首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 203 毫秒
1.
为了定量化评估大豆作物的病害程度,提出一种基于图像处理测量大豆叶片相对病斑面积的方法。通过HSV、L~*a~*b~*特征空间聚类法逐步分离目标叶片和病斑区域,并采用区域填充法减少叶面水珠、菌碟和菌丝等干扰,最后根据目标叶片和病斑区域像素数计算相对病斑面积。利用该方法分别对培养皿和背光板叶片图像进行试验,结果表明,该方法处理一幅800×800大小的彩色图像只需约20 s,叶片病斑区域与健康区域分割准确度达97%以上,相对病斑面积计算准确度达99%以上;与传统阈值分割方法相比,该方法能有效分割目标叶片与病斑区域,快速准确地计算相对病斑面积。  相似文献   

2.
为建立准确高效的黄瓜病斑叶片的检测与识别算法提供参考,针对黄瓜叶片常见病斑检测与识别时存在的环境适应性差、识别精度低等问题,提出基于改进的SVM(支持向量机)和CNN(卷积神经网络)组合模型的黄瓜病斑叶片检测与识别算法。依据黄瓜设施场景特征,首先对病斑图像进行色彩增强,通过直方图均衡化对图像进行再处理,利用优化的HOG+SVM分类器对黄瓜叶片进行提取;通过稀疏滤波器及增加偏置对CNN算法进行改进,识别出叶片的病斑类别。结果表明,在黄瓜设施场景下,改进SVM和CNN组合模型的黄瓜病斑叶片检测与识别算法对叶片提取的查准率及差全率分别达87.21%和88.77%,对病斑的整体识别精准率为91.9%,算法实时性强,具有实际推广应用前景。  相似文献   

3.
基于神经网络的大豆叶片病斑的识别与研究   总被引:10,自引:0,他引:10  
综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层BP神经网络,实现了大豆叶片中病斑的自动识别与特征计算。首先通过计算机视觉技术采集叶片图像。其次,采用BP神经网络完成了对病斑图像的识别。最后,运用数字图像处理技术完成了对病斑区域相关特征值的计算。实验证明,该方法能有效地识别出病斑区域,识别率可达100%。该研究为将来病种的识别提供了理论依据。  相似文献   

4.
为了根据作物不同病害程度等级采取不同防治方法,实现作物高产和减少环境污染,提出了一种复杂背景下的作物叶片病害等级分类算法。首先,利用阈值分割法对黄瓜病害叶片图像进行病斑分割;其次,计算病斑区域中像素个数与病叶区域中像素个数的比值;最后用作物病害等级分级标准进行比较来确定病害等级类别。利用该方法在2种作物5种常见病害叶片图像数据库上进行了病害等级分类试验,识别精度高达92.7%。结果表明,该方法对作物病害叶片等级分类是有效可行的。  相似文献   

5.
针对大区域田间复杂背景下植物病害远程识别中的叶片病斑检测难问题,提出一种基于改进Bernsen二值化算法的植物病害远程检测方法。通过物联网采集不同区域的植物叶片图像,根据在RGB和HIS颜色空间中叶片病斑与正常叶片和背景的色调差异的特点,利用改进Bernsen二值化算法分别在图像的R、G、B、H 4个颜色通道上提取病斑,然后进行病斑图像融合,得到病斑图像。采用该方法对多幅物联网视频植物病害叶片图像进行病斑分割。实验结果表明,该算法在复杂背景环境下能够有效分割植物病斑图像,去除大量复杂背景,得到病斑图像。该方法能够为大区域植物病害远程智能监控系统提供技术指导。  相似文献   

6.
植物叶片智能分析系统的设计   总被引:2,自引:0,他引:2  
为避免农作物病害智能诊断过程中人为主观因素的影响,客观准确的表达叶片信息,利用数字图像处理技术和农业植保专家知识相结合,设计了适合于大田作物的植物叶片图像处理与分析系统。该系统主要包括植物叶片几何失真校正模块,几何特征计算模块、颜色识别模块以及病害区域识别模块;以校正后非线性失真现象的叶片图像为基础,实现了叶片几何特征值和颜色值的计算,并提取其病斑区域图像。试验结果表明,该方法满足病害智能诊断要求,具有良好的适应性和实用性。  相似文献   

