基于机器视觉的自然环境中猕猴桃识别与特征提取

研究了综合应用果实颜色和形状特征识别自然环境中猕猴桃果实及特征提取的方法.通过对比不同颜色空间,选用R-G色差分量;再采用基于误分割像素的分割评价方法来确定颜色特征nR-G中最佳分割系数n,最终选取0.9R-G颜色特征.利用0tsu法对其进行阈值分割,形态学运算去除掉残余噪声,实现了目标果实区域和背景区域的分割.然后利用Canny算子提取边界,最后对边界图像进行椭圆形Hough变换,逐个识别出目标果实,并提取出果实的形心坐标、长轴端点坐标和长短轴长度等特征信息.对49幅包含110个果实图像进行识别试验,试验结果表明:相互分离果实的识别率为96.9％,邻接果实识别率为92.0％,被枝叶部分遮挡果实识别率为86.6％,重叠的果实识别率为81.6％.     

基于多特征融合的树干快速分割算法

针对传统的树干分割算法存在分割精度低、实时性差的问题,提出了一种融合深度特征和纹理特征的树干快速分割算法。首先,通过Realsense深度摄像头采集树干彩色图像和深度图像;随后,采用超像素算法对彩色图像进行分割,并融合深度和纹理相近的相邻超像素块,最后对深度图像进行宽度检测,并对宽度在阈值范围内的物体所属的超像素块进行色调匹配,区分树干与非树干。在室内和室外植株实验中分别运用本文算法、GrabCut算法与K-均值算法进行树干分割,本文算法的平均召回率和平均准确率分别为87. 6%和95. 0%,GrabCut算法分别为78. 0%和92. 8%,K-均值算法分别为80. 2%和89. 1%;本文算法平均耗时为0. 20 s,GrabCut算法为0. 66 s,K-均值算法为4. 42 s。实验结果表明,本文算法的快速分割效果较好,在保证分割精度的同时,简化了识别过程,加快了分割速度,能够应用于室内和室外树干的分割。     

基于Deeplabv3+的猕猴桃特征提取和自动分级研究

【目的】当前猕猴桃的缺陷识别与分级大多基于传统图像处理技术,无法完全脱离人工操作,且对图像的质量要求高、可靠性差,无法满足猕猴桃现有的分级需求。【方法】课题组提出了一种基于Deeplabv3+网络模型的猕猴桃特征提取和自动分级方案,采用轻量级卷积神经网络MobileNetV2作为图片特征提取工具,将采集的466张猕猴桃图片进行滤波处理、数据增强等步骤后获得2 796张图片,按8∶2的比例分为训练集和预测集进行网络模型训练,并与传统模型识别率进行了对比。【结果】基于Deeplabv3+网络模型的猕猴桃四个等级的识别率分别为100%、96.15%、95.83%和97.05%,高于传统计算机视觉方法的识别率,验证了该方法在猕猴桃分级上的可行性。【结论】该模型有效地降低了系统的参数和计算量,具有训练时间短、空间复杂度低等优点,在猕猴桃图像的特征抽取和分级任务上具有较好的表现。     

基于颜色特征的桔子树干图像分割方法

根据桔子树干颜色的特点,提出了一种图像分割方法。首先,利用颜色特征定位ROI;然后,计算该区域的颜色特征向量提取桔子树干;最后,对不连续的桔子树干区域利用数学形态学方法进行自动修补。实验结果表明,该方法能够有效地提取出桔子树干,并确定其质心和面积,算法的平均识别率达到了86.93%。     

基于二值化卷积神经网络的农业病虫害识别

卷积神经网络的使用提高物体识别的准确率,但还是存在运行时间长、参数量较大的问题。针对这些问题提出使用二值化卷积神经网络模型对植物病虫害进行识别。试验中以VGG16模型为基准,采用深度网络模型对植物病虫害进行分类,相比于传统植物分类方法有效提高准确率;以符号函数和尺度因子α代替浮点型权值参数,将权值二值化以提高模型的计算速度;采用了PlantVillage数据集共54 306张图片,并且设置不同比例、环境下的数据集用以排除固有偏差对实验的影响,并且对原数据集进行图片扩充以消除样本分布不均的情况。试验表明二值化模型达到原模型近两倍的计算速度,且在分割数据集下测试平均识别准确率能达到96.8%。     

