基于改进的LinkNet的苹果叶片图像分割算法

使用传统方式对苹果叶片进行图像分割进而测量叶片几何参数,虽精度尚可,但效率较低。针对该问题,提出一种基于深度学习语义分割模型和迁移学习的苹果叶片图像分割算法,完成对叶片的快速、准确分割。所提方法以LinkNet为基本网络结构,进行了4个方面的改进：采用ResNet18作为编码器主干网络,融合迁移学习的思想加速模型拟合;减小编码解码块的数量,降低网络复杂度;改进通道约减方案,减少上采样中的参数量;使用子像素卷积进行上采样,降低计算量。结合焦点损失函数,将改进的LinkNet网络应用于标准苹果叶片数据集上。试验结果表明,所提算法的分割精度为97.27%,与原LinkNet相比精度相当;推理时间仅为7.82 ms,相较于原网络缩短39.89%;模型参数量和浮点数计算量大幅减少;且改进网络的推理速度远快于FCN、U-Net、DeepLabV3+等网络。所提算法在快速分割叶片主体的同时,还能较好地保持叶片边缘锯齿等细节特征,能够真正实现高效、精准地分割苹果叶片,为快速测量叶片面积和其他几何参数提供了新的思路。     

苹果自动分级中的图像分割

为了提高苹果自动分级中图像处理的速度和可靠性，就有关苹果图像分割问题进行了探讨，提出了苹果图像处理窗口的快速确定方法、阈值计算方法以及用最小二乘法与搜索点所在的区域相结合确定搜索方向的方法，试验表明，用上述方法能可靠，有效，快速地进行图像分割。     

基于图像分割的苹果叶片几何参数计算

针对传统方法和叶面积仪法测定作物叶面积、叶长、叶宽等参数费时费力,成本高等问题,提出苹果叶面积、叶长、叶宽和周长的图像测定法。首先采用颜色空间转换法转换RGB(红、绿、蓝)图为HIS(色调、亮度、饱和度)图,并以大津法(Otsu)阈值色调(H)获取二值图像;再根据二值图中苹果叶边缘像素坐标分布特征,计算叶长、叶宽和叶周长,根据苹果叶片像素数计算叶面积;最后对叶长、叶宽和叶面积的计算值与实测值之间进行均方根误差(RMSE)和决定系数(R~2)计算,并以测定硬币周长的方式验证周长算法。结果表明:苹果叶面积、叶长、叶宽的RMSE值分别为0.58cm~2、0.46和0.10cm,R~2值分别为0.99、0.93、0.97,测定的1元、5角、1角硬币的周长分别为7.68、6.42和6.10cm。RMSE取值较小和R~2取值较高表明叶面积、叶长和叶宽算法结果可靠,周长算法验证结果表明周长计算值与实测值之间差异较小。     

基于图像分割和深度学习的人造板表面缺陷检测

【目的】针对板式家具零件表面缺陷人工检测过程存在的检测效率低、准确率低、检测结果无法数字化存储等问题,提出了一种基于图像分割和深度学习算法的饰面人造板表面缺陷的检测方法。【方法】利用工业相机采集人造板图像,构建缺陷数据集,采用全局阈值和局部动态阈值算法分割表面缺陷与图像截取,通过将ReLU6非线性激活函数替代ReLU函数,并引入倒残差结构的方法,优化MobileNetv 2深度学习网络,进行缺陷识别与分类。【结果】该方法对饰面人造板表面崩边和划痕缺陷的检测精确率分别达到了93.1%和97.5%,召回率分别为95.3%和97.6%,单张板件平均检测用时为163 ms。【结论】本研究提出的方法具有较高精度与稳定性,可解决传统人工检测方法的准确率低、效率低等问题,为家具板材表面缺陷的自动化检测提供新思路。图6表3参21     

