基于高光谱图像的鸡种蛋孵化早期胚胎性别鉴定

为了对鸡种蛋孵化早期胚胎进行性别鉴定,构建了高光谱图像采集系统,在400~1 000 nm范围内获取94枚种蛋孵化0~12 d的高光谱透射图像。分别在胚胎的圆头、中间、尖头3个部位选择感兴趣区域(region of interest,ROI),获取400~1 000 nm波段的响应信号,构建了支持向量机(support vector machine,SVM)、偏最小二乘判别分析(partial least squares discriminant analysis,PLSDA)和人工神经网络(artificial neural network,ANN)的鸡胚胎性别鉴定模型,并比较了不同孵化时间雌雄胚胎的鉴别准确率。试验结果表明,SVM模型、PLSDA模型和ANN模型均对孵化第10天种蛋中间部位检测效果最好。随后通过分析第10天种蛋中间部位光谱响应的差异,选取600~900 nm的光谱值构建胚胎性别鉴定模型,结果发现,3种模型的判别准确率均有上升,SVM模型和PLSDA模型预测集样本判别准确率均为75.00%,ANN模型预测集样本判别准确率达到82.86%。其中,ANN构建的种蛋孵化胚胎性别检测模型的整体效果优于SVM模型和PLSDA模型。结果表明高光谱图像技术在检测鸡种蛋孵化早期胚胎性别方面有一定效果,但种蛋蛋壳的个体差异会对鉴定准确率造成一定影响。     

基于RF-DS图谱信息融合的孵化早期鸡胚蛋性别无损检测

针对图像或光谱单一信息检测孵化早期胚蛋性别识别率不高的问题，该研究提出一种随机森林（Random Forest，RF）和证据理论（Dempster-Shafer，D-S）的图谱信息融合的无损检测方法。利用机器视觉和光谱仪分别采集孵化期第4天水平横放的胚蛋信息，在对胚蛋图像和光谱预处理的基础上，提取图像纹理特征和光谱特征，再分别以2类单特征的RF分类结果作为独立证据构造基本概率分配函数，运用D-S证据理论进行决策级融合，根据分类判决门限得出最终的识别结果。试验结果表明，图像和光谱单特征RF模型识别准确率最高分别达78.00%和82.67%，多特征决策融合识别法准确率达到88.00%，其中雌雄识别率分别达到90.00%和86.25%，单个鸡蛋的平均判别用时为2.843 s。结果表明，该光谱-图像信息融合方法可以提高孵化早期胚蛋雌雄识别准确率。     

利用高光谱透射图像检测鸡种蛋早期孵化

为了检测鸡种蛋孵化前期胚胎发育情况,构建了高光谱图像采集系统,在400～1000nm范围内获取90枚种蛋孵化前3天的高光谱透射图像。通过独立分量方法对高光谱数据进行分析降维,优选出571、614、661、691和716nm共5个特征波长,提取每个波长下的光谱平均值和标准偏差,获得每个样品10个特征变量。为了消除变量之间相关性,利用主成分分析提取了4个主成分变量,在此基础上构建了学习向量量化(LVQ)神经网络判别模型。验证性试验均表明该模型具有较高的稳定度(变异系数为1.7),对第1,2,3天的测试样本判别准确率分别为78.8%,90.3%和98.6%。结果表明高光谱图像技术可以检测种蛋孵化前期胚胎发育情况。     

基于颜色和深度信息融合的目标识别方法

传统的机器视觉采用二维RGB图像,难以满足三维视觉检测的要求,深度图像能直接反映物体表面的三维特征,正逐渐受到重视。该文提出的方案将RGB和深度信息相结合,分割出物体所在区域,并利用梯度方向直方图(HOG, histograms of oriented gradients)分别提取RGB图像和深度图像特征信息。在分类算法上,该文采用k最邻近节点算法（k-NN）对特征进行筛选,识别出目标物体。试验结果表明,综合利用深度信息和RGB信息,识别准确率很高,此方案能够对物体和手势进行很好识别。     

