不同热解温度骨炭孔隙结构的Micro-CT原位三维可视化表征

骨炭作为不同动物源骨粉资源化利用的一种重要产物,含有丰富的孔隙结构和活性位点,可被用作于催化剂载体或水体、土壤等环境中的吸附剂。为了三维、原位可视化表征不同动物源骨炭颗粒的孔隙结构特征,选择热解温度为400、500、600、700、800℃的猪、牛骨炭颗粒为研究对象。骨炭颗粒Micro-CT扫描条件为：管电压50 kV、管电流200 mA、图像分辨率10μm; Micro-CT图像二值化方法为Adaptive mean-C。结果表明：UM和ACE相结合的Micro-CT图像滤波处理方法最优;不同热解温度骨炭颗粒的断层结构图像和容积模型与电镜结果相近;骨炭颗粒比表面积、孔隙率和孔径分布的定量表征结果与实验室BET法的测定值相吻合。研究结果可为骨炭孔隙结构原位三维分析提供一种非破坏、可视化的表征新手段。     

基于机器学习的鸡、牛骨颗粒Micro-CT原位可视化鉴别

不同种属动物源肉骨粉的快速鉴别分析技术是加强饲料监管、防范疯牛病传播的重要保障。为了探索使用显微X射线计算机断层成像技术(Micro-computed tomography, Micro-CT)快速鉴别分析不同种属动物源肉骨粉的可行性,本研究以制备的哺乳动物源牛骨颗粒和非哺乳动物源鸡骨颗粒各100个作为样品集,以不同相对位置鸡、牛骨颗粒以及鸡骨颗粒中牛骨颗粒质量分数约0.97%分别制备验证集,使用Bruker Skyscan 1275 Micro-CT对所有样品进行扫描和图像重构(管电压80 kV、管电流125μA,图像分辨率10μm,重构灰度图像灰度阶为0～255,对应X射线吸收系数为0～0.035);提取不同骨颗粒样品的感兴趣区域进行图像分割,并结合PLS-DA和SVM-DA机器学习算法分别构建鸡和牛骨颗粒分割模型。研究结果表明,鸡、牛骨颗粒图像分割感兴趣区域灰度区间为165～255,基于PLS-DA和SVM-DA模型的鸡、牛骨颗粒鉴别交互验证总准确率均为94%,验证集样品的Micro-CT三维原位可视化表征结果经验证与样品实际结果一致。结果表明,Micro-CT结合PLS-DA和...     

基于显微图像处理的不同种属肉骨粉鉴别分析

以20个可靠来源的肉骨粉样品（猪源、禽源、反刍源）为研究对象,采用标准方法制备骨颗粒试样,并采用光学显微镜图像系统获取其显微图像。通过系列图像处理提取骨颗粒表面代表性腔隙的显微组织特性数据,计算所得腔隙的面积、周长、长短轴长度及比率。研究发现,猪、鸡、牛、羊肉骨粉骨颗粒腔隙的面积、周长和长短轴长度数据均为正态分布,且不同种属之间均有显著性差异。PLS-DA结果显示,基于骨颗粒腔隙的面积、周长特性数据可以鉴别哺乳动物源与鸡源肉骨粉,而基于长短轴长度数据的不同种属肉骨粉识别率均较低。独立验证集结果表明：基于面积、周长及其组合特性数据可以有效进行鸡源和哺乳动物源肉骨粉的鉴别分析,模型的判别正确率均达0.93。其中基于面积和周长组合特性数据的鉴别分析结果优于基于单一特性数据的结果。而基于骨颗粒显微图像处理,很难进一步对不同哺乳动物（反刍动物和猪）源性肉骨粉进行鉴别分析。     

基于XCT技术的原位根系三维可视化研究

为解决植物根系原位三维观测的技术难题,采用XCT层析成像技术获取原位根系的断层序列图像,然后利用计算机图像图形处理技术实现对植物根系的原位三维可视化.为了提高图像分割的精确性,提出一种利用根系几何形态特征的综合分割方法,有效清除了与根系密度极其近似的杂质体素,完成了对序列图像的三维分割.并利用VTK工具箱采用移动立方体算法(MC)实现了对分割后序列图像的三维重建.编程实验证实,本文提出的技术路线和方法能够有效地实现对生长在介质环境中原位根系的三维可视化观测.     

