光谱图像技术结合SAM算法识别自然场景下的成熟柑橘

为了实现采摘机器人在复杂的自然场景下正确识别树上果实,来完成果实采摘,研究了不同环境下柑橘的识别方法.针对复杂的自然环境的影响及传统方法的局限性,在可见光和近红外区域择选5个特征波长滤波片,采集得到5幅滤波后的图像,并利用光谱角分类算法完成柑橘识别.试验结果表明,在光照角度、光照强度等不同条件下,柑橘的识别准确度达到96%.研究表明,滤波片光谱图像技术结合光谱角分类算法可以有效地识别自然场景下的成熟柑橘.     

自然场景下不同成熟度柑橘的自适应识别

针对果实在未完全成熟前就需采摘以满足市场销售需求的实际情况,以及采摘机器人作业环境的复杂性,研究了自然场景下不同成熟度柑橘的识别方法。通过R与G分量间比值变换得到具有独特信息的比值图像,并在Munsell HSV颜色空间上,利用共轭激励法融合H和S分量图像,针对其与上述比值图像的弱相关性与强正交性,用其构建掩膜,来去除比值图像的背景,实现柑橘识别。实验结果表明此方法对柑橘识别精度达到92％,可以自适应地识别自然场景下不同成熟度的柑橘,且识别精度高,鲁棒性强。     

空间信息自适应融合的高光谱图像分类方法

针对单一的滤波器提取高光谱图像空间纹理信息时不能获得完整的图像特征的不足,提出一种结合双边滤波和域转换标准卷积滤波的高光谱图像分类算法.该方法采用空间信息自适应融合的分类寻优,先对高光谱波段进行抽样分组,再用双边滤波和域转换标准卷积滤波对分组后的波段进行滤波,两种空间信息进行线性融合后交由支持向量机完成分类.实验表明,相比使用光谱信息、高光谱降维、空谱结合的支持向量机分类方法和边缘保持滤波以及递归滤波的方法,本文所提算法对高光谱图像的分类精度有较大提高,在训练样本仅为5%和3%的情况下,对印第安农林和帕维亚大学图像的总体分类精度分别达到了96.95%和97.89%,比其他算法高出213个百分点,验证了该方法在高光谱图像分类的有效性.     

基于核优化密度聚类的绿色苹果分割算法

苹果的可见光谱目标的高效、精准识别是实现果园测产或机器自动采摘作业的关键,由于绿色目标果实与枝叶背景颜色较为相近,因此绿色苹果的识别成为新的挑战。再由于果园实际复杂环境因素影响,如光照、阴雨、枝叶遮挡、目标重叠等情况,现有的目标果实识别方案难以满足测产或自动采摘的实时、精准作业需求。为更好地实现果园自然环境中绿色目标果实识别问题,提出一种新的核密度估计优化的聚类分割算法（kernel density clustering, KDC）。新算法首先利用简单的迭代聚类（simple linear iterative cluster, SLIC）算法将目标图像分割成不规则块,集结小区域内近似像素点组成超像素区域,计算单元由像素点转变为超像素区域,有效降低数据复杂度,且SLIC算法简化图像数据时可有效避免目标果实轮廓模糊;基于超像素构造R-B区域均值和G-B区域均值的二维特征分量,建立针对聚类分析的青苹果颜色特征空间。然后借助密度峰值聚类中心计算绿色苹果图像每个数据点的局部密度和局部差异度,为解决分割边界模糊问题,在计算过程中利用核密度估计计算局部密度,确保局部密度在不同复杂场景中的清晰准确表达,以更精准找出被低密度区域分割的高密度区域,实现任意形状的聚类。最后以局部密度和距离构造寻找聚类中心的决策图,该研究采用双排序算法实现聚类中心的自动选择,完成目标果实的高效分割。新算法通过SLIC算法获得图像的超像素区域表示,数据点的局部密度通过核密度估计得到,大幅降低算法的计算量,实现目标图像的高效、精准分割。为更好地验证新算法性能,实验采集多光照、阴雨等环境下的遮挡、重叠等复杂目标图像,以分割效率、分割有效性、假阳性、假阴性等指标进行评价,通过对比k-means聚类算法、meanshift聚类算法、FCM算法和DPCA算法,该研究提出的新算法分割性能均最优。     

