共查询到19条相似文献，搜索用时 203 毫秒
1.
红毛丹色泽品质的计算机视觉分级技术研究 总被引：4，自引：0，他引：4
应用计算机视觉研究了红毛丹外观色泽品质的分级检测技术。通过CCD采集红毛丹可见光图像,经OSTU分割算法来分割图像背景后,采用面积标记算法得到去除长穗梗区域的红毛丹图像;然后提取基于色度的红毛丹图像的彩色纹理特征,并用多分类支持向量机的模式识别方法来识别红毛丹色泽等级。结果表明,该模型对4个色泽等级的红毛丹的正确分类率分别是94%、88%、89%和95%,且具有较好的稳定性。与人工神经网络方法预测结果比较,该方法具有速度快、识别能力强的特点。 相似文献
2.
颗粒形混合农产品的图像检测与分类 总被引：4，自引：3，他引：1
颗粒形农产品种类繁多,多种产品混杂在一起的事经常发生,如何将各种产品检测与分类是一个重要研究课题。该文利用计算机视觉技术,实现了大米、黄豆、绿豆颗粒形混合产品的图像检测与分类。首先对获取的图像进行二值化处理,利用形态学分水?算法对粘连颗粒进行分割处理,利用八邻域分析方法提取目标连通区域边缘并标记,最后提取各颗粒的形状特征参数与颜色特征参数,将提取的特征参数与大米、黄豆、绿豆颗粒形产品的标准参数进行比较,实现了颗粒形混合产品的检测与分类。该算法的分类精度达95.6%,对颗粒形农产品自动检测应用具有一定指导意义。 相似文献
3.
4.
基于多路卷积神经网络的大田小麦赤霉病图像识别 总被引：8，自引：7，他引：1
为了准确地识别小麦病害,及时采取防治措施,减少农药施用的成本,同时减少农业生态环境的污染,该研究以灌浆期感染赤霉病的小麦麦穗图像为研究对象,根据病变区域与健康区域的颜色分布特点,设计了一种多路卷积神经网络用于小麦赤霉病图像的识别。首先利用深度语义分割网络U-Net对大田环境下的小麦图像进行分割,去除小麦叶片及其他无关背景的影响,从而分割出麦穗图像。然后设计结构较为简单的多路卷积神经网络分别提取麦穗图像R、G、B 3个通道的特征,通过特征融合获得具有高辨识性的麦穗图像语义特征。最后,为了增大赤霉病和健康麦穗图像特征之间的可区分性,同时减小赤霉病麦穗图像类内特征的差异,采用联合损失函数进一步改善网络的性能。该研究对采集的大田环境下的510幅灌浆期小麦群体图像进行分割,选取2 745幅完整单株麦穗图像利用所设计的多路卷积神经网络进行赤霉病识别试验,结果表明该研究所提算法对单株麦穗赤霉病识别精度达到100%,能够为小麦病害的智能识别提供帮助。 相似文献
5.
基于计算机视觉的番茄损伤自动检测与分类研究 总被引：16，自引：5，他引：11
为了提高番茄损伤检测与分类的准确率和效率,综合运用计算机视觉技术、BP算法、人工神经网络技术,实现番茄损伤的自动检测与分类。首先,通过计算机视觉系统获取番茄图像,利用图像处理去除噪声、图像分割、图像增强等多种基本图像处理的方法对番茄损伤图像进行了处理,综合运用并行和串行区域分割技术进行番茄表面缺陷区域检测。其次,对番茄图像进行了特征分析,通过提取三种特征包括8个特征参数,采用改进的BP算法训练的多层前向人工神经网络对番茄的损伤进行分类。该文中缺陷检测方法和特征提取方法的采用,使该计算机视觉系统节省了时间,提高了精度。试验证明番茄损伤检测和分类的准确率不低于90%。 相似文献
6.
