玉米籽粒考种信息获取装置设计与试验

考种是制约育种效率的关键环节。玉米高通量考种过程,存在籽粒堆积和粘连现象,影响籽粒考种参数的提取。本文结合玉米高通量自动考种需求,设计了籽粒考种信息获取装置。通过分析堆积籽粒回旋运动过程的受力情况并根据试验情况确定振动平台回旋速度,实现籽粒的平铺摊种。在此基础上,针对粘连籽粒图像提出了一种先分割后融合的改进分水岭算法,该方法通过比较相邻分割区域极小值与最小分水岭的差值与设定的阈值T,进行邻域融合,对过分割区域进行合并,实现粘连籽粒的准确分割,分割完成后,统计籽粒个数,并基于Graham扫描法建立单个籽粒的最小外接矩形,获取籽粒长宽参数。在构建的玉米籽粒自动考种装置上进行动态试验,结果表明,本文所提出的方法可实现玉米粘连籽粒的准确分割,单穗玉米籽粒计数正确率不低于98.05%,籽粒平均长宽与人工测量结果的决定系数R~2在0.97以上,满足自动考种在线检测的需求。     

基于机器视觉的胡麻种子自动化考种方法

[目的/意义]胡麻种子的周长、面积、长短轴和千粒重是胡麻考种过程中常用的参数,对于胡麻的育种、栽培,以及种子品质和性状的评估都具有重要的意义。[方法]针对胡麻种子自动化考种时出现的数据统计错误率高、效率低等问题,基于机器视觉研究胡麻种子的轮廓特点、探索形态特征的测量方法,针对籽粒重叠现象提出基于融合角点特征的轮廓拟合图像分割方法,设计胡麻种子自动化考种数据实时分析系统,最终实现胡麻种子自动化考种的研究。本研究在工业相机获取的胡麻种子图像上进行试验。[结果和讨论]提出的自动化考种方法对不同品种胡麻种子的统计识别准确率达97.28%,百粒种子平均处理时长69.58 ms,相较于极限腐蚀算法、基于距离变换的分水岭算法,平均计算准确率比极限腐蚀算法提升19.6%,平均运算时间低于直接使用分水岭算法所需时间。[结论]自动化考种方法具有更好的计算准确率和处理速度,能够更准确地批量获取胡麻种子的形态学特征参数,使测量误差能够保持在10%以内,可为今后胡麻考种相关工作提供技术支撑,助力相关产业发展。     

基于ECMM分割法的杂草稻种子在线识别技术

为提高水稻种子质量,剔除杂草稻种子,提出一种基于凹点匹配的粘连分割算法,搭建一种在线形色双选水稻种子识别平台。该平台由排种系统、图像采集系统、传动系统、电机驱动系统构成。该平台算法基于ECMM凹点分割法,首先对采集的图像进行预处理、提取形态因子小于0.4的粘连轮廓,对所提取轮廓的边缘进行一维高斯卷积核平滑处理,并计算平滑后轮廓曲线的曲率及其曲率均值,寻找与曲率均值相差较大的若干个点作为角点。其次,依据矢量三角形面积的正负来判断角点是否为真正的凹点,寻找凹点与前继点、后继点所组成的法线方向的夹角范围(0°~180°),并在此夹角范围内寻找与其相匹配的凹点对,完成粘连分割。该算法平均精度为92.90%,比极限腐蚀法提高19.82个百分点,比分水岭算法提高12.85个百分点。最后,计算分割后图像上各轮廓内的种子长度与R通道像素占比来识别杂草稻种子。经识别平台测试,本文算法每识别100粒种子平均用时0.95s,平均识别精度为97.50%。     

基于ComⅥ和双阈值OTSU算法的农作物图像识别

针对农作物图像中依附泥土和杂质噪声呈现不规则性和复杂性特点,提出了一种基于植被指标合成双阈值OTSU算法的农田作物图像识别方法.该方法根据农作物充分显露和部分被遮盖2类图片特点,将图像识别过程分为3个阶段：首先利用植被指标合成获取农作物图像灰度图,然后根据双阈值OTSU自适应算法进行二值化处理与图像分割,再进行正常的形态学运算,将3个阶段所分割的图像叠加形成最终的农作物与土壤识别图像,并将该算法与双阈值迭代设定法进行了对比.试验研究表明该算法克服了传统灰度图算法和阈值迭代算法的缺点,能有效提取和识别过渡区域的边缘,图像识别的准确率为92.7%以上.最后,采用Visual Basic2010和Matlab 2012软件设计了农作物图像识别系统,从应用角度实现了图像识别的可视化与自动化.     

