小波变换与分水岭算法融合的番茄冠层叶片图像分割

在基于机器视觉的作物营养诊断研究中,通常需要采集叶片样本并在实验室条件下定量测定其营养素含量,但由于叶片间相互重叠,往往使得叶片样本不能清晰地反映在群体番茄冠层图像中。为了解决这一问题,需要利用图像分析技术有效提取作物冠层图像中的叶片,并根据处理结果采集实验室测定样本。本文从复杂背景剔除、梯度图计算、小波变换、标记选取、分水岭分割等环节出发,实现了基于小波变换与分水岭算法融合的番茄冠层多光谱图像叶片分割。首先对比了4种复杂背景剔除算法,发现当增强因子a=1.3时,基于归一化植被指数(Normalized difference vegetation index,NDVI)的阈值分割目标提取准确,适合各种光照条件,时空复杂度低。其次在梯度图计算方面,近红外(Near infrared,NIR)波段图像形态学梯度在保持目标边缘的同时,能消除大量由叶脉、光照等引起的叶片内纹理细节。然后以小波分析为基础进行标记选取,发现当选取db4小波函数、4层小波分解低频系数、阈值为18的H-maxima变换能得到最优的目标标记结果。最后对多光谱番茄冠层图像的小波变换分水岭分割和数学形态学分水岭分割结果进行叠加,发现对复杂背景及不同光照强度下的番茄冠层叶片平均误分率为21%,为基于多光谱图像分析的番茄叶片营养素含量检测提供了一定的技术支持。     

从红蜘蛛为害叶片的高光谱图像中识别受害区域

探索从红蜘蛛为害叶片的高光谱图像中识别受害区域的方法,内容包括:1采集20片受害区域色素差异较明显的柑橘叶片的高光谱序列图像,从各叶片的高光谱序列图像中选取522、647和667nm等3个与叶片色素含量具有较高相关性的特征波段的高光谱图像,计算667/522、667/647和647/522等3个特征波段的高光谱图像的比值图像及其二值图像,识别叶片中的受害区域;2计算自动识别和人工识别间的误差,检验算法的识别效果。结果表明:从柑橘红蜘蛛为害叶片的RGB图像或单一波段的高光谱图像中无法直接和自动识别叶片的受害区域;667/647和667/522两个特征波段反射率比值的比值图像均能够有效地抑制高光谱图像中叶片周围的光噪声,进而还原叶片的外形轮廓;从667/522特征波段反射率比值的比值图像中识别叶片受害区域的平均准确率达92.84%,在3个比值图像中识别效果最好;识别算法能够通过计算机编程自动实现,可作为深入研究红蜘蛛的发生和为害规律的技术手段。     

水培番茄施钾量诊断模型

探讨了不同施钾水平下水培番茄叶片光谱信息的变化规律，建立了基于水培番茄叶光谱信息施钾量的预测模型。研究表明:不同施钾水平下水培番茄叶片的光谱信息在整个测试范围（350～2 500 nm）内的变化规律比较复杂，在可见光波段469～743 nm和近红外波段743～1 392 nm、1 500～1 785 nm，高水平和低水平钾的叶片光谱反射率均低于正常养分的光谱反射率；在1 450 nm处，番茄叶片的光谱反射率随着施钾量的增加而增大。      

基于改进Hough圆变换算法的成熟番茄果实识别

Hough圆变换算法可以解决成熟番茄果实识别问题,但计算量较大,且由于番茄非标准球形、多果重叠、茎叶遮挡等问题,识别准确率有待进一步提高,因此本文对其改进,设计一种实现番茄收获机器人视觉系统的成熟果实识别算法.首先对采集到的图像下采样,以减少计算量;然后进行基于颜色信息的背景分割,得到成熟番茄果实为目标的二值图像;并在...     

基于高动态范围成像的温室番茄植株图像色彩矫正方法

针对温室番茄智能化管理视觉信息稳定获取的需要,研究了基于高动态范围成像技术的番茄植株图像色彩矫正方法,以克服复杂自然光照条件对作业对象色彩稳定呈现的客观限制。鉴于温室内光照时空波动和复杂背景辐射强度突变导致图像色彩失真,提出了融合多曝光强度图像的摄像机辐射响应模型标定方法;分别提取曝光时间为0.01、0.05、0.08、0.10ms的4幅图像离散像素点的Y通道亮度信息,求解特定视场下像素点亮度与曝光度的函数关系,在此基础上以低曝光度图像亮度为参考,估计摄像机全局视场的辐射强度;采用S曲线函数压缩高动态范围图像数据,将视场辐射强度映射为图像亮度,实现对低曝光图像的色彩矫正重构;最后,通过现场试验对色彩矫正方法进行验证,试验结果表明,不同场景和时段的番茄植株图像的灰度信息量、离散程度和清晰度均得到改善,图像灰度信息熵、标准方差和平均梯度平均提高16.87%、9.81%和19.49%。本研究可为农业复杂光照条件下作业对象图像色彩信息的获取研究提供参考。     

