基于多颜色空间分割的温室环境视觉导航路径信息提取

针对温室小范围复杂作业环境中的农作机器人视觉导航路径信息的提取方法进行研究。该方法首先对红、绿、蓝(red、green、blue,简称RGB)颜色空间各分量算子重新组合比较,在HSI(hue-saturation-intensity)色彩空间对不同光照条件下各分量的均值和标准差进行比较,对图像的RGB空间的各分量作差得到(G-B)、(R-B)差值图像,再对G-B、R-B差值图像和H分量图像用最大类间方差法(OTSU)分别进行最优阈值分割,然后再合并、滤波,将植物从背景中分离,最后用优化后的Hough变换进行植物行中心线的提取从而确定导航路线。结果表明,该方法能去除杂草和降低光照条件的影响,很好地适应复杂的温室环境,能准确分割和提取农作物行中心线,算法简单,实时性、鲁棒性强。     

基于H分量K-Means多种环境条件下谷子冠层图像提取

以谷子为研究对象,采集谷子阴天、背景复杂有阴影、光照不均、露水雨水反光4类环境条件下的冠层图像,分别采用超绿分割、Lab空间K均值聚类分割和基于H分量的K均值聚类分割3种算法进行冠层提取,探究不同条件下谷子冠层提取的最优方法。对于阴天和背景复杂有阴影的谷子冠层图像,3种算法均可以较完整地提取,分割准确率均达到93%以上;对于光照不均的图像,超绿分割效果最差,基于Lab空间和基于H分量下的K均值聚类分割效果相对优异,分割准确率分别为93%和96%;对于露水雨水反光的图像,基于H分量的K均值聚类分割准确率最高,达到97%。基于H分量的K均值聚类算法对4种不同环境条件下获取的谷子冠层图像分割效果均较理想,为后续谷子生长自动监测提供了一定的参考价值。     

基于数码照片的草地植被盖度快速提取方法对比

草地植被盖度是表征草地群落结构及其生长状况的重要生态学参数之一。本研究基于乌拉特中旗草地照片,设计一种利用自动阈值分割算法快速计算植被盖度的方法,依次选取RGB颜色空间的EXG指数、HIS颜色空间的H分量、L*a*b*颜色空间的a*分量作为草地植被盖度提取的颜色特征,对比分析上述3种颜色特征方法快速提取草地盖度的效果。结果表明:EXG指数法的提取效果最好,其估算误差相对最低、精度最高、适用性最好;a*分量法次之;H分量法的估算误差相对较大。在去除阴影后,H分量法的估算误差降低、精度也随之升高,EXG指数法的估算精度略有降低,a*分量法无明显变化。3种方法对绿色草地的估算效果均优于黄绿色草地,尤其是a*分量法,其对黄绿色草地的估算精度为80.7%,而对绿色草地的估算精度却高达91.7%,仅次于EXG指数法(93.4%)。     

基于图像增强和α角度模型的K均值小麦冠层分割算法的改进

[目的]本文旨在克服光照不均引起的低对比度、反光、阴影、光斑及遮挡等对大田复杂背景下小麦冠层图像分割的干扰。[方法]设计了一种结合脉冲耦合神经网络(pulse coupled neural network,PCNN)与同态滤波的自适应图像增强和基于L*a*b*颜色空间α角度模型的K均值聚类分割算法。首先,将小麦冠层图像转换到HSI颜色空间,采用自适应算法对HSI空间的I分量进行增强处理,适当调节饱和度S分量,补偿光照强度分布不均,去除阴影及拉大对比度;其次,将增强处理后的图像映射到L*a*b*颜色空间,提取a*、b*分量建立α角度模型;最后,基于α进行K均值聚类分割处理。[结果]拔节前后光照强度不一、光照不均的冬小麦冠层图像的分割试验结果表明,该算法可一定程度避免基于L*a*b*颜色空间α角度分量K均值聚类的过分割现象;改善基于HSI空间H分量K均值聚类的欠分割缺陷,且对光斑、阴影遮挡、反光突出的图像分割更完整准确。[结论]本算法可为大田复杂背景下光照多变的作物冠层图像分割提供参考方法。     

