草莓采摘机器人的研究:Ⅰ.基于BP神经网络的草莓图像分割

草莓成熟度和空间位置的识别是草莓采摘机器人研究的重要环节,解决此问题必须首先对采集的草莓图像进行分割.采用三层BP神经网络,通过分析选取3×3邻域像素的H通道值作为草莓图像的特征;选取HSV模型中与亮度无关的通道以排除图像的明暗对分割效果的影响;采用单通道以缩短图像处理时间.选取20幅图像作为训练样本,以人工借助Photoshop软件分割后的图像作为教师信号,采用BP算法对神经网络的权值进行训练.经过100次循环后(误差为0.001),获得了有效的网络权值.试验结果表明,利用BP神经网络能较好地实现成熟草莓果实与背景的分离,经过提取大区域和腐蚀、膨胀等算法的进一步处理后,效果更好;而且,只要改变训练时的教师信号,即可实现对草莓果梗、萼片等图像的分割.     

基于RGB彩色模型的草莓图像色调分割算法

针对目前草莓采摘机器人草莓图像分割运算量大、耗时多等问题,根据CIE-XYZ颜色模型及其色度图,提出了一种在RGB彩模型中进行草莓图像色调分割的方法。该方法无需彩色模型转换,时间复杂性能较Lab彩色模型下a通道阈值分割算法与BP神经网络分割算法优越。对该算法进一步改进后,只需加减运算,无需乘除运算。试验结果表明:该算法能很好地实现成熟草莓果实与图像背景的分离,并较好的保存草莓轮廓信息,分割效率>85%;进一步对分割后的图像进行形态学处理,如膨胀、腐蚀等,有效消除了孔洞现象。     

基于神经网络和图像颜色、形状特征的绿色苹果图像分割

图像分割是苹果采摘机器准确识别和定位苹果的关键步骤.本研究首先采用线剖面方法对采集的苹果图像针对颜色特征进行分析,提出了利用颜色特征R-B的色差法对青果期苹果图像进行初步分割.在利用分割后的图像提取图像区域的形状特征(面积、周长、圆形度、离心率等).然后将得到的8个形状特征作为BP神经网络的输入量,随机选取一定数量的样本图像作为BP神经网络的训练样本图像和验证样本图像.样本图像经过BP神经网络训练后,建立了绿色苹果图像的分割模型.通过BP神经网络分割后的苹果图像,果实识别率高达89.3％,分割效果良好.     

基于计算机视觉的草莓等级判别研究

如何对采集到的草莓图像进行分割和如何选取评定草莓等级的特征参数是草莓自动分拣系统的2个重要环节.该研究利用草莓R、G、B通道明显的像素差值来分割目标和背景,并且选取草莓的形状特征和成熟度作为草莓评级的特征参数,综合运用机器视觉、神经网络等理论方法,通过实验数据统计,建立极坐标下草莓外形轮廓特征参数及颜色空间下成熟度特征参数的提取方法,以人工神经网络为识别模型,实现对草莓的自动分类.实验结果表明,该方法对草莓的自动分级结果与人工分级结果相比较,准确率达到90％,具有实际的可行性.     

基于颜色特征的草莓成熟度识别技术研究

草莓成熟度识别技术是草莓采摘机器人顺利完成采摘任务的关键。本研究以"丰香"草莓为研究对象,首先提取不同成熟度草莓的颜色特征,计算草莓图像在HIS颜色空间模型下H分量的均值和方差;然后计算草莓果实红色部分着色面积所占比例;最后,建立BP神经网络,以H分量的均值、方差和草莓红色着色面积比作为BP神经网络的输入,训练完成后,判断待测样本的成熟度等级。通过本研究实验方法划分成熟度等级与经验丰富的果农判断结果对比,实验正确率可以达到90%以上。     

草莓采摘机器人的研究:Ⅱ.基于图像的草莓重心位置和采摘点的确定

成熟草莓果实重心和采摘点的确定是草莓采摘机器人采摘收获作业中的关键问题。采用LRCD (lumi nanceandredcolordifference)方法分割草莓图像。在RGB色彩模型中 ,求得图像中每个像素的色差 ,在灰度图像中显示以色差值为灰度值的色差图像 ,取合适的阈值对该图像二值化 ,得到分割后的草莓图像 ;提取分割后草莓图像的几何特征 ,从而确定草莓的重心位置和采摘点。采用本文所述的机器人视觉系统 (CCD成像像素 75 3× 5 82 ,像素中心距 10 μm× 10 μm)的试验结果表明 ,其采摘点位置误差 <3mm。利用LRCD方法能够很好的将成熟草莓与背景分离 ,通过提取分割后草莓图像的几何信息 ,可确定草莓重心和采摘点的位置。该处理方法适用于从复杂背景中提取红色目标     

