复杂背景黄瓜叶部病害图像分割方法

针对具有复杂背景的黄瓜病害图像,设计了一种图像分割方法。该方法首先结合超G和OTSU方法去除彩色图像中的大部分背景,尽可能保留图像中的绿色部分信息;然后根据病害图像RGB模型中红色分量自动建立数据项,并且设定相邻像素间红色分量差值的函数作为平滑项,以上述数据项和平滑项构建基于阈值预处理的图切割算法。利用该方法对4种黄瓜病害（霜霉病、白粉病、靶斑病和炭疽病）彩色图像进行分割。结果表明,该方法能够较为准确地将病斑区域从彩色图像中提取出来,算法的平均正确识别率达到90%以上;平均运行速度为2.12 s,能够满足实时图像分割的要求。     

基于灰度截留分割与十色模型的马铃薯表面缺陷检测方法

为探索基于计算机视觉的马铃薯表面缺陷检测新方法,该研究提出能将马铃薯表面疑似缺陷一次性分离出来的快速灰度截留分割方法和用于缺陷识别的十色模型。选择面积比率和十色比率作为缺陷判别特征,对分割出来的深色部位采用阈值法进行缺陷识别。采用基于快速G与亮度截留分割的2种方法对发芽进行识别。通过对326个马铃薯样本的652幅正反面图像进行试验,基于十色模型的缺陷识别方法对分割出来的深色区域的正确识别率为93.6%,基于快速G与亮度截留分割2种方法结合对有芽体图像的正确识别率为97.5%,马铃薯表面缺陷正确检测率为95     

基于低空遥感与迁移学习的土地利用信息快速制图方法

为解决样本的手工获取和常规的目视解译难以适应目前农业土地资源信息自动化提取的需求问题,引入时空数据挖掘技术,运用关联知识迁移学习机制,提出了一种基于知识迁移学习的高分辨遥感影像土地利用信息分类制图方法(KTLC)。首先,运用改进的均值漂移算法对新的待分类制图影像进行分割获得影像对象,然后,将分割后对象的矢量边界与前时相土地利用矢量专题图进行配准、嵌套,通过叠加分析获取当前影像中的不变对象,并通过光谱、空间信息阈值筛选完成不变对象的提纯,进而将历史专题图中的地物类别知识迁移到新影像对象上,建立新的特征与地物类别映射关系,最后,运用决策树构建分类规则完成当前影像的快速分类制图,并将所提方法与利用易康(e Cognition)软件进行分类(EC)的结果进行对比。研究结果表明,对于2组实验影像,KTLC方法分类总体精度分别为88.61%、88.30%,EC方法分类的总体精度分别为89.87%、84.84%,2种方法分类制图精度相当,但在效率方面,KTLC方法优于EC方法。     

基于机器视觉的自然环境中猕猴桃识别与特征提取

研究了综合应用果实颜色和形状特征识别自然环境中猕猴桃果实及特征提取的方法.通过对比不同颜色空间,选用R-G色差分量;再采用基于误分割像素的分割评价方法来确定颜色特征nR-G中最佳分割系数n,最终选取0.9R-G颜色特征.利用0tsu法对其进行阈值分割,形态学运算去除掉残余噪声,实现了目标果实区域和背景区域的分割.然后利用Canny算子提取边界,最后对边界图像进行椭圆形Hough变换,逐个识别出目标果实,并提取出果实的形心坐标、长轴端点坐标和长短轴长度等特征信息.对49幅包含110个果实图像进行识别试验,试验结果表明:相互分离果实的识别率为96.9％,邻接果实识别率为92.0％,被枝叶部分遮挡果实识别率为86.6％,重叠的果实识别率为81.6％.     

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。     

基于颜色信息和形状特征的棉桃识别方法

为了给机械手自动采摘棉桃提供运动参数,提出了一种棉桃识别方法,可以从背景环境中准确识别棉桃,获取棉桃准确的位置信息。通过对棉花不同部分颜色数据的分析,建立了基于色差信息的识别模型,为进一步提高识别准确性,利用形状特征建立动态Freeman编码方法去除噪声。实验结果表明这种方法具有良好的棉桃识别效果,识别率达到85%。     

柑橘采摘机器人障碍物识别技

根据柑橘采摘机器人遇到树枝等障碍物的特点,通过提取和处理障碍物图像的骨架恢复障碍物的三维信息.首先采用图像分割、形态学处理、区域细线化等步骤提取障碍物骨架,并进行骨架修剪、恢复遮挡骨架等处理;然后找出骨架中端点、分支点等特征点并记录其连接关系;最后通过对特征点的立体匹配恢复障碍物的三维信息,试验表明障碍物的正确识别率为67.3%.     

植株点云超体聚类分割方法

针对传统的超体聚类分割对植株存在过分割率高、实时性差的问题,提出一种融合显著性特征图的超体聚类分割方法。首先,采用Kinect V2实时获取目标植株的彩色图像和深度图像,将RGB彩色空间图像转换为CIELab彩色空间图像,计算每个像素的显著性特征值,获取彩色特征图,并融合亮度特征图和方向特征图构建显著性特征图;然后,将显著性特征图和深度图像同步对齐,获得显著性点云,八叉树网格初始化点云,并通过Mean-Shift算法获取满足概率密度阈值的网格点云,取最大概率密度点作为种子点,基于点对之间的欧氏距离和特征相似度作为区域生长相似性准则,生成超体素块;最后,通过LCCP算法对显著性点云进行聚类分割。实验结果表明,改进的显著性超体聚类分割方法可以大幅提高目标前景分割的准确性和快速性,有效克服背景噪声和离群点。     

基于双目视觉的作物苗期障碍物三维信息检测方法

农业智能装备在实际农田环境中行进或作业的过程中需要感知多变环境下的各种障碍物。为此,基于双目视觉,开展了作物苗期农田障碍物三维信息检测方法研究,提出了一种基于特征的障碍物检测算法。首先,利用边缘检测算法去除天空背景,提取出障碍物潜在区域的上边界线,利用超绿特征颜色变换去除绿色作物苗期农田背景,提取下边界线;然后,通过阈值分割算法提取障碍物目标区域;最后,通过重心特征点立体匹配来获取视差值,结合MatLab标定获取的相机内外参数进行三维重建,计算障碍物的距离、宽度和高度三维信息。田间试验结果表明:该算法可以正确提取出障碍物目标区域,障碍物距离、宽度和高度检测的平均相对误差分别为4.7%、5.79%和1.78%,能够满足农业智能装备田间障碍物检测的需求,具有较好的可靠性。     

基于机器视觉的非结构环境下黄瓜目标特征识

提出了一种基于近红外光谱成像技术的温室黄瓜信息检测方法.根据黄瓜的光谱反射特性,选用特定波长的近红外光谱图像解决与背景颜色相近的果实信息表征;利用图像内作物灰度分布差异确定果实所在区域,区域内采用矩不变优化阈值分割和特殊形态学模板滤波,实现果实目标有效识别;结合黄瓜物理性状和纹理特征检测果实的可抓取部位,并引入形心主惯性轴思想确定果柄的切割点位置.实验结果表明果实的正确识别率为93.3%,抓取点、切割点位于有效区域的几率分别为96.7%、93.1%.