基于参数自适应脉冲耦合神经网络的黄瓜目标分割

对脉冲耦合神经网络的参数进行简化,并自适应确定各参数,将图像的空间信息和灰度信息耦合到加权耦合连接系数中,进行温室黄瓜图像分割,采用二维Tsallis熵选择最佳迭代结果.试验结果表明:用区域对比度(GC)和区域一致性(UC)评价方法评价,该方法的分割效果好于采用香农熵和最小交叉熵终止迭代的标准脉冲耦合神经网络分割效果.     

基于图像处理的温室黄瓜霜霉病诊断系统

为进一步提高温室黄瓜霜霉病诊断的准确率,构建了一个基于图像处理的温室黄瓜霜霉病诊断系统。针对温室黄瓜栽培现场采集的病害图像,采用基于条件随机场(Conditional random fields,CRF)的图像分割方法进行病斑图像分割,并采用决策树模型扩展一元势函数,提高病斑图像分割的准确性;将分割后的病斑图像转换到HSV颜色空间并提取其颜色、纹理和形状等25个特征,利用粗糙集方法进行特征选择与优化;构建了基于径向基核函数的SVM分类器,准确地识别与诊断温室黄瓜霜霉病。系统试验验证结果表明,该系统采用的病斑分割方法,能够克服复杂背景和光照条件的影响,准确地提取病斑图像;采用粗糙集方法能够有效地选择分类特征,将25个初始特征减少到12个,提高了运行效率;黄瓜霜霉病识别准确率达到90%,能够满足设施蔬菜叶部病害诊断的需求。     

基于无人机遥感影像的收获期后残膜识别方法

针对人工评估农田残膜劳动强度高、效率低等问题,以及收获期后残膜识别困难的问题,提出了一种基于颜色特征的残膜识别方法。为了克服光照对残膜识别精度的影响,首先分析了阳光直射区、阴影区残膜和土壤RGB与HSV颜色分量灰度差异;然后,选择最佳颜色分量进行残膜图像分割,分别对比分析了手动阈值法、迭代阈值法、最大类间方差法、最大熵值法、K-means均值聚类法和脉冲耦合神经网络法的分割效果,结合原始图像残膜分布特点,优选出基于脉冲耦合神经网络的分割法;结合图像形态学算法,最终提取了烟地残膜面积与分布。结果表明,B分量可从背景中分割出直射区残膜,但不能分割阴影区残膜; S分量可从背景中分割出直射区和阴影区残膜;基于S分量的脉冲耦合神经网络分割法效果最佳,利用该方法对不同时期的农田残膜进行识别,6叶期、烟叶收获后、烟杆拔除后和冬季空闲期的识别率分别为96.99%、69.47%、93.55%和88.95%,地膜覆盖周期的平均识别率为87.49%。本文方法可快速准确地识别出秋后的农田残膜,提供残膜时空分布信息及变化特征,可为农田环境健康评估提供决策依据。     

基于脉冲耦合神经网络的蝗虫图像分割

由于脉冲耦合神经网络(PCNN)特有的脉冲传播特性,PCNN在图像处理与模式识别领域得到了广泛应用.为此,提出了如何用脉冲耦合神经网络(PCNN)进行蝗虫图像分割.计算机仿真表明,采用PCNN图像预处理算法,可使图像中的目标(蝗虫)易于被发现;经PCNN预处理后,相同的后续处理效果明显好于未经PCNN预处理的图像.此方法验证了PCNN在图像处理方面的功能,同时也拓展了蝗虫侦测的方法.     

基于改进GrabCut算法的黄瓜植株图像分割

植物图像的自动分割是植物表型研究的热点问题,也是作物生长过程监测、病虫害识别等应用的核心技术之一。以黄瓜为对象,通过对图像中作物与背景特点的分析,选取EXG超绿分割和GrabCut算法进行试验研究;基于EXG超绿分割和GrabCut算法在黄瓜群体图像上的分割结果及这两种算法的优缺点,提出具有更高分割精度的改进算法。用室内室外不同生长时期的黄瓜植株图像进行试验,温室内图像和室外自然光照图像的平均分割精度分别达到96.56%和96.59%,均优于EXG超绿分割和GrabCut算法。同时表明,本文的改进算法适应性更强,具有较好的鲁棒性。     

复杂背景黄瓜叶部病害图像分割方法

针对具有复杂背景的黄瓜病害图像,设计了一种图像分割方法。该方法首先结合超G和OTSU方法去除彩色图像中的大部分背景,尽可能保留图像中的绿色部分信息;然后根据病害图像RGB模型中红色分量自动建立数据项,并且设定相邻像素间红色分量差值的函数作为平滑项,以上述数据项和平滑项构建基于阈值预处理的图切割算法。利用该方法对4种黄瓜病害（霜霉病、白粉病、靶斑病和炭疽病）彩色图像进行分割。结果表明,该方法能够较为准确地将病斑区域从彩色图像中提取出来,算法的平均正确识别率达到90%以上;平均运行速度为2.12 s,能够满足实时图像分割的要求。     

