基于形色筛选的苹果园羽化害虫粘连图像分割方法

针对苹果园害虫识别过程中的粘连问题,提出了一种基于形色筛选的害虫粘连图像分割方法。首先,采集苹果园害虫图像,聚焦于羽化害虫。害虫在羽化过程中已完成大部分生长发育,其外部形态、颜色、纹理更为稳定显著。因此,基于不同种类害虫的形色特征信息分析,来获取害虫HSV分割阈值和模板轮廓。其次,利用形状因子判定分割粘连区域,通过颜色分割法和轮廓定位分割法来实现非种间与种间粘连害虫的分割。最后,对采集的苹果园害虫图像进行了试验分析,采用基于形色筛选的分割法对单个害虫进行分割,结果表明,本文方法的平均分割率、平均分割错误率和平均分割有效率分别为101%、3.14%和96.86%,分割效果优于传统图像分割方法。此外,通过预定义的颜色阈值,本文方法实现了棉铃虫、桃蛀螟与玉米螟的精准分类,平均分类准确率分别为97.77%、96.75%与96.83%。同时,以Mask R-CNN模型作为识别模型,平均识别精度作为评价指标,分别对已用本文方法和未用本文方法分割的害虫图像进行识别试验。结果表明,已用本文方法分割的棉铃虫、桃蛀螟和玉米螟害虫图像平均识别精度分别为96.55%、94.80%与95.51%,平均识别精度分别提高16.42、16.59、16.46个百分点。这表明该方法可为果园害虫精准识别提供理论和方法基础。     

基于傅里叶描述子的稻飞虱形状识别

分析了具有旋转、平移和尺度变换不变性,并且与边界的起点位置无关的归一化傅里叶描述子,并把傅里叶描述子及欧氏距离应用于稻飞虱的形状识别中,通过计算同一形状和不同形状的平均离散度检验了归一化傅里叶描述子系数的稳定性,从而确定形状系数基准值.对191张样本图像进行了测试,当相似度差异小于0.0123时,稻飞虱误判率为7.85%.结果表明,归一化傅里叶描述子具有高效的识别性能.     

基于图像消冗与CenterNet的稻飞虱识别分类方法

为了实现对不同稻飞虱的快速准确识别,同时防止同一姿态下的同一只昆虫被重复计数,提出一种将图像消冗与CenterNet网络相结合的识别分类方法。首先利用自主设计的田间昆虫采集装置,自动获取昆虫图像并制作数据集。其次,将CenterNet算法与图像消冗算法相结合,选用深层特征融合网络(Deep layer aggregation, DLA)作为主干网络来提取昆虫的特征,并进行识别分类。将本文方法与经典机器学习和深度学习模型进行对比,实验结果表明,对于田间昆虫采集装置获取到的相似度较高的活体图像,本文方法不仅能够快速处理昆虫图像,而且能够成功解决昆虫重复检测的问题,平均精度均值为88.1%,检测速率为42.9f/s,无论是精度还是处理速度本文方法都具有较明显优势。该研究有效地完成了对3种主要稻飞虱的识别分类,对不同时间段采集到的昆虫表现出良好的泛化能力,可用于后期水稻害虫暴发的智能预警和测报。     

基于颜色和形状特征的茶叶嫩芽识别方

与人工采摘茶叶相比,现有采茶机械虽能提高采摘速度,但采摘时老叶、嫩叶一起采,缺乏选择性,并有部分叶片遭破损,降低了原料品质.为此,需要研究具有选择性、低损伤率的自动采摘方法.本文采用基于颜色和形状特征的图像处理方法,实现茶叶嫩芽的计算机识别和检测.针对清明期陕西名茶"午子仙豪"茶叶,首先在RGB颜色空间中提取茶叶图像的G分量,并采用双阈值方法对图像进行分割;然后根据茶叶嫩芽的形状特征,检测茶叶嫩芽的边缘.实验结果表明:基于颜色和形状特征的识别方法能有效分辨出茶叶嫩芽,识别准确率为94%,为实现茶叶嫩芽的自动采摘提供了一种有效方法.     

