基于FCM聚类和漏失模拟的给水管网压力监测点布设

为了提高对供水管网压力监测的可靠性,以北方某城镇供水独立计量分区为模拟研究对象,提出一种结合模糊C均值(Fuzzy C-Means, FCM)聚类和对模拟漏失事件感知数量最大化的给水管网压力监测点优化布设方法.首先,基于水量变化的节点压力敏感系数矩阵,利用FCM聚类算法对管网节点进行聚类,在各子类中预选出备选压力监测点;然后,随机模拟可能发生的漏失事件测试符合条件的不同优化组合的备选监测点对漏失事件引起压力变化的感知情况,确定优化的监测点布设方案.案例研究结果表明,该方法确定的压力监测点布设方案能够在保证至少2个监测点感知到同一个漏失事件的前提下,以最少3个监测点感知到96.36%以上的漏失事件.该方法在提高监测可靠性的同时可以节约监测点布设成本.     

基于振动信号的蚕茧质量无损检测方法

提出了一种根据振动信号无损检测蚕茧质量的方法,对振动信号进行小波分解重构蚕蛹的随机振动信号,提取了与蚕蛹质量有关的特征值,利用模糊聚类的方法优选了特征值,然后建立了蚕茧质量无损检测的BP神经网络模型。试验证明该检测方法有效可行。     

基于双次Otsu算法的野外荔枝多类色彩目标快速识别

针对目前野外环境下多类目标识别速度偏慢,导致机器人视觉定位精度低和工作效率不高的难题,以野外环境下成熟荔枝的多类色彩目标识别为例,提出了一种双次Otsu分割算法对多类色彩目标进行识别。首先为了提高算法的效率,改进了传统的Otsu算式;然后对目标色彩图像的背景、果梗、果实分别用改进的Otsu算法进行粗分割和细分割。最后通过与K-均值聚类(K-means)算法、模糊C均值聚类(FCM)算法、Otsu和K-means结合算法、Otsu和FCM结合算法这4种算法进行对比,双次Otsu算法从分割质量及其正确分割率、运行时间、稳定性3方面都优于其他4种算法。实验结果表明,双次Otsu算法对色彩目标的成熟荔枝识别的时间少于0.2 s。     

基于HSI色彩空间与FFCM聚类的葡萄图像分割

为适应农业采摘机器人对葡萄对象快速准确识别的需要,提出了基于HSI色彩空间与以直方图信息为特征的快速模糊C-均值聚类(FFCM)算法相结合的葡萄图像分割方法。该方法以H分量作为葡萄图像聚类分割的处理数据,根据FFCM算法对灰度图像聚类分割。试验对夏黑葡萄果实在自然光、顺光、背光照射环境下拍摄的图像进行分割。结果表明:葡萄图像分割方法能够快速且较好地从复杂自然环境中将葡萄目标分割出来,为葡萄采摘机器人的研制提供了重要参考。     

基于颜色和形状特征的机采棉杂质识别方法

机采棉的含杂识别分类检测能够提高棉花加工设备效率,减少棉花纤维损伤,并为棉花收获设备的改进提供指导。提出了一种基于颜色和形状特征的机采棉杂质识别分类方法,对大杂质和小杂质检测采取不同的图像处理方法。颜色特征主要采用基于彩色梯度图像的分水岭变换与改进模糊C均值聚类方法融合的方法;形状特征主要采用机采棉杂质的面积、周长、离心率和矩形度特征。通过对100幅机采棉图像试验表明,该方法对各类杂质的平均识别正确率为89%。     

基于KFCM和改进分水岭算法的猪肉背最长肌分割技术

提出一种利用核模糊C均值聚类(KFCM)和改进分水岭算法分割猪肉眼肌切面图像中背最长肌区域的方法.该算法对经中值滤波去噪后图像的R分量利用最大方差自适应阈值(OTSU)去除背景,再采用KFCM提取出肌肉组织,然后进行空洞填充,最后由改进的分水岭算法分割出背最长肌区域.利用该算法对采集的60幅猪肉眼肌图像进行处理,分割正确率为86.67%;与传统的形态学算法相比,该算法能真实、完整地恢复出背最长肌区域.结果表明:该算法能有效地分割出猪肉眼肌图像中的背最长肌区域,与改进前分水岭算法相比,能避免背最长肌区域出现欠分割.     

