实时识别行间杂草的机器视觉系统

在实验室环境条件下,开发和测试了识别行间杂草的机器视觉系统。硬件系统主要由速度可控的土壤箱设备、三台实时采集图像的摄像机和计算机组成;软件系统根据植物和背景的颜色特征二值化图像,再根据田间作物的位置特征识别作物和行间杂草。实验表明,采集并处理一幅大小为710×512像素的彩色图像的平均时间为426 ms,系统的正确识别率达到了86%。     

基于机器视觉的草地蝗虫识别方法

为了准确、自动地提取蝗虫信息进行蝗灾测报,提出了一种基于机器视觉的草地蝗虫识别方法,用于超低空蝗灾预警系统所自动采集的视频中草地蝗虫头数信息的提取。该方法先根据跃起草地蝗虫的背景构成,把原始图像分为天空子图像和草地子图像;然后,采用帧间差分法检测两子图像中的运动区域;最后,运用蝗虫的形态特征因子对检测的运动区域进行再分类,识别跃起蝗虫。把自动识别的跃起蝗虫头数,带入建立的跃起蝗虫头数与和地面蝗虫头数之间的数学模型中,从而得到地面蝗虫的数量,进行地面上草地蝗虫的间接计数。试验结果表明:跃起草地蝗虫的识别率为80%～100%,由建立跃起蝗虫和地面蝗虫的之间模型计算的地面草地蝗虫的精度大于80%。因此,基于机器视觉的草地蝗虫识别方法能满足蝗虫精准测报的要求。     

机器视觉系统在桔瓣质量检测中的应用

开发了一套罐装线实时在线质量检测视觉系统，用于装罐前桔瓣上头发等细长形杂质检测，以保证产品质量。硬件系统采用了6台彩色CCD摄像头，两台计算机的处理结构。软件系统依据杂质和背景在颜色分布及形状大小等特征上的差异进行分离，其核心是一种用于二值图像特征区域提取的新型连通算子—面积重构算子，利用该算子平滑图像时不破坏对象轮廓完整的优点，结合改进的区域生长、区域消减等算法，形成了一套完整的检测算法。试验显示系统处理能力约30片/s，错误率仅2%。该系统能满足实时生产准确性和在线处理的要求，为其实用化、商品化奠定了基础。     

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。     

基于机器视觉的水稻杂质及破碎籽粒在线识别方法

为了解决目前国内联合收获机缺乏针对含杂率、破碎率的在线监测装置的问题,该文提出基于机器视觉的水稻图像采集,杂质与破碎籽粒分类识别方法。采用带色彩恢复的多尺度Retinex算法增强原始图像,对HSV颜色模型的色调、饱和度两个通道分别设定阈值进行图像分割,并结合形状特征得到分类识别结果。采用综合评价指标对试验结果进行量化评价,研究表明,茎秆杂质识别的综合评价指标值达到了86.92%,细小枝梗杂质识别的综合评价指标值为85.07%,破碎籽粒识别的综合评价指标值为84.74%,平均识别一幅图像的时间为3.24 s。结果表明,所提出的算法能够快速有效识别出水稻图像中的杂质以及破碎籽粒,为水稻含杂率、破碎率的在线监测提供技术支撑。     

基于机器视觉的白掌组培苗在线分级方法

白掌在观叶类花卉中占有很大比例,其育苗多采用组织栽培法,且组培苗生产具有规模化。为提高成苗出苗品质,需要在组培苗炼苗前对其分级,而目前常用分级法不能有效解决自然状态下水平放置的白掌组培苗存在的叶片扭曲和重叠问题,因此该文提出一种基于机器视觉实现白掌组培苗在线分级的方法,通过对自然状态下水平放置的白掌组培苗的叶片面积、苗高、地径以及投影面积的分析,得到其投影面积与叶片面积呈线性关系,相关度为0.9344;投影面积与地径呈多项式函数关系,相关性为0.9067,故确定组培苗投影面积和苗高为实际生产中的分级指标。该文采用基于颜色模板匹配算法测量组培苗投影面积,得到的叶片面积和地径与实际叶片面积和地径的变异系数相对误差分别为0.35%和7.95%;利用最小外接矩形法(MBR,minimum bounding rectangle)测量苗高,得到的苗高和实际苗高变异系数相对误差为1.44%。通过整机分级试验发现在输送间距为0.25 m,输送速度为0.5 m/s,分级级别为3级的条件下,该分级装置的分级成功率可达96%,对应生产率为7 200株/h。     

基于机器视觉自然场景下成熟柑橘识别

采用2R-G-B色差分量,通过Ostu自适应阈值算法进行图像分割,利用形态运算消除分割后随机噪声,并对分割区域进行标记,利用区域面积和区域最小外接矩形长宽比参数进一步去除背景区域.对于多果重叠问题,利用T=Sqrt(S×I)形成新的图像提取边界,再结合形态学运算实现分割.最后利用优化的圆形Hough变换提取目标图像的形心坐标及半径,恢复遮挡果形.经验证有95%果实能正确识别.     

