基于改进半监督模型的空间异质性农田特征提取研究

提取农田信息对智慧农业、环境保护等有重要意义。监督学习模型对不同地貌、区域、种植类型等空间异质性农田的特征提取效果不佳。针对该问题,本文提出一种半监督学习模型,该模型使用基于加权损失函数的在线难例样本挖掘策略,在Vaihingen数据集中总体精度高达87.1%,相较于其他半监督学习模型的提取效果最好。在吉林一号农田影像数据集进行空间异质性农田特征提取中的对比试验和精度评估,结果表明：分别使用拟提取地区和训练集地区的无标注影像训练该模型,均可提高对空间异质性农田特征提取精度,若无标注影像与拟提取地区影像中农田特征相似度高,总体精度可提升2.1～6.1个百分点,总体精度最高可达84.0%。该模型使用更少量的标注信息获得媲美监督学习模型的提取效果;而使用相同量的标注信息,可以通过增加无标注影像以取得比监督学习模型更好的提取效果。本文构建河北献县地区的农田数据集,模型使用吉林一号农田影像数据集(部分1)作为有标注训练集,吉林一号农田影像数据集(部分2)和献县地区高分二号影像数据集作为无标注影像训练后的总体精度高达88.7%。验证了改进后的半监督学习模型可准确有效提取空间异质性农田特征。     

基于激光雷达的果园行间车辆自动导航控制

针对果园自主导航过程中车辆偏航、植株缺失等问题,设计了一款基于激光雷达的果园行间履带式车辆自动导航控制系统,并模拟标准化果园环境进行试验以验证系统性能。首先,采用二维激光雷达(Light Detection and Ranging, LiDAR)获取树干点云数据,对点云数据进行坐标变换;其次,通过识别树干边界起始点进行树干定位;再次,提出两步树行分割法将树行分割为左右两行,利用最小二乘法分别对两侧定位点进行直线拟合,将树行中心线作为导航路径;最后,将电机期望转速作为比例微分(Proportion Differentiation, PD)控制器的输入,使车辆沿树行中心线自动行驶。树行分割试验表明：当感兴趣区域内植株无缺失、单株缺失、双株缺失且无航向偏差、无横向偏移时,树行分割正确率均为100%;双株缺失存在横向偏差和航向偏差、三株缺失不存在横向偏差和航向偏差时,树行分割准确率为96.4%;三株缺失存在横向偏差或航向偏差时,树行分割准确率92.9%。电机控制试验表明：电机调速系统具有快速响应的优点,且稳定性良好。导航控制试验表明：当车辆以0.8m/s速度行驶且存在0.5m的初始横向偏移时,...     

基于Sentinel-2影像的三亚西玳瑁岛珊瑚礁信息提取研究

本文基于Sentinel-2数据,以三亚珊瑚礁保护区的西玳瑁岛为研究区域,提出面向对象的珊瑚礁信息提取方法,通过大量实验得出西玳瑁岛珊瑚礁区域的最优分割尺度,并结合最近邻分类方法来对珊瑚礁信息的提取。结果表明,Sentinel-2数据对西玳瑁珊瑚礁信息起到很好的提取效果,珊瑚礁信息提取的总体精度达到了93.3,Kappa系数达到89.6%,为珊瑚礁信息提取提供方法,也为三亚珊瑚礁保护区的珊瑚礁监测和管理者提供数据支持。     

基于全卷积神经网络的植物叶片自动分割及表型解析

为提高植物叶片图像中形态参数提取的效率和准确率,以全卷积神经网络为基础,对模型构架和关键函数进行优化,通过有监督的学习方法实现植物叶片图像分割效果。模型在测试集上的平均召回率r为0.95,MIoU为0.94。在分割结果中提取植物叶片的形态学参数与人工提取结果高度相关,r~2>0.96。该研究实现了植物叶片图像高通量地分割,并且在分割结果中提取的植物叶片形态参数可以用于作物长势监测等相关研究。     

