基于反投影坐标快速算法的木材CT检测系统研究

针对木材内部结构复杂、不同树种间密度差异大的特点,提出了一种反投影坐标快速算法,基于此算法构建一套木材无损检测CT成像系统。该系统由X射线发射器、等距平板检测器、旋转载物平台和计算机数据采集成像软件构成。以集成材和小径级原木为试验对象,验证反投影坐标快速算法的可行性。首先采集并修正投影数据;其次根据射线源到旋转中心的距离计算出投影坐标值;最后设置滤波函数并与投影数据作卷积运算,重建木材断层图像。结果表明:应用反投影坐标快速算法,使CT系统图像重建工作平均用时缩短至1 s以内,断层图像分辨率达0.052 mm~2,可显示木材内部裂纹、孔洞等缺陷及节子、年轮、早晚材变化等构造特征,验证了该算法应用于木材无损检测成像系统的有效性。     

基于模式识别的图像检测算法的研究

本文阐述了在图像检测系统设计中运用模式识别的检测算法研究,主要检测零件加工质量,获取图像检测结果,以提高识别效率。关键技术是零件图像参数的精确提取和识别。通过阈值对灰度图像进行二值化,再对处理后的图像进行平滑与增强,采用Canny算子进行图像边缘检测,借助特定模式识别方法,进行智能判别。软件调试结果说明,上述算法在零件加工质量检测中可以获取高效、精确的结果。     

基于MATLAB的超分辨率字符识别算法实现

字符识别的超分辨率重建已经在图像处理领域成了一个研究热点,其不仅在理论上具有重要意义,在实用中也有迫切需求。论文主要通过对字符识别的超分辨率重建算法进行研究,并应用一种算法加以实现。最终通过MATLAB软件进行仿真,对给出的模糊文本图像进行超分辨率重建,并得出最后重建图像。让人们了解这种方法的实用性。     

板结构Lamb波全波场聚焦损伤成像方法

基于Lamb波的结构损伤检测技术是通过捕捉结构损伤引起的导波信号变化对结构损伤状况进行评估,该方法检测效率高、检测范围大且对多种损伤敏感。全波场聚焦方法（Total Focusing Method, TFM）是通过后处理的方式实现全矩阵信号的动态虚拟聚焦,然而Lamb波的频散特性导致响应信号波包弥散、幅值降低,因此直接采用TFM成像的定位精度与分辨率不高。基于此,本研究提出了一种Lamb波全波场聚焦损伤成像方法,对Lamb波传播进行反向传播补偿以消除频散效应,校正相位偏差,Lamb波响应可以进行任意位置的动态聚焦,实现对损伤的精确定位。仿真结果表明,TFM和Lamb波全波场聚焦损伤成像方法能够对损伤进行识别,且Lamb波全波场聚焦损伤成像方法较TFM成像定位精度与分辨率更高。     

形态学与光谱成像协同的割草机作业优化研究

以进一步提升割草机的收割修剪综合效率为目标,从识别的精准度层面入手,基于形态学与光谱成像技术展开优化研究。以通用智能型割草机的作业结构组成为切入点,深入理解形态学与光谱成像的算法机理,建立两者的协同算法识别与检测模型,并针对割草机完成相关联模块的软件程序控制及硬件组件配置,形成协同处理的高效能割草机装置。展开整机协同识别处理与检测作业试验,结果表明：基于形态学与光谱成像协同的割草机整体识别检测能力较单一的算法应用有显著优势,准确率与特征分类精度分别相对提升5.40%和7.65%,识别覆盖率可相对提升7.80%;整机避障识别误差大幅度下降,系统稳定,显著提高了割草机的综合检测效率,有利于农艺园林智能化管理的实现。     

基于计算机视觉的鸡蛋裂纹检测方法研究

为了提高鸡蛋壳裂纹检测的准确性和效率,综合应用了计算机视觉技术,实现对鸡蛋表面裂纹的检测。在利用计算机视觉系统获取鸡蛋表面图像后,采用同态滤波、BET算法、fisher等改进型图像处理技术,提取裂纹特征并判决。试验结果表明,模型对裂纹鸡蛋的识别准确率达到了98%。     