基于改进K-means图像分割算法的细叶作物覆盖度提取

植被覆盖度是重要的农学指标,图像法作为一种方便、快捷、准确度较高的地面测量方法,在该领域得到了广泛应用。图像背景分割是获取植被覆盖度最关键的步骤,已有分割算法的分割对象局限于大叶植物或者长势较为稀疏的作物,针对细叶作物的研究较少,或者未根据分割结果得出更有价值的规律。本文以小麦为例,提出了基于HSV空间的自适应果蝇均值聚类算法(IFOA-K-means),用来分割图像背景,以此作为获取覆盖度变化的理论基础。采用小波分析按比例去噪算法单独对亮度分量去噪,主体分割算法采用自适应步长果蝇算法(IFOA)改进的Kmeans算法对小麦图像进行背景分割,综合了自适应果蝇算法的全局最优和K-means算法的局部最优特点,使分割效果达到最优。其分割效果优于基于遗传算法的最大类间方差分割法,较好地去除了滴灌带等较明显干扰因素,与传统的K-means算法相比,运行时间和峰值信噪比指标都较优,小麦覆盖度准确率在90%以上,与作物系数之间的决定系数为0. 953 1。     

基于随机森林算法的黄瓜种子腔图像分割方法

针对黄瓜表型测量中图像识别问题,为解决黄瓜种子腔与果肉图像灰度差别不大情况下的分割难题,提出了基于随机森林算法(Random Forest,RF)的黄瓜种子腔图像分割方法。首先,通过颜色空间变换,提取样本在RGB、HSV、YCb Cr模型下的9个颜色分量;接着,基于灰度共生矩阵提取样本的能量、熵、对比度、相关性的均值与标准差等8个纹理特征。结合纹理与颜色特征,运用随机森林算法构建像素分类器,实现了种子腔的粗分割。为了提高分割质量,对粗分割的图像进行形态学处理得到最终分割图像。最后,与K-均值聚类(Kmeans)算法、支持向量机(Support Vector Machine,SVM)算法做对比。实验表明:随机森林分割算法正确识别率高达95%,错误识别率在10%之内,处理时间1.6 s左右,分割质量上优于其它两种算法。     

西红柿果实目标识别方法研究——基于模糊聚类算法

为了准确识别成熟的西红柿目标,提出了一种模糊C-均值聚类算法(Fuzzy Clustering Means,FCM)的西红柿目标分割方法。该方法首先利用FCM算法对西红柿图像进行模糊聚类,并对聚类后的果实图像与丢失的部分目标图像进行相加,以得到更加完整的西红柿目标;然后对西红柿目标进行二值化、去噪、开运算与闭运算等处理,完成西红柿目标的分割。为了验证算法的有效性,利用20幅图像进行了试验并与K-means算法和Otsu算法分割效果进行了对比。结果表明:利用文中算法所分割出的西红柿目标最高分割误差率均低于Kmeans算法和Otsu算法,平均分割错误率为1 6.5 5%,比K-means算法低了3.5 6%,比Otsu算法低了1 2.8 0%。这表明,将该方法应用于西红柿目标的识别是可行的。     

基于双次Otsu算法的野外荔枝多类色彩目标快速识别

针对目前野外环境下多类目标识别速度偏慢,导致机器人视觉定位精度低和工作效率不高的难题,以野外环境下成熟荔枝的多类色彩目标识别为例,提出了一种双次Otsu分割算法对多类色彩目标进行识别。首先为了提高算法的效率,改进了传统的Otsu算式;然后对目标色彩图像的背景、果梗、果实分别用改进的Otsu算法进行粗分割和细分割。最后通过与K-均值聚类(K-means)算法、模糊C均值聚类(FCM)算法、Otsu和K-means结合算法、Otsu和FCM结合算法这4种算法进行对比,双次Otsu算法从分割质量及其正确分割率、运行时间、稳定性3方面都优于其他4种算法。实验结果表明,双次Otsu算法对色彩目标的成熟荔枝识别的时间少于0.2 s。     

