基于机器视觉的储粮害虫智能检测系统软件设计

介绍了基于机器视觉的储粮害虫智能检测系统软件部分各主要环节的具体实现。该系统运用图像差分法及自适应图像增强法提高粮虫样本图像的质量，利用改进的直方图阈值将粮虫从背景中分割开来，并运用数学形态学处理法进行了滤波。以提取出的粮虫面积、周长、复杂度为特征，运用基于模糊决策的分类器对粮仓中常见的9种、7类害虫进行分类，识别正确率达到95.2%。     

仓储粮虫监测系统研究

目前基于图像处理的粮虫监测系统主要采用连通域方法进行计数和识别,但是粮虫之间相互接触时会出现计数不准确的问题。针对此问题提出基于连通域和平均像素修正法的粮虫计数方法。在此基础上开发了一套6通道基于LabVIEW的仓储粮虫识别计数系统,该系统具有图像采集、图像分析、粮虫计数、数据存储和数据回放等功能。采用仓储粮虫中最常见的玉米象和大谷盗进行试验,其结果表明:采用平均像素法进行修正后粮虫计数误差率小于1.2%,且在有较多虫害重叠时,误差率提高60%以上。该方法显著提高了存在粮虫相互接触时的计数准确度,而且可以简单识别粮虫种类。     

基于非抽样剪切波变换的遥感图像融合方法

提出了一种基于Mean-shift分割和非抽样剪切波变换(NSST)的多光谱与高分辨率全色图像融合方法。对高分辨率图像进行Mean-shift分割,并利用区域方差将多光谱图像划分为需要进行空间细节增强及需要光谱特征保持的区域;然后利用NSST变换对高分辨率图像和多光谱图像的强度分量进行多尺度分解。分解后的低频子带采用基于四阶相关系数的融合规则进行融合,带通方向子带根据分割所得的区域按区域方差进行融合;最后进行NSST重构得到融合后的强度分量,经IHS逆变换获得高分辨率的多光谱图像。仿真实验表明,与其他4种相关的融合方法相比,该方法能在空间分辨率的提高与光谱信息的保持之间达到良好的平衡,使得融合图像不仅具有较好的光谱保持特性,而且其空间分辨率也能得到有效提高。     

基于计算机视觉的储粮活虫检测系统硬件设计

设计了基于可见光-近红外计算机视觉的储粮活虫检测系统,该系统主要由粮虫自动分离子系统、粮虫传输子系统、光照箱、图像采集子系统4部分组成。粮虫自动分离子系统可从粮食样本中快速、有效地分离出粮虫,并进行自动除尘;粮虫传输子系统可准确接收筛下物,并输送采集盒到图像视觉采集部分的正下方以供图像采集;光照箱可为采集盒中的筛下物提供均匀的可见光-近红外波段的漫反射光;图像采集子系统可同时采集筛下物的近红外图像和可见光图像。系统对危害严重的9类储粮活虫的筛分率达到96.06%。实验验证了该系统的可行性。     

细胞显微图像处理研究

针对BHK21细胞图像的预处理,在采用直方图增强技术后,运用中值滤波、领域平均滤波和自适应维纳滤波等方法对细胞图像进行了去噪,并进行了分析和比较,最终采用了自适应维纳滤波法对细胞图像进行去噪.针对BHK21细胞图像分割,找出最适合BHK21细胞图像分割的算法为Canny边缘检测算法.     

基于手势识别的智能农业采摘控制系统设计

【目的】实现通过手势对采摘机器进行远程操控,优化采摘机器控制系统,减少识别与采摘误差。【方法】笔者设计了一种基于手势识别的智能农业采摘控制系统,该系统应用图像滤波算法,提高了采摘机器控制的准确性与高效性。在系统设计中,将手势识别与远程操控机械臂结合,通过高分辨双目摄像机收集手势图像信息并提取特征,将其转化为电机控制命令后发送至控制层,实现了通过手势对机器的远程操控。【结果】图像滤波算法的识别时间仅为0.3 s,远低于其他两种算法的4.1 s与3.5 s;识别准确率高达96%,远高于其他两种算法的94%与92%。【结论】采用图像滤波算法的系统对手势识别的时间更短、识别准确度更高,可有效提高作物成熟判断准确率与采摘效率,具有良好的推广价值。     

