基于骨架提取算法的作物茎秆识别与定位方法

针对农作物禾苗和杂草辨识和定位不精确,会造成除草机器人除草不净、伤害禾苗、影响产量等问题,提出了一种基于骨架提取算法的作物茎秆中心识别与定位的多级图像识别方法。该方法通过不同图像处理算法的多级式递进融合,实现对农作物茎秆的精确识别与中心定位。首先将采集到的彩色图像转换到HSV颜色空间进行背景分割。然后采用腐蚀算法对图像进行腐蚀操作,腐蚀掉杂草图像信息得到仅含作物的图像信息,最后用Zhang-Suen细化算法对作物图像进行骨架提取操作,并对骨架交叉点进行计算分析,识别与定位作物茎秆中心,实现作物精准辨识和定位。对采集的100幅苗期图像进行实验测试,结果表明农作物禾苗茎秆中心识别和定位精度误差小于12mm。本文方法能实时精准辨识禾苗和杂草,并对禾苗进行精准定位,为实现田间机械化除草提供了一种精准可靠的作物识别和定位方法。     

基于图像处理多算法融合的杂草检测方法及试验

自动化除草是现代精确农业科学领域的研究热点。已有的自动化除草解决方案中普遍存在鲁棒性不强、过度依赖大量样本等问题,针对上述问题,本研究提出了基于图像处理多算法融合的田间杂草检测方法,设计了一套田间杂草自动识别算法。首先通过设置颜色空间的阈值从图像中分割土壤背景。然后采用面积阈值、模板匹配和饱和度阈值三种方法对作物和杂草进行分类。最后基于投票的方式,综合权衡上述三种方法,实现对作物和杂草的精准识别与定位。以大豆田间除草为对象进行了试验研究,结果表明,使用融合多图像处理算法的投票方法进行作物和杂草识别定位,杂草识别平均错误率为1.79%,识别精度达到98.21%。相较单一的面积阈值、模板匹配和饱和度阈值方法,基于投票权重识别杂草的精度平均提升5.71%。同时,针对复杂多变的农业场景,进行了存在雨滴和阴影干扰的鲁棒性测试,实现了90%以上的作物识别结果,表明本研究方法具有较好的适应性和鲁棒性。本研究算法可为智能移动机器人除草作业等智慧农业领域应用提供技术支持。     

作物行识别算法的虚拟试验方法

针对作物行识别算法的传统开发过程对田间作物生长周期依赖性较强,错过适当的田间图像采集时期将直接导致算法开发周期延长等问题,提出一种基于虚拟场景的作物行识别算法测试方法,即在虚拟环境下模拟农田作物行场景和图像采集系统,运用虚拟作物行图像测试作物行的识别算法。该方法在虚拟现实环境下建立作物行场景模型;提出一种融合建模法,根据作物和杂草的几何特征建立对应的三维几何模型;根据实际田间作物的空间分布特征,建立株距、行距可调的田间作物行模型;以Vega Prime为视景仿真工具,通过配置投影模式、渲染模式、视点位姿和图像采集规格,构建图像采集系统,输出作物行场景图像。以苗期棉花作物行为建模对象,对一种经过田间试验验证的双目视觉作物行识别算法进行测试试验。对比实际棉田图像对应的试验结果,同一作物行识别算法的识别正确率、偏差角和图像处理时间均相近。结果表明,本文建立的虚拟棉田作物行与实际棉田作物行场景相近,能够用于作物行识别算法的测试。     

基于虚拟仪器技术的田间多光谱视觉系统设计

设计了一套田间多光谱虚拟仪器视觉系统.系统使用高分辨率的多光谱(近红外、红光和绿光)相机MS3100,拍摄作物生长期的多光谱图像,采用Labview及其视觉模块编写图像的采集、处理和分析程序,实时测取作物各个光谱波段的反射率.田间试验表明,该系统可以准确地对图像中的作物进行识别,求取作物的光谱反射特征,在2.4m×1.8m的视窗内,每组图像的采集和处理时间平均为311ms,满足田间精准变量投入的在线工作要求.     

