机器视觉在稻种识别和分类上的应用进展

通过概述图像采集的2种方式,即RGB图像和光谱图像的获取,探讨图像预处理技术,包括图像去噪、增强及分割等步骤。在特征提取方面采用主成分分析(PCA)和线性判别分析(LDA)方法,能高效提取稻种的颜色、纹理和形状特征;探讨了机器学习和深度学习在稻种光谱图像及RGB图像处理中的实践应用,以及深度学习模型在稻种识别分类的性能优化和改进方法。研究发现,机器视觉技术在稻种识别领域展现出高效与准确性,未来可以期待开发出低成本的图像采集平台和更为轻量级的稻种识别软件,推动稻种数据共享,并持续探索新兴的深度学习技术,进一步优化稻种识别的效果。

基于改进卷积神经网络的油茶果壳籽分选方法

为了进一步提升油茶果壳籽分选效率,该研究采集油茶果脱壳后经过初步筛分的果壳与茶籽图像,构建壳籽分类图像数据集,以VGG16为基础网络,通过深度可分离卷积模块和全连接层神经元数目优选等方式缩小模型规模,采用跨层特征融合机制与引入指数线性单元(exponential linear units,ELU)激活函数优化网络结构,提出一种适用于油茶果壳籽分选的卷积神经网络模型。结果表明,跨层特征融合机制加强了深层网络特征的有效信息表达能力,相比于未融合时的模型精度得到了明显提升,并且三次跨层特征融合总体优于一次与二次融合方式。ELU激活函数加快了模型收敛速度,同时缓解了梯度爆炸,提高了模型鲁棒性。当全连接层神经元个数减少为128时模型得到进一步压缩,并且拟合程度较好。改进模型在油茶果壳籽图像分类上的验证集准确率为98.78%,模型的占存仅需8.41MB,与未改进的VGG16模型相比,准确率提高了0.84个百分点,模型占存减少了519.38MB,并且改进模型的性能相比于AlexNet、ResNet50与MobileNet_V2等其他网络更具优势,同时在测试试验中该模型分选准确率达到了98.28%,平均检测时间为85.06 ms,满足油茶果的壳籽在线快速分选要求。该研究提出的改进卷积神经网络模型具有较高的准确率与较强的泛化能力,可为深度学习运用于油茶果壳籽实时分选提供理论参考。

种子形状参数检测的计算机图象处理技术

设计了采用计算机图象处理技术检测物体形状特征参数的实用算法，开发了对种子进行基本形状参数测量的计算机图象处理系统，实际测试表明，系统运行稳定、测量速度快、精度高，适合同时分析多个物体的特征参数。

基于高光谱图像处理的大豆品种识别(英文)

大豆组分(油,蛋白质,脂肪等)在不同的大豆品种间差异很大。对于提高大豆品质来说,大豆品种识别是一个关键因素。该文利用高光谱图像技术对不同的大豆品种进行识别。利用高光谱成像系统获取大豆样本1 000～2 500 nm范围的光谱反射数据;应用主成分分析法(PCA,principal component analysis)对获取到的光谱数据进行数据降维并去除冗余数据;在分类算法中将得分高的主成分值作为输入特征,通过PCA方法从每个特征图像中提取4个特征变量(能量、熵、惯性矩和相关性);对于具体特征提取,从16个特征变量中提取8个重要特征参数;根据选择的特征,应用神经网络方法构建分类器;训练精度精度达到97.50%,平均测试精度达到93.88%以上。结果表明,应用高光谱图像技术结合神将网络建模方法可以对大豆品种进行分类。

基于形状特征的脱绒棉种品种识别

该文以中棉50、新陆早26、新陆早33棉花品种为研究对象,基于图像处理技术提取了脱绒棉种的面积周长类、最大径类、椭圆类和区域矩类共14个形状特征参数,并运用多元统计分析方法,利用统计学中的集中趋势指标与离散程度指标对数据进行分析,将综合特征指标作为品种判别的参数;利用SPSS软件,用逐步判别分析法建立了3个品种的识别模型,得出3个线性分类函数,经验证,预测组成员中,中棉50、新陆早26和新陆早33的正确率分别为90%,80%,100%,判别效果显著。