基于图像处理技术的作物叶片检测模型研究

计算机图像处理技术在农业上的应用,目前越来越受到人们的重视。作物叶片检测也是图像处理的基本内容。为此,主要研究了作物叶片虚拟检测模型,对作物叶片虚拟检测模型的流程和功能进行了介绍;同时,对作物的生长信息进行表现、组织和管理,形象和精确地帮助人们采取合理的生产措施,为作物的产量预报和管理提供科学的依据。     

基于模糊聚类的玉米大斑病害图像的分割技术

通过颜色空间的转换,将RGB颜色空间转化为HSI颜色空间,在色度H空间对玉米大斑病图像进行分割。应用模糊聚类分析的方法,确定了图像分割的阈值。对186幅玉米大斑病图像进行分割试验,分割的准确率为97．8％。分析表明,准确的病害图像分割可以为病害的特征值提取和病害的模式识别做好准备。     

基于神经网络的行驶工况智能识别方法研究

针对目前工况识别率低降低了能量控制策略在实际行驶中的控制效果的问题,提出了神经网络算法优化行驶工况识别的方法.首先,利用降维后的特征值对典型工况进行分类,构建综合行驶工况.其次,建立模糊C均值聚类、概率神经网络、学习向量化神经网络、BP神经网络的工况识别模型并训练.最后对工况智能识别模型进行仿真验证.结果表明,BP神经...     

基于多源数据融合模型的水稻面积提取

中高空间分辨率影像数据缺失是高空间分辨率作物空间分布提取的主要限制因素,针对部分地区的中高空间分辨率遥感影像缺失使得作物提取的关键生育期无卫星覆盖的问题,提出了一种基于模糊C聚类算法的多源遥感植被指数数据融合方法,融合Landsat和MODIS数据生成高时空分辨率的植被指数数据,对融合生成的多时相植被指数数据进行聚类后获取各类的时序植被指数曲线。通过与水稻标准时序植被指数曲线进行光谱相似性分析来提取水稻的空间分布。经测试表明,该方法能够获得相对较高的精度,可应用于中高分辨率遥感数据缺失地区的高空间分辨率作物空间分布信息提取。     

基于颜色与面积特征的方格蔟蚕茧分割定位算法与试验

蚕虫上蔟多采用纸板方格蔟,但纸板方格蔟在使用过程中会因扭曲变形导致方格分布不规则,而采茧机械对变形的方格蔟进行蚕茧采摘时,会对方格蔟造成损伤。为了提高方格蔟机械采茧的智能化水平,减少采茧设备对方格蔟的损伤,提出一种基于颜色与面积特征的方格蔟蚕茧分割定位算法,实现对方格蔟中蚕茧的分割、中心点定位和位置坐标的视觉测量。首先采用图像空间的Brown畸变模型对方格蔟图像进行畸变矫正,减小径向畸变对视觉测量的影响;对矫正后的图像采用Mean Shift聚类算法进行预分割,消除光照及图像背景对蚕茧分割的影响;然后对阈值分割和形态学处理后的二值化蚕茧图像进行基于面积特征的连通域标定,得到每个蚕茧中心点位置;将连通域标定得到的蚕茧中心点坐标代入图像坐标系与世界坐标系转换方程,得到每个蚕茧在笛卡尔空间的三维坐标,经过视觉测量确定蚕茧在方格蔟中的具体位置,控制蚕茧采摘装置采摘方格蔟中的蚕茧。经过试验,该算法对方格蔟中的蚕茧检测正确率为96.88%,蚕茧坐标最大定位偏差小于6.0 mm,满足采茧装置对蚕茧采摘的定位精度要求。     

