基于全卷积神经网络的植物叶片分割算法

目的植物叶片分割旨在从背景中分割出叶片区域,去除背景对象干扰。这对植物病害识别和物种鉴定具有重大意义。方法本文设计了基于全卷积神经网络的植物叶片分割算法。首先,目标函数用对数逻辑函数代替复杂的Softmax多类预测函数,从而将分割任务转化为适合于植物叶片分割的二分类问题;其次,把批归一化技术引入全卷积神经网络,从而改善网络整体的收敛性。最后,针对当前植物叶片分割研究中缺乏评估指标的状况,设计了新的评估协议——受试者工作特征曲线,该曲线反映了不同阈值情况下植物叶片图像分割的召回率与误报率之间的变化情况。结果本文提出的算法降低了全卷积神经网络的参数复杂度,改善了网络的收敛性。实验结果表明,该方法比Leafsnap提到的基于颜色的分割方法更完整地分割了植物叶片区域;提出的ROC曲线能够充分评估植物叶片的分割性能。结论与传统方法相比,基于深度学习的植物叶片分割方法实现了输入图像的端对端处理,无需图像转换、噪声滤波和形态运算等预处理技术,因此在植物叶片分割上具有可行性。      

基于分层卷积深度学习系统的植物叶片识别研究

深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@antNet叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。      

基于改进Bernsen 二值化算法的 植物病害叶片病斑检测

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。     

1种基于Otsu算法的植物病害叶片图像分割方法

植物叶片图像分割是植物分类和植物病害检测中的一个关键步骤,旨在把叶片图像分成各具特性的区域并提取出感兴趣的部分。在分析自然场景下植物叶片图像几种分割方法的优缺点的基础上,基于Otsu算法,提出了1种叶片图像分割方法,并进行分割算法试验。结果表明,该叶片图像分割方法对叶片中目标(叶片或病斑)-背景类的图像具有较好的分割效果。     

复杂背景下重叠椭圆形叶片的分割算法

【目的】提出一种复杂背景下重叠椭圆形叶片的分割算法。【方法】利用超绿算法将重叠叶片主 体及部分绿色背景分割出来;通过选择最大连通区域选择重叠叶片的主体,去除叶柄后利用凹点检测和凸点检 测获得叶片重合部位的凹点和叶片的尖端点;利用获得的凹点与尖端点,截取上层叶片未重叠区域的部分边缘 点并以上层叶片的两个尖端点所确定的直线作为对称轴将其翻转至重叠区域作为贪婪算法的初始点寻找重叠区 域的边缘;对获得的边缘进行平滑和凸包处理,即可获得目标叶片的边缘,从而较为正确地分割出上层叶片。 对于重叠的下层叶片,则以整个重叠叶片减去分割出的上层叶片,即可得到下层叶片未被覆盖的区域;将下层 叶片完整的一半以其尖端点形成的直线为对称轴进行翻转,即可得到下层叶片的补全图。【结果】该算法可以 实现复杂背景椭圆形重叠叶片的分割,且平均错分率在 3.0% 以下。【结论】针对复杂背景下椭圆形重叠叶片的 分割,提出结合凸点检测和凹点检测的贪婪算法可以较为准确地分割目标叶片,平均错分率在 3% 以下,即分 割准确率在 97% 以上。     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

基于Closed-Form抠图算法的复杂背景下植物叶片提取

植物叶片提取是一种将拍摄到的植物叶片与其周围景物分离的技术,它为计算机技术在植物叶片检索中的应用提供了基础数据和技术支撑。由于自然场景下拍摄的植物叶片往往含有复杂的背景信息,这使得植物叶片提取成为一项比较复杂的工作。分析复杂背景下植物叶片提取的难点,针对现有的基于图像分割提取技术存在的缺陷,将Closed-Form抠图算法引入其中并提出1种基于Closed-Form抠图算法的复杂背景下植物叶片的提取方法。该方法首先需要用户对具有复杂背景的叶片图像添加一定的约束条件,然后通过估算未知像素的透明度α对其进行前景与背景的确认,从而较好地将具有复杂背景的植物叶片提取出来。试验对比结果表明,该方法效果较好。     

