共查询到18条相似文献，搜索用时 281 毫秒
1.
2.
3.
计算机视觉描述缺素番茄叶片颜色变化的研究 总被引：4，自引：0，他引：4
利用计算机视觉系统代替人眼对番茄缺素进行自动识别的方法，通过对缺素番茄叶片彩色图像的分析研究，利用图像处理技术中的颜色分析方法，分析缺N和正常叶片的特征量随着缺素时间的变化规律．提出用G体均值、H色调均值来定量描述缺N叶片随时间的变化。结果表明：利用计算机视觉能定量描述缺N叶片颜色随缺素时间的变化。 相似文献
4.
计算机视觉在香芋病害检测中的应用研究 总被引：1，自引：0，他引：1
针对传统的人工识别香芋病害的局限性、主观性的特点,基于计算机视觉技术设计了香芋病害识别系统,由病害图像采集装置、图像处理系统、形态特征提取系统和缺陷目标检测系统组成。通过提取香芋叶片的颜色特征和纹理特征,建立香芋病害数据库,并利用支持向量机(SVM)的方法对香芋病害识别。试验结果表明:基于计算机视觉的香芋病害检测系统能够准确识别香芋的病害类别,满足使用要求,能够为后续的香芋病害防治工作提供准确信息。 相似文献
5.
基于计算机视觉的番茄营养元素亏缺识别研究 总被引：1，自引：0，他引：1
针对番茄种植中营养元素的亏缺,肉眼不易进行识别判断的问题,以番茄亏缺氮、镁营养元素为研究对象,利用CDD摄像机采集研究图像,将图像进行处理后,提取分割出可以表现亏缺氮、镁的特征图像,提取颜色特征和纹理特征,并通过遗传算法进行优化。同时,将优化的特征进行组合分析,以此建立特征模型,并确定特征向量用于分析提取出来的特征参数,建立的特征模型,并采用二叉树形式对番茄缺素识别进行研究。仿真试验结果表明:番茄种植中,采用计算机视觉技术识别亏缺氮、镁营养元素,识别准确率可以满足生产需要。种植户可以根据检测结果对番茄进行区别施肥,既能满足番茄生长的需要,又不会造成资源的浪费,符合农业可持续发展的要求。 相似文献
6.
针对目前棉花水分检测存在的缺陷和过量施肥的问题,提出了一种基于计算机视觉的棉花水分养分亏缺实时检测和水分养分自动供给系统。运用配置有近红外光发射器的CCD照相机采集得到棉花叶片图像信息,对图像进行去噪音等预处理得到植物叶片的图像,对叶片水分亏缺和缺素信息相关的颜色特征、纹理的时域特征、纹理的频域特征及缺素初期斑点的时频特征,分别运用相对差值百分率直方图、差分算子,以及傅里叶变换和小波包提取等新方法进行提取,并利用遗传算法对提取的众多特征项进行优化选择,建立棉花叶片图像信息与水分养分亏缺状况的对应关系,并通过物联网技术连接微喷灌终端实现水分养分定时定量自动供给。将系统于湖北进行试用试验,试验表明:本系统大幅度提高了棉花产量,降低了灌溉水消耗量、肥料消耗量和土壤肥料残留量,减轻了农业生产对环境的污染,有较好的应用前景,值得推广。 相似文献
7.
针对水稻的杂株识别,设计了一种基于计算机视觉的水稻杂株识别系统。系统主要由图像获取系统、特征提取系统和模式识别方法系统组成,可利用颜色特征识别图像中的杂株,并对图像进行阈值分割获取二值图像,提取形状特征和纹理特征,通过DS融合理论程序实现水稻杂株的识别。试验结果表明:系统可以准确识别水稻杂株类型,准确率达到了92%以上,能够满足农业人员对水稻杂株识别系统的要求。 相似文献
8.
