基于改进Hu矩和遗传神经网络的稻飞虱识别系统

针对稻飞虱识别实时性差和BP神经网络分类有一定误差的问题,设计了1种基于DSP硬件平台和遗传神经网络算法的稻飞虱识别系统.系统硬件以AT89S52单片机控制拍摄移动装置,以DM6437处理器作为算法处理平台;系统软件设计主要包括基于改进Hu矩的特征值提取和基于遗传算法优化神经网络的识别算法.系统通过CCD摄像机拍摄稻飞虱视频信号传送到DSP识别系统,从中提取图像,识别图像中的稻飞虱.实验对稻飞虱、水蝇和潜蝇等80个样本进行了训练和测试,结果表明遗传神经网络对稻飞虱的正确识别率达到90％.     

基于迁移学习和Mask R-CNN的稻飞虱图像分类方法

针对当前稻飞虱图像识别研究中自动化程度较低、识别精度不高的问题,提出了一种基于迁移学习和Mask R-CNN的稻飞虱图像分类方法。首先,根据稻飞虱的生物特性,采用本团队自主研发的野外昆虫图像采集装置,自动获取稻田稻飞虱及其他昆虫图像;采用VIA为数据集制作标签,将数据集分为稻飞虱和非稻飞虱两类,并通过迁移学习在Res Net50框架上训练数据;最后,基于Mask R-CNN分别对稻飞虱、非稻飞虱、存在干扰以及存在黏连和重合的昆虫图像进行分类实验,并与传统图像分类算法(SVM、BP神经网络)和Faster R-CNN算法进行对比。实验结果表明,在相同样本条件下,基于迁移学习和Mask R-CNN的稻飞虱图像分类算法能够快速、有效识别稻飞虱与非稻飞虱,平均识别精度达到0. 923,本研究可为稻飞虱的防治预警提供信息支持。     

BP神经网络对甘蔗宿根切割质量的预测——基于PSO算法

针对甘蔗收获机砍蔗时甘蔗宿根破损程度易受路面激励及甘蔗收获机工作参数等多种因素影响的问题,提出了一种甘蔗宿根切割质量的预测方法。以台糖22号为研究对象,将路面振幅、路面振动频率、甘蔗收获机前进速度、刀盘转速和刀盘倾角作为BP神经网络预测模型的输入变量,利用PSO算法优化神经网络的权值与阈值,通过对砍蔗试验数据的训练与预测,建立了台糖22甘蔗宿根切割质量的BP神经网络预测模型。对比了基于PSO算法的BP神经网络模型与传统BP神经网络模型预测,结果表明:基于PSO算法的BP神经网络的模型对甘蔗宿根切割质量预测的最大相对误差为3.301%,而BP神经网络模型的最大相对误差为14.6 5 9%。优化后的新模型较传统模型具有学习能力强、预测精度高的优点。研究结果为甘蔗收获机实际工作中不同路况条件下工作参数的智能调控及提高甘蔗宿根切割质量提供了理论依据。     

基于特征优化和LS-SVM的棉田杂草识别

为了提高杂草识别的精度和效率,提出了一种基于特征优化和最小二乘支持向量机（LS-SVM）技术的棉田杂草识别方法。在对原始图像灰度化、滤波去噪和阈值分割等处理的基础上,提取植物叶片的6个几何特征和7个Hu不变矩,用粒子群优化（PSO）算法对形状特征进行优化选择,缩减LS-SVM训练样本数据,然后用训练好的分类器进行杂草识别。实验结果表明,该方法在有效缩减形状特征的同时,能够保持高于原始特征集的识别率,平均正确识别率达到     

基于BP神经网络的葡萄干分级技术的研究

为了适应农产品机器视觉分级技术的需要,通过分析葡萄干的特征参数组合对BP网络识别率的影响,确定最能反映葡萄干形态特征的参数作为等级识别的依据.为此,以BP算法为基础,采用改进的BP算法,对网络进行训练;同时,建立了基于BP神经网络葡萄干分级鉴定模型.试验结果表明,该网络分级效果较好,其平均分级准确率达到93%.     

基于特征优化和LS-SVM的棉田杂草识别

为了提高杂草识别的精度和效率,提出了一种基于特征优化和最小二乘支持向量机(LS-SVM)技术的棉田杂草识别方法.在对原始图像灰度化、滤波去噪和阈值分割等处理的基础上,提取植物叶片的6个几何特征和7个Hu不变矩,用粒子群优化(PSO)算法对形状特征进行优化选择,缩减LS-SVM训练样本数据,然后用训练好的分类器进行杂草识别.实验结果表明,该方法在有效缩减形状特征的同时,能够保持高于原始特征集的识别率,平均正确识别率达到95.8%.     