基于CT图像和RAUNet-3D的玉米籽粒三维结构测量

玉米籽粒构成和精细结构与玉米产量及品质直接相关。本文提出一种基于CT图像的玉米籽粒三维结构自动测量方法,快速提取、统计玉米籽粒成分和结构性状,评估不同玉米品种籽粒间性状差异。首先,利用Micro-CT获取批量玉米籽粒CT图像,通过Watershed算法准确分割出单颗籽粒;进而,设计基于注意力机制RAUNet-3D网络准确提取出籽粒胚;最后,建立自动化玉米籽粒表型管道,计算籽粒、胚、胚乳和空腔的共23项性状,用于玉米籽粒性状分析和品种鉴定。选取4个玉米品种籽粒（登海605、京科968、先正达408和农华5号）共120颗籽粒进行验证,结果表明籽粒CT扫描成像效率提高到1min/粒,籽粒表型提取效率为10s/粒,胚分割精度可达93.4%,粒长、粒宽和粒厚的R2分别为0.902、0.926和0.904,籽粒品种分类精度达90.4%。本文方法实现了玉米籽粒及其胚、胚乳、空腔三维结构无损、快速测量,提取的性状能够表征不同玉米品种籽粒间表型差异,为开展大规模玉米籽粒三维表型鉴定奠定了基础。     

非垂直拍摄获取细叶作物覆盖度优化算法研究

【目的】探究非垂直拍摄获取细叶作物覆盖度优化算法以及非垂直拍摄对作物覆盖度计算结果的影响。【方法】在北京市小汤山基地草业研究中心露天环境下,以青绿薹草、结缕草为试验对象,获取45°、60°、90°(与地面夹角)3种拍摄角度下的图像,采用基于自适应权重粒子群改进K-means的图像分割方法,分析不同拍摄角度对青绿薹草覆盖度测量精度的影响,研究非垂直拍摄与垂直角度下覆盖度的关系曲线。首先将草RGB图像转化成HSV颜色空间,在HSV颜色空间利用自适应权重PSO算法向全局像素解的子空间搜寻,通过迭代搜寻到全局最优解,确定最佳初始聚类中心;其次利用K-means算法对不同角度图像像素进行聚类划分,从而得到草冠层区域分割结果,最后采用形态学滤波方法对分割结果进行优化。【结果】垂直拍摄时,传统K-means算法计算的2个品种的覆盖度总体相对误差分别为32.89%和34.37%,而本文算法下2个品种总体相对误差分别为11.23%和15.85%。相比于K-means算法,本文算法环境适应性好,算法精度高。非垂直拍摄条件下,本文算法能够克服多角度拍摄导致图像色彩分布不均匀的问题,有效分割出草冠层区域,90°覆盖度估测值与真实值平均误差为3.27%,60°二者平均误差为4.61%,45°平均误差为5.70%,随着拍摄角度的减小,平均误差略有增大,但均小于6%。非垂直角度下计算的覆盖度与垂直角度覆盖度呈显著地线性关系。【结论】采用本文方法可以提高非垂直拍摄获取作物覆盖度的精度。     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

基于Matlab的根系断层图像分割处理算法

根据植物根系原位形态可视化研究的需要,利用Matlab提供的图像处理算法,编制了根系断层图像分割处理算法的优选整合程序,用多种不同算法组合对根系CT原位图像进行实例检验,采用最终测量精度法作为评价准则,对分割效果进行分析研究。研究结果表明,在90%的置信水平下,处理模块的不同组合顺序以及每个模块中不同算法的选择对最终分割效果有显著的影响,各因素对分割效果总变异贡献率的大小排序为分割(46.1%)、灰度调整(17.9%)、分割前滤波(4.5%)、分割后滤波(2.6%)、执行序列(0.5%)。根据所设计的实验例证,提出了处理流程及算法中的较优组合。     

