共查询到18条相似文献，搜索用时 171 毫秒
1.
玉米籽粒粒型是评估玉米产量和品质的重要表型参数之一,为了提高籽粒粒型的识别率,同时满足高通量以及无损测量的要求,该文以果穗整体为研究对象,基于稀疏表示的方法构建了高通量玉米果穗籽粒粒型识别系统(果穗未脱粒)。以掉落抓拍法硬件采集平台采集3种不同粒型(硬粒型、马齿型、半马齿型)的玉米穗图像,首先使用帧差法获取果穗轮廓,再通过G通道分离、OTSU算法(最大类间方差法)得到籽粒轮廓信息,提取籽粒部分颜色、形状、纹理特征作为分类依据,每种粒型取200粒作为训练样本构成稀疏表示算法的判别字典,对每一个测试样本计算稀疏表示系数,根据最小重构误差判定籽粒粒型类别。结果表明,该方法不需要传统的果穗脱粒再进行籽粒类型统计,识别正确率达到94.8%,测量速度达到28穗/min,大大提高了玉米粒型统计的效率。 相似文献
2.
基于穗粒分布图的玉米果穗表型性状参数计算方法 总被引：3，自引：3，他引：0
玉米果穗表型性状是玉米育种、产量预测的重要参数,提出一种基于穗粒分布图的玉米果穗性状计算方法,全面解析玉米果穗和穗粒的几何、数量和颜色等表型性状。该文利用步进电机驱动果穗转动来获取果穗主要侧面图像,采用果穗畸变校正方法生成标准果穗图像序列,在像素尺度进行果穗轮廓分析,建立图像序列中果穗轮廓映射关系并生成果穗三维模型,在穗粒尺度拼接果穗整个表面的穗粒分布图,计算出果穗和穗粒的各项表型性状。试验结果表明,提出的表型性状计算方法对穗型及穗粒分布规则的玉米果穗具有较高检测精度,其中穗行数、行粒数、总粒数、果穗长和果穗粗的平均计算精度分别为98.231%、94.351%、96.921%、98.956%和98.165%。 相似文献
3.
基于多光谱图像和数据挖掘的多特征杂草识别方法 总被引：11，自引：10，他引：1
为满足变量喷洒对杂草识别正确率的要求,提出一种基于多光谱图像和数据挖掘的杂草多特征识别方法。首先对多光谱成像仪获取的玉米与杂草图像从CIR转换到Lab颜色空间,用K-means聚类算法将图像分为土壤和绿色植物,随后用形态学处理提取出植物叶片图像,在此基础上提取叶片形状、纹理及分形维数3类特征,并基于C4.5算法对杂草分别进行单特征和多特征组合的分类识别。试验结果表明,多特征识别率比单特征识别率高,3类特征组合后的识别率最高达到96.3%。为验证该文提出方法的有效性,将C4.5算法与BP算法以及SVM算法进行比较,试验结果表明C4.5算法的平均识别率高于另2种算法,该文提出的田间杂草快速识别方法是有效可行的。该文为玉米苗期精确喷洒除草剂提供技术依据。 相似文献
4.
利用径向生长修复算法检测玉米根系表型 总被引：2，自引：2，他引：0
针对根系图像中的断根易导致根系表型信息难以精确获取的问题,该研究提出一种根系径向生长修复算法,并基于此进行不同抗性玉米种子根系表型对比研究。首先,采用自适应对比度增强、直方图灰度查找、椒盐去噪等对采集的根系图像进行预处理,从复杂背景中分离出根系图像;再通过YOLO-V3检测模型进行根系图像中主根根尖识别;最后,自根尖开始进行径向生长,通过分叉点主根提取策略、端点自适应修复策略实现主根图像修复,并提取主根和侧根表型信息。将普通、抗旱、抗涝、抗盐4种不同抗性的玉米种子种植于槽型扁平容器中培养14 d后取出,冲洗得到完整根系并进行图像采集。采用径向生长修复算法进行根系修复后提取根系长度和直径与根系图像修复前相比,根系长度和直径的提取精度分别由83.6%和84.4%提高至97.4%和94.8%,径向生长修复算法提取精度优于区域生长算法,适用于不同胁迫环境下玉米根系表型参数提取。在干旱环境和盐腌环境下,径向生长修复算法精度提升更明显。结果表明,本研究所提算法所提出的根系径向生长修复算法可有效提高根系图像表型信息精度,为根系表型快速提取提供参考。 相似文献
5.