7.
【目的】对带病斑苹果树叶片的高光谱图像进行病斑提取,为作物病虫害的遥感监测提供支持。【方法】对带有病斑的苹果树叶片成像高光谱图像,从传统基于光谱特征和面向对象特征2个方向入手进行病斑提取。为减少高光谱图像波段之间的冗余,首先对高光谱图像采用PCA变换进行降维处理,利用降维之后的前11个波段,分别采用波谱角分类和面向对象分类的方法提取苹果树叶片病害区域。【结果】由于同物异谱和异物同谱现象的存在,波谱角分类算法在提取病斑时,对叶柄和叶脉产生了错误的分类,而且以像元为分类单位的波谱角分类,在分类结果图中存在椒盐噪声,而面向对象分类则避免了这一现象的发生。【结论】采用面向对象分类方法提取苹果叶片病斑的结果优于基于光谱特征的波谱角分类方法,其总体精度和Kappa系数分别为98.44%和0.97。  相似文献   

8.
为了提高病斑图像的分割精度,提出了1种在色调-饱和度-强度(hue-saturation-intensity,HIS)颜色空间中植物叶片病斑提取的方法。使用高精度光学设备采集样本图片,用中值滤波对图像进行平滑处理,去除干扰;将图像由红绿蓝(RGB)颜色空间转换到HSI颜色空间,对色调(hue,H)、饱和度(saturation,S)分量阈值分割去除绿色像素,提取植物叶片病斑区域。结果表明,基于HIS颜色空间的植物叶片病斑提取方法是有效可行的。  相似文献   

9.
针对自然场景下获取的叶片病斑图像,提出利用图像显著性检测与模糊C均值聚类方法相结合的叶片病斑区域提取方法。首先,利用SLIC(simple linear iterative clustering)方法结合马尔科夫吸收链进行图像显著性检测,获取显著图,实现符合视觉特征的显著区域检测;其次,利用模糊C均值聚类算法对显著图进行分割,进而获取二值化后的叶斑图像;最后,结合原始图像获取最终叶片病斑区域。试验结果表明,叶片病斑区域提取比较准确,满足病斑进一步处理和分析的要求。  相似文献   

10.
基于遗传神经网络的植物叶片病害特征提取的研究   总被引:1,自引:0,他引:1  
为提高作物病害定量、快速、准确识别,以大豆褐斑病为例,综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层前馈遗传神经网络,实现了大豆褐斑病的识别与特征计算。本技术首先通过计算机视觉技术采集叶片图像,尔后,采用遗传神经网络完成了对病斑图像的识别,最后运用数字图像处理技术完成了对病斑区域相关特征值的计算,实验识别准确率达100%。  相似文献   

11.
为快速、精准地提取冬前分蘖期冬小麦覆盖度,提出了一种基于改进K-means算法的冬小麦覆盖度提取方法。首先将冬小麦图像转换到Lab色彩空间,其次利用蜉蝣算法(Mayfly Algorithm, MA)获取K-means最优初始聚类中心,并用马氏距离代替欧氏距离进行算法改进,最后利用分割得到的二值图像计算冬小麦覆盖度。结果显示,该方法的平均分割精度和平均处理时间分别为94.66%和2.03 s,与过绿指数(excess green,EXG)自适应阈值分割和基于粒子群优化算法(particle swarm optimization,PSO)的K-means(PSO-K-means)分割相比,分割精度分别提高了12.04%和4.18%,处理时间分别减少了2.26和2.94 s。该方法分割效果优于EXG和PSO-K-means分割方法,可用于提取冬小麦覆盖度。  相似文献   

12.
【目的】针对传统点云配准方法准确率低、速度慢等问题,以油菜Brassica napus L.分枝点云为研究对象,提出基于ISS-LCG组合特征点的配准方法。【方法】以成熟期油菜角果分枝点云为对象,去除背景噪声后,得到清晰完整的油菜分枝点云;然后通过内部形状描述子(Intrinsic shape signature,ISS)提取油菜分枝点云的特征点,再使用线性同余法(Linear congruential generator,LCG)伪随机选取油菜点云的部分点构成关键点,将特征点和关键点进行融合,构成ISS-LCG组合特征点;通过三维形状上下文特征(3D shape context,3DSC)对组合特征点进行特征描述,最后采用RANSAC+ICP两步点云配准法进行点云配准。【结果】基于ISS-LCG组合特征点的点云配准算法以30°为间隔对点云进行两两配准时,配准效果最佳,配准误差约0.066 mm,配准精度比未采用组合特征点的配准方法提升了50%~70%;配准时间均小于48 s,平均配准时间为8.706 s。【结论】该方法在可控环境内可以实现成熟期油菜植株高精度、高效率的自动配准。  相似文献   

13.
Real coded Accelerating Genetic Algorithm(RAGA),Chaos Algorithm(CA)were used to solve the sensitivity index of Jensen model which is one of models of crop water production function.After comparing with the outcome of Least Square Regression(LSR),the result showed that RAGA not only had high accuracy and more effective,but also saved calculating time.The authors provides new effective methods for calculating index of crop water production function.  相似文献   

