改进田间杂草识别图像预处理方法的研究

机器视觉系统采集到的田间杂草图像在分割之前,需要对图像进行预处理来改善图像的视觉效果。为了提高图像的预处理效果,针对杂草图像的特点,在多级加权中值滤波算法的基础上,增加3个不同大小尺寸的二维滤波掩膜,使得在去除噪声的同时尽可能保留了更多的细节特征,从而改善了田间杂草图像的滤波效果。     

基于二维直方图的杂草图像分割算法

通过引入像素灰度级和邻域灰度级构成的二维直方图,提出了一种杂草彩色图像分割算法。试验结果表明,基于二维直方图的分割算法由于增加了各个像素点相邻区域的信息,从而减少了自然条件下镜面反射和叶片小面积污损的影响。由于分割结果更好地保留了叶片的连通性,新的分割算法能在自然条件下更好地区分单子叶植物和双子叶植物及识别作物和杂草,从而有助于杂草识别率的提高。     

基于图像处理的杂草叶片识别参数研究

杂草种类繁多、危害严重,对杂草种类进行精确识别,可以提高除草效率,减少除草剂使用量,降低其对环境的污染.为此,应用图像处理的有关技术,以杂草叶片为研究对象,以形态、纹理和颜色特征相结合的方法来描述杂草叶片信息,提出了共16个特征参数可对杂草叶片信息进行精确描述,该特征参数可区别不同种类的杂草,为农药的精确投放和现代施药装备的开发奠定基础.     

基于计算机视觉的田间杂草识别方法研究

杂草对农作物的侵害一直是人们关注的问题。为此,利用计算机图像处理技术对复杂土壤背景下的田间杂草进行识别。研究中采用可变阈值法滤除了土壤背景,应用形态学方法识别出了杂草。同时,根据杂草投影中心的像素位置确定田间杂草的实际位置。实验结果表明,此方法可有效地从阔叶子植物中识别出窄叶子稗草。     

大豆田间杂草的光谱识别研究

精确施药的关键是快速正确识别杂草。为此,利用ASD野外便携式光谱仪,在田间测量了大豆、马唐和稗草植株冠层在350～2 500nm波长内的光谱数据,经过数据预处理,数据分析波长选为350～1 300nm和1 400～1 800 nm。数据处理采用支持向量机(SVM)模式识别方法 ,用线性、多项式、径向基和多层感知核函数对大豆和杂草建立二分类模型。结果表明:三阶多项式核函数SVM分类模型的正确识别率最高,达到85%以上,且支持向量比例较小;以二分类模型为基础,利用投票机制建立了大豆、马唐和稗草的一对一多分类SVM模型,正确识别率达83%;田间光谱测量受光照、背景和仪器测量精度等条件的影响较大,但结果仍表明SVM结合光谱技术在田间杂草识别中的应用潜力很大。此研究为田间杂草识别及传感器的建立提供了研究思路和应用基础。     

基于多光谱图像和 SVM 的玉米田间杂草识别

为解决变量喷洒对杂草识别速度与正确率的要求,提出了一种基于多光谱图像和SVM 的杂草识别新方法。通过多光谱成像仪获得玉米与杂草图像,采用 IR-R 的多光谱融合并结合 Otsu 分割法完成背景分割;随后对植被图像进行目标分割与形态学处理,提取出所有植被叶片图像,在此基础上提取了叶片11个形状特征参数和纹理特征参数。为提高算法的实时性,对叶片的特征参数进行主成分分析,将前3个主成分作为支持向量机的输入建立模式识别模型。结果表明,降维后对于未知预测样本的识别正确率达到85％,用时0．001415 s。与直接利用支持向量机的90％的识别率和0．105165 s的用时相比,该算法在满足识别率的同时,用时更少,为田间杂草的快速识别提供了一种新方法。     

应用机器视觉技术识别田间杂草的研究

田间杂草的识别是准确使用除草剂有效的依据，对提高农作物产量、降低成本、生产出满足消费者需求的无害产品是非常重要的。为此，就如何利用机器视觉技术从复杂的土壤背景下分离出植物(作物和杂草)的方法进行研究，从而为杂草的识别做前期准备工作。     

基于机器视觉的田间杂草形状特征识别技术研究进展

农田杂草总体上是指生长在田间、分布广泛、对农作物有危害、非人工有意栽培的草本植物。我国农田杂草危害面积大约为4000万hm^2，主要发生在水稻、小麦、玉米、大豆、棉花五大作物农田，造成严重减产。因此应对杂草及时地加以控制，以保证作物的产量和质量。     

杂草识别中背景分割方法的比较研究

应用杂草识别中常用的灰度化方法(非规范化超绿法,归一化超绿法和色差法)针对棉田杂草识别进行了实验.根据灰度图像直方图特点并考虑实时性,采用适当的求阈值法(包括定阈值法和动态阈值法)进行分割,得到5种背景分割方法.通过分割误差对比、各种因素对分割效果的影响对比以及分割的实时性对比,对这5种背景分割方法进行评估,从而为棉田杂草识别中背景分割方法的选取和改进提供依据.     

