共查询到19条相似文献，搜索用时 281 毫秒
1.
2.
利用不同品种糯玉米各生长时期叶片的反射与透射数字图像特征,以叶片数字特征研究不同糯玉米品种的识别方法,以及不同类特征或特征类组合的识别稳定性。连续2年采集不同生长时期各糯玉米品种的叶片,提取叶片反射与透射图像特征各48个(其中,形态类特征11个、颜色类特征24个、纹理类特征13个),利用自建的BP神经网络模型对两种图像模式下的单特征和特征组合进行识别。结果表明,反射图像和透射图像的单特征和特征组合的平均识别率均达到了90%以上;基于反射图像,单特征中的纹理特征和颜色特征以及组合特征中的颜色+纹理特征组合均具有较高的识别稳定性;基于透射图像,单特征中的纹理特征以及形态+颜色、形态+纹理特征组合均具有相对较高的识别稳定性。利用各生长时期的叶片实现对糯玉米的品种识别具有一定的可行性;同时引入透射图像特征也为其它农作物的品种识别提供了一种新的借鉴方法。 相似文献
3.
4.
近年来,基于传统机器学习和深度学习的叶片病害识别算法取得显著进展。然而现有病害识别模型大多采用单一类型特征,即对叶片病害图像提取颜色纹理等传统特征或采用深度学习自动学习特征。一方面采用深度学习自动学习特征需要大量样本,计算开销较大;另一方面传统特征往往应用于小规模病害数据集。因此提出基于多视图特征融合的病害识别算法,首先提取病害叶片图像的Gist特征以及基于深度学习预训练模型VGG16的深度特征,通过深度典型相关分析(DCCA)发掘传统特征与深度特征的相关性,获得更加鲁棒的特征子空间,从而提高识别效果。在Plant Village上的试验结果表明,采用DCCA融合传统特征和深度特征的识别方法比单类型特征识别法的识别精度要高,其平均识别精度可达88.45%。 相似文献
5.
植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。针对低维特征不能全面描述叶片信息,识别准确率低的问题,提出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取Hu不变矩特征、灰度共生矩阵特征、局部二值模式特征和Gabor特征,对纹理图像提取分形维数,共得到2 183维特征参数。再采用主成分分析与线性评判分析相结合的方法对叶片多特征进行特征降维,将叶片高维特征数据降到低维空间。降维后的训练样本特征数据使用支持向量机分类器进行训练。试验结果表明:使用训练后的支持向量机分类器对Flavia数据库和ICL数据库的测试叶片样本进行分类识别,平均正确识别率分别为92.52%、89.97%,有效提高了植物叶片识别的正确率。 相似文献
6.
基于计算机视觉系统分析研究缺素番茄叶片的色彩图像,可以准确提取出缺素番茄叶片色彩图像的特征。对当前缺素番茄叶片色彩图像特征提取中,可以运用计算机视觉,优化设计图像处理软件,依据番茄叶片颜色特征来完成缺素番茄叶片的识别。实验表明:基于计算机视觉系统,优化设计缺素番茄叶片色彩图像特征提取软件,可提升缺素番茄叶片色彩图像分析精度(提升32.0%),准确判断提取缺素番茄叶片图像的特征。基于计算机视觉系统,进行缺素番茄叶片的色彩图像特征提取,有效提高了缺素番茄叶片色彩图像分析精度,可在实践中推广应用该技术。 相似文献
7.
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
8.
基于随机森林算法的自然光照条件下绿色苹果识别 总被引：6，自引：0，他引：6
果实识别是自动化采摘系统中的重要环节，能否快速、准确地识别出果实直接影响采摘机器人的实时性和可靠性。为了实现自然光照条件下绿色苹果的识别，本文采集了果实生长期苹果树图像，并利用随机森林算法实现了绿色苹果果实的分类和识别。针对果树背景颜色和纹理特征的复杂性，尤其是绿色果实和叶片在很多特征上的相似性，论文基于RGB颜色空间进行了Otsu阈值分割和滤波处理，去除枝干等背景，得到仅剩果实和叶片的图像。然后，分别提取叶片和苹果的灰度及纹理特征构成训练集合，建立了绿色苹果随机森林识别模型，并使用像素模板验证数据集，对模型进行预测试验，正确率为90%。最后，选择10幅自然光照条件下不同的果树图像作为检测对象，使用该模型进行果实识别并使用霍夫变换绘制果实轮廓，平均识别正确率为88%。结果表明，该方法具有较高的鲁棒性、稳定性、准确性，能够用于自然光照条件下绿色果实的快速识别。 相似文献
9.
10.
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
11.