1种基于全局对比度的害虫收集方法

  目的  目前利用测报灯,通过灯光诱捕昆虫,并由计算机完成昆虫图像的采集、计数和识别已逐步成为害虫测报的重要方法。为了减少昆虫在采样盘上重叠造成的计数和识别误差,基于害虫图像,根据昆虫密度研究采样盘中昆虫的收集方法,从而提高采集效率和精度。  方法  根据昆虫在采样盘上姿态特点,提出基于全局对比度的图像分割方法,结合阈值迭代分割获得昆虫区域,计算昆虫比例,并控制采样盘翻转完成对昆虫的收集。  结果  通过对5种害虫的实际图像进行的试验表明:与水平集、大津法(OTSU)、阈值迭代法和基于直方图对比度的显著性检测(HC)4种算法相比,本研究方法在准确率和召回率上均提高10%以上,取得了较好的结果;同时,在分割速度上比水平集快3倍,与阈值和HC算法基本持平。  结论  基于全局对比度的分割方法简单、高效,在害虫自动测报中具有较高的实际应用价值。图7表1参17     

基于计算机视觉的草莓等级判别研究

如何对采集到的草莓图像进行分割和如何选取评定草莓等级的特征参数是草莓自动分拣系统的2个重要环节.该研究利用草莓R、G、B通道明显的像素差值来分割目标和背景,并且选取草莓的形状特征和成熟度作为草莓评级的特征参数,综合运用机器视觉、神经网络等理论方法,通过实验数据统计,建立极坐标下草莓外形轮廓特征参数及颜色空间下成熟度特征参数的提取方法,以人工神经网络为识别模型,实现对草莓的自动分类.实验结果表明,该方法对草莓的自动分级结果与人工分级结果相比较,准确率达到90％,具有实际的可行性.     

模糊C-均值聚类对点云数据的分割

点云数据的分割是点云数据处理流程中的重要内容,同时也是点云数据三维重建的前提和基础.该研究在模糊C-均值聚类(FCM)算法的基础上,根据标靶点云和建筑物点云数据的不同特征进行实验,通过Matlab对地面雷达的标靶、建筑物点云数据进行分割,探讨模糊C-均值聚类算法对点云数据分割的可行性.实验结果显示,通过选择正确点云数据的特征属性,利用模糊C-均值算法对点云数据分割具有一定的可行性.     

面向LED植物生长柜的叶脉特征提取

叶菜叶脉突出的形态特征能够较真实地体现出作物生长的状态。利用计算机图像处理技术提取叶脉形态特征,对于及时掌握蔬菜长势,实现植物生长柜环境智能控制等都具有重要的意义。对比了各通道的直方图分布后,选择利用颜色通道组合运算的方法对图像进行阈值分割,从而得到叶脉和叶片轮廓图像;然后采用数学形态学处理方法提取叶片整体边缘,再将二者相减实现叶脉的准确分割和提取。试验结果表明,利用叶肉与叶脉的颜色差异可以较好地实现叶脉提取。该方法能够为管理者衡量作物生长及后续决策处理创造条件,适合用于植物生长柜的智能监控。     

基于k-means分割和迁移学习的番茄病理识别

针对有背景干扰的番茄病理叶片,将k-means分割与迁移学习相结合,提出一种基于k-means分割和迁移学习的方法对番茄病害叶片进行识别.首先对原始图像进行一系列预处理,再将处理后的图像进行k-means分割,得到叶片边缘的最小矩阵图像,之后进行去噪处理,简化突出图像特征,再根据预处理后的图像特点,优化改进迁移的VGG16网络结构,构建CNN模型对预处理后图像进行识别.结果显示,通过分割后训练方式平均精度提升了0.37百分点,通过冻结迁移的VGG16网络第1个卷积模块并修改全连接层的方法提升了5.4％左右.因此本研究认为通过分割、冻结VGG16第1个卷积层模块的参数并修改全连接层可以提升番茄病理识别率.     

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。