共查询到19条相似文献，搜索用时 218 毫秒
1.
2.
基于色差信息多色彩模型的黄羽鸡快速分割方法 总被引：2，自引：0，他引：2
快速准确分割出复杂背景下的鸡只图像,是应用机器视觉系统快速识别实际饲养环境下病鸡的关键步骤。以某鸡舍散养的黄羽肉鸡为分割目标,提出了一种基于色差信息的多色彩模型鸡只分割方法。首先对200幅自然环境下拍摄的图像在常用的色彩模型下,分析了鸡冠、鸡身羽毛、鸡肚羽毛以及背景的颜色特征,利用背景在RGB色彩模型的R、G、B三分量色差信息特征进行一次分割,去除大部分的背景,然后转换到HSV色彩模型,获取黄羽鸡不同部位的H分量阈值,再由H阈值范围提取鸡身、鸡冠实现二次分割,最终得到分割目标。实验结果表明所提方法实际分割正确率为86.3%,优于L*a*b*色彩模型聚类的78.4%。所提方法复杂度小,运算时间短,适用于实时分割场合。 相似文献
3.
基于机器视觉的冬枣病害检测 总被引：1，自引：0，他引：1
冬枣皮薄肉脆,富含维生素C和矿物质,深受消费者喜爱,目前冬枣的销量逐年增加,产业得到迅猛发展。但是,冬枣病害种类繁多,如日灼伤、炭疽病、轮纹病、裂纹病及缩果病等,采用人工分级方式成本高、效率低,严重制约了冬枣的产业化发展,可见研究冬枣病害的自动化检测方法具有重要意义。本研究对冬枣的轮纹病、日灼伤、炭疽病和裂纹病等黑斑类病害和缩果病病害采用机器视觉技术进行无损检测,利用单因素方差分析(one-way ANOVA)和费希尔最小显著差异检验(Fisher’s LSD)获得有效识别黑斑类病害的颜色分量为RGB模型的R分量,HSB模型的S分量和L*a*b*的b分量,建立Bayes线性判别函数得到黑斑类病害的分类正确率达到89.6%。通过计算基于灰度共生矩阵的纹理特征对缩果病进行检测,探索纹理特征最优构造参数距离d为1,灰度级为3 2,建立SVM模型得到缩果病的分类正确率达到9 9.4%。该方法为冬枣病害的自动化分级提供了基础和依据。 相似文献
4.
研究了自然环境下的成熟苹果彩色图像,结果表明:成熟苹果颜色与背景色大都存在明显差异。从颜色空间角度来说,目标和背景分布于不同的区域。根据这一特点,提出了基于样本颜色空间的目标提取算法。首先,由苹果样本图像在L*a*b*空间中构建样本颜色空间,并用数学形态学对样本颜色空间进行优化;然后,依据样本颜色空间对苹果彩色图像进行目标识别,对于远景深小目标物和严重遮挡的目标物,在样本空间识别的基础上进行二值化,运用形态学结构元素法进行处理;最后,得到了理想的分割效果,识别率高。 相似文献
5.
基于机器视觉的蔬菜生长状况分析 总被引：1，自引：0，他引：1
《中国农机化学报》2016,(10)
蔬菜植株面积大小是评估其生长状况的重要依据。本文采用基于机器视觉的图像处理技术,获取并分析蔬菜的生长状况,其关键在于如何准确地分割图像并计算叶面积大小。为此,通过对采用传统的阈值分割算法、传统的K-means分割算法和L*a*b*空间下的K-means分割算法所输出结果的对比分析,结果表明在L*a*b*空间下进行的K-means分割,在保留蔬菜叶片表面信息的同时不仅有效地分割图像,而且能以彩色图像的形式输出。本文选取了30株绿色蔬菜,计算其在第15天、30天、45天的叶面积大小,通过对比同一蔬菜在不同时间与同一时间及同期内不同蔬菜的叶面积,评估得到这30株蔬菜的生长状况。 相似文献
6.