基于高光谱信息融合和相关向量机的种蛋无损检测

为了尽可能早的检测出无精蛋和受精蛋,该文提出采用透射高光谱成像技术,融合图像和光谱信息,对其受精信息进行检测。利用高光谱图像系统采集孵化前种蛋在400~1 000 nm的高光谱图像,提取图像特征(长短轴之比、伸长度、圆度、蛋黄面积与整蛋面积之比);筛选出400~760 nm的波段,通过Normalize预处理结合相关系数法提取155个光谱特征变量;运用主成分分析法对图像和光谱的融合信息进行降维,采用相关向量机(relevance vector machine,RVM)分别建立基于图像、光谱和图像-光谱融合信息的受精蛋和无精蛋分类判别模型,并与支持向量机(support vector machine,SVM)模型进行比较,RVM模型检测正确率分别为90%,91%,96%;测试集检测时间分别为0.6619,1.0821,0.5016 s。SVM模型检测正确率分别为84%,90%,93%;测试集检测时间分别为5.9386,5.9886,5.6672 s。结果表明,基于图像-光谱融合所建立的模型优于单一信息的模型,在分类精度上,采用RVM分类精度高于SVM的分类精度;在分类时间上,RVM的分类时间比SVM短,因此,利用高光谱融合信息和相关向量机可以提高种蛋检测精度,研究结果为孵前无精蛋和受精蛋的在线实时检测提供参考。     

融合高光谱图像技术与MS-3DCNN的小麦种子品种识别模型

小麦品种的纯度和小麦产量密切相关,为了实现小麦种子品种的快速识别,该研究利用高光谱图像技术结合多尺度三维卷积神经网络（Multi-Scale 3D Convolutional Neural Network,MS-3DCNN）提出了一种小麦种子的品种识别模型。首先,利用连续投影算法（Successive Projections Algorithm,SPA）对原始高光谱图像进行波段选择,以减少MS-3DCNN模型的输入图像通道数量,降低网络训练参数规模;其次,利用多尺度三维卷积模块提取特征图的图像特征和不同特征图之间的耦合特征;最后,以6个品种小麦共6 000粒种子的高光谱图像（400～1 000 nm）为研究对象,基于SPA算法选择了22个波段高光谱数据,利用MS-3DCNN、支持向量机（Support Vector Machine,SVM）分别构建了识别模型。试验结果表明,MS-3DCNN模型取得了96.72%的测试集识别准确率,相较于光谱特征SVM识别模型和融合特征SVM识别模型分别提高了15.38%和9.50%。进一步比较了MS-3DCNN与基于二维卷积核、三维卷积核、多尺度二维卷积核构建的多个识别模型性能,结果表明多尺度三维卷积核能提取多种尺度的信息,其识别模型的准确率提高了1.34%～2.70%,可为小麦种子高光谱图像品种识别提供一种可行的技术途径。     

基于多特征融合和深度置信网络的稻田苗期杂草识别

杂草的准确识别是田间杂草精准防控管理的前提,机器视觉技术是实现杂草准确识别的有效手段。该文以水稻苗期杂草为研究对象,采集稻田自然背景下和不同光照条件下的6种杂草图像共928幅,包括空心莲子草、丁香蓼、鳢肠、野慈姑、稗草和千金子。采用1.1G-R颜色因子将杂草RGB图像进行灰度化,选择自动阈值自动分割得到杂草前景二值图像,通过腐蚀膨胀形态学操作进行叶片内部孔洞填充,应用面积滤波去除其他干扰目标,最后将杂草二值图像与RGB图像进行掩膜运算得到去除背景的杂草图像;提取杂草图像的颜色特征、形状特征和纹理特征共101维特征,并对其进行归一化处理。在双隐含层和单隐含层的深度置信网络(deep belief networks,DBN)结构基础上,对DBN隐含层节点数选择方法进行研究。针对双隐含层DBN节点数,选择恒值型、升值型和降值型3种节点组合方式进行优化研究,当网络结构为101-210-55-6时杂草识别率为83.55%;通过对单隐含层节点参数优化得到网络结构为101-200-6时杂草识别率达到91.13%。以同一测试样本的运行时间值作为模型的测试时间对3种不同模型进行耗时测试,SVM模型、BP模型和DBN模型测试结果分别为0.029 7、0.030 6和0.034 1 s,试验结果表明基于多特征融合的DBN模型的识别精度最高,且耗时较其他2种模型相差不大,可满足实时检测的速度要求,所以在实际应用中应优先选择基于多特征融合的DBN模型。该研究可为稻田杂草识别与药剂选择性喷施提供参考。     