基于机器视觉的水稻秧苗图像分割

水稻秧苗的识别是水稻插秧机自主导航系统的关键内容之一。针对插秧机机器视觉导航中稻田图像秧苗与背景分割问题,建立了基于RGB（红绿蓝）颜色空间的秧苗表面颜色模型。通过颜色特征对秧苗图像进行处理,使用Photoshop软件获取秧苗部分和背景R,G,B分量值;通过对G R值与G B值的分析统计,发现两者之间存在分界关系：各自的权重与各分量的乘积之和为某个定值;为方便分析,选取权值a,b为05,即ExG因子,采用Otsu法获取定值最佳值,最大程度分割出目标和背景。与适合于大多数绿色作物的传统RGB法进行比较,并采用分割质量因子和算法运算时间作为评判标准,分析各算法的综合性能。试验发现,ExG因子结合Otsu分割法分割效果相对理想、稳定性更高,而且耗时更短。     

基于相变储热材料的温室栽培架设计及性能研究

【目的】设计一种基于相变储热材料的温室栽培架,为解决温室作物冬季面临的低温冷害等问题提供参考。【方法】利用相变蓄放热系统、辅助加热系统、热风循环系统等组成栽培架,通过试验测试了典型晴天和典型阴天条件下栽培架种植区和相变蓄放热系统内的温度,对种植区与温室内的温度进行比较,并用FLIR红外成像仪采集线椒、番茄叶片部分的热红外图像,验证栽培架的放热保温效果。【结果】在典型晴天且不开启辅助加热条件下,种植区夜间平均温度较温室内高1.2～2.5 ℃;在典型阴天条件下,夜间开启辅助加热系统时,种植区夜间平均温度较温室内高3.3～6.8 ℃。在典型晴天和阴天两种天气条件下,栽培架内种植作物的叶片温度均高于同时段温室内种植的作物。栽培架的平均能量利用率在典型晴天和典型阴天条件下分别为65.1%和56.6%,栽培架的平均性能系数（COP）在典型晴天条件和典型阴天条件下分别为9.3和2.2。【结论】所设计的基于相变储热材料的温室栽培架冬季种植区增温明显,可有效改善作物生长的热环境,且节能效果明显。     

温室黄瓜在阴天的管理技术

黄瓜虽然是短日照作物,但对光照的强度要求却高。北京地区在温室栽培黄瓜,最怕遇到阴天,如果遇到连续阴天,产量就要显着地降低。例如1956年3月,由于继续15日的阴天,在四季青蔬菜合作社就减产了9%。究竟阴天和晴天的光照强度有多大差别呢?可看下表:     

蔬菜大棚内辐照度时空变化研究

[目的]为蔬菜大棚的高产栽培提供理论指导。[方法]利用TBQ—DL太阳辐射电流表对蔬菜大棚的辐照度时间和空间变化进行测定和研究。[结果]蔬菜大棚内阴天和晴天辐熙度均呈单峰型曲线,阴天辐照度比晴天弱,阴天辐照度在14：00达到最大值,晴天在12：00达到最大值。阴天和晴天辐照度均随高度的升高呈递增趋势。阴天和晴天大棚不同部位辐照度规律均是：上午东侧〉中侧〉西侧,下午西侧〉中侧〉东侧。[结论]在生产中,尤其是阴天较多的地区,应该更充分利用蔬菜大棚高层的光照资源。     