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。     

基于深度学习的图像分割在畜禽养殖中的应用研究进展

图像分割作为智慧农业养殖中“视觉系统”的重要组成部分,被广泛应用于畜禽的智慧养殖中。近年来,深度学习算法飞速发展,基于深度学习的图像分割技术也取得了重大突破。这些方法赋予了分割区域更准确的语义信息,使得图像分割更加精准和智能,为畜禽智慧养殖提供了更强的技术支持。本文通过广泛收集和整理国内外研究的相关文献,重点阐述了图像分割技术在畜禽养殖中的畜禽计数、体尺体质量测量、姿态估计与行为识别、体况及疾病检测、精准饲养等方面的应用现状,给出了如何根据实际性能需求（精度、处理速度）、数据集、计算资源等方面选择合适图像分割方法的建议,总结分析了当前研究中与畜禽养殖相关且可用于图像分割训练的公开数据集;并指出了基于深度学习的图像分割技术在畜禽养殖中所面临的挑战与未来的发展趋势,希望能为畜禽养殖中图像分割技术的具体应用提供参考。     

结合深度学习和引导滤波的苹果叶片图像分割郑艳梅黄光耀芦碧波*王永茂

针对传统方法对苹果叶片进行图像分割和测量几何形状参数精确度较低的问题,结合基于深度学习和引导滤波技术提出一种新的苹果叶片图像自动分割算法。首先采用深度学习方法,使用BiseNet卷积神经网络对苹果叶片图像进行自动分割,得到苹果叶片主体轮廓;然后使用彩色苹果叶片图像作为引导图像对主体轮廓进行引导滤波处理,以增强边缘锯齿等细节特征信息;最后将主体轮廓与细节特征信息进行联合分割,得到完整、准确的苹果叶片信息。对包含174种8 184张苹果叶片图像数据集进行试验,结果表明苹果叶片分割的精确率达到98.99%,交并比98.82%。利用本研究算法能够真正实现准确、快速测量苹果叶片的面积、周长等参数值,为苹果叶片几何参数的测定提供了一种新的测量方法。     

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。     

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。      

基于深度学习的半监督图像标注系统设计与实现

针对深度学习研究中标注训练样本费时费力的问题,以食用菌为研究对象,设计一种基于深度学习的半监督图像标注方法.该方法将深度学习目标检测模型与迭代图像标注工作有效结合,采用“检测模型训练—目标自动检测—人工标注修正—检测模型更新”的迭代操作,实现半监督方式的图像标注.基于所设计的方法构建了半监督图像标注系统,在试验中对系统...     

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。      

基于图像处理和深度迁移学习的芒果果实病状识别

目的 基于计算机层析成像(Computed tomography, CT)设备所得芒果CT序列图像,实现芒果内部品质的无损检测和病状识别分类。方法 利用分段函数法、中值滤波结合双边滤波,实现芒果图像增强;采用局部自适应阈值法,实现二值化处理;采用种子填充法进行区域填充;最后通过差影法准确提取芒果果实内部组织的坏损区域。基于深度迁移学习模型,对未处理和已处理的芒果图像数据开展训练和测试,通过AlexNet和GoogLeNet深度学习网络开展迁移学习,调整超参数完成训练过程的网络微调,在不同模型中对比未处理和已处理的芒果测试集在模型上的分类结果。结果 基于未处理数据集,GoogLeNet模型在学习率为0.0002下训练,Accuracy和Macro-average指标分别为98.79%和98.41%。基于已处理数据集,GoogLeNet模型在学习率为0.0002下训练,Accuracy和Macro-average指标分别为100%和100%。深度迁移学习模型在已处理数据集下的模型分类指标较未处理的数据集下有较大的提升。基于同一数据集且超参数一致时,GoogLeNet网络的分类效果明显优于AlexNet网络。结论 设定学习率为0.0002、迭代轮数为3、最小批值为64,基于GoogLeNet网络开展深度迁移学习训练,将所得模型作为最终的分类模型。     

一种基于噪声点检测的自适应中值滤波方法

针对中值滤波在图像去噪时会造成图像细节丢失的问题,提出了一种新的基于噪声点检测的自适应中值滤波法.该方法对噪声点采用两级判断的方法:首先根据椒盐噪声的特点将图像像素点分为可疑噪声和信号两类;对于可疑噪声点,根据噪声与细节在图像中的表现,将可疑噪声分为噪声和边缘细节;然后采用不同的中值滤波窗口对噪声点进行滤波,对于两次判断得到的信号和边缘细节不进行处理以保持图像的细节.测试结果表明,与常用的中值滤波法相比,该方法不仅具有较好的去噪特性,还具有较强的细节保护能力.     

