复杂环境下柿子和苹果绿色果实的优化SOLO分割算法

为了实现果园复杂环境下柿子和苹果绿色果实的精准分割,该研究提出了一种基于SOLO的绿色果实优化分割算法。首先,利用分离注意力网络（ResNeSt）设计SOLO算法的主干网络,用于提取绿色果实特征;其次,为更好地应对绿色果实特征的多尺度问题,引入特征金字塔网络（Feature Pyramid Networks,FPN）,构造ResNeSt+FPN组合结构;最后,将SOLO算法分为类别预测和掩码生成2个分支,类别预测分支在预测语义类别的同时,掩码生成分支实现了对绿色果实的实例分割。试验结果表明,优化SOLO分割算法的平均召回率和精确率分别达到94.84%和96.16%,平均每张绿色果实图像在图形处理器（Graphics Processing Unit,GPU）上的分割时间为0.14 s。通过对比试验可知,优化SOLO分割算法的召回率分别比优化掩膜区域卷积神经网络算法（Optimized Mask Region Convolutional Neural Network,Optimized Mask R-CNN）、SOLO算法、掩膜区域卷积神经网络算法（Mask Region Convolutional Neural Network,Mask R-CNN）和全卷积实例感知语义分割算法（Fully Convolutional Instance-aware Semantic Segmentation,FCIS）提高了1.63、1.74、2.23和6.52个百分点,精确率分别提高了1.10、1.47、2.61和6.75个百分点,分割时间缩短了0.06、0.04、0.11和0.13 s。该研究算法可为其他果蔬的果实分割提供理论借鉴,扩展果园测产和机器采摘的应用范围。     

基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割

棉田冠层覆盖度是监测棉田棉花长势的重要指标,针对棉田复杂环境中冠层图像难以准确分割的问题,该文提出了一种基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割方法。首先将棉田冠层图像像素分成叶片冠层和地表背景2类,在HSV颜色空间中分别提取两类像素的H通道值,在RGB颜色空间中分别提取绿色占比值(G/(G+R+B))作为颜色特征;再利用逻辑回归算法确定出各颜色特征的分割阈值,通过H通道分割阈值实现图像的初次分割;再对初次分割结果中的低亮像素使用逻辑回归算法计算出的超绿特征阈值进行低亮像素分割,同时采用绿色占比分割阈值对图像高亮像素及低亮像素分割结果整体实现二次分割,最后采用形态学滤波方法对分割结果进行优化。为评价该分割方法,利用从新疆棉花产区采集到的320幅棉田冠层图像进行试验。结果表明,该方法可在棉田复杂自然背景下,有效分割出棉田冠层区域,平均相对目标面积误差率仅为5.46%,总体平均匹配率达到93.07%;优于超绿特征OTSU分割方法(平均相对目标面积误差率11.78%,总体平均匹配率76.43%)、四分量分割方法(平均相对目标面积误差率24.11%,总体平均匹配率71.67%)、显著性分割方法(平均相对目标面积误差率36.92%,总体平均匹配率66.92%)。该方法的平均处理时间为4.63 s,相对于超绿特征OTSU法(3.84 s)和四分量分割法(2.56 s),耗时多一些,但与显著性分割法(6.25 s)对比,花费时间要少。研究结果可为棉田自然复杂环境下机器视觉技术监测棉花覆盖度提供一种有效途径。     

复杂背景下棉花病叶害螨图像分割方法

为提高棉花害螨图像分割的效果,根据棉花害螨图像的特点,该文提出一种在复杂背景条件下棉花害螨病斑的图像分割方法。首先利用超绿特征2G-R-B提取出复杂背景下彩色图像中的类病斑(具有相同红色的害螨病斑和茎秆)。然后对类病斑区域与非类病斑区域的灰度图像进行二值化处理。最后利用面积阈值法将类病斑中的害螨病斑分割出来。试验结果表明,该算法能有效的提取出棉花害螨病斑,准确率可达97.83%。该研究可为复杂背景下的害螨图像的分割提供参考。     

基于机器视觉的小麦害虫分割算法研究

农业病虫害的自动识别是精准农业研究方向之一。以小麦蚜虫为例，运用机器视觉技术对非特定场景下害虫的分类和分割算法进行了研究。在分类上，训练了SVM分类器和基于k-均值聚类的分类方法。比较得出，SVM分类器和k-均值聚类算法在处理精度和速度上各有优势；在分割上，运用合并和分裂相结合的区域生长算法分割害虫和叶片，进行自动识别。分析表明，该算法对害虫的分类效果好、分割识别准确率达到90．7％，速度能够满足实时处理的要求，为农业机械精准施药提供了技术上的支持。     

