基于颜色和纹理特征的黄瓜果实图像分割

温室黄瓜的识别是黄瓜采摘机器人研究的重要环节,要解决此问题首先必须对采集的黄瓜图像进行分割。提出了一种结合颜色特征和纹理特征进行分割的方法。根据CIE-XYZ颜色模型及其色度图,在RGB模型中先通过颜色滤去不相关物体,然后利用灰度共生矩阵提取纹理特征,得到可区分果实和背景的两大纹理特征,即熵和能量,有效地解决了果实和背景颜色相似的识别问题。     

可见光光谱和机器学习的温室黄瓜霜霉病严重度定量估算

温室黄瓜霜霉病严重度的准确估算是科学防治霜霉病的前提条件,对于减少农药使用量、提升温室黄瓜品质和农民经济效益具有重要意义。机器学习在植物病害诊断领域的应用越来越广泛,已经取得了丰富的研究成果,病害严重程度的估算萌发了新的思路。利用霜霉病可见光图像并结合机器学习方法,开展温室黄瓜霜霉病严重度快速准确定量估算研究。利用数码相机采集温室黄瓜霜霉病叶片图像并进行预处理,剔除病害图像的背景。以黄瓜霜霉病叶片图像为输入,构建基于卷积神经网络(CNN)的估算模型。利用可见光光谱颜色特征(CVCF)结合支持向量机进行温室黄瓜霜霉病病斑图像分割,采用SURF(speeded up robust features)特征及形态学操作对分割结果进行优化。在获取黄瓜霜霉病病斑分割图像后,提取病斑图像RGB, HSV, L~*a~*b~*, YCbCr和HSI共5个颜色空间15个颜色分量的平均值和标准差2个颜色特征,以及在此基础上结合灰度共生矩阵提取各颜色分量的对比度、相关性、熵和平稳度4个纹理特征,共计90个特征;利用Pearson相关性分析进行特征优选,采用与温室黄瓜霜霉病严重程度实际值相关性高的图像特征构建浅层机器学习估算模型,包括支持基于向量机回归(SVR)的估算模型和基于BP神经网络(BPNN)的估算模型。基于以上3种估算模型开展黄瓜霜霉病严重度定量估算,采用决定系数(R^2)和归一化均方根误差(NRMSE)对估算模型准确率进行定量评价。结果表明,模型估算的温室黄瓜霜霉病严重度与实际值之间具有良好的线性关系,其中,基于CNN的估算模型准确率最高,模型的R^2为0.919 0, NRMSE为23.33%,其次是基于BPNN的估算模型,其R^2为0.890 8, NRMSE为24.64%,基于SVR的估算模型的准确率最低,其R^2为0.8901, NRMSE为31.08%。研究结果表明,利用黄瓜霜霉病可见光图像数据,结合卷积神经网络估算模型,实现了温室黄瓜霜霉病严重度的准确估算,能够为温室黄瓜霜霉病的科学防治提供参考,提高病害防治效率,减少农药使用。     

基于高光谱成像和判别分析的黄瓜病害识别

利用光谱成像技术(400～720 nm)识别黄瓜白粉病、角斑病、霜霉病、褐斑病和无病区域。构建高光谱图像采集系统进行样本图像的采集,预处理和光谱信息的提取。由于获得的原始光谱数据量很大,为了减少后续运算量,提高准确率,采用逐步判别分析和典型判别分析两种方法进行降维。逐步判别从55个波段中选择12个波段,典型判别从55个波段中提取2个典型变量。利用选择的光谱特征参数建立病害识别模型。逐步判别构建的模型对训练样本和测试样本的判别准确率分别为100%和94%,典型判别构建的模型对训练样本和测试样本的判别准确率均为100%。说明利用高光谱成像技术可以进行黄瓜病害的快速、准确识别,并为实现可见光谱范围内黄瓜病害的田间实时在线检测提供了可能。     

基于高光谱成像技术的猪肉嫩度检测研究

提出了基于高光谱成像技术的猪肉嫩度检测方法。利用高光谱成像系统获取78个猪肉样本在400～1100nm范围的高光谱图像数据;通过主成分分析高光谱数据进行降维,从中优选出3幅特征图像,并从每幅特征图像中分别提取对比度、相关性、角二阶矩和一致性等4个基于灰度共生矩阵的纹理特征变量,这样每个样本共有12个特征变量,再通过主成分分析提取6个主成分变量,并参照剪切力方法测得的样本嫩度等级结果,利用神经网络方法构建猪肉嫩度等级判别模型。模型对校正集样本的回判率为96.15%,预测集样本的判别率为80.77%。研究表明高光谱图像技术可以用于猪肉嫩度等级水平的检测。     

