共查询到18条相似文献,搜索用时 46 毫秒
1.
基于颜色特征的棉田绿色杂草图像识别方法 总被引:9,自引:5,他引:4
为实现棉田精确喷洒除草剂的自动化作业,该文基于颜色特征开展棉田中绿色杂草与棉苗的自动识别研究。利用苗期棉花茎秆呈暗红色的特点,首先使用Otsu法对所获图像的超红特征灰度图像和超绿特征灰度图像进行动态阈值分割,分别获取棉苗茎秆和绿色植物的二值图像。然后从棉苗茎秆二值图像中提取棉苗茎秆坐标,将棉苗茎秆与绿色植物二值图像进行位置信息融合,确定绿色植物二值图像中的棉苗区域,从而识别出各个绿色杂草区域并确定其区域质心和面积。通过15幅棉田绿色杂草图像进行试验表明,在棉苗茎秆不被叶片遮挡以及棉苗和杂草间不出现重叠的情况下,绿色杂草可以完全识别,棉苗的识别率可达到74%以上。 相似文献
2.
减少化学产品(化肥、农药等)的用量,是精确农业的主要目标之一。人们力图通过图像分析,测量田间一些地块的杂草和作物的比例并确定杂草的位置,但是在彩色图像里,作物叶子和杂草叶子的交叉给计算机区分它们带来了困难。文中针对两种不同情况,提出了两种不同的识别方法。一种方法是针对没有作物叶子和杂草叶子交叉的情况,另一种方法是针对有某些交叉的情况提出的。前一种方法计算时间短,后一种方法需要大量计算。还提出在图像分割过程中,用不同特征法和两步法进行区域合并的模式,其不同特征包括:区域像素各颜色成分的平均值,区域边界的比值和区域的形状。 相似文献
3.
提供了采用数字图像处理方法快速分割含边框植物叶片的方法,分别采用局部阈值分割和最佳阈值分割获取二值图像,得到局部阈值分割效果较好的结论,最终得到了比较清晰的边框图像和叶片二值图像,为后续图像处理打下良好基础。 相似文献
4.
对土壤背景进行有效分割是玉米苗期田间杂草识别的前提和基础。本研究利用颜色分量G-R和G-B与灰度直方图来实现玉米苗期图像与背景图像的分割,解决了玉米苗期田间杂草识别中受影响及环境适应性差等问题。通过对不同环境下苗期玉米图像的植被颜色和背景颜色分量的统计分析表明,采用G-R和G-B双阈值颜色特征分割,进行土壤背景分离取得了很好的效果。 相似文献
5.
基于株心颜色的玉米田间杂草识别方法 总被引:5,自引:1,他引:4
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。 相似文献
6.
用彩色图像识别田间洋葱和杂草的研究 总被引:2,自引:2,他引:0
减少化学产品(化肥、农药等)的用量,是精确农业的主要目标之一。人们力图通过图像分析,测量田间一些地块的杂草和作物的比例并确定杂草的位置,但是在彩色图像里,作物叶子和杂草叶子的交叉给计算机区分它们带来了困难。文中针对两种不同情况,提出了两种不同的识别方法。一种方法是针对没有作物叶子和杂草叶子交叉的情况,另一种方法是针对有某些交叉的情况提出的。前一种方法计算时间短,后一种方法需要大量计算。还提出在图像分割过程中,用不同特征法和两步法进行区域合并的模式,其不同特征包括:区域像素各颜色成分的平均值,区域边界的比值和区域的形状。 相似文献
7.
基于移位窗口Transformer网络的玉米田间场景下杂草识别 总被引:2,自引:2,他引:0
针对实际复杂田间场景中作物与杂草识别准确性与实时性差,易受交叠遮挡影响,像素级数据标注难以大量获取等问题,该研究提出基于移位窗口Transformer网络(Shifted Window Transformer,Swin Transformer)的高效识别方法,在实现作物语义分割的基础上快速分割杂草。首先建立玉米语义分割模型,引入Swin Transformer主干并采用统一感知解析网络作为其高效语义分割框架;改进Swin Transformer主干调整网络参数,生成4种改进模型,通过精度与速度的综合对比分析确定最佳模型结构;基于玉米形态分割,建立改进的图像形态学处理组合算法,实时识别并分割全部杂草区域。测试结果表明,该研究4种改进模型中,Swin-Tiny-UN达到最佳精度-速度平衡,平均交并比为94.83%、平均像素准确率为97.18%,推理速度为18.94帧/s。对于模拟实际应用的视频数据,平均正确检测率为95.04%,平均每帧检测时间为5.51′10-2 s。该方法有效实现了玉米与杂草的实时准确识别与精细分割,可为智能除草装备的研发提供理论参考。 相似文献
8.
