基于轻量级对称结构网络的棉花图像分割算法

棉纺产线中的自动化、数字化设备提高了产线的生产效率与质量,但在当前仍存在棉纺产线管道棉流中棉花状况难检测的问题。因此,结合棉纺产线中棉流图像的特征,提出了一种基于轻量级网络的分割方法(Light cotton-net)。网络基于一种对称编解码结构,通过优化卷积方式与上采样方法、设计特称提取结构,在保证分割精度在误差可接受范围内的同时大幅减少网络参数、提高网络预测速度。以异纤机中拍摄的棉流图像为数据集,加入随机偏移、缩放、亮度变换等数据增广操作。实验数据表明,在网络参数量6.0M(million),预测每张图片时间为35.328ms的情况下,模型的分精确度和召回率分别为96.63%和93.87%,模型分割精度基本与U-net网络等同,参数量约为其1/3,图像分割速度约为其5倍,模型对系统内存及算力的需求更低,更适合在工业设备上的部署。

基于改进分水岭的棉花图像分割方法

针对棉花图像中存在阳光直射和阴影遮挡等因素而导致图像分割精度低、效果差的问题,提出一种改进分水岭的图像分割算法。该方法对原始图像进行各向异性扩散去噪预处理;利用鲁棒中值估计对形态学多尺度梯度图像进行硬阈值法梯度修正;对修正后的图像采用分水岭算法进行分割,对过分割的区域采用基于L*a*b*彩色空间的颜色相似度方案进行区域合并,从而将棉花提取出来。实验结果表明,提出的算法对阳光直射及阴影遮挡等干扰条件下的棉花图像分割能取得较好的效果。

基于K均值聚类与标记分水岭的棉花图像分割

针对棉花识别中由于光照不均、背景复杂等不利影响降低识别率的问题,提出了一种基于K均值聚类与标记分水岭的棉花图像分割算法。基于棉花和背景在颜色上的信息差别,使用K均值聚类算法将复杂背景棉花分成棉叶、棉花、土壤和棉枝四类。进一步,基于棉花和背景在亮度上的信息差异,利用二维Otsu算法对棉花目标初次分割,并通过标记分水岭算法完成目标识别。通过实验验证:改进的标记分水岭算法能够有效解决棉花目标的过分割问题,显著提高了识别率,同时该方法对具有同类特征的花卉采摘视觉系统的设计具有参考价值。

棉花图像检索中的分块权重优化

针对棉花图像检索中颜色直方图方法中的各图像分块权重难以设定的难题,提出一种基于粒子群算法的多分块权重自动优化方法,它将图像各分块权重设定转化为智能求优过程,使用粒子群算法求取较佳分块权重组合。结合棉花数据集的实验结果表明,与均等权重方法以及用户自定义权重方法相比,该方法能够取得较为优化的权重组合,提高棉花图像的检索性能。

融合同态滤波与马尔可夫随机场的棉花图像分割

对机器人图像处理系统中的图像进行准确分割具有重要实用价值,提出融合同态滤波与马尔可夫随机场的图像分割算法。(1)将读入的图像从RGB模式转换到HSI模式,进行同态滤波处理以凸显图像细节与目标区域;(2)将同态滤波后的RGB模式彩色图像转换成灰度图像;(3)将利用了图像区域信息的马尔可夫随机场模型以及对图像中的少量模糊和不确定点具有良好适应性的约束聚类方法相结合,对图像进行分割;(4)在分割图像的基础上通过对连通区域面积阈值的设定以获取目标区域。选取不同角度与光照采集的图像,使用本研究算法进行分割试验,并分别与OTSU算法、模糊聚类图像分割算法和马尔可夫随机场图像分割算法进行比较,结果表明,本研究算法对图像进行分割的效果更好。

棉花图像处理中的位图数据解析

针对棉花位图图像分析在整个机器视觉检测系统中的重要性,开展了棉花位图数据解析研究。本文首先搭建了棉花图像采集平台,在此基础上,通过VC++程序实现了图像采集,并结合位图文件格式对棉花位图数据的解析与分析,验证了数字化分析棉花位图的可行性,为棉花图像后期的自动化分析与识别提供了技术参考。

棉花图像处理中的位图数据解析

针对棉花位图图像分析在整个机器视觉检测系统中的重要性,开展了棉花位图数据解析研究。本文首先搭建了棉样图像采集平台,在此基础上,通过VC++程序实现了图像采集,并结合位图文件格式对棉花位图数据的解析与分析,验证了数字化分析棉花位图的可行性,为棉花图像后期的自动化分析与识别提供了技术支持。

基于改进K均值聚类与HSV模型的棉花分割算法

针对棉花图像中存在阳光直射和阴影遮挡等因素而导致图像分割精度低、效果差的问题,提出一种结合颜色聚类与V通道信息的图像分割方法。该方法对原始图像进行各向异性扩散滤波预处理;再对图像采用改进的K均值颜色聚类完成初始分割,对分割结果利用HSV模型中的V通道信息作为棉花图像的特征,去除背景影响实现最终分割。实验结果表明,该算法在阳光直射及阴影遮挡等干扰条件下能较好地将成熟棉花从背景中分离出来。