共查询到19条相似文献，搜索用时 687 毫秒
1.
基于LBP与SVM的马铃薯芽眼识别 总被引：1，自引：0，他引：1
芽眼是马铃薯种植的关键,芽眼识别是种薯智能切块的先决条件。当前,马铃薯种植已实现一定程度的机械化,但在种植中,种薯切块仍由人工完成。本文为提高切块效率,对马铃薯芽眼识别进行研究,通过摄像头采集马铃薯图像,首先进行中值滤波,接着采用大津法进行图像分割;然后采用局部二值模式分别对新旧种薯芽眼和非芽眼区域进行特征提取,最后采用支持向量机进行样本特征训练,通过对不同样本进行实验,综合识别率达97.33%。综上实验,基于局部二值模式进行特征提取与支持向量机进行分类的方法,种薯芽眼识别率达到了令人满意的水平,为种薯智能切块奠定良好基础。 相似文献
2.
基于HSI颜色模型的杂草与 土壤背景分割方法研究 总被引：3，自引：0，他引：3
杨转 《河北农业大学学报》2011,34(4):124-127
针对杂草识别中如何将杂草与土壤背景分离问题,提出了利用HSI颜色模型中的H分量分割杂草和土壤背景的方法:该方法首先把RGB彩色空间转换到HSI彩色空间,然后根据色度分量(H)确定阈值将灰度图像转化为二值图像,并在此基础上进行适当腐蚀、膨胀,实现了杂草和土壤背景的准确分割.实验结果表明,该方法的准确率达到90%,验证了该... 相似文献
3.
【目的】马铃薯薯皮粗糙度分级研究可以提供块茎外观品质性状无损检测方法，为客观评价品质质量和高通量筛选品种提供理论和实践基础。【方法】以79份马铃薯品种（系）为供试材料，利用相机采集有/无芽眼的薯皮图像。基于MATLAB R2016a软件对薯皮图像预处理，随机选择8份材料用相关函数指标比较图像灰度化、增强及去噪效果。利用灰度共生矩阵（gray level co-occurrence matrix,GLCM）提取图像特征参数角二阶矩（angular second moment,ASM）、熵（entropy,ENT）、对比度（contrast,CON）和相关度（correlation,COR），并确定矩阵最适像素距离（d）。比较两类薯皮图像特征参数间的差异，选择差异较小的薯皮图像特征集进行统计分析和分类识别。构建支持向量机（support vector machines,SVM）和BP神经网络（backpropagation neural network,BPNN）模型对薯皮粗糙度分级分类，模型分级精度评价指标为准确率、精准率、召回率及调和平均数。【结果】加权平均值法进行灰度处理后的薯皮图像... 相似文献
4.
《湖北农业科学》2021,60(20)
依托南方地区茶树田间常用的某型号捕虫设备,采集害虫样本图像,研究基于图像处理技术的害虫计数方法。为了提取样本图像中害虫区域图像,通过几种常见的分离背景方法的试验,如颜色直方图分割和灰度阈值分割,得出样本图像中害虫区域难以分离的原因,进而提出一种网格划分图像的处理方法,即将图像按10×10划分,对划分后的图像做处理以提取害虫区域,该方法能够将害虫区域从背景中完整分离出来;针对图像中害虫区域存在粘连影响害虫计数准确率的问题,提出基于标记控制的分水岭分割算法,利用扩展极小值的方法建立标记,进而完成对粘连区域分割与害虫计数,并进行了噪声测试与害虫计数试验。结果表明,针对该型号捕虫设备采集的样本图像,害虫计数的平均准确率为91.8%,该算法能够完整地提取害虫区域,有效分离粘连重叠的害虫,适用于复杂背景下茶树害虫图像计数。 相似文献
5.