基于核优化密度聚类的绿色苹果分割算法（英文）

苹果的可见光谱目标的高效、精准识别是实现果园测产或机器自动采摘作业的关键,由于绿色目标果实与枝叶背景颜色较为相近,因此绿色苹果的识别成为新的挑战。再由于果园实际复杂环境因素影响,如光照、阴雨、枝叶遮挡、目标重叠等情况,现有的目标果实识别方案难以满足测产或自动采摘的实时、精准作业需求。为更好地实现果园自然环境中绿色目标果实识别问题,提出一种新的核密度估计优化的聚类分割算法(kernel density clustering, KDC)。新算法首先利用简单的迭代聚类(simple linear iterative cluster, SLIC)算法将目标图像分割成不规则块,集结小区域内近似像素点组成超像素区域,计算单元由像素点转变为超像素区域,有效降低数据复杂度,且SLIC算法简化图像数据时可有效避免目标果实轮廓模糊;基于超像素构造R-B区域均值和G-B区域均值的二维特征分量,建立针对聚类分析的青苹果颜色特征空间。然后借助密度峰值聚类中心计算绿色苹果图像每个数据点的局部密度和局部差异度,为解决分割边界模糊问题,在计算过程中利用核密度估计计算局部密度,确保局部密度在不同复杂场景中的清晰准确表达,以更精准找出被低密度区域分割的高密度区域,实现任意形状的聚类。最后以局部密度和距离构造寻找聚类中心的决策图,该研究采用双排序算法实现聚类中心的自动选择,完成目标果实的高效分割。新算法通过SLIC算法获得图像的超像素区域表示,数据点的局部密度通过核密度估计得到,大幅降低算法的计算量,实现目标图像的高效、精准分割。为更好地验证新算法性能,实验采集多光照、阴雨等环境下的遮挡、重叠等复杂目标图像,以分割效率、分割有效性、假阳性、假阴性等指标进行评价,通过对比k-means聚类算法、 meanshift聚类算法、 FCM算法和DPCA算法,该研究提出的新算法分割性能均最优。     

基于近红外图像的温室环境下黄瓜果实信息获取

为实现温室环境机器人采摘作业中果实的品质判别和空间定位,研究了基于近红外图像的黄瓜果实识别及特征获取方法。分析比较黄瓜果实、茎、叶在各光谱波段的分光反射特性,确定采用850 nm干涉滤光片来获取图像,解决近色系目标、背景的区分问题;利用果实的灰度特征,将P参数阈值法用于图像分割,实现目标的初步识别,并对目标图像进行等间距区域化处理,依据区域块重心、面积差异滤除噪声、标记果实;根据黄瓜的形状纹理特征,计算果实中心线长度和弯曲度作为黄瓜的质量判别标准,利用果实与果柄交界处灰度的变化标记出可抓取区域。通过对温室场景下随机拍摄的包含30幅黄瓜果实图像和10幅无果实图像分别进行算法验证,结果表明识别准确率各为83.3%和100%,对抓取区域提取的成功率为83.3%。     

高光谱成像的多种类柑橘病虫药害叶片检测方法研究

影响柑橘生长的病虫药害种类繁多,目前的检测方法大多针对单一病症,开发基于高光谱成像和机器学习的多种类柑橘病虫药害叶片快速精准检测方法,对果园精准施药和柑橘产业健康发展具有重要意义。以果园自然发病的柑橘叶片为研究对象,包括柑橘正常叶(50片)、溃疡病叶(50片)、煤烟病叶(103片)、缺素病叶(60片)、红蜘蛛叶(56片)和除草剂危害叶(85片),采集350～1 050 nm波段内的高光谱数据。分别利用一阶求导(1^stDer)、多元散射校正(MSC)和中值滤波(MF)方法对原始(Origin)高光谱数据进行预处理,对预处理后的高光谱数据采用主成分分析(PCA)和竞争性自适应重加权(CARS)算法提取特征波长,CARS降维得到的特征波长分别为10个、 5个、 12个和10个,4组PCA提取的特征波长均为7个,两种方法所得特征波长范围都集中在700～760 nm波段内。对全波段(FS)使用极限梯度提升树(XGBoost)算法,特征波长使用支持向量机(SVM)建立柑橘病叶多分类模型。采用XGBoost建立的检测识别模型有Origin-FS-XGBoost, 1^s...     

优化FCOS网络复杂果园环境下绿色苹果检测模型

目标果实的精准识别是实现果园测产和机器自动采摘的基本保障.然而受复杂的非结构化果园环境、绿色苹果与枝叶背景颜色接近等因素的影响,制约着可见光谱范围下目标果实的检测精度,给机器视觉识别带来极大挑战.针对复杂果园环境下的不同光照环境和果实姿态,提出一种优化的一阶全卷积(FCOS)神经网络绿色苹果识别模型.首先,新模型在FC...     

