一种基于边缘形状的边缘连接方法

在图像处理领域,边缘检测是一个重要的步骤,在数字图像分割、立体匹配、目标识别等领域里有着重要的作用。在检测出来的边缘中,有很多间断的部分,这使图像分割变得更加困难,为使分割更加理想,需要将间断部分连接起来。本文提出一种应用差分原理,基于边缘形状的边缘连接方法。通过对新方法进行理论分析和对比实验,此方法能有效连接间断边缘。     

基于显著性目标检测的葡萄叶片病害分割

为提高葡萄叶片病害图像中病斑分割性能,提出了一种基于显著性目标检测的病斑分割方法.采用显著性目标检测网络来生成葡萄病害叶片图像的显著性图,通过多种分辨率的网格结构提取图像局部和全局信息,并将它们融合成预测特征;再对病害叶片的显著性图用自适应阈值法分割出叶片上的病害区域,并用形态学方法进行后处理.结果 表明,在测试集A上...     

基于机器视觉和PNN神经网络的鸭蛋表面缺陷检测研究

本章提出了一种基于概率神经网络（PNN）结合机器视觉的鸭蛋表面裂痕检测方法,配合背景光照法,结合灰度图像处理、图像高斯滤波处理、图像分割处理等算法去除图像杂质干扰,采用反锐化掩模局部对比度增强的分段增益改进算法来增强裂痕,收集裂痕、污点的相关信息作为数据集录入PNN神经网络,进行识别判断。本研究对1 600张鸭蛋图片样本进行采样分析,将鸭蛋分为好蛋、脏污蛋、裂纹蛋3种。试验表明,该系统对干净无损蛋、脏污无损蛋、裂纹蛋的检测准确率分别达到了95.1%、77.9%、95.3%,具有较好的泛化性和鲁棒性,符合复杂鸭蛋生产加工环境的应用需求。     

基于图像处理的蟹塘水草图像导航线拟合方法

针对河蟹养殖中水草清理是以人工完成为主,存在费工费时、劳动效率低、成本高等问题,提出一种图像处理的蟹塘水草图像导航线拟合方法。首先通过采集水草RGB图像,并转换为HSV颜色空间,并选用H分量二值分割,对分割图像进行填充处理;其次根据水草图像面积差异,设定参数删除非目标区域,进行形态学运算,保留目标区域;再按列查找二值图像非零像素点的中点位置,得到水草图像形态特征曲线;最后根据查找的特征曲线,利用最小二乘法拟合出导航线。试验结果表明本文方法拟合导航线相对误差在0.498%以内,平均相对误差绝对值为0.247%,平均耗时为0.005 s。本文方法能够较好地满足水草图像导航线拟合的准确性和实时性,可为智能化水草清理作业船的研制奠定理论与技术基础。     

基于深度学习的杂草识别方法研究进展

伴生杂草不仅与作物争夺养分和水分,而且还是多种病虫害的中间寄主,成为困扰作物高效生产的难题。随着深度学习技术的发展,杂草的自动检测和分类识别在清除杂草过程中得到重要应用。首先阐述应用于杂草识别过程中深度学习的硬件需求以及软件实现过程,分析用于深度学习不同硬件的优缺点,阐述深度学习模型建立、训练、模型评估以及模型部署等基本步骤;并重点论述深度学习方法在杂草和作物识别以及杂草分类识别的研究进展。然后指出深度学习数据需求量大,目前无通用数据集,杂草、作物相互遮挡,光照环境复杂,机器作业条件恶劣等情况下识别准确率低的问题。最后提出图像与光谱数据融合、杂草识别模型模块化、杂草长势预测、模型嵌入式部署研究将成为基于深度学习的杂草识别方法未来的研究方向。     

基于PLSA和颜色命名的小麦图像分割方法

为减少大田环境下光照不足对小麦图像分割的影响,以及提升小麦图像中偏黄叶片的提取效果,提出了将白平衡调整、局部同态滤波预处理和基于概率潜在语义分析(PLSA)模型的颜色命名算法相结合用于小麦图像分割的方法。首先,对大田采集的小麦图像进行白平衡调整,得到准确无偏色的图像;然后对光照不足的图像在HSI彩色模型下对亮度分量I进行局部同态滤波处理,以减少光照不足对图像的影响;最后在RGB彩色模型下基于PLSA模型构建的颜色名RGB值字典,提取图像中绿色和黄色像素点对应区域作为目标区域。结果表明,经白平衡调整后F1值提高1.61个百分点;光照不足图像经局部同态滤波处理后F1值提高12.43个百分点,分割效果明显提升;所提方法对绿色、叶片偏黄及光照不足的小麦图像分割的F1值分别为96.39%、97.29%和96.22%,均达到了较好的分割效果;所提方法与K-means聚类算法相比,虽点状噪音和细小孔洞相对较多,但在分割叶片偏黄小麦上F1值提高4.42%,整体分割效果较好,且稳定性强。     

合闸线圈频繁烧毁原因分析

从2018年12月开始,宁夏某110 kV变电站2号电容器512断路器合闸线圈频繁、多次烧毁,共损毁合闸线圈7次。2019年8月16日,当地供电公司变电运检室检修人员消除了该110 kV变电站2号电容器512断路器合闸线圈频繁损毁的故障缺陷,解决了512断路器无法正常合闸、2号电容器无法正常投切的问题,使该110 kV变电站2号电容器恢复了正常的运行状态。     

计算机图像识别在玉米生长模型中的应用

为了应对玉米植株的自动化监控,有效预测玉米产量,设计了玉米的生长模型系统。该系统以图像识别技术为基础,选择植株形貌参数,可有效预测玉米果实质量。整个系统包含图像分析、生长参数分析和玉米生长模型系统3部分。首先进行图像灰度化处理,进行二值分割,后采用中值滤波改进方法去除噪声;最后采用Hilditch细化算法,得到玉米植株骨架图。利用本系统对同一玉米植株进行27天观察,探索植株高度H、宽度W和节结个数N与时间之间的关系。系统以植株高度H、宽度W和节结个数N作为自变量,以植株玉米果实质量作为应变量,建立关系式,预测结果与实际结果吻合良好。     

二维空间多点动态目标Voronoi图生成算法研究

提出了一种多点动态目标Voronoi图构建方法,在二维空间内实现随机分布100个以上的动态目标,根据目标分布动态生成其Voronoi图,并用代码实现给出动态目标完整的图形化表示及坐标表达。实验结果表明,算法构建的Voronoi图能适应目标点动态变化、精度更高,具有更符合真实空间状态的数据建模能力,可为Voronoi图相关应用研究提供借鉴。     

嵌入SENet的卷积神经网络的零件缺陷检测方法

针对回转体零件的表面倒偏角、拉伤、线形纹等缺陷检测识别效率低、误检、漏检等问题,提出一种在编码器中嵌入特征压缩激活模块的Unet网络的零件缺陷检测方法。通过建立Unet网络架构模型并嵌入SE模块实现缺陷分割,完成缺陷图像的细节特征提取。采用BCEloss和Diceloss的混合损失函数进行训练,缓解缺陷图像分类不平衡的问题。该算法与Seg Net、FCN、Unet模型对比表明,Unet-SE在准确率、召回率和F1分数3个指标中表现最优,分别为0.929 8,0.892 9,0.911 0,且测试集中具有更好的分割效果。