复杂背景下黄瓜病害叶片的分割方法研究

利用图像处理和模式识别技术进行复杂背景下黄瓜叶部病害的自动识别,需要先把目标叶片从复杂背景中分割出来,才能进行后续的特征提取和病害识别。为实现复杂背景下黄瓜叶片的分割,首先利用K-均值聚类算法去除图片中的非绿色部分,再采用基于laplacian of gaussia(LOG)算子的方法对待分割的叶片进行区域检测,然后进行基于形状上下文(shape context)的模板匹配和分割。为了提高匹配速度,先检测叶片的生长点和叶尖,以确定叶片的位置、尺寸和方向;然后使用基于超像素(superpixel)的最优匹配搜索方法来减少搜索的复杂度。对20幅黄瓜叶部病害图像进行分割测试,并与人工分割法进行对比,结果表明,本文所采用的分割算法能较好地从复杂背景下提取出黄瓜叶部病害图像,分割准确率达94.7%,为后期黄瓜病斑的特征提取等工作奠定了良好的基础。     

基于显著区域和PHOG的黄瓜病害识别方法研究

快速准确地识别黄瓜病害类型是黄瓜病害防治的前提,针对现有基于病害叶片图像的黄瓜病害识别方法中的病斑分割和特征提取难题,提出一种基于显著区域和方向梯度直方图的黄瓜病害叶片图像分割与识别方法。首先,利用叶片图像的亮度和颜色低阶特征,结合多尺度分析确定原始采用病害叶片图像的显著图;其次,利用K-均值算法分割显著图,得到病斑图像;再提取病斑图像的方向梯度直方图特征;最后利用支持向量机(support vector machine,简称SVM)进行病害识别。在4种常见黄瓜病害叶片图像数据库上进行测试,平均正确识别率大于90%。结果表明,该方法能够准确分割和识别复杂背景下的黄瓜病害叶片图像,为田间开放环境下实现黄瓜病害的快速自动识别提供了依据。     

图像分割算法在肉鸡深度图集上的研究

【目的】针对在复杂环境背景中难以识别分割多只肉鸡的问题,探讨基于深度学习实现对多只肉鸡深度图像分割的方法。【方法】利用深度相机,通过不同的拍摄角度（俯视、正视、侧视）在自然环境下采集肉鸡不同姿势（站立、俯卧、抬头、低头等）形态的深度图像,并使用CVAT标注软件对深度图像进行精确标注,建立肉鸡深度图数据集（含4 058张深度图像）。利用FCN、U-Net、PSPNet、DeepLab和Mask R-CNN等5种神经网络实现肉鸡深度图像的识别与分割,根据测试集得到预测结果,比较与评估不同模型的性能,实现对肉鸡深度图像的识别与分割。【结果】基于Mask R-CNN神经网络模型的识别分割准确率为98.96%,召回率为97.78%,调和平均数为95.03%,交并比为94.69%,4个指标值均为5个模型中的最优值。【结论】基于Mask R-CNN神经网络的算法简单快速,且能准确实现肉鸡的自动识别与分割,对肉鸡遮挡有较佳的鲁棒性,基本可以满足养殖场鸡群均匀度预测的识别分割要求。促进了计算机视觉在现代农业的应用,可为鸡群计数、鸡群均匀度预测以及肉鸡福利饲养等鸡场作业提供理论和实践基础。     

