共查询到20条相似文献，搜索用时 46 毫秒
1.
2.
3.
基于K均值聚类的成熟草莓图像分割算法 总被引：1，自引：0，他引：1
成熟草莓图像分割是草莓收获机器人识别和定位系统的关键技术.考虑到成熟草莓和其所处环境的颜色特性,在Lab彩色模式下将K均值聚类用于成熟草莓图像的分割.首先把输入的草莓图像从RGB空间转换到Lab空间下,然后初始化三个聚类中心进行K均值聚类的迭代算法,最后为消除成熟草莓花托表面细小瘦果对分割产生的影响,利用数学形态学的闭运算对分割的图像进行了修正加工.研究表明,K均值聚类分割算法在Lab模式下能够较好地分割出成熟草莓图像,并且Lab模式比其他彩色模式更适用于K均值聚类的图像分割算法. 相似文献
4.
基于无人机遥感影像的收获期后残膜识别方法 总被引：1，自引：0，他引：1
针对人工评估农田残膜劳动强度高、效率低等问题,以及收获期后残膜识别困难的问题,提出了一种基于颜色特征的残膜识别方法。为了克服光照对残膜识别精度的影响,首先分析了阳光直射区、阴影区残膜和土壤RGB与HSV颜色分量灰度差异;然后,选择最佳颜色分量进行残膜图像分割,分别对比分析了手动阈值法、迭代阈值法、最大类间方差法、最大熵值法、K-means均值聚类法和脉冲耦合神经网络法的分割效果,结合原始图像残膜分布特点,优选出基于脉冲耦合神经网络的分割法;结合图像形态学算法,最终提取了烟地残膜面积与分布。结果表明,B分量可从背景中分割出直射区残膜,但不能分割阴影区残膜; S分量可从背景中分割出直射区和阴影区残膜;基于S分量的脉冲耦合神经网络分割法效果最佳,利用该方法对不同时期的农田残膜进行识别,6叶期、烟叶收获后、烟杆拔除后和冬季空闲期的识别率分别为96.99%、69.47%、93.55%和88.95%,地膜覆盖周期的平均识别率为87.49%。本文方法可快速准确地识别出秋后的农田残膜,提供残膜时空分布信息及变化特征,可为农田环境健康评估提供决策依据。 相似文献
5.
利用图像分析技术对农田对象进行分类,识别农田中不同植物和不同湿度土壤,为定点变量作业提供依据。首先,针对农田各类对象包含颜色信息的不同,采用不同因子实现农田图像的灰度化;然后,利用3种灰度图像对绿色植物、蓝色天空和褐色土壤的识别优势,分析比较阈值法和K均值聚类方法并实现了图像分割;最后,利用模糊聚类法对绿色植物和不同湿度的土壤进一步实现分类。实验结果表明,利用K均值聚类法对绿色植物的平均识别率可达92.5%,对不同湿度的3类土壤的平均识别率达95.6%。因此,本研究能够准确分割和识别不同类型的植物与土壤,为农田对象的识别提供了基础。 相似文献
6.
基于颜色和形状特征的茶叶嫩芽识别方 总被引：6，自引：1，他引：5
与人工采摘茶叶相比,现有采茶机械虽能提高采摘速度,但采摘时老叶、嫩叶一起采,缺乏选择性,并有部分叶片遭破损,降低了原料品质.为此,需要研究具有选择性、低损伤率的自动采摘方法.本文采用基于颜色和形状特征的图像处理方法,实现茶叶嫩芽的计算机识别和检测.针对清明期陕西名茶"午子仙豪"茶叶,首先在RGB颜色空间中提取茶叶图像的G分量,并采用双阈值方法对图像进行分割;然后根据茶叶嫩芽的形状特征,检测茶叶嫩芽的边缘.实验结果表明:基于颜色和形状特征的识别方法能有效分辨出茶叶嫩芽,识别准确率为94%,为实现茶叶嫩芽的自动采摘提供了一种有效方法. 相似文献
7.
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
8.
基于机器视觉和信息融合的邻接苹果分割算 总被引：1，自引：3，他引：1
提出了利用亮度和颜色的信息融合来分割邻接苹果的方法.首先使用Lab模型对苹果图像进行分割.然后计算分割后每个区域的面积,并判断其是否为邻接苹果区域.接着在邻接区域内计算亮度信息,利用亮度产生的亮斑对邻接苹果进行分割.这样,在邻接区域以外的部分,亮度信息产生的噪声被Lab模型的信息屏蔽,而邻接区域以内的部分,具有惟一性的亮度信息可以较好分割经Lab模型处理后的邻接苹果.实验表明,此算法对邻接苹果识别非常有效,识别率大于92.89%,而且算法简单快速,平均每幅图片识别时间小于0.5 s. 相似文献
9.
