共查询到20条相似文献，搜索用时 905 毫秒
1.
自然光照条件下苹果识别方法对比研究 总被引：1，自引：0，他引：1
针对自然光照条件下果园苹果识别效果不佳的问题,从苹果的颜色分割和形状提取2方面进行对比研究,提出一种自然光照条件下的苹果识别方法。利用错检率、漏检率和处理速度3个量化指标综合对比分析颜色阈值、SVM和BPNN 3种苹果颜色分割方法的处理效果。比较6种边缘检测算法对苹果区域图像的边缘检测效果,并使用Hough圆检测算法对苹果形状进行提取,以获得苹果的圆心和半径。试验结果表明:由BPNN的苹果颜色分割方法以及结合Log和Hough的苹果形状提取方法所构建的果实识别算法具有较高的鲁棒性和准确性,能有效克服果实遮挡、重叠和颜色变异等问题,果实平均识别率可达91.6%。 相似文献
2.
针对单依靠颜色或形状将采摘期玫瑰花从图像中分割出来难度较大的问题,研究一种基于神经网络的食用玫瑰花图像识别算法。将处于采摘期的玫瑰花正面图像作为识别对象,先提取HSI色彩空间下的S分量,用最大类间方差法(Otsu)进行分割;再提取目标图像灰度共生矩阵下的纹理特征,选取区分度高的纹理特征,结合BP神经网络,建立识别模型。试验结果表明:该方法正确识别率85%,识别率主要受试验样本开放标准选取的影响,而受光照影响不敏感,是一种较好的识别方法。 相似文献
3.
自然生长状态下的草莓,果实密集,形状多变,枝叶遮挡率较高,使用机器采摘对成熟草莓的图像识别具有一定的难度。针对这个问题,提出了Lab色彩模型下采用梯度Hough圆变换的成熟草莓识别方法。以自然生长状态下的草莓图像为研究对象,在Lab色彩模型空间里对图像分割及阈值化并采用梯度Hough圆变换等方法,识别成熟草莓并计算出草莓中心。试验结果表明,对随机选取的100张草莓图片,该方法识别成熟草莓的相对偏差为1.07%,对枝叶遮挡、成熟草莓相互遮挡等情况,具有较好的识别效果。与传统的Hough变换相比,这一方法节省了运行内存,提高了时间效率,能够满足机器采摘对成熟草莓识别率与定位的要求。 相似文献
4.
5.
6.
7.
【目的】解决在农业环境中识别脐橙的目标区域存在的噪声干扰、检测效果不理想等问题。【方法】提出一种基于小波变换与Otsu阈值去噪的脐橙识别方法。首先选择较好的对比度,建立有利于图像分割的YCbCr颜色模型;然后设计一种基于Otsu阈值去噪的脐橙检测算法,进而减少脐橙分割区域的噪声干扰;最后提出质心补圆法确定脐橙在图像中的位置,并在原始图像中显示检测结果。【结果】泛青色和橙色脐橙识别率分别为87.10%和94.18%,顺光和逆光情况下脐橙识别率分别为92.96%和90.15%,遮挡和未遮挡情况下脐橙识别率分别为90.82%和93.18%,总识别率为92.07%。【结论】该方法环境适应性强,适用于农业环境下不同遮挡、光照和表皮颜色情况的脐橙图像识别处理。 相似文献
8.
提出一种利用隐马尔可夫模型建立目标特征匹配库来识别图像中局部遮挡目标的新方法。该方法首先通过SIFT算法提取目标SIFT特征,然后采用隐马尔可夫模型对目标所有的SIFT特征进行训练,得到目标SIFT特征对应的模型输出概率范围,将该概率范围作为目标特征匹配库。在对图像中的目标进行识别时,利用目标特征匹配库可以把目标特征从图像所有特征中识别出来,即使目标遮挡比例为60%时,该方法仍能识别出目标。实验结果表明,新方法可以精准地识别出图像中被遮挡目标,能够很好地解决遮挡情况下的目标识别问题。与现有局部遮挡目标识别算法相比,新方法所取得的目标识别率均有所提高。 相似文献
9.
10.
利用色彩特征信息开发了柳杉锯材表面活节和死节的机器视觉自动识别系统.该系统由3部分组成:CCD工业摄像图像采集硬件系统、缺陷检出的图像处理模块和基于识别规则的缺陷识别模块.潜在缺陷区域可由大津自动阈值分割算法结合T-检验来完成,活节和死节的检出率分别为92.6%和97.1%.基于2个形状识别特征和6个色彩识别特征构建了缺陷的识别规则,利用构建的识别规则可实现活节和死节的识别率分别为92.0%和94.1%.系统整体检测准确率为87.6%,此结果表明基于识别规则的彩色机器视觉自动识别系统是检测柳杉锯材表面活节和死节的一个有效手段. 相似文献
11.