基于U-Net和分水岭算法的无人机单木树冠提取方法

高分辨率无人机遥感影像单木树冠参数信息提取方法是森林资源精准监测和生态功能评估的重要基础,而自然光照条件下粘连和遮挡单木树冠的准确分割是直接决定单木树冠信息提取精度的关键。针对自然光照条件下山地森林无人机遥感影像中单木树冠相互粘连、遮挡难以分割,以及传统算法泛化能力弱等问题。本研究结合深度学习和标记控制分水岭算法的优点,提出了一种基于U-Net和标记控制分水岭（marker-controlled watershed,MCW）算法（简称U-Net+MCW算法）的山地森林单木树冠提取方法。以新疆山地森林优势树种天山云杉(Picea schrenkiana var.tianschanica)为研究对象,在南山实习林场采集积雪背景下无人机遥感影像作为试验数据,构建了基于深度神经网络U-Net和标记控制分水岭算法的单木树冠提取模型。首先,从无人机遥感影像中选取1 000张训练样本,128张测试样本,并对样本进行标注,通过数据增强将1 000张训练样本扩增为16 000张,按照4∶1分为训练集和验证集,对U-Net模型进行训练,在训练过程中赋予2个或多个树冠间的相邻边界像素较大权重。然后,利用训练好的U-Net模型对测试集样本进行单木树冠提取。最后,在深度神经网络U-Net单木树冠提取的基础上,采用MCW算法对提取结果进行优化,并对单木树冠提取效果进行精度评估。结果表明,U-Net+MCW算法对于单木尺度的F测度为74.04%,比单一使用U-Net模型提高了28.52%,以该方法提取遥感影像中的天山云杉树冠信息为基础,计算其单木树冠面积和冠幅的精度分别为81.05%和89.94%。因此,U-Net+MCW算法能够有效解决自然光照条件下,由于原始图像背景复杂且树冠内部亮度变化不均匀和树冠间粘连、遮挡等因素,导致的单个树冠内、树冠聚集处或连接重叠区域出现的树冠错分割、过分割、合并等问题,是一种低成本、高效率的单木树冠提取方法,能够满足中小尺度山地森林资源调查和监测要求。     

深度学习在大豆叶片图像数据管理中的识别与分类研究

[目的/意义]为了提高大豆叶片图像的分类精度与效率,进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法,针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分,进而利用分水岭分割方法对大豆叶片进行提取,最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后,基于深度学习开展了对大豆叶片形态的分类识别的研究,达到了较高的识别准确率。     

基于深度学习的5种树皮纹理图像识别研究

目的针对在树皮图像识别时,现有的算法和识别过程过于复杂的问题,提出了基于深度学习的方法来对不同树种的树皮图像进行识别。方法本文以5种常见树种的树皮纹理图像为例,采用基于卷积神经网络的深度学习方法,将原始图像直接作为输入,通过卷积和池化层对图像的低级、高级特征进行自动提取,解决了手动提取纹理特征的困难和问题;在此基础上,对CNN模型结构进行改进,采用带Maxout的ELU激励函数来代替ReLU函数,解决模型的偏移和零梯度问题;对损失函数进行改进,通过添加规范项来优化结构参数,并使用分段常数衰减法对学习率进行动态调控;最后采用softmax分类器对图像类别进行输出。结果对5个树种的树皮图像共计10 000张图像进行实验,其中每类选取200张图像作为测试集。最终训练准确率达到93.80%,测试集识别准确率为97.70%。另外,为验证本文方法的可行性,与传统人工特征提取法,提取HOG特征、Gabor特征和灰度共生矩阵统计法,训练SVM分类器。通过实验比较,本文方法识别准确率最高。结论本文提出的基于深度学习的树皮纹理图像识别方法是可行的,提高了识别效率和精度,为树种的智能化识别提供新的参考。      

基于多水平集的植物图像分割

依据植物图像中不同目标的区域特征,应用多水平集分割算法分割植物图像.该算法能够将植物的花朵、叶片以及背景有效地分割开.与基于聚类的多尺度Ncut算法的分割效果进行比较,多水平集方法在分割效果上优于多尺度Ncut算法.     