基于Kinect传感器的猕猴桃果实空间坐标获取方法

猕猴桃自动采摘机器人研究中,为了自动获取目标果实的空间坐标,提出了一种基于Kinect传感器的猕猴桃果实空间坐标获取方法。首先利用Kinect传感器的红外投影机和红外摄像机获取深度图像,利用彩色摄像机获取RGB图像,根据彩色图和深度图对应关系,转换成深度坐标;然后通过Map Depth Point To Skeleton Point函数得到以红外摄像机为原点的坐标系坐标。实验表明:该方法能够有效获取猕猴桃目标果实的空间坐标,其定位误差小于2mm。     

基于改进AlexNet的广域复杂环境下遮挡猕猴桃目标识别

为了提高猕猴桃采摘机器人的工作效率和对猕猴桃复杂生长环境的适应性,识别广域复杂环境下相互遮挡的猕猴桃目标,采用Im-AlexNet为特征提取层的Faster R-CNN目标检测算法,通过迁移学习微调AlexNet网络,修改全连接层L6、L7的节点数为768和256,以解决晴天(白天逆光、侧逆光)、阴天及夜间补光条件下的广域复杂环境中猕猴桃因枝叶遮挡或部分果实重叠遮挡所导致的识别精度较低等问题。采集广域复杂环境中晴天逆光、晴天侧逆光、阴天和夜间补光条件下存在遮挡情况的4类样本图像共1 823幅,建立试验样本数据库进行训练并测试。试验结果表明:该方法对晴天逆光、晴天侧逆光、阴天和夜间补光条件下存在遮挡情况的图像识别精度为96. 00%,单幅图像识别时间约为1 s。在相同数据集下,Im-AlexNet网络识别精度比LeNet、AlexNet和VGG16 3种网络识别精度的平均值高出5. 74个百分点。说明该算法能够降低猕猴桃果实漏识别率和误识别率,提高了识别精度。该算法能够应用于猕猴桃采摘机器人对广域复杂环境下枝叶遮挡或部分果实重叠遮挡的准确识别。     

基于RealSense深度相机的多特征树干快速识别方法

针对农业机器人在果园定位和导航中,环境背景复杂、光照强度变化大等问题,本文提出了一种基于RGB-D相机并利用颜色、深度、宽度和平行边特征的树干快速识别方法。首先,使用RealSense深度相机获取果园的彩色图像和深度数据;然后,将彩色图像转换为HSV颜色空间,再对HSV颜色空间中的S分量进行超像素分割,并将颜色特征和深度特征相近的相邻超像素块进行合并;随后,对深度图像进行树干宽度特征检测,对宽度置信率大于阈值的物体看作是待处理物体;最后,对待处理的物体进行平行边特征检测,在待处理物体边缘区域选择感兴趣区域窗口（ROI）进行边缘检测,搜索可能的树干边缘直边,当物体边缘的置信率R_B大于设定的阈值T_LB时,则识别为树干。通过对树干的多特征提取,有效提高了在不同环境下树干识别准确率。利用移动机器人平台在果园环境进行试验测试,以检验在强光照、正常光照和弱光照条件下树干识别算法的性能。试验结果表明,本文的树干识别算法在强光照、正常光照和弱光照条件下,树干识别的准确率分别为92.38%、91.35%和89.86%,每帧图像平均耗时分别为0.54、0.66、...     

