基于混合分组扩张卷积的玉米植株图像深度估计

【目的】研究面向玉米田间场景的图像深度估计方法,解决深度估计模型因缺少有效光度损失度量而易产生的精度不足问题,为田间智能农业机械视觉系统设计及导航避障等提供技术支持。【方法】应用双目相机作为视觉传感器,提出一种基于混合分组扩张卷积的无监督场景深度估计模型。设计一种混合分组扩张卷积结构及对应的自注意力机制,由此构建反向残差模块和深度估计骨干网络;并将光照不敏感的图像梯度和Gabor纹理特征引入视图表观差异度量,构建模型优化目标。以田间玉米植株图像深度估计为例,开展模型的训练和测试试验。【结果】与固定扩张因子相比,采用混合分组扩张卷积使田间玉米植株深度估计平均相对误差降低了63.9%,平均绝对误差和均方根误差则分别降低32.3%和10.2%,模型精度显著提高;图像梯度、Gabor纹理特征和自注意力机制的引入,使田间玉米植株深度估计平均绝对误差和均方根误差进一步降低3.2%和4.6%。增加浅层编码器的网络宽度和深度可显著提高模型深度估计精度,但该处理对深层编码器的作用不明显。该研究设计的自注意力机制对编码器浅层反向残差模块中不同扩张因子的卷积分组体现出选择性,说明该机制具有自主调节感受野的能力。与Monodepth2相比,该研究模型田间玉米植株深度估计的平均相对误差降低48.2%,平均绝对误差降低17.1%;在20 m采样范围内,估计深度的平均绝对误差小于16 cm,计算速度为14.3帧/s。【结论】基于混合分组扩张卷积的图像深度估计模型优于现有方法,有效提升了深度估计的精度,能够满足田间玉米植株图像的深度估计要求。

基于Bayes与SVM的玉米彩色图像分割新算法

提出了基于Bayes(贝叶斯)与SVM(支持向量机)的玉米彩色图像分割新算法。统计原始RGB图像中的玉米和土壤背景的均值向量和协方差矩阵,利用正态分布的Bayes分类器计算每个像素的目标和背景的判别函数值,用训练好的SVM对判别函数值进行分类,实现彩色图像分割。Matlab试验结果表明,该方法能够实现高光强下彩色图像分割,平均错分率为9.1%,平均漏分率为12.0%,平均相似度为80.8%。

基于背景板比例尺的玉米果穗图像特征测量

玉米果穗图像特征的精确测量是实现玉米自动考种的关键技术,但玉米背景图像的复杂性,难以快速、准确测量出玉米的几何特征(玉米果穗的总长度、宽度、体积、秃尖等)。该文根据玉米灰度图像的分布特点,构造了三区域图像增强模型,采用形态学图像处理方法对增强后的图像进行分割,计算出背景板比例尺,以此为参考实现了精确计算玉米的几何参数。文中对计算结果进行了误差分析,表明该文提出的基于背景板比例尺的图像处理算法能够准确地测量出玉米图像中的几何特征值,准确率可达到96.01%,可实现玉米自动考种,替代传统的玉米手工考种,对于玉米品种推广、育种具有重要意义。

基于改进和声搜索算法的玉米叶片病害图像分割算法

针对最大类间方差法在图像分割时存在造成噪声干扰和过分割的缺点,提出一种基于改进和声搜索算法的玉米叶片病害图像分割算法。算法将玉米叶片病害图像编码处理,选取图像的类间方差作为改进和声搜索算法的适应度值,通过改进和声搜索算法寻找最优的分割阈值,利用该最优阈值使用经典最大类间方差法对玉米叶片病害图像进行分割。选取强光、中光、弱光条件下三幅玉米叶片病害图像进行分割实验,结果表明采用基于改进和声搜索算法的玉米叶片病害图像分割算法较最大类间方差法和基于混合蛙跳算法的图像阈值分割算法均具有较好的图像阈值寻优能力,可有效提高玉米叶片病害图像中病斑分割的效果。

一种基于图像分析的玉米病虫害智能化识别方法

农业病虫害智能化探测是现代农业发展的必然趋势,也是基本要求之一。以玉米病虫害为研究对象,借助计算机图像分析技术,提出了一种玉米病虫害智能化识别方法。首先对降质的玉米病虫害图像实现单层小波分解,以实现图像信号的多尺度分解,获得低频分解系数和高频分解系数。由于低频分解系数包含绝大多数图像低频信号,降质程度可忽略不计,设计了一种具有调节因子的自适应增强函数模型,通过设定固定阈值,对高于该阈值的系数进行只适应增强,反之则进行抑制。然后对上述各高频系数进行第二层小波分解,对获得的低频分解系数予以舍弃,对于高频系数则通过设计一种随着分解层数的变化而自适应调整阈值的小波阈值函数模型来进行处理。最后分别进行2层小波系数重构。结果表明,该方法对玉米病虫害图像的复原效果优于小波硬、软阈值函数模型,能够根据复原后的图像进行病虫害的准确识别,稍加改进可应用与农业智能化设备(如农业机器人)的内置程序中,能实现对病虫害图像的实时化地获取、处理,智能化地识别。

