基于遗传组合网络的玉米品种识别方法

为了提高计算机视觉技术对玉米品种的识别率,研究基于遗传组合神经网络的玉米品种识别方法。利用自制的动态计算机视觉系统,获取了4种具有代表性的西南地区杂交玉米种子图像,提取了8个形态特征参数和6个颜色特征参数。针对玉米品种识别特点,设计了由4个子网络组成的遗传算法优化的径向基函数组合网络,并优选了特征参数组合,优化了网络参数。经验证对比试验表明,本方法识别率可达95%,优于其它识别方法,切实提高了玉米品种识别率。     

多类支持向量机在玉米品种识别中的应用

为了验证采用机器视觉以及图像处理方法对玉米品种进行自动识别的可行性,研究了一种基于玉米外观特征和多变量支持向量机(SVM)分类算法的玉米品种识别方法.采用数码相机获得了11个品种每个品种50粒共550幅图像,然后对各品种对应的籽粒群体图像提取每个籽粒的形态特征8个、颜色特征12个、纹理特征13个,共33个特征参数,并分别定义11个玉米品种的二进制编码作为网络的输出,建立特征参数与玉米品种之间的SVM识别模型.试验结果表明,该方法对11个品种550个籽粒的品种检出率为100%.在同样的情况下比较了基于BP神经网络(ANN)的识别性能,较ANN 94.3%的识别率,采用SVM的识别效果有了较大的提高,得到了较好的识别效果.     

农业部提出推进玉米全程机械化七措施

近年来，农业部对玉米机械化工作进行了重点部署，加大了科技攻关、示范推广和补贴力度；各地也积极采取引导示范、累加机具补贴、组织跨区作业等措施，促进了玉米机械化发展，取得了良好的效果。目前，玉米耕、播环节机械化问题已经基本解决，全国玉米机耕水平达84％，机播水平达73％；玉米收获环节机械化水平仅为17％，是玉米乃至粮食生产机械化中最薄弱的环节。     

基于标准化的京甜紫花糯2号鲜食玉米高效栽培与速冻加工研究

京甜紫花糯2号是甜糯结合型鲜食玉米新品种，是目前上海、南京、南通等市场最受欢迎的鲜食玉米品种之一，也是鲜食与速冻加工最理想的品种。其栽培和速冻加工的标准化是实现高产、稳产和加工优质速冻产品的最佳途径。通过杀青液中加入0.8%的CaCl2进行护色保脆，解决了产品色泽黄化、硬脆度下降的问题；通过0.03%蚕丝肽和0.02%溶菌酶的应用，大幅度降低微生物指标，达到天然生物防腐、延长保质期的目的。京甜紫花糯2号标准化栽培亩产量达590～760kg，单季种植效益达2000～3000元；标准化速冻加工吨产品销售价格达5000～8000元。     

淄博玉米机收全国领先

本刊讯新年伊始，淄博市一项2005年的农机统计数字引起了有关媒体的关注，全市玉米联合收获机保有量达1500台，占全省、全国总数的33％和22％；玉米机收率达60％，居全省、全国领先地位。     

基于计算机视觉的大米外观品质检测

开发了一套基于计算机视觉技术的稻谷品质检测系统，采用灰度变换、自动阈值分割、区域标记等方法从采集的稻米群体图像中提取单体米粒图像，对单体米粒的裂纹、垩白特征进行了统计和检测方法研究。提取了米粒的面积、周长等10个特征参数作为整精米检测特征，并进行了主成分分析，确定了判别整精米的优化阈值。检测试验结果表明：裂纹米粒识别的准确率为96．41％；垩白米粒识别的准确率为94．79％；整精米识别的准确率为96.20%。     

一句话要闻

从农业部获悉，截至6月30日全国“三夏”大规模小麦跨区机收基本结束。全国小麦机收水平已达87．8％，比去年提高近2个百分点；夏玉米机播水平达77％，比去年提高1个百分点。     

基于概率神经网络的玉米苗期杂草识别方法的研究

提出了一种基于计算机视觉技术和概率神经网络技术的玉米幼苗和杂草识别方法.首先利用类间方差最大自动阈值法对杂草图像的修正的超绿特征进行二值化处理;然后提取目标对象的形状特征参数作为输入向量,由概率神经网络(PNN)分类器识别出玉米幼苗.试验结果表明,该方法的有效性,对不同田间环境的玉米幼苗与杂草的准确识别率分别为92.5%和95%,效果优于使用BP网络.     