基于离散余弦变换和区域生长的白粉虱图像分割算法

图像分割是病虫害自动识别的难点之一,目前大多基于颜色、纹理等信息采用阈值法或聚类法进行分割,简单,易实现,但分割精度较低。该文针对田间开放环境中,不能用颜色、纹理特征有效分割病虫害图像的问题,引入离散余弦变换(discrete cosine transform,DCT),提出用清晰度对病虫害图像进行分割,以提高分割精度。DCT的低频信号表示图像轮廓,高频信号表示图像细节,对于病虫害图像,焦点通常聚集在目标区域,该文提出截断DCT高频信号,再与原图做差的方法以区分清晰部分和模糊部分,然后结合病虫图像局部聚合度较高的特性,利用区域生长方法提取完整目标。采用该算法对白粉虱图像进行分割测试,并与阈值法和GMM方法比较:分割结果中,目标的一致性和边缘的清晰度明显好于阈值法和GMM方法,平均正确分类率为98.49%,分别较R,B,Y空间中阈值法和Y空间中GMM方法分类正确率高2.96%、3.28%、3.24%和9.65%,差异达到显著水平。基于DCT和区域生长的分割算法鲁棒性高,能够有效地将病虫害区域从自然环境中采集的叶片中分离,可用于分割白粉虱图像。     

基于演化算法的水果图像分割

为了满足水果采摘机器人对图像分割算法实时性和自适应性的要求,在传统演化算法的基础上,提出了一种基于蜂王交配结合精英选择、截断选择分阶段的改进演化算法对水果图像进行分割。在设计选择策略时,将迭代过程划分为前中后3个阶段,分别采用蜂王交配算法、精英选择策略和截断选择策略来进行适应值的选择,这样既保证了种群的多样性,又克服了传统演化算法局部最优、收敛过快的缺点。试验结果表明,该文提出的水果图像演化分割算法无论从稳定性、分割效果,还是全局最优收敛速度上,都明显优于传统演化算法,分割的阈值稳定在3个像素之内;与Otsu算法、贝叶斯分类算法、K均值聚类算法、模糊C均值算法等其他算法相比,水果图像演化分割算法分割效果最好,对同一幅图像进行分割得到的分割识别面积参考值最大,而且运行速度最快,平均运行时间为0.08735 s,远少于其余4种算法;并能用于柑橘、荔枝、苹果等各种水果的图像分割,具有一定的通用性,达到水果采摘机器人视觉实时识别的要求,为水果图像分割及其实时获取提供了一种新的基础算法。     

基于同态滤波和K均值聚类算法的杨梅图像分割

针对自然环境下光照不均杨梅果实分割效果不理想问题展开研究。应用同态滤波算法对HSV（色调hue,饱和度 saturation,亮度value）颜色空间下杨梅图像V分量进行亮度增强,以补偿光线。而后针对彩色杨梅图像的颜色特征,结合Lab（L（亮度Lightness）,a（色度chromaticity,+a表示红色,?a表示绿色）,b（色度 chromaticity,+b表示黄色,?b表示蓝色）颜色空间a、和b分量的特点,应用K均值聚类算法在Lab颜色空间中对彩色杨梅图像进行分割。为了验证该算法的有效性,在100余幅图像中选用15幅因光照不均和生长状态不同而存在不同程度阴影影响的杨梅图像,进行了3组比较试验,先采用K均值聚类算法对光线补偿去除阴影前后的杨梅图像分割结果进行比较;接着,采用基于色差2*R-G-B自适应灰度阈值分割算法和K均值聚类算法2种不同分割算法对去除阴影后的杨梅图像分割结果进行比较;最后,与基于灰度变换法、直方图均衡化方法的图像增强法去除阴影的效果进行对比。试验结果表明,该文算法的分割误差、假阳性率、假阴性率平均值分别为3.78%,0.69%和 6.8%,分别比光线补偿前降低了21.01,12.79 和21.14个百分点;与基于色差（2*R-G-B）自适应灰度阈值分割算法相比,分割误差、假阳性率、假阴性率这3个指标的性能平均提高了12.93,1.45和7.11个百分点;与基于灰度变换法图像增强法比较表明,分割误差、假阳性率、假阴性率平均值分别降低了32.94 ,6.85 和29.65个百分点,与直方图均衡化图像增强法相比,这3个值分别降低了24.92,6.12和33.06个百分点。通过试验结果图的主观判断和评价指标的定量分析,验证了该算法能有效地分割出杨梅目标,保证了杨梅目标在颜色、纹理和形状方面的完整度,研究结果为研究采摘机器人进行杨梅等果实的分割和识别提供参考。     

