基于3G和ARM嵌入式系统的农作物图像信息定时采集系统

为获得农作物生长过程的图像信息、满足农作物生长过程监测和病虫/草害监测的应用需求,同时减少图像数据远程传输流量费用,设计开发了一个基于ARM嵌入式平台、OV9650图像传感器及3G无线模块的农作物图像信息定时采集和管理系统。本研究在较成熟的硬件集成系统基础上,实现功能完善的农作物图像采集节点软件系统;同时设计实现了基于中间件和WEB技术的服务端应用管理系统。应用结果表明,系统运行稳定,能按设定的时间连续获取农作物生长图像信息,分辨率高达1 280×1 024,获得的图像质量可满足应用需求;按1帧/d图像计算,1个月的流量仅78 MB。

基于不规则子块的农作物图像自适应增强算法

在对直方图均衡化算法基本原理深入分析的基础上,结合图像灰度值分布特征,提出一种改进的直方图均衡化增强算法,该算法首先引入自适应维纳滤波算法,对所获取的降质农作物图像进行预处理,以尽可能排除随机噪声;然后提出一种基于图像灰度信息的自适应子块获取方法,通过图像中灰度值的分布特点来自适应确定子块,对各子块分别进行直方图均衡化处理,从而获得高清晰度的农作物图像。采用峰值信噪比及均方根误差等指标,将图像自适应增强算法与自适应维纳滤波算法、直方图均衡化算法及其改进算法对降质农作物图像的处理性能进行定量评价,结果表明,图像自适应增强算法在去除噪声的同时能够有效提高图像对比度,对于农作物图像处理具有一定的借鉴价值。

1种小波域改进SVD的农作物图像去噪新方法

在对奇异值分解(singular value decomposition,SVD)去噪基本原理深入分析的基础上,结合小波变换提出了一种农作物图像小波域改进自适应SVD去噪算法。本研究所用算法首先对农作物噪声图像进行3层小波变换,保留低频子图像不变;然后对于水平、垂直、对角方向分布的高频子图像采用改进的自适应SVD算法进行噪声滤除;最后进行小波系数重构。为了有效测试该算法性能,实地拍摄2幅某温室大棚农作物图像作为测试图像,分别将本研究所用算法、SVD算法以及改进过的SVD算法进行去噪性能比较,引入峰值信噪比(Peak signal to noise ratio,PSNR)对几类算法的去噪结果进行定量评价。结果表明,本研究所用算法性能优于另外2种算法,这为农作物噪声图像的处理提供了一种较有效的方法。

基于改进的K-均值聚类算法的农作物图像分割

图像分割是图像进行分析处理的首要步骤。为此,针对彩色农作物图像的特征,首先将RGB彩色图像转换到HIS色彩空间,运用均值-方差与粗糙集理论选取适当的初值聚类中心和聚类个数,再进行聚类计算,实现了色彩分量的快速自动化分割,较准确地从背景中提取出了目标物体,为农作物图像的识别与分析、后续计算和处理提供了可靠的基础。实验结果表明,改进的k-均值算法减少了运算量,提高了分类精度和准确性。

基于脊波变换域BDND的农作物图像改进中值滤波算法

实地获取农作物图像对于农作物长势以及病虫害进行监测具有重要作用,对此,结合脊波变换这一多尺度图像分析方法,在图像脊波变换域引入了边界判别噪声检测方法(Boundary discrimination noise detection,BDND),对经典中值滤波算法进行了改进,提出了一种基于脊波变换域BDND改进的中值滤波算法。该方法首先对图像进行多尺度脊波变换,获得了低频和高频分解图像,考虑到低频图像的视觉特征,采用同态滤波方法进行增强处理;然后对高频图像结合区域灰度值分布特征,设定2个自适应阈值,将经过2次噪声检测后处于该2个阈值间的像素点标记为非噪声点,对其余像素点分别进行中值滤波;最后,对视觉效果改善的低频图像和滤波后的高频图像进行逆脊波变换。分别采用C++语言对中值滤波、脊波域阈值去噪以及本文算法进行编程试验。结果表明,本文算法对于农作物图像的滤波效果稍优于其余2种方法。