基于计算机视觉的水稻杂株识别

针对水稻的杂株识别,设计了一种基于计算机视觉的水稻杂株识别系统。系统主要由图像获取系统、特征提取系统和模式识别方法系统组成,可利用颜色特征识别图像中的杂株,并对图像进行阈值分割获取二值图像,提取形状特征和纹理特征,通过DS融合理论程序实现水稻杂株的识别。试验结果表明:系统可以准确识别水稻杂株类型,准确率达到了92%以上,能够满足农业人员对水稻杂株识别系统的要求。     

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RGB-D相机的果树三维重构与果实识别定位

为实现对果园果实机器人采摘提供科学可靠的技术指导,提出了一种基于RGB-D相机的苹果果树三维重构以及进行果实立体识别与定位的方法。使用RGB-D相机快速获取自然光照条件下果树的彩色图像和深度图像,通过融合果树图像彩色信息和深度信息实现了果树的三维重构;对果树的三维点云进行 R-G 的色差阈值分割和滤波去噪处理,获得果实区域的点云信息;基于随机采样一致性的点云分割方法对果实点云进行三维球体形状提取,得到每个果实质心的三维空间位置信息和果实半径。实验结果表明,提出的果树三维重构和果实立体识别与定位方法具有较强的实时性和鲁棒性,在0.8~2.0 m测量范围内,顺光和逆光环境中果实正确识别率分别达95.5%和88.5%;在果实拍摄面的点云区域被遮挡面积超过50%的情况下正确识别率达87.4%;果实平均深度定位偏差为8.1 mm;果实平均半径偏差为4.5 mm。     

基于视觉感知的蔬菜害虫诱捕计数算法

针对当前大田环境条件下对害虫进行识别研究的不足,以南方蔬菜重大害虫为研究对象,探索了一种在大田环境下使用黄色诱捕板对蔬菜害虫进行监测计数的方法。在经典图像处理算法基础上,根据害虫监测目标的需要,提出了一种基于结构化随机森林的害虫图像分割算法和利用不规则结构的特征提取算法,进一步结合背景去除、干扰目标去除和检测模型计数子算法,集成设计了基于视觉感知的蔬菜害虫计数算法(Vegetable pest counting algorithm based on visual perception,VPCA-VP)。使用了现场环境下拍摄的图像进行实验与分析,共识别出蓟马9351只,烟粉虱202只,实蝇23只。经过与人工计数比对得出,本文基于视觉感知的蔬菜害虫计数算法的平均识别正确率为94.89%。其中,蔬菜害虫蓟马的识别正确率为93.19%,烟粉虱的识别正确率为91%,实蝇的识别正确率达到100%。算法达到了较好的测试性能,可以满足害虫快速计数需求,在农田害虫监测中有一定的应用前景。     

基于机器视觉的柑橘果形测控系统设计

针对柑橘果形特征中圆度和果径检测精度低、姿态定位时间长的问题,设计了一种嵌入式快速检测与控制系统。系统以STM32单片机为系统控制核心,测量了单目相机图像的半径误差和形状误差,并采用高斯滤波、数字图像形态学、Hu矩和Canny算法,对动态的柑橘图像进行姿态识别与柑橘果形检测。检测结果表明：视觉检测系统半径误差控制在1.8%以内,形状误差为2.71%～3.69%;在5个/s柑橘的检测速度下,柑橘圆度和果径的在线分级正确率分别为81%和91.92%。本研究结合机器视觉无损检测技术,实现了动态下柑橘圆度和果径特征的综合检测与分级。     

基于U-Net网络的果园视觉导航路径识别方法

针对视觉导航系统在果园环境中面临的图像背景复杂、干扰因素多等问题,提出了一种基于U-Net网络的果园视觉导航路径识别方法。使用Labelme对采集图像中的道路信息进行标注,制作果园数据集;基于U-Net语义分割算法在数据增强的基础上对全卷积神经网络进行训练,得到道路分割模型;根据生成的道路分割掩码进行导航信息提取,生成路径拟合中点;基于样条曲线拟合原理对拟合中点进行多段三次B样条曲线拟合,完成导航路径的识别;最后进行了实验验证。结果表明,临界阈值为0.4时,语义分割模型在弱光、普通光以及强光照条件下的分割交并比分别为89.52%、86.45%、86.16%,能够平稳实现果园道路像素级分割;边缘信息提取与路径识别方法可适应不同视角下的道路掩码形状,得到较为平顺的导航路径;在不同光照和视角条件下,平均像素误差为9.5像素,平均距离误差为0.044 m,已知所在果园道路宽度约为3.1 m,平均距离误差占比为1.4%;果园履带底盘正常行驶速度一般在0～1.4 m/s之间,单幅图像平均处理时间为0.154 s。在当前果园环境和硬件配置下,本研究可为视觉导航任务提供有效参考。     

