1 黑龙江八一农垦大学信息与电气工程学院, 黑龙江 大庆 163319
2 黑龙江八一农垦大学园艺园林学院, 黑龙江 大庆 163319
为解决大豆冠层在近地端的多光谱图像边缘灰度不均, 目标与背景之间灰度差别小, 难以准确高效地获取大豆冠层目标区域的难题, 将多光谱成像处理技术与经典图像分割方法有机融合, 提出基于多光谱图像处理技术的大豆冠层提取方法。 以东北大豆为对象, 通过Sequoia多光谱相机采集绿光、 近红外、 红光、 红边和可见光五类大豆多光谱图像, 采用高斯平滑滤波法对原始大豆多光谱图像进行预处理, 分析多光谱图像中大豆冠层和背景的灰度直方图分布特性, 在此基础上利用迭代法、 Otsu法和局部阈值法提取原大豆多光谱图像中冠层区域, 并以图像形态学开运算处理细化和扩张背景, 避免图像区域内干扰噪声对大豆冠层识别效果的影响, 同时以有效分割率、 过分割率、 欠分割率、 信息熵以及运行时间等为监督指标, 对大豆冠层多光谱图像识别模型进行效果评价。 大豆冠层识别模型中迭代法可以有效分割近红外和可见光大豆冠层图像, 有效分割率分别为97.81%和87.99%, 对绿光、 红光和红边大豆冠层图像分割效果较差, 有效分割率低于70%; Otsu法和局部阈值法可以有效分割除红光波段的其余四种多光谱大豆冠层图像, 且有效分割率均在82%以上; 三种算法对红光大豆冠层图像的有效分割率均低于20%, 未达到较好效果。 在原始多光谱图像中应用迭代法、 Otsu法和局部阈值法提取大豆冠层图像与标准图像的信息熵平均值波动幅度分别为: 0.120 1, 0.054 7和0.059 8, 其中Otsu法和局部阈值法较小, 表明了对于大豆冠层多光谱图像识别中两种算法的有效性。 该算法中Otsu法和局部阈值法均可以有效提取绿光、 近红外、 红边和可见光等多光谱的大豆冠层图像, 二者较为完整地保留了大豆冠层信息, 其中Otsu法实时性能较局部阈值法更好。 该成果为提取农作物冠层多光谱图像提供理论依据和技术借鉴。
大豆冠层 多光谱图像 图像处理 识别模型 算法评价 Soybean canopy Multispectral image Image processing Recognition model Algorithm evaluation 光谱学与光谱分析
2022, 42(11): 3568
1 黑龙江八一农垦大学信息与电气工程学院, 黑龙江 大庆 163000
2 黑龙江八一农垦大学食品学院, 黑龙江 大庆 163000
稻谷在储藏和运输过程中, 在适宜的温湿度环境下极易发生霉变, 导致大量的粮食浪费和巨大的经济损失, 进而影响粮食安全。 为解决传统的稻谷霉变检测存在的繁琐且耗时较长等不足, 提出了基于近红外光谱图像处理和神经网络的稻谷霉变程度检测方法。 首先, 通过农业多光谱相机(Sequoia)和固定光源等设备, 构建了霉变稻谷近红外图像数据采集平台, 获取了黑龙江地区牡响、 早香、 彩稻三个品种不同的霉变状态(健康稻谷、 轻度霉变、 中度霉变)的近红外光谱成像数据。 对于近红外光谱图像的160×160像素有效区域, 应用数字图像处理技术结合光谱图像分析方法, 分析了NIR图像多种纹理特征和光谱反射值频率特性, 优选不同稻谷品种霉变状态的光谱特征, 计算了近红外图像的纹理特征(均值、 标准差、 平滑度、 三阶距、 一致性、 信息熵、 平均梯度、 分形维数)以及间隔步长0.1时NIR光谱图像在0.2~0.8区间反射值频率, 共计14维度的光谱图像特性指标。 最后, 以提取NIR图像的特征向量为依据, 利用前馈神经网络的自适应推理机制, 建立了稻谷霉变程度与其近红外图像特征之间的非线性映射模型, 该神经网络结构为14-60-3型, 进一步将网络输出编码向量解析至稻谷霉变等级, 实现了稻谷霉变程度的快速检测方法。 结果表明: 本文提出检测模型在学习次数为28 455次时达到预设的目标精度0.06, 所提取的稻谷NIR图像特征与模型输出的相关系数为0.85。 仿真测试中该检测模型所计算出的网络输出值和期望输出值的误差平均值为0.521 39, 方差为0.137 82, 误差的标准差为0.371 23, 对于不同稻谷的霉变程度检测的准确率为93.33%。 该研究为实现稻谷霉变程度无损检测提供了新方法, 为稻谷仓储时霉变早期自动快速检测提供了技术支持。