农业机器人视觉导航中多分辨率路径识别

针对非结构化的农田自然环境，提出农业机器人视觉导航时的多分辨率路径识别算法。首先探讨了用于路径识别的适宜的彩色特征，然后基于小波变换分析了多分辨率边缘检测过程，最后结合跟踪路径的特点融合了多分辨率检测结果。油菜地图像的处理结果表明了该算法的有效性。     

模糊识别技术在大田害虫检测系统中的应用

介绍了基于模糊识别技术的大田害虫实时检测系统。该系统运用修正的自适应邻域平均法增强大田害虫图像的质量，用数学形态学开、闭运算将害虫从背景中分割出来，并利用去除杂点法对分割后的二值图像进行滤波。从其十多个形态学特征中选取出7个有效特征，采用了模糊识别算法进行了分类。识别正确率达到了97．7％。     

基于Laws与Gabor滤波的田间西兰花花球识别技术

正确识别西兰花田间位置是实现西兰花自动化采收的基础,西兰花花球颜色与植株的叶片、茎秆相似,仅通过颜色特征无法对西兰花进行识别,本文以成熟期的田间西兰花为研究对象,提出了一种基于纹理特征与颜色特征的西兰花识别算法。首先通过预处理以及Laws滤波对图像进行边界纹理强化,再通过Gabor滤波对图像进行纹理特征向量提取,并对提取后的纹理特征向量进行z-score标准化,随后对标准化后的纹理特征向量进行K-means聚类与开运算,获取花球潜在存在区域。同时对RGB图像进行HSV转换,通过对图像的H分量进行阈值分割达到滤除地面像素的效果。最终对纹理特征识别与颜色特征识别的结果进行融合,实现对田间西兰花的识别。算法通过结合纹理与颜色特征,对田间西兰花进行了识别,解决了西兰花的花球与茎叶等背景颜色相近难以识别的问题。本文共使用792幅图像进行试验,试验结果表明,本方法可以准确地对西兰花田间图像进行识别,其精确率为96.96%,召回率为94.41%,F1值为95.67%。通过对3组不同拍摄环境的数据集进行算法识别,3组数据集的F1值始终保持在94%以上,具有良好的拍摄环境适应性,为农业机器人进行西兰花自...     

基于改进AdaBoost算法的秸秆识别与覆盖率检测技术

针对目前秸秆覆盖率自动识别准确率低的问题,提出了一种秸秆图像畸变校正与Otsu算法阈值分割相结合的图像处理算法,并采用该方法计算田间秸秆覆盖率。首先,通过单目摄像头采集免耕播种机的作业环境信息,采用改进的AdaBoost算法对目前工作环境是否为免耕地进行自动判断;其次,对现场采集的秸秆覆盖图像进行预处理,通过彩色空间距离化、图像增强等方式提高图像中秸秆的可识别特征;然后,建立逆向映射模型并结合最邻近插值的方法解决图像畸变问题;最后,裁剪出用于秸秆识别的图像部分,通过Otsu算法进行阈值分割、计算秸秆覆盖率。通过实验对AdaBoost算法分类与秸秆覆盖率的检测效果进行验证,结果表明,运用AdaBoost算法能有效识别免耕播种机的工作环境,采用本文图像处理算法计算田间秸秆覆盖率,与实际测量误差在5％以内。     

基于计算机视觉的储粮活虫检测系统软件设计

介绍了基于计算机视觉的储粮活虫检测系统软件部分各环节的具体实现。系统运用基于标记点透视变换的图像配准方法,对近红外图像进行倾斜、变形等校正;采用基于双区域连通阈值面积比的区域生长法判别出近红外图像中的活虫;融合多源图像的信息,准确定位出可见光图像中的活虫。提取出活虫的21个整体形态学特征和7个局部形态学特征,把特征空间优化为7维,运用SAA-SVM分类器进行识别分类。结果表明,检测系统对15类活虫的正确识别率达到94.8%。     

基于图像消冗与CenterNet的稻飞虱识别分类方法

为了实现对不同稻飞虱的快速准确识别,同时防止同一姿态下的同一只昆虫被重复计数,提出一种将图像消冗与CenterNet网络相结合的识别分类方法。首先利用自主设计的田间昆虫采集装置,自动获取昆虫图像并制作数据集。其次,将CenterNet算法与图像消冗算法相结合,选用深层特征融合网络(Deep layer aggregation, DLA)作为主干网络来提取昆虫的特征,并进行识别分类。将本文方法与经典机器学习和深度学习模型进行对比,实验结果表明,对于田间昆虫采集装置获取到的相似度较高的活体图像,本文方法不仅能够快速处理昆虫图像,而且能够成功解决昆虫重复检测的问题,平均精度均值为88.1%,检测速率为42.9f/s,无论是精度还是处理速度本文方法都具有较明显优势。该研究有效地完成了对3种主要稻飞虱的识别分类,对不同时间段采集到的昆虫表现出良好的泛化能力,可用于后期水稻害虫暴发的智能预警和测报。     