基于机器视觉的玉米精准施药系统作物行识别算法及系统实现 总被引：5，自引：9，他引：5
识别作物行中心线并实现喷药喷头的自动对准是精准施药系统实现的关键技术。为克服作物行识别算法的单一性和适应性不强的缺点,该文以生长早中期的玉米图像为研究对象,利用改进的过绿特征法和改进的中值滤波算法分割出作物行,减少处理时间和去除噪声;然后在行提取时只保留包含作物行信息的中间作物行,通过随机Hough变换检测出作物行中心线,并根据世界坐标与图像坐标的转换和相对距离得到偏差信息:最后实现了系统的硬件搭建并给出了实际运行效果。不同图像的试验和处理结果表明,该算法在背景分割、作物行提取和偏差信息获取方面具有一定的优势,可适用于不同作物及不同视野图像的作物行算法识别,对精准施药的研究具有一定的参考价值。 相似文献
7.
基于小麦群体图像的田间麦穗计数及产量预测方法 总被引：15，自引：11，他引：4
在田间小麦测产时,需人工获取田间单位面积内的麦穗数和穗粒数,耗时耗力。为了快速测量小麦田间单位面积内的产量,该文利用特定装置以田间麦穗倾斜的方式获取田间麦穗群体图像,通过转换图像颜色空间RGB→HSI,提取饱和度S分量图像,然后把饱和度S分量图像转换成二值图像,再经细窄部位粘连去除算法进行初步分割,再由边界和区域的特征参数判断出粘连的麦穗图像,并利用基于凹点检测匹配连线的方法实现粘连麦穗的分割,进而识别出图像中的麦穗数量;通过计算图像中每个麦穗的面积像素点数并由预测公式得到每个麦穗的籽粒数,进而计算出每幅图像上所有麦穗的预测籽粒数,然后计算出0.25 m2区域内对应的4幅图像上的预测籽粒数;同时根据籽粒千粒质量数据,计算得到该区域内的产量信息。该文在识别3个品种田间麦穗单幅图像中麦穗数量的平均识别精度为91.63%,籽粒数的平均预测精度为90.73%;对3个品种0.25 m2区域的小麦麦穗数量、总籽粒数及产量预测的平均精度为93.83%、93.43%、93.49%。运用该文方法可以实现小麦田间单位面积内的产量信息自动测量。 相似文献
8.
基于轮廓特征的稻种芽谷检测方法 总被引：1，自引：3，他引：1
根据机器视觉检测杂交水稻种子质量的要求，针对单粒、静态稻种图像进行芽谷分析识别。对金优402、汕优10、中优207和加优99品种的稻种采集了黑、白背景， A、B两面共4×400幅图像，每幅图像提取出16个稻种轮廓特征参数，经主成分分析降维后作为网络输入，对网络结构进行优化并充分训练后分别建立了各品种的两层人工神经网络。网络对测试集正常稻种的识别准确率均超过95%，对芽谷的识别准确率在85%至90%之间。 相似文献
9.
基于改进型模糊边缘检测的小麦病斑阈值分割算法 总被引：1，自引：0，他引：1
针对小麦病斑分割不准确、噪声大以及病斑边缘不清晰等问题,结合传统的作物病斑分割方法,提出一种基于改进的模糊边缘检测的图像阈值分割算法。图像预处理方面,在分析了传统模糊边缘检测缺点的同时对算法作了两个方面的改进,使用梯度倒数加权平均滤波方法去除小麦病斑噪声,然后对多层次模糊算法进行数值分层改进,增强病斑边缘信息;最后对传统的阈值分割方法进行了算法改进,采用一种改进的最大类间方差比阈值分割方法,在增强图像边缘的基础上进行阈值分割,改进阈值选取方法,在模糊增强后的小麦病斑图像上进行阈值分割提取出小麦病斑形状特征。对在大田环境下获取的小麦病害图像进行边缘增强和阈值分割试验,与传统固定阈值分割算法试验对比得出,基于改进的模糊边缘增强与阈值分割相结合的改进算法正确分割率达98.76%,相比传统固定阈值分割算法提高了8.35个百分点,漏检比增加了1.29个百分点,噪声比为1.86%,相比减少了8.36个百分点,在运算时间上减少了0.331 s,不仅突出病斑边缘信息,而且分割效率高、噪声小,可为图像分割方法的研究提供了可参考依据。 相似文献
10.
11.