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8:2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉癇函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%,100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。

基于颜色分量与直方图的玉米苗期背景分割方法研究

对土壤背景进行有效分割是玉米苗期田间杂草识别的前提和基础。本研究利用颜色分量G-R和G-B与灰度直方图来实现玉米苗期图像与背景图像的分割,解决了玉米苗期田间杂草识别中受影响及环境适应性差等问题。通过对不同环境下苗期玉米图像的植被颜色和背景颜色分量的统计分析表明,采用G-R和G-B双阈值颜色特征分割,进行土壤背景分离取得了很好的效果。

基于Contourlet变换与LSSVM的玉米种子识别算法

基于Contourlet变换与最小二乘支持向量机(least squares support vector machine,LSSVM),提出了一种玉米种子高精度识别算法。该算法首先对玉米种子图像进行多层Contourlet分解,结合指数函数和反正弦函数,提出了一种新型的阈值函数模型对高频分解系数进行去噪处理;其次,将低频分解系数与去噪后的高频分解系数进行重构,得到去噪后的玉米种子图像;最后采用LSSVM对去噪后的玉米种子图像进行识别,采用径向基函数模型作为LSSVM核函数模型。试验结果表明,对去噪后的图像进行LSSVM识别的精度优于直接对图像进行LSSVM、SVM识别的精度。

基于迁移学习和模型压缩的玉米病害识别方法

传统的图像识别方法在对玉米病害图像进行识别时准确率低,而卷积神经网络对图像识别有很好的效果,但其网络模型计算量大、参数量多,使其难以依托算力有限的移动端设备在小样本应用中推广使用。因此,以提高玉米病害图像的准确率、降低网络参数和模型大小为目的,提出了一种结合迁移学习和模型压缩的卷积神经网络用于玉米病害识别。为提高模型的泛化性,对数据集进行增强,构建基于迁移学习的卷积神经网络结构。通过迁移学习,利用在ImageNet上预先训练改进的VGG16-Inception网络模型,对常见玉米病害图像进行迁移识别。实验表明,在ImageNet数据集上,利用迁移学习对玉米病害图像的平均识别准确率达到93.38%。在迁移完成后,结合通道剪枝和知识蒸馏的方法对模型进行压缩,压缩后的模型再利用迁移学习进行玉米病害图像识别。实验表明:压缩后对玉米病害图像的平均识别准确率达到92.40%,准确率下降了0.98%,模型大小由73.90MB压缩到9.45MB,参数量减少了87.80%。本方法能够在小样本场景下确保识别准确率,并进一步实现模型轻量化。

基于机器视觉的玉米虫害区域SIFT识别仿真

图像中的噪声点会对图像感兴趣区域提取结果造成影响,不利于获取准确的图像识别结果。为了准确识别玉米航拍图像的虫害区域,提出一种机器视觉下玉米航拍图像虫害区域识别方法。通过无人机采集玉米图像,通过中值滤波和K-means聚类算法对玉米航拍图像实施去噪与分割处理,有效保留虫害区域的边缘特征和颜色特征。通过Gentle AdaBoost算法筛选最佳特征,构建强分类器和弱分类器,基于训练好的分类器构建级联识别器,快速排除背景值。利用SIFT模板对识别结果二次筛选,最终确定识别目标,完成虫害区域识别。仿真结果表明,所提方法可以获取高精度的玉米航拍图像虫害区域识别结果,且识别率较高。

Application of Computer Vision Technique to Maize Variety Identification

Variety identification is important for maize breeding, processing and trade. The computer vision technique has been widely applied to maize variety identification. In this paper, computer vision technique has been summarized from the following technical aspects including image acquisition, image processing, characteristic parameter extraction, pattern recognition and programming softwares. In addition, the existing problems during the application of this technique to maize variety identification have also been analyzed and its development tendency is forecasted.

基于深度颜色特征的灰度直方图玉米品种识别研究

为了提高玉米品种识别的准确率,提出了一种基于深度和颜色的灰度直方图结合BP神经网络的玉米品种分类方法。使用深度传感器获取玉米子粒的深度图像,并将获得的RGB彩色图像转化为HSV图像进行分析,发现不同品种的H分量有明显差异,从而确定不同颜色范围对应的灰度值,用归一化和灰度化后的图片生成灰度直方图,发现不同品种的灰度特征值差异比较大,取其中重要的4个灰度特征值作为BP神经网络的输入,经过训练识别出不同的品种。试验结果表明,此方法识别出的玉米品种与人眼观察的结果基本一致。