共查询到20条相似文献，搜索用时 15 毫秒
1.
基于机器视觉的穴盘幼苗识别与定位研究 总被引：1，自引：0，他引：1
【目的】设计一套机器视觉系统,用于实时测量各穴孔中幼苗叶片面积、判断是否适合移栽作业、确定适合移栽幼苗的抓取位置,为实现穴盘幼苗自动移栽作业奠定基础。【方法】用CCD数字摄像机采集番茄幼苗图像,转换成灰度图像,将幼苗与背景分割得到二值图像,去噪处理后,通过计算每个穴孔中幼苗叶片的面积来确定适合移栽的单元,并用形心法确定机械手抓取位置。【结果】采用1.8G-1.5R-1.8B灰度化因子、Otsu法分割幼苗与背景图像效果较好;采用单连通区域法统计幼苗叶片面积,经修正后相对误差小于1.0%,相对误差值平均下降了87.6%。【结论】设计的机器视觉系统具有较高的测量精度,能够满足穴盘幼苗自动移栽作业要求。 相似文献
2.
为快速提取皇帝柑图像中的目标,提出一种局部邻域最大差分的过渡区阈值图像分割算法。该方法首先计算图像中每个像素的局部邻域最大差分;再对图像的全部、局部最大差分进行排序,选取值较大的像素作为过渡区的像素点;然后对过渡区的内部进行填充,使过渡区与目标合成一体,最后剔除过渡区中的背景点,获得图像的目标。为检验提出算法的有效性,采用分割误差、假阳性率、重叠系数和运算时间共4个指标与已有算法进行比较,结果表明,本研究算法的平均分割误差只有7.76%,比有效平均梯度法和局部熵法分别降低6.93%、6.24%,假阳性率分别降低3.40%、3.05%,重叠系数分别提高14.6%、11.62%;算法运算速度分别提高约3.6、4.6倍。试验结果表明,本研究算法具有很好的提取皇帝柑图像中目标的性能。 相似文献
3.
【目的】提出一种复杂背景下重叠椭圆形叶片的分割算法。【方法】利用超绿算法将重叠叶片主
体及部分绿色背景分割出来;通过选择最大连通区域选择重叠叶片的主体,去除叶柄后利用凹点检测和凸点检
测获得叶片重合部位的凹点和叶片的尖端点;利用获得的凹点与尖端点,截取上层叶片未重叠区域的部分边缘
点并以上层叶片的两个尖端点所确定的直线作为对称轴将其翻转至重叠区域作为贪婪算法的初始点寻找重叠区
域的边缘;对获得的边缘进行平滑和凸包处理,即可获得目标叶片的边缘,从而较为正确地分割出上层叶片。
对于重叠的下层叶片,则以整个重叠叶片减去分割出的上层叶片,即可得到下层叶片未被覆盖的区域;将下层
叶片完整的一半以其尖端点形成的直线为对称轴进行翻转,即可得到下层叶片的补全图。【结果】该算法可以
实现复杂背景椭圆形重叠叶片的分割,且平均错分率在 3.0% 以下。【结论】针对复杂背景下椭圆形重叠叶片的
分割,提出结合凸点检测和凹点检测的贪婪算法可以较为准确地分割目标叶片,平均错分率在 3% 以下,即分
割准确率在 97% 以上。 相似文献
4.
提出了一种基于云的图像过渡区提取算法.该方法利用区域生长算法提取目标内部灰度同质性及相似性最高的区域作为云核,结合云发生器,对图像进行云化处理.通过相邻云之间的逻辑运算生成边界云,提取边界云的数字特征,利用边界云的熵来确定过渡区的两端极值.在此基础上,采用过渡区象素的直方图峰值对应灰度作为分割阈值并进行图像划分.试验结果表明,该算法在能取得较好分割效果. 相似文献
5.
6.