基于多阈值图像分割算法的秸秆覆盖率检测

针对目前秸秆覆盖率人工检测费时费力、准确率低、信息难以存储的问题,提出了一种基于图像分割的秸秆覆盖率检测方法。考虑到传统图像分割方法精度不高,且多阈值分割时计算量过大,将灰狼算法中的搜索机制与差分进化算法相融合,提出一种基于图像多阈值的自动分割方法（DE-GWO）,用于田间秸秆覆盖率检测。首先,对现场采集的秸秆覆盖图像进行预处理,采用自适应Tsallis熵作为目标函数,评估图像分割效率;其次,根据图像的复杂程度选取分割阈值的数量,利用DE-GWO算法对其进行多阈值图像分割;然后,分别按照灰度级别计算分割后图像比例;最后,根据拍摄高度、fov视角等参数,将图像中秸秆覆盖率与实际地理面积进行转换。实验结果表明,本文算法田间秸秆覆盖率与实际测量误差在8%以内,且相比于改进粒子群算法（PSO）和灰狼算法（GWO）,DE-GWO算法精确度更高,平均耗时为人工测量的1/1500。开发了一套依据DE-GWO算法的秸秆覆盖率检测软件系统,为后续监控系统的实时检测提供了算法基础和软件支持。     

压缩感知苹果图像并行快速重构方法研究

针对压缩感知重构算法耗时长而影响苹果图像快速获取这一问题,分析了二维正交匹配跟踪重构算法的并行性,借助GPU通用并行计算平台,利用CUDA技术,设计其对应的并行化重构算法,从而得到快速的苹果图像重构方法。实验结果表明,并行化的算法可将苹果图像重构效率提高16~35倍,能在数秒内恢复原始图像,为压缩感知应用到果园远程实时监控及基于图像的苹果质量快速检测与分类等场合提供条件。     

基于SupReMe影像重建和RF的玉米冠层LAI反演

针对Sentinel-2卫星影像拥有3个对植被生长状况非常敏感、空间分辨率为20m的红边波段（705、740、783nm）,其空间分辨率与可见光和近红外波段10m的空间分辨率不一致,使Sentinel-2影像应用受到限制的问题,基于多光谱多分辨率估计的超分辨率（Super-resolution for multispectral multiresoltion estimation, SupReMe）算法将空间分辨率20m的6个波段重建为10m;以重建后的影像为数据源,耦合PROSAIL辐射传输模型和随机森林模型反演玉米冠层叶面积指数（LAI）,并以野外实测LAI验证其反演精度。结果表明,采用SupReMe算法对Sentinel-2影像进行重建后,在保持光谱特性不变的同时提高了影像的空间细节;基于重建影像和原始影像的LAI反演决定系数R2分别为0.70、0.68,均方根误差RSME分别为0.240、0.262。研究表明,利用SupReMe算法重建后的Sentinel-2卫星影像,能够在提高玉米冠层LAI反演空间分辨率的同时提高反演精度,在挖掘高分辨率农作物生长信息方面具有很大潜力。     

基于超分辨率重建与机器学习的油菜苗情监测方法

为优化养分管理和确保植株正常生长,以无人机遥感技术高效且非破坏采集田间作物苗情信息,监测油菜苗期的叶面积指数（LAI）与叶绿素相对含量（SPAD）。针对无人机因飞行高度与图像分辨率相互制约,监测效率与监测精度难以兼顾的问题,采用超分辨率重建方法,融合较低飞行高度拍摄高分辨率影像,重建较高飞行高度拍摄影像,建模完成后可通过拍摄飞行影像监测LAI和SPAD。试验设置3个氮肥梯度、3个播期、3个种植密度处理,在苗期利用无人机分别采集20m及40m 2个飞行高度的油菜苗影像,采用SRRestnet方法,对40m影像进行超分辨率重建。基于20m、40m及40m重建影像中提取的3种特征组合,利用偏最小二乘回归（PLSR）、随机森林（RF）、支持向量回归（SVR）3种机器学习方法对LAI和SPAD进行监测。结果表明,超分辨率重建后的图像在表型苗情监测中表现出良好效果,PLSR监测LAI、RF监测SPAD的监测精度最高,且40m重建图像的作业效率相比于20m图像提高48.6%。     

作物病害图像中重叠病斑分离算法

针对传统的分水岭分割算法的不足,应用了一种基于标记测地重建的分水岭算法对棉花重叠病斑图像进行分离.首先对病斑二值图像利用多尺度距离变换获得病斑的距离图像,通过极限腐蚀操作检测出标记种子;然后以种子标记为基础.运用形态学测地重建运算获取测地影响区骨架SKIZ--分水岭线;最后利用分水岭线与原病斑图像进行交集运算.从而得到分离的图像.运用该算法对棉花重叠病斑图像进行分离,试验结果表明:该方法能较好地将图像中的重叠病斑分离,并较好地保存病斑边缘信息,对图像中的微小结构和噪声不敏感,具有良好的鲁棒性.     