基于叶面颜色特征建立番茄氮元素缺乏分级模型判别准确率可达08以上。夏季定植的番茄叶片表面会覆盖粘质腺毛,粘质腺毛利于番茄吸收水分和营养元素,相同营养液氮离子浓度下叶片黄化过程异于未覆盖粘质腺毛的叶片。故仅基于叶面颜色特征建立分级模型,其准确率降至0.65。覆盖粘质腺毛番茄其叶片周长和叶面积两个形状特征均小于未覆盖粘质腺毛的番茄叶片,本文将番茄叶片两个形状特征结合原有叶面颜色特征共同作为模型输入,建立新的番茄氮元素缺乏分级模型。搭建图像采集系统,该图像采集单元由树莓派和其相机模块构建,使用WiFi或4G网络完成智能手机、图像采集单元、本地计算机之间无线数据传输。智能手机通过Web界面可远程控制采集图像并将图像传输到云平台存储。本地计算机对图像进行预处理提取叶片形状、颜色特征后输入模型进行预测,并输出预测结果。试验结果表明,图像采集系统春季和夏季平均温度在19.7~28.3℃范围内,光照在1.125~9.543lx范围内均可正常使用,采集的图像经预处理分割后降低了环境光线的影响。使用优化后的加权随机森林模型,基于形状特征和颜色特征相结合的叶片氮元素缺乏分级判别准确率可达0.83。 相似文献
9.
基于深度学习的大豆生长期叶片缺素症状检测方法 总被引：5，自引：0，他引：5
为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。 相似文献
10.
11.
植株叶片中叶绿素浓度的高低与植株进行的光合作用效率、植株的整体生长状况息息相关,在农业生产过程中,常常根据叶片中叶绿素含量(SPAD)的多少来精确的判断植物的生长状态,也是控制植株长势的依据。传统的叶绿素含量检测方式分光光度法,存在耗时长、步骤多、操作要求高等问题,而采用计算机视觉技术处理图像的过程更加准确、高效,不会像人眼分析时受到主观因素的影响导致偏差。为此,基于计算机视觉技术来检测玉米叶片中叶绿素含量,利用扫描仪采集玉米叶片的图像,将图像输送至计算机,然后通过软件处理图像,分割出图像中有效像素的颜色特征值,将特征值转换就可以得到玉米叶片中叶绿素。试验结果显示:利用计算机视觉技术可以准确地测定玉米叶片中叶绿素含量,进而进行合理施肥,避免浪费,对增加玉米的产量具有极大的价值。 相似文献
12.
小波变换与分水岭算法融合的番茄冠层叶片图像分割 总被引：1，自引：0，他引：1
在基于机器视觉的作物营养诊断研究中,通常需要采集叶片样本并在实验室条件下定量测定其营养素含量,但由于叶片间相互重叠,往往使得叶片样本不能清晰地反映在群体番茄冠层图像中。为了解决这一问题,需要利用图像分析技术有效提取作物冠层图像中的叶片,并根据处理结果采集实验室测定样本。本文从复杂背景剔除、梯度图计算、小波变换、标记选取、分水岭分割等环节出发,实现了基于小波变换与分水岭算法融合的番茄冠层多光谱图像叶片分割。首先对比了4种复杂背景剔除算法,发现当增强因子a=1.3时,基于归一化植被指数(Normalized difference vegetation index,NDVI)的阈值分割目标提取准确,适合各种光照条件,时空复杂度低。其次在梯度图计算方面,近红外(Near infrared,NIR)波段图像形态学梯度在保持目标边缘的同时,能消除大量由叶脉、光照等引起的叶片内纹理细节。然后以小波分析为基础进行标记选取,发现当选取db4小波函数、4层小波分解低频系数、阈值为18的H-maxima变换能得到最优的目标标记结果。最后对多光谱番茄冠层图像的小波变换分水岭分割和数学形态学分水岭分割结果进行叠加,发现对复杂背景及不同光照强度下的番茄冠层叶片平均误分率为21%,为基于多光谱图像分析的番茄叶片营养素含量检测提供了一定的技术支持。 相似文献
13.
针对作物病害识别系统功能单一，缺乏系统升级机制，人工升级系统成本较大的问题，以番茄病害为例，提出了基于OpenCV的番茄叶片图像自动标注算法和改进YOLO v5的番茄病害识别模型；结合数据集自动划分、模型自动训练与评估、手机APP自动创建与更新理念，设计了一种可以自动升级的番茄病害识别系统；引入专家审查校正机制，提高了系统识别结果的可靠性。实验结果表明，该系统实现了对番茄的健康叶片与9类病害叶片进行识别，可以在实际应用中通过手机APP识别番茄病害的同时自动扩充番茄病害图像数据集，并根据数据扩充量自动启动系统的升级优化流程，由此不断提升该系统的番茄病害识别性能。该系统为番茄生产提供了一个便捷、可靠的番茄病害识别工具。 相似文献
14.