基于Mask R-CNN模型的葡萄藤关键结构分割方法

剪枝点的精确识别与定位是实现葡萄藤冬季剪枝智能化的基础,葡萄藤关键结构的分割是用于推理精确剪枝点的重要前提。针对现有分割方法受背景影响较大致使葡萄藤各关键结构损失和剪枝点识别与定位不准确的问题,提出一种基于Mask R-CNN的葡萄藤关键结构分割方法,建立葡萄藤修剪模型以及各关键结构数据集。通过主干特征提取网络和分割性能的对比试验,得出最优的Mask R-CNN模型结构并验证其拟合与泛化能力以及在不同自然背景下的分割性能。结果表明,以ResNet 101+FPN为主干特征提取网络的Mask R-CNN模型具有较好的拟合与泛化能力,相较于对照组模型准确率分别提升7.33%和8.89%,召回率分别提升9.32%和9.26%,平均精度均值分别提升12.69%和12.63%,其能够克服各类自然种植背景因素,分割目标边缘完整,葡萄藤各关键结构之间连接关系正确。     

基于运动特征提取和2D卷积的鱼类摄食行为识别研究

为了促进渔业装备智能化,近年来基于视频流的鱼类摄食行为识别研究受到了广泛关注。针对基于视频流的传统识别方法模型过于复杂,难以在边缘计算设备部署的问题,提出了一种轻量级的2D卷积运动特征提取网络Motion-EfficientNetV2,该网络以视频流为输入,能够有效识别鱼类摄食行为。提出的模型以EfficientNetV2为主干网络,基于TEA和ECANet构建了运动特征提取模块Motion,并将该模块嵌入到EfficientNetV2的每个Fused-MBConv模块中,使改进后的EfficientNetV2具有运动特征提取能力。同时使用ECANet对EfficientNetV2网络中的MBConv进行改进,增强其通道特征提取能力。在此基础上利用空洞卷积扩大感受野,提高大范围特征提取能力。试验结果表明,Motion-EfficientNetV2的参数量和浮点运算量分别为9.3×106和1.31×1010,优于EfficientNetV2。在TSN-ResNet50、TSN-EfficientNetV2、C3D以及R3D模型上进行对比试验,本文模型在降低参数量和浮点运算量的同时,使识别准确率提高到93.97%。该研究对于渔业装备智能化升级和科学养殖具有推动作用。     

基于计算机视觉系统的番茄特征提取

针对实际番茄特征提取环境复杂情况的问题,提出了针对不同环境应用不同颜色模型来进行阈值分割的方法。通过应用改进的n R-G、YUV两种颜色模型对不同实验环境采集的图像进行阈值分割,并结合canny边缘提取算法、fitzgibbon椭圆拟合算法提取得出番茄像素坐标与像素尺寸,以此完成番茄特征提取。为得出各种颜色模型适用环境等特点,对比各种颜色模型在光线充足果实未被遮挡、光线充足果实部分遮挡和光线较弱果实未被遮挡3种情况下特征提取成功率,并比较3种颜色模型在光线充足果实未被遮挡情况下对采集图像的降噪能力。实验结果表明:n R-G颜色模型适用于采集图像噪声较小的实验环境,对于光线较弱的实验环境该模型表现出较高且稳定的特征提取成功率;YUV颜色模型表现出对含噪图像具有较为稳定的降噪能力,且对光线较强的实验环境表现出较高的特征提取成功率。     

基于深度卷积神经网络的水稻知识文本分类方法

为解决文本特征提取不准确和因网络层次加深而导致模型分类性能变差等问题,提出基于深度卷积神经网络的水稻知识文本分类方法.针对水稻知识文本的特点,采用Word2Vec方法进行文本向量化处理,并与One-Hot、TF-IDF和Hashing方法进行对比分析,得出Word2Vec方法具有较高的分类精度,正确率为86.44％,能...     

农田蛾类图像边界特征的获取

介绍了农田蛾类图像的预处理方法,然后使用Otsu方法来对农田蛾类图像进行分割。对分割得到的目标区域采取旋转变换,使同一种蛾类的目标区域具有相同方向;对旋转变换得到的蛾类图像目标区域,以目标区域的边界点到目标区域的质心点距离作为目标区域的边界特征,获取各种蛾类图像的边界特征。从所获取的边界特征可知,不同种类的蛾类图像具有各不相同的边界特征,可以把这些边界特征作为各种蛾类昆虫分类识别的数据依据。     

基于图像处理的植物叶特征提取研究现状

通过对植物叶特征的分析,可以确定植物的种类和生长状态,对于植物研究、指导生产等具有重要意义.传统的叶特征提取方法都是通过人的手工操作完成的,效率较低,而当前可以借助于图像处理技术对叶特征进行自动提取.为此,对基于图像处理的叶特征提取研究现状进行了综述,并对其做了展望.     

