麦田多列目标图像检测算法

针对麦田图像中多列目标检测问题,提出基于水平线扫描的归类算法。对麦田彩色图像进行绿色强调,利用阈值分割方法提取苗列区域;对二值图像水平扫描,检测目标区域和目标点,根据目标点横坐标值的差值实现归类;利用过已知点的霍夫变换检测多列目标直线。对800幅麦田图像进行多列目标检测结果表明:762幅图像中的多目标列的中心线能够完全正确提取出来;处理640像素×480像素的彩色图像需要0.12 s。该算法在多列目标识别中是一种有效、快速的检测算法。     

基于傅里叶变换和独立成分分析的木材显微图像特征提取与识别

正确识别木材对木材科学和木材产业具有重要意义。提出一种提取木材显微图像特征并进行识别的新方法。首先进行傅里叶变换得到木材显微图像的傅里叶变换功率谱图,然后进行独立成分分解得到功率谱图的独立基,所提取的特征就是木材显微图像的功率谱图在独立基上的投影系数,最后利用支持向量机对待识别图像在独立基上的投影系数进行分类,实现木材识别。在200幅木材显微图像库上进行小样本实验,取得了较高的识别率。实验结果表明,该方法具有较大应用潜力。图4参12     

基于机器视觉的烟仓机器人路径识别与控制

仓库中醇化的烟叶因含有水分,在微生物作用下会发生霉变。为降低烟叶霉变检测的劳动强度,提高烟叶检测效率,我们基于机器视觉研发了一款搭载FLIR C3红外热成像检测仪的烟仓机器人。本研究主要介绍了烟仓机器人软硬件控制系统的设计,并对机器人行进路径的识别与控制进行研究。烟仓机器人的硬件控制系统采用32位ARM处理器STM32F103ZET6,利用OV2640传感器进行图像的采集与传输;软件控制系统基于Microsoft Visual Studio 2010开发环境,调用OpenCV等图像处理函数,实现图像分割、边缘检测及路径识别与规划。路径识别采用基于机器视觉的方法,利用高斯滤波去除图像中的噪音、干扰,经阈值化处理后采用Canny算子进行图像边缘检测处理,通过Hough变换,提取出车道的边缘线及车道中心线,根据车道中心线的角度偏差和像素偏差制定控制策略,从而实现烟仓机器人的自控行走,实际运行试验结果表明,该系统能够很好地实现路径识别和运动控制。本研究可为无线通讯和路径识别控制类机器人的相关设计研究提供参考。     

基于OpenCV的畸形马铃薯识别方法

为了研发基于OpenCV自动识别畸形马铃薯的计算机视觉系统,首先采集了93个的马铃薯样本图像,对其进行HSV颜色空间转换、颜色分割、中值滤波和轮廓提取,有效分割出马铃薯的边界轮廓;然后对其轮廓进行二维傅里叶变换,提取70个样本构成的训练集;采用广泛运用于计算机视觉领域的图像预处理及特征提取方法提取10个傅里叶幅度值,利用其构建并训练SVM分类器;最后通过训练好的SVM分类器对未知形状的23个马铃薯进行识别。结果表明:基于OpenCV的畸形马铃薯识别方法能正确判断马铃薯是否为畸形,识别准确率约为95.6%;其中,畸形马铃薯的识别率达到100%。这表明发展计算机视觉系统在自动检测和分类畸形农产品中有较大应用潜力。     

改进的阈值分割法在林火图像分析上的应用1）

采用巴特沃思高通滤波器进行频域滤波,使用傅里叶函数变换方法消除所采集林火图像中的烟雾等噪声,在数学形态学对林火图像预处理的基础上,对火焰的动态特征进行了提取和识别。通过计算出林火图像的火焰面积、火焰圆形度和火焰质心偏移距离,并且经过试验数据证明,该算法可以有效的区分干扰源和火焰,精确的判断出是否有火险发生。     

基于提升小波和学习向量量化神经网络的小麦病害图像识别

通过研究小麦叶部病害的症状特点及图像特点,应用K_means硬聚类算法对小麦叶部病害图像进行彩色图像分割,得到二值化分割和彩色分割,利用多重分形分析从二值化分割图像中提取病害形状特征参数,分别利用提升小波变换和脉冲耦合神经网络从彩色分割图像中提取颜色特征参数和纹理特征参数.根据提取的组合特征参数,利用学习向量量化神经网络进行小麦病害分类识别.结果表明,该算法对小麦病害的识别率可达到95％以上.     