基于机器视觉的穴盘幼苗分级移栽系统设计与试验 总被引：1，自引：0，他引：1
针对穴盘幼苗工厂化生产中人工分级移栽劳动强度较大的问题,提出了基于机器视觉和图像处理自动分级方法,设计了一套穴盘幼苗分级移栽系统。首先,运用图像分割、模板匹配等方法提取穴盘幼苗叶面积、地径、株高3个特征,并以此训练SVM自动分级模型;然后,开发了基于Opencv3.6、Qt5的软件,实现了穴盘幼苗的实时在线分级;最后,使用穴盘幼苗分级移栽样机对7~10天的番茄幼苗进行自动分级移栽试验。结果表明:在平均移栽速度为9.6株/min时,移栽成功率为96.88%,分级正确率为95.83%,可以连续稳定工作,有效解决人工费时费力问题。 相似文献
15.
机采鲜茶叶中混有各种等级的茶叶,针对风选、筛选等分选方法难以做到精确细分的问题,结合计算机视觉技术和深度学习方法,设计了一套鲜茶叶智能分选系统,搭建了基于7层结构的卷积神经网络识别模型,通过共享权值和逐渐下降的学习速率,提高了卷积神经网络的训练性能。经过实验验证,该分选系统可以实现鲜茶叶的自动识别和分选,识别正确率不低于90%,可对鲜茶叶中的单芽、一芽一叶、一芽二叶、一芽三叶、单片叶、叶梗进行有效的类别分选。 相似文献
16.
针对西红柿种植过程中,采摘费时费力的问题,将计算机视觉技术与图像处理和模式识别技术相结合,开发了在自然背景条件下的西红柿自动识别系统。运用双目立体视觉系统来识别红色西红柿,去除原始图像的噪声、转换图像的灰度、对新图像进行分割和目标特征提取,从背景中把西红柿分离出来;同时,针对果实间存在的重叠问题,采用圆形Hough变换算法,提取西红柿的圆心坐标和半径特征,通过获取T=Sqrt(s×l)图像,恢复被遮挡西红柿。利用该技术,采集了不同条件下的100张西红柿照片,其中99张照片被准确识别,识别率达到9 9%以上,能够较好地满足西红柿采摘工作的要求。 相似文献
17.
为了提供一种玉米叶片含氮量无损快速检测方法,分析了玉米叶片的颜色特征参数与含氮量的关系,并基于Android手机平台开发了玉米叶片含氮量检测软件。首先获取包含被测玉米叶片与标定色块组的图像,利用标定色块对图像色彩进行校正,以减小外界光照等因素对图像色彩造成的失真。进而进行图像分割、图像平滑和颜色特征信息提取等处理,分析了各颜色特征参数与玉米叶片含氮量的关系,发现绿光标准化值与含氮量之间线性关系最好。应用Java语言和OpenCV计算机视觉库在Android手机平台上实现了玉米叶片的图像获取、图像处理和查看结果等功能。实验结果表明,该方法对玉米叶片含氮量的绝对测量误差为-0.40%~0.35%,均方根误差为0.20%,从采集图像到给出结果所用时间小于10 s。 相似文献
18.
苹果和番茄是日常生活非常常见的果蔬，准确地识别病害能够提升作物产量，减少经济损失。针对现有的植物病害检测方法不能准确且快速地检测植物叶片中病害区域的问题，设计一种基于改进Yolov5的深度学习方法，用于检测苹果、番茄叶片常见病害。通过数据增强和图像标注技术构建苹果、番茄叶片病害数据集，利用K means算法对初始锚框进行调整，在此基础上使用复合主干网增强Yolov5主干网对病害特征的提取能力，使用Varifocal Loss函数提高对密集感染区域的识别精度。试验结果表明：改进后的Yolov5病害检测算法mAP达到95.7%，在原来Yolov5模型基础上mAP提升1.7%，平均检测一张图像耗时0.033 s，为苹果、番茄叶片病害检测提供一种高性能的解决方案，能够以较高的准确率对植物叶片病害进行分类与定位。 相似文献