Automatic image segmentation method for cotton leaves with disease under natural environment

In order to improve the image segmentation performance of cotton leaves in natural environment, an automatic segmentation model of diseased leaf with active gradient and local information is proposed. Firstly, a segmented monotone decreasing edge composite function is proposed to accelerate the evolution of the level set curve in the gradient smooth region. Secondly, canny edge detection operator gradient is introduced into the model as the global information. In the process of the evolution of the level set function, the guidance information of the energy function is used to guide the curve evolution according to the local information of the image, and the smooth contour curve is obtained. And the main direction of the evolution of the level set curve is controlled according to the global gradient information, which effectively overcomes the local minima in the process of the evolution of the level set function. Finally, the Heaviside function is introduced into the energy function to smooth the contours of the motion and to increase the penalty function Φ(x) to calibrate the deviation of the level set function so that the level set is smooth and closed. The results showed that the model of cotton leaf edge profile curve could be obtained in the model of cotton leaf covered by bare soil, straw mulching and plastic film mulching, and the ideal edge of the ROI could be realized when the light was not uniform. In the complex background, the model can segment the leaves of the cotton with uneven illumination, shadow and weed background, and it is better to realize the ideal extraction of the edge of the blade. Compared with the Geodesic Active Contour(GAC) algorithm, Chan-Vese(C-V) algorithm and Local Binary Fitting(LBF) algorithm, it is found that the model has the advantages of segmentation accuracy and running time when processing seven kinds of cotton disease leaves images, including uneven lighting, leaf disease spot blur, adhesive diseased leaf, shadow, complex background, unclear diseased leaf edges, and staggered condition. This model can not only conduct image segmentation of cotton leaves under natural conditions, but also provide technical support for the accurate identification and diagnosis of cotton diseases.     

基于深度学习和支持向量机的4种苜蓿叶部病害图像识别

为实现苜蓿叶部病害的快速准确诊断和鉴别,基于图像处理技术,对常见的4种苜蓿叶部病害(苜蓿褐斑病、锈病、小光壳叶斑病和尾孢菌叶斑病)的识别方法进行探索。对采集获得的899张苜蓿叶部病害图像,利用人工裁剪方法从每张原始图像中获得1张子图像,然后利用结合K中值聚类算法和线性判别分析的分割方法进行病斑图像分割,得到4种病害的典型病斑图像(每张典型病斑图像中仅含有1个病斑)共1 651张。基于卷积神经网络提取病斑图像特征,建立病害识别支持向量机(Support vector machine,SVM)模型。结果表明:当病斑图像尺寸归一化为32×32像素,利用归一化的特征HSV(即特征H、特征S和特征V归一化后的组合特征)构建的病害识别SVM模型最优,其训练集识别正确率为94.91%,测试集识别正确率为87.48%。本研究基于深度学习和SVM所建立的病害识别模型可用于识别上述4种苜蓿叶部病害。     

基于GIF-Shearlet算法的新旧土边界线视觉导航技术研究

针对遥操作拖拉机驾驶机器人旋耕作业时,工作环境中作物行多样化、光照不均的特点,提出一种基于导向滤波(Guided Image Filter)和剪切波变换(Shearlet Transform)的方法用于提取新旧土边界线以完成拖拉机视觉导航。首先,将图像快速转换到YCr Cb颜色空间,对灰度化的图像进行导向滤波,然后使用Shearlet-canny算子提取新旧土的边缘信息,最后经过Hough变换给出视觉导航线。结果表明,在YCr Cb颜色空间对图像进行灰度化处理与HSV、HIS、RGB颜色空间相比,效果最好,耗时最短,分别快94.0%、94.3%和25.4%;导向滤波处理图像的方法与Tarel中值滤波、MRetinex滤波、小波域Retinex滤波及同态滤波相比,算法耗时分别短87.5%、79.5%、88.8%和87.0%;采用Shearlet-Canny算子检测边缘并经过Hough变换后提取的导航线精确度最高,最大误差小于0.5°。研究表明,基于导向滤波和剪切波变换的新旧土边界线提取方法用于拖拉机智能导航是可行的。