基于计算机视觉的害虫识别技术研究进展

害虫自动识别技术是实现农业现代化的关键。机器视觉技术在害虫识别上的应用促进了害虫自动识别技术的发展。为此,针对国内外在农业害虫识别领域的研究现状,全面、系统地分析了基于机器视觉技术的害虫识别研究进展及应用情况;同时,阐述了利用数学形态学法、二叉树法、人工神经网络等方法识别害虫的理论依据、研究情况及关键问题,指出了实现自动识别的前景及难点,以期促进该项技术在我国的应用。     

基于姿态描述的果园靶标害虫自动识别方法

针对自动诱捕果园靶标害虫的姿态形体存在不确定性,增加果园害虫图像自动识别与计数的难度等问题,提出一种基于姿态描述的算法用于果园靶标害虫姿态表征与识别。首先分析了方法对靶标害虫在8个旋转角度、6种常见姿态形状的描述能力及稳定性,通过计算靶标害虫不同姿态的平均归一化傅里叶描述子和离散度阈值,确定了基准姿态特征向量和相似度差异判据值。对200幅包含3种果园害虫的样本图像进行了测试,当离散度阈值为0.021 26时,靶标害虫桃蛀螟识别的正确率为86.7%,误判率为2.6%。试验结果表明该方法具有稳定的姿态形状描述能力和良好的识别性能。     

基于机器视觉的储粮害虫智能检测系统软件设计

介绍了基于机器视觉的储粮害虫智能检测系统软件部分各主要环节的具体实现。该系统运用图像差分法及自适应图像增强法提高粮虫样本图像的质量，利用改进的直方图阈值将粮虫从背景中分割开来，并运用数学形态学处理法进行了滤波。以提取出的粮虫面积、周长、复杂度为特征，运用基于模糊决策的分类器对粮仓中常见的9种、7类害虫进行分类，识别正确率达到95.2%。     

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.     

基于颜色特征的油菜害虫机器视觉诊断研究

害虫的准确识别是针对性地施用农药以有效治理虫害的基础,而人工识别的劳动强度大且主观性强。为此,提出了一种利用颜色特征的害虫视觉识别技术。使用GrabCut算法从虫害图像中分割出完整的害虫主体图像并计算其最小外接矩形区域的H/S通道直方图,使用害虫基准图像对其进行直方图反向投影并计算交叉匹配指数。匹配指数和害虫标签共同组成的特征向量用于训练C4.5分类器。计算待检害虫图像的交叉匹配指数,输入分类器即可得到识别结果。实验结果表明:该技术可准确识别菜蝽、菜青虫、猿叶甲、跳甲及蚜虫5种害虫,准确率达到92%。     

基于机器视觉的玉米种粒破损识别方法研究

针对玉米种粒在收获、脱粒、贮藏时因各种因素造成损伤和人工选种耗时耗力的问题,提出了一种基于机器视觉的玉米种粒破损检测方法。首先,利用图像获取装置得到单粒玉米种粒图像,通过差影法确定图像噪声种类,采用中值滤波方法对图像进行降噪;其次,标记图像边界,运用灰度阈值法完成玉米种粒图像分割。根据玉米种粒的形态特征分别提取玉米种粒的周长、面积、周长面积比、长轴长、短轴长、长宽比6个几何特征和矩形度、圆形度、紧凑度、7个Hu不变矩10个形状特征,共16个特征。完整玉米种粒和破损玉米种粒图像各50幅作为训练样本,将提取的16个特征分量作为输入量,对支持向量机(Support Vector Machine,SVM)进行训练,输出量为1、0,分别代表"合格""不合格",训练完成后获得玉米种粒的SVM识别模型;另取完整的玉米种粒和破损的玉米种粒图像各50幅作为测试样本,对训练好的SVM模型进行测试。结果表明:该检测方法对玉米种粒破损识别准确率达95%以上,识别100幅玉米种粒图像的时间为1.27s。研究结果为玉米种粒的实时破损检测提供了参考。     