6.
基于OpenCV的动态葡萄干色泽实时识别 总被引：1，自引：1，他引：0
为了实现新疆吐鲁番地区"无核白"葡萄干的自动化色泽识别,该文利用OpenCV对无核白葡萄干的表面色泽识别进行研究,设计了一套可以实时、动态、多条输送通道同时处理的葡萄干色泽识别设备。为保证葡萄干色泽特征提取的正确率,对实时获取的每一帧图像进行预处理,获得平滑无孔洞的葡萄干二值图像;去除每一帧二值图像两侧边缘处不完整的葡萄干轮廓,从而保证获取葡萄干的完整色泽信息;定义图像上、下2部分掩膜,并分别仅保留图像右侧第一个葡萄干轮廓,利用上、下掩膜对每一帧图像分别处理,实现2条输送带上葡萄干的同时识别,以提高葡萄干色泽识别效率;在HSV空间下对保留的图像右侧第一颗葡萄干提取各通道的均值,以绿色、黄色、褐色葡萄干各40粒进行测试取值,统计数据并分析,确定色调通道H值23、亮度通道V值80为阈值进行葡萄干色泽识别;以3种颜色葡萄干各150粒分3次进行试验,结果表明,绿、黄、褐色葡萄干的识别正确率分别为89.33%,92.00%和96.67%,识别效率为21s/百粒葡萄干,识别方法简单有效。该方法的识别效率高于人工分选方式的110s/百粒葡萄干,但识别正确率低于人工分选方式的100%;相比于现有研究方法对各色葡萄干93%以上的识别正确率,该识别方法对褐色葡萄干的识别正确率较高,但对黄、绿色葡萄干的识别正确率较低;市场上现有的葡萄干分级设备使用的识别方法几乎无法区分黄、绿色葡萄干,与其相比,该文提供了一个可以较好区分黄、绿色葡萄干的方法。该文基于OpenCV设计的葡萄干色泽识别算法具有分选可行性和较好的识别正确率,可为后续分选执行机构和控制系统的搭建提供算法基础,为葡萄干色选的商业化提供算法参考。 相似文献
7.
基于U-Net模型的含杂水稻籽粒图像分割 总被引：6，自引：5，他引：1
含杂率是水稻联合收获机的重要收获性能指标之一,作业过程中收获籽粒掺杂的杂质包含作物的枝梗和茎秆等,为了探索籽粒含杂率和机器作业参数之间的关联,需要实时获取籽粒含杂率数据。该文基于机器视觉的U-Net模型对联合收获机水稻收获籽粒图像进行分割,针对传统分割算法中存在运算量大、耗时多、图像过分割严重和分割参数依赖人为经验难以应对各种复杂谷物图像等问题,采用深度学习模型多次训练学习各分割类别的像素级图像特征,提出基于U-Net深度学习模型的收获水稻籽粒图像中谷物、枝梗和茎秆的分割方法,采用改进的U-Net网络增加网络深度并加入Batch Normalization层,在小数据集上获得更丰富的语义信息,解决图像训练数据匮乏和训练过拟合问题。选取田间试验采集的50张收获水稻籽粒图像,采用Labelme方式进行标注和增强数据,裁剪1 000张256像素×256像素小样本,其中700张作为训练集,300张作为验证集,建立基于改进U-Net网络的收获水稻籽粒图像分割模型。采用综合评价指标衡量模型的分割准确度,对随机选取的60张8位RGB图像进行验证。试验结果证明,水稻籽粒的分割综合评价指标值为99.42%,枝梗的分割综合评价指标值为88.56%,茎秆的分割综合评价指标值为86.84%。本文提出的基于U-Net模型的收获水稻籽粒图像分割算法能够有效分割水稻籽粒图像中出现的谷物、枝梗和茎秆,时性更强、准确度更高,可为后续收获水稻籽粒图像的进一步识别处理提供技术支撑,为水稻联合收获机含杂率实时监测系统设计提供算法参考。 相似文献
8.
