共查询到19条相似文献，搜索用时 281 毫秒
1.
2.
以水稻植株模型的重建为研究对象,为尽可能地保留植株原始形态特征,研究过程中充分运用图像处理技术对水稻植株叶片图像进行了特征信息提取,并应用于叶片器官模型重建;同时,结合L-系统建模方法在稻穗器官模型重建的基础上,将图像处理技术与L-系统建模机制相结合,较为形象、逼真地实现了对水稻植物模型的虚拟重建。实验仿真结果表明,该方法能够较好地保存植株原始形态特征,对相关领域研究具有一定的参考价值。 相似文献
3.
4.
作物病害的初期快速准确识别是减小作物经济损失的重要保障。针对实际生产环境中,作物叶片黄化曲叶病毒病(Yellow leaf curl virus,YLCV)患病初期无法应用传统图像处理算法通过颜色或纹理特征进行准确和快速识别,并且YOLO v5s通用模型在复杂环境下识别效果差和效率低的问题,本文提出一种集成改进的叶片病害检测识别方法。该方法通过对Plant Village公开数据集中单一患病叶片图像以及实际生产中手机拍摄获取的患病作物冠层图像两种来源制作数据集,并对图像中的患病叶片进行手动标注等操作,以实现在复杂地物背景和叶片遮挡等情况下正确识别目标,即在健康叶片、患病叶片、枯萎叶片、杂草和土壤中准确识别出所有的患病叶片。此外,用智能手机在生产现场拍摄图像,会存在手机分辨率、光线、拍摄角度等多种因素,会导致识别正确率降低等问题,需要对采集到的图像进行预处理和数据增强以提高模型识别率,通过对YOLO v5s原始模型骨干网络重复多次增加CA注意力机制模块（Coordinate attention）,增强YOLO算法对关键信息的提取能力,利用加权双向特征金字塔网络（Bidirectional feature pyramid network,BiFPN）,增强模型不同特征层的融合能力,从而提高模型的泛化能力,替换损失函数EIoU（Efficient IoU loss）,进一步优化算法模型,实现多方法叠加优化后系统对目标识别性能的综合提升。在相同试验条件下,对比YOLO v5原模型、YOLO v8、Faster R-CNN、SSD等模型,本方法的精确率P、召回率R、平均识别准确率mAP0.5、mAP0.5:0.95分别达到97.40%、94.20%、97.20%、79.10%,本文所提出的算法在提高了精确率与平均精度的同时,保持了较高的运算速度,满足对作物黄化曲叶病毒病检测的准确性与时效性的要求,并为移动端智能识别作物叶片病害提供了理论基础。 相似文献
5.
为了真实虚拟黄瓜叶片形态和叶片纹理,实现黄瓜的动态生长三维虚拟,提出了用图像处理提取黄瓜叶片边缘特征点进行叶表面重建,借助粒子系统思想构造叶片纹理并与叶表面合成的叶片三维重建方法,用曲面投影法实现叶片的弯曲变形.结果表明,该方法较好地保持了黄瓜叶片边缘形状,真实地反映了叶片纹理的细节特征以及叶片在空间的弯曲变形. 相似文献
6.
作物行识别算法的虚拟试验方法 总被引：1，自引：0，他引：1
针对作物行识别算法的传统开发过程对田间作物生长周期依赖性较强,错过适当的田间图像采集时期将直接导致算法开发周期延长等问题,提出一种基于虚拟场景的作物行识别算法测试方法,即在虚拟环境下模拟农田作物行场景和图像采集系统,运用虚拟作物行图像测试作物行的识别算法。该方法在虚拟现实环境下建立作物行场景模型;提出一种融合建模法,根据作物和杂草的几何特征建立对应的三维几何模型;根据实际田间作物的空间分布特征,建立株距、行距可调的田间作物行模型;以Vega Prime为视景仿真工具,通过配置投影模式、渲染模式、视点位姿和图像采集规格,构建图像采集系统,输出作物行场景图像。以苗期棉花作物行为建模对象,对一种经过田间试验验证的双目视觉作物行识别算法进行测试试验。对比实际棉田图像对应的试验结果,同一作物行识别算法的识别正确率、偏差角和图像处理时间均相近。结果表明,本文建立的虚拟棉田作物行与实际棉田作物行场景相近,能够用于作物行识别算法的测试。 相似文献
7.
8.
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
9.
基于图像处理的葡萄叶片含水率诊断初探 总被引：2，自引：0，他引：2
随着图像处理与分析技术的蓬勃发展,许多专家学者利用图像获取工具比人眼更精细的分辨能力,应用图像处理技术进行信息诊断研究。以温室大棚中的葡萄植株为研究对象,使用卡西欧ex-2750数码相机采集葡萄冠层叶片图像,并通过烘干法测量叶片样本的含水率,通过MATLAB计算叶片图像的灰度均值。通过对提取的15组葡萄叶片样本数据的多项式曲线拟合,建立了基于叶片图像灰度均值的叶片含水率估算模型,模型的确定系数R2高达0.780 3。结果表明,利用叶片图像的灰度均值可以对葡萄叶片的含水率进行诊断。 相似文献
10.