高光谱成像的柑橘病虫害叶片识别方法

为监测柑橘生长状况,实现病虫害无损识别,利用高光谱成像技术和机器学习方法进行柑橘病叶分类研究。使用高光谱成像仪采集46片柑橘正常叶、46片溃疡病叶、80片除草剂危害叶、51片红蜘蛛叶和98片煤烟病叶的高光谱图像,在478～900 nm光谱范围内对每个叶片一个或多个发病区提取5×5的感兴趣区域（ROI）,将ROI内每个像素的反射率值作为光谱信息,则一个ROI得到25个光谱信息样本,最终五类叶片共得到13250个光谱样本。利用随机法将全部样本划分为9 938个训练集和3 312个测试集。分别采用一阶求导（1stDer）、多元散射校正（MSC）和标准正态变换（SNV）三种方法对原始光谱信息进行预处理,对不同预处理方法后的数据采用主成分分析法（PCA）提取特征波长。1st Der预处理后得到7个特征波长,分别是520.2,689.0,704.8,715.4,731.2,741.8和757.6 nm;MSC和SNV预处理后得到7个相同的特征波长,分别是551.9,678.5,704.8,710.1,725.9,731.2和757.6 nm;原始光谱得到7个特征波长,分别是525.5,678.5,710.1,720.7,725.9,757.6和762.9 nm。分析PCA后的样本分布散点图可知,正常叶片、溃疡病叶片和红蜘蛛叶片样本有一定程度聚类,除草剂叶片和煤烟病叶片样本有大量重叠,仅依据PCA不能完成病虫害叶片的识别。对全波段（FS）和PCA特征波长数据在不同预处理方法下进行支持向量机（SVM）和随机森林（RF）建模,结果表明：数据在1stDer预处理方法下识别效果最佳,1st Der-FS-SVM模型总分类精度（OA）为95.98%,Kappa系数为0.948 2,1st Der-FS-RF模型OA为91.42%,Kappa系数为0.889 2,1stDer-PCA-SVM模型OA为90.82%,Kappa系数为0.881 6,1stDer-PCA-RF模型的OA为91.79%,Kappa系数为0.894;对PCA选择的特征波长数据建模,SVM和RF模型下识别率均达到84%,全波段下模型识别率在88%以上,FS数据建模效果优于PCA特征波长。研究结果表明,高光谱成像技术结合机器学习方法进行柑橘叶片分类是可行且有效的,为柑橘病虫害的无损准确识别提供理论根据。     

基于联合偏度的高光谱图像波段选择对玉米种子分类研究

高光谱图像技术是在种子识别领域广泛应用的农产品品质无损检测方法。特征信息的充分提取和最优波段的选择是影响高光谱图像技术种子鉴选在线应用的关键因素。目的在于利用联合偏度算法选择高光谱图像的最优波段,用于开发在线的种子分级系统。论文利用高光谱图像采集系统获取10类共960粒玉米种子在438～1 000 nm(共219个波段)波段范围内的高光谱图像,并提取了种子高光谱图像的平均光谱、图像熵特征。利用联合偏度算法选择了高光谱图像的最优波段,分别建立了基于平均光谱、图像熵、平均光谱和图像熵联合特征条件下的支持向量机种子分类模型,比较不同特征下分类模型的识别精度。实验结果表明：无论是全波段分类模型,还是建立在最优波段基础上的分类模型,利用平均光谱和图像熵联合特征获得的分类精度均高于平均光谱和图像熵两种单一特征模型。在10个最优波段条件下,联合特征分类模型的识别精度达到了96.28%,比光谱均值和图像熵的识别精度分别提高了4.30%和20.38%,也高于全波段联合特征识别模型的93.47%。利用联合特征建立玉米种子分类模型时,基于联合偏度的波段选择算法的分类精度要高于无信息变量消除法、连续投影算法和竞争性自适应重加权算法。该研究为种子高光谱图像识别技术的在线运用提供了可行的途径。     

