基于神经网络的油菜成熟度等级视觉检测方法

蔬菜的成熟度可以通过作物的形态特征直观地体现出来,其标准可用积温比值来衡量。对LED智能植物生长柜中采集的油菜图像进行处理和分析,分割出叶冠投影图像和植株侧面图像轮廓,从而提取叶冠投影面积、株高等形态特征数据,然后根据BP神经网络的建模原理对采集的样本数据进行训练,实现了基于BP神经网络模型的蔬菜成熟度等级测定。结果表明,该方法能够在不破坏植株的情况下检测油菜的成熟度,准确率达到95%。     

图像分析法测量植物生长柜中的根系形态

采用数码相机拍摄植物生长柜中蔬菜的根部图像,利用计算机视觉图像处理技术,对采集的图像进行阈值分割及边缘提取,可以较为完整地提取植物根部信息。利用Matlab软件的自带函数及对图像横纵向链码进行扫描,可以得出根部的具体形态数据,不仅克服了人工测量费时费力的缺点,而且还将实现作物根系分析的无损测量。     

基于模式识别的大豆营养元素智能诊断系统研究

营养元素是影响大豆品质和产量的重要因素,营养元素过量或缺乏均会对大豆产生严重影响。传统的营养元素诊断方法主要依靠人的主观经验,容易出现误诊、漏诊等情况,而传统的化学分析技术又会出现破坏植株、测试手段繁琐、周期长等缺点。文章通过分析大豆在营养元素过量或缺乏的不同情况下的植物特性,构建了基于模式识别的营养元素智能诊断系统,并提出了应用计算机视觉技术提取大豆形态特征,把拍摄的图像利用适当的方法进行图像分割、增强、平滑、滤波等处理,利用图像处理算法分割出叶脉、叶肉、叶缘,识别出颜色、纹理等形态特征,分析元素失衡时的颜色及纹理在叶片的不同部位表现,为今后进一步利用模式识别诊断大豆营养元素提供了发展方向。     

基于神经网络与贝叶斯信息融合的小白菜成熟度检测方法

为了掌握智能植物生长柜中小白菜的成熟情况,便于对柜内环境参数实现智能控制,提出了利用小白菜的外部形态特征,特别是提取根系形态特征并将其与地上部分形态特征相结合来检测小白菜成熟度的方法。通过Matlab图像处理工具箱对采集的小白菜图像进行阈值分割和特征提取,然后将小白菜上、下两部分的形态特征数据作为训练样本,分别建立对应的神经网络成熟度检测模型,并将神经网络检测值利用贝叶斯理论来对其进行信息融合,从而进一步提高神经网络模型检测的准确性。     

基于图像特征提取的生菜形态可视化建模

植物形态可视化技术是实现虚拟农业中关键技术之一.该文对生菜图像进行预处理后,研究图像的各个特征,并提取生菜叶片的R、G、B颜色特征和叶片长度、宽度等特征.基于提取的各个特征,在OpenGL平台上,对生菜进行三维可视化建模,并进行颜色、光照模拟等渲染处理,主要建立了生菜二维图像与三维可视化模型之间的联系,实现生菜的可视化,能够直观地表现生菜的成长状态.将虚拟植物技术应用到农业领域的教学中,能够帮助同学直观地学习理解,对于农业科研、教育有积极作用.     

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。     

基于作物病害叶片颜色的病斑提取方法

作物病害是影响作物产量和质量的重要因素,如何进行病斑的准确提取是后期病害识别的一个关键步骤。为了提高复杂环境下病斑提取的准确率,提出一种基于叶片颜色的病斑提取方法,利用叶片正常部位和病害部位的颜色信息的不同,进行基于支持向量机的分割处理,从而得到很好的分割效果,然后对得到的图像进行最大类间差法处理,完成病斑的提取。结果表明,该方法具有有效性。     