基于序贯扫描算法的区域标记技术与蘑菇图像分割方法

蘑菇采摘机械手通过机器视觉系统进行引导与定位,需要对菇床上的蘑菇图像进行处理和分析。为了在一幅蘑菇图像中将各个蘑菇的边界识别并区分出来,作者提出了一种分析算法。首先分析了蘑菇图像的数字特征和边界的分割方法,提出了基于序贯扫描方法的蘑菇图像区域标记技术,实现了各个蘑菇图像中心区域的识别。然后,从各个中心区域的中心坐标点出发,沿着不同角度的半径方向搜索蘑菇边界点,将找到的各个蘑菇边界点存放到相应的动态链表中,实现各个蘑菇的独立分割,最后在Visual C++软件平台上对该算法进行了验证。结果证明该方法是可行的,为蘑菇采摘机器人视觉系统的开发奠定理论基础。     

基于数学形态学的相接触草莓果实的分割方法及比较研究

多个草莓在田间经常相互接触。为了便于机器人的自动化采摘,需将相接触的多个成熟草莓果实分开,并给出各个草莓的重心坐标。基于数学形态学的方法,研究了两种针对这种较复杂情况的成熟草莓果实分割的方法,即聚类快速分割法和分水岭区域分割法。首先对成熟草莓果实和背景使用BP神经网络方法进行分割,然后进行灰度化、二值化、孔洞填充等初步处理,最后分别利用聚类快速分割法和分水岭区域分割法分割相接触成熟草莓果实图像。两种分割方法可分别得到两个果实区域,通过对这两个区域计算重心即可为机器人采摘提供重心数据。结果表明,两种分割方法都能将相接触区域分开,各有优缺点和适用性。     

基于空间特征谱聚类算法的含噪苹果图像优化分割

为了减少噪声对苹果采摘机器人的目标识别所带来的影响,对含噪苹果图像的分割方法进行了研究。该研究设计一种针对噪声具有鲁棒性的苹果图像分割方法,首先计算苹果图像的三维空间特征点的紧致性函数,用以构造邻近点的相似矩阵实现苹果图像的去噪效果;再利用离群点矩阵拆分并由其他剩余列向量线性表示,对相似矩阵进行离群点调优实现聚类优化,进而提出基于空间特征的谱聚类含噪苹果图像分割的优化算法,旨在提高分割算法的效率和识别准确率。通过对两幅苹果图像添加不同程度的高斯和椒盐噪声（方差分别为0.01、0.05和0.1的高斯噪声和概率为0.01、0.05和0.1的椒盐噪声）进行试验,分别求出谱聚类方法、基于空间特征的谱聚类方法和该文优化方法的苹果目标图像的分割图,并计算三类方法的分割准确率。该文优化方法对于单个苹果受不同噪声影响下的分割准确率均在99%以上,对于重叠苹果的分割准确率均在98%以上,对于所选取的30幅苹果图在方差为0.05的高斯噪声和概率为0.01的椒盐噪声影响下的平均分割准确率为99.014%。结果表明：谱聚类方法受噪声的影响较大;基于空间特征的谱聚类方法的分割效果受噪声的影响较小,但在边界区域仍然有很多错分的像素;优化方法在边界区域的分割要优于基于空间特征的谱聚类方法;在设定的试验条件下,其分割结果准确率相对于基于空间特征的谱聚类方法和传统的谱聚类方法可分别提高5%～6%和9%～25%。在分割效率方面,该文优化方法的分割时间低于传统的谱聚类算法,且与基于空间特征谱聚类方法接近。研究结果为苹果采摘机器人的快速目标识别提供参考。     

基于水平集的作物病叶图像分割方法

针对具有复杂背景的作物病叶图像中的叶片提取问题,提出了一种基于先验信息的水平集模型。首先,在LBF模型中引入纹理信息——结构张量,构造新的水平集模型;其次,采用水平集方法表示目标叶片形状,并将先验形状信息以能量泛函的表达形式引入到上述新的水平集模型中,得到新的基于先验信息的水平集模型;最后,利用该模型对具有复杂背景的黄瓜病叶图像进行分割。结果表明,该方法能准确地提取具有复杂背景黄瓜病叶图像中的病叶,为后续的病斑提取、识别和诊断奠定前期基础。     

