基于Sauvola与Otsu算法的秸秆覆盖率图像检测方法

针对自然光照下粗秸秆中空、细碎秸秆细节丢失导致秸秆覆盖率图像检测法精度低的问题,提出了一种基于Sauvola与Otsu算法相结合的秸秆覆盖率检测方法。首先对彩色分量空间距离灰度化后的图像采用Sauvola阈值分割来提取秸秆区域细节图像,然后对色差法灰度化后的图像采用Otsu阈值分割来解决秸秆区域中空问题,最后对不同阈值分割图像相加,计算其平均值,从而得到秸秆覆盖率的大小。田间试验结果表明,采用此方法对不同情况秸秆覆盖与不同地区的秸秆覆盖均具有较好的识别效果,不同情况秸秆覆盖率的最大平均误差约为1.9%,不同地区秸秆覆盖率的最大平均误差约为2.5%,有效地提高了秸秆辨识的精确度。      

基于多阈值图像分割算法的秸秆覆盖率检测

针对目前秸秆覆盖率人工检测费时费力、准确率低、信息难以存储的问题,提出了一种基于图像分割的秸秆覆盖率检测方法。考虑到传统图像分割方法精度不高,且多阈值分割时计算量过大,将灰狼算法中的搜索机制与差分进化算法相融合,提出一种基于图像多阈值的自动分割方法（DE-GWO）,用于田间秸秆覆盖率检测。首先,对现场采集的秸秆覆盖图像进行预处理,采用自适应Tsallis熵作为目标函数,评估图像分割效率;其次,根据图像的复杂程度选取分割阈值的数量,利用DE-GWO算法对其进行多阈值图像分割;然后,分别按照灰度级别计算分割后图像比例;最后,根据拍摄高度、fov视角等参数,将图像中秸秆覆盖率与实际地理面积进行转换。实验结果表明,本文算法田间秸秆覆盖率与实际测量误差在8%以内,且相比于改进粒子群算法（PSO）和灰狼算法（GWO）,DE-GWO算法精确度更高,平均耗时为人工测量的1/1500。开发了一套依据DE-GWO算法的秸秆覆盖率检测软件系统,为后续监控系统的实时检测提供了算法基础和软件支持。     

基于彩色空间距离优化的秸秆覆盖率检测算法研究

秸秆覆盖率是保护性耕作重要的评价指标之一。针对田间秸秆形态各异、细碎秸秆难以识别的难题,基于机器视觉技术,提出了一种基于K-means和彩色空间距离灰度化方法相结合的田间秸秆覆盖率检测算法。采用彩色空间距离方法对秸秆图像进行预处理,基于K-means算法实现秸秆和土壤背景的分类识别,使用数学形态学腐蚀和膨胀方法对识别后的图像进行处理,降低细碎秸秆对覆盖率的影响,最后计算秸秆图像的覆盖率。2022年10月,通过田间试验对北京小汤山国家精准农业研究示范基地采集的220幅玉米秸秆图像进行了算法验证。试验结果表明,对低秸秆覆盖率(0～30%)图像,识别准确率达到90%;对中等秸秆覆盖率(30%～60%)图像,识别准确率达到88%;对高秸秆覆盖率(60%以上)图像,识别准确率达到86%;整体秸秆覆盖率分等定级准确度达到98.18%。本研究设计的基于K-means和彩色空间距离灰度化方法相结合的田间秸秆覆盖率检测算法为保护性耕作评价提供了快速检测方法和手段。     

基于自动取阈分割算法的秸秆覆盖率检测系统

在分析保护性耕作地块覆盖秸秆和土壤亮度存在差异的基础上,以MATLAB为工具,采用自动取阈图像分割算法,提取田间实拍图像中的秸秆及土壤信息,统计图像中秸秆覆盖面积,利用秸秆覆盖率算法实现对地表秸秆覆盖率的自动检测。系统经田间模拟试验校正后,田间测试误差可控制在4%以内,平均检测效率可提高约72倍,为开展保护性耕作技术秸秆覆盖研究提供了一种可行有效的方法。     

基于人工神经网络的田间秸秆覆盖率检测系统

以VC++为工具,田间实拍图像为研究对象,在分析田间秸秆和土壤纹理特征差别的基础上,设计了BP神经网络秸秆覆盖率检测系统.该系统采用了神经网络与纹理特征相结合的方法提取秸秆,并以纹理特征熵值为标准建立了网络输入层学习样本选取准则.人工模拟和田间试验表明,设计的BP神经网络秸秆覆盖率检测系统对田间秸秆的识别率达90%以上,秸秆覆盖率计算误差可控制在5%以内;与传统的拉绳法相比,检测效率提高50～120倍.     