基于SCResNeSt的低分辨率水稻害虫图像识别方法

针对稻田自然环境下害虫移动,难以近距离拍摄高质量图像,导致在现有识别模型检测时无法达到满意识别精度的问题,提出了一种基于SCResNeSt的低分辨率水稻害虫图像识别方法。首先,使用增强型超分辨率生成对抗网络（ESRGAN）对低分辨率图像进行数据增强,解决低分辨率水稻害虫有效信息少的问题;其次构建了SCResNeSt网络,使用3个连续的3×3卷积层替换ResNet50中第1个7×7卷积,以减少计算量;使用自校准卷积替代第2层卷积层中的3×3卷积,通过内部通信显式地扩展每个卷积层的视场,获取害虫图像的部分背景信息,从而丰富输出特征;在主干网络中使用ResNeSt block（Split-attention network block）进一步提升图像中害虫信息获取的准确性。最终,将优选模型移植到手机端,开发了轻量化的移动端水稻害虫识别系统。实验结果表明,与现有方法对比,ESRGAN数据增强方法可以恢复真实的作物害虫信息,SCResNeSt模型有效提高了水稻害虫的识别性能,识别精度达到91.20%,比原始ResNet50网络提高3.2个百分点,满足野外实际场景下的应用需求。本研究为水稻害虫智能化识别和防治提供了技术基础。     

基于改进YOLO v7的农田复杂环境下害虫识别算法研究

为使巡检机器人能够对体积小且密集、形态多变、数量多且分布不均的害虫进行高效精准识别,提出了一种基于改进YOLO v7的害虫识别方法。该方法将CSP Bottleneck与基于移位窗口Transformer(Swin Transformer)自注意力机制相结合,提高了模型获取密集害虫目标位置信息的能力;在路径聚合部分增加第4检测支路,提高模型对小目标的检测性能;将卷积注意力模块(CBAM)集成到YOLO v7模型中,使模型更加关注害虫区域,抑制背景等一般特征信息,提高被遮挡害虫的识别精确率;使用Focal EIoU Loss损失函数减少正负样本不平衡对检测结果的影响,提高识别精度。采用基于实际农田环境建立的数据集的实验结果表明,改进后算法的精确率、召回率及平均精度均值分别为91.6%、82.9%和88.2%,较原模型提升2.5、1.2、3个百分点。与其它主流模型的对比实验结果表明,本文方法对害虫的实际检测效果更优,对解决农田复杂环境下害虫的精准识别问题具有参考价值。     

基于YOLO v5和多源数据集的水稻主要害虫识别方法

针对水稻稻纵卷叶螟和二化螟成虫图像识别中自动化程度较低的问题,引入目标检测算法YOLO v5对监测设备和诱捕器上的稻纵卷叶螟和二化螟成虫进行识别与计数。依据稻纵卷叶螟和二化螟的生物习性,采用自主研发的水稻害虫诱集与拍摄监测装置,自动获取稻纵卷叶螟和二化螟成虫图像,并与三角形诱捕器和虫情测报灯诱捕拍摄的稻纵卷叶螟和二化螟成虫图像共同构建水稻害虫图像数据集;采用左右翻转、增加对比度、上下翻转的方式增强图像数据集;对比了不同训练模型对三角形诱捕器和监测设备诱捕拍摄的水稻害虫图像的检测性能,并对比稻纵卷叶螟成虫不同训练样本量对识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异。测试结果表明,测试集图像为三角形诱捕器和监测设备诱捕拍摄虫害图像时,稻纵卷叶螟识别的精确率和召回率分别达到91.67%和98.30%,F1值达到94.87%,二化螟识别的精确率和召回率分别达到93.39%和98.48%,F1值达到95.87%。不同采样背景、设备构建的多源水稻害虫图像数据集可以提高模型对水稻害虫识别的准确性。基于YOLO v5算法设计的水稻害虫识别计数模型能够达到较高的识别准确率,可以用于...     