改进分水岭算法在无人机遥感影像树冠分割中的应用 总被引：1，自引：0，他引：1
提出了一种基于NDVI植被指数计算的改进分水岭分割方法.利用该方法对原始无人机多光谱遥感影像进行波段甄选、NDVI指数计算、形态学滤波等预处理,得到树冠的显著性区域图像;再利用彩色向量空间梯度算法计算显著性区域图像的梯度,从显著性区域图像中提取树冠的顶点及其范围作为标记,加到梯度图像上;最后采用基于标记控制的分水岭算法对树冠层进行分割.结果表明,该算法能够有效去除输电线路等背景区域的影响,算法样本精度达到88.3%. 相似文献
6.
基于量子神经网络和组合特征参数的玉米叶部病害识别 总被引：1，自引：0，他引：1
【目的】探索一种基于量子神经网络和组合特征参数的玉米叶部病害识别方法,以提高玉米叶部病害识别的准确率和效率。【方法】应用K_means硬聚类算法对玉米叶部病害图像进行彩色图像分割,得到彩色分割图像,分别利用提升小波变换和灰度共生矩阵从彩色分割图像中提取颜色和纹理特征参数,利用多重分形分析从灰度图像中提取病害的形状特征参数。【结果】根据提取的组合特征参数,利用量子神经网络进行玉米病害分类识别,对玉米灰斑病、玉米普通锈病和玉米小斑病的识别率分别达到92．5％、97．5％和92．5％,高于误差反向传播神经网络法的识别率（分别为90．0％、90．0％和92．5％）。【结论】设计的方法可用于玉米叶部病害识别,并为其他农作物病害的智能识别提供借鉴。 相似文献
7.
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
8.
基于OpenCV的畸形马铃薯识别方法 总被引：1，自引：0，他引：1
为了研发基于OpenCV自动识别畸形马铃薯的计算机视觉系统,首先采集了93个的马铃薯样本图像,对其进行HSV颜色空间转换、颜色分割、中值滤波和轮廓提取,有效分割出马铃薯的边界轮廓;然后对其轮廓进行二维傅里叶变换,提取70个样本构成的训练集;采用广泛运用于计算机视觉领域的图像预处理及特征提取方法提取10个傅里叶幅度值,利用其构建并训练SVM分类器;最后通过训练好的SVM分类器对未知形状的23个马铃薯进行识别。结果表明:基于OpenCV的畸形马铃薯识别方法能正确判断马铃薯是否为畸形,识别准确率约为95.6%;其中,畸形马铃薯的识别率达到100%。这表明发展计算机视觉系统在自动检测和分类畸形农产品中有较大应用潜力。 相似文献
9.
马铃薯按薯形分级是提高其经济价值的重要方法。作者提出了一种基于图像边缘信息的薯形检测方法。从马铃薯BMP图像中提取R、G、B分量,利用R+G-B构建灰度图像,经开、闭形态学处理和二值化处理后,运用canny算子检测出边缘点信息;最后利用最大横径与最大纵径的比值作为形状特征参数,建立马铃薯薯形的预测规则。试验结果表明,该方法可以有效地判断马铃薯薯形,为在线检测马铃薯形状奠定了基础。 相似文献
10.
马铃薯按薯形分级是提高其经济价值的重要方法。作者提出了一种基于图像边缘信息的薯形检测方法。从马铃薯BMP图像中提取R、G、B分量,利用R+G-B构建灰度图像,经开、闭形态学处理和二值化处理后,运用canny算子检测出边缘点信息;最后利用最大横径与最大纵径的比值作为形状特征参数,建立马铃薯薯形的预测规则。试验结果表明,该方法可以有效地判断马铃薯薯形,为在线检测马铃薯形状奠定了基础。 相似文献
11.
12.