利用融合高度与单目图像特征的支持向量机模型识别杂草

除草是保证农作物高产的必要工作。针对机械化除草和智能喷药中存在的杂草识别问题,以2~5叶苗期玉米及杂草为研究对象,进行了融合高度特征与单目图像特征的杂草识别方法研究。首先从单目图像中提取16个形态特征和2个纹理特征;然后基于双目图像,提出了针对植株的高度特征提取方法,所得高度特征与实际测量值间误差在±12 mm以内;利用max-min ant system算法对形态特征进行优化选择,将形态特征减少到6个,有效减少数据量62.5%,并与纹理和高度特征进行融合;将2~5叶玉米幼苗的可除草期划分为3个阶段,分别构建融合高度特征与单目图像特征的SVM识别模型,并与相应不含高度特征模型进行对比。经测试,3个阶段模型的识别准确率分别为96.67%,100%,98.33%;平均识别准确率达98.33%。不含高度特征模型的识别准确率分别为93.33%,91.67%,95%;平均识别准确率为93.33%。结果表明,融合高度特征与单目图像特征的SVM识别模型优于不含高度特征模型,平均识别准确率提高了5百分点。该方法实现了高准确率的杂草识别,研究结果为农业精确除草的发展提供参考。     

番茄缺素叶片的图像特征提取和优化选择研究

在基于计算机视觉技术对无土栽培番茄营养元素缺乏智能识别研究中,对不易被肉眼判别的缺氮和缺钾初期叶片进行图像特征的提取和优化选择研究，以提高识别的准确率。提出了应用相对差值百分率直方图提取缺素叶片的颜色特征，应用差分算子提取纹理的时域特征、应用傅里叶变换提取纹理的频域特征、应用小波包提取纹理的时频特征等的新方法，并新提出从颜色和纹理时域、频域、时频域等多个角度集成提取缺素叶片图像的有效特征，利用遗传算法对提取的众多特征项进行优化选择，以使诊断识别用的信息分类能力最优。试验表明，该方法识别的准确率较高，达到95%～92.5%，而且可以比肉眼识别提前6～10 d。     

基于机器视觉形状特征参数的祁门红茶等级识别

外形是评价茶叶质量的重要指标之一,目前主要依赖人工审评的方法,客观、准确的评价外形指标对茶叶加工、销售有重要的意义。该研究提出了一种基于形状特征直方图结合支持向量机的茶叶等级识别方法。以7个等级的祁门工夫红茶为研究对象,构建图像采集系统,标定相机参数,采集各等级的茶叶图像。对图像进行灰度化、二值化处理,提取叶片的6个绝对形状特征:长度、宽度、面积、周长、最小外接矩长、宽,在此基础上计算狭长度,矩形度2个相对形状特征,生成形状特征的直方图。以直方图分布为特征向量,构建了基于BP神经网络,极限学习机(extreme learning machine,ELM),支持向量机(support vector machine,SVM),最小二乘支持向量机(least squares support vector machine,LS-SVM)的等级识别模型,并对比了不同模型的识别效果。结果表明,该文构建的图像采集系统测量精度0.3 mm,能够准确提取形状特征参数;基于形状特征直方图的LS-SVM模型识别效果最好,识别精度为95.71%,测试集决定系数为96.2%,具有算法复杂度低,易于求解的优点。研究结果为实现茶叶的客观、数字化等级鉴定,提供了试验数据和参考方法。     

