基于SUSAN角点的秧苗列中心线提取方法

中国南方水田环境复杂,不同生长阶段秧苗的形态各异,且田中常出现浮萍及蓝藻,其颜色与秧苗颜色极其相似,因此常用的作物特征提取算法难以应用在水田上。针对这些问题,该文提出一种基于SUSAN角点的秧苗列中心线方法。运用归一化的Ex G(excess green index)提取秧苗的灰度化特征,运用自适应的SUSAN(smallest univalue segment assimilating nucleus)算子提取秧苗特征角点;最后运用扫描窗口近邻法进行聚类,采用基于已知点的Hough变换(known point Hough transform)提取秧苗列中心线。经试验验证,此算法在图像中存在浮萍、蓝藻和秧苗倒影的情况下有较高的鲁棒性。在各种情况下均成功提取秧苗的列中心线,且每幅真彩色图像(分辨率:1280×960)处理时间不超过563 ms,满足视觉导航的实时性要求。     

基于图像处理的玉米收割机导航路线检测方法

快速精准的检测出导航路线并对田端做出准确判断是收割机视觉导航的前提。为解决玉米收割机导航作业过程中因玉米列阴影、玉米田端的杂草等因素对检测精度干扰的问题,该文通过分析视觉导航图像的颜色特征去除阴影干扰,对玉米收割机提取导航作业路径和判断田端提出了检测算法。为减少计算量,设定关注区域作为非第一帧图像的处理范围;为去除玉米列阴影对检测结果造成的干扰,强调关注区域内G(绿色)分量并减弱R(红色)或B(蓝色)分量;为加快处理速度,采用跳行累计G分量的方式确定候补点。在关注区域内对图像中去除阴影干扰后的G分量垂直累计值查找候补点,对图像上半部分收敛性好的候补点通过方差计算确定出已知点,再利用过已知点Hough变换拟合出玉米列边界所在的导航线。最后采用R分量的连续突变判断收割机是否到达田端。田间试验表明:目标直线的平均检测时间为50.13 ms/帧,对田端的检测准确可靠,满足玉米收割的作业要求。该研究成果也适用于高粱等其它高杆作物的机械化收获应用。     

基于标记信息的Hough变换检测早期的作物行中心线

作物行检测是一个难题，回顾了国内外的研究情况。针对农田作物种植和作物早期生长的特点，为了检测作物行位置，提出了一种基于标记信息的Hough提取作物行方法。该方法分别用直方图法和最大类间方差法二值化图像后，经过8连通区域标记后据其面积属性去除噪声，然后再经一次标记后找出各标记作物的重心点坐标，最后通过Hough变换检测过重心点的直线，即到得到过作物行的中心线，试验结果表明了该方法的有效性。     

基于中值点Hough变换玉米行检测的导航线提取方法

为解决机器视觉对早期玉米苗带在多环境变量下导航线提取耗时长、准确率低的问题,该研究提出了一种基于中值点Hough变换作物行检测的导航线提取算法。首先,改进了传统的2G-R-B算法,再结合中值滤波、最大类间方差法和形态学操作实现土壤背景与玉米苗带的分割。其次,通过均值法提取玉米苗带特征点,然后采用中值点Hough变换拟合垄间两侧玉米苗列线,最后将检测出的双侧玉米苗列线为导航基准线,利用夹角正切公式提取导航线。试验结果表明：改进的灰度化算法能够正确分割玉米苗带与土壤,处理一幅640×480像素彩色图像平均耗时小于160 ms,基于中值点Hough变换检测玉米苗列再提取导航线的最大误差为0.53°,相比于传统Hough变换时间上平均快62.9 ms,比最小二乘法平均精确度提高了7.12°,在农田早期玉米苗带多环境变量影响因素下导航线提取准确率均达92%以上,具有较强的可靠性和准确性。     

基于近邻法聚类和改进Hough算法的猪胴体背膘厚度检测

为了解决猪胴体背膘厚度在人工测量中准确率、效率低以及存在对样本造成污染的问题,该文基于计算机视觉和图像处理技术提出一种检测背膘厚度的算法。算法主要分成背膘部分检测和测量部位的直线检测。前者通过图像分割、特征点的检测以及漫水填充等方法实现,能准确提取猪胴体背膘部分。后者在图像预处理后,首先通过感兴趣区域(region of interest,ROI)提取猪胴体肋排区域;然后利用设定好的浮动窗口进行全幅图像的扫描,通过平滑后的平均灰度线特征提取肋骨的目标像素点;最后,基于近邻法利用目标像素点间的邻近关系对其进行聚类,找到胴体第6、7根肋骨,并采用基于已知点的Hough变换提取测量直线,将测量部位的直线映射到背膘部分,则可实现对猪胴体背膘厚度准确测量。试验结果表明,在对背膘厚度测量误差小于2 mm时,检测准确率可达92.31%,该文提出的方法能对猪胴体背膘厚度的测量位置进行准确定位和测量。     