草莓采摘机器人的研究:Ⅲ.扫描线填充算法在草莓图像孔洞填充中的应用

为解决强光照射导致的草莓图像分割后的内部孔洞问题,采用扫描线填充算法对孔洞进行填充。首先提取图像中整个草莓果实区域的轮廓线,在分析水平扫描线和区域轮廓线相交的各种可能性后,快速求取扫描线和轮廓线的交点,然后进行交点配对和区域填充,通过对整个草莓果实区域的填充实现孔洞填充。对150幅有孔洞的草莓图像进行填充试验,结果表明,采用该算法可以填充目标图像中的所有孔洞,填充准确率为100%,填充效果与孔洞位置、大小、数量等因素无关。与其他填充算法相比,该算法流程简单,复杂度低,填充结果准确可靠,可推广进行其他图像孔洞的填充。     

基于RGB颜色相似度的成熟草莓图像分割

针对复杂背景下的成熟草莓图像,提出了一种基于RGB颜色相似度的成熟草莓图像分割算法（CS\|BASED RSIS）。首先提取成熟草莓区域,确定成熟草莓的主颜色,然后遍历待分割的图像,求出每个像素点相对于主颜色的颜色比和相似度,进行颜色相似度的阈值分类,最后经多次膨胀和去除小面积对象的数学形态学处理,输出分割结果。试验结果表明,在无粘连无遮挡、无粘连有遮挡、有粘连有遮挡3种复杂环境下,与OTSU等图像分割算法相比,CS\|BASED RSIS算法不仅能达到更好的分割效果,而且平均分割时间仅为0965 s,能满足成熟草莓机械化采摘的实时性要求。     

玉米叶片病斑多光谱特征提取及识别方法

为了更好地防治玉米病害,使用BP神经网络、L-M算法优化的BP神经网络和FCM聚类算法对玉米的3种叶片病斑图像进行识别研究。利用图像处理技术对采集的图像进行预处理和阈值分割,提取3个颜色特征、9个纹理特征和7个形状特征,通过LLE算法降维获得6维的内在低维流形特征,使用3种算法对提取的特征参数进行识别。结果表明,从识别率和网络训练速度2个方面来看,L-M算法优化的BP神经网络识别率高达98.67%,且训练速度快,更适合作为玉米叶片病斑图像的识别算法。     

基于ISODATA算法的草莓图像分割

应用ISODATA算法对成熟草莓图像进行分割,该方法具有迭代自组织性,通过预先设定的迭代参数,在随机选定初始聚类中心的基础上,使用分裂与合并的机制。结果表明,该算法应用于成熟草莓图像的分割效果较好。     

基于改进的快速最大熵多阈值的成熟草莓图像分割

成熟草莓图像分割是草莓机械化采摘中首要解决的难题之一,最大熵多阈值算法是图像分割中效果较稳定的方法之一,但存在计算复杂度高、分割速度慢等缺点。为降低算法的计算复杂度、加快搜索速度,提出了一种改进的快速最大熵多阈值图像分割算法(IFMEMT)。首先提取RGB彩色图像的R分量灰度图像及灰度图像信息,然后应用IFMEMT算法求得最大熵及对应的阈值,最后进行图像分割。实验结果表明,在复杂环境下IFMEMT相对OTSU等图像分割算法不仅能达到相同甚至更好的分割效果,而且有更好的分割效率,能满足成熟草莓机械化采摘的实时性要求。     

基于改进BP网络的小麦品种识别

为了提高小麦品种的识别准确率,以河北农业大学选育的6个小麦品种为研究对象,对小麦籽粒图像进行中值滤波阈值分割等方法预处理后,对形态、颜色、纹理3个方面进行特征提取。其次利用BP神经网络对单个品种的小麦进行识别,然后结合主成分分析(PCA)法降维研究一次性识别多类小麦品种,最后为避免神经网络的局限性,利用PSO算法优化网络权值参数。结果表明:BP网络对单个小麦品种具有非常好的识别效果,其中河农7069品种的识别准确率达100%;结合PCA法降维后小麦品种平均的识别准确率为91.582%;利用PSO算法优化网络后识别准确率增加至94.3%,达到了更好的识别分类效果。     