水稻插秧机视觉导航信息获取试验

针对水稻插秧机视觉导航信息获取问题,提出了一种结合霍夫变换的坐标变换法将图像中位姿信息转换到世界坐标系中的导航信息获取方法。首先分析水稻秧苗基准线特征点在图像平面上的像素坐标与在世界坐标系中的映射关系,应用小孔成像模型和霍夫变换理论,建立水稻秧苗基准线在图像坐标系中的位姿与在世界坐标系中相对水稻插秧机的位姿间的关系模型。然后利用霍夫变换提取图像中水稻秧苗行位姿信息,通过坐标变换,转换成世界坐标系中的导航信息,获取世界坐标系中水稻插秧机位姿信息。采用人工铺设标志线模拟水稻秧苗,进行导航参数提取试验,对比算法提取和人工实测的导航参数来评价算法精度。结果表明:实测角度偏差(θw)和计算角度得偏差的误差均值为4.76°,方差为5.07°;实测位置偏差(λw)和计算得位置偏差误差均值为4.95mm,方差为5.42mm,说明该算法获取的导航信息有效。     

白背飞虱智能识别技术研究

[目的]为了实现水稻白背飞虱的自动监测,提出一种利用昆虫背部图像特征的白背飞虱自动识别方法。[方法]用自制的野外昆虫图像采集装置,在野外环境下,采集131张白背飞虱昆虫图像,通过颜色(蓝色分量B=130)阈值分割、滤波处理后,获取所采集昆虫图像二值化图,然后提取出单个昆虫背部区域二值化图和背部区域灰度图。通过对白背飞虱的大小统计分析的方法,剔去明显非白背飞虱的单个昆虫图像,再运用不变矩和二维傅里叶频谱数据提取昆虫几何形态、颜色和纹理共88个特征值,将7个不变矩和l×l(l=1,2,…,9)二维傅里叶频谱特征进行组合后作为输入变量,建立基于支持向量机的白背飞虱识别模型。[结果]自动采集装置在野外环境下采集的单个白背飞虱大小为1 000~2 600个像素点。当使用1~5不变矩特征值和5×5频谱特征值建立识别模型,训练集准确率达到95.71%,测试集准确率达到95.00%。[结论]使用不变矩和二维傅里叶频谱提取白背飞虱的几何形态、颜色和纹理特征,并建立支持向量机的识别模型,可以实现田间白背飞虱的自动识别。     

基于量子神经网络和组合特征参数的玉米叶部病害识别

【目的】探索一种基于量子神经网络和组合特征参数的玉米叶部病害识别方法,以提高玉米叶部病害识别的准确率和效率。【方法】应用K_means硬聚类算法对玉米叶部病害图像进行彩色图像分割,得到彩色分割图像,分别利用提升小波变换和灰度共生矩阵从彩色分割图像中提取颜色和纹理特征参数,利用多重分形分析从灰度图像中提取病害的形状特征参数。【结果】根据提取的组合特征参数,利用量子神经网络进行玉米病害分类识别,对玉米灰斑病、玉米普通锈病和玉米小斑病的识别率分别达到92．5％、97．5％和92．5％,高于误差反向传播神经网络法的识别率（分别为90．0％、90．0％和92．5％）。【结论】设计的方法可用于玉米叶部病害识别,并为其他农作物病害的智能识别提供借鉴。     

基于傅里叶描述子和Hu不变矩的油茶果识别

青色油茶果及其背景色差不大,形状特征差别明显,可用于特征识别。本文提出一种基于归一化傅里叶描述子、Hu不变矩形状特征和BP神经网络识别油茶果的方法。首先将油茶果从RGB颜色空间转换到HSV颜色空间,提取H分量后进行二值化;其次通过形态学算法去除二值化图像中的噪声;然后提取其前8阶归一化傅里叶描述子作为BP神经网络特征向量进行识别。结果显示,油茶果识别率为85%。为了进一步提高识别率,提取油茶果的7个Hu不变矩特征,利用BP神经网络识别,识别率可达100%。     

