苹果树病虫害智能识别系统设计与实现

为提高苹果的产量和质量,防止病虫害对果实质量的影响,设计了一款基于机器视觉的苹果树病虫害智能识别系统。该系统采用交互式分割(GrabCut)算法对图像进行分割,然后使用高斯拉普拉斯算子和拉普拉斯高斯(Laplacian-of-Gaussian, LOG)算法将苹果叶片中的病斑提取出来,最后将提取出的图像送入深度神经网络(deep neural networks, DNN)进行进一步的分析与处理,能够实时、方便地识别出苹果树叶病害中较为常见、发病率高的花叶病,锈病,灰斑病,斑点落叶病以及褐斑病。经测试,该系统对苹果树5种常见病虫害识别率精度高达91.17%。结果表明,该算法能够有效提升苹果树病虫害防治,优于基于卷积神经网络特征的区域方法(regions with CNN features, R-CNN)、YOLO(you only look once)等单一病虫害检测方法。     

基于改进同态滤波的光照补偿车牌定位

为了更有效地提高车牌定位准确率,文章对传统同态滤波器进行了改进,在提升光照补偿效果的同时,减少了滤波器的参数,提高了计算机的运行速度。将车辆图像从RGB颜色空间转换到HSV颜色空间,对HSV颜色模型进行3通道分离,保持色调分量不变,对饱和度分量进行拉伸,利用改进的同态滤波对亮度分量进行光照补偿;按蓝、黄车牌颜色对应的H、S、V值的范围进行阈值化,把得到的3幅二值图进行与操作,得到HSV空间下二值图,接着进行数学形态学除噪,再结合车牌的纹理特征定位出车牌区域。实验结果表明,该方法不仅能够快速、准确定位出车牌,而且对夜晚及光照不均的车辆图像也能有效地定位。     

基于Tiny-YOLO的苹果叶部病害检测

由于苹果叶片纹理复杂多变,相似病害难以判断,识别速度难以快速提升,苹果叶部病害的识别仍存在较大研究空间.为实现苹果叶部病害快速、有效的自动检测,本文将Tiny-YOLO应用于苹果叶部病害检测.实验结果表明,Tiny-YOLO模型的mAP和IoU分别为99.86%和83.54%,检测速度达280 FPS,能够有效实现苹果叶部病害检测.     

结合异常检测的X射线安检图像识别方法

针对Faster R-CNN模型对X射线安检图像中危险品检测准确率低、误检率高的问题,提出了一种前置预分类头部的X射线安检图像检测网络(pre-classification Faster R-CNN,PC-Faster R-CNN)。该模型在骨干网络之后,区域建议网络(Region Proposal Networks, RPN)之前新增一个预分类模块先对X射线安检图像进行异常检测,提高模型对正常图像的识别能力;同时引入兴趣区域对齐(RoIAlign)模块,减小兴趣区域池化层(RoIPooling)引起的量化误差,进而提升Faster R-CNN的检测性能。新模型将浅层卷积层的低级边缘特征输入到预分类模块,使其学习正常图像的高级语义特征,从而改善整个模型的识别性能。实验结果表明,与原始的Faster R-CNN相比,本文模型对危险品的检测精度提升了9.03%,误检率降低了24.03%;同时预分类头部使得模型较大地提高了检测效率,比原始的Faster R-CNN提升了44.54%。     

基于HSV色彩空间S分量的轨面区域提取方法

钢轨表面区域提取方法存在需要预先设定轨面宽度的问题,且容易受到光照不均和噪声的干扰,因此,该文提出一种基于HSV色彩空间S分量的轨面区域提取方法.进行自适应加权中值滤波操作,消除杂乱而细小的噪声;将去噪后的RGB轨道图像转化为HSV色彩空间轨道图像,将S空间分量图像单独提取出来,减少光照不均带来的干扰;采用改进的线性函...     

基于改进Faster R-CNN的路面灌封裂缝检测方法

路面灌封裂缝对路面使用寿命的影响较为突出,为了解决目前灌封裂缝检测技术匮乏的问题,文中提出了一种基于改进Faster R-CNN的路面灌封裂缝检测方法。首先,建立灌封裂缝图像集,对采集到的图像进行增广处理,构建路面灌封裂缝标注样本数据集,并将图像集按6∶2∶2的比例划分为训练集、验证集和测试集;接着,采用Faster R-CNN模型对灌封裂缝进行检测,针对Faster R-CNN检测灌封裂缝存在漏检、定位效果不够理想的问题,文中分别将VGG16、ZFNet和Resnet50网络的特征提取层与Faster R-CNN模型进行结合,结果表明,VGG16和Faster R-CNN结合的模型检测精度最高,达到0. 9031;然后,通过增加灌封裂缝候选框宽高比的方法继续改进模型,检测精度达到0. 907 3,且原先被漏检的目标能被检测出来;最后,对改进Faster R-CNN与YOLOv2模型的检测精度及定位效果进行对比,结果表明,文中提出的改进Faster RCNN能够明显提高对灌封裂缝的检测准确率和定位精度。     