基于机器视觉的苗期杂草实时分割算法

对利用植物的位置来识别作物苗期田间杂草的方法进行了研究。根据苗期田间植物的位置特征 ,建立了基于机器视觉的分割苗期田间杂草的算法 DBW。通过比较分析各种算法的分割效果图和所耗费的时间 ,运用超绿色法灰度化原始图像 ,然后应用最大方差自动取阈法二值化图像 ,最后运用种子填充算法分割作物和杂草。研究表明 ,算法 DBW在实时性方面表现出一定的优越性 ,处理一幅 5 4 4× 117像素的图像只需大约 6 0 ms     

基于机器视觉的枳壳自动定向方法与试验

针对人工姿态调整方法在枳壳定向切分加工过程中存在人工成本高、生产效率低等缺点,设计枳壳机器视觉自动定向调整系统,并提出相应的调整识别算法。根据枳壳表面各目标颜色特征,提出基于R分量下红绿色差法对原始图像进行分割,并利用二值图像中特征几何描述提取果梗位置特征参数和最小二乘椭圆拟合提取外形特征参数;根据两特征信息建立枳壳姿态模型用于姿态识别,定向调整装置根据视觉识别结果捕捉姿态特征并将枳壳调整到理想姿态。试验结果表明,该方法较好地识别出枳壳姿态特征,识别率为93.3%,其2次定向调整后的姿态与理想姿态最大定向夹角误差为4.2°,满足枳壳定向作业要求。该研究为枳壳定向切分加工设备的研制提供参考。     

基于机器视觉的大田害虫检测系统

设计了大田害虫实时检测系统,诱集传输机构可自动诱集并调整害虫姿态,使其平稳经过摄像视区;光照及采集系统可提供均匀的无影光照,并实时采集害虫的序列图像信息;运用修正的自适应邻域平均法增强图像,用自动阈值法将害虫从背景中分割出来,以提取出的周长、不变矩等为特征,运用神经网络分类器对常见的9种害虫进行分类。试验验证了该系统的可行性。     

基于改进ORB-SLAM2的单目视觉算法

【目的】视觉SLAM算法受光照强弱或低纹理等场景的影响,导致产生特征提取鲁棒性差、位姿计算精度低等问题,为解决上述问题展开针对性研究。【方法】研究团队提出基于改进ORB-SLAM2的SuperPoint-SLAM算法模型,将ORBSLAM中的特征匹配模块替换成基于SuperPoint网络的特征匹配,并据此进行特征跟踪、局部建图、关键帧识别、回环检测、位姿估计。将改进后SLAM算法与ORB-SLAM2算法分别在freiburg3＿sitting＿xyz与freiburg3＿walking＿xyz＿validation两个数据集进行训练验证。【结果】SuperPoint-SLAM算法在动态环境中具有比ORB-SLAM2更高的定位精度,在特征点提取数量上提升近50%,轨迹误差减少0.008 m,而且在强弱光照条件下,基于SuperPoint网络的单目SLAM相较ORB-SLAM2有更强的鲁棒性。【结论】研究团队将利用Kinect2.0,基于SuperPoint与ORB-SLAM2,进一步进行稠密地图构建,实现机器人导航。     

基于无人机多光谱图像的云南松虫害区域识别方法

针对云南省祥云县林区云南松虫害区域高效识别的需求,为更加高效准确地对虫害信息进行监测,本文搭建了林区八旋翼多光谱图像采集平台,基于无人机多光谱图像提出了一种Jeffries-Matusita(J-M)距离优化的反向传播神经网络(BP)分类方法。该方法首先引入J-M距离实现了对训练样本的优化,有效降低了同谱异物和同物异谱现象的影响,然后基于颜色矩和灰度共生矩阵提取了图像的颜色和纹理特征,并提取了580、680、800 nm共3个波段的相对光谱反射率作为光谱值特征,建立了5个植被指数模型,最后利用BP神经网络算法对颜色、纹理、光谱值和植被指数4种特征向量进行训练识别,实现了对虫害区域的分类识别。利用所提算法从总体分类精度和Kappa指数两方面与传统BP神经网络和支持向量机(SVM)算法进行对比试验。试验结果表明,本文算法总体分类精度和Kappa指数分别达到了94.01%和0.92,建模时间相对于传统BP神经网络缩短了38%,总体分类效果优于传统BP神经网络和SVM算法。     