芹菜病害症状及防治

<正>芹菜是较耐低温的作物,是冬春保护地栽培的主要作物品种之一。芹菜产量的高低、质量的优劣,除受品种因素影响外,主要受温度、水分、光照、土壤等综合环境因素所制约。芹菜的食用部分,主要是以茎、柄为主的植株营养体部位。在满足上述生长环境条件下,根据植株体不同时期生长发育规律的需求,采用植物生长剂等促控技术措施,能有效促进芹菜植株体的生长速度,实现高产质优的需求目标。     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

基于优化PCNN模型的黄瓜叶片病斑提取方法

黄瓜叶部病斑的精确提取是计算机视觉技术在黄瓜病害识别系统中应用的关键。由于黄瓜叶部病斑形态小、光照不均匀、背景复杂等特性,导致现有的病斑提取方法精度较差。针对这一问题,提出一种基于优化脉冲耦合神经网络(pulse coupled neural network,简称PCNN)模型的黄瓜叶片病斑精确提取方法。首先,对采集的病斑叶片进行Lab颜色空间变换,通过对颜色分量的平均值和高斯滤波结果进行差值计算,获取病斑叶片的频率调谐视觉显著性图;接着,对病斑图像进行HSI颜色空间变换,提取色调(hue,简称H)分量,进行色调的均衡优化,并通过融合优化后的H参量来增强病斑叶片的频率调谐视觉显著性图;最后,对传统PCNN模型进行简化,构建网络参量的自适应更新规则,并将融合后的显著性图作为模型的输入参量进行病斑的分割和形态学处理,获取病斑的提取结果。结果显示,本研究方法能够实现在光照度改变、背景干扰等不同复杂环境下对黄瓜常见病斑图像进行精确提取,试验结果为后续的病害精确识别奠定了较好的基础。     

一种改进的作物缺素叶片图像分割方法

在研究比较多种传统分割方法的基础上,针对自然光照下缺素作物的图像分割问题,提出了一种改进的方法,即在RGB颜色空间,及2g-r-b法的基础上,通过开运算和(g-r)~2分割因子,实现图像背景的有效分割.     

机器视觉技术在金莲花灌溉中的应用研究

应用机器视觉技术研究了判断作物缺水状态的方法.在日光条件下采集了金莲花叶片图像,然后分别提取了红绿蓝(RGB)三色分量和它们的相对系数rgb及色度H.在RGB和HSI颜色模型下分析了各分量与作物缺水时间之间的相关特性.分析结果表明红色分量R、绿色分量G、蓝色分量B、以及r分量、b分量都与缺水时间之间有相当高的相关性,可以用作利用机器视觉快速判断金莲花缺水状况的指标,而其他分量与缺水时间之间没有明显的相关性.     

施药机器人对行施药系统的设计与试验

【目的】设计一种能在作物行间自主导航的施药机器人,实现移动机器人在温室中自动行走并均匀施药。【方法】针对导航路径识别受光线变化影响较大的问题,在Kinect摄像机获取的彩色图像中选取了HIS空间,并对K-means算法的聚类中心和聚类数目的选取进行了优化,随后采用改进的K-means算法对与光照信息无关的H、S分量联合分割,获得完整道路信息,并采用Candy算子检测边缘及改进的Hough变化方法拟合导航路径。采用模糊控制方法通过实时调整转角和转向,对车体行走偏移进行矫正。同时,为满足不同农作物的施药需求,在喷药系统上选用了自整定模糊PID控制算法。【结果】该系统可有效适应不同光照条件,提取作物行中心线平均耗时12.36 ms,导航偏差不超过5 cm,植株叶片正面的上、中、下层覆盖率分别为63.26%、50.89%和75.82%,单位面积(1 cm~2)雾滴数平均为55、42和78个。【结论】本系统可以满足温室移动机器人自主施药防治病虫害的需求。     

不同天气条件下南方温室内主要环境因子日变化规律研究

在具南方区域代表性的广西贺州现代农业科技示范园内,以单栋塑料温室为研究对象,设置上、中、下三层及室外观测点,每天(整点时)24次观测,探讨研究了晴天、阴天、雨天三种不同类型天气条件下温室内外气温、地温、光照、空气相对湿度、绝对湿度等主要环境因子的日周期时空变化规律,为合理调控温室内环境因子,指导温室作物生产实践提供借鉴和依据。     