瓜果分类BP算法研究与实现

分析了图像的颜色空间模型,以HSI为基础模型,对采集到的瓜果图像进行去噪、分割、边缘提取等预处理。在此基础上,对水果图像的特征以及相关参数进行测量,最后采用BP神经网络及K-近邻规则对目标进行识别。实验证明,BP算法的识别率较高,系统总体识别率达到了98.92%,完全达到了应用需求。     

基于字典学习与SSD的不完整昆虫图像稻飞虱识别分类

为了解决图像采集过程中由于昆虫图像获取不完整而导致整体稻飞虱识别精度低、速度慢的问题,提出了一种基于字典学习和SSD的不完整稻飞虱图像分类方法。首先,使用自主研发的野外昆虫图像采集装置采集稻飞虱图像,构建小型图像集。然后,将采集的稻田昆虫图像进行阈值分割,得到单一稻田昆虫图像;对单一昆虫图像进行分块处理,得到带有背景信息和特征信息的混合子图像块集;使用子图像块作为字典原子来构建过完备字典,并对其进行初始化和优化更新;将更新后的过完备字典作为训练集输入SSD算法中进行训练,得到训练模型。最后,将采集的包含不完整稻田昆虫的图像在训练集模型上进行测试,并将测试结果与BPNN（Back propagation neural network)、SVM (Support vector machines）、稀疏表示等方法进行对比。试验结果表明,所提出的基于字典学习和SSD的稻飞虱识别与分类方法可以对不完整的昆虫图像进行准确快速的识别分类,其中,分类速度可达22f/s,识别精度可达89.3%,对稻飞虱的监督、预警和防治提供了有效的信息与技术支持。     

基于PSO—BP算法的农业机械数据预测分析研究

由于农村人口大量转移,我国农业产业发展迎来一个整合时期,这样就需要大量地使用农业机械替代需求的劳动力。为保证我国在制定农业机械发展的总体规划时具有良好的指导性,需对农业机械数量进行预测。为此提出基于PSO—BP的高精度预测算法,并考虑各种单一数据对综合数据的显著和非显著影响,分析我国1978~2013年期间的农业相关数据,进行PSO—BP预测算法仿真研究。仿真结果表明,多参数的加入对预测结果的精确度有显著的影响,且采用PSO—BP预测算法预测农机总动力的绝对误差仅为0.03%,预测精度比较高,说明该方法适用于本时间序列的预测问题。     

采摘机器人自主采摘学习能力研究 —基于LM-BP神经网络

为了让采摘机器人更加快速和准确地识别目标水果的成熟度,提出了一种基于BP神经网络的自主学习方法。由于BP神经网络容易陷入局部最优值且训练效率较低,因此进行了改进,实现了LM-BP神经网络算法。测试结果表明:与BP神经网络算法相比,LM-BP神经网络算法训练学习速度更快,测试精度更高,能够满足采摘机器人对目标水果成熟度识别精度的要求,具有一定的应用价值。     

基于改进型PSO的参数设计

本文提出一种基于改进型PSO的参数设计方法,解决传统粒子群算法中由于粒子多样性的减少及缺少跳出局部优值区域的机制,而造成的容易陷入局部最优值的问题,改进的PSO算法具有多群体和多速度更新方式。     

自然场景下树上柑橘实时识别技术

采用G-B色差分量,通过Otsu自适应阈值分割算法分割成熟柑橘图像,采用基于距离变换的分水岭分割将遮挡、重叠柑橘逐个分开,利用凸包算法修复遮挡区域,设定圆度阈值去除误分割区域,然后提取柑橘轮廓,并运用基于Tukey权重函数的最小二乘圆拟合特征圆,提取了柑橘的中心坐标及半径.对87幅图像中592个柑橘进行了识别试验,总体识别率达87.2%,遮挡或重叠柑橘识别率均超过80%.     

基于量子遗传模糊神经网络的苹果果实识别

针对田间苹果采摘机器人视觉系统中彩色图像边界像素的模糊性和不确定性影响苹果果实识别精度和速度问题,提出了一种将量子遗传算法的全局搜索能力和模糊推理神经网络的自适应性相结合的算法来识别苹果果实。利用量子遗传算法对模糊神经网络的可调整参数初始值进行了全局优化,加快了网络学习速度,避免了传统BP误差反向传播学习算法易陷入局部极小值、迭代次数多等弊端。实验表明：该识别模型高速且稳定,鲁棒性好,对于果实本身颜色不均匀样本正确识别率为100%,对自然光照引起颜色不均匀样本正确识别率为96.86%,对邻接图像正确识别率为94.29%,对重叠图像正确识别率为92.31%。     

基于机器视觉的高品质苹果在线计数方法

高品质苹果由计重分装转向计数分装对苹果在线计数技术提出新的需求。以黑色吸光材料作为图像采集背景,配有同轴投射光源的CMOS摄像头实时采集传送带上苹果区域的图像,采用前后时间帧图像相减,设定目标视频窗口以及基于灰度阈值的目标识别等图像处理技术使苹果识别率达到97.2以上。采用VC＋＋语言,基于开源视觉处理软件OpenCV实现具有独立知识产权的计算机图像处理软件。该系统采用低成本的视觉采集设备,算法成熟可靠,能够满足在规模化生产环境下对苹果实时计数的要求。     