基于多通道Gabor滤波器的高鲁棒灰度图像目标识别新方法

提出了一种针对低质量的灰度图像的基于多通道Gabor小波滤波器的高鲁棒目标识别新方法。主要是利用Gabor小波设计了滤波器,滤波器的中心频率是一个从低到高的范围。滤波器采用不同方向、不同尺度,从而组成多通道滤波器。对灰度图像直接进行小波变换,用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的灰度图像目标的特征,并对获得的小波特征归一化后输入到改进的BP神经网络分类器中进行分类识别。对四种不同的飞机灰度图像目标进行了分类识别仿真实验。结果表明,这种特征提取方法能有效地提取灰度图像目标纹理特征,并且对噪音和形状的变化具有强鲁棒性。在应用灰度图像对目标进行识别时,神经网络的训练时间减少到10min,识别率达到94%。     

基于U-net和可见光谱图像的黄瓜褐斑病分割

褐斑病是黄瓜主要真菌性病害之一,适宜条件下,特别是在昼夜温差大及饱和湿度条件下发病迅速,病情加重,导致黄瓜减产,造成经济损失。对黄瓜褐斑病进行病斑分割与提取,可以为后续的病害识别与诊断提供有效依据,具有重要意义。结合黄瓜褐斑病可见光谱图像,利用U-net深度学习网络构建黄瓜褐斑病语义分割模型,实现了病斑分割。首先在采集到的黄瓜褐斑病可见光谱图像中截取病斑较为突出的区域作为样本,共在40幅图像中截取到135个像素区域,区域的像素分辨率为200×200,利用Matlab的Image Labeler工具对样本进行像素标记,分别标记出感病区域和健康区域。然后构建U-net网络,该网络包含46层和48个连接,通过卷积层和线性整流层以及最大池化法来完成病斑特征提取,通过深度连接层以及上卷积层和上线性整流层完成上采样,通过跳层连接来完成复制和剪裁操作,并进行病斑特征融合。利用所构建的U-net网络进行学习训练得到语义分割模型,在135个样本中,随机选取其中96个作为训练样本,剩余的39个作为测试样本,设置迭代次数为240次,L2正则化系数为0.000 1,初始学习率为0.05,动量参数为0.9,梯度阈值为0.05,进行样本训练和测试。经过10次重复训练和测试,结果表明,基于U-net和可见光谱图像的黄瓜褐斑病语义分割模型执行时间平均为46.4 s,内存占用平均为6 665.8 MB,执行效率较高;模型准确率PA为96.23%~97.98%,MPA为97.28%~97.87%,MIoU为86.10%~91.59%,FWIoU为93.33%~96.19%,模型的稳定性较好、泛化能力较强。该研究方法利用较少的训练样本,获得了准确率较高的分割模型,为小样本机器学习提供了参考,同时为其他蔬菜的病斑分割、病害识别与诊断提供了方法依据。     

基于CLAHE和开闭运算的绿色苹果图像分割

依据绿色苹果图像的自身特点,设计了一种分区域提取而后合并的图像分割方法。首先对图像进行限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization,CLAHE),增大果实和背景的颜色差,而后获取R-B色差图像,得到以光常区域为主的区域;然后用CLAHE处理后的图像进行开闭运算,提取局部极大值,得到以高亮区域为主的区域;最后将两区域合并获得完整的果实目标区域。为了验证该方法的有效性,运用Hough算法检测圆,并用相对偏差、圆心相对误差及半径相对误差三个评价指标来定量评价。试验结果表明,提取区域与果实目标区域相比,顺光下,相对偏差、圆心和半径相对误差平均值分别为3.59%,4.76%和2.60%;逆光下,三个指标的平均值分别为10.77%、16.77%、11.49%。无论是顺光还是逆光都有很好的识别效果,能满足机器人采摘果实的精确定位的要求。     

基于高光谱图像和判别分析的草地早熟禾品种识别研究

利用高光谱成像技术(550～1 000nm),采集了6个草地早熟禾品种新鲜叶片的高光谱图像,提取了叶片的光谱信息,运用Wilks’Lambda逐步判别分析法,从94个波段中选择了9个特征波段,根据特征波段的光谱信息,采用Fisher线性判别法,构建草地早熟禾品种的判别分析模型。结果表明,选择3个、6个和9个波段组合,对120个训练样本的识别正确率分别为98.3%,100%和100%,对60个测试样本的识别正确率分别为83.3%,96.7%和100%,说明以9个特征波段的光谱信息构建的草地早熟禾品种判别模型是合适的,利用高光谱成像技术结合判别分析法,为快速识别草地早熟禾品种提供了一种新的方法。     