针对自主采茶机器人,研究了在茶园自然光环境下如何高效识别茶叶嫩芽。针对自然光条件下采集的茶叶图像含有大量噪声的情况,为了避免一些像素值变化剧烈的像素点,根据分析,最终选用双边滤波去噪算法,对茶叶原始图像进行平滑滤波的同时,还能有效保留图形的边缘等有用信息。采用一种新的基于颜色通道调换的算法来增大茶叶嫩芽和老叶以及环境的对比度,然后提取茶叶的颜色特征,进而分割提取出茶叶嫩芽。实验结果表明:基于颜色通道变换的算法具有高效稳定等优点,能够很好地识别茶叶嫩芽,可以满足自主采茶机器人对茶叶嫩芽识别的要求。该算法为后续自主采茶机器人的研发提供了技术支持。 相似文献
10.
夜间自然环境下荔枝采摘机器人识别技术 总被引：5，自引：0，他引：5
利用机器视觉实现自然环境下成熟荔枝的识别,对农业采摘机器人的研究与发展具有重要意义。本文首先设计了夜间图像采集的视觉系统,然后选取了白天和夜间两种自然环境下采集荔枝图像,分析了同一串荔枝在白天自然光照与夜间LED光照下的颜色数据,确定了YIQ颜色模型进行夜间荔枝果实识别的可行性。首先选择夜间荔枝图像的I分量图,利用Otsu算法分割图像去除背景,然后使用模糊C均值聚类算法分割果实和果梗图像,得到荔枝果实图像;再利用Hough圆拟合方法检测出图像中的各个荔枝果实。荔枝识别试验结果表明:夜间荔枝图像识别的正确率为95.3%,识别算法运行的平均时间为0.46 s。研究表明,该算法对夜间荔枝的识别有较好的准确性和实时性,为荔枝采摘机器人的视觉定位方法提供了技术支持。 相似文献
11.
基于Lab空间和K-Means聚类的叶片分割算法研究 总被引：4，自引：0，他引：4
对植物叶片进行分类,在植物种类鉴别研究中有着重要的意义,而在植物叶片分类中,对叶片的准确分割是进行分类的必要前提。为此,对比分析了传统阈值分割中的最大类间方差法和K-Means聚类两种分割算法,实现对叶片的分割,并将RGB空间转换到Lab空间,再利用两种算法分别进行分割。结果表明:传统的阈值分割和K-Means聚类分割无法将目标图像准确地分割出来;在Lab空间对a分量进行阈值分割可以去除阴影部分,但是分割结果为二值图像;而在Lab空间进行K-Means聚类分割,不仅能够有效地消除在拍摄图像过程中产生的阴影部分,而且分割后的图像为彩色图像,对纹理和颜色特征的提取更加方便,提高了分类识别的准确率。 相似文献
12.
作为茶叶智能化生产的关键难题之一,基于图像处理的茶叶智能识别与检测技术受到广泛关注。通过综述图像处理技术在茶叶嫩芽识别定位、茶叶病虫害检测、茶叶品种识别与品质检测等方面的研究应用,分析比较各方法的优缺点,总结现有研究存在的主要问题有嫩芽分割受光照影响较大、难以分割含与嫩芽颜色相近背景的图像、枝叶遮挡情况识别效果不理想、缺乏真实背景下茶叶病斑识别算法等。指出基于图像处理的茶叶智能识别与检测技术未来的研究重点:增加不同地域茶叶及品种的样本数据以提高算法普适性;采取多信息融合的方法以求获得更全面的茶叶嫩芽信息;枝叶遮挡严重情况下的识别策略可考虑借助机械装置或风机拨开枝叶,从而避免因枝叶遮挡而导致识别率低的现象发生。 相似文献
13.
为快速识别流型的类型,提出微细通道纳米流体气液两相流流型K-means聚类识别的方法,该方法采用高速摄像机获取微细通道内气液两相流的流型图像,利用灰度流型图像的直方图获得峰值并且该峰值作为K-means聚类的初始中心点,结合不变矩原理和欧氏距离进行相似度流型图像的识别。由查准率-查全率评估体系和5 500幅流型图像识别实验的执行耗时分析结果表明:采用K-means聚类对微细通道纳米流体气液两相流流型进行识别的整体识别率达到97.8%,其中弹状和泡状识别率为100%。该方法为微细通道纳米流体两相流的在线识别流型提供了一种新途径。 相似文献
14.
15.
基于视觉显著性图的黄瓜霜霉病识别方法 总被引：1，自引：0，他引：1
为提高黄瓜霜霉病叶部病害机器自动识别的准确性和鲁棒性,提出了一种基于视觉显著性图的黄瓜叶部霜霉病识别方法。首先将图像从RGB色彩空间变换到HSV色彩空间中进行色彩修正,再变换回RGB空间利用R、G、B分量的线性组合生成视觉显著性图,最后通过对生成的视觉显著性图进行阈值分割以识别病害区域。利用从北京市北部郊区日光温室采集到的50幅具有典型霜霉病特征的黄瓜叶片原始图像进行实验,结果表明,该方法能较为准确地从叶部彩色图像中识别出霜霉病病斑区域,平均误分率为6.98%,优于K-means法(11.38%)和OTSU法(15.98%);平均运行时间0.661 4 s,少于K-means法的1.424 9 s;运行时间的均方根误差为0.051 5 s,鲁棒性优于K-means硬聚类算法。 相似文献
16.