基于色差信息多色彩模型的黄羽鸡快速分割方法

快速准确分割出复杂背景下的鸡只图像,是应用机器视觉系统快速识别实际饲养环境下病鸡的关键步骤。以某鸡舍散养的黄羽肉鸡为分割目标,提出了一种基于色差信息的多色彩模型鸡只分割方法。首先对200幅自然环境下拍摄的图像在常用的色彩模型下,分析了鸡冠、鸡身羽毛、鸡肚羽毛以及背景的颜色特征,利用背景在RGB色彩模型的R、G、B三分量色差信息特征进行一次分割,去除大部分的背景,然后转换到HSV色彩模型,获取黄羽鸡不同部位的H分量阈值,再由H阈值范围提取鸡身、鸡冠实现二次分割,最终得到分割目标。实验结果表明所提方法实际分割正确率为86.3%,优于L*a*b*色彩模型聚类的78.4%。所提方法复杂度小,运算时间短,适用于实时分割场合。     

基于计算机视觉的茶叶色泽检测研究

我国茶叶种植面积和产量均为世界第一,是特色农业的重要组成部分;但我国茶叶品质检测体系不完善,分级技术水平不高,影响了产品在国际市场上的竞争力。传统的茶叶分级是由人工分析判断,具有较大的局限性。计算机视觉是一种新型的图像处理技术,已经应用于茶叶品质分析。为此,将拍摄的茶叶和茶水图像进行预处理、灰度化和阈值分割,获得目标轮廓并分析颜色特征,并通过建模集样本确定用于色泽检测的特征量,然后对检验集样本进行色泽检测。结果表明:检验集中被错误识别的茶叶种类极少,总体的识别准确率达到9 0%,为准确评价茶叶的色泽品质提供了技术支持。     

基于颜色分量运算与色域压缩的杂草实时检测方法

提出了一种基于RGB分量运算和色域位屏蔽压缩的杂草实时检测方法。对杂草和作物的大量实验显示:颜色分量运算可增强目标的显示特性,而对色域的屏蔽压缩可在保证实时性的同时减弱图像噪声污染,减小干扰引起的纹理分割误差。该方法的处理时间几乎不受目标复杂度影响,可在30ms内有效分割出320×240分辨率图像中有颜色差异的不同杂草或农作物,对颜色分布波动具有较强的鲁棒性。颜色分量运算的线性组合系数可通过有监督的学习自动确定。     

基于近红外漫透射光谱信息的蚕茧雌雄检测

采用Maya2000pro型近红外光谱分析仪,以3个品种共491粒蚕茧为实验对象,进行了450~1 050 nm波段内的漫反射和漫透射光谱采集和比较。随后对漫透射光谱数据进行了均值中心和一阶求导预处理,并分别对3个品种以及全部样本通过偏最小二乘判别法(PLSDA)进行了判性预测分析。结果表明:相对于漫反射光谱,漫透射光谱更能反映出雌雄蚕蛹组分特性的不同;基于漫透射光谱的PLSDA预测结果显示,分别针对3个品种的鉴别结果(试东A·华3x C·7532判性真雌性率、真雄性率和精确度分别为89.796%、92.424%和90.854%;化中2·华3x C·7532判性真雌性率、真雄性率和精确度分别为96.250%、94.253%和95.210%;9·芙x7·湘判性真雌性率、真雄性率和精确度分别为97.260%、91.954%和94.375%)和全部样本混在一起的雌雄鉴别结果(真雌性率、真雄性率和精确度分别为94.024%、92.917%和93.483%)都较好。     

