共查询到20条相似文献，搜索用时 218 毫秒
1.
传统的基于机器视觉的作物长势监测设备对环境要求较高,且体型较大,不易布置在实际生产的复杂环境中。本文提出了一套基于嵌入式设备的应用于实际生产环境的作物长势监测系统,该系统集成了图像采集、滤波、颜色空间转换、图像分割、形态学运算、特征量化的图像处理流程,依靠人工在嵌入式视觉系统中面向环境自定义算法提取作物长势特征,确定最优算法组合,设定流程,进行作物长势特征的自动提取并监测。利用该监测系统对拔节期玉米植株的株高进行连续监测,监测值与人工测量值的决定系数达到0.9072,随时间的变化趋势一致,表明该系统可用于复杂环境下的作物长势监测。 相似文献
2.
基于色彩识别特征的柳杉锯材表面活节和死节的机器视觉识别系统． 总被引：1，自引：1，他引：0
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
3.
基于行宽的玉米行间杂草识别算法 总被引：1，自引：1，他引：0
为精确识别和定位玉米行间杂草,满足基于机器视觉的变量施药系统喷施要求,提出了一种基于行宽的多行玉米行间杂草识别算法.该算法以垂直拍摄的3叶期3行玉米田间图像为研究对象,利用YIQ颜色空间中的Q分量灰度化田间彩色图像,以降低自然光源对图像的影响;通过建立实际田间玉米行宽与图像玉米行宽的映射关系,将3叶期玉米行的宽度映射到对应图像中,并确定基于识别率和运算速度的覆盖范围;以具有一定宽度的玉米行作为识别基准,减小未连通叶片区域的误识别率,提高对杂草识别的精度.从识别精度和速度2方面与基于作物行中心线识别算法进行了对比.研究结果表明,对于3叶期3行玉米田间图像,杂草正确识别率可达89.2％,速度为197 ms.本算法有效地提高了行间杂草识别的精度和速度,能够初步满足基于机器视觉的变量施药系统对大田玉米多行喷施的工作要求. 相似文献
4.
5.
6.
李作山 《山东农业大学学报(自然科学版)》2023,(6):880-886
机器视觉技术可以实现农业作物的干旱胁迫状态的快速分析和有效识别,实现农业活动的自动化管理。本文基于机器视觉技术在黑龙江省绥化市开展玉米干旱胁迫识别的田间试验,选取色彩特征和纹理特征作为识别玉米干旱胁迫识别指标,采用两段式梯度增强决策树作为分类器进行玉米作物图片识别,并与其他机器算法结果进行比较。结果发现,本试验选择的两阶段玉米干旱胁迫识别模型在干旱胁迫分类准确率和干旱胁迫识别准确率方面表现优异,其干旱胁迫识别结果优于其他机器算法模型。 相似文献
7.
随着农业现代化进程在全国各地的推进,东北农业经济正在快速地发展,众多先进的科学技术如大数据、物联网、移动互联、人工智能等被应用到东北农业生产中,并且逐步深入细化。在农业种植领域,东北寒地玉米害虫的识别与虫害的预防一直是专家学者们研究的重要课题。东北地区位于温带季风气候区,夏季温热短促多雨;冬季寒冷漫长干燥,因此东北寒地玉米作物虫害有其独特的特征,常见的害虫有玉米黏虫、玉米螟、草地贪夜蛾、双斑玉萤叶甲等。本研究基于机器视觉和卷积神经网络的东北寒地玉米害虫识别方法进行研究,通过图像采集的预置采集点、巡航周期等实现定点、定时获取大量采集数据,将机器视觉识别、卷积神经网络模型测试放到采集前端,降低无效图像带宽占用,优化了网络资源;通过对卷积神经网络进行海量的东北寒地玉米害虫图像训练,实现从训练集到测试集的转化,建立起东北寒地玉米害虫识别的网络模型。基于机器视觉和卷积神经网络的东北寒地玉米害虫识别方法研究具有很高的应用价值,在监测植物生长状态的同时,能够精准、及时、实时地智能识别玉米害虫,做好东北寒地玉米虫害预警及应对措施,降低作物种植生产风险、提升生产效率,对东北农业智能化、持续化、梯度化发展起到了非常重要的作用。 相似文献
8.
智能除草装备苗草模式识别方法研究 总被引：4，自引：0，他引：4
精准苗草识别是靶向施药除草装备作业基础。为提高识别算法精度及效率,解决光照变化对识别图像分割精度影响,文章优化研究分割算法,引入加权系数,提高算法光照适应性;根据作物线性分布生长特点,采用烟花智能群体算法,对垄间杂草与作物识别与定位;田间图像采集与试验结果表明,加权分割方法可有效解决光照变化对分割效果影响,实际作物与垄间杂草识别率为98.7%和89.5%,满足苗草识别与导航要求,对导航技术与智能除草装备发展具有重要意义。 相似文献
9.
