共查询到17条相似文献，搜索用时 875 毫秒
1.
识别小麦抽穗扬花期抽穗情况,可用于指导后期水肥管理、病害防治和产量预测等。为实现准确、自动地麦穗计数,提出一种基于颜色特征的麦穗计数方法。抽穗扬花期小麦麦穗与叶片、茎秆颜色非常接近,常见颜色特征并不能有效分割麦穗,通过彩色直方图均衡化和红绿归一化差异指数对麦穗进行有效提取。针对图像中麦穗粘连问题,利用改进Harris角点检测算法分别对垂直拍摄和45°夹角拍摄的小麦图像进行验证。通过样本图像进行计数试验,准确率分别为96.06%和94.74%。结果表明,经均衡化处理后麦穗、叶片和茎秆出现明显颜色色差,可以利用颜色特征提取大田环境下抽穗扬花期麦穗图像;麦穗细化后进行骨架交点检测,可用于粘连麦穗的准确计数。 相似文献
2.
基于机器视觉的大田环境小麦麦穗计数方法 总被引：6，自引：0，他引：6
基于机器视觉技术研究了一种低成本、针对局部小范围的小麦麦穗计数方法。通过部署的田间摄像头采集大田环境下小麦麦穗低分辨率群体图像,实现了复杂大田环境下小麦麦穗图像的降噪增强处理;提取麦穗的颜色、纹理特征,采用SVM学习的方法,精确提取小麦麦穗轮廓,同时构建麦穗特征数据库,对麦穗的二值图像细化得到麦穗骨架;最后通过计算麦穗骨架的数量以及麦穗骨架有效交点的数量,即可得到图像中麦穗的数量。经过2014年5月和2015年5月在方城县赵河镇示范区的试验测试,以小麦麦穗图像640像素×480像素（约250穗）为例,小麦麦穗计数平均耗时1.7 s,准确率达到93.1%,满足大田环境下小麦麦穗计数要求,可以为小麦估产提供可靠的参考数据。 相似文献
3.
为有效地对小麦籽粒品种进行分类，判别影响小麦籽粒品种识别的特征，进行基于特征选择的小麦籽粒品种识别研究。首先采集农大3416-18、内乐288、衡水6632、百农419、洛麦28和新麦26六个品种的小麦籽粒图像18 000张，对采集的图像进行预处理，提取小麦籽粒的颜色特征、形态特征和纹理特征三大类共28个特征值，并对特征进行相关性分析。然后分别构建不同特征融合模型以及数据降维和数据增强模型。最后进行试验分析，基于纹理+形态+颜色三个特征融合模型平均识别准确率为91.02%，其中基于纹理+形态+颜色特征模型的洛麦28识别率最高，达97.0%；经过线性判别分析，降维处理的小麦特征数据识别准确率达86.19%，模型训练时间仅0.87 s；基于数据增强后的平均识别准确率达94.26%。试验表明基于特征选择的小麦籽粒识别是可行的，有助于育种工作者对小麦籽粒识别做出更准确判断，具有一定的实际意义。 相似文献
4.
小麦穗部形态参数是直接反应小麦生长状况的重要参数,是育种和考种专家关心的重要参数。为了实现小麦穗部形态特征的无损测量和基于这些特征的快速品种分类,该文提出了基于形态学的穗部性状：芒个数、平均芒长、穗长和穗型的自动提取方法。首先通过小麦图像的形态学运算将麦芒去除得到只有小麦主部的图像,通过寻找主轴方向角和旋转计算外接矩形长度的方法计算穗长,通过对麦芒图像的细化和角点检测方法计算芒长和芒个数,通过宽度系数比例判断穗型,然后利用提取的其中8个特征参数,设计了一个3层的BP神经网络,对4个小麦品种240张图片进行分类识别,识别准确率达到88%。该方法可为小麦快速品种分类提供参考。若能将小麦的其他外部参数同时作为品种识别的输入数据,将会大大提高品种识别的准确性。 相似文献
5.
