基于分区域特征点聚类的秧苗行中心线提取

为了准确检测水稻秧苗行中心线,提出了基于分区域特征点聚类的秧苗行中心线提取方法。采用2G-R-B特征因子和Otsu法分割秧苗和背景;通过分区域统计秧苗像素点分布提取秧苗行的候选特征点,利用特征点间近邻关系对特征点进行聚类,确定秧苗行数和各秧苗行的起始点;基于秧苗成行栽植特点引入“趋势线”,利用点到该直线的距离与距离阈值作比较,筛选出远离各行趋势线的点,并将其去除;对筛选后的每一行特征点用最小二乘法进行直线拟合,获取秧苗行中心线。实验结果表明,该算法具有较强的抗噪性能,提取秧苗行中心线的准确率达95.6%,与标准Hough变换和随机Hough变换算法相比,处理一幅分辨率为320像素×237像素的彩色图像平均耗时短,能够实现水田秧苗行中心线的准确提取,可为插秧机自主行走提供可靠的导航信息。     

基于边缘检测和区域定位的玉米根茎导航线提取方法

基于玉米根茎图像信息,提出一种基于边缘检测和区域定位的玉米根茎导航线提取方法。首先,利用最大类间方差法自动分割2G-R-B灰度图像,得到二值化图像,结合形态学处理、位置/面积去噪方法提高二值化图像质量,对去噪图像按列累加得到列像素累加曲线;针对传统方法得到的特征点中伪特征点较多的问题,引入高斯滤波器平滑累加曲线,并运用极值法减少玉米根茎伪特征点的干扰,在提取玉米茎秆边缘直线时,提出基于最远茎秆成像宽度的双侧边缘判别思路,通过扫描每条边缘直线的四边形封闭邻域有效剔除伪边缘直线;最后,根据边缘直线二次定位玉米的根茎区域范围,并剔除伪特征点,采用最小二乘线性拟合方法准确提取导航线。试验表明,本文算法处理一幅1280像素×720像素图像耗时约236ms,特征点拟合准确率为92%。与传统方法相比,本文算法精度高、实时性好,在缺苗、杂草较多和株距不标准的情况下仍具有较强的鲁棒性。     

面向立木识别的有效K 均值聚类算法研究

针对林区自动对靶施药过程中,当立木生长密集时,获取的点云数据聚类准确率低、效率低的问题,提出优化后的K-均值聚类算法,数据获取方式基于2D激光扫描。针对立木点云信息聚类前需对相关数据进行滤波,提出窗口滤波算法,选取产生混合像素点的树干边缘,提取3次连续扫描的混合像素及其近邻点组成滤波窗口,进行最大阈值滤波,结果显示50次试验中仅有2个混合像素点未被滤除,混合噪声的滤除率高。在K-均值算法优化方面,针对算法需预先确定聚类数和初始聚类中心的不足,提出利用斜率变化确定聚类数的方法,试验对5个不同距离下5组立木分别进行100次测量,结果显示错误测量次数仅为3次,并可在试验前期通过人工方式去除,算法合理有效;对哈夫曼树法确定立木扫描点聚类中心的性能进行了试验分析,3种不同树干分布类型下分别运用随机抽样法和哈夫曼树法进行K-均值聚类,前者平均正确率仅为76.4%,后者则为95.5%;同时分析了Ⅰ型分布下2种算法聚类的迭代次数和耗时,5个不同距离下,随机抽样法的平均迭代次数明显高于哈夫曼树法,平均运行耗时上,哈夫曼树法则高于随机抽样法,前者变化范围为120~220 ms,后者为50~85 ms,该范围为林区测绘的可接受范围。试验证明,基于斜率变化确定聚类数和基于哈夫曼树法确定聚类中心的K-均值算法是林区立木点云聚类的有效算法,可应用于林区的立木检测。     

基于图像处理和模糊聚类方法的黄瓜霜霉病识别研究

综合运用图像处理和模糊识别技术,以黄瓜病害为研究对象,进行黄瓜霜霉病自动识别的试验研究。在自然光条件下拍摄黄瓜叶片图像作为实验数据,为减少干扰因素对病害特征的不利影响,对原始图像做预处理,并把病斑分离出来;在农业植保专家的指导下,分析了黄瓜霜霉病病害的典型特征,从病斑形状、纹理和颜色三方面提取了16个特征参数;对黄瓜霜霉病叶片图像进行有监督的样本训练,得到黄瓜霜霉病害的标准特征模式,再对待测样本进行模糊聚类测试,平均识别准确率为95.28%。试验结果表明,该方法对于黄瓜霜霉病的识别效果较好。     

自动采摘目标图像快速识别算法研究——基于K-means聚类算法

介绍了K-means聚类算法的工作原理,研究了基于图像处理和K-means聚类算法的目标物体快速识别,设计了一套自动采摘目标图像快速识别算法,可以准确实现对苹果的快速精确识别,未来还可以扩展对其他水果的识别。实验结果表明:当采摘机器人的机械臂移动速度较高,能够准确对目标物体进行快速识别,证明了目标图像快速识别算法性能优良,具有较高的有效性和可行性。     