基于高光谱成像的马铃薯叶片叶绿素分布可视化研究 总被引：3，自引：0，他引：3
针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究,用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值,提取并计算叶绿素测量区域的叶片平均光谱后,分别采用蒙特卡罗无信息变量消除算法（MC-UVE）和自适应重加权算法（CARS）筛选出了12个和23个叶绿素含量敏感波长,建立了马铃薯叶片叶绿素含量偏最小二乘（PLS）回归模型。建模结果如下：基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型,建模精度R2C为0.79,验证精度R2V为0.73;基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型,建模精度R2C为0.82,验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量,从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图,最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达,以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。 相似文献
11.
针对设施作物营养水平无损检测技术,着重描述了基于近红外光谱数据岭回归分析的甜椒氮素检测试验研究过程.利用近红外反射光谱成像技术对目标作物进行叶片尺度的光谱图像采集,应用计算机图像分析软件进行光谱数字图像处理、提取光谱数据,经过统计分析对数据完成筛选作为变量,结合化学分析试验结果建立作物营养检测模型,检验模型得出结论.为了解决自变量间存在的多重共线性造成模型难以建立的问题,在数据处理阶段,采用了在农业探测领域内并不多见的岭回归分析方法,利用其特殊的有偏估计算法,拟合建立回归方程.同时,由于岭回归分析可以用于进一步筛选特征波段,最终得到的是基于三特征波段近红外光谱反射率数据的甜椒叶片氮营养检测模型.经过模型检验,模型的调整R2为0.843,RMSE为0.105. 相似文献
12.
13.
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
14.
水、氮效应与叶绿素关系试验研究 总被引：18，自引：0，他引：18
以冬小麦和夏玉米为试验对象，研究了不同水、氮条件对作物植株含氮及叶绿素含量的影响，作物叶片含氮、作物产量与叶绿素含量之间的量化关系，并提出了利用叶绿素仪预测作物氮素胁迫的方法。研究结果表明，田间的不同水、氮制度将影响作物的含氮水平及叶绿素含量，它们之间呈正响应关系。氮素对作物叶绿素含量起着较强的影响作用。作为一种测量叶片叶绿素含量的仪器，叶绿素仪可以作为测量作物含氮的仪器使用，具有快速、准确、简便的特点。 相似文献
15.
16.
基于数字图像处理技术的叶绿素含量检测系统 总被引：1，自引：0，他引：1
采用数字图像处理技术对叶片图像进行图像分割,将叶片从背景图像中分离出来,并针对叶片图像的各种颜色特征值与叶绿素含量进行相关性分析,建立回归模型。将拟合度最高的颜色特征值作为预测叶绿素含量的最佳模型。实验表明:采用此方法检测的叶绿素值与传统分光光度计检测方法相比较,准确率达到了89.7%;采用的颜色特征值与叶绿素含量的相关性达到-0.968。 相似文献
17.
为了克服农作物生长大面积遥感监测精度较低的缺陷,实现作物生长态势的自动化监测,提出了一种基于计算机视觉的自主导航作物生长监测车辆,从而有效地提高了作物生长监测的精度和自动化程度。该型自动化车辆通过导航标定线在田间对作物的生长状况进行实时跟踪监测,采用CCD数字摄像头对作物的生长状况进行图像采集,使用PC机对图像进行处理,并将图像利用通信技术传输到远程监控端,并根据图像特征数据建立了作物长势的监测和预测模型。为了验证其可行性,对作物的长势进行了实地测试,通过对叶面指数和作物生物量预测模型的测试表明:数据模型的实测值和理论值基本吻合,利用该方法可以建立多种作物的长势监测和预测模型,具有推广价值。 相似文献
18.
19.
为了提高农作物长势预测的精度和实时性,提出了一种新的基于双目立体视觉的玉米长势自动化监测车辆,并将图像多维重构技术引入到了车辆的设计中,采用自主导航技术在无需人员进入农田的情况下,实现了玉米长势的智能远程监控。为了解决玉米叶面积采集特征数据的冗余导致信息处理速度不高的问题,提出了改进的LPP的降维方法,并对算法进行了验证。测试结果表明:采用LPP算法,能够完成对作物多维特征信息的优化降维,具有较高的实用性和准确性。对玉米长势自动化监测车辆的性能进行了测试,对生物量的预测结果表明:采用监测车辆生物量反演模型得到的长势预测量和实测量的误差较小,从而验证了监测车辆设计的可行性。 相似文献