色差边缘检测方法在杂草识别中的研究

田间作物与杂草的识别是实现变量喷洒除草药剂的关键.为此,提出了田间作物和杂草的叶子颜色信息以及HSI颜色模型研究的基础上,提出了一种与HSI空间3分量相互分离的特点相结合的色差边缘检测方法,并将实验结果同传统的Sobel方法进行了比较.结果表明,该方法充分利用了田间作物与杂草的彩色信息,能够快速准确地检测到图像的边缘,边缘连续性好,能很好地与背景分离,而且能够满足实时检测的要求.     

基于达芬奇平台的联合收获机视觉导航系统路径识别

针对联合收获机视觉导航对实时性及鲁棒性要求,采用了基于达芬奇平台的路径识别算法实现方案.在分析小麦收获视频图像纹理度量的基础上,提出了基于改进平滑度纹理特征的视觉导航路径识别算法.该算法利用水平方向上图像平滑度纹理特征,把原亮度图像转换成水平方向平滑度图像,然后采用自适应阈值分割图像的边界点,最后通过Hough变换确定视觉导航的路径.为验证该算法在达芬奇平台的运行效果,对联合收获机田间收获小麦进行导航实验.结果表明:算法运行实时性高,识别路径平均速度可达28.6帧/s;算法鲁棒性好,对多种环境下的路径识别有较好的适应性;算法运行稳定可靠,持续运行时间无限制.     

自然光照下基于粒子群算法的农业机械导航路径识别

针对农业机械视觉导航线提取易受光照变化影响及常规导航线识别算法实时性低、抗干扰能力差等问题,对自然光照条件下基于机器视觉的农业机械导航路径识别技术进行了研究。首先,在YCr Cb颜色模型的基础上构建与光照无关的Cg分量,选择2Cg-Cr-Cb特征因子对图像进行灰度化处理,以降低光照变化对图像分割的影响;然后,采用改进K-means聚类方法进行图像分割,将绿色作物信息从土壤背景中分离出来,并通过形态学滤波方法滤除二值图像中存在的杂草干扰信息;最后,根据图像中作物行的特点建立作物行直线方程约束模型,利用粒子群算法对作物行直线进行寻优求解,进而得到导航线。实验结果表明,不同光照条件下对2Cg-Cr-Cb灰度图像进行图像分割,可以清晰完整地将作物从土壤背景中分离出来,分割图像受光照变化影响较小并且不会引入背景噪声;基于粒子群算法的导航线检测方法可以快速准确地提取出导航路径,对于不同农田作物和作物不同生长阶段具有较高的适应性,相比于常规导航线识别算法具有实时性高、鲁棒性好等优点。     

基于双通道阈值分割和CNN的田间绿芦笋视觉识别

为解决田间自然光照条件下绿芦笋自主采收中的作物识别问题,提出了一种将图像预处理与CNN算法相结合的方法。对于获取的原始图像,首先在Lab和YUV颜色空间下的a通道和U通道进行OTSU阈值分割,之后合并分割图并进行去噪处理,简化突出图像特征,再根据预处理后图像特点,优化改进LeNet网络结构,构建CNN模型对预处理后图像进行识别,提取目标作物绿芦笋。试验结果表明:本方法可实现田间自然光照条件下绿芦笋的有效识别,识别准确率为89.39%,可为后续绿芦笋自主采收设备的研究奠定基础。     