为了实现无损检测生菜叶片中重金属镉的污染程度,以计算机视觉技术为研究手段,结合图像处理方法和特征选择方法,对4个梯度重金属镉胁迫的生菜叶片进行识别。首先利用数码相机获取生菜叶片图像,然后使用K-means聚类算法分割图像,对分割出的目标图像提取图像颜色、形状和纹理特征,共获取46个图像特征。为了使模型更简便和减少数据量,利用基于变量组合的变量重要性分析(VIAVC)和竞争性自适应重加权算法(CARS)对图像特征进行降维。采用偏最小二乘法判别分析(PLS-DA)和随机森林(RF)构建模型,用于生菜镉胁迫程度的识别。结果表明,在7个组合特征模型中,颜色形状纹理融合特征所建立的模型给出了最优结果,测试集分类正确率为92%。用VIAVC和CARS对颜色形状纹理融合特征进行特征选择,发现VIAVC的降维效果优于CARS。使用特征选择的变量建立模型,RF模型的训练集分类正确率和预测集分类正确率均高于PLS-DA,其中,基于VIAVC的RF模型的训练集和预测集分类正确率分别为98.0%和96.0%。可见,基于VIAVC的RF模型在大大降低了特征维数的前提下,能够较好地对不同镉胁迫程度的生菜叶片进行识别。 相似文献
12.
为了从混合的饱满红枣和干瘪红枣中识别出干瘪红枣,首先分析了颜色空间模型的特性,选择灰度图、RGB颜色空间模型的R分量、L*a*b*颜色空间模型的a*分量,并使用不同的梯度算子作为对比;然后通过形态学运算、逻辑运算去除异常梯度,进行梯度归一化变换;最后采用归一化的梯度直方图作为红枣表面的纹理特征表示方法,并计算其梯度分布不均匀性作为判别准则。利用12通道红枣分选机采集240幅饱满与202幅干瘪红枣图像作为样本图像。实验结果表明,采用简单梯度算子对L*a*b*模型的a*分量提取纹理信息效果最好,误判率为0.83%,正确识别率高达99.01%。 相似文献
13.
14.
特征提取和相似性度量是基于图像处理的农作物病虫害识别方法中的两大关键问题。以感染小麦白粉病的叶片为研究对象,提出了一种基于椭圆型度量学习的小麦叶部病害严重度识别算法。该算法首先给出了一种滑窗最大值（Moving window maximum, MWM）特征提取方法,对分割后的病斑图像采用滑窗法提取HSV颜色特征和LBP纹理特征,在同一水平条滑窗上取每一维特征的最大值作为这一水平条的特征,这种MWM特征表示方法能有效减弱小麦叶片弯曲、倾斜、拍摄角度不同等对识别率的影响;然后,引入对样本数据具有更好区分性的椭圆型度量,根据样本的类内与类间高斯分布的对数似然比定义椭圆型度量矩阵,为了保持最大化的分类信息,将特征子空间学习和椭圆型度量学习同时进行;最后,利用得到的椭圆型度量计算特征向量之间的距离实现不同严重度病害的识别。对比实验结果表明,本文算法使得小麦白粉病严重度的识别正确率达到了100%,优于SVM方法的88.33%、BP神经网络方法的90%。 相似文献
15.
基于PCA—SVM的棉花出苗期杂草类型识别 总被引：3，自引：0，他引：3
为了实现棉田中不同类型杂草的机器视觉识别,提出基于主成分分析和支持向量机的棉花出苗期杂草识别方法。该方法通过提取棉田图像中棉花和杂草的颜色、形状、纹理等特征,并利用主成分分析(PCA)降低特征变量空间维数,结合支持向量机,实现对棉田杂草类型分类。通过120个棉花杂草测试样本分类试验结果发现,经PCA降维得到的前3个主成分分量能有效减少支持向量机的训练时间和提高分类正确率;通过对比发现前3个主成分分量与径向基核函数支持向量机相结合效果最好,其训练时间为91 ms,平均分类正确率达98.33%。 相似文献
16.
依据笋芽出土状态的选择性收获是目前白芦笋公认的最佳收获方式。针对采收过程中机器视觉识别笋尖存在笋尖与垄面纹理和颜色相近等识别难题，本研究提出了一种变尺度感兴趣区域（ROI）检测方法，融合图像色域变换、直方图均值化、形态学和纹理滤波等技术，研究了笋尖识别与精准定位方法；在定位多笋尖坐标基础上，提出了多笋芽的采收路径优化方法，解决了因采收路径不合理导致的采收效率低的问题。首先，通过机器人视觉系统实时采集采收区域图像并进行RGB三通道高斯滤波，采用HSV色域变换并进行直方图均值化处理。在此基础上，对笋尖、土壤进行特征聚类分析，根据笋芽抽发程度研究变尺度ROI检测方法，对采集图像中笋尖的形态学以及笋尖和土壤的纹理进行统计学分析，设定笋尖的似圆度阈值，并参考纹理特征参数，判定笋尖位置，计算其几何中心，获得笋尖轮廓中心坐标。其次，为实现白芦笋的高效采收，根据多目标点与集箱点的位置分布，本研究设计了一种基于多叉树遍历的采收路径优化算法，以获得多个目标笋尖的最优采收路径。最后，搭建采收机器人试验平台开展了笋尖定位与采收验证性试验。结果表明，视觉系统对白芦笋的识别率可达98.04%，笋尖轮廓中心坐标的定位最大误差X方向为0.879 mm，Y方向为0.882 mm，采收笋的个数在不同情况下，采用路径优化后的末端执行器运动距离平均可节省43.89%，末端执行器定位成功率达到100%，在实验室环境下的白芦笋采收率达到88.13%，验证了采用视觉定位的白芦笋采收机器人选择性采收的可行性。 相似文献
17.