基于WT-Otsu算法的植物病害叶片图像分割方法

植物病害叶片图像分割是植物病害识别和植物分类的基础。为了解决作物病斑叶片的分割效率和实时性,在小波变换(wavelet transform)和Otsu法的基础上,提出一种基于WT-Otsu算法的植物病害叶片图像分割方法。首先,利用二维小波变换提取作物病斑图像的边缘点;其次,利用Otsu法在这些边缘点搜索最佳分割阈值;最后,利用该阈值分割图像。利用该方法在真实辣椒病害叶片图像上进行了分割试验,结果表明,该方法对病害叶片图像分割有效可行。     

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。      

基于双目视觉的叶片形态无损测量方法

利用数码相机实现对植物叶片形态的无损测量,是掌握植物生长规律、科学指导生产以及实现植物生长柜智能化控制的关键技术之一.针对叶片弯曲以及拍照过程中容易出现的几何失真等问题,提出了利用两个相互垂直的数码相机来采集图像,从侧面图像分析叶片的弯曲角度,对正面图像进行失真校正;然后根据投影原理统计出叶片的像素数目,从而得到对应的形态数据.结果表明,该方法能够有效地解决图像的二维图像失真问题,降低叶片数据计算的误差,对于促进农业科技进步、加快现代化发展具有十分重要的意义.     

基于SVM的高粱叶片病斑图像自动分割提取方法研究

为实现高粱叶片病斑的自动化无损监测,利用支持向量机(SVM)技术对高粱叶片病斑图像进行自动分割提取研究。结果表明,通过选取RGB、HIS和Lab 3种颜色空间的颜色特征值可以消除对作物病斑拍照时产生的光照、亮度等影响。在MATLAB软件环境下调用LIBSVM软件对病斑图片中的病斑图像像素点和背景图像像素点建立支持向量机分类模型,可以实现对病斑的高效分割和高质量提取。分割提取效果与人眼识别的病斑图像高度吻合。如果利用大量采集的病斑图像进行模型训练,就可以真正实现完全自动化的病斑分割、提取和判别。因此,该研究对建立完全自动化的作物病斑图像识别系统意义重大。     

基于自适应中心对称局部二值模式的作物病害识别方法

基于局部二值模式(LBP)算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点,针对作物病害叶片图像的特点,提出一种自适应中心对称局部二值模式(Adaptive Center-Symmetric Local Binary Patterns,ACSLBP)算法,并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征,利用模糊C均值聚类算法对病害叶片图像进行分割,再将分割后的病斑图像进行分块,然后采用自适应阈值提取每个子块的ACSLBP纹理直方图,结合作物病害叶片图像的颜色特征,利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验,平均识别率高达95%以上,表明该方法是有效可行的。     

行播作物农田图像边界提取研究

[目的]找寻一种适于行播作物农田图像边界提取的方法。[方法]依据农田图像的特点,通过试验对比确定适合于行播作物农田图像边界提取的方法。[结果]在分析农田图像特征的基础上,选择适宜的颜色特征2g-r-b作为彩色图像的分割特征。为了实时导航,应采用固定的分割阈值。选取0.11作为超绿特征的分割阈值效果比较理想。对分割后的图像进行了中值滤波和区域填充处理可去除噪声和孔洞的影响。[结论]处理后的图像效果基本能够满足要求。     

基于HSI颜色空间的植物叶片病斑提取方法

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。     

基于区分矩阵的属性约简算法的作物病害识别方法

利用作物叶片症状进行作物病害识别是植保中的一个重要研究内容。提出了一种基于区分矩阵属性约简的黄瓜病害叶片图像分割与病害识别方法。首先,利用最大类间方差法对黄瓜病害叶片图像进行病斑分割;其次,提取病斑图像的36个分类特征;再次,利用基于区分矩阵的属性约简算法对36个特征进行特征选择;最后,利用最近邻分类器进行病害识别。在3种常见黄瓜病害叶片图像数据库上的试验结果表明,该方法是有效可行的,能够为基于病害叶片的作物病害识别系统研究提供参考。     