基于区域生长顺序聚类-RANSAC的水稻苗带中心线检测

为提高水稻苗带中心线检测的适应性和实时性,满足巡田机器人导航的低成本、轻量级计算、高实时性需求,针对水稻苗带中心线检测结果容易受到光照变化和机器震动等原因产生图像噪声影响的问题,本文以返青期和分蘖初期水稻秧苗为研究对象,提出基于区域生长顺序聚类-随机抽样一致性算法（random sample consensus,RANSAC）的水稻苗带中心线检测方法。首先,对采集的水稻秧苗图像运用归一化超绿特征法和最大类间方差法分割水田背景和秧苗区域,应用先腐蚀后开运算的形态学方法去除秧苗图像噪声点;然后,采用基于水平带的秧苗轮廓质心检测方法提取秧苗特征点,利用区域生长顺序聚类方法将同一秧苗行的特征点聚成一类;最后,通过RANSAC算法拟合苗带中心线,从而得到巡田机器人视觉导航基准线。试验结果表明：该方法对返青期和分蘖初期水稻苗带中心线检测率均在97%以上,比已有YOLOv3算法提高6.69%,比基于区域生长均值漂移聚类算法降低2.41%;平均误差角度小于2.34°,比文献[11]算法高1.37°,比文献[24]算法低0.12°,平均每帧图像检测时间为15.53 ms,比已有YOLOv3算法缩短81.19%,比基于区域生长均值漂移聚类算法缩短82.74%,本文方法在保证检测精度的基础上,大幅提升了检测速度,具有良好的适应性和实时性。研究结果可为巡田机器人视觉导航提供参考。     

基于3D激光雷达的鸡舍通道中心线检测方法

针对笼养鸡舍环境下光照强度弱、作业通道内狭小导致机器人巡检时通道中心线检测困难的问题,该研究利用3D激光雷达对鸡舍通道中心线进行获取。首先通过机器人搭载的3D激光雷达对鸡舍作业通道信息进行采集,利用直通滤波、地面点滤波、体素滤波、统计滤波和平面投影对获取的3D激光雷达点云数据进行预处理,获取XOY平面上的点云数据。通过改变K-means聚类初始点选择方式和聚类函数对预处理后的点云数据进行数据分类。利用改进RANSAC算法对分类后的数据进行处理,提取通道中心线。试验结果表明该研究提出的改进K-means聚类算法平均耗时6.98 ms,相较于传统的K-means聚类算法平均耗时减少了29.40 ms,准确率提高了82.41%。该研究提出的改进RANSAC算法中心线提取准确率为93.66%、平均误差角为0.89°、平均耗时为3.94 ms,比LSM算法得到的平均误差角高0.14°,平均耗时减少6.15 ms。表明该研究提出的鸡舍通道中心线检测方法基本满足笼养鸡舍环境实时自主导航的需求,为巡检机器人在鸡舍作业通道内进行激光雷达导航提供了技术支撑。     

基于梯度下降和角点检测的玉米根茎定位导航线提取方法

针对玉米根茎图像信息,提出一种在拔节期后玉米大田环境下快速、精准提取导航基准线的新方法。首先利用2G-B-R和最大类间方差法分割图像,并利用形态学处理提高图像质量,对去噪图像像素按列累加获取垂直投影。传统峰值点法在寻找特征点时需要设定阈值,耗时长且伪特征点多,因此提出一种基于梯度下降的特征点寻找方法,利用某点沿梯度下降的方向求解极小值从而求得特征点。根据角点检测原理,利用特征点像素各个方向梯度变化不同剔除伪特征点,解决了传统算法异常点过多、错误剔除玉米根茎定位点等问题,最终采用随机采样一致算法拟合导航线。试验结果表明,与传统算法相比该算法能够很好的适应复杂环境,实时性强,即使在缺苗、杂草等情况下仍具有很强的鲁棒性,平均处理准确率为92.2%,处理一帧分辨率为1 280像素×720像素的图像平均耗时为215.7 ms,该算法为智能农业化机械在玉米田间行走提供了可靠的、实时的导航路径。     

