基于位置特征的行间杂草识别方法

研究了利用条播作物的位置特征识别行间杂草的方法。根据条播作物成行排列的位置特征,利用像素位置直方图法识别作物中心行。根据多数杂草位于作物行之间裸土中的位置特征,以每条作物行左右边界线段的起始点作为种子,运用种子填充算法填充与其相连通的作物行区域,从而识别行间杂草。试验表明：行间杂草的准确识别率平均为80%,错误识别率平均为4.2%,适用于早期作物田间杂草识别。     

基于纹理和位置特征的麦田杂草识别方法

以化学防除适期麦田杂草为研究对象,对利用条播作物的位置和纹理特征识别田间杂草的方法进行了研究。根据条播作物小麦作物行的间距相对固定等位置特征,利用植物像素直方图法确定作物行的中心线和行宽,并识别行间杂草。然后,以作物行中心为基准来选取纹理块,计算量化级数为8级的H颜色空间的共生矩阵,提取5个纹理特征参数,利用K均值聚类法判别分析各块的类别来识别行内杂草。研究结果表明,杂草的正确识别率约为93％,作物的错误识别率约为7％。     

基于图像处理的杂草叶片识别参数研究

杂草种类繁多、危害严重,对杂草种类进行精确识别,可以提高除草效率,减少除草剂使用量,降低其对环境的污染.为此,应用图像处理的有关技术,以杂草叶片为研究对象,以形态、纹理和颜色特征相结合的方法来描述杂草叶片信息,提出了共16个特征参数可对杂草叶片信息进行精确描述,该特征参数可区别不同种类的杂草,为农药的精确投放和现代施药装备的开发奠定基础.     

利用位置特征法分离作物和行间杂草的研究

以化学防除适期豆田杂草为研究对象,根据条播作物豆田作物行的间距相对固定的位置特征,利用像素直方图法确定作物行的中心行宽并识别行间杂草.通过对几种填充作物行区域的算法进行了大量的研究,得出使用改进的扫描线填充算法分割杂草运行速度最快,避免了重复扫描现象的发生,满足动态实时处理的要求.     

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。     

基于颜色特征与多层同质性分割算法的麦田杂草识别

针对杂草与小麦叶子交叠的情况,提出了一种利用改进的多层同质性分割算法,并综合颜色与形态特征的杂草识别方法。在颜色空间YIQ,选取I作为特征量并用改进的最大类间方差法分离植物与背景;在颜色空间HSI,选取I的同质性量和S作为特征量进行多层同质性分割分离小麦与杂草;最后结合形态学特征开闭运算滤波及二值逻辑与运算获得杂草图像;通过模拟化学除草系统,从理论上评价整个系统的除草效率。试验结果表明,杂草正确识别率达92.6%,单幅图像除草剂的减少率在35%~50%,小麦田的除草剂减少率超过78.7%。     

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.     

基于机器视觉的杂草实时采集与处理算法的研究

随着计算机技术的不断进步,机器视觉技术在包括农业工程的各个领域的应用与研究中得到了广泛的发展,机器视觉在杂草实时采集与识别的技术研究中已成为科学工作者们的主要研究方向。为此,研究了杂草图像的实时采集、处理算法以及软件系统的开发,并利用现有的实验平台作为模拟试验系统。     

豌豆苗期田间杂草识别与变量喷洒控制系统

以图像实时控制器CVS-1456为核心设计了图像实时识别与变量喷洒系统.在普通光照下分别采集包含豌豆苗、土壤背景、杂草(刺儿菜)等的原始图像,分析其颜色模型,根据色差分量R-B颜色特征采用LabVIEW和IMAQ Vision编程实现杂草实时识别.基于Canny算子对识别的杂草进行边缘检测,并提取目标杂草的面积、密度和形心位置3个特征参数为变量喷洒定位提供依据.随机试验表明:基于R-B色差分量对豌豆苗期复杂背景下刺儿菜杂草平均正确识别率达到83.5％,均方差0.066,该方法准确可靠.     

基于特征优化和LS-SVM的棉田杂草识别

为了提高杂草识别的精度和效率,提出了一种基于特征优化和最小二乘支持向量机(LS-SVM)技术的棉田杂草识别方法.在对原始图像灰度化、滤波去噪和阈值分割等处理的基础上,提取植物叶片的6个几何特征和7个Hu不变矩,用粒子群优化(PSO)算法对形状特征进行优化选择,缩减LS-SVM训练样本数据,然后用训练好的分类器进行杂草识别.实验结果表明,该方法在有效缩减形状特征的同时,能够保持高于原始特征集的识别率,平均正确识别率达到95.8%.     

基于高光谱成像的苹果品种快速鉴别

以"乔纳金"苹果,"红富士"苹果和"秦冠"苹果共90个试验样本为试材分别采集865~1 711 nm的近红外波段高光谱图像,选取苹果图像感兴趣区域(ROI),以分辨率2.8 nm提取其平均反射光谱数据,分别利用K近邻法(KNN)和径向基核函数支持向量机(RBF-SVM)进行品种判别,5折交叉检验。结果表明,3种苹果的近红外高光谱图像均在波长941~1 602 nm之间变得清晰,该区域200个波段下的平均反射光谱数据经KNN法中的10种距离算法评判,当K取值3和5时,切比雪夫距离、欧几里得距离和明可夫斯基距离3种距离算法的识别正确率均达到100%;SVM-RBF核函数模型中,γ取值为2-8~1的范围内识别正确率均在92%以上,当γ取值2-5,C取值为16和32时,识别正确率最高,为96.67%。故利用近红外高光谱图像技术结合KNN计算对苹果品种进行快速鉴别是优异和可靠的方案。     