9.
杂草作为一种常见的农业问题,对农作物的生长造成比较严重的影响,控制和管理杂草是农业生产活动中的重要一环。近年来,随着无人机技术和人工智能技术的快速发展,基于无人机平台的特定区域杂草管理是目前除草作业的主流研究,而精确高效地对田间杂草进行识别和检测是实现自动化杂草管理的重要前提。但高效的识别模型往往意味着大量的农业数据。为了降低对农业标签数据的依赖性,该研究提出了一种UANP-MT (uncertainty aware and network perturbed mean teacher)的半监督语义分割网络。该模型基于PSPNet结构与MT (mean teacher)的思想,首先通过对教师网络做扩增输出,令该部分做出若干次推理并取其均值,以此来保证网络预测的鲁棒性,其次在网络的一致性学习部分构建不确定性系数来约束不同网络间的输出差异,提高预测的置信度和可靠性,从而提高模型的识别准确度。为了验证所提出的模型的有效性,设计消融试验,包括对网络参数的取值设置,特征提取网络backbone的选取,以及在不同数据量的数据集下对模型进行性能测试,试验过程中确定了模型的一些最佳的参数设置。结果表明... 相似文献
10.
基于遗传算法和阈值滤噪的玉米根茬行图像分割 总被引:5,自引:5,他引:0
作物行的识别是农业机械视觉导航系统的一项重要研究内容,针对华北一年两熟区玉米利用联合收获机留茬收获后,农田原始图像中背景目标多(行间秸秆、裸露地表等),且背景目标与玉米根茬颜色接近,难以实现玉米根茬行准确快速分割的问题,该文采用RGB颜色空间,以根茬顶端切口为目标,提出了一种基于遗传算法和阈值滤噪的玉米根茬行图像分割方法。首先,为了降低图像分割难度,选取图像中间位置包含一条完整玉米根茬行的矩形区域作为感兴趣区域(region of interest,ROI);然后,利用经过遗传算法优化得到的灰度化算子对ROI进行灰度化,采用单阈值法分割ROI;最后,通过形态学腐蚀处理去除孤立点、毛刺等误分割情况,同时利用基于连通域面积阈值和偏距阈值的滤噪方法滤除根茬行两侧噪声,实现玉米根茬行的有效分割。为评价该分割方法,利用从农业部河北北部耕地保育农业科学观测实验站采集到的200幅玉米根茬行图像进行试验。结果表明:该方法能够较好的适应晴天光照条件变化,从含有裸露地表、玉米行间秸秆等复杂背景下,准确快速地分割出玉米根茬行,平均相对目标面积误差率为24.68%,处理一幅1280像素×1 024像素的彩色图像平均耗时为0.16 s,具有较好的鲁棒性、实时性和准确性。研究结果验证了基于遗传算法和阈值滤噪方法实现玉米利用联合收获机留茬收获后根茬行图像分割的可行性,并为玉米根茬行直线检测提供良好的基础。 相似文献
11.
摘要:为了减少农药的使用量,设计了一种新型杂草智能识别系统,并在不同的环境下进行了大量试验。该系统主要由智能识别控制器、喷头总成于安装支架组成,通过摄像头实时采集田间图像,采用基于颜色与位置特征的识别算法分析杂草分布情况,控制喷头快速开闭,实现精准对靶喷药。试验证明,该系统对不同环境均具有较好地适应性,能够快速、准确、可靠的定位杂草。在普通环境下系统识别准确率为97.0%;在强光照环境下系统识别准确率为92.5%;在阴影环境下系统识别准确率为89.2%,单帧图像平均耗时160 ms。该研究可为田间精确喷施除草装置的研发提供参考。 相似文献
12.