基于改进灰度共生矩阵和粒子群算法的稻飞虱分类 总被引：4，自引：3，他引：1
针对稻飞虱远程实时识别采集图像质量不高而无法使用颜色特征的问题,应用灰度共生矩阵提取的纹理特征值对稻飞虱分类进行了研究。采用自行设计的拍摄装置采集稻飞虱图像,经过一系列预处理后得到去掉背景的稻飞虱灰度图像;对灰度图像采用改进的灰度共生矩阵提取纹理特征值,再用反向传播BP(back propagation)神经网络和参数改进粒子群算法优化BP神经网络分别进行训练和测试,以此检验纹理特征值的识别效果和粒子群算法的优化效果。试验用Matlab验证算法,对白背飞虱、灰飞虱和褐飞虱共300个样本进行了训练和测试,结果表明基于参数选择改进粒子群算法优化BP神经网络的识别率总体达到了95%,比直接用BP神经网络的识别率高,而且经过Matlab测试,训练时间只用了0.5683s,说明粒子群算法更满足实时性要求。 相似文献
12.
基于病斑形状和神经网络的黄瓜病害识别 总被引：11，自引：9，他引：2
为了研究基于图像处理的黄瓜病害识别方法,试验中采集了黄瓜细菌性角斑病和黄瓜霜霉病叶片进行图像研究。在黄瓜病斑的图像分割方面,尝试了边缘检测法和最大类间方差法进行图像处理。边缘检测法提取出来的病态部位轮廓不是很完整,而利用最大类间方差法的图像分割效果较好。试验中提取了10个形状特征,选取黄瓜细菌性角斑病和黄瓜霜霉病叶片的各50个样本,其中每个病害的前30个样本,共计60个样本作为训练样本输入神经网络,对2种黄瓜病害叶片的后20个样本,共计40个样本进行测试,正确识别率达到了100%,说明通过病斑形状和神经网络进行黄瓜细菌性角斑病和黄瓜霜霉病的识别是可行的。 相似文献
13.
基于机器视觉的番茄内部品质预测 总被引：2，自引：2，他引：0
为了实现番茄内部品质的实施快速检测,利用机器视觉技术,从“定性”和“定量”两方面进行了番茄内部品质预测方法的研究。首先设计开发了番茄图像采集机器视觉系统,可分别从3个不同高度：0.5、1、1.5 m和6个不同方向：上、下、左、右、前、后采集番茄图像。视觉系统利用4个卤素灯作为光源,内部亮度恒定为600 lx。然后收集了68个不同生长阶段的番茄样本,样本根据是颜色从未成熟阶段（绿色）到成熟阶段（红色）被分为了5个等级。在利用开发的机器视觉系统采集了番茄样本的图像之后,通过RGB色彩模型、L*a*b*色彩模型 相似文献
14.
15.
基于图像识别的小麦腥黑穗病害特征提取与分类 总被引：10，自引：8，他引：2
小麦的网腥、印度腥与矮腥黑穗病危害小麦生产与人体健康,是出入境检验检疫的重要对象。该文利用小麦腥黑穗病害显微图像,采用图像分析与识别技术进行了小麦的网腥、印度腥及矮腥3类病害的分类识别。在分离出单个病害孢子图像的基础上,提取了3类病害孢子图像的16个形状和纹理特征,通过分析,从中选择小麦病害孢子的6个典型特征,并分别用最小距离法、BP神经网络和支持向量机分类器对提取的96个小麦腥黑穗病害孢子图像进行了分类试验,结果表明:支持向量机法对小麦腥黑穗病的分类识别能力优于最小距离法和BP神经网络,总体识别率达到82.9%。因此,采用图像分析技术和支持向量机识别方法进行小麦腥黑穗病害诊断的方法具有可行性。 相似文献
16.