高分辨率无人机遥感影像单木树冠参数信息提取方法是森林资源精准监测和生态功能评估的重要基础,而自然光照条件下粘连和遮挡单木树冠的准确分割是直接决定单木树冠信息提取精度的关键。针对自然光照条件下山地森林无人机遥感影像中单木树冠相互粘连、遮挡难以分割,以及传统算法泛化能力弱等问题。本研究结合深度学习和标记控制分水岭算法的优点,提出了一种基于U-Net和标记控制分水岭（marker-controlled watershed,MCW）算法（简称U-Net+MCW算法）的山地森林单木树冠提取方法。以新疆山地森林优势树种天山云杉(Picea schrenkiana var.tianschanica)为研究对象,在南山实习林场采集积雪背景下无人机遥感影像作为试验数据,构建了基于深度神经网络U-Net和标记控制分水岭算法的单木树冠提取模型。首先,从无人机遥感影像中选取1 000张训练样本,128张测试样本,并对样本进行标注,通过数据增强将1 000张训练样本扩增为16 000张,按照4∶1分为训练集和验证集,对U-Net模型进行训练,在训练过程中赋予2个或多个树冠间的相邻边界像素较大权重。然后,利用训练好的U-Net模型对测试集样本进行单木树冠提取。最后,在深度神经网络U-Net单木树冠提取的基础上,采用MCW算法对提取结果进行优化,并对单木树冠提取效果进行精度评估。结果表明,U-Net+MCW算法对于单木尺度的F测度为74.04%,比单一使用U-Net模型提高了28.52%,以该方法提取遥感影像中的天山云杉树冠信息为基础,计算其单木树冠面积和冠幅的精度分别为81.05%和89.94%。因此,U-Net+MCW算法能够有效解决自然光照条件下,由于原始图像背景复杂且树冠内部亮度变化不均匀和树冠间粘连、遮挡等因素,导致的单个树冠内、树冠聚集处或连接重叠区域出现的树冠错分割、过分割、合并等问题,是一种低成本、高效率的单木树冠提取方法,能够满足中小尺度山地森林资源调查和监测要求。 相似文献
7.
野外采集的机器视觉图像往往包含复杂背景,会对机器视觉识别紫色土产生影响,为了避免背景干扰,分割提取紫色土区域图像是首要的工作.本文应用3×3小子阵的标准差测度,建立模型优化紫色土区域的土壤与杂质类间和类内方差比,获得优化的置信概率P和H域分割阈值,提出了一种基于切比雪夫不等式的自适应H阈值分割算法,实现基于图像自身紫色土特征的自适应分割,提升初分割出紫色土区域图像的精度.针对初分割结果中的孤立点、离散小土块和空洞,提出了从图像中心点出发的剔除背景区域孤立点和离散小土块的螺旋生长算法和基于4方向边界点确认的紫色土区域的空洞填充算法.仿真实验结果显示:自适应切比雪夫阈值分割算法与螺旋生长算法和空洞填充算法结合,分割提取出紫色土区域图像的误分率降低到3.24%,总时间花销更少,算法是有效的. 相似文献
8.
9.
针对过渡区的特点,提出一种局部邻域二阶差分的过渡区阈值图像分割算法。该方法首先选取局部邻域二阶差分较大的像素作为过渡区的像素点,再对过渡区进行填充,最后剔除过渡区中的背景点,获得图像中目标。为了检验该算法的有效性,采用分类误差、假阳性率、重叠系数和运算速度等4个指标与经典算法进行比较,结果显示,该算法具有更快的运行速度和更好的提取皇帝柑图像目标的性能。 相似文献
10.
本研究提出了一种基于四级daubechies 5('db5')小波分解提取自然光温室中草莓叶片图像边缘的新算法。该算法对不同尺度的重建图像采用不同的分割和运算方法,以去除叶片目标边缘的外部背景和内部纹理干扰。这种方法有两个优势:一是从不同的尺度空间来获取相应映射区域的重建图像,可以为相应的各层空间区域提供不同的图像抽象特征。另一方面,在某个尺度空间中特定映射区域的某些图像特征难以获得,而其它尺度空间中特定映射区域的这种特征则容易得到。在本文中对不同尺度重建的图像处理时,主要采用Otsu阈值分割获得不同尺度重建图像得到相应空间位置的二值图像区域,并用canny分割不同尺度相应映射区域的重建图像获取相应空间位置的准确梯度的边缘,并通过不同尺度空间相应映射区域的两种分割的综合,得到精确完整的叶片边缘。但是由于草莓叶片图像各自不尽相同,自然光温室的光辐射和反射环境下叶片图像的局部非均匀照度,导致canny边缘提取会产生大量非叶片边缘的伪边缘,所以必须对在不同尺度之间相应的空间映射区域内的重建图像,进行分割处理和边缘提取处理,对其结果进行跨尺度的形态学和逻辑运算,用以避免叶片图像的canny伪边缘造成叶片的内部分割不完整碎片和叶片内部区域与叶片外部区域的粘连。为此,本研究将尺度重建叶片图像的canny伪边缘分为三类。第一类canny伪边缘是第一层小波分解重建的叶片图像边缘外部区域的canny伪边缘。第二类和第三类canny伪边缘在第三层小波分解重建图像的第一次Otsu分割的前景区域中。这两类映射区域中canny伪边缘都是映射第一层小波分解重建图像的相应空间区域的canny边缘,只是利用了第三层小波分解重建叶片图像的第一次Otsu分割的前景区域,通过分类划分该区域对canny伪边缘进行分类处理。其中第二类canny伪边缘的区域是通过以第三层小波分解重建图像的第一次Otsu分割得到的前景区域作为掩模,对第三层小波分解重建图像进行第二次Otsu分割获得的亮度突出的叶片图像边缘内部前景区域;第三类canny伪边缘的区域同样是通过以第三层小波分解重建图像的第一次Otsu分割得到的前景区域作为掩模,对第三层小波分解重建图像进行第二次Otsu分割获得的叶片图像边缘内部区域内灰度差异明显的背景区域。本文根据多尺度重建图像的区域类别划分,构造了针对这三种不同区域的纹理特征的不同处理方法,得到了完整的、无干扰的精确的叶片canny边缘。最后,对多尺度方法进行了简化,给出了温室草莓叶片自然光的有效分割算法。 相似文献
11.