基于颜色特征的油茶叶片病斑分割研究

油茶叶片病斑分割是提高油茶病害图像识别准确率的前提。根据油茶炭疽病、软腐病和煤污病等主要病害的症状特征,提出了基于超绿特征的油茶叶片病斑检测方法。对比分析了HSI、YCbCr和Lab颜色模型的各个颜色分量以及超绿特征对油茶叶片病斑分割性能的影响。对于炭疽病和软腐病,超绿特征的单阈值分割性能最好,色度a的分割性能较好,色差Cb和色差Cr的分割性能稍差,色调H的分割性能最差,其Ⅰ型错误率很高。对于煤污病,亮度L的分割效果最好,亮度Y的分割效果次之。试验结果表明,超绿特征对于三种典型油茶病害图像的综合分割性能较高,具有较低的Ⅰ型错误率和Ⅱ型错误率,其平均检测精度达到81.69%以上,可以降低因叶柄和叶脉影响而产生的分割错误。     

基于改进卷积神经网络的苹果叶部病害识别

针对苹果病害叶片图像病斑区域较小导致的传统卷积神经网络不能准确快速识别的问题,提出基于改进卷积神经网络的苹果叶部病害识别的网络模型.首先,将VGG16网络模型从ImageNet数据集上学习到的先验知识迁移到苹果病害叶片数据集上;然后,在瓶颈层后采用选择性核(selective kernel,简称SK)卷积模块;最后,使用全局平均池化代替全连接层.实验结果表明:与其他传统网络模型相比,该模型能更准确快速捕获苹果病害叶片上微小的病斑.     

基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于路径聚合网络(path aggregation network, PANet)的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用平均准确率损失(average precision loss, AP-loss)函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071 s。与快速基于区域的卷积神经网络(faster region-based convolutional neural networks, Faster R-CNN)算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。     

基于空域的光照不均匀图像的增强和校正

针对光照不均匀引起的图像质量欠佳的问题,提出采用空域同态滤波处理使得图像偏暗部分得到增强的新方法:利用多尺度高斯函数提取出光照分量,采用光照分量与灰度图像融合的方法,校正图像过亮部分和偏暗部分。对于真彩色图像,先将图像由RGB空间转换到HSV空间,然后对亮度分量进行同态滤波和校正处理,最后将处理后的图像由HSV空间转换回RGB空间。仿真实验结果表明,对于光照不均匀的图像,采用空域同态滤波方法,具有容易实现、速度快等优点,能够取得较满意的处理效果。     

基于Faster R-CNN的钢板表面缺陷检测方法

对钢板表面常见缺陷和现有的基于深度学习的表面缺陷检测算法进行分析,选用Faster R-CNN(region-based convolutional neural network)模型对钢板表面缺陷进行检测.由于 Faster R-CNN中的RoI Pooling池化操作产生的像素偏差和空间位置偏差会影响检测精度,选用...     

基于深度网络模型的牛脸检测算法比较

针对传统检测方法在牛脸检测应用方面存在的检测设备易损、检测结果不理想等问题,根据大数据、多差异性原则,使用手机和相机在某奶牛养殖场采集奶牛数据,构建了一个超过10 000张不同条件下(如遮挡、模糊、光照变化等)的奶牛数据集.在此基础上使用目前有代表性的基于深度网络模型的目标检测方法(如SSD,Faster R-CNN和R-FCN等)对该数据集进行试验对比分析.结果表明:Faster R-CNN模型综合检测精度最高,可达0.990,但其检测速度相对较慢,为11 F·s~(-1);SSD模型的检测速度最快,为47 F·s~(-1),但其检测精度与Faster R-CNN相比略低,约为0.945.     

基于深度学习算法的航拍巡检图像的绝缘子识别

针对绝缘子检测目标在航拍图像中尺寸变化剧烈的问题,提出一种改进Faster R-CNN的绝缘子检测算法.首先将FPN特征金字塔结构网络与Faster R-CNN算法进行结合,将不同尺度下的特征进行融合;然后,改进最大池化层,提升检测框的坐标精度;针对遮挡现象,采用Soft-NMS算法规避不同目标检测框因重叠而被误删的情况.经过对绝缘子航拍数据集的检测验证,对比原Faster R-CNN网络,本改进网络结构提高了平均准确率(MAP),且可以更有效地识别图像中更小比例的绝缘子目标.     

