基于内容的图像检索技术在农业信息化中的应用

在基于内容的图像检索技术的基础上,针对农作物图像数据库的特点,提出了一种综合使用颜色、纹理和形状特征的新的检索算法,使检索的精确度得到了很大提高,并且通过合理设置特征库,大大提高了检索的效率。为此,通过编程构造了一个实验系统,组织了一个相对完备的农作物图像测试数据库和通用图像库,验证了新的检索算法的有效性,并对利用不同特征进行检索的性能进行了评测和比较,同时对出现的问题进行了分析。     

融合注意力机制的枸杞虫害图文跨模态检索方法

针对现有农作物病虫害检索模态较为单一问题,以17种常见的枸杞虫害图像和文本描述为研究对象,将跨模态检索引入枸杞虫害检索领域,提出一种融合注意力机制的枸杞虫害图文跨模态检索方法.首先,借助Transformer模型和循环神经网络分别获取带有上下文信息的细粒度图像和文本特征序列;然后,利用注意力机制对特征序列进行聚合以挖掘...     

基于ComⅥ和双阈值OTSU算法的农作物图像识别

针对农作物图像中依附泥土和杂质噪声呈现不规则性和复杂性特点,提出了一种基于植被指标合成双阈值OTSU算法的农田作物图像识别方法.该方法根据农作物充分显露和部分被遮盖2类图片特点,将图像识别过程分为3个阶段：首先利用植被指标合成获取农作物图像灰度图,然后根据双阈值OTSU自适应算法进行二值化处理与图像分割,再进行正常的形态学运算,将3个阶段所分割的图像叠加形成最终的农作物与土壤识别图像,并将该算法与双阈值迭代设定法进行了对比.试验研究表明该算法克服了传统灰度图算法和阈值迭代算法的缺点,能有效提取和识别过渡区域的边缘,图像识别的准确率为92.7%以上.最后,采用Visual Basic2010和Matlab 2012软件设计了农作物图像识别系统,从应用角度实现了图像识别的可视化与自动化.     

基于CNN和图像深度特征的雏鸡性别自动鉴别方法

为有效辨别雏鸡性别,提高养鸡效益,针对部分雏鸡的泄殖腔特征不明显、采集雏鸡泄殖腔图像易受光线影响的问题,提出了一种基于卷积神经网络和图像深度特征的雏鸡性别自动鉴别方法。以翻肛法采集的雏鸡泄殖腔图像为研究对象,利用卷积神经网络构建待识别雏鸡泄殖腔的深度特征和雏鸡泄殖腔的深度特征向量集合库;将待识别雏鸡泄殖腔的深度特征与雏鸡泄殖腔的深度特征集合库进行相似度比较,并对比较结果进行排序;将排序结果中排在前n个与待识别雏鸡泄殖腔图像最接近的深度特征,与待识别雏鸡泄殖腔的深度特征进行特征融合,再通过卷积神经网络进行识别。结果表明,本文方法在测试数据集的识别准确率达到了97. 04%,在生产环境下识别准确率达到了96. 82%,相比常规的卷积神经网络方法,本文方法提高了雏鸡性别的识别准确率。     

基于多层信息融合和显著性特征增强的农作物病害识别

现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够，且提取的农作物病害图像显著性特征大多不足，为了更加有效地提取农作物病害图像中的判别特征，提高农作物病害识别精度，提出一种基于多层信息融合和显著性特征增强的农作物病害识别网络(Crop disease recognition network based on multi-layer information fusion and saliency feature enhancement, MISF-Net)。MISF-Net主要由ConvNext主干网络、多层信息融合模块、显著性特征增强模块组成。其中，ConvNext主干网络主要用于提取农作物病害图像的特征；多层信息融合模块主要用于提取和融合主干网络浅层、中层、深层特征中的判别信息；显著性特征增强模块主要用于增强农作物病害图像中的显著性判别特征。在农作物病害数据集AI challenger 2018及自制数据集RCP-Crops上的实验结果表明，MISF-Net的农作物病害识别准确率分别达到87.84%、95.41%,F1值分别达到87.72%、95....     

基于图像边缘检测的作物倒伏面积评估系统

为全面预防和降低我国农作物倒伏带来的产量与经济损失,利用先进的图像边缘检测技术,对作物倒伏面积评估系统进行了设计。在深度理解图像边缘检测机理的基础上,结合作物具备的本体图像纹理特征建立作物倒伏面积评估理论模型,实现作物倒伏图像及面积的准确化检测,并进行面积评估试验。试验结果表明:该系统可以实时掌握作物的生长状态,对倒伏状态进行预判定,并可以提供完整的作物倒伏面积评估与分布情况,图像检测成功率较传统倒伏面积评估法可控制在78%以上,整体面积评估误差率可控制在10%以内,验证了基于图像边缘检测作物倒伏面积评估系统设计的可行性。     

基于图像规则与Android手机的棉花病虫害诊断系统

为解决当前植保专家系统使用难度大以及携带不便的问题,在Android智能手机上开发了基于图像规则的棉花病虫害诊断系统。采用二叉树检索规则构建二叉诊断决策知识树,利用面向对象技术将诊断决策树中的知识节点及其相对应的田间典型图像进行封装,形成图像化知识表达形式;系统提供指认式和推理式2种诊断方式,基于田间病虫害事实图像进行人机交互,实现了推理过程的可视化,具有便携、实用、图文并茂、人机交互友好以及不受网络环境限制等特点,能够实现现场式的专家服务。经应用测试,事实库中包含的病虫害诊断正确率在95%以上。     

农作物病害危害程度自动测定与分级的研究

准确、快速地处理与识别植物病害图像,并自动可靠地对其进行危害程度测定是进行农作物病害防治的关键.为此,研究了利用分形理论对农作物病变叶片自然纹理图像进行了处理,利用BP网络来实现自然纹理图像的分类问题.同时,分析了各种不同的特征在分类器中的性能,提出了一种纹理特征性能的比较方法.结果表明:适当选取分形维数的不同计算方法互相组合,可以提高分类器的性能.     

基于农业搬运机器人的障碍物视觉识别技术研究

【目的】随着农业自动化水平不断提升,研究农业搬运机器人如何优化搬运目标信息、定位及图像检索等功能具有重要现实意义。【方法】课题组提出了一种基于机器视觉的内容图像检索视觉识别技术,采用特征提取方法将图像纹理作为机器视觉障碍物特征识别的重要信息,通过实时更新障碍物信息,利用相似度距离计算,将采集的图像数据与数据库中的图像距离进行对比,并利用MATLAB仿真平台验证了CBIR系统对搬运机器人障碍物识别的精确度。【结果】利用小波滤波器优化的CBIR系统的对比结果优于其他方法的平均检索率,且前20张图像的检索率均能保持在98%以上。【结论】该方法有效提升了CBIR系统的障碍物检测性能及识别系统的精确度,可为系统数据库中障碍物图像特征对比提供高质量图像数据。     

基于小波分解的纹理分割的农机化应用研究

农业机械自动导航是农业自动化的重要标志之一,其中图像分割技术已成为农业机械导航的重要环节.为此,根据已收割和未收割的农作物图像具有不同纹理特征的性质,采用小波分解方法,对农作物图像的自动分割进行了大量实验研究,并且与纹理分割常用的Laws能量特征法进行了实验效果和运行效率对比.理论分析和实验结果均表明:基于小波分解的纹理分割方法,完全适用于农业机械导航中的农作物图像自动分割.