基于多视角三维点云融合的采棉机器人视觉感知方法

针对传统采棉机器人因单一视角和二维图像信息带来的视觉感知局限问题,本文提出了一种多视角三维点云配准方法,以增强采棉机器人实时三维视觉感知能力。采用4台固定位姿的Realsense D435型深度相机,从不同视角获取棉花点云数据。通过AprilTags算法标定出深度相机RGB成像模块与Tag标签的相对位姿,并基于深度相机中RGB成像模块与立体成像模块坐标系间的转换关系,解算出各个相机间点云坐标的对应变换,进而实现点云间的融合配准。结果表明,本文配准方法的全局配准平均距离误差为0.93cm,平均配准时间为0.025s,表现出较高的配准精度和效率。同时,为满足采棉机器人感知的实时性要求,本文对算法中点云获取、背景滤波和融合配准等步骤进行了效率分析及优化,最终整体算法运行速度达到29.85f/s,满足采棉机器人感知系统实时性需求。     

基于改进YOLO v5n的猪只盘点算法

猪只盘点是规模化养殖中的重要环节,为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效,而且容易出错。当前已有基于深度学习的生猪智能盘点算法,但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度,提出了一种基于改进YOLO v5n的猪只盘点算法。该算法从提升猪只目标检测性能出发,构建了一个多场景的生猪数据集;其次,在主干网络中引入SE-Net通道注意力模块,引导模型更加关注遮挡条件下猪只目标信息的通道特征。同时,增加了检测层进行多尺度特征融合处理,使模型更容易学习收敛并预测不同尺度的猪只对象,提升模型遮挡场景的检测性能;最后,对边界框损失函数以及非极大值抑制处理进行了改进,使模型对遮挡的目标有更好的识别效果。实验结果表明,与原YOLO v5n算法相比,改进算法的平均绝对误差(MAE)、均方根误差(RMSE)以及漏检率分别降低0.509、0.708以及3.02个百分点,平均精度(AP)提高1.62个百分点,达到99.39%,在复杂遮挡重叠场景下具有较优的精确度和鲁棒性。算法的MAE为0.173,与猪只盘点算法CClusnet、CCNN和PCN相比,分别降低0.2...     

基于随机森林算法的自然光照条件下绿色苹果识别

果实识别是自动化采摘系统中的重要环节,能否快速、准确地识别出果实直接影响采摘机器人的实时性和可靠性。为了实现自然光照条件下绿色苹果的识别,本文采集了果实生长期苹果树图像,并利用随机森林算法实现了绿色苹果果实的分类和识别。针对果树背景颜色和纹理特征的复杂性,尤其是绿色果实和叶片在很多特征上的相似性,论文基于RGB颜色空间进行了Otsu阈值分割和滤波处理,去除枝干等背景,得到仅剩果实和叶片的图像。然后,分别提取叶片和苹果的灰度及纹理特征构成训练集合,建立了绿色苹果随机森林识别模型,并使用像素模板验证数据集,对模型进行预测试验,正确率为90%。最后,选择10幅自然光照条件下不同的果树图像作为检测对象,使用该模型进行果实识别并使用霍夫变换绘制果实轮廓,平均识别正确率为88%。结果表明,该方法具有较高的鲁棒性、稳定性、准确性,能够用于自然光照条件下绿色果实的快速识别。     