基于深度卷积神经网络的红外船只目标检测方法

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题,提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域,并对原图相应的目标位置进行标记和归一化处理,提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别,将提取的候选区域送入改进的AlexNet进行特征提取和预测,得到最终检测结果。分水岭方法可大大减少候选区域检测时间,以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据,并对其平移缩放形成的数据集进行仿真实验。结果表明,标记分水岭与深度CNN的结合,可有效识别船只目标,所提方法具有良好的性能,能够更加快速准确地识别红外船只目标。     

一种稳定船载电视侦察图像序列的灰度投影拟合算法

提出了一种新的船载电子稳像算法———灰度投影拟合算法,此算法包括:合理划分图像区域,保证区域内各点运动一致;利用灰度投影法确定每个区域内的图像平移量;利用拟合公式确定图像全局运动矢量。既保留了灰度投影算法的快速性,又保证了图像旋转量的准确确定,从而实现了图像灰度细节丰富但无明显特征目标的图像序列的稳定。对船载摄像系统获取的视频图像序列进行稳像处理的结果表明,该稳像算法稳像精度高,实时处理能力强,实际应用效果好。     

基于可见光光谱分析的黄瓜白粉病识别研究

白粉病是黄瓜常见病害之一,传播速度极快,严重时可造成黄瓜大量减产,对其进行快速准确识别,对黄瓜白粉病诊断和防治具有重要意义,应用可见光谱技术,结合主成分分析和支持向量机算法,实现对黄瓜白粉病的快速识别。配制白粉病菌孢子悬浮液,并人工接种于科研温室内的黄瓜叶片上,以诱发黄瓜白粉病,待白粉病有一定面积暴发后,利用海洋光学USB2000+型便携式光谱仪对黄瓜叶片光谱信息进行采集,利用五点取样法采集样本,在5个检查点,每点选取2株黄瓜进行调查,每株选取4枚感病叶片,每枚叶片随机选取5个感病区域进行光谱采集,共计采集200个感病叶片光谱样本,同样采集200个健康叶片样本作为对照。通过Ocean Optics Spectra-Suite软件采集漫反射标准白板信息和光谱仪暗电流实现光谱仪校正,调节积分时间、扫描次数以及平滑度等参数来实现光谱曲线平滑处理,以有效抑制光谱噪声,对光谱特征进行分类识别,去掉首尾噪声较大的波段,保留光谱的可见光波段进行研究,最终选取450~780 nm波段范围作为研究对象。利用主成分分析对所研究波段范围内的高维光谱数据（947维）进行降维处理,根据主成分的累计贡献率,选取前5个主成分作为分类模型的输入,以白粉病和健康叶片的判别结果作为输出,利用支持向量机算法,通过对样本的分类学习训练构建黄瓜白粉病和健康叶片的分类识别模型,随机选取120个样本作为训练集用于分类模型构建,其余80个样本作为测试集用于模型检验,并通过选取不同的核函数来获得最优模型。利用混淆矩阵对分类识别模型的准确率进行评价,当选取径向基核函数时,分类识别模型对黄瓜健康叶片和白粉病叶片的识别准确率最高,分别为100%和96.25%,总准确率为98.125%,具有较高的准确率。结果表明,利用可见光光谱信息并结合主成分分析和支持向量机算法,可以实现对黄瓜白粉病的快速准确识别,为黄瓜病害诊断提供了方法和参考依据。     

基于光谱分析技术的黄瓜与茎叶识别研究

为了能够快速实时地识别温室中的黄瓜,研究了黄瓜和其茎叶的近红外反射光谱特性。利用近红外光谱仪在室内共采集138个样本(黄瓜46个,茎46个,叶46个)的反射光谱,进行Savitzky-Golay平滑后,抽取光谱中的108个样本作为校正集,采用偏差权重法选择信息量较大的光谱波段690~950 nm进行研究。在主成分分析(PCA)的基础上,结合马氏距离建立识别模型,剔除了7个异常样本。用剩余的101个样本进行偏最小二乘法建模,对校正集之外的30个样本进行预测。结果显示预测值和实际值的相关性达0.994 1,正确识别率达100%。说明黄瓜、茎和叶的近红外反射光谱特性之间有一定差异,可以用近红外光谱技术进行鉴别,为黄瓜识别提供了一种新的方法和思路。     