基于机器视觉和BP神经网络的超级杂交稻穴播量检测

为了保证秧盘上每穴超级稻种子数量一致,实现精密播种作业,需对播种性能进行准确检测,但超级杂交稻播种到秧盘中,多粒种子存在粘连、重叠、交叉等情况,传统的面积、分割算法对上述情况播种量检测精度低,因此需提高上述情况种子播种量检测精度。考虑到种子连通区域的形状特征反映种子数量,该文提出一种基于机器视觉和BP神经网络超级杂交稻穴播量检测技术。针对超级稻颜色特征,采用RGB图像中红色R和蓝色B分量组成的2×R-B分量图和固定阈值法获取二值图像;投影法定位秧盘目标检测区域和秧穴;提取连通区域10个形状特征参数,包括面积、周长、形状因子、7个不变矩,建立BP神经网络超级稻数量检测模型,检测连通区域为碎米/杂质、1、2、3、4和5粒以上6种情况;试验结果表明,6种情况的检测正确率分别为96.6%、99.8%、97.2%、92.5%、86.0%、94.3%,平均正确率为94.4%,每幅图像平均处理时间0.823s,满足精密育秧播种流水线在线检测要求;研究结果为实现精密恒量播种作业提供参考。

基于卷积神经网络的花生种子筛选识别算法

针对现有技术在花生种子筛选过程中分类复杂、准确率低、速度慢的问题,提出了基于卷积神经网络的花生种子的筛选识别算法。根据实际情况将花生种子分为完好花生、破损花生2类研究对象,收集1500张花生照片建立图像库,搭建卷积神经网络结构,提取花生种子图像的颜色特征和纹理特征,优化网络提高筛选的准确率和快速性。试验结果表明优化完成后的卷积神经网络筛选准确率为98.21%,筛选速度为16.4 ms/粒,说明该系统准确率高、筛选速度快,可以满足农业对花生种子的实际筛选要求。

基于区域级和像素级特征的路面裂缝检测方法

路面裂缝图像普遍存在光照不均匀,对比度低,噪声干扰严重等问题,传统图像处理方法无法有效检测路面裂缝。提出一种综合区域级和像素级特征的分步路面裂缝检测算法,将检测过程分为裂缝区域检测和区域内裂缝精确检测2部分依次进行。设计一种基于拟合图像背景的匀光算法,并结合其他预处理算法改善图像质量;而后基于图像连通域特征,采用基于多特征的滤波方法以及基于SVM的裂缝区域分类法完成裂缝区域检测;在裂缝区域内采用基于像素灰度与梯度特征的种子生长法提取裂缝目标。实验结果表明,该算法能够较好的检测和标识出复杂路面裂缝图像中的裂缝目标。

基于几何和色度学特征识别的花生视觉选种方法

花生选种要求花生粒完好、个大、颗粒饱满。为减少花生选种的工作量,该研究以花生粒为研究对象,建立花生选种的视觉识别方法。该方法首先采集图像并对图像进行视觉处理,根据训练样本图像建立基于几何和色度学的项目特征库;再根据采集的待选种子花生图像,对比特征库测试待选种子花生的2个重要几何特征参数面积和圆度,来识别粒大饱满种子花生;以及测试其色度学特征参数,区分完好、破损和霉变花生,从而识别能够选做种子的花生。通过识别测试,该研究的花生视觉选种识别率达到93.3%,能够满足选种要求,该花生视觉选种方法可应用于花生自动选种装置。

融合光谱、纹理及形态特征的水稻种子品种高光谱图像单粒鉴别

水稻种子品种的单粒鉴别对于防止制种时的混杂、掺假现象,保证种子纯度具有重要意义。利用高光谱图像技术研究了水稻种子品种的单粒快速鉴别方法。采集了10类水稻种子在400-1000 nm范围内的高光谱反射图像并提取其光谱、纹理和形态特征;结合偏最小二乘判别分析模型比较了不同特征及其组合下的分类精度,并利用多次递进无信息变量消除算法结合偏最小二乘投影分析方法筛选最优波段。结果显示,在仅利用23个最优波段情况下,融合均值、熵、能量和形态特征所建立的鉴别模型获得了令人满意的识别精度,其训练集、测试集精度分别为99.22%、96%。结果表明,高光谱特征融合可以在少量波段情况下有效地提高水稻种子品种单粒鉴别的精度,基本满足国家标准对种子纯度的检测要求。