基于无人机可见光图像Haar-like特征的水稻病害白穂识别 总被引：3，自引：1，他引：2
实现稻田精准植保的关键是自然环境下病变区域的准确识别。为实现大面积稻田中白穗的精确识别,该文提出一种小型多旋翼无人机水稻病害白穂识别系统,该系统以无人机平台作为图像采集、处理和识别的基础,首先对白穗图像提取Haar-like特征,其次以Adaboost 算法进行白穗训练识别。以4类Haar-like特征及其组合构建弱分类器,用采集的稻田白穗和背景共700个样本点训练生成强分类器。所得强分类器对测试集中65幅图像中的423个白穗样本点进行识别验证,结果表明：白穗识别率可达93.62%,误识别率为5.44%,该方法可有效抑制一般的稻叶遮挡、稻穗黏连以及光照等复杂背景的影响,适合于自然环境下的稻田白穗现场识别。 相似文献
9.
基于小麦群体图像的田间麦穗计数及产量预测方法 总被引：15，自引：11，他引：4
在田间小麦测产时,需人工获取田间单位面积内的麦穗数和穗粒数,耗时耗力。为了快速测量小麦田间单位面积内的产量,该文利用特定装置以田间麦穗倾斜的方式获取田间麦穗群体图像,通过转换图像颜色空间RGB→HSI,提取饱和度S分量图像,然后把饱和度S分量图像转换成二值图像,再经细窄部位粘连去除算法进行初步分割,再由边界和区域的特征参数判断出粘连的麦穗图像,并利用基于凹点检测匹配连线的方法实现粘连麦穗的分割,进而识别出图像中的麦穗数量;通过计算图像中每个麦穗的面积像素点数并由预测公式得到每个麦穗的籽粒数,进而计算出每幅图像上所有麦穗的预测籽粒数,然后计算出0.25 m2区域内对应的4幅图像上的预测籽粒数;同时根据籽粒千粒质量数据,计算得到该区域内的产量信息。该文在识别3个品种田间麦穗单幅图像中麦穗数量的平均识别精度为91.63%,籽粒数的平均预测精度为90.73%;对3个品种0.25 m2区域的小麦麦穗数量、总籽粒数及产量预测的平均精度为93.83%、93.43%、93.49%。运用该文方法可以实现小麦田间单位面积内的产量信息自动测量。 相似文献
10.
为解决脱穗之后的玉米种粒三维特征的获取和分析这个重要而又困难的问题,该研究基于机器视觉技术开发了一种融合三维特征的玉米种粒考种装置。装置通过2块相互垂直的标定板来保留倾斜影像中的空间信息和标定数据,并据此计算三维数据。基于装置的标定数据,用图像处理的方法获取玉米种粒的长度、宽度和厚度数值。通过透视变换,从倾斜摄影图像分别得到水平正摄和垂直正摄的图像;玉米种粒轮廓的长轴和短轴以旋转盘的直径为参考进行计算;玉米种粒的厚度以垂直方向棋盘格标定数据为参考进行计算。按照10帧/s的帧率和1 280×720的图像分辨率启动图像记录系统。选取180粒不同品种的玉米种粒进行试验。种粒长轴、短轴和厚度测量的均方根误差分别为1.86、1.28和0.741 mm;决定系数分别是0.849 6、0.869 3和0.846 2。使用该装置并配合相应的方法能较为准确的一次性测量玉米种粒的三维参数,该研究可为玉米种粒的精细化考种提供参考。 相似文献
11.