机器视觉的烟叶物理特性表征方法

为了研究梅州地区各等级烟叶的外观特征与物理特性间的关系,找到一种通过烟叶外观特征表征其物理特性的方法,选取了梅州6个产地、12个等级的初烤烟叶共977片。使用机器视觉设备和质构仪分别检测了烟叶样本的外观特征和物理特性。选取其中781片烟叶样本作为训练集,使用了弹性网络、极端随机树、支持向量机等回归模型以及模型融合技术分别构建了基于烟叶外观特征的最大拉力、剪切力和撕裂度的表征模型。选取196片烟叶样本作为测试集,以平均绝对误差为模型评价指标,评估了3种表征模型的泛化性能。结果表明,对于最大拉力的表征模型而言,模型在测试集上的预测值与真实值的相关系数超过0.73,拟合优度为0.54;对于剪切力的表征模型而言,模型在测试集上的预测值与真实值的相关系数超过0.78,拟合优度为0.60;对于撕裂度的表征模型而言,模型在测试集上的预测值与真实值的相关系数超过0.75,拟合优度为0.56。烟叶的外观特征对于烟叶的最大拉力、剪切力和撕裂度具有一定的表征能力。     

基于机器视觉的苹果最大横切面直径分级方法

针对中国苹果产后分选率和分选精度均较低而影响其商品价值等现状,在GB/T10651-2008《鲜苹果》颁布的背景下,设计了一套基于机器视觉技术的苹果分选系统。针对红富士苹果,采用了一种利用RGB颜色模型R-B通道进行阈值分割和均值滤波后,通过行扫描提取出轮廓的方法。提出了2种对苹果进行大小分级的理论模型:一种以苹果轮廓线上两点之间的最大距离作为分级标准;另一种以苹果最大横切面直径作为分级标准,其中苹果最大横切面直径通过曲线拟合得出。利用VC6.0软件编程实现了上述2种分级模型的算法。通过40个苹果6次在线分级试验表明,模型一分级正确率为93.3%,模型二分级正确率为87.1%,双通道分级效率最高可达12个/s,达到了苹果在线分选商品化应用的基本要求,为近球形果蔬参照行业分级标准进行大小自动化分选提供参考。     

基于机器视觉的大豆籽粒精选技术

为实现大豆精选模型的设计,选择东农405、东农410、东农634 共3个大豆品种,以正常豆、灰斑豆、霉变豆、虫蚀豆为研究对像,采用可脱离PC机独立工作的智能摄像头获取分析豆粒图像。通过动态阈值分割算法分离豆粒与背景,提取豆粒图像的形状、颜色、纹理3方面的特征参数15个。采用BP神经网络建立分类模型,模型平均识别准确率达98%。试验选择2000粒大豆样本对精选装置进行测试,测试结果显示：该装置对正常豆、灰斑豆、霉变豆和虫蚀豆的筛选精度分别达到98.3%、93.4%、92.2%、95.9%,筛选效率达到每分钟300粒,将机器视觉技术应用于大豆精选机的设计中是可行的。     

基于计算机视觉技术估算种猪体重的应用研究

为了解决在种猪体重测量中传统方法所遇见的问题,该研究初步探讨了一种新方法,即把计算机视觉技术应用到种猪饲养管理中,通过数字图像分析技术,测量和计算种猪的投影面积,并分析其与体重的相关性,为种猪体重测量提供了新的依据。结果显示去除头部和尾部后剩余身体部分的投影面积和体重的相关性极大,相关系数可达到0.94,再与人工测量的结果进行对比,相对误差不超过2.8%。试验证实了利用这种无接触的方法来估测种猪的体重,可以减少人力物力,避免由于猪的应激反应而给生产带来的损失,在种猪的科学饲养管理中具有实用意义。     