设计一种集实木传送、图像定位与采集、实木板材表面识别与分选的智能系统,系统通过传送带运送实木板材,CCD摄像头获取板材图像,在触摸屏工控机TPC700-9190T上应用MFC与OpenCV编写分选程序对板材图像进行分析,识别结果通过STM32单片机控制电磁阀完成实木板材的分类。在图像定位与识别算法中,采用积分投影算法确定板材边界,动态采集板材表面图像;在颜色分类方面,利用L*a*b*空间颜色分量的均值、方差和斜度3个低阶矩表达颜色;在缺陷检测方面,提出了基于纹理填充的缺陷分割方法,通过获取纹理掩膜图像,然后利用板材背景颜色淡化纹理,最后应用加权阈值法完成缺陷分割,分割后计算缺陷面积、边缘灰度均值、内部灰度均值和长宽比等特征表达缺陷信息;在纹理识别方面,提出了基于Contourlet变换的纹理特征提取方法,通过对纹理图像进行Contourlet变换3层分解,得到1个低频子带、6个中频子带和8个高频子带,分别计算低频和中频系数矩阵的均值和方差,并与高频系数矩阵的能量组成22个特征表达纹理信息;最后设计SVM分类器,分别对颜色、缺陷和纹理进行识别。采用300个柞木样本进行实验,板材传送速度在小于1.5 m/s范围内,颜色识别准确率为100%;活节、死结和裂纹识别准确率分别为92.2%、95.6%和93.3%;直纹、弯纹识别准确率分别为93.9%、92.8%。实验结果表明,分选系统具有实时、高效、准确的特点。 相似文献
13.
基于Lab颜色空间下的小麦赤霉病图像分割 总被引：3，自引：1，他引：2
针对智能识别小麦赤霉病方法中分割患病麦穗图像效果不佳的问题,运用中值滤波方法对患赤霉病麦穗图像进行降噪预处理,采用基于阈值的最大类间方差算法(OTSU)、基于聚类的k-means算法在RGB、HSV和Lab颜色空间中对小麦扬花期到黄熟期感染赤霉病的麦穗图像进行分割,提取出麦穗的病害部分。采用试验田环境下扬花期到黄熟期200张患赤霉病的麦穗图像进行分割试验,结果表明:将图像从RGB颜色空间转化为Lab颜色空间并对a分量采用最大类间方差算法(OTSU)进行分割的效果最佳,误分率仅有1.11%。 相似文献
14.
【目的】准确获取红富士苹果的分级指标，为实现多特征融合的苹果分级提供依据。【方法】以均值滤波、全局亮度均衡化与图像裁剪方法，预处理实验所需的苹果图像；使用K-means聚类算法、OTSU最大类间方差法，将苹果灰度图转换为二值图；利用二值图与苹果原图的异或运算，提取苹果轮廓；采用苹果的二值图计算苹果的果实区域大小；使用颜色空间转换RGB-HSV中H通道划分果实红色区域；通过构建掩膜、形态学操作判断果体是否含有缺陷及计算其面积；构建最小外接矩形计算苹果的果径及果形；利用KNN分类算法实现多特征融合的苹果在线自动分级。【结果】基于K-means聚类与KNN分类相结合的苹果在线分级方法，在优于传统图像阈值分割效果的基础上，特级果分级准确率为97.14%,一级果分级准确率为100%,二级果分级准确率为93.75%,等外果分级准确率为100%,综合分级准确率达到97%。【结论】100个苹果测试准确率达到97%,验证了该分级方法的可行性与准确性。 相似文献
15.
【目的】为了实现草坪杂草管理的精准化施药，针对自然环境中杂草与草坪颜色相近导致杂草难以分割的问题，提出一种改进模糊C均值(Fuzzy C-means, FCM)聚类的分割算法。【方法】利用超绿算子提取感兴趣区域，融合HSV空间的多通道信息进行图像预处理，扩大杂草与草坪的特征差异。使用区域面积约束滤波范围，去除预处理图像中的草坪背景噪声，降低中值滤波造成的目标区域灰度级损失。提出一种各向灰度分布差异(Difference of gray distribution, DGD)检测算子，在聚类过程中引入像素周围不同方向的灰度分布差异特征实现草坪杂草分割。【结果】与传统FCM、FCM-S2、FCMNLS以及RSFCM算法相比，本文算法对大多数噪声区域抑制效果较好，可以实现较为理想的杂草分割效果。本文算法能有效分割草坪杂草，平均分割准确率达到91.45%，比FCM、FCM-S2、FCMNLS和RSFCM算法分别提高16.35%、4.12%、6.80%和8.06%。【结论】本文算法可有效地分割自然环境中的草坪杂草，为草坪杂草精准化施药提供了条件，具有实际应用价值。 相似文献
16.
