排序方式: 共有37条查询结果,搜索用时 546 毫秒
11.
基于纹理和颜色特征的甜瓜缺陷识别 总被引:5,自引:1,他引:4
为了提高硬皮甜瓜缺陷分类的正确率,提取基于纹理和颜色的综合特征,采用支持向量机分类器构造了甜瓜缺陷的自动检测系统。对甜瓜图像可疑区进行了纹理分析,提取灰度共生矩阵的4个特征参数,经过比较实验得出,对比度和角二阶矩2个参数对甜瓜瓜蒂、花萼、擦伤和霉变有明显的可区分性。在可疑区域上提取了由R、G、B分量及其算术运算组成的12种颜色特征,通过实验筛选出4种具有较好区分性的颜色特征。实验结果表明,由这些优选出的纹理与颜色特征组成的综合特征及支持向量机分类器对甜瓜缺陷的识别正确率达到92.2%。 相似文献
12.
农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有:公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望:如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。 相似文献
13.
为了解决河水流速的视频测量需要投掷浮标、效率低等问题,提出了基于机器视觉的河水表面流速测量方法。采用高清摄像机拍摄河水流动视频,捕捉河水流动时表面产生的波浪运动。为了凸显这些细微的水面运动,利用帧差法计算运动显著性图。提取相邻2帧显著性图的SURF特征点,通过特征点匹配法找出相邻2帧的匹配点,将匹配点间的距离作为特征点在2帧图像间的运动距离。计算了多帧图像间特征点运动距离的直方图,该直方图具有单峰特征;通过对直方图进行曲线拟合准确地找到峰值对应的距离,将其作为最优的运动距离。最后结合帧间时间和根据小孔成像原理导出的速度公式估计出河水表面流速。为了验证该方法的有效性,用流速仪和该方法进行了对比试验。结果表明,该方法具有精度好、稳定性高和运算速度快的优点。在低、中速河流速度估计时,该方法最大变异系数为1.63%,与流速仪测量结果的最大相对误差仅为3.12%。对2组数据的一致性分析表明,2组数据的皮尔逊相关系数和斯皮尔曼相关系数分别为0.998和0.990,显示了该方法的速度估计值与流速仪实测值有良好的一致性。与已有的图像处理方法相比,不仅更为准确,而且耗时更短。研究可为用其他机器视觉处理算法估计复杂水面和高速水流提供参考。 相似文献
14.
基于卷积神经网络的葡萄叶片病害检测方法 总被引:5,自引:0,他引:5
文章采用多角度建议区域Faster-RCNN准确定位图像中葡萄叶片,提出一种基于卷积神经网络的病害检测方法,检测图像叶片病害。相比直接检测图像病害,可去除背景因素对病害区域干扰,降低错误率。结果表明,该算法对自然条件下葡萄病害成像适应性良好。文章统计6种不同条件下拍摄图像,对一般叶片检测算法平均mAP为75.52%,显著高于传统算法。在病害检测时,采用两种策略:从一幅图像中检测到每个单个叶片,或将整幅图像对叶片取掩模后,作为下一级病害检测器输入图像。结果表明,第一种方法,6种常见葡萄病害平均mAP为66.47%,其中褐斑病与白粉病mAP超过70%;第二种方法,病害检测平均mAP为51.44%,但平均检测时间节约75%。两种方法性能均优于在原始图像上直接病害检测方法。 相似文献
15.
16.
17.
利用Automation技术制作复杂报表的方法 总被引:2,自引:0,他引:2
在复杂报表的制作中,结合Automation和ActiveX技术,开发了一个ActiveX控件。该控件中创建了一些WORD对象。它可以根据任意给定的数据库动态产生一篇WORD文档;在该文档中,记录被存放在Word类型的表格中。该控件提供3种方法和若干属性作为接口,使第三方的程序员可以在自己的程序开发中使用该控件。 相似文献
18.
基于叶片图像的植物鉴别技术研究进展(综述) 总被引:1,自引:0,他引:1
基于叶片的计算机图像处理与识别技术,实现了植物分类的自动化和快捷化.从叶片分类和检索两个方面回顾了近年来基于叶片图像的植物分类领域的研究进展,围绕叶片图像的特征选取、分类器设计、相似性度量和算法性能等方面对多种方案的技术特点做了介绍,并指出了目前这些技术需要改进的方面. 相似文献
19.
自然条件下葡萄叶片图像颜色一致性恢复效果的对比研究 总被引:2,自引:2,他引:0
针对不同的光照以及不同天气条件引起叶片图像颜色不一致的问题,采用10种典型的颜色恒常性算法对葡萄叶片图像中颜色的恢复效果进行对比试验,用色差ΔEa*b*和估计光源角度误差2种方法对不同算法的颜色恢复效果进行评价。试验结果表明:各种算法对图像中叶片颜色恢复均有一定的效果,其中2nd-order Grey-Edge和Edge-based Gamut Mapping 2种算法对不同光照和天气条件下以及多个品种的葡萄叶片图像处理后,其色差误差和估计光源角度误差均达到最小;从视觉角度上看,这2种算法处理后的图像也最接近基准图像。试验还表明:这2种颜色恒常性算法对于解决农业领域中许多由于成像条件的差异所引起的图像颜色偏差问题有明显的效果,而且能很好地实现葡萄叶片图像中颜色的恢复。 相似文献
20.
基于时序图像跟踪的葡萄叶片病害动态监测 总被引:4,自引:4,他引:0
为提高自然成像条件下的酿酒葡萄图像中病害识别的可靠性,对时序叶片图像作连续病害检测并监测病斑变化情况。首先,在每一天利用Faster R-CNN算法对摄像机视场中葡萄叶片进行检测,对检测到的叶片采用改进卡尔曼滤波法进行跟踪,以获得叶片正面图像。为了实现多叶片跟踪和解决由遮挡而造成的跟踪失败问题,该文在卡尔曼滤波和匈牙利算法基础上,结合运动测度和深度外观信息对跟踪目标进行匹配,运动匹配时采用马氏距离,外观匹配方面采用最小余弦距离。其次,将不同日期的叶片正面图像做SIFT(scale-invariant feature transform)匹配,找到同一叶片按日期排列的一组序列图像,并在序列图像中通过深度学习技术进行病害识别。最后,通过监测叶片序列图像上病斑相对面积变化或病斑数量是否增加来确认病害的存在。该文对提出的跟踪算法、叶片匹配算法和序列图像上病害识别的精度进行了测试,试验表明:跟踪算法平均多目标跟踪准确度为73.6%,多目标跟踪精度为74.6%,基于判别模型颜色特征的传统跟踪算法两指标分别为14.3%和61.3%;基于SIFT特征的叶片匹配在识别同一叶片时的精度达到了90.9%;病害监测方面,虚警综合排除率(马修斯相关系数)达到了84.3%。该文的方法可以排除一些虚假病害,病害监测的可靠性有所提高,可适用于自然条件下葡萄病害的连续在线监测。 相似文献