基于DeepLabCut算法的猪只体尺快速测量方法研究

为解决基于计算机视觉猪只体尺测量过程中存在的对猪只姿态依赖度高、测定效率低等问题,提出了一种基于DeepLabCut算法的非接触式猪只体尺快速测量方法。本研究以长白猪为研究对象,使用RealSense L515深感相机作为图像数据采集单元获取猪只背部RGB-D数据,通过分析对比ResNet、MobileNet-V2、EfficientNet系列的10个主干网络训练效果,选取EfficientNet-b6模型作为DeepLabCut算法最优主干网络进行猪只体尺特征点检测;为实现猪只体尺数据的精准计算,本文采用SVM模型识别猪只站立姿态,筛选猪只自然站立状态;在此基础上,采用深度数据临近区域替换算法对离群特征点进行优化,并计算猪只体长、体宽、体高、臀宽和臀高5项体尺指标。经对140组猪只图像进行测试发现,本研究提出的算法可实现猪只自然站立姿态下体尺的实时、精准测量,体尺最大均方根误差为1.79 cm,计算耗时为每帧0.27 s。     

基于优化DBSCAN算法的玉米种子纯度识别

为快速有效地识别玉米种子纯度,针对玉米种子图像特征,对玉米种子的图像处理方法和聚类算法进行研究,提出一种基于最远优先遍历的DBSCAN玉米种子纯度识别算法。该方法首先提取玉米种子冠部核心区域的RGB、HIS和Lab种颜色模型特征参数,选取H、S、B作为识别向量;其次通过最远优先遍历算法剔除密度差异特征向量边缘异常散点;最后采用DBSCAN算法进行密度聚类。实验结果表明,该方法玉米纯度识别正确率达93.3%。     

基于蚁群算法的含水层参数识别方法

含水层参数的确定,是进行地下水资源科学管理的基础和关键。针对传统一些求参方法的缺点,提出了基于蚁群算法的含水层参数识别方法,并给出了实施该方法的具体步骤。以无界承压含水层井流模型为例,讨论了蚁群算法在含水层参数反演中的应用。实例分析结果表明,蚁群算法在确定含水层参数的优化问题中不仅可行,而且具有求解精度高和鲁棒性强等特点,显示了蚁群算法在水科学优化问题中的应用前景。     

并联移栽机器人视觉的研究——基于图像的秧苗位置确定

以三平移并联机器人视觉系统为研究对象.采用超绿色(Extra Green)特征分割方法对植物秧苗在钵盘中的彩色图像进行分析,提取出图像中绿色成分,并进行二值化处理;然后,对二值图运用质心法、形态学运算法和中点法3种方法确定图像中心位置,并综合比较3种运算方法,得出确定秧苗根茎位置的最佳方法为形态学运算法.     

基于灰度-梯度特征的改进FCM土壤孔隙辨识方法

土壤孔隙的拓扑结构决定了土壤水分保持和传导能力,对土壤生态过程与功能具有重要影响,但现有土壤孔隙辨识方法存在孔隙边界判别不准确和运行效率较低的问题。为解决这一问题,提出一种基于土壤CT图像灰度-梯度特征的改进模糊C均值(GFFCM)孔隙辨识方法。该方法利用拉普拉斯算子建立灰度-梯度二维特征矩阵,并结合土壤相关先验知识分区构造初始隶属度矩阵和确定聚类数目;然后,基于初始条件实现土壤结构的模糊划分;最后,运用孔隙辨识准则对模糊聚类结果进行优化,完成土壤孔隙结构的精准辨识。以非饱和土壤CT图像为应用对象验证孔隙辨识方法的性能,通过与传统FCM法、快速FCM法(FFCM)的比较,表明GFFCM法有效克服了传统FCM法在隶属度矩阵和聚类数目初始化的不足,解决了初始值制约辨识精确度的问题,在保证孔隙辨识精度的前提下具有较高的执行效率。     

基于遗传算法的机器人运动学参数误差识别

针对机器人标定过程中误差建模与参数识别方法的繁琐问题,提出通过考虑参数误差的运动学模型直接建立基于相对距离误差的参数误差方程组,并采用混合遗传算法求解方程组的新方法,使得参数误差识别简单易行.算例通过数值仿真,分析了采用不同的测量数据(完整的距离信息或非完整的距离信息)进行参数误差识别的可行性,结果表明,只要获得足够多的测量数据,就可以识别机器人运动学参数误差,这为机器人标定时采用一些非完整的距离测量方法提供了理论支持.     

基于Harris算子的籽粒尖端识别方法

通过籽粒尖端形态特征分析,提出了一种基于Harris角点检测的籽粒尖端识别方法。Harris算子在一个局部区域中检测角特征,作为籽粒最明显的角结构,尖端在Harris角点检测中具有最大的响应值,使其对尖端不明显的籽粒也有良好的响应。通过对玉米、南瓜和西葫芦等具有尖端特征的750粒籽粒的测试结果表明,提出算法的尖端检测综合准确率为95.6%。     

基于改进模拟退火算法反演水文地

水文地质参数的反演是一个复杂的非线性优化问题，针对标准模拟退火算法收敛速度慢的缺陷，提出了反演水文地质参数的改进模拟退火算法。采取了设置内阀值、增加约束条件和记忆功能等措施，以提高标准模拟退火算法的收敛速度。实例分析结果表明，改进模拟退火算法在水文地质参数反演和含水层隔水边界的识别问题中不仅是可行的，而且求解精度较高。同时，结合实例的结果分析并给出了影响算法收敛性能的几个因素。