基于改进Otsu算法的生猪热红外图像耳根特征区域检测

为研究规模化生猪养殖场中非接触式体温检测方法,以自行设计的热红外图像采集器采集生猪图像,选取HSV颜色空间对图像进行变换,生成S层图像,应用形态学特征闭运算对二值化图像去噪。用改进后的Otsu算法,分别对仔猪、育肥猪和妊娠猪图像耳根特征区域进行检测。结果表明,该方法可以100%正确检测具有完整耳根部特征的仔猪、育肥猪、妊娠猪图像;对于耳根部特征不完整的仔猪图像23%可正确进行检测,育肥猪图像25%可正确进行检测,妊娠猪图像33%可正确进行检测;无法检测不具有耳根部特征的图像。     

桃子表面缺陷分水岭分割方法研究

水果表皮缺陷的有效检测是水果自动化无损检测重要的部分,并且表皮缺陷的准确分割是对缺陷果准确分级的前提,也有助于缺陷果的分类识别。然而,通常水果表面具有较大的曲率变化,这种变化的曲率导致水果表面对同一入射光源照度反射的不均,进而影响缺陷区域的准确分割。本研究以平谷大桃为例,提出采用基于形态学梯度重构和内外标记的分水岭算法对水果表面缺陷进行分割。首先,提取R通道图像,采用NIR图像构建掩模模板并对R通道图像去背景;随后,去除背景后的图像进行形态学梯度变化获取梯度图像,并对梯度变化后的图像进行梯度重建以去除水果表面的细小噪声;接着,对重建后的梯度图像进行形态学标记运算获取标记图像;然后,采用标准分水岭算法实现缺陷的准确分割。对正常果、刺伤果、裂果、黑斑果、虫咬伤果、腐烂果和疤伤果7种表皮类型样本共计525幅图像检测结果表明,能够获得96.8%识别率。实验证明,基于形态学梯度重构和标记提取的分水岭算法能够有效用于桃子表面缺陷的分割,并不会受到桃子表面光照不均的影响。     

基于无线图像传感器网络的农田远程监测系统

为了实时获取农田图像和视频信息,提出了基于无线图像传感器网络的农田远程监测系统。针对当前图像传感器节点存在的不足,基于CMOS图像传感器和S3C6410嵌入式处理器设计了低成本、高分辨率的无线图像传感器节点,并研究了基于驱动层和应用层协作的分辨率实时调整算法,使得节点具备10种不同的分辨率,最高分辨率可达500万像素,而且分辨率可根据用户需求实时调整,以满足用户对不同图像精度的需求。采用Wi Fi技术构建无线图像传感器网络,并通过4G网络远程传输图像和视频到服务器。在服务器端开发了基于Web的可视化农田信息管理软件,实现对采集的数据进行有效存储、管理和应用,并为用户提供网络服务。部署了该系统并进行了长时间的运行测试试验,试验结果表明:系统可稳定地运行,能够根据远程指令采集并传输不同分辨率的图像,采集并传输1幅126 KB左右的图像平均耗时为5.36 s,网络平均丢包率为1.67%,客户端开启视频监控平均时延为3.48 s,视频播放流畅。     

基于MSRCR-YOLOv4-tiny的田间玉米杂草检测模型

为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法的改进YOLOv4-tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像特征增强预处理,提高图像的对比度和细节质量;然后使用Mosaic在线数据增强方式,丰富目标检测背景,提高训练效率和小目标的检测精度;最后对YOLOv4-tiny模型使用K-means++聚类算法进行先验框聚类分析和通道剪枝处理。改进和简化后的模型总参数量降低了45.3%,模型占用内存减少了45.8%,平均精度均值(Mean average precision, mAP)提高了2.5个百分点,在Jetson Nano嵌入式平台上平均检测帧耗时减少了22.4%。本文提出的Prune-YOLOv4-tiny模型与Faster RCNN、YOLOv3-tiny、YOLOv4 3种常用的目标检测模型进行比较,结果表明：Prune-YOLOv4-tiny的mAP为96.6%,分别比Faster RCNN和YOLOv3...     