随着智慧农业的推广与发展,机器视觉技术在农业生产中得到了广泛的应用,机器视觉技术主要通过对作物冠层光谱进行分析反演出作物的各项生长参数,以此精准预测作物长势、营养、病虫害、产量等方面的情况。本文阐述了机器视觉技术的基本原理,分析了机器视觉技术在大豆品质检测、大豆田病虫草害防治、大豆生长过程中幼苗识别和花荚检测中的应用,提出了机器视觉表型识别技术中存在的问题及未来发展方向。 相似文献
10.
基于遗传神经网络的植物叶片病害特征提取的研究 总被引：1，自引：0，他引：1
为提高作物病害定量、快速、准确识别,以大豆褐斑病为例,综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层前馈遗传神经网络,实现了大豆褐斑病的识别与特征计算。本技术首先通过计算机视觉技术采集叶片图像,尔后,采用遗传神经网络完成了对病斑图像的识别,最后运用数字图像处理技术完成了对病斑区域相关特征值的计算,实验识别准确率达100%。 相似文献
11.
利用色度法识别杂草和土壤背景物 总被引：11，自引：0，他引：11
开发了一种计算机视觉系统,该系统选取杂草图像的色度值为颜色特征参数,采用阈值处理技术识别杂草和土壤背景物。实验结果表明,利用视觉系统对不同光照条件下的杂草图像进行分析。可以得到较满意的结果。 相似文献
12.
In order to achieve high competitive quality of bamboo products, it appears that bamboo strips with naturally different tonalities should be elaborately sorted into different classes according to their global color texture appearance. Inspired by the coarse-to-fine visual perception process of human vision system, this paper proposes a new surface grading approach by integrating the color and texture of bamboo strips based on Gaussian multi-scale space. The multi-scale representations of color texture for the original image of bamboo strips could be obtained and used to construct the multivariate image, each channel of which represents a perceptual observation from different scales. The multivariate image analysis (MIA) techniques are used to extract multi-scale features from the resulting multivariate image data. The characteristic images corresponding to typical classes are selected to build the model of the reference eigenspace. The novel testing images and the training images are all projected onto this reference eigenspace to obtain their representative feature clusters. And the Bhattacharyya distance is used to estimate the similarity of the representative feature clusters between the testing images and the training images in the eigenspace. Then a k-NN classifier is adopted to classify the testing images into the given classes of training images. Comparative experiments have been carried out on a set of actual bamboo strip images and the experimental results verify the effective discrimination of multi-scale color texture eigenspace features and good classification accuracy of the proposed surface grading method. 相似文献
13.
基于HSV空间的玉米果穗性状的检测 总被引：2，自引：0，他引：2
为高效检测玉米果穗性状,建立了基于HSV(色调、饱和度、明度值)空间的玉米果穗性状的检测方法:使用机器视觉技术采集绿色背景玉米果穗图像,用HSV直方图阈值算法去除绿色背景,用FFT滤波器去除尖锐边缘和噪声,运用粒子滤波分离单一图像中的多个玉米果穗图像,并采用形态学腐蚀方法,经过4次迭代腐蚀,得到玉米果穗中间3行;检测玉米果穗的大小、形状、纹理和颜色4个特征的性状。随机检测67张玉米果穗样本图像的结果表明,果穗大小和形状特征检测的准确率为100%,果穗颜色和纹理特征检测的准确率分别为98.55%和96.25%,平均每果穗检测时间为0.1 s。 相似文献
14.
Classification of foreign fibers in cotton lint using machine vision and multi-class support vector machine 总被引：3，自引：0，他引：3
Automatic classification of foreign fibers in cotton lint using machine vision is still a challenge due to various colors and shapes of the foreign fibers. This paper presents a novel classification method based on multi-class support vector machine (MSVM) which aims at accurate and fast classification of the foreign fibers. Firstly, live images were acquired by a machine vision system and then processed using image processing algorithms. Then the color features, shape features and texture features of each foreign fiber object were extracted and feature vectors were composed. Afterwards, three kinds of multi-class support vector machines were constructed, i.e., one-against-all decision-tree based MSVM, one-against-one voting based MSVM and one-against-one directed acyclic graph MSVM separately. At last, with the extracted feature vectors as input, the MSVMs were tested using leave-one-out cross validation. The results indicate that both the one-against-one voting based MSVM and the one-against-one directed acyclic graph MSVM can satisfy the accuracy requirement of the classification of foreign fibers, and the mean accuracy is 93.57% and 92.34% separately. The one-against-all decision-tree based MSVM only obtains mean accuracy of 79.25% which can not meet the accuracy requirement. In classification speed, one-against-one directed acyclic graph MSVM is the fastest and fitter for online classification. 相似文献
15.