地物光谱不确定性及光谱角制图算法适用性研究

地物光谱不确定往往使同种地物光谱之间存在一定程度的差异,影响了地物的识别精度,对光谱角制图算法的地物识别效果也会产生一定的影响。光谱角制图算法(spectral angle mapper,SAM) 是基于光谱曲线整体相似性的一种算法,在高光谱遥感信息分类中应用广泛,但在计算两条地物光谱曲线的相似性时并没有考虑地物光谱不确定性的影响,因此往往会不能正确识别出目标地物。针对地物光谱的不确定性,研究了光谱角制图算法的适用性,并对光谱角制图算法进行了改进。改进的基本思路为：设置测试光谱与参考光谱各波段的光谱差异量为一相同值,并根据同种地物光谱向量之间夹角最小的原则,利用求导的方法求出光谱差异量,以克服地物光谱不确定性的影响。为了验证改进效果,利用USGS的五种高岭石标准光谱,在考虑地物光谱不确定性的情况下,分别选择局部波段和全局波段计算高岭石标准光谱之间的光谱角,并对光谱角计算结果和光谱角制图算法的适用性进行了分析。通过USGS标准矿物光谱数据的实验证明：改进的光谱角度制图算法利用光谱差异量可以有效表征同种地物光谱的差异,能够克服地物光谱不确定性的影响并提高地物识别的精度,对地物光谱不确定性具有更好的适用性,并对基本符合光谱差异向量各维值相等的局部波段组合具有更好的效果。     

结合光谱图像技术和SAM分类法的甘蓝中杂草识别研究

杂草自动识别技术是实现变量喷洒、精准施药的关键,更是制约其实现的瓶颈,因此,准确、快速、无损地实现杂草自动识别已成为精准农业的一个重要研究方向。利用高光谱成像系统采集甘蓝幼苗及小藜、稗草、牛筋草、马唐和狗尾草等五种杂草在1 000～2 500 nm波长区间的高光谱图像数据,在ENVI中经过MNF变换对数据降噪、去相关,并将波段维数从256维降到11维,通过提取感兴趣区域获得标准光谱,最后利用SAM分类法识别甘蓝与杂草,光谱角弧度阈值为0.1弧度时,分类效果良好。在HSI Analyzer中选择训练像元获得标准光谱后,利用SAM分类法识别甘蓝与杂草,并利用人工分类图与SAM分类图比较定量度量杂草的识别正确率,结果表明,当参数设置为5点平滑、0阶导数和7度光谱角度时,分类效果最佳,杂草识别率为80.0%,非杂草类识别率为97.3%,总体识别率为96.8%。应用光谱图像技术与SAM分类法相结合的方法进行杂草检测,充分利用了光谱和图像的融合信息,该方法应用空间的分类算法来建立光谱判别方法的训练集,在像素级别上考察光谱矢量之间的相似性,融合了光谱和图像两者的优势,同时兼顾了准确性和快速性,并且在整场范围内(行间和行内)改善杂草检测范围,为农业精确管理中需要植物精准信息的应用领域提供了相关的分析手段和方法。     

基于光谱知识库的TM影像冬小麦条锈病监测研究

基于高光谱信息的冬小麦条锈病严重度反演模型通常不能直接应用在宽波段卫星影像上,而拥有高光谱波段信息的航空遥感影像又因数据尺度小、成本高难以应用于大规模监测。文章提出一种通过构建冬小麦条锈病光谱知识库,利用TM影像实现病情识别和监测的方法。该方法以包含各种不同病情严重度的试验田的三幅小麦关键生育期PHI航空遥感影像为媒介,利用病情指数DI的经验反演模型和基于波谱响应函数的TM波段模拟,建立DI和TM波段模拟反射率间的光谱知识库。在此基础上,通过马氏距离法和光谱角度填图(SAM)法将待检象元的光谱信息与光谱知识库进行匹配分析从而实现对病情识别和监测。监测的精度利用模拟TM象元进行评价,识别的效果利用TM影像象元进行检验。结果表明,该方法在一定生育期范围内具有较佳的监测精度和识别效果。其中,使用模拟TM象元在小麦灌浆期精度最佳,评价的R2达到0.93,乳熟期次之,拔节期最差,基本不能用于监测。使用TM影像象元在灌浆期和乳熟期可较好地识别染病象元,在拔节期无法有效识别染病象元。匹配方法马氏距离法略优于光谱角度匹配法。     

Detecting citrus fruits with highlight on tree based on fusion of multi-map

Artificial vision systems are powerful tools for the automatic guiding of fruit harvesting robots, a novel method based on chromatic aberration map and luminance map is developed to identify citrus fruits with highlight within a tree canopy. Twenty images of citrus-grove scene under direct sunlight are taken, the color properties of target objects are analyzed. First, parts of citrus fruits from background are segmented from background by thresholding the CAM (chromatic aberration map), then the highlight region of citrus fruits could be detected correctly from the tree canopy by thresholding the LM (luminance map), at last the citrus fruits can be detected integrally by fusing the segmented results of CAM and LM. The results showed that the fruits under direct sunlight can be segmented wholly using this algorithm, the detection accuracy by fusion method is up to 86.81%, and the false alarm rate of fusion method is 2.25%.     