为了解决目标检测区域中冗余信息过多导致无法准确检测大豆分枝的缺陷,同时快速获取大豆植株表型参数,该研究提出了一种基于Re-YOLOv5和检测区域搜索算法的大豆植株表型参数获取方法。Re-YOLOv5引入圆形平滑标签技术（Circular Smooth Label,CSL）实现旋转目标检测,解决了传统目标检测中检测区域冗余信息过多导致无法准确检测大豆分枝的缺陷,并加入协调注意力机制（Coordinate Attention,CA）获取目标位置信息以提升检测精度,此外,将原始骨干网络中的3×3卷积结构替换为RepVGG结构进一步增强模型的特征提取能力。基于Re-YOLOv5提出一种检测区域搜索算法（Detection Area Search,DAS）,该算法将检测到的大豆分枝区域作为待搜索区域,通过该区域中的茎节点坐标信息判断各分枝的茎节点,然后将其进行顺序连接,重构大豆植株骨架,最终获取相关的表型参数。试验结果表明,Re-YOLOv5可以实现检测旋转目标的能力,而且在各项性能指标上都优于YOLOv5,其mAP提升了1.70个百分点,参数量下降0.17 M,针对茎节点的检测精确率提升了9.90个百分点,检测小目标的能力明显增强。检测区域搜索算法也能够准确地定位每个分枝上的茎节点从而重构大豆植株骨架,并得到比较准确的大豆植株表型参数,其中,株高、茎节点数、大豆分枝数的平均绝对误差分别为2.06 cm、1.37个和0.03个,在能够满足实际采集的精度要求的同时,也为获取大豆植株表型信息提供参考。 相似文献
12.
13.
基于高光谱图像处理的大豆品种识别(英文) 总被引：2，自引：0，他引：2
大豆组分(油,蛋白质,脂肪等)在不同的大豆品种间差异很大。对于提高大豆品质来说,大豆品种识别是一个关键因素。该文利用高光谱图像技术对不同的大豆品种进行识别。利用高光谱成像系统获取大豆样本1 000～2 500 nm范围的光谱反射数据;应用主成分分析法(PCA,principal component analysis)对获取到的光谱数据进行数据降维并去除冗余数据;在分类算法中将得分高的主成分值作为输入特征,通过PCA方法从每个特征图像中提取4个特征变量(能量、熵、惯性矩和相关性);对于具体特征提取,从16个特征变量中提取8个重要特征参数;根据选择的特征,应用神经网络方法构建分类器;训练精度精度达到97.50%,平均测试精度达到93.88%以上。结果表明,应用高光谱图像技术结合神将网络建模方法可以对大豆品种进行分类。 相似文献
14.
基于轮廓特征的稻种芽谷检测方法 总被引：1，自引：3，他引：1
根据机器视觉检测杂交水稻种子质量的要求，针对单粒、静态稻种图像进行芽谷分析识别。对金优402、汕优10、中优207和加优99品种的稻种采集了黑、白背景， A、B两面共4×400幅图像，每幅图像提取出16个稻种轮廓特征参数，经主成分分析降维后作为网络输入，对网络结构进行优化并充分训练后分别建立了各品种的两层人工神经网络。网络对测试集正常稻种的识别准确率均超过95%，对芽谷的识别准确率在85%至90%之间。 相似文献
15.