稻谷霉变 NIR光谱图像 提取特征 神经网络 检测模型 Rice mildew NIR spectral images Feature extraction Neural networks Detection model
为解决农作物冠层热红外图像边缘灰度级分布不均且噪声较大, 而传统图像分割方法难以实现其目标区域有效识别的难题, 以苗期红小豆冠层热红外图像为研究对象, 将模糊神经网络和仿射变换有机结合, 提出了基于热红外图像处理技术的农作物冠层识别模型。 首先利用五层线性归一化模糊神经网络的自适应特性, 选取高斯隶属度函数, 自动计算冠层可见光图像识别的推理规则, 有效地分割了可见光图像中的冠层区域。 通过分析3种分割指标和熵, 定量评价可见光图像冠层分割质量。 网络迭代38次时, 误差精度为0.000 952, 该算法平均有效识别率为96.13%, 获取可见光冠层图像的像元信息熵值范围为2.454 4~5.198 7, 与标准算法所得冠层图像的像元信息熵仅相差0.245 9。 然后以取得可见光图像的冠层有效区域为参考图像, 采用仿射变换算法, 调整优选平移、 旋转、 缩放等图像变换因子, 配准原始热红外图像, 提出了基于仿射变换的冠层热红外图像识别方法。 对于初始温度范围值在16.35~19.92 ℃的农作物热红外图像, 计算选取旋转幅度为1.0和缩放因子为0.9时, 作为异源图像的最优配准参数, 获取目标图像的最大温差为3.17 ℃, 相对于原图像的平均温度值由18.711 ℃下降至17.790 ℃, 进而实现了基于热红外图像处理技术的农作物冠层识别。 最后以熵的互信息作为监督指标, 对农作物冠层热红外图像识别方法进行评价。 提出的冠层热红外图像识别方法, 所获取的目标图像与初始热红外图像的平均互信息为4.368 7, 标准目标图像和初始热红外图像的平均互信息为3.981 8, 二者仅相差0.486 9。 同时, 两种冠层热红外图像的平均温度差值为0.25 ℃, 高效消除了原始热红外图像的背景噪声。 结果表明本研究方法的有效性和实用性, 能够为应用热红外图像反映农作物生理生态信息特征指标参数提供技术借鉴。
热红外成像 图像处理 神经网络 仿射变换 冠层识别 Thermal infrared images Image processing Fuzzy neural network Affine transformation algorithm Canopy recognition
1 黑龙江八一农垦大学电气与信息学院, 黑龙江 大庆 163319
2 黑龙江八一农垦大学农学院, 黑龙江 大庆 163319
为高通量地计算农作物株高,克服传统测量方法低效、耗时耗力等不足, 以抗线9号、13号和富豆6号寒地大豆为研究对象,构建了基于Kinect 2.0的大豆冠层图像同步采集平台,并在三维重建大豆冠层结构形态的基础上,提出了基于深度信息的个体和群体大豆株高计算方法。实验结果表明,与实测值相比,计算得到的个体和群体大豆株高的平均误差分别为0.14 cm和0.54 cm,抗线9号、13号和富豆6号株高计算值与实测值之间的决定系数依次为0.9717,0.9730,0.9697。所提方法能够较为精确地计算大豆植株的株高特征。
机器视觉 大豆冠层 深度信息 Kinect 2.0 三维重建 表型参数 株高
1 黑龙江八一农垦大学信息技术学院, 黑龙江 大庆 163319
2 中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
3 中国农业大学农学与生物技术学院, 北京 100083