一种红外光谱免疫计算的矿物组分定量提取方法

近红外/短波红外光谱的矿物组分快速鉴定技术可以大大提高野外矿产勘查、遥感矿物填图、岩芯矿物组分分析等工作的效率,成为目前高光谱技术研究的热点之一。文章给出了一个基于光谱相似度评价约束的联合目标岩石样品光谱和矿物光谱端元库进行矿物组分光谱反演的统一模型,然后以矿物光谱线性混合模型和光谱夹角相似度评价为例,建立了一个具体的组分反演模型;针对模型求解过程中的组合优化问题,提出了一种人工免疫克隆选择计算的矿物组分光谱(ICSFSLIM)识别方法;利用在中国新疆包古图地区选取的22个野外岩石样品的实测近红外/短波红外光谱进行了矿物组分提取试验,以样品薄片鉴定结果为准,将ICSFSLIM识别结果与组合特征光谱线性反演模型(CFSLIM)识别结果进行了定量的对比分析。结果表明：ICSFSLIM比CFSLIM的识别正确率提高了2.26%,有效率提高了18.6%,并且具有更高的识别稳定性。     

光谱谐波分析的新型HAC非监督分类器

高光谱影像分类是识别影像信息的重要途径之一,研究其算法对地物识别、动态变化监测和专题信息提取等方面具有重要意义。非监督分类由于其具有无须先验知识的特点,被广泛应用于高光谱影像分类。结合谐波分析理论提出一种新的高光谱影像非监督分类算法,即谐波分析分类器(harmonic analysis classifier,HAC)。首先,该算法统计第一谐波分量并绘制其直方图,根据波峰数目及位置确定初始地物类别和聚类中心像元。然后将待分类像元光谱的波形信息映射到谐波分解次数、振幅和相位的特征空间中,利用同类地物在特征空间中表现聚集性这一特征,根据最小距离原则对待分类像元进行归类。最后,计算聚类中心像元间的欧式距离,通过设置距离阈值完成类间合并,从而达到高光谱影像分类的目的。提取两种地物类别的光谱曲线,经谐波分析后得到谐波分解次数、振幅和相位量,并分析其在特征空间中的分布情况验证了HAC算法的正确性。同时将HAC算法应用到EO-1卫星的Hyperion高光谱影像得到其分类结果,通过对比K-MEANS,ISODATA和HAC算法的高光谱影像分类结果,证实HAC算法作为一种非监督分类方法在高光谱影像分类方面具有较好的应用性。     

基于改进谱聚类的重叠绿苹果识别方法

水果的可见光谱目标识别是实现农业自动化采摘至关重要的一步。在水果识别的过程中,由于重叠和遮挡的影响使得目标识别困难,识别率不高。本文针对自然环境中果实重叠的识别问题,利用谱聚类算法对图像进行分割,然后使用随机霍夫变换实现果实的识别和定位。针对传统算法运算复杂度高,运算速度慢的问题,本文提出了基于均值漂移和稀疏矩阵原理的改进谱聚类算法。首先使用均值漂移算法对图像进行预分割,均值漂移是一种用于密度梯度的无参估计法。该算法实质是一种迭代,先计算出偏移量,根据偏移量移动点,如此反复,直到偏移量为零即收敛到一点为止。利用均值漂移算法除去大多数的背景像素,为减少谱聚类算法的计算量做准备。然后提取预分割图像的有用信息即图像中像素对之间相似度的描述,将提取的图像特征信息映射到稀疏矩阵中,并使用K-means算法将其分类。得到最终的分类结果,实现对预处理图像的再次分割。然后恢复图像分割区域的颜色,使用彩色向量梯度提取边缘轮廓,对得到的轮廓图像使用随机霍夫变换,并在检测过程中设置半径参数的范围从而进一步加快算法的运行速度。经过检测可以得到目标的圆心坐标和半径,从而实现重叠绿苹果的识别。降低了谱聚类的数据处理量,提高了算法的运行速度。经过试验分析和算法对比,该算法得到较高的重合度95.41%,较低的误差率4.59%和误检率3.05%。     

基于土壤光谱库和光谱相异度的局部模型构建

掌握土壤在空间和时间上的表征至关重要.土壤可见-近红外(Vis-NIR)光谱可以估算土壤有机碳(SOC)等属性,与传统的实验室理化分析相比,光谱技术能有效实现土壤信息的快速获取.土壤光谱库为建立经验模型提供了大量具有丰富变异性和多样性的样本作数据基础.但受限于库中土壤样本的异质性和模型的适应性,通常区域或局部尺度模型的...