温室大棚中杂草识别系统的应用研究

介绍了一种基于计算机视觉的快速杂草识别算法，能够快速正确地将杂草叶面从复杂的土壤背景中识别出来，从而满足实时地为后续变最控制提供信号的要求。利用AOI测试工具，采集了不同土壤、作物残留物以及各种光照条件下温室大棚内的杂草的图像进行处理，通过提取图像中每一个像素R、G、B的3个分量值计算出(2G-R—B)颜色特征值，将彩色图像转变成灰度图像显示。     

基于机器视觉的杂草实时采集与处理算法的研究

随着计算机技术的不断进步,机器视觉技术在包括农业工程的各个领域的应用与研究中得到了广泛的发展,机器视觉在杂草实时采集与识别的技术研究中已成为科学工作者们的主要研究方向。为此,研究了杂草图像的实时采集、处理算法以及软件系统的开发,并利用现有的实验平台作为模拟试验系统。     

基于图像处理多算法融合的杂草检测方法及试验

自动化除草是现代精确农业科学领域的研究热点。已有的自动化除草解决方案中普遍存在鲁棒性不强、过度依赖大量样本等问题,针对上述问题,本研究提出了基于图像处理多算法融合的田间杂草检测方法,设计了一套田间杂草自动识别算法。首先通过设置颜色空间的阈值从图像中分割土壤背景。然后采用面积阈值、模板匹配和饱和度阈值三种方法对作物和杂草进行分类。最后基于投票的方式,综合权衡上述三种方法,实现对作物和杂草的精准识别与定位。以大豆田间除草为对象进行了试验研究,结果表明,使用融合多图像处理算法的投票方法进行作物和杂草识别定位,杂草识别平均错误率为1.79%,识别精度达到98.21%。相较单一的面积阈值、模板匹配和饱和度阈值方法,基于投票权重识别杂草的精度平均提升5.71%。同时,针对复杂多变的农业场景,进行了存在雨滴和阴影干扰的鲁棒性测试,实现了90%以上的作物识别结果,表明本研究方法具有较好的适应性和鲁棒性。本研究算法可为智能移动机器人除草作业等智慧农业领域应用提供技术支持。     

基于颜色特征的桔子树干图像分割方法

根据桔子树干颜色的特点,提出了一种图像分割方法。首先,利用颜色特征定位ROI;然后,计算该区域的颜色特征向量提取桔子树干;最后,对不连续的桔子树干区域利用数学形态学方法进行自动修补。实验结果表明,该方法能够有效地提取出桔子树干,并确定其质心和面积,算法的平均识别率达到了86.93%。     

混药器流体图像采集与分割方法

通过在农药中加入示踪粒子,利用高速摄像机采集喷雾机农药与清水通过混药器在线混合后流体混合图像的方法,研究了喷雾机农药与水在线混合的混合效果.对于原始粒子图像均匀度较差的问题,提出了基于形态学的校正方法,利用灰度增强的Otsu法对粒子图像进行了有效分割,提取了粒子质心坐标等参数.     

基于Mask R-CNN的玉米田间杂草检测方法

针对田间复杂环境下杂草分割精度低的问题,提出了基于Mask R-CNN的杂草检测方法。该方法采用残差神经网络Res Net-101提取涵盖杂草语义、空间信息的特征图;采用区域建议网络对特征图进行杂草与背景的初步二分类、预选框回归训练,利用非极大值抑制算法筛选出感兴趣区域;采用区域特征聚集方法(Ro IAlign),取消量化操作带来的边框位置偏差,并将感兴趣区域(Ro I)特征图转换为固定尺寸的特征图;输出模块针对每个Ro I计算分类、回归、分割损失,通过训练预测候选区域的类别、位置、轮廓,实现杂草检测及轮廓分割。在玉米、杂草数据集上进行测试,当交并比(Io U)为0. 5时,本文方法均值平均精度(m AP)为0. 853,优于Sharp Mask、Deep Mask的0. 816、0. 795,本文方法的单样本耗时为280 ms,说明本文方法可快速、准确检测分割出杂草类别、位置和轮廓,优于Sharp Mask、Deep Mask实例分割算法。在复杂背景下对玉米、杂草图像进行测试,在Io U为0. 5时,本文方法 m AP为0. 785,单样本耗时为285 ms,说明本文方法可实现复杂背景下的农田作物杂草分割。在田间变量喷洒试验中,杂草识别准确率为91%,识别出杂草并准确喷雾的准确率为85%,准确喷药的杂草雾滴覆盖密度为55个/cm2,装置对每幅图像的平均处理时间为0. 98 s,满足农药变量喷洒的控制要求。     

基于色彩模型的水下海参图像增强方法研究

由于光在水介质中会发生折射和散射现象,会导致水下图像存在对比度低、图像模糊、光照不均匀等一系列问题.另外,由于不同波长的光线在水中的传播具有不同的衰减率,所以通常的海底图像背景大多以蓝色绿色为主.针对以上问题,提出了一种水下海参图像增强的方法,该算法基于RGB色彩模型的对比度校正和HSI色彩模型的对比度校正,在原模型的...     

基于多分辨率分析的储粮害虫图像预处理研究

粮虫种类多、体形小且形态结构比较复杂,须借助于高分辨率的图像进行准确的细分。针对高分辨率的粮虫图像,提出基于多分辨率图像分析的粮虫图像预处理方法。本算法首先降低图像的分辨率,并对低分辨率的图像滤波,然后将恢复为原分辨率后的图像与原图像进行"与"运算,并进一步滤波。该法有效去除了对粮虫识别贡献率较小的腿和触角等部分,保留了对识别分类贡献率较大的头部和鞘翅等部分,且预处理后的目标边界比较平滑,同时使算法运行的效率提高了15.12倍,并通过实验进一步验证了该方法的可行性。     

图像融合技术及融合效果评价的研究

图像融合的目的是将来自同一场景的不同源图像信息互补合成一幅新的图像,提供比源图像更丰富的视觉信息。融合图像更适合人的视觉和便于图像的后续处理,如图像分割、特征提取等。为此,概括了现有的图像融合方法的基本原理和进行融合的主要步骤,并对这些方法进行了比较;介绍了进行图像融合效果评价标准和方法;指出了图像融合技术的发展方向。