针对有背景干扰的番茄病理叶片,将k-means分割与迁移学习相结合,提出一种基于k-means分割和迁移学习的方法对番茄病害叶片进行识别.首先对原始图像进行一系列预处理,再将处理后的图像进行k-means分割,得到叶片边缘的最小矩阵图像,之后进行去噪处理,简化突出图像特征,再根据预处理后的图像特点,优化改进迁移的VGG16网络结构,构建CNN模型对预处理后图像进行识别.结果显示,通过分割后训练方式平均精度提升了0.37百分点,通过冻结迁移的VGG16网络第1个卷积模块并修改全连接层的方法提升了5.4％左右.因此本研究认为通过分割、冻结VGG16第1个卷积层模块的参数并修改全连接层可以提升番茄病理识别率. 相似文献
12.
13.
【目的】解决棉田复杂背景下棉花叶部病害快速识别问题,为提出一种快速提取棉花植株和分割棉花叶片的方法。【方法】通过棉花植株的RGB颜色特征将植株与土壤进行分离,结合形态学处理技术和彩色分割方法,将植株的茎秆去除,保留棉花叶片部分;分别使用广度搜索分割算法、分水岭分割算法和轮廓搜索分割算法,对棉花叶片图像进行分割提取。【结果】基于广度搜索的分割算法将叶片轮廓搜索出来与原图融合分离出叶片,该算法对于图像结构简单的情况分割效果较好,通过对应的drawContours函数将每个轮廓画出,再与原图定位,将叶片的完整信息也轮廓结合,实现叶片的分离。【结论】基于距离变换的分水岭分割算法存在过分割问题,基于广度搜索分割算法与边缘检测结合对于叶片结构清楚图像分割效果显著,与轮廓搜索算法相比,后者的适用性更广,提取的轮廓层次结构也清楚,分割效果最佳。 相似文献
14.
为有效解决重叠叶片目标边缘修复难的问题,提出一种基于L-M算法的改进型BP神经网络对叶片重叠部分边缘进行预测重建的方法。首先使用数学形态学方法去除叶片的叶柄部分,采用链码差算法精确提取角点,用相关分割准则分割重叠目标;得到目标区域边界点到图像质心的距离和角度,然后利用基于L-M算法的改进型BP神经网络,通过角度预测遮挡重叠部分图像质心到边缘点的距离。最后将预测的距离值转换到图像坐标,得到重建的边缘。通过实验,该方法在保证叶片基本形状下,重建边缘后叶片面积误差可在10%以下,边缘预测效果较好,实验表明该方法可行有效。该方法可以更加方便快捷的测定重叠叶片面积,对重叠叶片边缘重建具有一定的现实意义。 相似文献
15.
基于G-MRF模型的玉米叶斑病害图像的分割 总被引：3，自引：0，他引：3
【目的】图像分割是作物病害自动识别系统实现的难点之一,前人研究大多采用基于阈值或聚类的分割算法,方法简单、易于实现,但分割精度较低。本文引入高斯模型的Markov随机场分割模型(G-MRF),对玉米叶部病斑图像进行分割试验,以期提高分割精度。【方法】在VC6.0下实现了G-MRF分割模型,G-MRF既利用了图像像素的灰度信息,又通过像素类别标记的Gibbs光滑先验概率引入了图像的空间信息,是能较好地分割含有噪声图像的算法。采用该算法对大斑病、小斑病、灰斑病和弯孢菌叶斑病等4种主要玉米叶部病害的图像进行了分割测试,并与基于阈值和基于Gauss模型的分割算法进行比较。【结果】基于G-MRF分割模型的分割,目标区域的一致性和边缘的清晰方面明显好于基于阈值和Gauss模型的分割算法,其平均正确分类率达96.35%,分别较基于阈值和基于Gauss模型的分割算法高出3.75%和4.03%,差异达到显著水平。【结论】基于G-MRF模型的分割算法鲁棒性高,能够有效地将病斑区域从叶片部分离,分割正确分类率达96.35%,可用于玉米叶斑类病害图像的分割。 相似文献
16.