基于LSP与GLCM融合的禾本科牧草种子特征提取算法 总被引：1，自引：1，他引：0
针对禾本科牧草种子相似性较高、识别困难的问题,采用局部相似模式(LSP)和灰度共生矩阵(GLCM)的方法,对禾本科牧草种子的分类识别进行研究。结果表明:1)局部相似模式与灰度共生矩阵融合的方法可以有效的提取禾本科牧草种子的纹理特征,能够识别颜色、形状、大小等特征都十分相似的牧草种子,且其识别率优于传统的LSP特征算子和GLCM特征算子。2)与传统LSP算法相比,结合灰度共生矩阵算法后,得到的特征受到相似种类种子图像的影响较小,具有更广泛的适应性。因此,基于LSP和GLCM的融合算法可以有效地提取相似禾本科种子图像的纹理统计特征,采用线性判别分析分类器(LDA)进行分类,识别率最高达到98.64%。 相似文献
12.
基于机器视觉的鸭蛋裂纹自动检测 总被引：1，自引：0，他引：1
通过计算机视觉系统获取鸭蛋表面的图像,利用颜色特征参数和灰度阈值方法对图像进行分割.提取分割后的裂纹区域和噪声区域的6个几何特征参数,对图像进行识别,裂纹识别率为93.392%,噪声识别率为93.602%. 相似文献
13.
[目的]针对黄瓜生长过程中常见的霜霉病、白粉病和靶斑病,提出改进的病害识别方法,为黄瓜病害自动识别提供一种技术支持.[方法]将RGB模型的病害图像转换到HSV和YUV颜色空间,通过OTSU筛选,获取阈值分割效果最好的HSV颜色空间的V分量,综合全阈值法和局部动态阈值法对V分量进行分割,获取病斑区和过渡区的分割图像.分别提取病斑区和过渡区的颜色和形状特征,基于支持向量机(Support vector machines,SVM)进行病害识别.[结果]以采集的240幅病害图像为研究样本,当惩罚参数C=32,核函数参数γ=1时,基于病斑区和过渡区在颜色和形状方面的22个特征数据,SVM分类器对霜霉病、白粉病和靶斑病3种病害的识别率分别达83.3%、76.7%和90.0%,对比仅以病斑区的11个特征数据为基础的识别结果,增加过渡区特征数据之后,黄瓜病害识别率有较大提升,分别提高26.6%、13.4%和16.7%(绝对值).[建议]未来研究中应拓展黄瓜病害研究的种类,在进行病害识别时应将病害发展程度及病害的混合性考虑在内. 相似文献
14.
基于概率神经网络和分形的植物叶片机器识别研究 总被引：1，自引：0，他引：1
【目的】提出一种将植物叶片的形状特征与其纹理特征相结合的综合特征识别方法,有效解决了传统的植物机器识别分类特征单一且识别率较低的问题,为植物的快速机器识别提供技术参考。【方法】提取植物叶片样本的综合特征信息,以概率神经网络(PNN)为分类器对所得的特征信息进行训练,训练好的网络用来识别植物叶片的类别,从而确定相应植物的种类。【结果】有效提取了含有8个分量的植物叶片综合特征向量,通过对PNN分类器的训练,实现了30种植物叶片的快速机器识别,平均识别率达98.3%。比较测试表明,若去掉叶片纹理特征,单以其形状特征作为识别依据,平均识别率仅为93.7%。【结论】植物叶片综合特征识别方法有效弥补了传统单特征识别方法的不足,使识别效率得到了较大的提高。 相似文献
15.
《山东农业大学学报(自然科学版)》2021,(4)
针对番茄生长环境复杂,枝叶对果实造成遮挡及果实之间存在遮挡等因素,造成番茄难以识别、检测等难题,本文基于Faster R-CNN的番茄识别检测方法进行研究。首先使用AlexNet网络提取涵盖番茄语义、空间信息的特征图;用区域建议网络对特征图进行番茄与背景的二分类、预选框回归训练,用非极大值抑制算法筛选出预选区域;用区域特征聚集方法将预选区域特征图转化为固定大小的特征图,最后针对番茄图像的每个特征图计算分类回归损失,实现对番茄的识别检测。该方法在番茄数据集上进行测试,在重叠度取0.5时,番茄数据集的均值平均精度值为0.839,优于Yolov3算法、SSD算法的0.804、0.773,该方法的平均正确识别率为95.2%。结果表明本方法可准确的识别检测出成熟、未成熟番茄的标签及位置,单样本图像处理时间为245 ms,可满足番茄检测的实时控制要求。 相似文献
16.
17.
基于叶片图像算法的植物种类识别方法研究 总被引：1，自引：0，他引：1
《浙江农业学报》2017,(12)
为了提高植物种类的识别率,采用叶片图像算法。首先建立植物种类特征模型,包括植物叶片颜色特征、形状特征、纹理特征;然后确定径向基函数神经网络的输入层、输出层、隐含层之间的关系;接着对径向基函数个数、中心及宽度优化,基于梯度下降方法对权重参数计算,自适应调节学习率;最后给出了植物种类识别过程。实验仿真选择植物叶片颜色特征、形状特征、纹理特征的特征量分别为6、7、7个,其中本文算法对植物种类识别的三个组合特征平均识别率为93.5%,高于单个特征、两个组合特征的平均识别率,形状特征对识别率所起的作用最大。 相似文献
18.