基于全卷积神经网络的云杉图像分割算法

以云杉为研究对象提出了应用全卷积神经网络（Fully convolutional networks,FCN）分割图像的算法。利用无人机采集图像,标注470幅云杉图像,其中300幅组成训练集,170幅组成测试集,标注90幅樟子松图像作为附加测试集。以VGG16为基础建立云杉分割FCN模型,利用Tensorflow框架实现和训练网络,通过共享权值和逐渐降低的学习速率,提高FCN模型的训练性能。选择像素精度（PA）、均像素精度（MPA）、均交并比（MIoU）和频权交并比（FWIoU）4个语义分割评价指标评价测试结果。FCN模型分割云杉图像,PA和MPA达到0.86,MIoU达到0.75,FWIoU达到0.76,处理速率达到0.085s/幅,有效地解决了光照变化、云杉个体差异、地面杂草干扰和植株之间粘连的影响。与HSV颜色空间阈值分割以及K均值聚类分割算法比较,FCN模型的MIoU分别提高0.10和0.38。     

基于SR300深度相机的褐蘑菇原位测量技术

褐蘑菇工厂化种植模式下,为了给蘑菇采摘机器人提供工作参数,采用结构光SR300深度相机采集菇床图像送入工控机进行原位测量。针对菇床上褐蘑菇的菌丝干扰背景,在深度图像中利用土壤表面深度的众数,结合蘑菇菌柄至少20mm的高度,自适应选择动态阈值,从菇床背景中提取蘑菇菌盖二值图;针对粘连的类圆形蘑菇,基于2-1圆形Hough变换初步检测其圆心、半径,进一步对蘑菇的边界点进行跟踪、去噪、插补,分割粘连的蘑菇,准确拟合单体蘑菇边界,获取蘑菇圆心和边界点的三维坐标;校准相机坐标系并基于陶瓷圆板验证原位测量方法的精度,由此计算世界坐标系中单体蘑菇的位置、直径、偏向角、倾斜角。现场试验表明,蘑菇直径最大误差为5.57mm,倾斜角最大误差为6.3°,视频帧的运行时间为206ms,单体蘑菇的运行时间为44ms,可满足蘑菇采摘机器人的现场需求。     

基于注意力机制和可变形卷积的鸡只图像实例分割提取

为提高鸡只个体轮廓分割提取的精度和准确度,实现基于机器视觉技术的鸡只行为、健康、福利状态监测等精准畜牧业管理,保证相关监测技术及决策的可靠性,针对叠层笼养环境下肉鸡图像的实例分割和轮廓提取问题,提出一种优化的基于Mask R-CNN框架的实例分割方法,构建了一种鸡只图像分割和轮廓提取网络,对鸡群图像进行分割,从而实现鸡只个体轮廓的提取。该网络以注意力机制、可变形卷积的41层深度残差网络（ResNet）和特征金字塔网络（Feature pyramid networks, FPN）相融合为主干网络,提取图像特征,并经区域生成网络（Region proposal networks, RPN）提取感兴趣区域（ROI）,最后通过头部网络完成鸡只目标的分类、分割和边框回归。鸡只图像分割试验表明,与Mask R-CNN网络相比,优化后网络模型精确率和精度均值分别从78.23%、84.48%提高到88.60%、90.37%,模型召回率为77.48%,可以实现鸡只轮廓的像素级分割。本研究可为鸡只福利状态和鸡只健康状况的实时监测提供技术支撑。     

基于KFCM和改进分水岭算法的猪肉背最长肌分割技术

提出一种利用核模糊C均值聚类(KFCM)和改进分水岭算法分割猪肉眼肌切面图像中背最长肌区域的方法.该算法对经中值滤波去噪后图像的R分量利用最大方差自适应阈值(OTSU)去除背景,再采用KFCM提取出肌肉组织,然后进行空洞填充,最后由改进的分水岭算法分割出背最长肌区域.利用该算法对采集的60幅猪肉眼肌图像进行处理,分割正确率为86.67%;与传统的形态学算法相比,该算法能真实、完整地恢复出背最长肌区域.结果表明:该算法能有效地分割出猪肉眼肌图像中的背最长肌区域,与改进前分水岭算法相比,能避免背最长肌区域出现欠分割.     