基于卷积神经网络的生菜多光谱图像分割与配准

针对多光谱图像中由于多镜头多光谱相机各通道之间存在的偏差以及传统分割方法的不适用,图像分析处理过程往往会出现无法自动化分割或分割精度较低的问题,提出采用基于相位相关算法和基于UNet的语义分割模型对田间生菜多光谱图像进行各个通道的精确配准并实现前景分割。使用Canny算法对多光谱各通道图像进行边缘提取,进而使用相位相关算法对多光谱各通道图像进行配准,单幅图像平均处理时间0.92s,配准精度达到99%,满足后续图像分割所需精度;以VGG16作为主干特征提取网络,直接采用两倍上采样,使最终输出图像和输入图像高宽相等,构建优化的UNet模型。实验结果表明：本文所提出的图像配准和图像分割网络,分割像素准确率达到99.19%,平均IoU可以达到94.98%,能够很好地对生菜多光谱图像进行前景分割,可以为后续研究作物精准表型的光谱分析提供参考。     

基于流域算法的谷物籽粒图像分割技术

为解决谷物外观品质检测过程中获取图像的籽粒粘连问题,提出了一种基于先验知识的流域分割算法。首先,设定合理的区域面积阈值Ath,标记并去除图像中的单个籽粒区域,结果记为M;然后,设定有效腐蚀次数Eth,对粘连籽粒区域进行流域分割,结果记为Mc;最后,取Ms与Mc的并集,作为分割结果。试验结果表明,该算法分割效果较好,分割精度达到95．4％。     

一种适用于多种环境的超像素分割方法

对于多种环境下的图像分割,传统的超像素分割方法容易造成边界分割不精确、处理速度低等问题。为了保持超像素的边缘贴合度,对简单线性迭代聚类算法(simple linear iterative clustering,SLIC)提出改进:融合边缘梯度信息来计算惩罚函数,并在聚类时添加限制条件,最后利用相似度准则,合并孤立点,获得超像素。通过对多种环境图像的实验,验证了改进算法的高实时性和准确性。     

无芒隐子草叶片卷曲度和厚度测量方法

针对叶片卷曲度和厚度交互式测量方式费时、费力、误差大,传统图像处理算法普适性不高等问题,以无芒隐子草叶片为研究对象,采用基于Graham 算法的最小外接矩形法实现叶片卷曲度的测量,采用矢量积法和角点检测相结合的凹凸点检测算法实现叶片厚度的测量。首先,通过石蜡制片获取无芒隐子草叶切片,利用显微镜连接计算机获取切片图像;然后,采用红色灰度化方法结合阈值分割将切片图像的目标和背景分离;最后,根据叶片卷曲度和厚度的实际测量方式,采用Graham算法通过求取目标区域的最小外接矩形实现叶片卷曲度的测量,将矢量积法和角点检测相结合检测目标区域的凹凸点,通过凹点与凹点、凸点与凸点匹配实现叶片厚度的测量。选取30幅无芒隐子草叶切片图像为样本进行了试验,结果显示,采用本文提出的红色灰度化方法和分量法、最大值法、平均法、加权平均法对图像进行灰度化处理后,图像信息熵分别为6.4280、6.3612、5.6679、5.9348、6.0526,图像平均梯度分别为0.0785、0.0242、0.0158、0.0093、0.0104,图像对比度分别为0.2641、0.1130、0.0574、0.0703、0.0784,说明本文方法能更好地保持图像的边缘、细节等信息,图像清晰度更高。进行自动阈值分割后,分割的平均误检率为0.75%,平均漏检率为3.49%,平均整体分割精度达到98.14%。在有效分割目标和背景的基础上,对叶片卷曲度和厚度进行测量,并与交互式测量结果进行相比,结果表明,采用本文方法对叶片卷曲度和厚度的测量值与交互式测量值的平均相对误差分别为0.96%和3.69%,测量速度分别提高了约10倍和37倍。     

基于植物病斑的图像分割研究综述

图像分割是图像处理中的关键技术之一。目前,基于植物病斑的图像分割算法很多,对于不同的病斑特点,人们提出了相应地解决办法,而且还在不断改进和提高这些算法的效率和有效性。为此,结合目前的研究进展,对图像分割的分类及其在植物病斑的处理中的应用进行综合型阐述,并对各分割算法所存在的问题以及未来发展的趋势进行了讨论。     

