态的变化情况。试验过程中,将待采集图像的树木上标出红色的矩形信息点,并利用双摄像机针对标出的特征点进行采集,然后将2幅树木图像进行对比研究, 分别计算出在一定时间间隔内树木上信息点空间信息,从而确定该段时间内信息点的位置变化。试验结果表明,针对标定的信息点,传统测量方法在高度和粗度分别增长5.63 mm和5.75 mm,二者数值相近,与林木生长实际不符;而基于视觉技术的测量,高度和粗度分别增长2.4 mm和1.5 mm,高度变化是粗度变化的1.6倍,与林木的实际增长过程是一致的。所以,基于视觉技术的测量方法,能够很好地实现对树木的无损测量研究,判断出树木的生长状态变化情况。     

基于双目视觉的测树方法研究

树木参数是林业调查的重要指标。依据双目视觉原理和图像处理技术提出一种基于双目视觉的测树方法研究,利用经纬仪和CCD代替双CCD,减少计算误差,再经图像处理和识别提取出树木参数。     

基于双目视觉的测树方法研究

树木参数是林业调查的重要指标。依据双目视觉原理和图像处理技术提出一种基于双目视觉的测树方法研究,利用经纬仪和CCD代替双CCD,减少计算误差,再经图像处理和识别提取出树木参数。     

基于双目立体视觉的重叠柑橘空间定位

果实的精准识别和定位是智能采摘面临的难题之一。基于双目立体视觉,提出了一种针对户外重叠柑橘的三维空间定位方法。首先,从双目左右图像中提取重叠柑橘果实轮廓并进行高斯平滑,通过曲率分析,找出异常的轮廓像素点;其次,依次连接相邻两个异常像素点,分析该线段上的像素点到柑橘轮廓的距离,在相邻两正常线段的交点处完成重叠柑橘轮廓分割,并通过寻找异常线段剔除对应的非柑橘轮廓像素点;再者,采用最小二乘椭圆拟合方法重建柑橘目标轮廓,并获取柑橘的中心;最后,根据双目极线约束和图像相似度,对重叠柑橘中心点进行匹配,并基于视差原理计算柑橘中心的深度值及三维空间坐标,确定重叠柑橘的遮挡关系。户外实验结果表明,所提出的方法定位误差为6.38 mm,满足柑橘采摘机器人户外采摘作业的定位精度要求。     

基于双目立体视觉的重叠柑橘空间定位

果实的精准识别和定位是智能采摘面临的难题之一。基于双目立体视觉,提出了一种针对户外重叠柑橘的三维空间定位方法。首先,从双目左右图像中提取重叠柑橘果实轮廓并进行高斯平滑,通过曲率分析,找出异常的轮廓像素点;其次,依次连接相邻两个异常像素点,分析该线段上的像素点到柑橘轮廓的距离,在相邻两正常线段的交点处完成重叠柑橘轮廓分割,并通过寻找异常线段剔除对应的非柑橘轮廓像素点;再者,采用最小二乘椭圆拟合方法重建柑橘目标轮廓,并获取柑橘的中心;最后,根据双目极线约束和图像相似度,对重叠柑橘中心点进行匹配,并基于视差原理计算柑橘中心的深度值及三维空间坐标,确定重叠柑橘的遮挡关系。户外实验结果表明,所提出的方法定位误差为6.38 mm,满足柑橘采摘机器人户外采摘作业的定位精度要求。     

基于双目视觉的手势识别研究

搭建了一个便利有效地双目视觉系统,结合深度信息,精准地提取手势信息。采用模板标定法对双目相机进行标定,精确地获取了相机的参数,标定的像素误差为0.67个像素;在立体匹配阶段,利用BM算法快速准确地实现了左右相机图像的匹配,获得被测手势的视差;结合三角测距原理,从而生成较为稠密的深度图;最后将深度信息重新映射到原彩色图像上,实现三维重建,生成三维云图,根据云图信息双目视觉系统能有效地从复杂背景中分割手势,并换一种手势进一步验证了所搭建的双目视觉系统从复杂背景中分割手势的可行性。     

基于双目视觉的农田障碍物检测

针对智能农业机械自动驾驶或辅助驾驶立体视觉障碍物检测技术中,传统阈值分割不能达到目标提取精度的问题,提出基于分析扫描线上区域分割与特征匹配相结合的障碍物检测算法。在双目视觉系统得到农田场景图像对中,通过分析扫描线上像素分布情况将图像分割,进行归类整理提取目标区域;对目标区域进行快速立体特征匹配,得到目标区域的空间信息,进行障碍物的检测。对800帧(400对)图像进行检测试验,结果表明:每对图像的平均处理时间<100 ms,本次试验检测出障碍物的正确率达到95%。该算法用于农田障碍物检测具有很好的检测效果。     