基于最小相切圆和形态学相结合的作物行检测算法

机器视觉的农业导航路径规划是精准施药的关键,而作物行提取是其准确识别作物行路径的基础。为此,以玉米为研究对象,提出了一种基于最小相切圆原理和形态学相结合的作物行检测算法。首先在室外田间环境下采集生长早中期的玉米作物行图像,选择作物行比较规整的图像进行处理;其次,利用改进的超绿灰度化(1.8R-G-B)算法对玉米作物行图像进行灰度化处理,大大减少了噪声的干扰,通过中值滤波基本消除了噪声;然后,运用Otsu阈值算法获取了玉米作物行的二值图像。由于作物行呈线型,在此基础上,采用5×1像素的线型结构元素和3×3像素的方形结构元素两者相结合的方法对二值图像进行腐蚀、膨胀运算,并采用提出的最小相切圆与形态学结合的方法提取中央玉米作物行的骨架并进行中央作物行直线的拟合。实验表明:该算法能提供准确的位置信息,且对作物行边缘噪声具有较强的抗干扰能力,对进一步研究精准施药提供了参考依据。     

基于卷积神经网络的玉米根茎精确识别与定位研究

为了能精准地识别和定位玉米根茎,本文建立了基于迁移学习方法的玉米根茎检测网络,模拟人眼识别功能从复杂的田间环境中识别和定位玉米根茎,实现履带自走式热雾机玉米行间对行行走。以履带自走式热雾机为图像采集平台获取玉米作物田间图像,采用DOG金字塔算法提取图像中的目标根茎,构成样本训练数据库。通过训练网络,首先实现了单株玉米根茎的精准识别,然后开展玉米作物行间环境下多株玉米根茎精确识别和根茎定位。基于已识别的玉米根茎位置采用最小二乘法拟合行驶路径,试验结果表明,提出的玉米根茎识别方法与传统图像处理的方法相比,具有更好的定位精度,能够实现玉米作物田间路径的准确规划,为履带自走式热雾机玉米行间对行行走提供了技术支撑。     

基于特征工程的大田作物行中心线识别方法

针对大田作物行特征复杂多样,传统作物行识别方法鲁棒性不足、参数调节困难等问题,该研究提出一种基于特征工程的大田作物行识别方法。以苗期棉花作物行冠层为识别对象,分析作物行冠层特点,以RGB图像和深度图像为数据来源,建立作物行冠层特征表达模型。运用特征降维方法提取作物行冠层的关键特征参数,降低运算量。基于支持向量机技术建立作物行冠层特征分割模型,提取作物行特征点。结合随机抽样一致算法和主成分分析技术建立作物行中心线检测方法。以包含不同光照、杂草、相机位姿的棉花作物行图像为测试数据,运用线性核、径向基核和多项式核的支持向量机分类器开展作物行冠层分割试验;对比分析典型Hough变换、最小二乘法和所建作物行中心线检测方法的性能。结果表明,径向基核分类器的分割精度和鲁棒性最优;所建作物行中心线检测方法的精度和速度最优,航向角偏差平均值为0.80°、标准差为0.73°;横向位置偏差平均值为0.90像素,标准差为0.76像素;中心线拟合时间平均值为55.74ms/f,标准差为4.31ms/f。研究成果可提高作物行识别模型的适应性,减少参数调节工作量,为导航系统提供准确的导航参数。     

基于改进VGG网络的农作物病害图像识别

随着计算机技术的飞速发展,使用机器视觉进行农作物病害识别成为了一种趋势.但是,当前农作物病害图像识别研究主要集中在提高其识别精度方面而很少考虑实际复杂自然条件下的鲁棒性研究.在实际复杂自然条件下,噪声和复杂自然条件背景会降低识别精度.为此,对VGG网络进行改进,将高阶残差和参数共享反馈子网络添加进VGG网络中,识别实际...     