基于人工神经网络的田间秸秆覆盖率检测系

以VC++为工具,田间实拍图像为研究对象,在分析田间秸秆和土壤纹理特征差别的基础上,设计了BP神经网络秸秆覆盖率检测系统。该系统采用了神经网络与纹理特征相结合的方法提取秸秆,并以纹理特征熵值为标准建立了网络输入层学习样本选取准则。人工模拟和田间试验表明,设计的BP神经网络秸秆覆盖率检测系统对田间秸秆的识别率达90%以上,秸秆覆盖率计算误差可控制在5%以内;与传统的拉绳法相比,检测效率提高     

农田秸秆覆盖率检测方法与试验

针对秸秆覆盖率检测准确率易受光照不均匀影响以及现有检测方法对无秸秆图像检测精度较差的问题,提出一种基于图像行平均灰度标准差分类及图像分块可变阈值检测法.首先通过计算图像的行平均灰度标准差对图像进行分类,将标准差小于阈值的图像判断为无秸秆覆盖;然后将标准差大于阈值的图像划分成多个子块,对每个子块分别采用最大类间方差法进行...     

基于计算机视觉的田间秸秆覆盖率计算

以田间照片为对象,研究了一种基于计算机图像处理的田间秸秆覆盖率计算方法。在Windows平台下,利用Visual C 编程环境,开发了一套软件,利用田间秸秆和土壤的纹理,能够准确识别出部分土壤,再利用识别出的土壤确定域值,然后利用域值来对图像中的土壤和秸秆进行分割。这种基于纹理特征的域值寻找,受光照的影响很小,对域值的确定精确;被处理图像的大小为800×600像素,通过对大量图像进行测试,田间秸秆覆盖率计算的结果误差小于10%,小于允许误差10%。     

基于级联AdaBoost分类器的农作物虫害图像识别研究

农作物虫害预防是农业生产中的重要环节。针对传统的虫害预防工作强度大、耗时长、效率低的问题,本文应用机器学习理论,在农作物害虫识别方面进行相关的研究,提出一种基于级联AdaBoost分类器的虫害识别方法。使用Haar-like特征提取害虫的特征,将提取到的特征构建弱分类器,并通过AdaBoost算法将构建得到的弱分类器集合得到强分类器,最后通过级联的方式得到一个级联AdaBoost分类器来识别害虫。试验表明,本文方法对简单背景的虫害图片能够达到95.71%的识别率,对复杂背景的虫害图片能达到86.67%的识别率,为农作物虫害的识别和预防提供有效途径。     

基于改进AdaBoost算法对环柄菇毒性判别研究

使用改进的AdaBoost算法,根据环柄菇的特征对其毒性进行判别,提高环柄菇毒性的判别速度和准确性.首先通过计算数据集的初始权值分布,根据权值分布对训练集进行学习,得到弱分类器,根据弱分类器的分类结果,将错误的样本权值加大,同时计算出各个样本特征的权值,并删去权值系数小于规定值的特征;计算每个弱分类器在训练集上的误差率...     

秸秆覆盖条件下滨海土壤蒸发阻力模型研究

为明确秸秆覆盖对土壤蒸发阻力的影响、实现秸秆覆盖条件下的土壤蒸发模拟,以滨海土壤为对象,通过室内模拟试验,确立并构建了不同秸秆覆盖量（0、0.3、0.6、0.9、1.2kg/m2,分别表示为CK、S1、S2、S3、S4）下的土壤水分蒸发动力学模型和秸秆覆盖模式下的蒸发阻力模型,并根据实测蒸发数据进行了模拟评价。结果表明,表层土壤含水率随时间呈指数型减小趋势,且同一时刻,秸秆覆盖量较大的处理表层土壤含水率较大;土壤蒸发强度随含水率的增加呈指数型增加,土壤累计蒸发量随含水率的降低呈线性增加趋势,拟合直线的决定系数R2均大于0.9,且秸秆覆盖量越大,平均土壤蒸发强度和土壤累计蒸发量均越小;不同秸秆覆盖量下覆盖阻力差异较大,而同一秸秆覆盖量间覆盖阻力差异较小,覆盖阻力随秸秆覆盖量的增加而线性增加,两者呈显著正相关（R2=0.9114,p<0.05）。根据秸秆覆盖阻力模型模拟的计算土壤蒸发量与实际土壤蒸发量的RMSE为4.18×10-4mm/min、MAE为3.85×10-5mm/min、NS为0.90,拟合直线斜率k为0.926。说明所建立的秸秆覆盖阻力模型能够准确估算秸秆覆盖模式下的土壤蒸发量。     

改进的Otsu算法在粮食颗粒图像分割中的应用

针对二维Otsu自适应阈值算法计算复杂度高的问题,采用二维直方图投影到对角线得到一维阈值的方法,消除二维自适应阈值算法中的冗余计算,从而提高了计算速度.为此,将该方法应用于粮食颗粒图像分割中.实验表明,该算法在计算时间上远小于原始二维Otsu算法.     

植保无人机精准覆盖航迹规划算法设计与验证

植保无人机作业航线规划中,应尽量降低无人机能耗、减少药液的浪费.为此,提出了一种航线规划算法,在保证无漏喷的前提下,基于贯穿线理论分析可知,以待作业区域边界为起始边进行作业航线规划时可获得较少转弯次数和冗余覆盖率;利用转弯区域的平行四边形理论,求解可完全覆盖作业区域的最小平行四边形,获得最小的冗余覆盖率;构建作业航线覆...     