基于光谱成像技术的温室黄瓜识别方法

为实现温室环境下近色系果蔬的采摘识别,提出了一种基于统计方差结合人工神经网络的光谱选择方法对黄瓜敏感波段进行分析验证,并将选定的光谱组合作为温室黄瓜识别中光谱图像获取的参考依据。结果表明,利用所摄敏感波段的图像信息可有效地解决黄瓜目标与背景的区分问题。综合比较黄瓜作物(果实、叶、花)在不同光谱域的分光反射特性差异,利用方差分解方法获取果实信息的敏感波段,在敏感区域内进行主成分分析,将前4个主成分作为网络输入、作物器官类别作为输出,建立3层BP—ANN验证模型。将160个样本数据按比例分为建模集和预测集,模型对建模集120个样本的正确判别率为100%,对预测集40个样本的正确判别率为95%。说明敏感波段的选择能较好地反映黄瓜作物不同器官间的特性差异。     

番茄叶片早疫病近红外高光谱成像检测技术

提出了基于格拉姆斯密特(MGS)模型和贝叶斯罗蒂斯克回归(BlogReg)的近红外高光谱成像技术检测番茄叶片早疫病的方法。利用高光谱图像采集系统获取波长874~1 734 nm范围内70个染病和80个健康番茄叶片的高光谱图像,选取染病和健康叶片30像素×30像素感兴趣区域的光谱反射率。建立了番茄叶片早疫病的最小二乘-支持向量机(LS-SVM)识别模型,再通过MGS和BlogReg提取特征波长(EW),分别得到5个(911、1 409、1 511、1609、1 656 nm)和9个(901、905、908、915、918、1 123、1 305、1 460、1 680 nm)特征波长,并建立EW-LS-SVM和EWLDA模型。在所有模型中,建模集的正确识别率为93%~98%,预测集的正确识别率为96%~100%。结果表明,近红外高光谱成像技术检测番茄叶片早疫病是可行的,MGS和BlogReg都是有效的特征波长提取方法。     

基于近红外图像的温室小型西瓜采摘信息获取技术

为实现温室立体栽培模式下小型西瓜的识别与空间定位,研究了基于近红外图像的西瓜采摘信息获取方法。测定、比较西瓜果实与茎、叶的光谱反射率,确定波长850 nm附近波段为区分西瓜与背景的最佳波段,在光强差异较大的两时段内采集了最佳波段下的西瓜近红外图像;通过Otsu算法滤除背景信息,利用"米"字型模板检测得到"浓缩西瓜"区域,实现西瓜果实识别;使用形心坐标计算公式获得采摘点坐标;根据西瓜果梗生长特性,利用分块定位算法获得切割点坐标信息。在温室环境下随机选择拍摄50幅有西瓜图像和20幅无西瓜图像进行识别算法验证,并对识别成功的有西瓜图像进行采摘点与切割点提取算法验证。结果表明,有西瓜图像识别成功率为86%,无西瓜图像为95%;采摘点、切割点定位准确度分别为93.0%、88.4%。     

农业自动化喷雾机械标靶害虫自动识别系统的研究

农业喷雾对象的识别和定位是农业自动化喷雾机械研究中的核心技术之一。对病虫害甘蓝进行精准喷洒农药,实现病虫害准确自动识别成为关键。为此,利用机器视觉的欧氏距离甘蓝夜蛾虫害自动识别检测系统,结合由Qualityspec光谱仪组成的光谱成像系统,对甘蓝正常叶片和遭受甘蓝夜蛾虫害的甘蓝叶片的颜色特征和光谱特征进行分析,并采用机器视觉分割阈值选取中的Otsu算法和自适应波段选择方法提取出了颜色差异的最佳几何阈值和两种叶片的特征波段。试验结果表明:综合机器视觉和光谱技术能够实现甘蓝夜蛾虫害的自动且准确的识别,准确率可达94%。因此,建立机器视觉和光谱技术综合识别体系,可为农作物病虫害自动防治喷雾机器人的研制奠定基础,以达到农作物病虫害实时识别和及时治理的目的。     

基于光谱分析的温室番茄叶片叶绿素含量预测

通过分析叶片光谱反射率与其叶绿素含量的相关关系表明,温室番茄叶片的光谱反射率与其叶绿素含量的敏感波段为510～625 nm和690～710 nm,最佳波长为526 nm、609 nm和697 nm.利用最佳波长处的光谱反射率与多种建模方法如多元回归分析MLR(Multilinear Regression)、偏最小二乘回归分析PLSR(Partial Least Square Regression)建立了预测叶片叶绿素含量的模型,建模相关系数很相近,均大于0.740,但是PLSR在一定程度上消除了多重相关性的影响,模型验证时的相关系数(0.768)大于MLR模型(0.740);本研究在NDVI的基础上提出了一个新的光谱指数NDCI,并基于NDCI建立了叶片叶绿素含量的预测模型(Rc=0.753),获得了比较好的预测效果(Rv=0.761),为作物长势检测仪的开发奠定了基础.     