基于数码摄像的蓝藻识别研究及工程实现

针对近年来我国内陆水体富营养化程度日益严重,导致蓝藻水华大规模爆发的情况,为了简单快速识别蓝藻,结合当前数码摄像技术不断提高的实际,提出并实现了利用高分辨率、高质量的图片对蓝藻的关键特征进行识别的方法。该方法从空间域和频域这两个领域对蓝藻图片进行分析,首先引入色彩空间原理,根据预先所设的蓝藻特征值门限处理图片,提取蓝藻在空间域上的颜色特征;然后利用傅里叶变换把空间域信号变换到频域,并通过带通滤波及高通滤波技术分析蓝藻图片,得到蓝藻在频域上的纹理特征;最后结合这两个不同领域各自的结果交叉识别图片中的蓝藻。试验结果表明,该方法能够正确得到蓝藻图片的颜色特征和纹理特征,通过两个特征能很好地识别蓝藻,取得了较好的效果。     

基于计算机视觉的自然光照条件下成熟石榴的识别

研究自然光照条件下成熟石榴识别;利用同态滤波进行图像增强,将图像从RGB空间转换到HSI空间,并将色调和饱和度融合,有效去除暗背景和灰背景,利用区域面积并结合形态学特征去噪实现区域分割,最后利用优化后的Hough变换提取形心和半径,恢复遮挡果形;基于VC++6.0开发图像处理程序,能够实现对成熟石榴的识别;识别率为85%以上,为下一步对目标正确定位,实现水果采摘自动化收获打下基础.     

基于椭圆傅里叶描述子的香蕉形状识别

为实现香蕉形状的识别,文章提出了一种基于计算机视觉和椭圆傅里叶描述子的形状识别方法。先由专家挑选果指果形为弯、微弯、末端直和直的香蕉共107枚,再获取预处理后图像的边界链码并提取其椭圆傅里叶系数,通过比较原形状和重建形状来选取合适的系数个数,然后用主成分分析对非负系数进行降维,最后进行模糊C均值聚类。研究结果表明,可以将该机器识别方法应用于香蕉形状的识别,为实现香蕉及其深加工产品的增值提供了一种技术手段,并为进一步实现香蕉果把和果穗的形状识别奠定了基础。     

基于Fourier描述子和LBP相结合的植物叶片识别方法

针对植物叶片的复杂性导致基于叶片植物识别的识别率较低的问题,提出一种基于Fourier描述子和局部二值模式(local binary pattern,简称LBP)相结合的植物叶片识别方法。首先,利用Canny算法提取叶片的边缘图像,计算其中心-边缘距离序列的傅里叶变换,得到叶片图像的改进Fourier描述子;然后,提取叶片图像的局部二值模式特征;再利用判别典型相关分析算法将植物叶片的Fourier描述子和LBP特征进行融合,得到1个有利于分类的联合映射矩阵,由此将2类特征映射为1个低维特征向量;然后利用K-最近邻分类器进行植物识别。在公开的智能计算实验室(intelligent computing laboratory,简称ICL)叶片图像数据库上进行分类试验,识别率高达94%以上。结果表明,提出的方法是有效可行的,该研究能够为植物物种自动识别系统提供技术参考。     

基于权重系数的木材图像增强及识别

为了进一步提高机器识别木材的准确性,提出基于权重系数的木材图像增强方法。将采集的图像利用离散小波变换分为4个不同的子带,对LL子带采用权重系数检测相似的像素点,对LH、HL和HH子带利用局部方差法进行定向筛选,对上述子带均采用傅里叶系数作差法,同时结合阈值进行混淆判断;对LL子带采用方向自适应滤波消除混淆,对LH、HL和HH子带采用自适应小波收缩消除混淆,最后经过小波逆变换得到增强后的重建图像。选取榆木木片和树皮为识别对象,对其图像进行增强处理,然后利用BP神经网络进行识别。结果表明,本研究方法较传统的图像增强方法提高了榆木木片和树皮的识别率。     