基于SVM和AdaBoost的棉叶螨危害等级识别

针对自然条件下棉叶螨虫害等级识别难的问题,在自然条件下以普通手机采集棉叶图像作为实验对象,首先使用大津法和连通区域标记算法,将棉花叶片图像与背景分离,然后,提取不同棉叶螨危害等级棉叶图像的颜色、纹理和边缘特征数据,使用支持向量机(Support vector machine,SVM)单独进行分类实验,得到平均识别正确率为76. 25%,最后,采用SVM和AdaBoost相结合的算法,生成最优判别模型,实现对棉叶螨危害等级的识别,平均识别正确率为88. 75%。对比实验表明,提出的棉叶螨危害等级识别方法比BP神经网络的平均识别正确率高13. 75个百分点,比单独采用SVM算法高12. 5个百分点,比单独采用AdaBoost算法高8. 75个百分点,SVM和AdaBoost相结合的算法可较好地对棉叶螨危害等级进行识别,为棉叶螨数字化防治和变量喷药提供了数据支持。     

非垂直拍摄获取细叶作物覆盖度优化算法研究

【目的】探究非垂直拍摄获取细叶作物覆盖度优化算法以及非垂直拍摄对作物覆盖度计算结果的影响。【方法】在北京市小汤山基地草业研究中心露天环境下,以青绿薹草、结缕草为试验对象,获取45°、60°、90°(与地面夹角)3种拍摄角度下的图像,采用基于自适应权重粒子群改进K-means的图像分割方法,分析不同拍摄角度对青绿薹草覆盖度测量精度的影响,研究非垂直拍摄与垂直角度下覆盖度的关系曲线。首先将草RGB图像转化成HSV颜色空间,在HSV颜色空间利用自适应权重PSO算法向全局像素解的子空间搜寻,通过迭代搜寻到全局最优解,确定最佳初始聚类中心;其次利用K-means算法对不同角度图像像素进行聚类划分,从而得到草冠层区域分割结果,最后采用形态学滤波方法对分割结果进行优化。【结果】垂直拍摄时,传统K-means算法计算的2个品种的覆盖度总体相对误差分别为32.89%和34.37%,而本文算法下2个品种总体相对误差分别为11.23%和15.85%。相比于K-means算法,本文算法环境适应性好,算法精度高。非垂直拍摄条件下,本文算法能够克服多角度拍摄导致图像色彩分布不均匀的问题,有效分割出草冠层区域,90°覆盖度估测值与真实值平均误差为3.27%,60°二者平均误差为4.61%,45°平均误差为5.70%,随着拍摄角度的减小,平均误差略有增大,但均小于6%。非垂直角度下计算的覆盖度与垂直角度覆盖度呈显著地线性关系。【结论】采用本文方法可以提高非垂直拍摄获取作物覆盖度的精度。     

基于K均值聚类的绿色苹果识别技

针对颜色和背景相近的绿色苹果,提出了一种基于K-均值聚类的苹果图像识别算法.该算法以8×8像素的正方形区域为分割单位.选择颜色差R-B作为颜色特征,选择灰度均值m,标准偏差σ和熵e作为纹理特征,形成特征向量空间.采用间隙统计法确定苹果图像的最佳聚类数. 将特征向量空间和最佳聚类数作为输入,运用本文算法对苹果图像进行聚类和分割.对200幅图像识别实验结果表明,在顺光和逆光情况下,算法均能实现果实与背景的有效分割,果实识别的正确率高于81%.     

适配免耕播种单体的清秸装置改进设计与试验

地表秸秆覆盖免耕播种具有蓄水保墒、提高土壤肥力、改良土壤结构、控制土壤侵蚀、降低生产成本和提高作物产量等社会、生态和经济效益。针对现有同位仿形免耕播种单体在重度秸秆覆盖、高速作业条件下,清秸装置作业质量差、工作效率低问题,改进设计了一种具有秸秆轴向加速推送功能的清秸装置。阐明了清秸装置清理秸秆机理,完成了关键部件清秸轮和助推螺旋设计,确定了影响其工作性能主要参数及取值范围。采用二次回归正交旋转中心组合试验方法,以作业速度、工作偏角、螺旋升角、螺旋叶片数为试验因素,清秸率和工作阻力为性能评价指标,在构建的EDEM-ADAMS联合仿真试验平台上实施参数组合优化试验,结果表明：各因素对清秸率影响由大至小依次为作业速度、工作偏角、螺旋叶片数、螺旋升角;各因素对工作阻力影响由大至小依次为作业速度、工作偏角、螺旋叶片数、螺旋升角。应用Design-Expert软件对试验结果进行参数组合优化,当螺旋升角为40°、螺旋叶片数为4、作业速度为7.5～10.7 km/h、工作偏角为20.0°～32.5°时,清秸率大于85%,工作阻力小于110 N。在作业速度8、9、10 km/h条件下,对螺旋升角40°、...