基于双目机器视觉的菠萝自动采收机设计

由于菠萝植株和菠萝果实结构的特殊性,目前国内大部分菠萝采摘主要以人工为主,机械化水平较低,采摘工作效率较低,工作环境较差,对手、手臂等身体部位有较大的伤害。设计了一种基于双目视觉的自动菠萝采收机,主要由分行器、行走装置、双目视觉系统、采摘装置、输送装置、收集装置、控制系统和电源供给装置组成,对双目视觉定位系统和主要机械部件进行了介绍,使用SolidWorks软件对采收机进行三维建模,并对其进行了经济效益分析。实践表明,该菠萝自动采收机能满足采摘需求,效率较高,经济效益较好。     

基于Macbm-RCNN的叶片周长和面积测量方法

为进一步提高日常背景下叶片周长面积测量精度和便利性,提出一种新的深度卷积网络模型Macbm RCNN,该模型在经典Mask RCNN模型基础上引入注意力机制。Macbm RCNN能对经过压缩处理过的图片进行准确检测和标注,并最终输出叶片周长和面积。通过最终的试验数据表明,Macbm RCNN网络模型的训练准确率相比于Mask RCNN提高1.65%,在复杂图像处理中,平均训练时间提升0.022 s,平均推理时间提升0.018 s。计算效率高于叶面仪和方格法,计算误差小于1.5%。验证表明,引入注意力机制的Macbm RCNN网络能提高叶片预测的准确率,在复杂情况下处理的速率有明显提升;在叶片周长和面积的计算中误差较小。在实际应用中能有效提高工作效率。     

数字图像处理技术在叶面积测量中的应用

传统测量叶面积方法费时、低效,叶面积仪法高成本、维修不便.本研究利用图像处理技术测量叶面积,从解决图像阈值的分割、叶片阴影去除以及叶片边缘检测算法等问题出发,应用大津法求得阈值,中值滤波法去除杂点,采用Roberts算子检测边缘,进而计算叶面积.叶面积仪法与图像处理法比较叶面积值相关系数R2为0.962,剪纸法与图像处...     

基于Photoshop CS5的植物叶面积测定方法

利用扫描仪对广玉兰叶片进行数字化处理,运用Photoshop CS5软件自动化提取叶面积,并与叶面积仪法、剪纸称重法等测定方法进行比较.结果表明,Photoshop CS5软件的图像处理法与叶面积仪法和剪纸称重法呈极显著线性相关,相比之下其具有快速、准确、易普及等优点;归结出了Photoshop CS5中像素大小与叶片数字化时分辨率、缩放比例的数学关系,为今后叶面积的快速测定提供了依据.     

基于图像处理的玉米叶片姿态测量方法研究

为实现玉米叶片姿态的自动测量,针对玉米叶片形态特征,提出了基于图像处理的玉米叶片姿态自动测量方法。首先采用迭代方法对叶片图像细化,提取骨架图像上的各像素点,然后采用最大距离法计算叶片的弯曲度,通过测量叶片最高点与叶尖的垂直距离计算下垂度,最后对2种测量方法进行测试和分析。结果表明,所提出的叶片姿态测量的2种方法对样本叶片的测试准确率分别为92.4％和88.2％,能够有效描述和量化不同玉米品种的叶片弯曲程度,方法简单易行,且测量过程不需要标度校准。     

基于图像的人体参数测量系统的设计与实现

给出一种基于图像的人体参数自动测量方法,并设计与实现人体参数测量系统.通过2个数码相机拍摄人体的正视图和侧视图,运用图像分割和特征提取等图像处理方法提取2幅图像上的人体特征点;利用三维标定架标定相机的内外参数;利用双目视觉原理从2幅图像上的特征点计算出人体的测量点,完成人体尺寸参数计算.试验结果表明：与传统手工测量相比,本方法能实现自动测量,缩短了测量时间,提高测量的精度和效率;与三维非接触测量相比,本方法测量设备简单和便携,测量速度更快,操作更加方便.     