肉牛体形参数计算机视觉检测

利用数字图像处理技术,对肉牛体形参数计算机视觉检测技术进行了研究。用基于色度的阈值分割算法对图像进行分割,对自然条件下获取的肉牛图像进行了分析和检测,对选择的特征参数进行了测量。试验表明,应用计算机视觉技术测量肉牛体形参数是可行的。在测量的6个特征参数中,最大平均相对误差为2.73％。     

河南省玉米生产机械化模式研究

一、玉米生产基本情况 2010年河南省玉米种植面积4383万亩，产量1665．53万吨，其中春玉米种植面积50万亩左右，占玉米种植面积的1．1％；夏玉米种植面积4264．5万亩左右，占玉米种植面积的98．9％。河南省种植的主要玉米品种有郑单958、浚单18、浚单20、济单7号、鲁单981等。     

基于多特征降维的植物叶片识别方法

植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。针对低维特征不能全面描述叶片信息,识别准确率低的问题,提出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取Hu不变矩特征、灰度共生矩阵特征、局部二值模式特征和Gabor特征,对纹理图像提取分形维数,共得到2 183维特征参数。再采用主成分分析与线性评判分析相结合的方法对叶片多特征进行特征降维,将叶片高维特征数据降到低维空间。降维后的训练样本特征数据使用支持向量机分类器进行训练。试验结果表明:使用训练后的支持向量机分类器对Flavia数据库和ICL数据库的测试叶片样本进行分类识别,平均正确识别率分别为92.52%、89.97%,有效提高了植物叶片识别的正确率。     

液压制动管路中气液两相流流型聚类分析识别

利用汽车液压制动系统设计了一套用于检测液压制动管路中气液两相流的实验系统,提出了一种基于图像的灰度共生矩阵与系统聚类分析的气液两相流流型识别方法。该方法使用高速摄像机采集液压制动管路中的气液两相流流型图像,然后利用数字图像处理技术提取流型图像的灰度共生矩阵纹理特征参数,并将这些特征参数作为系统聚类分析的数据,进行系统聚类分析,最终实现流型的识别分类。实验结果表明,选用合适的样品间距和类间距的系统聚类分析模型,能够快速准确地对汽车液压制动系统管路中的4种典型流型进行识别分类,总体识别率达95.625%。该方法为液压制动管路中气液两相流流型参数的研究提供了一种新途径。     

基于地面激光雷达点云数据的树种识别方法

为了能够更有效地利用地面激光雷达的点云数据识别树种,以北京林业大学为研究区域,利用FARO Photon 120型地面激光雷达在研究区内获取4个树种、共92棵树木的点云数据。依据点云的三维坐标值提取研究区内立木的胸径、枝下高、树高、冠高、最长冠幅、垂直最长方向冠幅6个测树因子,同时提取由测树因子组合而成具有鲁棒性的6个树形特征参数,包括冠长树高比、胸径树高比、冠高树高比、分枝角、冠长最大冠幅之比、最长冠幅与垂直方向冠幅之比。分别使用测树因子和组合特征参数,采用支持向量机、分类回归决策树和随机森林的方法,对树种进行冠幅自动识别。研究结果表明：使用测树因子树木识别方法,识别平均准确率为0.765,平均召回率为0.778,3种识别方法中,分类效果较好的依次为分类回归决策树、随机森林、支持向量机;使用组合特征参数树木识别方法,识别平均准确率为0.891,平均召回率为0.896,分类效果较好的方法是随机森林和支持向量机,其次是分类回归决策树;总体上来看,不论是对于单个树种还是总体的准确率和召回率,组合特征参数法均高于测树因子法,而对于3种不同的分类方法,随机森林相对最好。研究结果表明,结合地面激光雷达获取的点云和不同机器学习分类方法进行树种识别分类可以达到满意的效果,且能节省大量时间和人力。     

基于迁移学习与卷积神经网络的玉米植株病害识别

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。     

玉米单倍体籽粒特征提取及识别

研究了玉米单倍体育种过程经导入基因标记后杂交诱导产生的单倍体与杂合体籽粒特征提取及识别方法,实现了单倍体籽粒的准确识别。以导入基因标记后杂交诱导产生的玉米籽粒为研究对象,根据颜色特征将玉米分为紫色标记、黄色胚乳及白色胚部3部分,通过分析此3部分像素在RGB及HSV颜色空间内的分布特点,提出了(G-B)R/B模型,实现了紫色标记区域的有效提取;根据玉米籽粒形态特点及紫色标记部分的分布特点,提出了一种简单快速的单倍体籽粒识别方法。在单倍体分拣试验台上的试验结果表明,所提出的方法对单倍体的识别准确率达98.07%,且能满足动态检测要求。     

