基于自定义聚类的水稻剑叶夹角测量

针对水稻样本图像中主茎被遮挡,现有算法难以识别剑叶节点、散岔稻穗主轴问题,提出了基于机器视觉的剑叶节点搜索算法,通过自定义聚类生成稻穗与剑叶类中心,识别判定散岔稻穗轴线,最终得到穗叶夹角.其中,提出的剑叶节点搜索算法对剑叶节点的模糊定位进行量化,经过实验验证,具有较好的鲁棒性和准确性;自定义的K-means方法基于样本统计信息,解决了散岔穗叶夹角测量问题.实验表明,该算法误差为1.89%,与现有算法相比,局限性低,鲁棒性强,更准确高效.     

基于稻穗几何形态模式识别的在穗籽粒数估测

基于稻穗几何形态特征和在穗籽粒数二者之间的映射关系,提出基于稻穗图像形态学特征机器学习的在穗籽粒测量新方法.首先,利用图像处理方法提取一次枝梗的面积、骨架长度、周长、骨架距离均值等形态特征.其次,针对一次枝梗识别,提出基于局部距离方差的提取方法,获取一次枝梗骨架.最后,使用改进的支持向量机构建稻穗几何形态特征和在穗籽粒数两者之间的映射关系.实验结果表明,用以上特征训练的分类器,预测稻穗籽粒数的相对误差平均值为6.72%,可以有效解决测量在穗籽粒数时遇到的遮挡和粘连问题.研究结果表明,稻穗形态学特征与在穗籽粒数存在确定性内蕴映射关系,该映射能够被多分类集成支持向量机训练策略描述,且识别精度高于现有回归方法.