基于机器视觉的玉米果穗性状参数测量方法研究

在玉米育种、田间测产和提高玉米产量的过程中,均需要对玉米果穗考种,即需要对玉米果穗的穗长、穗粗、穗行数、行粒数和穗粒数等性状参数进行测量。人工考种不仅花费大量的人力物力,而且在考种过程中普遍存在人工劳动强度大、观测效率低、人为干扰导致测试结果不客观及不准确等问题,在很大程度上限制了考种的速度与精度。针对上述问题,利用所研制的自动考种设备和机器视觉方法,通过USB工业相机获取玉米果穗单面性状彩色图像,利用|B-R|模型、（G+B）/2模型将彩色图像分别进行灰度化,利用改进后的一维最大熵阈值分割方法对灰度图像进行二值化,分别得到果穗轮廓二值图像和果穗特征二值图像;通过轮廓二值图像计算果穗放置后的倾斜角,实现果穗轮廓二值图像和特征二值图像的自动纠偏;通过相机标定,得到单位像素对应的实际值,进而得到穗长及穗粗;通过提取局部籽粒特征二值图像,利用水平黑背景点扫描及对扫描曲线的修正获取穗行宽度,通过穗行数修正模型得到果穗的穗行数;通过提取局部单行籽粒特征二值图像,利用垂直黑背景点扫描及对扫描曲线的修正得到行粒数;根据行粒数和穗行数得到穗粒数。试验结果表明,穗长和穗粗平均测量精度分别为98.05%和97.99%,穗行数测量正确率为95%,行粒数平均测量精度为96.29%,穗粒数平均测量精度为95.67%,和实际值相比,穗粗、穗长、行粒数及穗粒数的测量值差异无显著性。单穗玉米果穗机器视觉平均测量速度为600ms/穗,考种设备测量速度为6s/穗,能够满足自动考种设备的使用需求。     

基于凹点分析法的粘连鸡体分割方法研究

针对鸡体之间存在相互粘连问题,以散养绿壳蛋鸡为研究对象,提出一种基于凹点分析法的粘连鸡体分割新方法,该方法在不同的颜色空间下使用最大类间方差法(Maximum Between-Class Variance,OTSU)结合形态学运算,对采集的视频图像进行图像预处理后,通过分析粘连区域的凸缺陷轮廓,使用正方形模板确定凹点位...     

基于数学形态学粘连粮食籽粒图像分割算法的改进

为了保障我国的粮食安全,需要特别重视提高粮食生产能力,并为商品粮食的收购以及市场流通提供快速、准确的外观品质检测手段.为此,针对粘连籽粒图像分割时易产生过分割与欠分割的问题,在凌云设计的粮食图像分割算法的基础上,提出了一种改进的数学形态学方法,并对原算法与改进算法进行对比实验.实验结果表明,改进算法能够较好地解决粘连籽粒的分割问题,特别是籽粒接触面积较小、碎米率较大的图像的分割问题.     

基于计算机视觉的小麦收获边缘导航线提取方法

针对小麦收割边缘受到麦茬、土壤、光照等环境因素影响导致的导航线提取精度低、运行速度慢等问题,为实现小麦精准化收获作业而提出一种基于水平投影和梯度下降的小麦收获边缘导航线提取方法。首先通过LAB阈值分割、形态学滤波等进行图像分割,然后进行水平投影以提取出小麦收获边缘伪特征点,将伪特征点进行最小二乘拟合从而获得边缘特征点所在的ROI区域,并对该区域进行Canny边缘检测来提取出边缘特征点,最后利用梯度下降算法拟合出小麦收获边缘导航线,从而解决传统算法中所遇到的导航线拟合精度低、拟合速度慢等问题。试验结果表明：在小麦已收割和未收割区域对比度很低的情况下,处理一张分辨率为640像素×360像素的图像平均耗时163 ms,生成的导航基准线成功率高达95%,为智能农业机械在麦田中的自主行走提供一种可靠的、实时的导航方法。     

农田蛾类图像分割方法研究

介绍了已有的农田蛾类昆虫检测装置和相关研究技术.在已有技术的基础上,介绍了图像的预处理和杂质点的消除方法.在对提取的图像进行分割时,首先介绍使用Otsu方法来对图像进行分割,接着采用sobel算子提取蛾类对象的边缘,以边缘像素为种子点,使用区域生长来对蛾类图像进行分割.通过比较这两种分割方法可知,使用区域生长方法对蛾类图像分割的效果较好.     