基于卷积神经网络的害虫分类

农作物病虫害是一种严重的自然灾害,需要对其进行及时预测和监控,以保证农作物产量。由于害虫种类繁多以及作物在生长初期的形态相似,农业工作者难以准确识别各类作物昆虫,给病虫害的防治工作带来巨大挑战。针对这一问题,提出一种基于多尺度特征融合的网络模型(FFNet)对作物害虫进行精准识别与分类。首先,采用空洞卷积设计多尺度特征提取模块(MFEM),获取害虫图像的多尺度特征图;然后,使用深层特征提取模块(DFEM)提取图像的深层特征信息;最后,将分别由多尺度特征提取模块(MFEM)和深层特征提取模块(DFEM)提取到的特征图进行融合,从而实现以端到端的方式对作物害虫进行精准分类与识别。试验表明：所提出的方法在12类害虫的数据集上获得优异的分类性能,分类准确率(ACC)达到98.2%,损失函数Loss为0.031,模型训练时间为197 min。     

基于改进支持向量机算法的农业害虫图像识别研究

为提高农业害虫图像识别效果,采用改进支持向量机算法.首先通过交叉验证优化惩罚因子,Manhattan距离确定核函数选择;然后建立农业害虫图像的特征模型,包括颜色特征、纹理特征、形状特征;接着对害虫图像多特征融合识别,各种害虫的颜色特征、纹理特征、形状特征所分配的权值通过Fisher计算,避免害虫识别误判的发生.试验仿真...     

小波域马铃薯典型虫害图像特征选择与识别

为准确、快速地识别马铃薯典型虫害,提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。该方法以自然环境下的马铃薯虫害分割图像为对象,提取小波域高斯空间模型的高频协方差阵特征值与低频低阶矩(HELM)的12个不变纹理特征、空间域Hu不变矩的4个形状特征,进行支持向量机(SVM)的虫害分类识别。通过对8类典型虫害的识别,试验结果表明:在SVM识别方法下,本文HELM特征提取方法,相比传统纹理特征提取方法,在特征计算量不增加的同时,平均识别率至少提高了17个百分点;在HELM特征与Hu矩特征下,本文SVM的运行时间为0.481 s,比人工神经网络快了近2 s,平均识别率为97.5%,比人工神经网络、贝叶斯分类器识别率提高了至少6个百分点,有明显的识别优势。     

基于机器视觉的大田害虫检测系统

设计了大田害虫实时检测系统,诱集传输机构可自动诱集并调整害虫姿态,使其平稳经过摄像视区;光照及采集系统可提供均匀的无影光照,并实时采集害虫的序列图像信息;运用修正的自适应邻域平均法增强图像,用自动阈值法将害虫从背景中分割出来,以提取出的周长、不变矩等为特征,运用神经网络分类器对常见的9种害虫进行分类。试验验证了该系统的可行性。     

基于深度学习的农作物病虫害检测算法综述

农作物病虫害对农业产量和品质影响巨大。数字图像处理技术在农作物病虫害识别中发挥重要作用。深度学习在该领域取得显著突破,效果优于传统方法。深度学习方法的特征提取能力更强,能准确捕捉细微特征,提高检测精度和可靠性。深度学习为农业提供了有力支持。本研究综述了基于深度学习的农作物病虫害检测研究,从分类网络、检测网络和分割网络3方面进行了概述,并对每种方法的优缺点进行了总结,同时比较了现有研究的性能。在此基础上,进一步探讨了基于深度学习的农作物病虫害检测算法在实际应用中面临的难题,并提出了相应的解决方案和研究思路。最后,对基于深度学习的农作物病虫害检测技术的未来趋势进行了分析和展望。     

模糊识别技术在大田害虫检测系统中的应用

介绍了基于模糊识别技术的大田害虫实时检测系统。该系统运用修正的自适应邻域平均法增强大田害虫图像的质量，用数学形态学开、闭运算将害虫从背景中分割出来，并利用去除杂点法对分割后的二值图像进行滤波。从其十多个形态学特征中选取出7个有效特征，采用了模糊识别算法进行了分类。识别正确率达到了97．7％。