基于图像分割的苹果叶片几何参数计算

针对传统方法和叶面积仪法测定作物叶面积、叶长、叶宽等参数费时费力,成本高等问题,提出苹果叶面积、叶长、叶宽和周长的图像测定法。首先采用颜色空间转换法转换RGB(红、绿、蓝)图为HIS(色调、亮度、饱和度)图,并以大津法(Otsu)阈值色调(H)获取二值图像;再根据二值图中苹果叶边缘像素坐标分布特征,计算叶长、叶宽和叶周长,根据苹果叶片像素数计算叶面积;最后对叶长、叶宽和叶面积的计算值与实测值之间进行均方根误差(RMSE)和决定系数(R~2)计算,并以测定硬币周长的方式验证周长算法。结果表明:苹果叶面积、叶长、叶宽的RMSE值分别为0.58cm~2、0.46和0.10cm,R~2值分别为0.99、0.93、0.97,测定的1元、5角、1角硬币的周长分别为7.68、6.42和6.10cm。RMSE取值较小和R~2取值较高表明叶面积、叶长和叶宽算法结果可靠,周长算法验证结果表明周长计算值与实测值之间差异较小。     

结合深度学习和引导滤波的苹果叶片图像分割

针对传统方法对苹果叶片进行图像分割和测量几何形状参数精确度较低的问题,结合基于深度学习和引导滤波技术提出一种新的苹果叶片图像自动分割算法。首先采用深度学习方法,使用BiseNet卷积神经网络对苹果叶片图像进行自动分割,得到苹果叶片主体轮廓;然后使用彩色苹果叶片图像作为引导图像对主体轮廓进行引导滤波处理,以增强边缘锯齿等细节特征信息;最后将主体轮廓与细节特征信息进行联合分割,得到完整、准确的苹果叶片信息。对包含174种8 184张苹果叶片图像数据集进行试验,结果表明苹果叶片分割的精确率达到98.99%,交并比98.82%。利用本研究算法能够真正实现准确、快速测量苹果叶片的面积、周长等参数值,为苹果叶片几何参数的测定提供了一种新的测量方法。     

基于形态学梯度的细胞图像自动分割

提出一种自动分割细胞图像的方法,利用数学形态学梯度运算对图像边缘进行锐化。再利用判别分析法自动确定梯度图像阈值,经后处理,可得单像素宽度细胞图像边缘。该边缘可描述医学图像中细胞的有效区域,实现细胞图像自动分割。为验证该方法的有效性,对30幅实际细胞图像进行分割试验。结果表明,该方法对细胞图像分割有较好的适应能力。     

基于遗传神经网络的苹果综合分级系统

充分利用计算机视觉和人工神经网络技术 ,建立了一个苹果综合外观品质检测与分级系统 ,实现了对苹果的正确分级 ,正确识别率可达 90 .8%。还借助于遗传算法对 BP网络进行设计 ,提高了其学习速度。     

基于自动定向的苹果品质智能分级生产线设计

设计了一种基于自动定向原理的用于苹果品质动态、实时检测的智能化分级生产线,由苹果输送系统、自动定向小车、计算机视觉识别控制系统和分级执行装置组成。其中,苹果输送系统将苹果按分级节拍输送到自动定向小车上,由自动定向小车将苹果果梗花萼轴线定向到垂直于水平面的位置,位于圆周分布的3个摄像头一次性采集苹果表面信息,通过计算机识别控制系统进行智能识别,根据国家标准判断每个苹果的等级,并确定苹果的位置信息,通过计算机识别控制系统发出指令传输给分级控制装置,完成苹果的分级。     

基于CT图像的苹果内部品质无损检测

通过对苹果CT断层扫描图进行灰度分割,并在分离出其有效果肉区的基础上,成功地建立了基于果肉区CT均值的苹果整体内部品质的无损检测模型。首先统一CT图片的窗宽/窗位为430/-210,在此基础上确定CT值与灰度值的线性模型;然后利用Otsu自适应阈值法,对图像进行灰度分割,分离出苹果中心剖面的全部果肉区域,统计出该区域图像的灰度像素数加权均值,再转化成CT均值;最后建立上述中心剖面果肉区CT均值与苹果整体品质的关系模型,可以发现苹果的糖度、可滴定酸度、含水质量分数均与果肉区CT均值有较好的线性相关性,其R2值分别为0.846 4、0.823 3、0.907 5,且平均预测误差分别小于5.0%、7.4%、3.8%。     

图像形态学在苹果自动分级视觉信息处理中的应用——以果梗判别与边缘检测为例

首先指出果梗判别在苹果自动分级系统中的研究意义;进而列出4种有代表性的判别果梗的方法;在此基础上提出了利用图像形态学可以更好地判别果梗,同时还能检测边缘;最后对该算法进行了系统评估,并为提高处理速度进行了改进.     

杂草图像分割中分割特征的研究

分析了4种来源于超绿特征（2g-r-b）的分割特征,并进行实证分析。结果表明,（R＋G＋B）是杂草图像分割特征中最主要的参数。     

基于神经网络和图像颜色、形状特征的绿色苹果图像分割

图像分割是苹果采摘机器准确识别和定位苹果的关键步骤.本研究首先采用线剖面方法对采集的苹果图像针对颜色特征进行分析,提出了利用颜色特征R-B的色差法对青果期苹果图像进行初步分割.在利用分割后的图像提取图像区域的形状特征(面积、周长、圆形度、离心率等).然后将得到的8个形状特征作为BP神经网络的输入量,随机选取一定数量的样本图像作为BP神经网络的训练样本图像和验证样本图像.样本图像经过BP神经网络训练后,建立了绿色苹果图像的分割模型.通过BP神经网络分割后的苹果图像,果实识别率高达89.3％,分割效果良好.     