基于生猪外形特征图像的瘦肉率估测方法

为实现生猪瘦肉率的快速无损检测,以机器视觉为主要技术,通过生猪的外形特征图像进行瘦肉率估测,为饲养者与收购者提供生猪品级的决策依据。采用MATLAB为开发工具,通过图形用户界面(graphical user interface,GUI)实现软件操作界面,以生猪的侧面及背面图像为研究对象,利用图像处理技术从目标中提取体长、体高、胸深、腹长、臀宽、腰宽等数据,以这些体尺的比例(胸深体高比、臀宽体长比、臀宽腰宽比、腹长体长比)为参数,通过径向基函数(radial basis function,RBF)神经网络进行瘦肉率估测。该文分别对7组生猪外形图像进行处理,4项比例指标的平均估测准确率分别为92.90%、92.44%、95.17%、96.51%,瘦肉率的平均估测准确率为94.35%。结果表明,该文所构造的基于生猪外形特征图像的瘦肉率估测方法工作效率高,成本低,可用于估测生猪瘦肉率。     

基于计算机视觉的牛脸轮廓提取算法及实现

计算机视觉技术已越来越多地应用于检测牛个体行为以给出养殖管理决策,牛脸轮廓的提取及形状分析能够进一步提高牛身份鉴别,咀嚼分析及健康状况评估的自动化程度。为实现基于计算机视觉的无接触、高精度、适用性强的肉牛养殖场环境下的牛脸轮廓提取,提出用自适应级联检测器定位牛脸位置,用统计迭代模型提取牛脸轮廓的方法。该方法采集牛脸正面图像,用级联式检测器定位出牛脸的位置,并分别采用监督式梯度下降算法(supervised descent method,SDM),局部二值算法(local binary features,LBF)和主动外观模型算法(fast active appearance model,FAAM)3种算法被用于提取牛脸轮廓。对20头肉牛共拍摄800幅牛脸正面图,随机选取训练数据720幅和测试数据80幅。结果表明,主动外观模型算法准确率最高,其轮廓提取误差为0.0184像素,适于应用在轮廓提取精度要求较高的场合,而局部二值算法的运行效率最高,在分辨率为744像素(水平)×852像素(垂直)的牛脸图像中轮廓提取时间为0.35 s,更适于应用在实时性要求较高的场合。该方法可实现养殖场中肉牛的无接触精确的面部轮廓提取,具有适用性强、成本低的特点。     

黄瓜幼苗生长信息的无损监测系统的应用与验证

初步探讨了利用计算机视觉技术,在试验温室条件下,对单株黄瓜幼苗的生长实行无损监测。分别对叶面积和干鲜重的破坏性测量与计算机视觉无损测量结果相比较,通过相关性分析,计算机视觉测量的叶冠投影面积与激光叶面积仪测量的叶面积决定系数为0.976,与茎叶干、鲜重的决定系数分别为0.874和0.914。试验证实计算机视觉无损监测系统可以对植物的生长参数进行比较可靠的预测。     

作物生长模型的适用性评价及冬小麦产量预测

为了研究CERES-Wheat模型在北京地区的适用性及应用模型对冬小麦产量进行预测,在对模型进行参数校正的基础上,通过连续3 a的试验数据对模型适用性进行评估,进一步采用试验点气象观测站2007－2008年气象数据作为驱动模型展开模拟,预测了2007－2008年北京冬小麦产量为6 000 kg/hm2,并对比了2004－2008年的模型模拟值（包括生殖生长期时间、叶面积指数和产量）与实际观测值。结果表明：模型模拟开花期时间一般较实际观测时间推迟6 d以内,成熟期时间一般较实际观测时间推迟5 d以内,叶面积指数和产量较真实值偏高,综合4 a产量预测数据发现模型模拟产量准确度在90%以上,说明CERES-Wheat模型在北京适用性良好,可以作为一个有效的冬小麦产量预测工具在农业中应用。     

奶牛隐性乳房炎便携式计算机视觉快速检测系统设计与试验

为解决奶牛隐性乳房炎难以防治的问题,构建了一种基于计算机视觉技术的快速检测系统。通过电脑与USB摄像头采集牛奶p H测试纸图像,提出了一种融合颜色特征与形态学处理的分割方法,分割化学反应区并获取RGB值,使用Foss5000牛乳体细胞分析仪得到牛奶体细胞实测值,采取幂回归法建立RGB值与牛奶体细胞数的预测模型,并基于Android技术开发了便携式移动终端设备。牛场实测20组数据试验结果显示,牛奶体细胞数估测值与实测值相关系数为0.970,估测平均相对误差为3.67%,标准差为1.88%。系统估测牛奶体细胞数较为准确,可用于奶牛隐性乳房炎快速检测。     