基于引力核密度聚类算法的作物病害叶片区域的快速检测

针对作物病害叶片图像的复杂性和模糊性,提出一种基于引力核密度聚类算法的作物叶片病害区域快速检测方法:首先,在RGB颜色空间提取病害叶片图像的R通道值,根据R值的特征直方图特性,运用多项式拟合特征直方图曲线,根据导数性质确定拟合特征直方图曲线的峰值点和峰值区域,确定病害叶片图像聚类数和初始聚类中心;根据初步确定的病变叶片图像的聚类中心,运用引力核密度聚类算法快速完成对病害叶片病斑的分割。试验结果表明,基于引力核密度聚类算法的平均分割精度达80%以上,平均检测时间为4.912 s,优于已有病害区域分割算法K–means和Meanshift的性能。     

基于MATLAB获取甜菜冠层图像信息的研究

采用数字图像处理技术对作物进行氮素营养诊断已经成为主要技术之一。由于应用数字图像技术进行营养诊断需要前期数据支持,本文研究了基于MATLAB的图像预处理方法,图像分割方法,对原始RGB图像进行了有效的提取。使用MATLAB编程,首先对原RGB图像应用中值滤波法对原图像进行去噪处理,再进行后续图像分割工作,采用Otsu阈值分割方法去除阴影图像,利用HIS颜色模型中H通道图像选取特定阈值进行土壤分割,利用YCbYr颜色模型中Cb通道,选取Cb通道特定阈值进行白板阈值分割,最后得到只含有绿叶的RGB图像,再利用MATLAB编程统计得到绿叶所有像素点的R、G、B平均值,为后续甜菜营养诊断提供数据支持,创造了可行的前提条件。     

基于颜色特征和属性约简的黄瓜病害识别方法

为了减少黄瓜叶部病害给农业生产带来的损失,提高病害的识别率和精度,提出了一种基于颜色特征和属性约简算法的黄瓜病害叶片分割与识别方法。该方法首先利用最大类间方差(Otsu)阈值法对黄瓜病害叶片图像进行病斑分割;其次提取病斑图像的36个分类特征,再利用基于区分矩阵的属性约简算法进行特征选择;最后利用最近邻分类器进行病害识别。该方法在5种常见黄瓜病害叶片图像数据库上进行了病害识别试验,结果表明,识别率高达94.8%。说明,该方法对作物病害叶片图像识别是有效可行的。     

植物叶片形态学特征全自动提取的难点

叶片形态是植物适应生存环境的重要表征之一,如何准确、高效地获取叶片形态资料是当前植物叶片形态学研究方法和研究技术发展的主要驱动力。由于传统方法大多存在费时费力、测量指标有限等弊端,研究者们希望能够利用计算机技术对叶片形态学特征进行全自动化提取。文章总结了当前叶片形态学特征研究的主要方法和计算机图像分析的原理和使用经验,并分析了现有叶片形态学特征自动化提取技术的主要问题和解决这些问题的难点,结果表明,最小外接矩形算法在叶片形态学特征自动化提取中局限性较大。未来对叶片形态学自动化提取软件的开发须全面考虑所提取叶片特征的整体效应和生物学意义,合理利用植物的真实形态学结构特征进行判别,以控制纯几何学和纯图形学运算结果的失真程度。     

基于图像处理的叶片主叶脉 节点分布信息的提取

植物的叶脉包含着植物重要的生理特征,叶脉及其分布信息的提取是植物分类、识别和建模的基础和关键。利用去叶柄后叶缘的曲率参数函数提取特殊点并利用特殊点确定主叶脉区域,为了避免主叶脉的弯曲和图像局部光照的不均匀对提取效果的影响,对主叶脉区域进行分块,然后利用Hough变换、区域生长和Harris角点检测等算法提取主叶脉区域内主叶脉与次级叶脉之间的节点分布信息,最后汇集节点分布信息得到整片树叶的主叶脉节点分布信息。结果表明,所采用的提取算法可准确地获得节点和节点分布信息。