基于因素法和SVM模型的耕地质量评价方法研究

为减少耕地质量评价工作中确定评价指标权重人为因素的影响,选取江西省奉新县为研究对象,引入机器学习技术,建立基于SVM模型的耕地质量评价模型,探索客观、高效的耕地质量评价方法。本文应用因素法和SVM模型法分别对奉新县耕地质量等别进行划定,通过对比分析两种方法的评价结果,对两种方法的优劣及适用条件进行了判定。结果表明,与因素法相比,SVM模型法具有等别划分高效的优势;SVM模型法耕地质量评价结果的正确率高达96.93%,符合耕地质量评价精度要求。应用SVM模型进行耕地质量评价具有测算高效、受人为因素干扰小等优点,可以广泛应用于耕地质量等别更新、新增耕地质量等别划定等工作。     

基于Snake模型与角点检测的双果重叠苹果目标分割方法

为了实现重叠苹果目标的精确分割,提出了一种Snake模型与角点检测相结合的重叠苹果目标分割方法。该方法首先利用Snake模型得到重叠苹果目标的轮廓,接着采用提出的基于距离测度的角点检测算法寻找重叠苹果目标的角点,针对距离扰动产生伪角点的问题,采用3级db1小波变换得到不含细节信号的近似距离信号,并通过Spline样条内插算法使其恢复到原始信号的长度,从而去除伪角点,最后提出了一种基于长轴分割准则的分割点选取方法并实现了重叠苹果目标的分割。为了验证算法的有效性,利用20幅重叠苹果目标进行了试验,并与人工计算得到的分割线进行了对比,试验结果表明,利用文中算法分割重叠苹果目标的最大误差为13.27°,最小误差为1.20°,平均误差为6.41°,表明Snake模型与角点检测算法相结合对重叠苹果目标具有较好的分割性能,将该方法应用于重叠苹果目标的分割是可行的。     

基于机器视觉的旱田多目标直线检测方法

在实际应用中,由于摄像头安装的高度不同或者车辆在地面高低不平的农田内行驶时产生的晃动,都会产生摄像头内出现多作物行的现象。因此根据农田图像的特点,提出了基于已知线的方法判断农作物列数,避免了传统算法只有先确定农作物列数才能提取导航线的弊端。针对农田图像中多列目标检测问题,采用了基于水平线扫描的归类算法,并利用改进的Hough变化快速检测多条定位线。试验结果表明,处理一幅720×480像素彩色图像平均消耗时间为258 ms,98%的图像中所有目标直线都可以检测出来。该算法能够准确提取各种天气环境下农田图像中的列信息,确定多条定位线的方位。     

基于机器视觉的非结构化道路检测与障碍物识别方法

为了实现非结构化道路检测与障碍物的识别,提出了一种基于最小错误率贝叶斯决策与Hough变换相结合的非结构化道路检测与障碍物识别算法。算法首先将Otsu多阈值理论引入到最小错误率贝叶斯决策中并进行图像分割,然后利用Hough变换进行道路检测、提取出纯路面区域并再次进行路面分割,最后根据分割结果进行路面障碍物定位。结果表明,该算法能够有效实现非结构化道路的检测与障碍物的识别,在光影、照度变化、水渍等不利因素影响较小的情况下,具有较好的鲁棒性。     

基于机器视觉的温室番茄裂果检测

该文通过对温室番茄果实进行定位及裂果检测,可为番茄裂果率预估及后续裂果自动筛选提供参考。针对自然光照下采集的各类番茄图像,在相关颜色空间中进行阈值预分割,利用前期支持向量机训练得到的纹理特征分类器对预分割区域进行二次判别;之后在前景区域利用显著性角点分割构造边缘轮廓集,利用基于最小二乘法修正的改进霍夫变换拟合单个番茄目标;最后利用二维Gabor小波算子对拟合的单个番茄区域进行纹理特征提取及裂果判别。文中共采集82幅番茄图像,其中50幅图像作为训练集图像,32幅图像作为验证集,所提算法对测试集中总共128个番茄的果实正确检出率为91.41%,对其中35裂果的正确判别率为97.14%,裂果判别部分平均耗时21 ms。试验结果表明,该方法具有较好的鲁棒性与可靠性,对成熟期番茄裂果率的估计研究及采摘过程中裂果的自动分级筛选具有较好的指导意义,为未来实现温室番茄果实生长状态在线监测提供参考。     