基于显著性检测的黄瓜叶部病害图像分割算法

针对复杂背景下黄瓜叶部病害分割精度不高的问题,提出了一种基于显著性检测的黄瓜叶部病害图像分割算法。首先利用超像素将黄瓜图像分块,获取黄瓜叶片的边缘,并提出了一种超像素间权重计算方法和显著种子选取方法;然后通过流形排序计算显著图,对得到的显著图进行阈值分割,得到二值图像;再将二值图像与原图像进行掩码运算,得到黄瓜病害叶片;最后利用超绿特征和数学形态学对病害叶片进行分割得到病斑。对常见的黄瓜病害(白粉病、褐斑病、霜霉病、炭疽病)图像进行测试,结果表明该算法与Otsu算法和k-means算法相比,有效解决了冗余分割问题,错分率均在5%以内,算法平均执行时间均小于4 000 ms,分割效果更加精确,为后续构建黄瓜病害自动识别系统奠定了基础。     

基于简化脉冲耦合神经网络的蝗虫图像二值分割

采用参数简化的脉冲耦合神经网络（PCNN）分割图像，进行了蝗虫图像分割实验，区域正确识别率达94％，为蝗虫自动侦测系统中的数据处理提供了技术支持。计算机仿真表明，采用PCNN图像分割算法，图像中的目标（蝗虫）易于发现，分割效果明显好于采用开操作处理的图像。     

温室黄瓜叶片近红外图像消噪算法与含氮量快速检测

在温室基质栽培条件下,研究了温室黄瓜叶片近红外图像的消噪算法以及叶片氮素含量非线性预测.用普通CCD相机加滤光片采集不同生长时期水果型小黄瓜Deitastar的叶片图像,利用小波变换对黄瓜近红外图像进行小波消噪处理,再采用基于邓氏关联度的图像边缘检测法对图像进行分割,得到信噪比较好的目标图像,之后通过计算灰度值得到黄瓜叶片的植被指数.对获得的各种植被指数与黄瓜叶片氮含量之间进行相关分析后得到CNDVI与氮素含量相关系数最高达0.67,同时GNDVI、NDGI、NDVI与氮素相关性显著且相关系数均高于0.50.采用最小二乘支持向量机算法(LS-SVM)对植被指数同黄瓜叶片含氮量进行拟合,拟合模型的决定系数R2为0.825,验证R2为0.728,达到了较为理想的预测精度.     

基于颜色和形状特征的棉花害螨图像分割方法

针对棉花害螨图像成分复杂、病斑排列无规则等特点,提出了一种基于改进型超红特征和面积阈值的棉花害螨病斑的图像分割方法。该方法主要可分为3个步骤:首先利用改进后的超红特征2.1R-G-B提取出复杂背景下棉花害螨图像中的类病斑区域(具有相同红色的害螨病斑和茎杆);然后将类病斑区域与非类病斑区域的灰度图像进行二值化处理;最后利用面积阈值法将类病斑中的害螨病斑分割出来。实验结果表明,改进后的超红分割算法能有效地提取出棉花害螨病斑,准确率可达94.79%。     

支持向量机在黄瓜病害识别中的应用研究

探讨了采用支持向量机对黄瓜病害进行分类的方法;提取了病斑的形状、颜色、质地、发病时期等特征作为特征向量,利用支持向量机分类器,选取4种常见核函数,以Matlab7.0为平台对10类常见病害进行识别.结果表明,SVM 方法在处理小样本问题中具有良好的分类效果,线性核函数和径向基核函数的SVM 分类方法在黄瓜病害的识别方面优于其他类型核函数的SVM.     

基于高光谱病害特征提取的温室黄瓜霜霉病早期检测

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12d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。     

基于HOG特征的IKSVM稻瘟病孢子检测

为解决稻瘟病孢子的人工检测过程中主观性强、自动化程度低、效率低等问题,提出一种基于梯度方向直方图特征（HOG特征）的加性交叉核支持向量机（IKSVM）的稻瘟病孢子检测方法。该方法首先利用图像采集系统采集稻瘟病孢子图像,利用Gamma校正法调节图像的对比度,抑制噪声干扰;然后,提取孢子图像的HOG特征作为输入向量,输入到支持向量机中,构建加性交叉核支持向量机分类器;最后,通过训练得到稻瘟病孢子分类器。为测试所提出的HOG/IKSVM方法的综合性能,分别选用HOG/线性SVM方法与HOG/径向基核SVM（HOG/RBF-SVM）方法做对比试验。试验结果表明,HOG/IKSVM的检测率为98.2%,高于HOG/线性SVM方法的79%;在平均检测时间上,HOG/IKSVM方法的平均检测耗时仅为HOG/RBF-SVM方法的1.1%。说明该方法可以进行稻瘟病孢子室内检测识别。     