傅里叶变换红外光谱技术在茶叶领域研究中的应用与展望

随着人们对傅里叶变换红外光谱技术研究的深入,FTIR在茶叶领域中的应用也越来越广泛。文章阐述了傅里叶变换红外光谱仪的发展历程、原理及其技术在茶叶品质鉴定和茶叶定性识别领域中的研究概况,同时对傅里叶变换红外光谱技术在茶叶领域的应用前景做出了展望。     

基于机器视觉的叶菜类蔬菜菜垄识别算法

针对目前叶菜类蔬菜田间作业自动化程度低,缺乏适用自主导航技术等问题,提出一种基于机器视觉的叶菜类蔬菜菜垄识别算法。利用改进超绿算法(Gray=2Cg-Cr-Cb)对菜地图像进行灰度化,通过二值形态学变换和连通区域提取获得菜垄区域和边界,基于Huber损失函数进行边界曲线拟合,最终提取导航基准线。图像处理结果表明:1)本研究提出的识别算法在不同光照环境下具有较好的鲁棒性,自然综合光照条件下导航基准线提取成功率为97.5%;2)基于Huber损失函数获取到的导航基准线,平均均方根误差为0.668像素,比最小二乘法高72.5%,平均角度偏差为0.273°,比最小二乘法高72.6%,且处理速度与最小二乘法相似。试验证明本研究算法可实现在自然光照条件下对叶菜类蔬菜图像的菜垄识别和导航基准线提取。     

基于线结构光视觉的番茄重叠果实识别定位方法研究

为实现番茄自动化采收,针对温室光照条件多变、背景复杂及果实簇生遮挡的特征,构建了基于线结构光视觉的番茄果实识别定位视觉系统,并提出了一种针对簇生重叠果实的区域分割方法。在(2R-G-B)色差模型下利用动态阈值分割,提取成熟果实区域;计算亮度渐变梯度向量,采用灰度重心法提取结构光条纹中心线;基于线结构光立体测量原理,在光条纹扫描视场过程中实时获取成熟果实表面三维信息,并映射形成果实表面与相机光心距离深度图像,实现簇生重叠果实区域的立体分割;基于果实表面激光条纹点空间坐标拟合果实外接球体,获取果实形态和空间坐标信息;试验结果表明,视觉系统单次识别测量耗时2.8s,果实直径测量误差小于6mm,果实与摄像机中心距测量误差小于8mm。     

基于GoogLeNet和无人机图像的水稻秧苗形态识别

【目的】针对目前国内评价插秧质量主要以人工观察和随机抽样的现状,提出一种基于卷积神经网络GoogLeNet对水稻秧苗图像进行形态识别的方法。【方法】首先,利用无人机超低空航拍获取清晰、完整的稻田秧苗图像,通过裁剪标记制作漂秧、伤秧和合格秧苗数据集;然后,基于GoogLeNet结构训练数据,得到最佳网络识别模型;最后,对单穴秧苗图像进行分类试验,并与传统图像分类算法(SVM、BP神经网络)进行对比。【结果】在相同样本的条件下,基于GoogLeNet的秧苗形态识别方法更快、更准确地完成了判断分类,秧苗形态识别的平均正确率为91.17%,平均耗时0.27 s;与SVM和BP神经网络相比,分类平均精度分别提高了21和13个百分点,检测时间分别缩短了1.09和0.58 s。【结论】本研究可为水稻插秧质量评价提供相关支持。     

基于SVM及BPNN的辣椒红外光谱分析

利用小波变换结合反向传播网络(BPNN)和支持向量机(SVM)研究了朝天椒和灯笼椒的傅里叶变换红外(FTIR)光谱,样品1 750~950 cm-1范围的红外光谱经多尺度一维连续小波变换(CWT)和离散小波变换分析,发现第20尺度的连续小波系数,提取该尺度3个区域的系数作为特征参数建立BPNN和SVM模型。结果表明,BPNN和SVM模型都能很好地区别两种辣椒。第5尺度的离散小波细节系数建立BPNN和SVM模型分类的正确率分别为93.3%、100%。小波变换结合BPNN和SVM用于傅里叶变换红外光谱技术中能够准确识别朝天椒、灯笼椒,为区分不同品种的辣椒提供了快速、有效的方法。