基于尺度不变特征转换算子的水果表面图像拼接方法

水果全表面图像信息是否完整,直接影响水果表面颜色和缺陷检测的结果。该文提出了一种基于尺度不变特征转换(SIFT,scale invariant feature transform)算子的图像拼接方法,实现多视角水果图像的拼接以获取完整的水果表面信息。首先以15°固定间隔旋转水果以获取各视角下的连续图像,在图像2R-G-B通道下实现图像目标和背景分离,并对目标图像进行灰度直方图均衡化以增强其纹理信息,有利于特征点的提取。运用SIFT算法提取图像特征点,因为特征向量数量多、维数高,采用普通的K-D树算法搜索匹配点将消耗大量时间,因此将图像划分为16个区域,通过多次试验可知中间4个区域为特征点是最容易匹配的区域,这样就缩小匹配点可能存在的区域。采用极线几何约束法和改进型随机抽样一致(random sample consensus,RANSAC)算法以提高图像拼接精度,减少匹配时间。根据平移矩阵,对前后图像进行拼接,从而实现水果表面图像的完整拼接。试验结果表明:该算法平均匹配精度提高35.0%,平均拼接时间为2.5 s,较传统K-D树算法缩短67.8%时间,拼接效果还原率为93.9%。该文算法具有一定的尺度、旋转以及仿射变换不变性,适用于随机呈现的不同姿态球状水果图像拼接。该研究可为基于机器视觉的农产品品质检测和等级划分提供科学参考。     

水果轮廓特征提取的Zernike矩分水岭分割方法

果实轮廓特征的测量提取是了解水果等农作物发育过程中内部生理生态变化的重要手段。该文提出了一种基于Zernike矩边缘检测的分水岭算法,并将该算法应用于葡萄果粒的轮廓特征提取。与传统的标记驱动分水岭算法相比,该算法利用Zernike矩边缘检测避免了标记对于轮廓的破坏,较好的保护了目标轮廓,从而减少了后续处理,提高了检测效率。最后,将用该算法所得到的轮廓和用传统的标记驱动分水岭算法所得到的轮廓进行比较,验证了该算法的可行性。该算法具有较高的检测效率,相较传统算法提高约6.9%左右,能够满足连续提取葡萄果粒的轮廓特征的要求。该方法可用于实时检测葡萄果粒的几何特征的变化。     

用BP神经网络进行秧苗图像分割

采用BP神经网络模型,研究了真彩色秧苗图像分割的神经网络方法。选取训练样本图像,以人工分割后的图像结果为导师信号,将图像的特征向量采用BP算法进行训练,获得有效的网络权值。以玉米秧苗图像为实例进行训练和图像分割,实验结果表明,BP网络能够获得较好的分割效果。该研究为进一步的秧苗图像处理奠定了基础。     

苹果采摘机器人快速跟踪识别重叠果实

为解决采摘机器人在运动状态下对重叠果实的识别问题,减少采摘过程处理的时间,对重叠果实的快速跟踪识别进行了研究。首先,对采集到的第1幅图像进行分割并去噪,之后通过计算圆内的点到轮廓边缘最小距离的极大值确定圆心的位置,计算圆心到轮廓边缘距离的最小值确定半径,通过圆心与半径截取后续匹配的模板,经试验证明该算法能较准确地找到重叠果实的圆心与半径。然后,确定连续采集的10幅图像的圆心,根据每幅图像圆心的位置对机器人的运动路径进行拟合、预判、综合半径与预判路径确定下一次图像处理的范围。最后,采用快速归一化互相关匹配对重叠果实进行匹配识别。试验证明,经过改进后的算法匹配识别时间与原算法相比,在没有进行预判的情况下匹配识别的时间为0.185 s,经过预判之后,匹配时间为0.133 s,减少了28.1%,采摘机器人的实时性得到了提高,能够满足实际需求。该研究可为苹果等类球形重叠果实的动态识别提供参考。     

基于数学形态学的粘连大米籽粒分割研究

在大米籽粒检测中经常会有大米籽粒重叠和粘连的现象。将粘连在一起的大米籽粒群分离是图像处理中一项重要而困难的问题。对这一情况,提出了一种有效的分割算法,先对图像进行二值化处理,然后对图像进行数学形态学变换,通过腐蚀运算将大米籽粒群图像层层剥离,直至粘连籽粒分开,再使用膨胀运算和八链码方法恢复出原始的各个大米籽粒个体,从而将大米籽粒群分离开。实验证明,该算法能成功地分离开粘连大米籽粒。