基于边缘检测与扫描滤波的农机导航基准线提取方法

为了实时、准确地提取作物行基准线,提出了一种将边缘检测和扫描滤波(Boundary detection and scan filter, BDSF)相结合的基准线提取方法。首先对RGB颜色空间采用G-R颜色特征因子进行图像灰度化,再采用最大类间方差法（OSTU）对灰度图像进行分割,得到二值化图像,获取较好的作物信息。然后分别对图像的底端和顶端部分进行垂直投影,获取作物行的位置,形成一个包含作物行直线的条形框;在这个条形框内,再用等面积的小条形框对图像进行扫描并统计有效点的个数。最后根据扫描的结果来提取导航线。试验结果表明,对比Hough算法和最小二乘法(Least square method, LSM),BDSF算法处理一幅分辨率为640像素×480像素的图像,平均耗时为67ms,与LSM算法耗时相当,精度接近Hough算法;并且在杂草和株数稀缺情况下具有良好的适应性,能够快速准确地提取作物行基准线。     

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.     

计算机视觉下的农作物病虫害图像识别研究

本文针对农作物病虫害图像识别需求,探索了基于数据增广技术的深度卷积神经网络迁移学习方法及识别模型,将原始样本量扩增至50倍,并通过抑制模型过拟合,从而提升模型的泛化能力和农作物病虫害识别的准确率.同时基于边缘计算理论方法与技术,将识别模型部署到边缘端,设计了基于计算机视觉与边缘计算的智能识别装置,通过该装置实时采集农作...     

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。     

基于自适应导航参数的智能车辆视觉导航

为提高导航路径识别的鲁棒性和实时性,采用了分区阈值二值化、噪声点搜索及滤波等图像处理方法,并对导航路径进行分区逐段识别;在路径跟踪方面,在获取的导航路径图像中选取远端路径和近端路径,以远端路径和近端路径的方位偏差量作为确定目标路径的依据,使提取的导航参数能适应导航路径的变化。根据四轮智能车辆模型进行路径跟踪仿真计算。在此基础上,采用两块数字信号处理器,对基于路径导航的视觉智能车辆进行了设计和试验验证。试验结果表明采用该方法设计的智能车辆具有较好的路径识别和跟踪控制效果。     

复杂环境中苹果树识别与导航线提取方法

为精准化管理果园,针对存在裸露土壤、遮蔽物、果树冠层阴影和杂草等复杂环境下难以提取导航线问题,通过无人机搭载多光谱相机获取苹果园影像数据后提取果树像元并进行全局果树行导航线提取。通过处理多光谱影像数据得到正射影像图(DOM)、数字表面模型(DSM)图像,选取并计算易于区分杂草与苹果树的归一化差异绿度指数（NDGI）、比值植被指数（RVI）分布图,构建DSM、NDGI、RVI融合图像后,综合利用过绿植被(EXG)指数和归一化差异冠层阴影指数（NDCSI）以阈值分割法剔除融合图像中土壤、遮蔽物、阴影等像元,降低非植被像元对果树提取的干扰。对比使用支持向量机（SVM）法、随机森林（RF）法和最大似然（MLC）法分别提取最终融合图像和普通正射影像中的苹果树像元,并计算混淆矩阵评价各识别精度。试验表明,MLC法对融合图像中果树的识别效果最优,其用户精度、制图精度、总体分类精度、Kappa系数分别为88.57%、93.93%、93.00%、0.8824;相对于普通正射影像,本文构建的最终融合图像使3种方法的识别精度均得到有效提升。其中,融合图像对RF法的用户精度提升幅度最大,为27.12个百分点;对SVM法的制图精度提升幅度最大,为9.03个百分点;对3种方法的总体分类精度提升幅度最低为13个百分点;对SVM法的Kappa系数提升幅度最大,为22.55%,且对其余两种方法的提升也均在20%以上。将本文得到的苹果树像元提取结果图像做降噪、二值化、形态学转换等处理后,以感兴趣区域划分法提取各果树行特征点,并以最小二乘法拟合各行特征点得到导航线,其平均角度偏差为0.5975°,10次测试整体平均用时为0.4023s。所提方法为复杂环境中果树像元和果树行导航线提取提供了重要依据。