基于机器视觉的玉米叶片透射图像特征识别研究 总被引：4，自引：1，他引：3
【目的】建立玉米品种的叶片透射图像特征数据库,研究特征随品种的变化规律,分析各类特征的识别效果,为进一步研究玉米生长期间的机器视觉品种识别提供依据。【方法】以生产中推广的21个常规玉米品种为供试材料,分别采集拔节期、小喇叭口期、大喇叭口期、抽雄开花期4个生育时期的玉米叶片。在灯箱内,采集每一叶片的高画质透射图像,共计420张。基于Matlab R2009a开发了“玉米叶片特征提取与识别软件”,包括图像预处理、特征提取、神经网络识别和阈值选取4个功能模块。依据开发的特征识别平台,对玉米叶片透射图像进行图像预处理和特征提取。提取形态类、颜色类和纹理类共计48个特征,特征数据量共计20 160条。分析48个特征品种间的变异系数,研究玉米叶片透射图像特征随品种的变化规律。建立BP神经网络模型进行综合识别,分析不同时期单特征的识别效果,寻找玉米叶片透射图像中品种区分能力较强的重要特征。进一步分析不同时期3大类特征及其组合的识别效果。【结果】在玉米的4个生育时期,叶片透射图像3类特征品种间的变异系数差异比较明显,颜色类特征变异系数最大,其次是纹理类特征变异系数,形态类特征变异系数最小,并且这种差异随着玉米的生长十分稳定。在玉米的4个生育时期,叶片透射图像48个特征的品种识别率差异比较明显,为9.52%-29.33%。R分量的标准差、短轴长、H分量的标准差、等面圆直径、H分量的平均值、V分量的标准差、B分量的标准差、不变矩6、椭圆度、S分量的平均值、外接凸多边形面积、B分量的平均值、平滑度、S分量的峰度、S分量的标准差的识别率较高,平均识别率在18%以上。单类特征中,颜色类特征识别率最高,平均86.76%;纹理类特征次之,平均为78.05%;形态类特征最低,平均为68.67%。颜色类特征和纹理类特征识别的稳定性较高,纹理类特征识别效果更稳定一些。组合特征中,形态+颜色特征组合识别率最高,平均识别率为92.29%;颜色+纹理类特征组合次之,平均为90.29%;形态+纹理类特征组合识别率最低,但平均识别率也达到了87.43%。在拔节期,3类特征组合的识别率无明显差异,且都在91%以上。在小喇叭口期,颜色+纹理特征组合识别率大幅上升,形态+颜色特征组合识别率小幅下降,形态+纹理特征组合识别率下降较大,但是仍然维持在82%以上。在其他3个时期,形态+纹理特征组合和颜色+纹理特征组合识别率差别不大,并且形态+颜色特征组合识别率相对较高。【结论】研究结果为玉米叶片透射图像特征的研究与应用提供了比较系统全面的数据,为生长期间玉米品种的识别提供了新的方法和量化依据,也必将在其他作物的识别方面发挥很好的借鉴作用。 相似文献
19.
为实现玉米籽粒的品种识别与品质评估,根据籽粒图像特征参数较多、参数间有一定相关性的特点,采集原始图像并进行必要的预处理,提取图像的颜色特征、形状特征及纹理特征共30个;以主成分分析法对指标集进行精简,在保证识别精度的前提下去除冗余信息,降低图像计算复杂度,使特征集精简为10个;以支持向量机进行分类识别,结果证实品种平均识别率为93.3%,不合格粒平均识别率为94.5%,识别精度较高,可满足玉米籽粒的无损识别、分类、检测及评估需求。 相似文献
20.
基于Fisher判别分析的玉米叶部病害图像识别 总被引：9，自引：2，他引：7
【目的】利用计算机视觉技术实现玉米叶部病害的自动识别诊断。【方法】在大田开放环境下采集病害图像样本,综合应用基于H阈值分割、迭代二值化、图像形态学运算、轮廓提取等算法处理病害图像,抽取病斑,提取病害图像的纹理、颜色、形状等特征向量,采用遗传算法优化选择出分类特征,并利用费歇尔判别法识别普通锈病、大斑病和褐斑病3种玉米叶部病害。【结果】研究中提取了墒、相关信息测度、分形维数、H值、Cb值、颜色矩、病斑面积、圆度、形状因子等28个特征向量,利用遗传算法优选出H值、颜色矩、病斑面积、形状因子等4个独立、稳定性好、分类能力强的特征向量,应用费歇尔判别分析法识别病害,准确率达到90%以上。【结论】综合运用数字图像处理技术、图像纹理、颜色、形状特征分析方法、遗传算法、费歇尔判别分析方法可以有效识别基于田间条件下采集的病害图像,为田间开放环境下实现大田作物病虫害的快速智能诊断提供借鉴。 相似文献