基于小波包变换和神经网络的油井故障诊断方法

为精确诊断机械采油井的系统故障,提出一种基于小波包特征向量的神经网络故障诊断方法。对采集到的悬点位移和悬点载荷数据进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP神经网络进行训练,考虑到传统BP算法的局限性,采用改进的遗传算法训练网络权值,进而实现油井系统的智能化故障诊断。试验结果表明,训练好的神经网络能够很好地诊断出采油井故障类型。     

基于改进小波神经网络的滚动轴承故障诊断

根据轴承故障产生的机理和常用故障特征参数的分析与提取方法,针对滚动轴承系统的非线性和表面振动信号的非平稳特性,采用小波分析法,并对小波分析中容易产生频率混淆而进行改进小波包快速算法。试验结果表明,改进的小波分析能减少频率混淆现象,克服传统小波包快速算法中高低频重迭难以分辨的问题,并利用小波频带分析技术对故障信号中含有的噪声信号进行分离。结合小波和神经网络的优势建立改进小波神经网络的结构模型,研究小波神经网络的学习算法,解决传统BP算法收敛速度慢和容易陷入局部极小值等问题,从学习率和连接权值两个方面对算法进行改进。以N205型滚动轴承在试验台上所测取的试验数据进行网络训练,用振动信号为网络输入向量给出训练结果。仿真实例分析结果表明,采用改进的小波神经网络能够对滚动轴承故障进行分类,且其收敛速度明显快于相同条件下的小波神经网络和改进的BP网络,可有效实现滚动轴承的故障诊断。     

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

基于色彩通道融合的火焰图像分割

提出了基于色彩通道融合的回转窑火焰图像分割方法，由彩色火焰图像的红绿通道、红蓝通和绿蓝通道构成三幅新的图像，分别从中提取训练样本集，对三个神经网络进行训练，神经网络收敛后，各自对相应的图像进行分割，会得到三种不同的结果，采用均值、中值、模糊逻辑和神经网络四种方法将其进行融合，会得到很高的分割准确率，实验结果表明该方法是可行的。     

基于脉冲耦合神经网络的粘连玉米种子图像分割

为解决玉米种子内部机械裂纹检测过程中存在的种子间粘连问题,提出一种基于自适应脉冲耦合神经网络(Pulse coupled neural net)模型与熵值最大原则相结合的图像分割算法。运用直方图均衡化和布特沃斯低通滤波器进行频域增强预处理,以提高玉米种子与图像背景的对比度;运用PCNN模型,结合最大熵值原则对预处理后的粘连玉米种子图像进行分割,并引入图像像素的拉普拉斯能量(Energy of laplace)作为PCNN网络各神经元之间的连接系数,以增强图像分割效果;采用维纳滤波和数学形态学对分割后存在的噪声和断点进行处理,得到最终的分割效果。试验结果表明:PCNN与熵值最大原则相结合的图像分割算法的分割准确率为92.5%,运行时间为1.166 2s,分割准确率高于改进分水岭算法、OTSU算法和最大熵直方图分割算法,用时略长于其他分割算法。     

基于SOM神经网络的彩色牛乳体细胞图像分割

图像分割是进行图像处理的基础,也是图像识别和图像分析的基础性工作之一.本文在分析了SOM算法的基础上,首先利用各像素的RGB值作为输入样本对网络进行训练,然后采用训练好的SOM神经网络对牛乳体细胞彩色图像进行分割.实验表明,SOM神经网络应用于彩色牛乳体细胞图像的分割是一种有效的方法.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

基于图像分割与卷积神经网络的水稻病害识别

为了提高水稻病害计算机视觉识别的准确性,研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本,应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台,构建网络层分别为6层（输入层32×32×3,卷积核大小为5×5）和8层（输入层227×227×3,卷积核大小为11×11、5×5、3×3）的卷积神经网络,将图像分割后得到的3组数据,均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据,训练后得到6个模型,并结合召回率、F1评价指标对模型进行评估。结果表明,6个模型中训练识别准确率最低为97.66%,测试识别准确率最低为95.31%,其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,相较于端到端的卷积神经网络水稻病害识别结果也有所提升。