针对传统方法对苹果叶片进行图像分割和测量几何形状参数精确度较低的问题,结合基于深度学习和引导滤波技术提出一种新的苹果叶片图像自动分割算法。首先采用深度学习方法,使用BiseNet卷积神经网络对苹果叶片图像进行自动分割,得到苹果叶片主体轮廓;然后使用彩色苹果叶片图像作为引导图像对主体轮廓进行引导滤波处理,以增强边缘锯齿等细节特征信息;最后将主体轮廓与细节特征信息进行联合分割,得到完整、准确的苹果叶片信息。对包含174种8 184张苹果叶片图像数据集进行试验,结果表明苹果叶片分割的精确率达到98.99%,交并比98.82%。利用本研究算法能够真正实现准确、快速测量苹果叶片的面积、周长等参数值,为苹果叶片几何参数的测定提供了一种新的测量方法。 相似文献
17.
为减少大田环境下光照不足对小麦图像分割的影响,以及提升小麦图像中偏黄叶片的提取效果,提出了将白平衡调整、局部同态滤波预处理和基于概率潜在语义分析(PLSA)模型的颜色命名算法相结合用于小麦图像分割的方法。首先,对大田采集的小麦图像进行白平衡调整,得到准确无偏色的图像;然后对光照不足的图像在HSI彩色模型下对亮度分量I进行局部同态滤波处理,以减少光照不足对图像的影响;最后在RGB彩色模型下基于PLSA模型构建的颜色名RGB值字典,提取图像中绿色和黄色像素点对应区域作为目标区域。结果表明,经白平衡调整后F1值提高1.61个百分点;光照不足图像经局部同态滤波处理后F1值提高12.43个百分点,分割效果明显提升;所提方法对绿色、叶片偏黄及光照不足的小麦图像分割的F1值分别为96.39%、97.29%和96.22%,均达到了较好的分割效果;所提方法与K-means聚类算法相比,虽点状噪音和细小孔洞相对较多,但在分割叶片偏黄小麦上F1值提高4.42%,整体分割效果较好,且稳定性强。 相似文献
18.
针对作物病害图像的病斑分割问题,提出一种直觉模糊C均值(Intuitional Fuzzy C-means,IFCM)聚类算法。通过引入隶属度、非隶属度和犹豫度3个参数来表示模糊集,从而定义了用来表示模糊集的模糊度的直觉模糊熵(IFE)这一概念,对传统的FCM算法进行改进,克服了FCM算法分割时计算目标函数容易陷入局部极小值,而且聚类数目需要提前设定初值的缺点。将预处理过的作物(以黄瓜为例)病害叶片图像作为研究对象采用该改进算法进行病斑图像分割,得到了很好的分割效果。与其他分割方法进行比较,结果表明该算法分割出来的作物病斑图像准确率高达94%以上,分割效果明显。 相似文献
19.
使用传统方式对苹果叶片进行图像分割进而测量叶片几何参数,虽精度尚可,但效率较低。针对该问题,提出一种基于深度学习语义分割模型和迁移学习的苹果叶片图像分割算法,完成对叶片的快速、准确分割。所提方法以LinkNet为基本网络结构,进行了4个方面的改进：采用ResNet18作为编码器主干网络,融合迁移学习的思想加速模型拟合;减小编码解码块的数量,降低网络复杂度;改进通道约减方案,减少上采样中的参数量;使用子像素卷积进行上采样,降低计算量。结合焦点损失函数,将改进的LinkNet网络应用于标准苹果叶片数据集上。试验结果表明,所提算法的分割精度为97.27%,与原LinkNet相比精度相当;推理时间仅为7.82 ms,相较于原网络缩短39.89%;模型参数量和浮点数计算量大幅减少;且改进网络的推理速度远快于FCN、U-Net、DeepLabV3+等网络。所提算法在快速分割叶片主体的同时,还能较好地保持叶片边缘锯齿等细节特征,能够真正实现高效、精准地分割苹果叶片,为快速测量叶片面积和其他几何参数提供了新的思路。 相似文献
20.
不同育苗方式对番茄幼苗质量的影响 总被引：3，自引：0，他引：3
为筛选出适合番茄幼苗生长的最佳育苗方式,本试验以早春育苗番茄为对象,研究了CIS育苗钵、营养钵、穴盘育苗（番茄专用基质）、穴盘育苗（普通基质）4种育苗方式对番茄幼苗出苗率、生长动态、壮苗质量性状、耐低温能力的影响。结果表明,采用CIS育苗钵培育的幼苗出苗率,单株鲜重、根体积、壮苗指数、最大叶面积、叶片数等生长指标明显优于其他育苗方式,在低温处理过程中保持了较高的POD活性、CAT活性;专用基质穴盘苗在株高、叶绿素含量方面表现最好;营养钵培育的幼苗子叶面积显著大于其他育苗方式;普通基质穴盘苗在所有测量项目中表现一般或较差。 相似文献