基于改进的LinkNet的苹果叶片图像分割算法

使用传统方式对苹果叶片进行图像分割进而测量叶片几何参数,虽精度尚可,但效率较低。针对该问题,提出一种基于深度学习语义分割模型和迁移学习的苹果叶片图像分割算法,完成对叶片的快速、准确分割。所提方法以LinkNet为基本网络结构,进行了4个方面的改进：采用ResNet18作为编码器主干网络,融合迁移学习的思想加速模型拟合;减小编码解码块的数量,降低网络复杂度;改进通道约减方案,减少上采样中的参数量;使用子像素卷积进行上采样,降低计算量。结合焦点损失函数,将改进的LinkNet网络应用于标准苹果叶片数据集上。试验结果表明,所提算法的分割精度为97.27%,与原LinkNet相比精度相当;推理时间仅为7.82 ms,相较于原网络缩短39.89%;模型参数量和浮点数计算量大幅减少;且改进网络的推理速度远快于FCN、U-Net、DeepLabV3+等网络。所提算法在快速分割叶片主体的同时,还能较好地保持叶片边缘锯齿等细节特征,能够真正实现高效、精准地分割苹果叶片,为快速测量叶片面积和其他几何参数提供了新的思路。     

改进的医学CT图像K-均值聚类分割算法的实现

为提高K-均值聚类算法在医学CT图像分割上的应用效果、稳定性和质量,减少程序运行时间,本研究用Matlab语言优化了K-均值聚类算法程序,与StatisticsToolbox的K—means函数进行比较,使用单因素方差分析法检验两种算法实现程序运行时间的差异,并直接观察分割效果和稳定性。结果显示,改进后的K-均值聚类算法程序具有分割结果稳定、质量提高等优点,在常用Windows操作系统和Pc机配置环境下,分割耗时在1s左右,显著低于原有的分割程序,消除了等待感觉,提高了使用者的工作舒适度和效率,为图像的识别处理奠定了基础。     

苹果树图像分割算法研究综述

在国内外图像处理和机器视觉技术在苹果树图像分析应用相关研究的基础上,总结了专门针对苹果树图像分割技术的研究进展。按照图像分割的技术体系,分析了苹果树图像分割技术的主要研究进展,系统地总结了图像分割算法及其在苹果树图像应用上的特点,提出了苹果树图像分割算法的演进图,展望了苹果树图像分割算法研究发展的趋势,为基于图像处理及机器视觉技术的苹果信息化技术研究提供了参考。     

基于影像处理对紫苏叶自动分级系统的开发

针对紫苏叶分级对人力依存度较高且手工分拣无严格的尺寸标准,并易出现误分拣等问题,开发了由计算机、彩色摄像机(WV-CP450)、影像处理卡(DT3153)、A/D卡(PC1-9111)、传送带等组成的紫苏叶自动分拣系统.利用聚类分析理论确定了紫苏叶大(＞120 cm2)、中(90～120 cm2)、小(＜90 cm2)3级分级标准.系统的分拣准确率为90.2%,分拣能力为1200张/h.     

基于高光谱成像技术的新疆冰糖心红富士苹果分级和糖度预测研究

对新疆冰糖心红富士苹果采用高光谱成像技术进行分级和糖度预测研究.在糖度预测分析中,使用正交试验设计方法确定影响预测效果的主要因素是预测回归方法、光谱预处理方法和波长合并,次要因素是光谱校正处理方法、数据类型和实测值归一化处理.提取平均光谱,经过白板校正,采用一阶微分光谱预处理,10个波长的光谱合并,基于多元线性回归方法建立苹果糖度的预测模型,其验证集苹果糖度的预测模型相关系数为0.911,预测均方根误差为0.76％ Brix,相对分析误差为2.44.在分级研究中,选择712 nm波长图像,Gamma灰度变换增强图像,大津算法阈值确定后分割图像,基于形态学处理剔除果梗区域,提取苹果分割后区域的面积、充实度、周长、平均灰度等特征,采用二次判别分析分级苹果,验证集苹果分级准确率达到89.5％.结果表明,高光谱图像技术既能够准确预测新疆冰糖心红富士苹果糖度品质,也可以用于基于外部品质特征的分级研究.     

基于K-means与KNN的多特征苹果在线分级

【目的】准确获取红富士苹果的分级指标,为实现多特征融合的苹果分级提供依据。【方法】以均值滤波、全局亮度均衡化与图像裁剪方法,预处理实验所需的苹果图像;使用K-means聚类算法、OTSU最大类间方差法,将苹果灰度图转换为二值图;利用二值图与苹果原图的异或运算,提取苹果轮廓;采用苹果的二值图计算苹果的果实区域大小;使用颜色空间转换RGB-HSV中H通道划分果实红色区域;通过构建掩膜、形态学操作判断果体是否含有缺陷及计算其面积;构建最小外接矩形计算苹果的果径及果形;利用KNN分类算法实现多特征融合的苹果在线自动分级。【结果】基于K-means聚类与KNN分类相结合的苹果在线分级方法,在优于传统图像阈值分割效果的基础上,特级果分级准确率为97.14%,一级果分级准确率为100%,二级果分级准确率为93.75%,等外果分级准确率为100%,综合分级准确率达到97%。【结论】100个苹果测试准确率达到97%,验证了该分级方法的可行性与准确性。     

玉米病害图像分割系统开发

为了提高玉米病害叶片图像分割的准确性和设计相应的图像分割系统,采用迭代阈值分割算法和形态学中的开闭运算相结合的方法对玉米病害图像进行分割,使用VB和MATLAB的混合编程设计开发玉米病害图像分割系统.运行结果表明,该分割方法对玉米病害图像有很好的分割效果.     

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.