Lettuce calcium deficiency detection with machine vision computed plant features in controlled environments 总被引：1，自引：0，他引：1
Conventional greenhouse environmental conditions are determined by observation. However, destructive or invasive contact measurements are not practical for real-time monitoring and control applications. At the canopy scale, machine vision has the potential to identify emerging stresses and guide sampling for identification of the stressor. A machine vision-guided plant sensing and monitoring system was used to detect calcium deficiency in lettuce crops grown in greenhouse conditions using temporal, color and morphological changes of the plant. The machine vision system consisted of two main components: a robotic camera positioning system and an image processing module. The machine vision system extracted plant features to determine overall plant growth and health status, including top projected canopy area (TPCA) as a morphological feature; red-green-blue (RGB) and hue-saturation-luminance (HSL) values as color features; and entropy, energy, contrast, and homogeneity as textural features. The machine vision-guided system was capable of extracting plant morphological, textural and temporal features autonomously. The methodology developed was capable of identifying calcium-deficient lettuce plants 1 day prior to visual stress detection by human vision. Of the extracted plant features, TPCA, energy, entropy, and homogeneity were the most promising markers for timely detection of calcium deficiency in the lettuce crop studied. 相似文献
16.
17.
排种器性能检测试验台主要由传送带系统、电机及驱动系统、机器视觉系统、PLC控制系统和控制中心5大部分构成。系统采用继电接触器和PLC实现电气控制,通过PLC控制变频器实现电机的无级调速,结合上位计算机可以实现电机速度的自动调节,控制精度较高。经过试验验证,整个控制系统性能稳定,运行安全可靠,满足了设计要求。 相似文献
18.
红枣自动分级机搓动旋转输送系统的研制 总被引：2，自引：0，他引：2
利用机器视觉技术对红枣进行外部品质检测分级,首先要对红枣进行全表面图像采集,针对红枣输送过程中搓动红枣旋转来实现全表面图像采集的方法进行研究。根据分级机工作原理及图像采集对红枣的转动要求,设计出辊轴搓动自旋转机构,使红枣在输送过程中不断旋转,从而保证红枣全表面都能够在摄像机视角范围内出现;然后通过计算确定了搓动机构相应的结构尺寸,分析了红枣在辊轴上的受力情况。实验证明,搓动旋转机构设计合理,输送系统运行稳定,在50-300mm／s的输送速度范围内能够满足红枣全表面图像采集的要求。 相似文献
19.
水果采摘机器人视觉系统的目标提取 总被引：10，自引：3，他引：10
在田间对作物的果实图像进行实时、准确地目标识别提取，是采摘机器人视觉系统的关键技术，而目标提取的实质是图像分割。大部分水(蔬)果处于采摘期时，表面颜色与背景颜色存在较大差异。而同一品种果实表面颜色相近，体现为在色彩空间果实表面颜色和背景颜色存在着不同的分布特性。根据这一特性，提出了一种基于色彩空间参照表的适用于水果采摘机器人视觉系统果实目标提取的图像分割算法。该算法先由果实样本图像建立色彩空间参照表，再根据色彩空间参照表采用一种类似于“卷积”的方法进行图像分割。与现有其他方法比较，本方法基于彩色的信息处理，可将背景除去得更干净；对背景不做分割处理、无复杂运算，有利于机器人实时图像处理。采用该算法分别对草莓、橙子、西红柿的图像在L^*n^*6^*，Hsv，YCbCr色彩模型下进行了实验，结果显示该算法在这些色彩模型下均可取得理想的图像分割效果。 相似文献
20.
应用多光谱数字图像识别苗期作物与杂草 总被引：2，自引：0，他引：2
通过对多光谱成像仪获得的数字图片,采用一定的目标分割与形态学处理,对豆苗和杂草进行识别判断.为解决识别速度与正确率的矛盾,以豆苗和杂草图像的识别为例,提出一种基于多光谱图像算法的杂草识别新方法.应用3CCD多光谱成像仪获取豆苗与杂草图像,以多光谱图像的近红外IR通道图像为基础,利用图像分割和形态学方法,将所有豆苗叶子影像提取出来.对于剩下的2种杂草(牛筋草,空心莲子草)图像,先利用图像分析工具统计出图像块的长度、宽度、面积等基本特征参数,并根据它们形状的不同,总结出两条简单的判别规则,进行进一步的识别.本试验对147个目标进行判断,其中误判14个,正确率为90.5%,表明该方法算法简单、计算量小、速度快,能够有效识别这2种杂草,为田间杂草的快速识别提供了一种新方法. 相似文献