基于计算机视觉的水稻叶部病害识别研究

【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】（1）病斑图像获取：水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。（2）特征参数的选择与设计：首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。（3）病害识别流程的设计：根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。（4）病害识别模型的建立：将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。     

天女木兰叶片形态特征的数值分析

对天女木兰7个分布区11份标本的叶片形态特征进行主成分和聚类分析．结果表明：主成分分析选出3个主成分,差方累计贡献率达到90．454％,叶片长、叶柄长／叶片长、叶宽分别是第1,2,3主成分的主导因子;7个分布区的11份天女木兰种质资源可分为两类,第一类包括取自吉林石湖的SH1及SH2和河北祖山的zs,表现为叶片大而薄,叶尖钝尖,叶基呈楔形或圆状楔形;第二类包括取自浙江清凉峰的QLF、安徽黄山的HS1及HS2、贵州雷公山的LGS1及LGS2、贵州麻江的MJ、广西猫儿山的MES1及MES2,表现为叶片普遍较厚,叶尖急尖或渐尖,叶基呈圆形或心形．聚类分析结果表明：种群间的亲缘关系远近与地理位置密切相关．     

光照强度对狐臭柴叶片形态与结构的影响

为狐臭柴人工种植技术的构建与开发利用提供依据,采用人工设施栽培方法,研究不同光照条件下狐臭柴叶片的形态和解剖结构。结果表明:在一定光照强度范围内,随着光照强度的增加,叶面积逐渐减小,叶片颜色变浅,叶片上表皮细胞密度和叶脉直径均显著增大;遮光处理下叶片的叶形、叶缘、叶尖、叶质、上表皮细胞形态等指标变化与对照差异明显;遮光处理下叶片总厚度、上表皮厚度、栅栏组织厚度和海绵组织厚度较对照存在极显著差异。叶片下表皮厚度、下表皮细胞形态和下表皮细胞密度受光照强度的影响不大。     

基于机器视觉的玉米叶片透射图像特征识别研究

【目的】建立玉米品种的叶片透射图像特征数据库,研究特征随品种的变化规律,分析各类特征的识别效果,为进一步研究玉米生长期间的机器视觉品种识别提供依据。【方法】以生产中推广的21个常规玉米品种为供试材料,分别采集拔节期、小喇叭口期、大喇叭口期、抽雄开花期4个生育时期的玉米叶片。在灯箱内,采集每一叶片的高画质透射图像,共计420张。基于Matlab R2009a开发了“玉米叶片特征提取与识别软件”,包括图像预处理、特征提取、神经网络识别和阈值选取4个功能模块。依据开发的特征识别平台,对玉米叶片透射图像进行图像预处理和特征提取。提取形态类、颜色类和纹理类共计48个特征,特征数据量共计20 160条。分析48个特征品种间的变异系数,研究玉米叶片透射图像特征随品种的变化规律。建立BP神经网络模型进行综合识别,分析不同时期单特征的识别效果,寻找玉米叶片透射图像中品种区分能力较强的重要特征。进一步分析不同时期3大类特征及其组合的识别效果。【结果】在玉米的4个生育时期,叶片透射图像3类特征品种间的变异系数差异比较明显,颜色类特征变异系数最大,其次是纹理类特征变异系数,形态类特征变异系数最小,并且这种差异随着玉米的生长十分稳定。在玉米的4个生育时期,叶片透射图像48个特征的品种识别率差异比较明显,为9.52%-29.33%。R分量的标准差、短轴长、H分量的标准差、等面圆直径、H分量的平均值、V分量的标准差、B分量的标准差、不变矩6、椭圆度、S分量的平均值、外接凸多边形面积、B分量的平均值、平滑度、S分量的峰度、S分量的标准差的识别率较高,平均识别率在18%以上。单类特征中,颜色类特征识别率最高,平均86.76%;纹理类特征次之,平均为78.05%;形态类特征最低,平均为68.67%。颜色类特征和纹理类特征识别的稳定性较高,纹理类特征识别效果更稳定一些。组合特征中,形态+颜色特征组合识别率最高,平均识别率为92.29%;颜色+纹理类特征组合次之,平均为90.29%;形态+纹理类特征组合识别率最低,但平均识别率也达到了87.43%。在拔节期,3类特征组合的识别率无明显差异,且都在91%以上。在小喇叭口期,颜色+纹理特征组合识别率大幅上升,形态+颜色特征组合识别率小幅下降,形态+纹理特征组合识别率下降较大,但是仍然维持在82%以上。在其他3个时期,形态+纹理特征组合和颜色+纹理特征组合识别率差别不大,并且形态+颜色特征组合识别率相对较高。【结论】研究结果为玉米叶片透射图像特征的研究与应用提供了比较系统全面的数据,为生长期间玉米品种的识别提供了新的方法和量化依据,也必将在其他作物的识别方面发挥很好的借鉴作用。