基于机器视觉和BP神经网络的超级杂交稻穴播量检测 总被引：1，自引：6，他引：1
为了保证秧盘上每穴超级稻种子数量一致,实现精密播种作业,需对播种性能进行准确检测,但超级杂交稻播种到秧盘中,多粒种子存在粘连、重叠、交叉等情况,传统的面积、分割算法对上述情况播种量检测精度低,因此需提高上述情况种子播种量检测精度。考虑到种子连通区域的形状特征反映种子数量,该文提出一种基于机器视觉和BP神经网络超级杂交稻穴播量检测技术。针对超级稻颜色特征,采用RGB图像中红色R和蓝色B分量组成的2×R-B分量图和固定阈值法获取二值图像;投影法定位秧盘目标检测区域和秧穴;提取连通区域10个形状特征参数,包括面积、周长、形状因子、7个不变矩,建立BP神经网络超级稻数量检测模型,检测连通区域为碎米/杂质、1、2、3、4和5粒以上6种情况;试验结果表明,6种情况的检测正确率分别为96.6%、99.8%、97.2%、92.5%、86.0%、94.3%,平均正确率为94.4%,每幅图像平均处理时间0.823s,满足精密育秧播种流水线在线检测要求;研究结果为实现精密恒量播种作业提供参考。 相似文献
17.
针对内蒙古乌兰察布市荒漠化草原牧草监测与数字化程度较低的问题,该文实现了2种典型牧草的特征提取与图像识别,为多牧草种类识别与草业管理提供依据。利用智能导航车采集草原原始图像,对羊草和灰绿藜2种牧草图像提取RGB与HSV颜色矩特征并建立相应的规则库,数据表明二者的颜色矩特征具有明显区别。采用2G-B-R色差特征的模糊C-均值聚类算法对图像进行背景分割后,构建了一种3层BP神经网络模型,通过主成分分析法(principal component analysis,PCA)将15维输入特征参数降为10维以提高识别速度,且最终的整体识别率达到89.5%,实现了羊草与灰绿藜图像的有效分类识别,同时得到灰绿藜与羊草在测试图像中的植被覆盖度分别约为9.78%、34.21%。试验结果表明,利用颜色矩特征为基础,模糊C-均值聚类算法与BP(back propagation,BP)神经网络模型为分割、识别手段能够有效地实现典型牧草的图像分类研究。自动识别牧草是草业数字化的重要组成部分,可为监测植被物种多样性、草种退化及病虫草害的控制提供科学依据,是实现现代草原生态环境保护,发展草原经济的重要途径。 相似文献
18.
基于卷积神经网络的花生籽粒完整性识别算法及应用 总被引：8，自引：5，他引：3
针对现有色选设备在花生颗粒筛选过程中处理速度慢、准确率低的缺点,提出基于卷积神经网络的花生籽粒完整性识别算法。以完好花生、表皮破损花生和果仁破损花生的分类为例,构建花生图像库;搭造卷积神经网络,提取花生图像特征;为提高分类准确率和实时性,从训练集构成、减小过拟合、加快训练收敛速度、简化网络结构等几方面对卷积神经网络进行优化;最终利用含2个卷积层、2个池化层、2个全连接层的3层神经网络实现了上述3类花生的分类。试验结果表明：该方法对花生分类的准确率达到98.18%,平均检测一幅单粒花生图像的时间为18 ms,与现有色选设备相比有效提高了色选设备筛选的准确率和实时性。 相似文献
19.
基于粗糙集和BP神经网络的棉花病害识别 总被引：7，自引：10，他引：7
为了提高棉花病害的识别率,提出了一种在自然环境条件下基于粗糙集和BP神经网络的棉花病害识别方法。该方法以轮纹病、角斑病、褐斑病和盲椿象为研究对象,将病害棉花图像从RGB颜色空间转换到HSI和L*a*b*颜色空间,应用Otsu算法对H分量、a*分量和b*分量进行阈值分割,通过H+a*+b*分量与原始图像的交集提取棉花病斑区域,利用颜色矩和灰度共生矩阵分别提取病斑的颜色和纹理特征,并结合粗糙集理论和BP神经网络,实现特征向量的优选,和棉花病害的识别。通过比较试验发现,粗糙集理论能有效减少特征维数,使提取的全部特征向量16个减少到5个,使BP神经网络的训练时间缩短到原来的1/4,且棉花病害平均识别正确率达到92.72%。研究结果表明,该方法准确识别了4种棉花病害,为棉花病害的防治提供了有效的技术支持。 相似文献