基于机器视觉的鸡胴体断翅快速检测技术

为实现肉鸡屠宰过程中断翅鸡胴体的快速检测,提高生产效率,该研究利用机器视觉系统采集了肉鸡屠宰线上的1 053张肉鸡胴体图,构建了一种快速识别断翅缺陷的方法。通过机器视觉装置采集鸡胴体正视图,经图像预处理后分别提取鸡胴体左右两端到质心的距离及其差值（d1、d2、dc）、两翅最低点高度及其差值（h1、h2、hc）、两翅面积及其比值（S1、S2、Sr）、矩形度（R）和宽长比（rate）共11个特征值,并通过主成分分析降维至8个主成分。建立线性判别模型、二次判别模型、随机森林、支持向量机、BP神经网络和VGG16模型,比较模型的F1分数和总准确率,在所有模型组合中,以VGG16模型的F1分数和总准确率最高,分别为94.35%和93.28%,平均预测速度为10.34张/s。利用VGG16建立的模型有较好的分类效果,可为鸡胴体断翅的快速识别与分类提供技术参考。     

基于分裂Bregman算法的玉米种子品种识别

摘要：玉米品种的纯度和玉米产量密切相关,因此玉米品种的筛选对提高粮食产量具有非常重要的作用。基于机器视觉的自动品种筛选技术通常分为图像分割、特征获取和分类等三步。图像分割的精度直接决定了种子识别准确度。在众多的图像分割技术中,本研究尝试将图像分割变分模型及其对应的数值求解方法-分裂Bregman算法应用于玉米种子自动识别中。该方法具有精度高,分割边界封闭连续等有利于玉米特征提取的优点。此外,本文还将自适应小波配置法用于求解分裂Bregman算法中的最优条件,得到一种更为精确高效的分裂Bregman算法。进而结合改进分裂Bregman算法得到的不同玉米品种特征和支持向量机技术得到了一种新的玉米品种分类器。采用该方法对玉米品种农大108和鲁丹981进行实验,识别精度分别达到97.3%和98%,相对于由其他分割方法得到的分类结果精度（95%）要高。     

基于高光谱图像和遗传优化神经网络的茶叶病斑识别

为实现茶叶病害的快速高效识别,提出了基于高光谱成像技术和图像处理技术融合的茶叶病斑识别方法。利用高光谱成像技术采集了炭疽病、赤叶斑病、茶白星病、健康叶片等4类样本的高光谱图像。提取感兴趣区域敏感波段的相对光谱反射率作为光谱特征。通过2次主成分分析,确定第二次主成分分析后的第二主成分图像为特征图像,基于颜色矩和灰度共生矩阵提取特征图像的颜色特征和纹理特征。利用BP神经网络对颜色、纹理和光谱特征向量融合数据进行检验,识别率为89.59%;为提高识别率,提出遗传算法优化BP神经网络的方法,使病斑识别率提高到94.17%,建模时间也缩短至1.7 s。试验结果表明:高光谱成像技术和遗传优化神经网络可以快速准确的实现对茶叶病斑的识别,可为植保无人机超低空遥感病害监测提供参考。     