设计了一套基于计算机视觉技术的油炸薯片中丙烯酰胺含量的测定系统,图像获取装置采集每隔60 s从电炸锅内取出的薯片的双面图像,采用气相色谱-质谱法测定相应薯片的丙烯酰胺含量;采用图像滤波算法、彩色图像分割算法和颜色测量算法从双面图像中提取目标薯片,测量整体薯片的L*、a*、b*平均值.数据分析表明,薯片双面a*平均值的平均值与薯片中丙烯酰胺含量之间有很强的相关性(R2=0.971),建立了两者之间的线性回归方程.采集了10个不同品牌薯片的双面图像,将获取的双面a*平均值的平均值代入方程,计算得到的丙烯酰胺含量与标准化学方法测定值之间的最大相对误差为4.94％,表明该方法可行、准确. 相似文献
7.
8.
近色背景中树上绿色苹果识别方法 总被引：8，自引：0，他引：8
为实现大型果园生产中果实产量监控和预测,研究了基于机器视觉的树上绿色苹果识别方法。为彩色相机配备一环形闪光灯用于夜间苹果树的图像采集,设计了以归一化的g分量和HSV颜色空间中H、S分量为特征参数的支持向量机(SVM)分类器和以超绿算子(2G-R-B)为特征的阈值分类器组合而成的混合分类器,实现了绿色苹果在近色背景中的有效识别;针对识别结果中的果实粘连情况,通过计算区域面积以及区域长、短轴之比,识别粘连区域,并对粘连果实区域图像进行欧氏距离变换,进而针对粘连区域距离变换图像采用分水岭算法进行分割,可将大部分粘连果实分开,并最终实现近色背景中绿色苹果的识别与计数。通过对64幅果树图像实验表明,该方法平均识别正确率为89.30%。 相似文献
9.
为运用图像颜色特征估测作物的叶绿素含量,以自然环境下的小麦冠层图像为研究对象,提出一种基于熵权法的颜色特征选择方法,并应用机器学习方法建立小麦冠层叶绿素含量估测模型。熵权法通过信息熵来衡量颜色特征指标权重,实现冠层图像特征排序,机器学习方法选用多元线性回归（Multiple linear regression, MLR）、岭回归（Ridge regression, RR）和支持向量回归模型（Support vector regression, SVR）估测小麦冠层叶绿素含量。试验结果表明,与皮尔逊相关系数法和主成分分析法选取的特征集进行对比,熵权法得到a*、R-G-B、R-G、（a*+b*）/L、a*/b*、(R-G)/(R+G+B)、(R-B)/(R+B)、H/S、(R-G)/(R+G)等9个特征组成的特征集,可以利用较少的特征指标达到最优的预测效果。在选取相同特征指标参数的情况下,SVR的预测能力优于其它模型,其R2和RMSE的平均值分别为0.80、1.89,相比于MLR和RR模型R2分别提升2.8%、1.1%,RMSE分别下降0.13和0.05。将基于熵权法建立的SVR模型应用到2021年采集的小麦冠层图像数据,结果表明模型具有很好的稳定性。 相似文献
10.
采用0.57R-0.18G-0.2B色差分量法对刺梨图像进行处理,通过Ostu自适应阈值分割、形态学滤波和二值图像白色色素面积阈值等方法对图像进行一次分割。根据刺梨果实图像的颜色和纹理特征,再采用YCbCr颜色空间模型中各分量的阈值对图像进行二次分割。通过标记分水岭分割算法对粘连果实连通区域进行分割,利用Hough圆变换对独立、遮挡和重叠情况下的果实外圆进行拟合和修复,最终获取果实质心坐标及其半径。试验结果表明:刺梨果实识别正确率均高于92%,说明本算法能够对刺梨果实进行有效地识别。 相似文献
11.
马铃薯典型病害图像自适应特征融合与快速识别 总被引：3，自引：0，他引：3
针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。 相似文献
12.
为提高田间复杂环境下传统图像分割法分割葡萄果穗图像准确度低的问题，提出一种基于改进红绿色差和Otsu算法的田间葡萄果穗图像分割方法。选取与人类视觉相近的RGB颜色空间，提取并分析R、G特征图的直方图，经分析对其点乘特征图并进行Otsu运算，再经过形态学处理，实现对田间环境下葡萄果穗图像的分割。与灰度图、（R-G）特征图和（R-G）/（R+G）特征图分别采用最大阈值分割法（Otsu）分割的结果进行对比，试验结果表明，红绿色差点乘Otsu分割法的分割结果最优，准确率为92.37%，F1值90.13%。对50幅图像做了测试，其中图像准确率最高为97%，准确率最低为79%，其平均准确率为88.75%。所提出的方法能够实现葡萄果穗较完整的分割，并可为葡萄果穗的识别、定位提供研究基础。 相似文献
13.