基于颜色特征的油菜害虫机器视觉诊断研究

害虫的准确识别是针对性地施用农药以有效治理虫害的基础,而人工识别的劳动强度大且主观性强。为此,提出了一种利用颜色特征的害虫视觉识别技术。使用GrabCut算法从虫害图像中分割出完整的害虫主体图像并计算其最小外接矩形区域的H/S通道直方图,使用害虫基准图像对其进行直方图反向投影并计算交叉匹配指数。匹配指数和害虫标签共同组成的特征向量用于训练C4.5分类器。计算待检害虫图像的交叉匹配指数,输入分类器即可得到识别结果。实验结果表明:该技术可准确识别菜蝽、菜青虫、猿叶甲、跳甲及蚜虫5种害虫,准确率达到92%。     

基于彩色空间距离优化的秸秆覆盖率检测算法研究

秸秆覆盖率是保护性耕作重要的评价指标之一。针对田间秸秆形态各异、细碎秸秆难以识别的难题,基于机器视觉技术,提出了一种基于K-means和彩色空间距离灰度化方法相结合的田间秸秆覆盖率检测算法。采用彩色空间距离方法对秸秆图像进行预处理,基于K-means算法实现秸秆和土壤背景的分类识别,使用数学形态学腐蚀和膨胀方法对识别后的图像进行处理,降低细碎秸秆对覆盖率的影响,最后计算秸秆图像的覆盖率。2022年10月,通过田间试验对北京小汤山国家精准农业研究示范基地采集的220幅玉米秸秆图像进行了算法验证。试验结果表明,对低秸秆覆盖率(0～30%)图像,识别准确率达到90%;对中等秸秆覆盖率(30%～60%)图像,识别准确率达到88%;对高秸秆覆盖率(60%以上)图像,识别准确率达到86%;整体秸秆覆盖率分等定级准确度达到98.18%。本研究设计的基于K-means和彩色空间距离灰度化方法相结合的田间秸秆覆盖率检测算法为保护性耕作评价提供了快速检测方法和手段。     

基于FISHER模型的棉种分色研究

利用棉花种子表皮光学特性,对颜色不正常、表面有缺陷或内部变质的疵品及杂物进行分选是一种有效的方法。研究棉种分色模型是研制自动化棉种分色机械的基础。为此,通过提取彩色棉种图片的RGB分量,利用Fisher准则对RGB分量特征值进行提炼,建立了棉种的分选模型。试验表明,该色选模型可以对棉种进行有效分选,其分选精度达到97.2%。     

基于纹理和颜色特征的甜瓜缺陷识别

为了提高硬皮甜瓜缺陷分类的正确率,提取基于纹理和颜色的综合特征,采用支持向量机分类器构造了甜瓜缺陷的自动检测系统。对甜瓜图像可疑区进行了纹理分析,提取灰度共生矩阵的4个特征参数,经过比较实验得出,对比度和角二阶矩2个参数对甜瓜瓜蒂、花萼、擦伤和霉变有明显的可区分性。在可疑区域上提取了由R、G、B分量及其算术运算组成的12种颜色特征,通过实验筛选出4种具有较好区分性的颜色特征。实验结果表明,由这些优选出的纹理与颜色特征组成的综合特征及支持向量机分类器对甜瓜缺陷的识别正确率达到92.2%。     

基于MSRCR-YOLOv4-tiny的田间玉米杂草检测模型

为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法的改进YOLOv4-tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像特征增强预处理,提高图像的对比度和细节质量;然后使用Mosaic在线数据增强方式,丰富目标检测背景,提高训练效率和小目标的检测精度;最后对YOLOv4-tiny模型使用K-means++聚类算法进行先验框聚类分析和通道剪枝处理。改进和简化后的模型总参数量降低了45.3%,模型占用内存减少了45.8%,平均精度均值(Mean average precision, mAP)提高了2.5个百分点,在Jetson Nano嵌入式平台上平均检测帧耗时减少了22.4%。本文提出的Prune-YOLOv4-tiny模型与Faster RCNN、YOLOv3-tiny、YOLOv4 3种常用的目标检测模型进行比较,结果表明：Prune-YOLOv4-tiny的mAP为96.6%,分别比Faster RCNN和YOLOv3...