基于改进PCNN的番茄植株夜间图像分割算法

为实现番茄植株夜间图像分割,设计了一种基于最大类间方差法的改进脉冲耦合神经网络(PCNN)图像分割算法。该算法对传统PCNN模型中的链接输入项进行加权处理,在进行图像分割前,先基于最大类间方差(Otsu)算法获得阈值,再将该阈值赋值给改进PCNN模型中的链接输入项权值、突触链接系数β、链接权放大系数VE和阈值迭代衰减时间常数αE。对849幅番茄植株夜间图像进行试验,结果表明,图像分割正确率平均值为90. 43%,平均每幅图像分割时间为0. 994 4 s;输入链接项的加权处理可减少PCNN的迭代次数,提高算法的实时性;基于Otsu算法可实现改进PCNN模型的网络参数自适应设置。基于视觉效果、最大熵及分割正确率这3项评价指标的对比分析显示,改进PCNN模型的分割效果优于Otsu算法和传统PCNN模型,实时性优于传统PCNN模型。     

基于LS-SVM的螺旋定量加料预测及试验研究

为提高螺旋定量加料性能,开展了智能预测技术对加料量准确性的影响研究.针对考虑螺旋速度和填充率等因素对螺旋不连续定量加料的影响难以用精确数学模型来描述加料量的问题,以螺旋加料装置为研究对象,加料量为预测目标,螺杆旋转角度为主影响因子,螺旋速度和填充率为影响因素, 建立了一种基于最小二乘支持向量机(LS-SVM)与旋转角度的加料量预测模型,研究加料量与主影响因子和影响因素之间的复杂非线性关系.采用交叉验证方法辨识模型参数,开展螺旋不连续定量加料量预测与实际加料试验.结果表明:该模型的预测结果与设定值较吻合,优于理论估算和BP神经网络预测模型,采用分料装置填充率接近1时,预测误差平均为±0.02.该模型可应用于螺旋不连续定量加料的预测与控制.     

基于K-L变换与LS-SVM的玉米品种识别方法

为实现外观相似的不同玉米品种的有效识别,提出了K-L变换与最小二乘支持向量机相结合的籽粒品种鉴别方法.采用标记算法及多尺度小波分析方法获得玉米单籽粒图像,应用K-L变换技术提取籽粒图像的特征数据,设计了二叉树型多类LS-SVM分类器,实现了对特征数据的有效分类.通过试验分析,确定了较为合理的状态空间维数(L=3),正确识别率可达95.3%.     

基于特征降维和机器学习的覆膜冬小麦LAI遥感反演

为进一步提升无人机遥感快速监测覆膜条件下冬小麦叶面积指数(Leaf area index, LAI)的能力,以垄沟覆膜冬小麦为研究对象,利用无人机搭载五通道多光谱传感器获取2021—2022年冬小麦出苗期、越冬期、返青期、拔节期、抽穗期和灌浆期的遥感影像数据,使用监督分类剔除背景并计算50种可见光和近红外植被指数,采用主成分分析、相关系数法、决策树排序和遗传算法进行特征降维,结合偏最小二乘、岭回归、支持向量机、随机森林、梯度上升和人工神经网络6种机器学习算法建立不同输入特征变量下的覆膜冬小麦LAI反演模型,并进行精度评价。结果表明,剔除覆膜背景使冬小麦冠层反射率更接近真实值,提高反演精度。采用适宜的特征降维方法结合机器学习算法能够提高覆膜冬小麦LAI的反演精度和稳定性,对比特征降维前的反演精度,主成分分析和相关系数法无法优化反演效果,决策树排序只适用于基于树模型的随机森林和梯度上升算法,遗传算法优化效果明显,遗传算法-人工神经网络模型反演效果达到最优(决定系数为0.80,均方根误差为1.10,平均绝对值误差为0.69,偏差为1.25%)。研究结果可为无人机遥感监测覆膜冬小麦生长状况提供...     

马铃薯晚疫病叶片SPAD值的高光谱研究

对晚疫病害胁迫下马铃薯叶片中叶绿素含量(SPAD)及植被指数与高光谱特性进行了关联研究。首先,对接种晚疫病菌的马铃薯叶片进行连续观测7天,获取375~1 018nm波段范围内叶片的高光谱信息和SPAD信息;然后,应用ENVI软件提取高光谱数据中感兴趣区域的平均光谱信息,选择预处理效果最好的方法建立不同的预测模型,包括基于全光谱和连续投影算法(Successive Projection Algorithm,SPA)选择特征波长的偏最小二乘回归(Partial Least Squares Regression,PLSR)模型与最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)模型,以及4种植被指数RENDVI、VOG1、VOG2、VOG3建立的简单经验估测模型。建模结果表示:全光谱的PLSR模型预测效果最好,而基于特征波长的LS-SVM模型和植被指数的二次多项式模型预测效果稍差,但大大简化了模型,为后续开发便携式仪器提供理论依据。研究表明:应用高光谱技术检测遭受晚疫病害的马铃薯叶片的SPAD及植被指数是可行的,为病害胁迫下作物的其他化学指标实时监测提供了新的路径。