复杂背景茶树病害图像识别

针对复杂背景茶树病害图像样本收集困难问题,提出利用相似植物同种病害的图像增广数据集的新思路,构建小样本茶树病害图像数据集和增广数据集,同时引入网上公开的Plant Village植物病害图像数据集。在此基础上,采用VGG-16深度神经网络模型,通过实验比较分析迁移学习、数据增广、模型微调等小样本学习方法对复杂背景茶树病害图像识别问题的有效性。研究结论可为后续复杂背景茶树病害图像识别问题研究提供一定的借鉴和参考。

结合颜色和区域生长的茶叶图像分割算法研究

茶叶的生长情况和成熟度是影响茶叶品质的重要因素,而完成茶叶分析和识别的基础是对茶叶图像的准确分割。文章提出一种基于茶叶颜色和种子区域生长的改进方法来完成对茶叶嫩芽的分割。首先将原始RGB彩色图像转化为HSI空间,选取H和S参数进行初步的种子选择,然后对种子区域基于颜色的相似性和区域的邻接性进行区域生长,并结合颜色距离和边缘距离进行区域生长和合并。文中对不同角度取像图像的茶叶嫩芽进行了分割和比较,试验结果表明该算法能很好地将茶叶嫩芽从茶叶中分离出来,并较好地保存了茶叶嫩芽的轮廓信息。

基于K-means聚类法的茶叶嫩芽识别研究

以数码相机采集的茶叶图像为对象,研究茶叶嫩芽的识别方法。采用基于Lab颜色模型中a分量、b分量信息的K-means聚类法识别彩色图像中的茶叶嫩芽。对不同距离采集的茶叶图像,对比分析Ostu法(最大方差自动取阈法)和3个聚类中心的K-means聚类法的目标识别效果和识别效率。结果表明,Ostu法虽然可以完成嫩芽的识别,平均识别率在89%左右,但不能较好的保证分割后嫩芽的完整度。基Lab颜色模型和K-means聚类法的识别算法能较好的区分嫩芽和背景,平均识别率达到94%左右,且能较好的保证分割后嫩芽的完整度,为智能采摘技术研究提供技术支持和理论基础。

基于阈值分割法的茶叶嫩芽识别研究

嫩芽识别是实现名优茶智能采摘的前提,因此,利用数码相机采集了清明时期贵州大学和贵州农科院茶园茶叶图像,并以茶叶图像为对象,研究了茶叶嫩芽的识别方法。首先对RGB颜色模型的色差法(R-B)进行分析,然后以该算子为分割分量,对比研究了多种阈值分割法的优缺点和分割效果。试验结果表明,所研究的分割方法都能有效区分嫩芽和背景,其中ostu法和迭代阈值法的识别效果较好,嫩芽识别准确率为90%左右。