正确识别西兰花田间位置是实现西兰花自动化采收的基础,西兰花花球颜色与植株的叶片、茎秆相似,仅通过颜色特征无法对西兰花进行识别,本文以成熟期的田间西兰花为研究对象,提出了一种基于纹理特征与颜色特征的西兰花识别算法。首先通过预处理以及Laws滤波对图像进行边界纹理强化,再通过Gabor滤波对图像进行纹理特征向量提取,并对提取后的纹理特征向量进行z-score标准化,随后对标准化后的纹理特征向量进行K-means聚类与开运算,获取花球潜在存在区域。同时对RGB图像进行HSV转换,通过对图像的H分量进行阈值分割达到滤除地面像素的效果。最终对纹理特征识别与颜色特征识别的结果进行融合,实现对田间西兰花的识别。算法通过结合纹理与颜色特征,对田间西兰花进行了识别,解决了西兰花的花球与茎叶等背景颜色相近难以识别的问题。本文共使用792幅图像进行试验,试验结果表明,本方法可以准确地对西兰花田间图像进行识别,其精确率为96.96%,召回率为94.41%,F1值为95.67%。通过对3组不同拍摄环境的数据集进行算法识别,3组数据集的F1值始终保持在94%以上,具有良好的拍摄环境适应性,为农业机器人进行西兰花自... 相似文献
14.
近年来，基于叶片图像的番茄病害识别研究受到广泛关注。本研究利用番茄叶部病害图像中病斑的颜色和纹理的差异，通过提取番茄病害叶片图像的颜色矩（CM）、颜色聚合向量（CCV）和方向梯度直方图（HOG）等颜色纹理特征，引入核相互子空间法（KMSM），建立了番茄叶部病害快速识别模型（CCHKMSM）。该模型首先通过高斯核函数，将从不同类别叶部病害图像数据中抽取的颜色及纹理特征映射到高维空间；然后对映射的高维空间进行主成分分析，建立非线性病害特征空间；最后基于非线性特征空间最小正则角对病害进行识别。本研究分别以公共农业病虫害数据集PlantVillage中的9种番茄病害类和1类健康番茄叶片图像，以及实际场景下采集的3种叶部病虫害图像数据集开展算法验证试验。基于PlantVillage的试验结果表明，当每类样本集数量为350张时，本研究所提出的CCHKMSM模型识别率达到100%，模型训练时间为0.1540 s，平均识别时间为0.013 s；同时，在样本数量150张到1000张的测试区间内，模型平均识别率为99.14%。该识别率高于其他典型的机器学习模型，与基于深度学习的识别方法相当。基于实际复杂场景下采集病害图像集的实验中，通过对原始图像切割分块后，对各病害的平均识别率为96.21%。试验结果表明，本研究提出的CCHKMSM模型识别准确率高且计算量小，其训练时间和测试时间都远低于深度学习等方法。该方法对系统要求低，具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。 相似文献
15.
16.
17.
18.
针对果园道路无明显边界且道路边缘存在阴影、土壤和沙石干扰等问题，提出一种基于特征融合的果园非结构化道路识别方法。通过相机标定获取畸变参数对采集到的图像进行畸变矫正，并提出一种基于滤波与梯度统计相结合的动态感兴趣区域(ROI)提取方法对HSV颜色空间S分量进行ROI选取，采用最大值法将颜色特征与S分量多方向纹理特征掩膜相融合并进行二值化与降噪处理。根据道路边缘突变特征寻找特征点，并提出一种基于距离与位置双重约束的两级伪特征点剔除方法。为更好贴合非结构化道路不规则边缘，引入分段三次样条插值法拟合道路边缘，以此实现道路识别。试验结果表明，在晴天、阴天、顺光、逆光、冬季晴天和雨雪天气6种工况条件下，S分量、纹理图像和融合图像的平均纵向偏差均值分别为2.43、39.71、1.36像素，平均偏差率均值分别为0.99%、18.02%和0.54%,相较于S分量与纹理图像而言，使用本文方法构建的融合图像其平均纵向偏差与平均偏差率均得到有效减少。最小二乘法、随机采样一致性法(RANSAC)与分段三次样条插值法拟合边缘的平均偏差均值分别为2.64、3.16、0.66像素，平均偏差率均值分别为1.02%、1.... 相似文献