基于二维经验模态分解与小波变换的农作物图像去噪

将小波自适应阈值去噪引入二维经验模态分解(bidimensional empirical mode decomposition,BEMD)中,提出一种自适应图像去噪算法,该算法首先对农作物噪声图像进行二维经验模态分解,获得具有不同尺度特征的固有模态函数(intrinsic mode function,IMF)子图像序列;然后将该序列中前3个子图像分别进行3层小波变换,引入一种新型自适应小波阈值去噪函数模型分别进行噪声抑制,实现小波系数重构;最后,对去噪后的固有模态函数子图像与剩余固有模态函数进行重构,获得去噪后的农作物图像。对实地拍摄的农作物图像进行去噪试验,结果表明,自适应图像去噪算法与均值滤波算法、小波阈值去噪算法相比,性能有较大幅度的提升。

农作物图像分割算法综述

近年来,图像处理技术已被广泛应用于生活中各个领域,在农业方面也取得一定的成果。图像分割技术是图像处理的一个重要前提之一,从复杂背景中精准分割农作物,有利于对农作物的病害、成熟度等准确判断,对提高农作物产量和质量具有重要意义。因此,对农作物图像分割算法基于阈值、基于聚类、基于边缘和基于深度学习四种进行综述,并提出图像分割算法现存的问题。

基于卷积神经网络的农作物图像识别方法研究

为了使计算机视觉技术更好地应用于农业自动化领域,本文采用两种识别方法:一种是使用卷积神经网络算法对图像直接进行识别分类;另一种是先对图像进行预处理及分割,然后提取图像的颜色、纹理、形状和内在低维流形特征等特征参数,使用BP神经网络和Elman神经网络算法对提取的特征参数进行识别。通过对两种图像识别方法识别结果的比较,发现卷积神经网络直接对图片进行识别的最高正识率为100%,更适合作为本研究的识别算法。

融合图像与环境参数的农作物生长远程监控平台

为实现温室大棚中农作物生长的监测和农机设备的控制,设计开发了一套远程监控平台。平台采取三层物联网结构,包括感知层、网络层、应用层。感知层中的各种传感器设备负责采集农作物的环境参数与图像数据,并按照指定的通信协议将信息传输到网络层。利用Vue+SpringBoot前后端分离框架,在网络层实现了业务逻辑处理、数据存储解析、页面交互。同时,通过TCP与UDP的并行通信,使交互业务与数据接收业务互不干扰,降低了系统的业务耦合度。在应用层设计了数据中心、控制中心、设备中心、视频中心以及设置中心五个模块。通过功能测试,验证了该平台能够满足温室大棚农作物生长的监控需求。

农作物病害图像清晰化处理算法的应用

农作物视频监控图像由于受到拍摄时光照不均匀的影响以及在图像传输、解码、存储过程中不可避免地会混入一定程度的随机噪声,导致图像对比度下降,图像中的目标物难以准确辨认。因此,在对多方向中值滤波算法(MMF)基本原理深入研究的基础上,提出一种改进自适应多方向中值滤波算法。该算法首先提出一种噪声检测方法实现对图像中噪声的识别并加以标记,然后对图像中的噪声点分别进行水平、垂直、对角等4个方向的中值滤波,然后对获得的滤波值集合分别求取其最大(小)值、平均值、中间值以及与噪声点像素值组成新的集合,最后求取该新集合的中间值并作为最终的滤波结果。采用实地拍摄的2幅农作物病害图像进行算法测试,结果表明本算法与中值滤波以及MMF相比具有一定的优势与实用性。

农作物实景监测中的图像数据质量控制方法研究

农作物实景自动监测系统具有自动、非接触、非破坏性等优点,是传统农业气象观测的补充。开展图像质量控制是合理使用农作物实景自动监测系统资料的基础。利用郑州、泰安和固城三地的历史农作物实景图像资料,设计了基于颜色特征参数检测和基于暗通道先验直方图检测的图像数据质量控制方法。通过对2010-2012年三年夏玉米和冬小麦等不同天气条件下得到的农作物实景自动观测资料进行质量控制与应用效果检验。结果表明:两种质量控制方法均可判断出农作物实景自动监测系统中图像观测资料的异常数据;基于颜色特征参数检测方法可有效识别出像素缺失图像,准确率达100%;基于暗通道先验直方图检测方法能有效识别出污染图像,平均准确率为95.7%,平均召回率为87.5%。该质量控制方法可减小模型估算值与观测数据之间的误差,目前已应用于省级农业自动观测业务系统。