基于机器视觉的试管液位检测方法研究

利用目前机器视觉技术,提出一种基于数字形态学结合Laplacian算子的边缘检测算法,将其应用到对试管液面检测中,得到了精度高、定位准的液面位置,从而可以得出液面高度与试管内试剂体积.通过CCD工业相机拍摄试管图像,对图像进行灰度化、滤波,图像增强后,利用LoG边缘检测算法结合数字形态学操作得到清晰的边缘图像,最后得出...     

利用Radon变换计算粮仓害虫图像的倾斜角度

针对无明显的直线特征的仓储害虫图像,提出了一种基于Radon变换算法定位图像区域和检测图像倾斜角度的方法.实验结果表明,该算法能快速、准确地测量出仓储害虫图像的倾斜角度,并具有很强的抗干扰性、应用适应性和抗随机噪声的特性.     

基于为害状色相多重分形的椪柑病虫害图像识别

为自动识别椪柑病虫害,研究了以椪柑病虫害为害状多重分形谱特性参数为输入变量的小波神经网络病虫害识别方法。利用改进型分水岭算法提取椪柑病虫害为害状边界,对非连续的边界进行边界跟踪,将过分割区域进行区域合并,标记为害状边界,提取标记区域,生成病虫害为害状目标图像;对病虫害为害状目标图像0°~120°这一主要色相区域4等分,产生4幅色相二值图像;对二值图像进行多重分形分析,计算其标度不变区多重分形谱的高度及宽度;以此高度及宽度作为小波神经网络的输入,进行椪柑病虫害识别,5种病虫害的平均识别正确率为87%。试验结果表明:椪柑病虫害为害状的4对多重分形谱高度及宽度值较充分地反映了椪柑病虫害色相累计信息、分布信息及区间形状的典型特征,能用此方法进行椪柑病虫害机器识别。     

改进的CLAHE无芒隐子草叶切片图像增强

无芒隐子草叶切片图像在获取过程中不可避免产生低对比度图像,对后续处理产生影响.为此,针对传统的限制对比度自适应直方图均衡化方法(contrast-limited adaptive histogram equalization,CLAHE)对较暗图像处理效果不佳的问题,提出了基于自适应亮度调整的CLAHE图像增强算法.该...     

基于SfM的针叶林无人机影像树冠分割算法

利用无人机影像进行森林资源调查具有作业快速便捷、数据分辨率较高、影像细节丰富的特点,可较好地识别单木,获取树木位置、冠幅等信息。但是,厘米级的影像分辨率使基于光谱信息的传统分割算法在提取树冠时出现破碎化现象,产生过分割结果。同时,在非落叶季由于无人机影像难以观测到茂密林冠下层地形,故在地形起伏较大的林区难以实现基于树木冠层高度模型(CHM)的单木分割方法。针对上述问题,结合传统二维图像处理和Sf M三维建模,提出了一种无需高度归一化的无人机影像树冠三维分割提取算法,首先利用Sf M技术从高重叠航片建立三维表面模型,利用高程和图像信息检测初始树木位置,再采取k NN自适应邻域分水岭分割的方式对中心单木进行精确的树冠参数提取。在北京市百花山国家级自然保护区的落叶松林地进行了高分辨率无人机影像实验,采用正射影像目视解译结果和多种基于图像、点云的自动分割算法结果进行验证和评价。结果表明,本文方法对树木总体检出率在91%以上,冠幅提取精度在81%以上,优于传统的全局分水岭方法和其他树冠分割算法。     

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MMC与CV模型的苗期玉米图像分割算法

针对苗期玉米田复杂土壤背景噪声,提出一种基于MMC（最大间隔准则）与CV（Chan-Vese）模型的玉米彩色图像分割算法。利用MMC对玉米彩色图像灰度化,用TV（全变分）滤波器对灰度图像进行去噪,用CV模型对去噪图像进行图像分割。试验结果表明,算法优于传统的颜色因子与Otsu组合算法,能有效去除图像中的小杂草和青苔,实现玉米目标提取,错分率为4.32%,漏分率为9.69%,相似度为86.57%。