辽沈Ⅰ型日光温室地温日变化规律及其谐波模拟验证

为探讨不同天气状况下辽沈Ⅰ型日光温室内无作物区和作物区地温的日变化规律及其模拟模型,采用HOBO传感器测定晴天和阴天两种天气状况下辽沈Ⅰ型日光温室内无作物区和种植番茄区不同深度地温日变化,并采用谐波法构建模拟模型,同时进行了拟合性验证。结果表明,晴天日光温室内地温存在水平分布差异,其中,在无作物条件下,日光温室南部地温最高,中部次之,北部地温最低;而在有作物条件下,日光温室北部地温最高,中部次之,南部地温最低;而且无作物区南部和中部的最高地温、最低地温和平均温度均高于作物区,而无作物区北部的最高地温、最低地温和平均温度则低于作物区。阴天日光温室地温的日变化幅度明显小于晴天。随着土壤深度的增加,地温日变幅逐渐减小。日光温室内表层地温的这些日变化均可拟合为正弦函数,晴天无作物区和作物区的表层地温均可拟合为周期为π/72和π/36的2个谐波的正弦函数,阴天无作物区和作物区的表层地温可拟合为周期为π/72、π/36、π/24和5π/72的4个谐波的正弦函数,其模拟方程经实测值证实具有极显著的拟合度。     

机器视觉技术在金莲花灌溉中的应用研究

应用机器视觉技术研究了判断作物缺水状态的方法。在日光条件下采集了金莲花叶片图像,然后分别提取了红绿蓝（RGB）三色分量和它们的相对系数rgb及色度H。在RGB和HSI颜色模型下分析了各分量与作物缺水时间之间的相关特性．分析结果表明红色分量R、绿色分量G、蓝色分量B、以及r分量、b分量都与缺水时间之间有相当高的相关性,可以用作利用机器视觉快速判断金莲花缺水状况的指标,而其他分量与缺水时间之间没有明显的相关性。     

基于颜色特征的图像分割方法及其在足球机器人中的应用

提出一种新的适用于跟踪移动机器人的视觉系统的彩色图像分割技术,这种方法采用符合人类视觉特性的HIS颜色空间表示图像的颜色特性,利用人对颜色的感知来对颜色分量进行非等间隔的量化并形成特征矢量,根据HIS颜色空间三个基本分量合成的一维特征矢量直方图进行分割,并克服HIS颜色空间存在不可避免的奇点对图像分割的影响.另外采用一种基于背景图像的非均匀光照修正算法,应用在足球机器人中.实验结果表明该方法不仅使目标定位和方向角更精确,而且提高动态环境下的鲁棒性.     

淮河流域农田生态系统湍流输送特征

利用涡度相关法与垂直梯度法对安徽寿县农田湍流通量进行了连续观测,分析了不同天气状况与不同下垫面对农田湍流通量的影响。结果显示:农田湍流通量受不同天气条件的影响显著。LE、H、G变化特征在晴、阴、雨条件下均呈单峰型曲线,日峰值、变化幅度:LE>H>G;通量值受短时气象条件影响有所波动,其稳定程度:晴天>阴天>雨天;雪天湍流通量单峰曲线规律不明显,LE波动剧烈,G为负值。地表反照率:雪地>裸地>作物下垫面;雪面反照率最大,导致H、LE最小,G相对较大,为负值;作物下垫面地表反照率随作物生长周期有先增后减的趋势。反照率与湍流通量各值的变化呈负相关。     

支持向量机和最大类间方差法结合的水稻冠层图像分割方法

针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExGOTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex GOTSU方法的精确度显著受光强条件影响,随着光强强度的提高而显著降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。