针对猪只人工计数方法消耗时间和劳动力，育肥猪较为活跃且喜好聚集，图像中存在大量的高密度区域，导致猪只之间互相粘连、遮挡等问题，基于SOLO v2实例分割算法，提出了一种自然养殖场景下融合多尺度特征金字塔与二代可变形卷积的高密度群养猪计数模型。通过优化模型结构来减少计算资源的消耗与占用。将科大讯飞给出的猪只计数的公开数据集划分为猪只分割数据集和猪只盘点测试集，利用猪只分割数据集获得较好的分割模型，然后在猪只盘点测试集中测试盘点准确率，实现猪群分割和猪只计数。实验结果表明，本文提出的高密度猪只计数模型的分割准确率达到96.7%，且模型内存占用量为256MB，为改进前的2/3，实现了遮挡、粘连和重叠情况下的猪只个体高准确率分割。在含有500幅猪只图像计数测试集中，模型计算猪只数量误差为0时的图像数量为207幅，较改进前提高26%。模型计算猪只数量误差小于2头猪的图像数量占测试图像总数量的97.2%。模型计算猪只数量误差大于3头猪的图像数量占总体图像数量比例仅为1%。最后，对比基于YOLO v5的群养猪计数方法，本文模型具有更优的分割效果和计数准确率，验证了本文方法对群养猪只计数的有效性。因此，本文模型既实现了高密度猪群的精准计数，还通过优化模型结构大大降低了模型对计算设备的依赖，使其适用于养殖场内猪群在线计数。 相似文献
6.
稻茬小麦机械化播种与人工撒播对比试验研究 总被引：1，自引：0，他引：1
为适应稻麦周年机械化,推广小麦机械化播种,集成与配套不同播种条件下小麦农机与农艺配套技术。通过大田试验,设置适期、迟播和晚播3个播期,每个播期内比较小麦一体化机条播和人工撒播2个播种方式对稻茬小麦扬麦16产量形成和氮肥利用效率的影响。结果表明:同一播期内机条播处理小麦出苗率、每穗粒数、实际产量均显著高于人工撒播处理,且机条播处理小麦基部节间较撒播处理有缩短趋势,氮肥利用效率提高明显;随着播期的推迟机条播处理小麦出苗率、每穗粒数、株高和产量均显著降低,与人工撒播相比,不同播期机条播处理小麦,氮肥偏生产力和氮肥农学利用利用率分别提高7.1%～8.2%和5.0%～5.9%。 相似文献
7.
基于卷积神经网络的冬小麦麦穗检测计数系统 总被引：7，自引：0，他引：7
为进一步提高大田环境下麦穗识别与检测计数的准确性,基于图像处理和深度学习技术,设计并实现了基于卷积神经网络的冬小麦麦穗检测计数系统。根据大田环境下采集的开花期冬小麦图像特点,提取麦穗、叶片、阴影3类标签图像构建数据集,研究适用于冬小麦麦穗识别的卷积神经网络结构,构建了冬小麦麦穗识别模型,并采用梯度下降法对模型进行训练;将构建的冬小麦麦穗识别模型与非极大值抑制结合,进行冬小麦麦穗计数。试验结果表明,该系统构建的冬小麦麦穗识别模型能够有效地克服大田环境下的噪声,实现麦穗的快速、准确识别,总体识别正确率达到99. 6%,其中麦穗识别正确率为99. 9%,阴影识别正确率为99. 7%,叶片识别正确率为99. 3%。对100幅冬小麦图像进行麦穗计数测试,采用决定系数和归一化均方根误差(NRMSE)进行正确率定量评价,结果表明,该系统计数结果与人工计数结果线性拟合的R~2为0. 62,NRMSE为11. 73%,能够满足冬小麦麦穗检测计数的实际要求。 相似文献
8.
9.
针对苹果园害虫识别过程中的粘连问题,提出了一种基于形色筛选的害虫粘连图像分割方法。首先,采集苹果园害虫图像,聚焦于羽化害虫。害虫在羽化过程中已完成大部分生长发育,其外部形态、颜色、纹理更为稳定显著。因此,基于不同种类害虫的形色特征信息分析,来获取害虫HSV分割阈值和模板轮廓。其次,利用形状因子判定分割粘连区域,通过颜色分割法和轮廓定位分割法来实现非种间与种间粘连害虫的分割。最后,对采集的苹果园害虫图像进行了试验分析,采用基于形色筛选的分割法对单个害虫进行分割,结果表明,本文方法的平均分割率、平均分割错误率和平均分割有效率分别为101%、3.14%和96.86%,分割效果优于传统图像分割方法。此外,通过预定义的颜色阈值,本文方法实现了棉铃虫、桃蛀螟与玉米螟的精准分类,平均分类准确率分别为97.77%、96.75%与96.83%。同时,以Mask R-CNN模型作为识别模型,平均识别精度作为评价指标,分别对已用本文方法和未用本文方法分割的害虫图像进行识别试验。结果表明,已用本文方法分割的棉铃虫、桃蛀螟和玉米螟害虫图像平均识别精度分别为96.55%、94.80%与95.51%,平均识别精度分别提高16.42、16.59、16.46个百分点。这表明该方法可为果园害虫精准识别提供理论和方法基础。 相似文献
10.