基于机器视觉的非结构环境下黄瓜目标特征识

提出了一种基于近红外光谱成像技术的温室黄瓜信息检测方法.根据黄瓜的光谱反射特性,选用特定波长的近红外光谱图像解决与背景颜色相近的果实信息表征;利用图像内作物灰度分布差异确定果实所在区域,区域内采用矩不变优化阈值分割和特殊形态学模板滤波,实现果实目标有效识别;结合黄瓜物理性状和纹理特征检测果实的可抓取部位,并引入形心主惯性轴思想确定果柄的切割点位置.实验结果表明果实的正确识别率为93.3%,抓取点、切割点位于有效区域的几率分别为96.7%、93.1%.     

差分百分率直方图法提取缺素叶片纹理特征

针对基于计算机视觉技术对无土栽培番茄缺乏营养元素智能识别研究中，如何提取缺素叶片纹理特征问题，提出了差分百分率直方图法。特征有效性不受叶片大小、形状差异和叶片图像中叶片周边白色背景的影响，实验验证该方法能较好地提取出缺素叶片纹理特征，最后利用K－的邻模式识别法进行模式识别，识别的准确率在80％以上。     

计算机视觉系统下缺素番茄叶片彩色图像研究

基于计算机视觉系统分析研究缺素番茄叶片的色彩图像,可以准确提取出缺素番茄叶片色彩图像的特征。对当前缺素番茄叶片色彩图像特征提取中,可以运用计算机视觉,优化设计图像处理软件,依据番茄叶片颜色特征来完成缺素番茄叶片的识别。实验表明:基于计算机视觉系统,优化设计缺素番茄叶片色彩图像特征提取软件,可提升缺素番茄叶片色彩图像分析精度(提升32.0%),准确判断提取缺素番茄叶片图像的特征。基于计算机视觉系统,进行缺素番茄叶片的色彩图像特征提取,有效提高了缺素番茄叶片色彩图像分析精度,可在实践中推广应用该技术。     

基于高光谱成像技术的柑橘缺陷无损检测

应用高光谱成像技术无损检测柑橘的缺陷。选取蒂腐、黑斑、褐腐、结痂缺陷果和正常果各30个,提取并分析了5类果皮感兴趣区域光谱曲线并结合主成分分析法确定2个最佳波长(615nm和680nm),然后基于特征波长作主成分分析,选取第2主成分作为分类识别图像,提出采用特征波长主成分分析法与波段比算法相结合的方法,识别率达到94%。试验结果表明,高光谱成像技术可以有效地对带有蒂腐、黑斑、褐腐、结痂缺陷的柑橘进行分类识别。     

皮棉表面多类异性纤维的高光谱图像检测

为了考察高光谱成像技术检测多类异性纤维共存时的性能,也为其今后用于商业化皮棉质量评价,或在线皮棉杂质分拣提供研究基础,试验采集丙纶丝和毛发共存的样本高光谱图像。依据单一异性纤维分割的最佳波段图像,获得灰度平均和小波变换后融合图像。通过对比小波变换融合图像,灰度平均图像,以及全波段下主成分和独立成分得分图像,获得用于目标分割的最佳图像。采用最优特征集和分类树判别方法,判别最佳图像分割后的连通区域,剔除噪声点和假阳性。依据目标判定原则,训练集和独立验证集的异性纤维识别率分别为84.09%和75.86%。结果表     

基于改进YOLOv3的温室番茄果实识别估产方法

为实现温室番茄产量智能化在线评估,研究基于改进YOLOv3的温室番茄红果和绿果识别方法,以对自然生长状态下番茄果实进行计数估产.根据工厂化番茄种植工况条件,设计产量估计视觉系统;提出基于广义交并比(GIOU)的位置损失函数,对传统YOLOv3算法损失函数进行改进,其尺度不变特征可有效提高形态各异果实目标的描述精度.在样...     