14.
为了提高海量林地三维点云数据配准的效率和精度,提出了一种基于快速点特征直方图(fast point feature histograms,FPFH)初始匹配与正态分布变换(normal distributions transform,NDT)精确配准相结合的配准算法。首先计算2个待配准点云的法向量,再使用k-d树结构对点云的FPFH特征进行加速计算。然后,根据2个点云相似的FPFH特征,使用采样一致性初始配准算法(sample consensus initial alignment,SAC-IA)求解初始变换矩阵、完成初始配准。最后,用DNT算法对点云体素化,并使用点云密度概率分布函数进行点云数据的精确配准。结果表明,FPFH-NDT算法的平均配准误差(相应点对的平均距离)为0.032 3 m,运行时间为256.376 s;在0.05~0.1 m的点云采样阈值范围内,FPFH-NDT算法的配准误差基本不受采样阈值变化的影响,其值稳定在0.03 m左右;当采样阈值>0.1 m时,配准误差随采样阈值的增大而增大;算法的配准时间整体上随点云采样阈值增大而减少。传统ICP算法的平均配准误差和时间分别为 0.526 3 m 和14.5 s;FPFH-ICP算法的平均配准误差和时间分别为0.042 5 m和289.346 s。FPFH-NDT算法与传统ICP算法相比在配准精度上有了很大的提高,与FPFH-ICP算法相比,在保证点云的配准精度的基础上,FPFH-NDT算法降低了算法的运行时间,提高了点云配准效率。  相似文献   

15.
多源影象数字复合是扩充遥感影象信息的有效手段。本文以八大公山自然保护区美国陆地卫星TM影象与1∶50,000地形图等高线进行复合,对几何配准精度进行了试验研究。试验表明:用二元三次多项式对TM影象进行几何精校正,用二元三次多项式对等高线图进行扫描畸变纠正后,对于高山地区的遥感影象,具有较好的几何配准精度,能够满足分类判读的需要。  相似文献   

16.
在小波分解的基础上,采用最大互信息(MMI)配准测度和POWELL优化算法对多模态图像配准,多分辨率配准方法具有可以有效地避免优化算子陷入局部极值、算子收敛速度快和配准精度高等优点。CT/MRI和CT/PET图像配准结果证明基于小波分解的多模态配准方法的有效性。  相似文献   

17.
遗传算法与模拟退火算法在神经网络优化中的性能分析   总被引:5,自引:0,他引:5  
神经网络有以任意精度逼近未知函数的能力,所以被广泛应用于各种领域中。目前广泛应用于神经网络优化的方法是反向传播(BackPropagation,BP),但是BP的全局搜索能力很有限,而全局搜索方法是神经网络优化问题很有潜力的办法。文中研究了两种全局优化算法:遗传算法(GeneticAlgorithm,GA)和模拟退炎(Simu-lated Annealing,SA),并且比较了它们在神经网络优化中的性能。  相似文献   

18.
提出了一种新的混沌遗传算法,改进了混沌映射和遗传算法的结合方式,使种群在进化的过程中能够混沌搜索解空间,从而增强遗传算法的遍历性.该算法有效地克服了遗传算法局部收敛的缺陷.在软件ADVISOR2002中,以一辆采用模糊能量管理策略的插电式混合动力电动汽车(Plug-in Hybrid Electrical Vehicle,PHEV)为研究对象,应用该混沌遗传算法对其隶属函数和控制规则进行了优化.仿真结果表明,该算法可以实现对模糊控制器的全局优化.与原模糊控制策略相比,优化后的燃油经济性提高了5.15%,CO排放减少了6.39%.  相似文献   

19.
针对显微镜观测视野狭小而难以采集到全局图像的问题,提出了一种基于加速鲁棒特征(SURF)的木材显微图像自动配准方法.首先使用SURF检测并描述兴趣点,通过最近邻匹配得到匹配点对后,用双向匹配和RANSAC算法剔除错误匹配.然后利用最小二乘法和匹配结果进行模型参数估计,最后通过插值获得配准图像.对阔叶材显微图像配准实验结果表明,该方法具有较好的鲁棒性,无论图像是否有旋转,都可以实现自动的配准.比起尺度不变特征转换(SWT),由于用SURF得到的兴趣点数量更少,运算速度更快,总的匹配速度提升了5倍左右,缩短了整个配准过程的时间,算法更具有实时性.  相似文献   

20.
PCB贴片安装机器视觉检测中,再流焊前后的很多检测中的特征必须依赖对样本的统计学习。机器学习中的AdaBoost算法可以将多个弱学习器组合提升为一个强学习器。提出将其应用于AOI的统计学习和检测,可以提高检测精度和速度,并提高泛化性能。对比试验证明了该方法的有效性。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号