基于卷积神经网络的农作物种类自动识别算法研究

随着“互联网+”农业项目的推进,农业图像数据的采集越来越多样化,在数据的采集过程中也产生了大量无标签的农作物图像,图像数量极其庞大,已经达到无法人工识别的程度.通过人工采集大量农作物图像,利用卷积神经网络算法实现作物种类图像识别,在DenseNet121网络的基础上,通过对其参数进行优化调整,使用已采集的5类农作物数据集对其进行训练和测试,测试结果表明网络的识别率为99.3%.在此数据集上,与现有的一些经典分类识别模型进行了对比试验,其中Vgg16模型的识别率98.2%,ResNet50模型的识别率为92.4%,分别提升了1.1%和6.9%,模型识别率得到了一定提升.为了增强模型的可用性,实现作物种类图像识别的自动化,基于三种模型进行了作物图像识别系统设计.该系统对后期有针对性地对作物种类图像的长势、健康状况等实现智能决策管理具有一定的参考价值.

基于改进SLIC的光照干扰下茶树冠层图像分割

针对自然环境下获取农作物图像时极易受到光照干扰的问题,提出一种改进的简单线性迭代聚类(SLIC)方法,以[L^*,R,G-S,x,y]作为聚类向量对茶树冠层图像进行超像素分割,提取超像素块的R、G、B、H、S、V、L^*、a^*、b^*、熵、能量、对比度、逆差矩等13个图像特征参数;将超像素块分为正常区域、反光区域、背景3类,分别选择线性、多项式和RBF核函数的SVM进行分类,得到仅包含正常区域的茶树冠层图像,进而提取正常区域的图像特征参数。试验结果表明,在光照变化情况下,改进的SLIC与RBF-SVM结合得到的图像特征最为稳定。

加强类别关系的农作物遥感图像语义分割

目的 遥感图像处理技术在农作物规划、植被检测以及农用地监测等方面具有重要的作用。然而农作物遥感图像上存在类别不平衡的问题,部分样本中农作物类间相似度高、类内差异性大,使得农作物遥感图像的语义分割更具挑战性。为了解决这些问题,提出一种融合不同尺度类别关系的农作物遥感图像语义分割网络CRNet(class relation network)。方法 该网络将ResNet-34作为编码器的主干网络提取图像特征,并采用特征金字塔结构融合高阶语义特征和低阶空间信息,增强网络对图像细节的处理能力。引入类别关系模块获取不同尺度的类别关系,利用一种新的类别特征加强注意力机制(class feature enhancement, CFE)结合通道注意力和加强位置信息的空间注意力,使得农作物类间的语义差异和农作物类内的相关性增大。在解码器中,将不同尺度的类别关系融合,增强了网络对不同尺度农作物特征的识别能力,从而提高了对农作物边界分割的精度。通过数据预处理、数据增强和类别平衡损失函数(class-balanced loss, CB loss)进一步缓解了农作物遥感图像中类别不平衡的问题。结果 在Barley Remote Sensing数据集上进行的实验表明,CRNet网络的平均交并比(mean intersection over union, MIoU)和总体分类精度(overall accuracy, OA)分别达到68.89%和82.59%,性能在评价指标和可视化效果上均优于PSPNet(pyramid scene parsing network)、FPN(feature pyramid network)、LinkNet、DeepLabv3+、FarSeg(foreground-aware relation network)以及STLNet(statistical texture learning network)。结论 CRNet网络通过类别关系模块,在遥感图像复杂的地物背景中更加精准地区分相似的不同农作物,识别特征差异大的同种农作物,并融合多级特征使得提取出的目标边界更加清晰完整,提高了分割精度。