基于计算机视觉的稻谷霉变程度检测

为了实现无损检测稻谷储藏中的霉变,该研究以引起稻谷霉变的5种常见真菌(米曲霉、黑曲霉、构巢曲霉、桔青霉和杂色曲霉)为对象,首先进行真菌培养,制成悬浮液,然后将悬浮液接种到稻谷样品中,对稻谷样品模拟储藏,确定不同霉变程度的稻谷类型,划分为对照组(无霉变)、轻微霉变组和严重霉变组。利用计算机视觉系统对三组稻谷样品进行图像采集和图像处理,提取灰度、颜色和纹理特征,共获取68个图像特征。采用支持向量机(support vector machines,SVM)和偏最小二乘法判别分析(partial least squares discriminant analysis,PLS-DA)构建模型,分别用于无霉变稻谷与霉变稻谷的区分和稻谷霉变类型区分。为了降低模型复杂度和数据冗余,利用连续投影算法(successive projections algorithm,SPA)来消除原始数据变量间的共线性,优选特征值。结果表明:利用所有参数构建的SVM模型能够很好的区分对照组与霉变组,其中建模集和验证集总体区分准确率分别为99.7%和98.4%;SVM模型对于稻谷严重霉变类型的区分效果要优于轻微霉变稻谷,其中对稻谷轻微霉变类型建模集和验证集总体区分的准确率分别为99.3%和92.0%,对稻谷严重霉变类型区分的总体准确率分别为100%和94%,且整体上SVM模型的效果要优于PLS-DA模型。而基于SPA优选特征构建的模型区分结果表明,SVM模型区分效果优于PLS-DA模型,其中,在建模集和验证集中,对无霉变和霉变稻谷总体区分准确率分别为99.8%和99.5%,对稻谷轻微霉变种类区分总体准确率分别为99.8%和90.5%,对稻谷严重霉变种类区分总体准确率分别为100%和95.0%。因此,基于计算机视觉对稻谷霉变检测是可行的,而且SPA优选特征能够较好反映稻谷霉变特征,基于优选特征和SVM模型能够较好地稻谷霉变进行识别和区分,结果较好,可以为实际应用提供技术支持和参考。     

基于COSIM模型的新疆棉花产量动态预报方法

该文在对棉花生长模拟模型COSIM进行模型调试、验证实现本地化应用的基础上,探讨运用作物模型进行棉花产量动态预报的方法,重点解决未知气象数据替代问题。作物模型应用于产量预报时,未来天气的不确定性是影响预报准确率的关键因子,该影响随着当年实际天气数据增多而减小。该文以近50 a的气象数据,依次替代预报日至收获期的气象数据(即预报日之前使用预报年当年气象数据,预报日之后使用替代年气象数据),模拟棉花生长发育和产量形成过程,以近50、40、30、20、10、5 a历史气候数据依次替代预报日之后的逐日数据获得的模拟产量平均值作为预报产量,根据对预报准确率进行比较,最终确定以近10 a实测数据替代获得的模拟产量平均值作为最终预报产量。经验证该预报方法对不同播种时间棉花产量动态预报的准确率在81.3%~99.6%,预测精度较好。作为案例分析,该文仅进行每月1次预测分析,实际应用中可进行逐日替代动态预报,经过进一步改进,提高预报精度,未来可望达到业务应用水平。     

基于机器视觉的猪体体尺测点提取算法与应用

无应激获取猪体的体尺、体质量,是猪福利养殖中的一个重要任务,为解决机器视觉提取自然站立姿态下猪体的体尺测点识别率低的问题,该文通过在线摄像机获取120d龄长白猪的彩色图像,以猪体体尺传统的测量位置为研究基础,结合猪舍现场实际情况,提出了复杂背景下猪体个体信息提取的算法、基于包络分析的猪体头部和尾部的去除算法以及具有一定弯曲姿态的复杂猪体体尺测点坐标提取的算法,并利用Matlab2010软件实现了其算法。验证试验结果表明:通过背景减法和去除噪声算法可去除背景干扰,有效识别猪体信息;测点提取算法可准确提取自然姿态下猪的个体轮廓,识别其体尺测点,实现了猪体的体长、体宽等体尺量算的9个体尺测点的坐标提取,经验证,对猪体体长的实测值平均相对误差最小,其平均相对误差仅为0.92%;其次为腹部体宽,其平均相对误差为1.39%;而对猪体肩宽和臀宽的检测误差较大,平均相对误差分别为2.75%和3.03%。本研究可应用于猪体无应激量算体尺、估算猪体体质量,为开展福利养殖提供了一种新方法。