基于小波变换的农田图像光照不变特征提取算法

提出了基于小波变换的农田图像光照不变特征的提取算法。采用Retinex光照模型,对原始农田图像进行剪裁和归一化等预处理,选用Haar小波基多级分解预处理后的图像,从而得到图像的高低频成分;通过阈值法更新小波分解后的高频系数,重构获得多尺度反射模型,以提取光照不变特征;进行了光照不变特征提取和农作物航线获取试验。结果表明,该算法提取的特征图受自然光照的影响很小,且能够极大程度保留场景中的物体特征。同时,农作物航线提取在不同光照条件下均具有较高精度,航线误差在±2°以内,能够满足农机导航的精度要求。在NVIDIA的Jetson TX2硬件平台上,该算法总耗时在300 ms以内,相机前视距离可达20 m,满足农机正常作业的实时性要求。     

基于IFSSD卷积神经网络的柚子采摘目标检测模型

为了解决柚子采摘时传统水果检测模型对于小目标柚子漏检和将叶子误检为膨大期柚子的问题,设计了一种改进的特征融合单镜头检测器(Inception V3-feature fusion single shot-multibox detector,IFSSD)。该检测器以特征融合单发多盒探测器(Feature fusion single shot-multibox detector,FSSD)为基础检测器,以改进的Inception V3网络作为骨干网络代替超深度卷积神经网络(Very deep convolutional networks 16,VGG16),从而提高了计算效率,同时使用Focal Loss损失函数代替Multibox Loss损失函数,进而改善了由于正负样本不平衡导致的检测器误检情况。对测试数据集进行检测,结果表明,该模型的检测准确率为93. 7%(IoU大于0. 5),在单个NVIDIA RTX 2060 GPU上每幅图像检测时间为29 s。本文模型可以实现树上柚子的自动检测。     

基于卷积模型的农业问答语性特征抽取分析

互联网农技推广社区每秒增衍问答数据近万组,这些海量数据具有隐性的词性、情感和冗余向量特征,实现数据聚合与数据块消减是该领域的难题。提出了一种基于卷积神经网络的农业问答情感极性特征抽取分析模型,结合农业分词字典,对数据集进行分词后使用Skip-gram模型转换为256维的词向量,利用批规范后的卷积神经网络对数据集进行训练,从而得到用于识别农技推广社区问答词性情感相似性的神经网络模型参数。试验结果表明,该方法能够准确识别测试样例集中的冗余队列,与其他5种文本分类方法进行比较,各项指标优势明显,针对测试集的语性特征抽取准确率达到82.7%。     

基于信息抽取的食品安全事件自动问答系统方法研究

针对从海量食品安全事件新闻报道中很难抽取出所需答案的问题,以食品安全事件语料库为研究对象,提出了一种基于信息抽取技术的自动问答系统。首先,利用深度学习模型TextCNN对用户输入的问题进行分类,得到其所属类型。其次,对于输入问题,借助Lucene搜索引擎找到其最佳匹配文档。再次,根据输入问题的类型,从食品安全事件数据库（采用信息抽取技术自动提取的一个结构化数据库）中筛选出该文档所包含的答案候选句集合。最后,利用深度学习模型Bi LSTM及基于答案候选句上下文的特征提取方法构建一个答案抽取模型,该模型能从给定的答案候选句集合中提取出最终答案。为检查基于食品安全事件数据库的答案候选句筛选方式及基于答案候选句上下文的特征提取方式对整个自动问答系统性能的影响,进行了多种比较实验,结果表明含有基于食品安全事件数据库的答案候选句筛选方式和基于答案候选句上下文的特征提取方式的问答系统表现最佳,其回答准确率达到44%。这相比于传统的问答系统,具有明显的优势。