基于机器视觉的玉米异常果穗筛分方法

针对玉米品种制种过程中病害果穗的表型识别问题,以玉米果穗整体为研究对象,基于二维快速成像技术实现了霉变、虫蛀和机械损伤3种异常果穗的快速分选。构建了单目视觉便携式图像采集装置,采集了任意摆放的粘连果穗目标图像,分别在RGB模型和HIS模型中提取了玉米果穗的6个颜色特征和5个纹理特征,并实现特征参数的归一化。构建了病害果穗分类模型,并采用已知样本特征向量对支持向量机和BP神经网络方法进行训练和对比分析,最后采用支持向量机方法实现了3种异常果穗的快速分选。实验结果表明,该方法对霉变异常果穗筛分的正确率可达96.0%,虫蛀果穗筛分的正确率可达93.3%,机械损伤果穗筛分的正确率可达90.0%。     

基于CNN和迁移学习的农作物病害识别方法研究

互联网是一个巨大的资源库,也是一个丰富的知识库。针对农作物小样本引起的过拟合问题,本研究引入了知识迁移和深度学习的方法,采用互联网公开的ImageNet图像大数据集和PlantVillage植物病害公共数据集,以实验室的黄瓜和水稻病害数据集AES-IMAGE为对象开展相关的研究与试验。首先将批归一化算法应用于卷积神经网络CNN中的AlexNet和VGG模型,改善网络的过拟合问题;再利用PlantVillage植物病害数据集得到预训练模型,在改进的网络模型AlexNet和VGG模型上用AES-IMAGE对预训练模型参数调整后进行病害识别。最后,使用瓶颈层特征提取的迁移学习方法,利用ImageNet大数据集训练出的网络参数,将Inception-v3和Mobilenet模型作为特征提取器,进行黄瓜和水稻病害特征提取。本研究结合试验结果探讨了适用于农作物病害识别问题的最佳网络和对应的迁移策略,表明使用VGG网络参数微调的策略可获得的最高准确率为98.33%,使用Mobilenet瓶颈层特征提取的策略可获得96.8%的验证准确率。证明CNN结合迁移学习可以利用充分网络资源来克服大样本难以获取的问题,提高农作物病害识别效率。     

基于Sentinel-1/2数据特征优选的冬小麦种植区识别方法研究

为了提高冬小麦种植区识别精度,本文基于谷歌地球引擎(Google Earth Engine, GEE)平台和随机森林算法,对比雷达和光学遥感数据对冬小麦提取效果的差异,并对多类特征变量进行重要性分析,研究特征优选对冬小麦识别精度的影响。选取2019年3—5月冬小麦关键生育期的Sentinel-1和Sentinel-2影像为数据源,构建Sentinel-1的极化特征和纹理特征以及Sentinel-2的光谱特征、植被指数特征、植被指数变化率特征共5类特征变量;设置不同数据源和不同特征组合的冬小麦种植区提取方案;对方案中特征变量进行优选,得出最优特征组合,利用最优特征组合对河南省驻马店市冬小麦种植区进行提取。结果表明,无论是否进行特征优选,基于多源遥感数据的冬小麦识别精度均优于仅采用光学或雷达数据的精度;经过特征优选后,各方案的分类精度均有不同程度的提升,说明多源数据特征变量组合和特征优选均能够提高分类精度。不同月份和类型的特征变量对分类精度的贡献率不同,贡献率由大到小为4月、3月和5月;贡献率由大到小的特征类型为极化特征、植被指数变化率特征、植被指数特征、光谱特征和纹理特征。基于多源数据特...     

基于视觉的苗期作物株间除草关键技术研究现状

基于视觉的苗期作物和杂草的图像分割技术逐渐成熟,通过视觉技术对苗期作物进行精准识别和定位,是实现株间除草的关键技术和难点。作物的精准识别首先需要利用颜色特征将图像中的作物、杂草和土壤背景进行分割;其次利用实际识别对象的位置特征,形状特征,纹理特征,光谱特征等构造新的特征向量,结合成熟的分类算法对作物和杂草进行特征分类识别。针对棉苗和大豆苗,主要提取位置特征、形状特征,多采用支持向量机为主分类算法;针对玉米,主要提取位置特征、纹理特征,多采用人工神经网络为主的分类算法;针对部分蔬菜苗,主要提取形状特征、光谱特征,多采用算法结合的优化算法,具体实现时需要根据离线样本学习的结果来平衡苗期作物的识别准确率与实时性。在目前的算法中,主要存在三方面的问题:作物特征提取效果易受到遮挡、光照等干扰;分类算法目前还不能得到非常令人满意的准确性和实时性;目前算法一般是针对某种时段的作物,不具有通用性。这些都是后续算法研究中需要进一步解决的问题。