基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割 总被引:2,自引:3,他引:2
棉田冠层覆盖度是监测棉田棉花长势的重要指标,针对棉田复杂环境中冠层图像难以准确分割的问题,该文提出了一种基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割方法。首先将棉田冠层图像像素分成叶片冠层和地表背景2类,在HSV颜色空间中分别提取两类像素的H通道值,在RGB颜色空间中分别提取绿色占比值(G/(G+R+B))作为颜色特征;再利用逻辑回归算法确定出各颜色特征的分割阈值,通过H通道分割阈值实现图像的初次分割;再对初次分割结果中的低亮像素使用逻辑回归算法计算出的超绿特征阈值进行低亮像素分割,同时采用绿色占比分割阈值对图像高亮像素及低亮像素分割结果整体实现二次分割,最后采用形态学滤波方法对分割结果进行优化。为评价该分割方法,利用从新疆棉花产区采集到的320幅棉田冠层图像进行试验。结果表明,该方法可在棉田复杂自然背景下,有效分割出棉田冠层区域,平均相对目标面积误差率仅为5.46%,总体平均匹配率达到93.07%;优于超绿特征OTSU分割方法(平均相对目标面积误差率11.78%,总体平均匹配率76.43%)、四分量分割方法(平均相对目标面积误差率24.11%,总体平均匹配率71.67%)、显著性分割方法(平均相对目标面积误差率36.92%,总体平均匹配率66.92%)。该方法的平均处理时间为4.63 s,相对于超绿特征OTSU法(3.84 s)和四分量分割法(2.56 s),耗时多一些,但与显著性分割法(6.25 s)对比,花费时间要少。研究结果可为棉田自然复杂环境下机器视觉技术监测棉花覆盖度提供一种有效途径。 相似文献
13.
自然场景下基于混合颜色空间的成熟期苹果识别方法 总被引:10,自引:8,他引:2
在自然场景下,利用果实自身颜色特性进行图像识别对于提高识别效率和实时性具有重要作用。该文采用1.375作为R/B的分割阈值,对80幅成熟期苹果图像进行识别,其识出率、识别成功率、误识率和漏识率分别为98.3%、86.1%、12.4%、13.9%;在此基础上,加入0.45作为V的分割阈值,其识出率、识别成功率、误识率和漏识率分别为90.3%、84.9%、6.0%、15.1%,由此可见,基于R/B值和V值的混合颜色空间识别方法,在小幅降低识别成功率的情况下大幅降低误识率。通过进行顺光弱光照条件、顺光中光照条件、顺光高光照条件、逆光弱光照条件、逆光中光照条件、逆光高光照条件下的识别测试,结果表明顺光中等光照条件下的识出率和识别成功率最高,分别为91.7%和87.7%,漏识率最低为12.3%;不同光照条件下的识别成功率存在差异,但不明显。 相似文献
14.
融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法 总被引:7,自引:5,他引:2
为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明:该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草提供参考。 相似文献
15.
基于颜色和深度信息融合的目标识别方法 总被引:2,自引:2,他引:0
传统的机器视觉采用二维RGB图像,难以满足三维视觉检测的要求,深度图像能直接反映物体表面的三维特征,正逐渐受到重视。该文提出的方案将RGB和深度信息相结合,分割出物体所在区域,并利用梯度方向直方图(HOG, histograms of oriented gradients)分别提取RGB图像和深度图像特征信息。在分类算法上,该文采用k最邻近节点算法(k-NN)对特征进行筛选,识别出目标物体。试验结果表明,综合利用深度信息和RGB信息,识别准确率很高,此方案能够对物体和手势进行很好识别。 相似文献
16.
17.
基于图像处理和蚁群优化的形状特征选择与杂草识别 总被引:8,自引:7,他引:1
利用叶片形状特征区分杂草和作物是杂草识别的一个重要方法。为了提高杂草识别的精度和效率,通过形态学运算和基于距离变换的阈值分割方法分离交叠叶片,从单个叶片中提取包括几何特征和矩特征的17个形状特征,用蚁群优化(ACO)算法和支持向量机(SVM)分类器进行特征选择和分类识别,选取有利于分类的较优特征并实现特征的优化组合。棉田杂草试验结果表明,该方法能实现分类特征的有效缩减,经优化组合得到的最优特征子集用于杂草识别的准确率达95%以上,识别率高,稳定性好,对识别杂草时如何兼顾准确率和实时性具有参考意义。 相似文献
18.
基于卷积神经网络提取多尺度分层特征识别玉米杂草 总被引:3,自引:10,他引:3
为提高作物与杂草识别的准确率、稳定性和实时性,该文以幼苗期玉米及杂草为研究对象,提出了基于卷积神经网络提取多尺度分层特征的玉米杂草识别方法。首先建立卷积神经网络模型,以从图像的高斯金字塔中提取多尺度分层特征作为识别依据,再与多层感知器相连接实现图像中各像素的识别;为了避免目标交叠所带来的问题,对图像进行超像素分割,通过计算每个超像素内部的平均像素类别分布确定该超像素块的类别,再将相同类别的相邻超像素合并,最终实现图像中各目标的识别。试验结果表明:该方法的平均目标识别准确率达98.92%,标准差为0.55%,识别单幅图像的平均耗时为1.68 s,采用GPU硬件加速后识别单幅图像的平均耗时缩短为0.72 s。该方法实现了精确、稳定和高效的玉米与杂草识别,研究可为精确除草的发展提供参考。 相似文献