基于K-means聚类算法分类的水果等级识别与应用

首先介绍了K-means算法的思想和原理,然后对水果分类模型图像的获取和预处理进行分析研究,最后实现了K-means聚类和BP神经网络相结合的水果等级分类识别模型。试验结果表明:采用K-means聚类和BP神经网络相结合的方法,大大提高了水果分类识别的准确率,并使得识别时间大大缩短,具有一定的现实意义。     

基于K均值聚类的厚壁组织区域自动提取

桉树是我国南方的速生丰产林,区域提取是定量分析各种组织抑制桉树茎生根原因的重要前提。为此,介绍了基于K均值聚类的在桉树茎切片图像中自适应提取厚壁组织区域的图像处理技术。将桉树茎切片彩色图像转换为CIEL*a*b*彩色空间,用K均值聚类分析算法对描述颜色的a*和b*通道进行聚类分析,提取细胞厚壁,然后填充其中白色的细胞腔,构成完整的厚壁组织区域。实验结果表明,在CIEL*a*b*空间使用该算法可以获得较准确的实验结果。     

基于模糊聚类的玉米大斑病害图像的分割技术

通过颜色空间的转换,将RGB颜色空间转化为HSI颜色空间,在色度H空间对玉米大斑病图像进行分割。应用模糊聚类分析的方法,确定了图像分割的阈值。对186幅玉米大斑病图像进行分割试验,分割的准确率为97．8％。分析表明,准确的病害图像分割可以为病害的特征值提取和病害的模式识别做好准备。     

基于逐级均值聚类算法的短期负荷预测研究

在原有短期负荷预测方法的基础上,考虑气候、季节、气温和节假日等因素,结合数据挖掘中聚类分析原理,通过逐级均值聚类算法提高特殊日的预测精度,形成一套可行的预测模型。实例分析证明,该方法收敛速度较快,预测误差较小,能够在工程中应用。     

基于聚类算法对象提取的快速定位采摘机器人设计

为了提高采摘机器人的定位速度,对机器人的机器视觉系统进行了改进,设计了一种基于聚类算法和视频对象提取技术的快速定位机器人。该机器人视频对象图像提取过程中,在完成图像进行滤波后,引入了Lab彩色空间聚类算法,有效地降低了图像的色彩数和噪声,实现了图像对象的量化处理,大大提高了果实定位和采摘的效率。为了验证设计的快速定位采摘机器人的可靠性,对机器人的采摘性能进行了测试,测试项目主要包括图像处理和果实定位。通过测试发现:快速定位机器人可以有效地实现图像聚类中心的提取,并对聚类中心进行编码,每次定位用时少、定位速度高且果实采摘的准确性累计概率较高,符合高精度、高效率果实采摘机器人的设计需求。     

基于K­means聚类和分区寻优的秸秆覆盖率计算方法

针对农田秸秆形态多样、细碎秸秆难以准确识别的问题,基于机器视觉技术,提出了一种基于K-means聚类和分区寻优结合的秸秆覆盖率计算方法。该方法首先利用K-means聚类算法对玉米秸秆图像进行分割,使秸秆从背景图像中分离;然后将秸秆图像分隔为16区,利用统计学方法分别计算各区秸秆中位数和众数灰度平均值,16区平均后分别获得秸秆中心灰度和土壤背景中心灰度,将其作为新的分类中心,重新采用K-means聚类方法对玉米秸秆图像进行分割,当秸秆中心灰度不再发生变化时停止迭代,计算秸秆像素点数量;最后计算获得玉米秸秆覆盖率。2021年4月,该方法在吉林省长春市玉米地100个采样点进行了实际验证,与人工拉绳法和人工图像标记法的相关系数分别为0.7161和0.9068,误判率7%,平均误差比Otsu阈值化方法和经典K-means聚类方法分别降低了45.6%和29.2%。试验结果表明,所提方法能够实现对不同天气、不同种植模式、不同地块条件下的秸秆覆盖率准确计算,该研究结果可为秸秆覆盖率在线计算提供一种新方法。     

基于机器视觉的玉米苗期多条作物行线检测算法

为满足玉米苗期中耕、追肥等田间管理环节的自主导航行走需求,研究了基于机器视觉的多条作物行线实时检测技术.首先,基于绿色分量增强法、分割阈值优化法和形态特征分析法,对图像分别进行灰度化、二值化和去噪等预处理,该预处理结果不受自然光照变化、阴影、降水/积水、播种模式等影响,对细密状杂草干扰或植株冠层交叠条件下作物行间分界间...     