基于图像处理技术的四种苜蓿叶部病害的识别 总被引：1，自引：1，他引：0
基于图像处理技术,对4种苜蓿叶部病害进行识别研究。利用结合K中值聚类算法和线性判别分析的分割方法对病斑图像作分割,获得了较好的分割效果。结果表明:该分割方法在由4种病害图像数据集整合成的汇总图像数据集上综合得分的平均值和中值分别为0.877 1和0.899 7;召回率的平均值和中值分别为0.829 4和0.851 4;准确率的平均值和中值分别为0.924 9和0.942 4。进一步提取病斑图像的颜色特征、形状特征和纹理特征共计129个,利用朴素贝叶斯方法和线性判别分析方法建立病害识别模型,并结合顺序前向选择方法实现特征筛选,分别获得最优特征子集;同时利用这2个最优特征子集,结合支持向量机(Support vector machine,SVM)建立病害识别模型。比较各模型的识别效果,发现利用所建线性判别分析模型下的最优特征子集,结合SVM建立的病害识别模型识别效果最好,训练集识别正确率为96.18%,测试集识别正确率为93.10%。由此可见,本研究所建基于图像处理技术的病害识别模型可用于识别上述4种苜蓿叶部病害,为苜蓿病害的诊断和鉴别提供了一定依据。 相似文献
17.
利用图像颜色特征,首先分割小麦种子图像进而确定小麦种子轮廓矩,根据其轮廓距确定小麦种子质心坐标,然后根据小麦胚芽鞘图像颜色特征对胚芽鞘图像进行分割、获取小麦胚芽鞘图像,其次利用Zhang-Suen并行快速细化算法对小麦胚芽鞘进行细化获取胚芽鞘骨骼线,进而获取骨骼线图像(单像素)上所有点对胚芽鞘骨骼线进行多段直线曲线近似,最后根据小麦种子轮廓质心坐标、胚芽鞘骨骼线近似曲线和切割距离(给定)确定胚芽鞘的姿态和对小麦胚芽鞘切割点位置进行定位。通过对小麦胚芽鞘30幅图片进行图像处理验证。结果表明,该方法能完整地提取小麦种子和胚芽鞘图像、小麦胚芽鞘姿态及位置信息。基于图像颜色特征的小麦胚芽鞘识别及定位方法,为小麦胚芽鞘的识别与分析提供了准确、快捷、可视的技术手段,对于构建胚芽鞘智能识别、定位的视觉系统及自动化切割装置的研究意义重大。 相似文献
18.
[目的]研究支持向量机对纹枯病病害进行自动识别,弥补人工识别的缺陷和不足,提高识别的准确性和效率。[方法]以水稻纹枯病为研究对象,使用基于矢量中值滤波的方法对水稻纹枯病图像进行预处理。利用模糊C均值聚类法,在图像分割阶段进行灰度图像分割;分别从颜色、纹理和形状3个方面提取代表病斑的特征参数。最后用支持向量机识别方法进行水稻纹枯病识别,并与基于BP神经网络的识别方法进行对比。[结果]识别率达到95.00%,要优于BP神经网络的91.88%。[结论]基于支持向量机的水稻纹枯病识别弥补了人工识别的缺陷,也提高了准确性和效率,有广阔的应用前景。 相似文献
19.
基于掩模及亮度校正算法的脐橙表面缺陷分割 总被引：1，自引：1，他引：0