基于高光谱病害特征提取的温室黄瓜霜霉病早期检测

针对温室黄瓜早期霜霉病高光谱图像田间采集环境光照的影响及有效病害特征难以提取的问题,提出融合病害差异信息改进的竞争性自适应重加权算法(Competitive adaptive reweighted sampling, CARS)和连续投影算法(Successive projections algorithm, SPA)相结合的特征波段提取方法,并建立了黄瓜霜霉病早期检测模型。首先,采集黄瓜健康叶片和染病12d内每天的高光谱图像,按病程分为7类;提取感兴趣区域,并计算平均光谱作为光谱数据;采用包络线消除法确定霜霉病害差异波段,基于病害差异波段采用CARS对7个不同阶段的光谱数据分别提取特征波段,再利用SPA进行二次降维寻优;最后,将各特征波段组合,得到47个特征波段数据,据此建立最小二乘-支持向量机(Least square support vector machines, LSSVM)模型,用于病害检测。在94个叶片样本组成的测试集上进行了病害检测实验,结果表明,融合病害差异信息的Dis-CARS-SPA-LSSVM对染病2d到发病12d均能取得100%的检测识别率;对染病1d的测试集检测识别率达到95.83%,其中染病样本的召回率达到100%,相较于未融合病害差异信息的CARS-SPA特征提取方法识别率高4.16个百分点。说明所提出的Dis-CARS-SPA-LSSVM模型能够有效实现温室黄瓜霜霉病害的早期检测。     

基于多光谱图像和 SVM 的玉米田间杂草识别

为解决变量喷洒对杂草识别速度与正确率的要求,提出了一种基于多光谱图像和SVM 的杂草识别新方法。通过多光谱成像仪获得玉米与杂草图像,采用 IR-R 的多光谱融合并结合 Otsu 分割法完成背景分割;随后对植被图像进行目标分割与形态学处理,提取出所有植被叶片图像,在此基础上提取了叶片11个形状特征参数和纹理特征参数。为提高算法的实时性,对叶片的特征参数进行主成分分析,将前3个主成分作为支持向量机的输入建立模式识别模型。结果表明,降维后对于未知预测样本的识别正确率达到85％,用时0．001415 s。与直接利用支持向量机的90％的识别率和0．105165 s的用时相比,该算法在满足识别率的同时,用时更少,为田间杂草的快速识别提供了一种新方法。     

基于实例分割的番茄串视觉定位与采摘姿态估算方法

准确识别定位采摘点，根据果梗方向，确定合适的采摘姿态，是机器人实现高效、无损采摘的关键。由于番茄串的采摘背景复杂，果实颜色、形状各异，果梗姿态多样，叶子藤枝干扰等因素，降低了采摘点识别准确率和采摘成功率。针对这个问题，考虑番茄串生长特性，提出基于实例分割的番茄串视觉定位与采摘姿态估算方法。首先基于YOLACT实例分割算法的实例特征标准化和掩膜评分机制，保证番茄串和果梗感兴趣区域(Region of interest, ROI)、掩膜质量和可靠性，实现果梗粗分割；通过果梗掩膜信息和ROI位置关系匹配可采摘果梗，基于细化算法、膨胀操作和果梗形态特征实现果梗精细分割；再通过果梗深度信息填补法与深度信息融合，精确定位采摘点坐标。然后利用果梗几何特征、八邻域端点检测算法识别果梗关键点预测果梗姿态，并根据果梗姿态确定适合采摘的末端执行器姿态，引导机械臂完成采摘。研究和大量现场试验结果表明，提出的方法在复杂采摘环境中具有较高的定位精度和稳定性，对4个品种的番茄串采摘点平均识别成功率为98.07%,图像分辨率为1 280像素×720像素时算法处理速率达到21 f/s,采摘点图像坐标最大定位误差为3像素...     

基于复杂环境的番茄叶部图像病虫害识别

针对复杂环境下番茄叶部图像因其背景复杂导致病害识别较为困难,以温室大棚内采集的番茄叶部图像作为研究对象,对番茄白粉病、早疫病和斑潜蝇三种常见病虫害,提出一种结合颜色纹理特征的基于支持向量机(SVM)的CCL-SVM的复杂环境番茄叶部图像病害识别方法。CCL-SVM方法为实现小样本及复杂背景环境下的快速识别,首先采用滑动窗口将原始番茄叶部病害图像切割成小区域图像,选取不包含背景的小区域图像样本作为试验样本,从而实现样本数量和样本多样性的增加,并降低样本复杂背景的影响。通过对样本数据抽取颜色纹理特征(CCL),采用SVM模型对番茄早疫病、白粉病、斑潜蝇和健康叶片分类识别。试验结果表明,提出的CCL-SVM方法比Gray-SVM对番茄叶片病害种类的识别性能得到大幅提升,识别率从60.63%提升到97.5%;CCL-SVM方法识别精度高于对比的深度学习网络VGG16和Alexnet方法,且每个小区域图像的平均测试时间远低于深度学习网络。本文设计的CCL-SVM方法具有减小复杂背景影响,计算量小及系统要求低的优点,为复杂环境下番茄病害快速识别提供一种新的思路。