基于多特征融合的花卉种类识别研究

花卉种类识别作为植物自动分类识别的重要分支,有着很高的研究和应用价值。针对当前花卉特征描述存在的局限和花卉识别准确率较低的实际情况,以花卉图像为研究对象,首先对复杂背景图像采用基于显著性检测的Grab Cut分割算法进行预处理,得到单一背景图像;然后在提取花卉图像花冠(所有花瓣)颜色和形状特征的基础上,创新性地提取花蕊区域的颜色和形状所包含的特征信息,并将提取到的18个特征融合成单一特征向量。以支持向量机(SVM)算法为基础构建分类器,通过实验确定核函数与最佳参数;对360幅自建花卉样本库(24个种类,每个种类15幅)进行训练和测试,其中240幅作为训练样本,120幅作为测试样本,并与基于不同特征组合的识别方法进行比较。结果表明:本文提出的基于多特征融合的识别方法具有较高的识别准确率,识别率可以达到92.50%。对通用花卉样本库Oxford 17 flower进行训练与测试,选取其中340幅作为训练样本,170幅作为测试样本,取得了较好的识别效果,验证了本文方法的有效性。      

基于CS-SVM的谷子叶片病害图像识别

利用图像识别方法对常见的谷子叶片病害进行判别,为制定合理的病害防治措施提供科学依据。试验采集了谷瘟病、白发病、红叶病、锈病共4种谷子叶片病害的原始图像,运用基于超绿特征的最大类间方差法对谷子叶片病害进行分割,提取谷子叶片病害颜色、形态、纹理等共计19个特征,采用蚁群优化算法选择了8个特征。运用布谷鸟算法(cuckoo search,CS)优化支持向量机(support vector machine,SVM)的惩罚因子c和径向核函数g,利用SVM对谷子叶片病害进行自动判别。结果表明,当c=80.2662,g=1.8467时,谷子叶片病害和叶片的平均识别率达到99%,表明基于CS-SVM的图像识别方法可对4种谷子叶片病害进行准确分类。     

棉田复杂背景下棉花叶片分割方法

【目的】解决棉田复杂背景下棉花叶部病害快速识别问题,为提出一种快速提取棉花植株和分割棉花叶片的方法。【方法】通过棉花植株的RGB颜色特征将植株与土壤进行分离,结合形态学处理技术和彩色分割方法,将植株的茎秆去除,保留棉花叶片部分;分别使用广度搜索分割算法、分水岭分割算法和轮廓搜索分割算法,对棉花叶片图像进行分割提取。【结果】基于广度搜索的分割算法将叶片轮廓搜索出来与原图融合分离出叶片,该算法对于图像结构简单的情况分割效果较好,通过对应的drawContours函数将每个轮廓画出,再与原图定位,将叶片的完整信息也轮廓结合,实现叶片的分离。【结论】基于距离变换的分水岭分割算法存在过分割问题,基于广度搜索分割算法与边缘检测结合对于叶片结构清楚图像分割效果显著,与轮廓搜索算法相比,后者的适用性更广,提取的轮廓层次结构也清楚,分割效果最佳。     

基于ROI-CNN的赛罕乌拉国家级自然保护区陆生野生动物自动识别

目的利用红外自动感应相机对野生动物进行图像监测是对野生动物保护管理的有效手段,为了解决野外复杂背景环境导致的野生动物监测图像自动识别准确率低的问题,提出一种基于感兴趣区域(ROI)与卷积神经网络(CNN)的野生动物物种自动识别方法。方法以红外自动感应相机在内蒙古赛罕乌拉国家自然保护区内拍摄的马鹿、斑羚、猞猁、狍和野猪这5种国家级陆生保护动物的图像为实验样本,采用基于回归算法的目标检测方法,对监测图像中野生动物区域进行检测并分割,生成ROI图像,减少复杂背景信息对物种识别的干扰;利用裁剪、仿射变换等方式对样本数据进行扩充;构建基于全局-局部的VGG16双通道网络模型对样本图像进行训练,最后接入分类器输出物种识别结果。同时,构建了基于VGG19的双通道网络模型对样本图像进行训练,并与本研究训练结果进行比较;另外,将样本图像分别输入本研究算法与VGG16、R-CNN、Fast R-CNN算法进行训练,对比不同算法下的识别效果。结果利用本研究模型对样本图像进行训练时,测试集的平均识别精度均值MAP达到0.912,相对于VGG19结构下的训练模型和VGG16、R-CNN、Fast R-CNN,得到了更高的MAP值。结论相比于其他算法,本研究提出的物种识别模型更适合于复杂背景下的野生动物监测图像的物种识别,可以得到更高的MAP值与更优的识别效果。