基于EIT的土壤中油菜根茎检测

主要应用EIT技术检测土壤中油菜的根茎。搭建16电极数据采集系统,采用相邻法激励测量模式获得成像数据并应用基于MatLab的MNR算法进行图像重建。结果表明:本实验方法能实现油菜根茎的无损检测,可以检测出油菜根茎的位置和大小信息;对干枯的油菜根茎检测效果比新鲜根茎差,而对于腐烂的根茎,不能检测出来。据此,可以对土壤中油菜根茎进行可视化观察,了解其根系生长情况。     

基于改进TLD跟踪算法的生猪视频跟踪

养猪场其本身容易受到大规模感染,大多设置在人烟稀少的地区,传统的人员监管体制存在工作量大、效率低等问题,为实现对生猪的无接触式监管,以猪舍监控视频作为数据来源,提出基于改进TLD跟踪算法的生猪视频跟踪方法。引入SSD网络训练模型对样本进行训练,改进跟踪算法的目标检测部分,将识别结果直接带入跟踪算法,使得检测模块的窗口数量大大降低,并且可以提高检测精度和运算速度。本文提出的改进模型在测试集上,对视频中的生猪进行躺卧、静止不动和正在活动三种行为进行识别,平均准确率分别达94.26%、95.67%、91.36%。相比于传统TLD算法识别成功率和精度分别提高10.7%和6.41%。改进TLD跟踪算法在提高识别精度的同时保证识别效率,可以应用于对全时间段的生猪活跃信息监测,将检测结果作为生猪健康养殖的参考之一。     

基于改进RDN网络的无人机茶叶图像超分辨率重建

针对无人机搭建可见光传感器进行茶叶长势、病害等监测中因飞行高度影响图像分辨率的问题,本文提出了一种改进的残差密集网络(Residual dense network, RDN)用于无人机茶叶图像超分辨率重建。针对无人机茶叶图像纹理复杂的特点,以RDN为基线网络,在其结构中引入了残差组(Residual group, RG)模块,将多个残差通道注意力模块(Residual channel attention block, RCAB)组合在一起,通过引入注意力机制来区别对待不同的通道,关注无人机茶叶图像高频细节信息,从而提高网络的表征能力;同时设计了一个卷积长跳跃结构,利用带有卷积的远程跳跃连接,动态调整经过残差密集块(Residual dense block, RDB)后特征的权重,更好地利用无人机茶叶图像的分层特征信息,从而提升超分辨率重建图像的质量。实验结果表明,本文改进的RDN网络在无人机茶叶图像测试集上相较于其他算法表现更优,超分辨率重建后的图像具有更高的峰值信噪比和结构相似度,在4倍超分的情况下分别达到36.03 dB和0.913 2,能够为茶叶智能化监测研究提供支持。     

基于视觉感知特性的多聚焦图像融合技

针对多聚焦图像融合问题,借鉴生物视觉特性和相关图像处理理论,提出了一种基于视觉感知特性的多聚焦图像融合算法.该算法在对待融合的多聚焦图像进行RGB分块分解的基础上,采用视觉对比度模型以确定融合后图像的选取准则.为了获得最佳图像融合效果,采用免疫遗传算法以指导图像分块,标准熵和标准偏差作为评价图像融合质量的的标准.实验表明,该算法具有较好的效果,能够解决多聚焦图像融合问题.     

基于分水岭算法结合卷积神经网络的玉米种子质量检测

为实现玉米种子快速、准确地优选,以不同质量的玉米种子为研究对象,提出一种分水岭算法结合卷积神经网络对玉米种子进行质量检测的方法。首先利用分水岭算法分割出单粒玉米种子,然后通过卷积神经网络模型对每粒种子进行质量分类,根据分水岭算法得到的单粒种子的位置,将结果在图像中进行标注,实现种子质量检测。使用改进型的InceptionV3模型进行试验,模型测试结果表明：质量良好和带有缺陷的两类种子的平均准确率为94.18%,平均召回率为94.61%,F1值（调和平均评价）为94.39%。同时为突出卷积神经网络模型的性能,将结果与传统的机器学习方法进行比较,其F1值高出LBP+SVM模型20.39%。