为实现小麦生物量田间快速无损监测,开展基于不同密度、氮肥和品种处理的田间试验,应用无人机获取小麦越冬前期、拔节期、孕穗期和开花期4个时期的RGB图像,通过影像处理获取小麦颜色指数和纹理特征参数,并同时期通过田间取样获取小麦生物量;分析不同颜色指数和纹理特征参数与小麦生物量的关系,筛选出适合小麦生物量估算的颜色和纹理特征... 相似文献
11.
针对传统的树干分割算法存在分割精度低、实时性差的问题,提出了一种融合深度特征和纹理特征的树干快速分割算法。首先,通过Realsense深度摄像头采集树干彩色图像和深度图像;随后,采用超像素算法对彩色图像进行分割,并融合深度和纹理相近的相邻超像素块,最后对深度图像进行宽度检测,并对宽度在阈值范围内的物体所属的超像素块进行色调匹配,区分树干与非树干。在室内和室外植株实验中分别运用本文算法、GrabCut算法与K-均值算法进行树干分割,本文算法的平均召回率和平均准确率分别为87. 6%和95. 0%,GrabCut算法分别为78. 0%和92. 8%,K-均值算法分别为80. 2%和89. 1%;本文算法平均耗时为0. 20 s,GrabCut算法为0. 66 s,K-均值算法为4. 42 s。实验结果表明,本文算法的快速分割效果较好,在保证分割精度的同时,简化了识别过程,加快了分割速度,能够应用于室内和室外树干的分割。 相似文献
12.
基于超像素特征的苹果采摘机器人果实分割方法 总被引：3，自引：0，他引：3
针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087s,基本满足实时性需求。 相似文献
13.
基于颜色特征与多层同质性分割算法的麦田杂草识别 总被引：1，自引：0，他引：1
针对杂草与小麦叶子交叠的情况,提出了一种利用改进的多层同质性分割算法,并综合颜色与形态特征的杂草识别方法。在颜色空间YIQ,选取I作为特征量并用改进的最大类间方差法分离植物与背景;在颜色空间HSI,选取I的同质性量和S作为特征量进行多层同质性分割分离小麦与杂草;最后结合形态学特征开闭运算滤波及二值逻辑与运算获得杂草图像;通过模拟化学除草系统,从理论上评价整个系统的除草效率。试验结果表明,杂草正确识别率达92.6%,单幅图像除草剂的减少率在35%~50%,小麦田的除草剂减少率超过78.7%。 相似文献
14.
基于视差图像的重叠果实图像分割算法 总被引：3，自引：0，他引：3
为解决自动采摘视觉系统中重叠果实的分割问题,提出了基于视差图像的果实分割算法。采用双目立体视觉系统获取图像对,对图像对进行预处理和校正,通过图像对的立体匹配来获取视差图像,最后对视差图像进行分割。该算法将分割的依据和信息从二维图像的颜色、形状、纹理等扩展到三维空间的深度,对空间距离不同的目标具有较好的分割效果。实验表明,对获取的视差图像进行基于区域的分割时,其区域间灰度对比度为0.98,目标计数一致性达到0.90;进行基于边缘的分割时,其边缘检测误差为5.74%,因此,该方法对重叠果实区域的分割是有效的。 相似文献
15.
16.
17.
低空无人机影像分辨率对冬小麦氮浓度反演的影响 总被引：1，自引：0，他引：1
针对目前基于无人机遥感进行作物氮素营养诊断中缺乏规范化的标准来指导无人机应用过程中数据获取与处理的问题,开展了不同分辨率、低空无人机影像对冬小麦植株氮浓度反演影响的研究。在小麦生长的灌浆期,通过设置15、30、50、80 m共4种无人机飞行高度,获取了不同分辨率下的无人机多光谱影像,并开展地面试验,采集冬小麦植株氮浓度信息。基于这些数据,提取了不同分辨率下影像的光谱信息和纹理特征,并分别建立光谱信息、纹理特征和光谱信息+纹理特征等反演植株氮浓度的模型。对不同情景下的模型估测效果进行比较,结果表明,影像分辨率在1.00～5.69 cm之间变化时,影像光谱信息对小麦植株氮浓度反演影响不大,各情景下建模结果和验证结果差异较小;随着影像分辨率的降低,影像纹理特征对小麦植株氮浓度反演的效果变差;影像光谱信息+纹理特征信息对小麦植株氮浓度反演效果整体随着影像分辨率的提高呈增加趋势,且其反演结果优于单一光谱特征或单一纹理特征的反演效果。 相似文献