基于随机森林算法的农耕区土地利用分类研究

基于随机森林算法,采用多季节、多时相光谱信息、纹理信息和地形信息进行分类研究,选出最佳分类方案对农耕区土地利用信息进行提取,并利用随机森林算法对所有特征变量进行降维,将降维后的变量分别用于随机森林、支持向量机和最大似然分类法,分析不同分类方法对农耕区土地利用类型提取的适用性。研究结果表明:基于随机森林算法的多源信息综合分类方案进行土地利用信息提取效果最佳,总体精度85.54%,Kappa系数0.835 9;利用随机森林算法进行特征选择可以在有效降低数据维度的同时保证分类精度;3种分类方法中,随机森林算法总体分类精度81.08%,分别较支持向量机和最大似然法高9.46%和5.27%。利用随机森林分类法结合多源信息能够有效对农耕区土地利用类型进行分类,为土地类型的划分提供了快捷可行的方法。     

基于注意力机制和边缘感知的田梗提取模型

田埂精确提取是数字化农业管理的重要前提。针对由于遮挡、斑秃等因素干扰,给基于语义分割方法提取田埂带来困难问题,提出一种基于注意力机制和边缘感知模块的U-Net网络实现田埂提取。首先,将多信息注意力引入U型分割网络的下采样中,增强相邻层之间的上下文信息,提升对田埂区域语义特征的表示能力。其次,将边缘感知分割模块应用至U-Net解码部分的每一层,在不同语义特征层提取田埂边缘信息,提高田埂区域语义分割精度。最后,联合边缘感知损失与语义分割损失构建联合损失函数,用于整体网络优化。通过对安徽省淮北市濉溪县小麦基地采集的无人机麦田数据集进行训练和模型验证,实验结果表明,本文模型语义分割像素准确率高达95.57%,平均交并比达到77.48%。     

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。     

基于轻量二阶段检测模型的自然环境多类蔬菜幼苗识别

为实现自然环境下蔬菜幼苗精准快速识别,本文以豆角、花菜、白菜、茄子、辣椒、黄瓜等形态差异大、具有代表性的蔬菜幼苗为研究对象,提出一种基于轻量化二阶段检测模型的多类蔬菜幼苗检测方法。模型采用混合深度分离卷积作为前置基础网络对输入图像进行运算,以提高图像特征提取速度与效率;在此基础上,引入特征金字塔网络(Feature pyramid networks, FPN)单元融合特征提取网络不同层级特征信息,用于增强深度学习检测模型对多尺度目标的检测精度;然后,通过压缩检测头网络通道维数和全连接层数量,降低模型参数规模与计算复杂度;最后,将距离交并比（Distance-IoU, DIoU）损失作为目标边框回归损失函数,使预测框位置回归更加准确。试验结果表明,本文提出的深度学习推理模型对多类蔬菜幼苗的平均精度均值为97.47%,识别速度为19.07 f/s,模型占用存储空间为60 MB,对小目标作物以及叶片遮挡作物的平均精度均值达到88.55%,相比于Faster R-CNN、R-FCN模型具有良好的泛化性能和鲁棒性,可以为蔬菜田间农业智能装备精准作业所涉及的蔬菜幼苗检测识别问题提供新方案。     

基于视觉里程计的森林样地调查系统研究

以视觉里程计技术恢复连续摄影序列图像位姿,并以恢复位姿的图像为基础构建样地调查系统。该系统通过对图像位姿尺度恢复、定义样地坐标系、标记立木等过程估计样地中立木位置及胸径。用相机对12块半径为7. 5 m的圆形样地进行连续摄影,获取有序图像序列,并使用构建的样地调查系统对图像序列进行处理,以获取样地中立木位置及胸径。实验结果表明,所有样地立木位置估计值x轴与y轴方向的偏差(BIAS)分别为0. 04、-0. 03 m,均方根误差(RMSE)分别为0. 21、0. 17 m;样地中立木胸径估计值的BIAS及RMSE分别为0. 09 cm(0. 51%)和0. 88 cm(5. 03%)。