复杂环境中蛋鸡识别及粘连分离方法研究 总被引：3，自引：0，他引：3
提出基于Lab颜色模型的蛋鸡与背景自动分割方法和基于极限腐蚀和凹点搜寻的粘连蛋鸡分离与计数算法.实验前期将通过计算机视觉系统获取的RGB图像转换成Lab图像,每张图像中均选取蛋鸡及最接近蛋鸡颜色的背景2个小样本区域,分别计算这两类区域在a、b分量的数学期望作为分割阈值.随后将采集的图像像素聚类于与a、b分割阈值的欧氏距离最小的区域,从而实现蛋鸡与背景区域的自动分割.针对经常出现的蛋鸡群聚造成蛋鸡个体之间相互粘连的情况,研究利用改进的极限腐蚀及凹点搜寻处理算法分离出独立的蛋鸡并正确计数.108幅蛋鸡图像识别结果表明,该算法能将蛋鸡个体从复杂背景中有效提取、计数和粘连分离,蛋鸡计数正确率为93.5％,综合分离正确率为89.8％. 相似文献
17.
为有效识别茶叶嫩芽提高机械采摘精度、规划采摘路线以避免伤害茶树,针对传统目标检测算法在复杂背景下检测精度低、鲁棒性差、速度慢等问题,探索了基于Faster R-CNN目标检测算法在复杂背景下茶叶嫩芽检测方面的应用。首先对采集图像分别进行等分裁切、标签制作、数据增强等处理,制作VOC2007数据集;其次在计算机上搭建深度学习环境,调整参数进行网络模型训练;最后对已训练模型进行测试,评价已训练模型的性能,并同时考虑了Faster R-CNN模型对于嫩芽类型(单芽和一芽一叶/二叶)的检测精度。结果表明,当不区分茶叶嫩芽类型时,平均准确度(AP)为54%,均方根误差(RMSE)为3.32;当区分茶叶嫩芽类型时,单芽和一芽一叶/二叶的AP为22%和75%,RMSE为2.84;另外剔除单芽后,一芽一叶/二叶的AP为76%,RMSE为2.19。通过对比基于颜色特征和阈值分割的茶叶嫩芽识别算法(传统目标检测算法),表明深度学习目标检测算法在检测精度和速度上明显优于传统目标检测算法(RMSE为5.47),可以较好地识别复杂背景下的茶叶嫩芽。 相似文献
18.
针对背景和杂草干扰下的果树图像冠层提取问题,提出了一种基于M-SP特征加权聚类的冠层分割算法。首先,将采集的原始图像由RGB颜色空间转换到HSI颜色空间,计算果树与背景区域在H、S分量上的马氏距离,构造马氏距离相似度矩阵〖WTHX〗M〖WTBX〗;其次,提取图像像素的垂直位置作为空间特征〖WTHX〗P〖WTBZ〗,在HSI空间内的I分量上,利用最大熵算法提取图像的阴影区域,并进行掩膜处理,将获取的阴影区域作为空间特征的加权区域L,从而构造阴影位置加权的空间特征〖WTHX〗L〖WTBX〗P;最后,对获取的M-LP特征矩阵进行归一化处理,分别进行上背景、下背景、果树冠层、杂草4个类别的K means聚类,最终完成图像分割。为验证算法的有效性,在采集的果树图像上进行了分割试验,结果表明,基于M-LP特征的聚类方法能有效解决重度杂草干扰条件下果树冠层被漏分的问题。采用精确率、召回率和F1值3个评价指标对分割结果进行定量评价,选取不同杂草干扰程度（轻微、中等、较强）和时间段（早晨、中午、傍晚）的果树图像,分别以传统K-means和GMM聚类算法作为对比进行试验,结果表明,相对于未经过特征提取的普通聚类分割方法,本文算法对于不同杂草干扰程度和不同拍摄时间段下的果树冠层分割表现出一定的鲁棒性,平均精确率为87.1%,平均召回率为87.7%,平均F1值为87.1%。分割和验证结果表明,在进行有效图像特征提取的基础上,结合少量标注作为先验知识的无监督分割方法可以准确分割出果树冠层区域。 相似文献
19.
为了准确识别成熟的西红柿目标,提出了一种模糊C-均值聚类算法(Fuzzy Clustering Means,FCM)的西红柿目标分割方法。该方法首先利用FCM算法对西红柿图像进行模糊聚类,并对聚类后的果实图像与丢失的部分目标图像进行相加,以得到更加完整的西红柿目标;然后对西红柿目标进行二值化、去噪、开运算与闭运算等处理,完成西红柿目标的分割。为了验证算法的有效性,利用20幅图像进行了试验并与K-means算法和Otsu算法分割效果进行了对比。结果表明:利用文中算法所分割出的西红柿目标最高分割误差率均低于Kmeans算法和Otsu算法,平均分割错误率为1 6.5 5%,比K-means算法低了3.5 6%,比Otsu算法低了1 2.8 0%。这表明,将该方法应用于西红柿目标的识别是可行的。 相似文献
20.
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