基于模糊c均值聚类法的玉米农田管理分区研究

为提高大面积农田作物管理的精确性,以甘肃黄羊河农场玉米膜下滴灌示范区为研究对象,对大面积农田进行管理分区研究。综合考虑地形属性（高程、坡度、坡向）、土壤质地（砂粒、粘粒、粉粒含量）、土壤含水率（SWC）、速效氮含量（AN）、电导率（EC1:5）以及玉米产量,根据相关性分析结果筛选产量主控因子,使用主成分分析得到3个主成分作为分区依据,进而使用模糊c均值聚类法（Fuzzy c-means algorithm, FCM）进行管理区划分,以模糊性能指数和归一化分类熵作为最佳分区数的评判依据,分析管理分区后各分区间的差异。结果表明：玉米产量的主控因子分别为土壤粉粒含量、土壤砂粒含量、SWC、AN、EC1∶5和高程,使用模糊c均值聚类法进行聚类分区得到最优分区数为3个。管理区之间各主控因子呈现极显著差异性（P<0.01）,且生育期内作物株高、叶面积指数（LAI）和SWC在不同分区中也有明显差异;同时,分区内的各因子变异性均有不同程度的下降。研究结果说明,农田分区管理可以依据不同分区特点制定管理策略,为“精准农业”的实施提供理论基础。     

农业机器人采摘目标识别技术研究——基于FCM模糊聚类算法

介绍了FCM (Fuzzy C-Means)模糊聚类算法的原理，采用权重分配的方法对该算法进行了改进，通过建立模糊的相似矩阵，对目标对象的特征聚类图进行分析，并引入隶属度矩阵对FCM算法进行优化，以加快算法的迭代速度。实验结果表明：农业机器人采用该方法对农作物轮廓分割识别度较高，算法计算效率较快，验证了其可靠性，该方法可用于目标农作物的分割和目标识别。     

基于改进K均值特征点聚类算法的作物行检测

精准施药是现代精准农业发展不可或缺的一部分,而准确地提取作物行是进行精准施药的关键环节。为此,以苗期的玉米为研究对象,提出一种基于改进K均值特征点聚类算法的作物行检测方法。该方法根据距离函数最值关系求出最佳聚类数目,再依据点密度大小和邻域半径确定初始聚类中心,减少了迭代次数,提高了算法的执行效率和划分效果。首先,采用改进的超绿法(1.27G-R-B)进行灰度化和Otsu方法进行二值化,得到作物行的二值图像;然后,利用左右边缘中间线算法提取作物行特征点;最后,采用改进K均值算法和最小二乘法对作物行中心线特征点进行聚类和直线拟合。试验数据表明:提出的改进K均值特征点聚类算法识别效果好,精确度高,可为精准施药提供理论依据。     

基于Lab空间和K-Means聚类的叶片分割算法研究

对植物叶片进行分类,在植物种类鉴别研究中有着重要的意义,而在植物叶片分类中,对叶片的准确分割是进行分类的必要前提。为此,对比分析了传统阈值分割中的最大类间方差法和K-Means聚类两种分割算法,实现对叶片的分割,并将RGB空间转换到Lab空间,再利用两种算法分别进行分割。结果表明:传统的阈值分割和K-Means聚类分割无法将目标图像准确地分割出来;在Lab空间对a分量进行阈值分割可以去除阴影部分,但是分割结果为二值图像;而在Lab空间进行K-Means聚类分割,不仅能够有效地消除在拍摄图像过程中产生的阴影部分,而且分割后的图像为彩色图像,对纹理和颜色特征的提取更加方便,提高了分类识别的准确率。     

基于k-means聚类算法的入侵检测系统的研究与实现

本文通过将模式识别中的K近邻算法和K-均值算法融合在一起,将其运用到入侵检测领域中,使它能够适应入侵检测的需要,通过实验分析表明,在运用结合之后的算法后,系统不仅能够保证实时性,并且具有了一定的未知入侵检测能力。     

基于改进卷积神经网络算法的路径导航研究

农业机械自主导航技术一直是现代农业发展的关键技术,而已有的机器视觉导航中普遍存在鲁棒性不强、适应性弱等缺点.针对上述问题,提出基于卷积神经网络的田间路径导航算法.根据主流语义分割模型FCNVGG16得到改进分割网络FCNVGG14,用于田间作物行分割任务的预处理,再通过非监督点聚类法进行特征点分类,最后采用改进后的Ho...     

基于Android的玉米病虫害机器视觉诊断系统研究

为了使农业智能诊断系统更加廉价、便捷,有效地为普通农户服务,提出了一种基于Android手机的农业病虫害智能诊断系统。该系统使用Android智能手机对玉米病虫害部分进行图片拍摄,并将图像利用无线网上传至Web服务器,利用分割和匹配算法对病虫害部分进行智能化分析,最终将结果传输到手机用户端。为实现图像匹配的特征点提取,采用高斯差分的方法对图像进行分割和精确定位,使用聚类算法对匹配效果进行优化,并利用特征点的无限逼近,完成病虫害图像的匹配,从而诊断病虫害的类型。上传后的图像和Web服务器的规则库的图像进行匹配后可以生成病虫害的匹配结果信息,该信息可以通过Android智能系统接收,最终反馈给农户的手机客户端。通过测试发现:玉米病虫害诊断系统可从多幅图像里有效地对病虫害类型进行匹配,匹配成功率较高,系统的稳定性较好,具有很好的推广前景。