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。     

基于改进人工蜂群模糊聚类的葡萄图像快速分割方法

为解决基于模糊C-均值聚类(FCM)的图像分割算法需要预先给定初始聚类数目和聚类中心,易使得算法陷入局部最优的问题,提出一种改进的人工蜂群优化模糊聚类的图像分割方法。该方法在传统的人工蜂群的基础上进行优化,以FCM算法中目标函数为基础改进人工蜂群的适应度函数,运用蜂群行为中的采蜜蜂、跟随蜂和侦察蜂的分工合作来快速求解图像中的最优初始聚类中心,将求出的最优聚类中心输入给FCM进行处理,根据最大隶属度原则对果实图像进行分割。以300幅不同光照情况下拍摄的夏黑葡萄果进行分割试验,试验结果表明,改进的图像分割方法能更快地将水果从自然环境中分割识别出来,单幅图像平均分割时间为0.219 3 s,正确分割率达到90.33%,能满足采摘机器人及水果分级系统对目标图像的实时性要求。     

基于M-LP特征加权聚类的果树冠层图像分割方法

针对背景和杂草干扰下的果树图像冠层提取问题,提出了一种基于M-SP特征加权聚类的冠层分割算法。首先,将采集的原始图像由RGB颜色空间转换到HSI颜色空间,计算果树与背景区域在H、S分量上的马氏距离,构造马氏距离相似度矩阵〖WTHX〗M〖WTBX〗;其次,提取图像像素的垂直位置作为空间特征〖WTHX〗P〖WTBZ〗,在HSI空间内的I分量上,利用最大熵算法提取图像的阴影区域,并进行掩膜处理,将获取的阴影区域作为空间特征的加权区域L,从而构造阴影位置加权的空间特征〖WTHX〗L〖WTBX〗P;最后,对获取的M-LP特征矩阵进行归一化处理,分别进行上背景、下背景、果树冠层、杂草4个类别的K means聚类,最终完成图像分割。为验证算法的有效性,在采集的果树图像上进行了分割试验,结果表明,基于M-LP特征的聚类方法能有效解决重度杂草干扰条件下果树冠层被漏分的问题。采用精确率、召回率和F1值3个评价指标对分割结果进行定量评价,选取不同杂草干扰程度（轻微、中等、较强）和时间段（早晨、中午、傍晚）的果树图像,分别以传统K-means和GMM聚类算法作为对比进行试验,结果表明,相对于未经过特征提取的普通聚类分割方法,本文算法对于不同杂草干扰程度和不同拍摄时间段下的果树冠层分割表现出一定的鲁棒性,平均精确率为87.1%,平均召回率为87.7%,平均F1值为87.1%。分割和验证结果表明,在进行有效图像特征提取的基础上,结合少量标注作为先验知识的无监督分割方法可以准确分割出果树冠层区域。     

基于多特征融合和水平集的碧根果品质检测

碧根果在生产加工过程中易酸败,误食会对人体造成多方面危害。针对此问题,提出一种基于多特征融合和水平集的碧根果品质检测方法。以薄壳碧根果为研究对象,首先,对采集的原始图像进行预处理,解决目标对象与背景区域比例不匹配问题;然后,通过改进边缘指示函数的自适应距离正则化水平集算法（Distance regularized level set evolution, DRLSE）对图像进行感兴趣区域（Region of interest, ROI）分割,最后提取图像灰度直方图统计特征、灰度共生矩阵、Tamura和局部二值模式等多特征,并进行融合分析,建立支持向量机（Support vector machine, SVM）判别模型,实现碧根果无损品质检测。试验采集了200个正常、酸败碧根果样本图像,对其进行图像酸败及多特征分析。结果表明,采用本文方法判别碧根果酸败的分类准确率高达96.15%,在此基础上识别碧根果酸败程度,平均识别率为90.81%。