基于自适应判别深度置信网络的棉花病虫害预测

作物病虫害预测是病虫害防治的前提,利用深度学习预测作物病虫害是一个有效且具有挑战性的研究课题。该文针对深度置信网络(deep belief network,DBN)在作物病虫害预测中的训练耗时长和容易收敛于局部最优解等问题,将自适应DBN和判别限制玻尔兹曼机(restricted boltzmann machine,RBM)相结合,利用棉花生长的环境信息,提出一种基于自适应判别DBN的棉花病虫害预测模型。该模型由3层RBM网络和一个判别RBM(discriminative restricted boltzmann machine,DRBM)网络组成,通过3层RBM网络将棉花生长的环境信息数据转换到与病虫害发生相关的特征空间,通过自动学习得到层次化的特征表示,再由DRBM预测棉花病虫害的发生概率。该模型将自适应学习率引入到对比差度算法中,通过自动调整学习步长,解决了在传统DBN模型训练时学习率选择难的问题;在学习过程中通过在DRBM中引入样本的类别信息,使得训练具有类别针对性,弱化传统RBM无监督训练时易出现特征同质化问题,提高了模型的预测准确率。对实际棉花的"棉铃虫、棉蚜虫、红蜘蛛"虫害和"黄萎病、枯萎病"病害的平均预测准确率为82.840%,与传统BP神经网络模型(BPNN)、强模糊支持向量机模型(SFSVM)和RBF神经网络模型(RBFNN)分别提高19.248%,24.916%和27.774%。     

基于纹理分析的香菇品质分选方法

为了实现天白花菇、白花菇、茶花菇和光面菇这4种类型香菇的分选,研究了多种菌盖纹理模型以及各个模型参量的融合,并设计了整个香菇类型自动分选系统。首先从香菇菌盖中截取合适大小的纹理区域,利用灰度直方图统计,灰度共生矩阵(grey level co-occurrence matrix),高斯马尔科夫随机场(Gauss Makov Random Field)模型和分形维数模型从该区域中共提取23个纹理特征参数。然后使用顺序前向搜索法对各个模型特征数据进行融合,从中得出6个简约特征。最后构建K近邻分类器作为香菇类别分类器并对提取后的简约特征进行分类。试验结果表明,香菇类型分选模型的分选正确率可达到93.57%,利用香菇菌盖纹理对香菇进行类型分类是可行的。     

基于机器视觉的马铃薯晚疫病快速识别

晚疫病是马铃薯的一种严重病害,可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测,根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同,提取叶片表面的特征参数,并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中,根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同,利用颜色特征,建立马铃薯晚疫病的无病和患病模型,该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵,采用纹理统计参数进行病害等级评价,用熵值和能量值描述晚疫病的严重程度,纹理特征对患病程度的识别率比较稳定,对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征,根据病斑面积比进行晚疫病诊断,该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果,识别率为90%,但由于叶片患病早期的病斑面积小且分散,识别难度大,识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性,提出颜色纹理形状特征结合的识别方法,对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天,但利用机器视觉识别马铃薯晚疫病患病情况非常快速,根据颜色特征进行病害识别的时间约为4 s,纹理特征识别的时间为7 s,形状特征特征识别的时间为3 s,综合颜色纹理形状特征的识别由于计算量较大,识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。     

基于超声成像技术的火腿肠质构分析与等级判别

为了研究超声成像技术在火腿肠质构分析与等级判别方面应用的可行性。通过对火腿肠蛋白质、淀粉等理化指标的测定将其分为特级、优级、普通级,并采集2个品牌3个等级的火腿肠共240份超声图像信息,在Matlab 7.0环境下提取图像角二阶矩、平均值等纹理特征值,最后利用线性判别式分析(linear discriminant analysis,LDA)和支持向量机(support vector machine,SVM)建立火腿肠的等级判别模型。结果表明:同品牌不同等级火腿肠超声图像、纹理特征值均具有较大差异,而同等级不同品牌火腿肠差异较小。建立的识别模型中:SVM优于LDA模型,当主成分为3时,SVM模型对应的校正集、预测集识别率均为100%,模型效果最佳。因此,超声成像技术可实现火腿肠内部质构的分析和等级的快速准确识别,研究结果可为超声成像技术在火腿肠内部质构分析和等级判别方面的应用提供参考。