玉米籽粒内部组分低对比度透射图像精确分割研究

为解决玉米籽粒透射图像由于对比度较低造成内部组分提取不精确的问题,提出一种基于色彩通道非线性变换的多通道重叠区域分割方法,对玉米籽粒图像在灰度、R通道及b通道下得到的二值图像使用重叠区域原理,实现玉米籽粒组分的精确分割。首先,采集不同玉米品种的籽粒透射图像,提取单粒玉米籽粒;其次,采用多通道重叠区域法分割单粒籽粒图像,得到玉米籽粒胚部、角质胚乳和粉质胚乳3部分的图像;最后,以查全率和查准率评价多通道重叠区域法与传统图像分割方法对不同品种玉米籽粒的分割效果。不同品种玉米籽粒的分割试验表明:多通道重叠区域分割方法的查全率、查准率及综合评价指标均达到98%以上,分割效果优于传统的图像分割方法,能够实现不同品种透明角质玉米籽粒透射图像的精确组分分割。     

叶面雾滴沉积分布直接检测算法研究

提出一种基于阈值边缘提取算法和HSV颜色模型的二次分割叶片雾滴图像识别算法。通过模拟喷雾试验得到三种不同雾滴密度的叶片样本,保留叶片自身轮廓信息的同时分割叶面雾滴,计算叶面积与雾滴覆盖率关系。结果表明应用Otsu阈值边缘提取与HSV空间混合算法相对于传统的k-means聚类分割算法、动态阈值分割算法,更适用于叶面雾滴分布的识别与检测,三种覆盖密度叶片的分割准确率分别为:95.16%、94.23%、93.76%,平均准确率为94.38%;雾滴覆盖率检测相对误差分别为:2.82%、4.11%、7.59%,平均相对误差分别为4.84%。基于阈值边缘提取与HSV空间提取的混合算法可分割叶面雾滴图像并检测完整叶面上雾滴覆盖率,识别结果能够满足识别精度的要求。     

连接大米籽粒图像的自动分割算法研究

分析了单个大米籽粒和连接大米籽粒的轮廓特征,提出了一种基于曲率的分割算法。该算法能够有效地反映边界点尖锐程度的曲率及其方向,根据曲率大小和曲率方向能准确判别图像中大米籽粒是否接触并快速找到分割点。用最短距离配对法对3种接触的大米籽粒进行分割。算法对判别籽粒是否接触的准确率达99%以上,对接触籽粒的准确分割率达95%以上。     

基于几何形态学与迭代随机圆的番茄识别方法

为解决番茄采摘机器人作业过程中果实识别不准确的问题,提出一种基于几何形态学和迭代随机圆相结合的目标提取算法,该算法可对图像中粘连的果实进行有效分割与识别。首先,以串收番茄佳西娜为研究对象,使用RGB相机采集图像;其次,对图像进行Canny边缘检测操作,获得果实边缘轮廓点;然后,对果实边缘轮廓点进行基于几何形态学的处理,获得果实轮廓点;最后,对果实轮廓点分组处理后,进行迭代随机圆的处理,得到果实识别结果。对该算法的正确率和准确率进行了验证,结果表明,果实识别正确率为85. 1%,果实识别准确率为79. 1%,此算法在一定程度上解决了复杂环境下多个果实粘连或被少量遮挡情况下的果实分割问题。     

粘连玉米籽粒图像的自动分割方法

以玉米籽粒为对象,提出了一种基于公共区域和籽粒轮廓寻找分割点的方法,实现了粘连玉米籽粒图像的自动分割.对于两个相互粘连的籽粒,在对粘连目标进行连续腐蚀-膨胀处理过程中,相互接触籽粒会形成公共区域,将公共区域与任意一个籽粒轮廓进行交集运算后,得到一段不封闭的曲线,曲线段的端点作为分割点,再运用Bresenham画线算法生成分割线,将这两个籽粒分离.对于大量粘连的籽粒,采用同样的方法,以"剥离"方式可将籽粒逐个分离出来.对100组粘连籽粒图像进行算法测试,分割正确率为96%,分割后的籽粒边界较为平滑,变形较小.     

基于蚁群算法的玉米植株热红外图像边缘检测

针对热红外图像目标与背景区分不明显、效果模糊,以及传统的Roberts、Sobel、Canny等边缘检测方法难以取得理想检测效果的特点,以玉米植株为测试对象,首次将蚁群优化算法应用于热红外图像边缘检测。该算法由初始化过程开始,进行N步迭代构造信息素矩阵,然后执行信息素过更新过程,最后图像边缘由决策过程给出。仿真实验结果表明,该算法与传统边缘检测算法相比,能够较好地得到边缘检测结果,可为农作物热红外图像处理提供一种新的方法。