基于遗传神经网络的种蛋成活识别系统

为解决人工识别种蛋受精误差和效率低等问题,本文提出一种基于DSP硬件平台和遗传神经网络的识别系统。系统以DM6437处理器搭建硬件处理平台,系统识别软件是遗传神经网络算法。它通过拍摄装置获取200枚种蛋图像,图像信息输入DSP系统的处理算法,提取图像的色调(H)分量颜色特征,使用主成分分析法找出色度分量中4个主成分特征,他们的总贡献率超过90%。最后利用遗传神经网络算法输入4个色度主成分特征,预测输出是孵化种蛋的成活性。训练神经网络并用测试集样本验证神经网络。实验结果是遗传神经网络和BP神经网络检测正确识别率分别是93%和86%,表明遗传神经网络的准确率较高,可以实现自动检测种蛋受精和成活。     

基于GrabCut算法的玉米病害图像识别方法研究

GrabCut算法是一种交互式操作少、分割精度高的图像分割方法,但是对于前背景颜色相近或低对比度的区域时难以准确分割前景区域。鉴于此,在实现GrabCut算法的自动分割的基础上,融合基于显著性的SLIC算法来对玉米病害图像进行更好的目标识别和图像分割。以玉米小斑病、大斑病和灰斑病三种病害的图像作为样本,采用融合显著信息的GrabCut算法与相同样本数量和条件下的One-Cut算法和SLIC算法进行试验和对比分析。试验表明,同其他两种算法相比,本文算法对于试验中玉米的三种病害具有更好的分割精度,对于玉米的叶鞘、茎和叶片部分的图像丢失率能够保持在1%以下,分别为0.899%、0.229%和0.914%,对于玉米病害部分能够进行有效地提取,具有较好的分割效果,对于玉米小斑病、大斑病和灰斑病的识别率上能够达到91.67%、86.36%和72.00%,同时通过训练模式进行验证,识别率分别能够达到87.2%、82.4%和83.6%,拒识率分别为4.5%、6.7%和6.3%。     

基于稀疏表示的烤烟烟叶品质分级研究

为了实现烟叶自动检测与分析,通过计算机视觉对烟叶品质进行分级。在提取烟叶图像特征参数的基础上,提出了一种基于稀疏表示的烤烟烟叶品质分级方法。以临朐12种和恩施5种不同级别的烟叶图像作为研究对象,每级烟叶取10幅图像作为训练样本,对每幅烟叶图像取颜色、形态和纹理特征值。利用训练样本的特征值组成稀疏表示方法的数据字典,对每个测试样本计算其在数据字典上的投影,利用最小残差项确定其品质分级。实验结果与基追踪法（BP）、神经网络方法、SVM方法和模糊处理方法实验结果相比较,训练集样本识别率为100%,综合识别率达95.7%,取得了比较好的分类效果。     

作物病虫害自动识别技术研究——基于视频监控和无人机平台

通过无人机跟踪飞行、图像传输、图像处理和SVM算法等技术来实现农作物病虫害的视频监控和识别,探索了基于SSD的目标检测和跟踪方法,以及基于图像加强、特诊提取和SVM模型的作物虫害识别方法。实验结果表明:系统具有较高的识别率,能够将其应用于农业生产中,为农作物病虫害快速识别和防治提供支撑。     

基于高光谱图像的叶绿素荧光Fv/Fm图像预测方法

叶绿素荧光参数Fv/Fm在植物逆境胁迫研究中具有重要意义,当前获取方法需要对植物进行暗适应处理,难以实现实时测量。为实现Fv/Fm的实时获取,本文以4种水分胁迫水平下的辣椒为研究对象,基于高光谱成像及特征波段筛选方法对Fv/Fm进行预测。采用中值滤波对Fv/Fm图像去噪,并基于二维坐标变换实现高光谱图像与叶绿素荧光图像的匹配。对比标准正态变换(SNV)、多元散射校正(MSC)和Savitzky-Golay卷积平滑(SG)3种光谱预处理算法,并基于连续投影(SPA)算法筛选特征波长。基于效果最优的SG预处理算法,分别以偏最小二乘回归(PLSR)、分析误差反向传播(BP)神经网络、径向基函数(RBF)神经网络对比建模精度,其中BP算法建立的模型精度相对较高,其测试集决定系数为0.918、均方根误差为0.011。研究表明,SG-SPA-BP的建模方法在实现预测精度的同时降低了模型复杂度,为基于高光谱图像对Fv/Fm图像的实时准确预测提供了方法。     

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。