多尺度自适应Gamma矫正的低照图像增强

为了在提高低照图像的亮度和对比度的同时,保持图像的色彩自然度,提出了多尺度自适应Gamma矫正的低照图像增强方法.鉴于HSI颜色空间的明度分量Ⅰ决定着图像的明暗程度,以及明度分量的多尺度特性,首先,将图像转换到HSI颜色空间,对明度分量Ⅰ进行多尺度Retinex分解;然后,对分解得到的多尺度光照图像分别进行自适应的Gamma矫正,其中Gamma指数自适应于暗区像素的占比,鲁棒地改善光照图像的光照分布,经Retinex反变换得到增强的多尺度明度分量;最后,将增强的多尺度明度分量的线性融合作为增强的明度分量Ⅰ’,与色相分量H和饱和度分量S重组,得到最后的增强图像.实验结果表明,相对于部分最新提出的现有方法,新方法的PSNR和SSIM值分别高出1.19 dB和1.8%以上,具有更好的增强效果和鲁棒性,增强图像的视觉效果更适宜,对比度更高.     

复杂背景下植物叶片病害的图像特征提取与识别技术研究

为了减少植物病害给农业生产者带来的损失,提高植物病害的识别率和识别精度,对复杂背景下植物叶部病害的图像特征提取和识别方法进行了研究.采用基于超像素和形状上下文的方法对复杂背景下的黄瓜病害叶片图像进行分割.通过局部二值模式(LBP)、区域平均方差和区域平均熵值等方法,分别从颜色、形状和纹理三个方面提取了植物病害图像的11个典型特征.在对病斑检测器训练时主要使用了两种核函数,分别是线性核函数和高斯径向基核函数.在使用两种核函数进行训练时,需要进行参数优化,采用k-folder交叉验证和网格搜索法来选择最优的参数,并对采用基于径向基核函数和线性核函数的SVM方法的识别结果进行对比分析.结果表明:对于黄瓜白粉病的识别,采用基于径向基核函数的SVM病斑检测器的结果进行黄瓜叶片白粉病的检测的平均正确识别率为98.3%,而采用基于线性核函数SVM病斑检测器的结果进行黄瓜叶片白粉病的检测的平均正确识别率为96.7%,基于径向基核函数的SVM方法要优于基于线性核函数的SVM方法,更适合对黄瓜白粉病的识别研究.说明提出的植物叶部病害的图像特征提取和识别方法能对植物病害进行有效地识别.     

基于Sigmoid核函数的纺织品色差分类检测研究

颜色的自动检测分级是纺织、印染行业质量检测中的关键一环.为达到纺织品颜色的快速分级,根据人类视觉特性,提出了一种基于Sigmoid核函数的纺织品色差分类检测方法.该方法首先将采集的待测纺织品图像进行预处理操作,并将图像数据由RGB色彩空间转换至HSV色彩空间;其次对图像区域进行均匀分块,提取H、S、V分量值并采用加权和...     

基于改进Faster R-CNN的无人机视频车辆自动检测

为了从广域视角准确提取道路交通信息,提出了一种用于无人机视频车辆自动识别的改进Faster R-CNN模型.该模型以基于ZF网络的Faster R-CNN为原型,优化调整学习策略、训练图像尺寸、学习率等模型参数,调整RPN网络卷积核并引入SoftNMS算法,增加1～3个特征提取卷积层和激活层.基于无人机交通视频构建了训练图像集,对现有Faster R-CNN模型及改进模型进行训练和测试.结果显示,与采用Step学习策略的模型相比,采用学习策略Inv的模型车辆识别平均准确率提高了0.4%～9.4%.引入SoftNMS算法的模型比引入前的模型平均准确率提高了0.1%～7.9%.提出的改进模型平均准确率为94.6%,较基于ZF的Faster R-CNN模型、基于VGGM的Faster R-CNN模型和基于VGG16的Faster R-CNN模型分别提高了13.1%、13.1%和4.1%,且训练时间减少约3%,对多种场景的视频车辆检测具有较好的适用性.     

基于HSV颜色特征的苹果病斑点检测系统设计与实现

为提高苹果表面质量检测的效率,降低劳动强度,设计了苹果表面病斑点程度自动化检测软件系统,主要包括样本图像采集等预处理、HSV颜色过滤、苹果整体定位、整体像素统计、病斑点区定位、病斑点区像素统计等多种功能.以C#2005为开发平台,综合利用数字图像处理中的多种方法,通过对大量的数据样本进行测试,实验表明能够有效地对苹果图像进行精确检测.     

基于色彩空间和小波分析的多聚焦彩色图像融合

分别基于RGB、HSV和YIQ三种色彩空间,对多聚焦彩色图像融合进行了大量的研究.在实验中,基于RGB色彩空间时,将图像分解为R分量,G分量,B分量,分别在各个颜色分量上进行小波分解,然后在小波变换域上对所有图像的各个颜色分量的小波分解系数运用加权平均的融合规则,最后做小波反变换得到融合图像.而基于HSV或YIQ色彩空...     

基于HSV空间的视频实时水位检测算法

提出一种新的基于视频水位检测算法,能对设立于水中的标尺刻度进行自动和实时的测算.针对水面图像特有的属性,在将视频转换到HSV颜色空间的基础上,利用色调分量基本不受光照条件影响等特性,以一种基于能量函数的统计模型和可变区域的策略,解决了图像模糊、背景复杂且有倒影干扰等不利条件下,传统边缘检测算子无法准确测算的问题.