植物冠层内光照分布决定了植物物理过程与生态环境之间的交互关系, 是植物冠层叶绿素荧光动力学研究的重要基础。 光谱技术在构建植株冠层组分含量的预测模型中发挥了重要的作用, 而针对自由纺锤形苹果树冠层不同光照区域的叶绿素荧光性状研究文献报道较少。 因此, 以自由纺锤形苹果树为研究对象, 将苹果树冠层空间划分为5层, 每层划分为边长50 cm的立方体网格, 并测定各个网格空间的光照强度, 确定其光照分布情况。 以此为基础, 获取不同光照区域的光谱数据及对应叶绿素荧光性状参数值, 通过光谱一阶微分去除系统误差干扰, 确定红边区域（660～760 nm）的一阶微分光谱曲线, 利用BP神经网络建立红光范围（680～760 nm）内一阶微分光谱最大值与叶绿素荧光性状参数关系模型, 创新性地提出了苹果树冠层不同光照区域的叶绿素荧光性状计算方法。 并采用决定系数、 均方根误差、 平均绝对百分比误差等对模型进行有效性评价, 试验结果表明: 该叶绿素荧光计算方法的计算精度均在80%以上, 研究成果可为苹果树的整形修剪, 获取充足光照分布提供理论依据。
苹果树冠层 不同光照区域 光谱 叶绿素荧光性状 预测 Apple tree canopy Different light area Spectrum Characters of chlorophyll fluorescence Forecast 光谱学与光谱分析
2016, 36(12): 3986
1 中国农业大学现代精细农业系统集成研究教育部重点实验室，农业部农业信息获取技术重点实验室, 北京 100083
2 福建省特种设备检验研究院, 福州 350008
3 黑龙江八一农垦大学信息技术学院, 大庆 163319
构建了基于彩色相机和光学混合探测(PMD)相机的多源视觉系统，旨在建立具有真彩色信息的果树冠层三维点云模型，为果树的剪枝、疏花疏果和采摘等果园管理提供技术支持。针对PMD相机获取的目标场景三维点云，结合PMD相机的幅度图像和密度聚类算法提取有效点，利用前期研究的图像配准方法得到多源图像之间的坐标转换关系，完成了果树冠层多源信息融合。通过主成分分析法得到较好的初始位置，再采用最近点迭代算法，实现两组三维点云之间的拼接。对自然场景下的开花期和坐果期的果树冠层三维点云拼接方法进行了实验验证，结果表明多视角三维点云拼接误差为2.62 cm，可以较好地弥补单个角度下拍摄造成的数据缺失，实现了果树冠层完整的三维显示。
机器视觉 果树冠层 信息融合 三维点云拼接 最近点迭代法 光学学报
2014, 34(12): 1215003
1 中国农业大学现代精细农业系统集成研究教育部重点试验室,农业部农业信息获取技术重点实验室, 北京 100083
2 黑龙江八一农垦大学信息技术学院, 大庆 黑龙江 163319
3 河北农业大学信息科学与技术学院, 保定 河北 071001
针对基于机器视觉的农业导航机器人在图像处理时易受光照变化影响和常规导航线检测算法实时性、稳健性不高等问题，提出了YCrCg颜色模型，选择该颜色模型中与光照无关的Cg分量进行后续图像处理，采用基于二维直方图的模糊C均值聚类法(FCM)进行图像分割，并根据图像中作物行的特点，提出了基于直线扫描的作物行直线检测算法。该算法将图像底边和顶边像素点作为直线的两个端点，通过移动上下端点位置产生不同斜率直线，选择包含目标点最多的直线作为作物行中心线。实验表明，不同光照下基于YCrCg颜色模型的图像分割可以有效地识别出作物行，处理一幅640 pixel×480 pixel图片耗时约为16.5 ms，直线扫描算法能快速准确的检测出导航线，与最小二乘法、Hough变换等算法相比具有速度快、抗干扰性强等优点。
机器视觉 颜色模型 图像分割 导航线 农业导航
1 中国农业大学现代精细农业系统集成研究教育部重点实验室, 农业部农业信息获取技术重点实验室, 北京 100083
2 黑龙江八一农垦大学信息技术学院, 黑龙江 大庆 163319
3 河北农业大学信息科学与技术学院, 河北 保定 071001
为了实现苹果树冠层的三维重建，指导智能剪枝、疏花和采摘，构建了集成光学混合探测(PMD)摄像机和彩色摄像头的图像采集系统，研究了不同生长时期的多源图像配准方法。从相似度评价指标和PMD图像的像素可靠性两个方面来描述果树不同生长时期图像的不同特征。结合图像的特征信息，提出了应采用基于深度信息的多源传感器标定技术，实现果树从开花期到成熟期的图像配准；对休眠期到发芽期的果树图像应采用基于图像特征的多源图像配准算法。对自然场景下的成熟期、休眠期、开花期果树图像共90组进行图像特征分析和不同配准方法试验验证，成熟期和开花期的匹配率达到100%，休眠期的匹配率达到86.11%。
机器视觉 多源图像配准 光学标定 光学混合探测标记图像