玉米定向播种,要求籽粒形状扁平、具有方向性。为了减少玉米粒精选的工作量,该文以玉米种穗为对象,研究适合定向播种的玉米种穗图像精选方法。设计玉米种穗精选传输装置,实现了对玉米种穗的动态图像采集和精选。根据种穗的外形特征判断小种穗;利用R+G-2B方法加强黄色籽粒区域,根据黄色籽粒区域与整个种穗的面积比判断缺粒及霉变种穗;利用种穗图像的横向和纵向像素值累计分布特征,追踪中间穗行的籽粒轮廓,并通过其端面矩形度,判断籽粒合格的种穗。随机抽检50个种穗样本,结果表明:外形特征的检测准确率为100%,缺粒及霉变的检测准确率为96%,穗上籽粒端面矩形度的检测准确率为98%,总体检测准确率为94%。该文为定向播种用玉米籽粒精选前期的种穗精选提供了一种图像识别方法。 相似文献
16.
The stepwise hot water extraction of soybeans, which were extractions in a series of procedures of whole soybean seeds, dehulled and sliced ones, and pressed ones carried out by autoclaving, was investigated to study the localization in the seed and their characteristics. The characteristics of each extraction were studied by HPLC, SDS-PAGE, components analysis, microscopic observation, and effect for some enzymes. Carbohydrates were easier to extract than protein. In the extractions, the ratio of uronic acid per total sugar was constantly about 0.3. A comparison of these extracts, soybean milk, extraction from defatted soybean meal, and soybean milk residues was also carried out, and the characteristics and the localization were investigated. Mid-sized proteins in soybean milk were easy to extract. However, hardly any high molecular weight proteins or high molecular weight carbohydrates were extracted. The proteins and carbohydrates were considered to be localized in the middle lamella and in the protein and/or oil bodies of the cell, and the proteins and carbohydrates were gradually extracted through seed and cell breaking. Gelation was observed only in the boiled extracts from whole seeds. Pepsin and trypsin digests of the high molecular weight protein had inhibitory activity against the angiotensin I converting enzyme. 相似文献
17.
基于机器视觉的玉米种粒定向定位摆放装置研制 总被引：2，自引：2，他引：0
为实现玉米定向、定位播种,基于图像处理技术研制了一种玉米种粒定向定位摆放装置。在介绍装置的组成和工作原理的基础上,设计了关键部件的结构,通过试验分析和理论计算,确定了关键部件的尺寸参数和安装方位,测试了导向定位管的定位精度,分析了凹型定位槽连续有效作业的条件,并结合作业精度要求,设计了控制方式并设置了控制参数。同时结合金博士郑单958种粒样本的特点,改进了合格种粒胚芽正反面和尖端朝向的图像检测算法。试验结果表明,胚芽正反面检测准确率为98%,尖端朝向检测偏差小于8°,凹槽定位准确率为97%,定位吸取准确率为94%,定位摆放准确率为99%,摆放后角度偏差不大于10°,满足设计要求。该研究可为实现种粒的定向包装以及后续的定向播种提供参考。 相似文献
18.
雾滴沉积特性参数的图像检测算法改进 总被引：2，自引：2，他引：0
快速获取施药后雾滴在靶标表面的沉积分布有助于了解农药的田间分布情况,水敏试纸雾滴图像处理算法是检测喷药沉积特性参数常用的方法,但常因光照不均、试纸上沉积的雾滴斑痕粘连而引起雾滴识别误差。为解决这一问题,针对手机拍摄的照片,该文提出了与位置相关的动态阈值法提取雾滴区域,并设计基于圆形度的循环分割算法对粘连雾滴分割。以水代替农药利用背负式喷雾器喷洒,选取8张不同稀疏程度和碰撞角度的试纸作为样本进行试验,以验证上述算法的检测效果。试验结果表明,该方法不受亮度不均影响,覆盖率比固定阈值与分块阈值法分别高12.57%和8.74%,提取到的雾滴区域更加完整,能够提取92.64%以上的雾滴,且粘连分割效果较好,雾滴识别的正确率为97.2%,覆盖密度检测误差为3.31%,能够满足实际生产要求,为下一步开发雾滴检测APP打下基础。 相似文献