基于K-means和近邻回归算法的Kinect植株深度图像修复

针对Kinect传感器应用于农业植株检测产生的图像噪声问题,特别是由光线以及传感器自身局限导致的匹配图像目标植株数据的缺失,提出一种基于K-means和近邻回归算法的植株深度检测图像修复方法。首先对Kinect传感器获取的彩色RGB图像进行阈值分割预处理提取植株目标区域,再利用K-means聚类算法去除背景噪声,使得植株目标区域轮廓更加清晰;然后基于配准的彩色图像和深度图像,对获取的深度图像中可疑像素点的深度数据采取近邻回归算法进行修复,再将修复后的深度图像与目标分割后的彩色图像进行植株区域的匹配,并进行二次近邻回归算法修正错误的深度数据,最后获取目标植株深度信息的检测图像。试验结果证明,采用RGB阈值分割和K-means聚类算法植株目标区域分割误差均值为12.33%,比单一RGB阈值分割和K-means聚类分割误差降低了12.12和41.48个百分点;同时结合聚类后的彩色图像对深度数据进行两次近邻回归算法修复深度数据,能够提高深度数据边缘的清晰度,单帧深度数据空洞点进行修复数据的准确度提高。该研究结果可为农业植株检测、植株三维重构、精准对靶喷雾等提供参考。     

一种基于主动轮廓模型的连接米粒图像分割算法

针对图像中连接米粒分割困难的问题,提出了一种基于主动轮廓模型的分割算法。首先,对籽粒二值图像的欧氏距离变换进行局部极小值检测,并通过形态学膨胀算子合并局部极小值点,在每个籽粒内部只产生一个区域。其次,以这些区域的边界作为初始曲线,在主动轮廓模型的指导下,曲线向籽粒的边界演化,最终将图像中各个米粒分割。试验结果表明,对圆江米、粳米、长江米和黑米4个品种的米粒,基于主动轮廓模型的连接米粒图像分割算法的分割正确率分别达到93.4%、92.4%、88.0%和90.4%,综合准确率为91.05%,比基于分水岭的方法提高了26.7%。因此,基于主动轮廓模型的算法为分割连接米粒图像提供了一种有效途径。     

基于计算机视觉的稻谷霉变程度检测

为了实现无损检测稻谷储藏中的霉变,该研究以引起稻谷霉变的5种常见真菌(米曲霉、黑曲霉、构巢曲霉、桔青霉和杂色曲霉)为对象,首先进行真菌培养,制成悬浮液,然后将悬浮液接种到稻谷样品中,对稻谷样品模拟储藏,确定不同霉变程度的稻谷类型,划分为对照组(无霉变)、轻微霉变组和严重霉变组。利用计算机视觉系统对三组稻谷样品进行图像采集和图像处理,提取灰度、颜色和纹理特征,共获取68个图像特征。采用支持向量机(support vector machines,SVM)和偏最小二乘法判别分析(partial least squares discriminant analysis,PLS-DA)构建模型,分别用于无霉变稻谷与霉变稻谷的区分和稻谷霉变类型区分。为了降低模型复杂度和数据冗余,利用连续投影算法(successive projections algorithm,SPA)来消除原始数据变量间的共线性,优选特征值。结果表明:利用所有参数构建的SVM模型能够很好的区分对照组与霉变组,其中建模集和验证集总体区分准确率分别为99.7%和98.4%;SVM模型对于稻谷严重霉变类型的区分效果要优于轻微霉变稻谷,其中对稻谷轻微霉变类型建模集和验证集总体区分的准确率分别为99.3%和92.0%,对稻谷严重霉变类型区分的总体准确率分别为100%和94%,且整体上SVM模型的效果要优于PLS-DA模型。而基于SPA优选特征构建的模型区分结果表明,SVM模型区分效果优于PLS-DA模型,其中,在建模集和验证集中,对无霉变和霉变稻谷总体区分准确率分别为99.8%和99.5%,对稻谷轻微霉变种类区分总体准确率分别为99.8%和90.5%,对稻谷严重霉变种类区分总体准确率分别为100%和95.0%。因此,基于计算机视觉对稻谷霉变检测是可行的,而且SPA优选特征能够较好反映稻谷霉变特征,基于优选特征和SVM模型能够较好地稻谷霉变进行识别和区分,结果较好,可以为实际应用提供技术支持和参考。