针对温室黄瓜早期霜霉病高光谱图像田间采集环境光照的影响及有效病害特征难以提取的问题，提出融合病害差异信息改进的竞争性自适应重加权算法(Competitive adaptive reweighted sampling, CARS)和连续投影算法(Successive projections algorithm, SPA)相结合的特征波段提取方法，并建立了黄瓜霜霉病早期检测模型。首先，采集黄瓜健康叶片和染病12d内每天的高光谱图像，按病程分为7类；提取感兴趣区域，并计算平均光谱作为光谱数据；采用包络线消除法确定霜霉病害差异波段，基于病害差异波段采用CARS对7个不同阶段的光谱数据分别提取特征波段，再利用SPA进行二次降维寻优；最后，将各特征波段组合，得到47个特征波段数据，据此建立最小二乘-支持向量机(Least square support vector machines, LSSVM)模型，用于病害检测。在94个叶片样本组成的测试集上进行了病害检测实验，结果表明，融合病害差异信息的Dis-CARS-SPA-LSSVM对染病2d到发病12d均能取得100%的检测识别率；对染病1d的测试集检测识别率达到95.83%，其中染病样本的召回率达到100%，相较于未融合病害差异信息的CARS-SPA特征提取方法识别率高4.16个百分点。说明所提出的Dis-CARS-SPA-LSSVM模型能够有效实现温室黄瓜霜霉病害的早期检测。 相似文献
18.
以生长期为10 d的杂草稻和水稻为研究对象,采集其高光谱图像信息,对其进行滤波预处理后,利用主成分分析方法优选出1448.89 nm和1469.89 nm波长下的特征图像.对每个特征图像,分别提取其形状特征、纹理特征和颜色特征,共18个特征变量.基于这些特征变量,利用神经网络方法建立杂草稻和水稻的判别模型,模型训练时杂草稻和水稻的回判率都为100％;预测时,杂草稻的回判率为92.86％,水稻的回判率为96.88％.研究表明,利用高光谱图像技术快速鉴别稻田苗期杂草稻是可行的. 相似文献
19.
基于高阶谱法作物重金属污染元素判别与污染程度诊断 总被引：1，自引：0，他引：1
基于不同铜离子(Cu~(2+))和铅离子(Pb~(2+))胁迫梯度下玉米叶片光谱微分数据,结合高阶谱估计与灰度-梯度共生矩阵(Gray gradient co-occurrence matrix,GGCM)的特征提取方法,提出了Cu~(2+)和Pb~(2+)污染定性分析、污染元素种类识别和污染程度诊断的方法。首先,测量了不同胁迫梯度下玉米叶片光谱数据以及叶片中富集的Cu~(2+)、Pb~(2+)含量;然后,利用高阶谱估计的ARMA模型参数法对各类玉米叶片微分光谱数据序列进行双谱估计,得到bisp_rts和bisp_qs矩阵及其相应的双谱三维图,从而可以直观可视地定性分析玉米是否已受Cu~(2+)和Pb~(2+)污染,辨别出Cu~(2+)或Pb~(2+)污染的元素类别;最后,构造bisp_rts和bisp_qs矩阵相应的GGCM,通过提取各GGCM的纹理参量特征值,诊断玉米叶片受Cu~(2+)和Pb~(2+)的污染程度。实验结果表明:高阶谱估计可以定性分析玉米老叶(O)、中叶(M)、新叶(N)是否已受Cu~(2+)和Pb~(2+)污染,也可辨别出O、M叶片所受Cu~(2+)或Pb~(2+)污染的元素类别;bisp_rts矩阵的灰度分布不均匀性(T1)、能量(T2)特征值均能反映O、M叶片中Pb~(2+)含量的变化,能较好地诊断O、M叶片中Pb~(2+)的污染程度,而bisp_qs矩阵的小梯度优势(T3)特征值能反映O、M叶片中Cu~(2+)含量的变化,能较好地诊断O、M叶片中Cu~(2+)的污染程度。 相似文献