棚龄对大棚种植黄瓜品质影响的傅里叶变换红外光谱研究

蔬菜大棚种植对蔬菜供应发挥着重要的作用，蔬菜大棚棚龄会影响蔬菜的产量和质量。以不同棚龄（1年、10年和18年）的黄瓜为对象，利用漫反射傅里叶变换中红外光谱，通过解析黄瓜的光谱特征峰，探究棚龄对黄瓜品质的影响。研究表明，黄瓜的多糖和蛋白质组分在3个棚龄呈现先增加后降低的趋势，10年棚龄种植的黄瓜多糖和蛋白质组分显著高于1年和18年的黄瓜多糖和蛋白质组分。高的棚龄（即10年和18年）显著增加了黄瓜的木质素组分。木质素组分主要分布于黄瓜皮中，增加木质素组分会降低黄瓜的食用口感。另外，黄瓜中各有机组分的比值能综合反映不同棚龄下黄瓜的品质。18年棚龄的黄瓜多糖与蛋白质组分的比值以及多糖与木质素组分的比值低于1年和10年棚龄的黄瓜各有机组分的比值，表明1年和10年棚龄的黄瓜中碳水化合物和营养物质的比值更加均衡。通过分析黄瓜各有机组分以及黄瓜各有机组分比值随着黄瓜棚龄的变化，知悉黄瓜棚龄在10年以内时，对黄瓜品质提升具有促进作用，但更长的棚龄会抑制黄瓜品质。因此，综合考虑黄瓜的品质，建议黄瓜棚龄不宜太长。另外，通过分析棚龄对黄瓜叶片有机组分的影响，发现黄瓜叶片各组分与黄瓜各组分的变化趋势相似。线性相关分析指出黄瓜蛋白质和木质素组分分别与黄瓜叶片蛋白质和木质素组分显著正相关，表明黄瓜叶片在一定程度上能反映黄瓜的营养成分和黄瓜口感。利用红外光谱解析不同棚龄下表征黄瓜品质的有机组分，为蔬菜大棚管理以及提高蔬菜品质提供了科学依据。     

可见光谱图像联合区间的黄瓜白粉病分割与检测

黄瓜白粉病是黄瓜病害中爆发频率较高的一种,传播速度极快,常常导致产量降低,无法获得预期的经济效益。特别是在病害爆发严重的年份,黄瓜减产量高达20%。提出了一种基于可见光谱图像联合区间的偏最小二乘回归判别模型（SI-PLSR）,用于黄瓜白粉病无损检测。采用Canon EOS 800D和Ocean Optics USB2000+光纤光谱仪采集了200个黄瓜白粉病感病叶片的可见光谱图像和反射率曲线。首先,采用基于小波降噪和H分割的分水岭分割算法从实时采集的黄瓜白粉病感病叶片可见光谱图像中提取目标叶片;其次,通过高斯拟合优化的Otsu算法分割目标叶片的可见光谱图像,获取白粉病病斑;然后,对350~1 100 nm全波段光谱反射率曲线建立偏最小二乘回归模型并计算交叉验证均方根误差RMSE_CV,同时将全波段等分为20个子区间,分别建立偏最小二乘回归模型,选取RMSE_CV小于全波段反射率曲线建模RMSE_CV的子区间组成联合区间;最后,将光谱联合区间与白粉病病斑分割结果融合建立SI-PLSR模型。从实验结果可知,感病目标叶片的提取成功率高达94.00%,200幅感病叶片可见光谱图像中成功提取188幅,其中157幅目标叶片的完整性参数高于95%,31幅目标叶片完整性参数在90%~95%之间。188幅目标叶片的病斑分割结果显示,平均错分率为5.81%,其中平均False negative为1.55%,平均False positive为4.26%。对20个子区间分别建立偏最小二乘回归模型发现,第5,6,7,11,12,13和19子区间的RMSE_CV值小于全波段光谱反射率曲线建模的RMSE_CV值,说明这7个子区间的光谱信息对白粉病的判别有较大的贡献,这与呈现波峰的470~520,530~580和700~780 nm波段相对应,因此选取这7个子区间的光谱反射率曲线建立联合区间。对联合区间建立SI-PLSR模型,其主成分数为7,校正集和验证集的相关系数和标准误差分别是0.975 2,0.907 3和0.919 5,1.091。与全波段PLSR模型相比,SI-PLSR的相关系数更接近于1,且标准误差更小。结果表明,所提出的SI-PLSR模型有效去除了可见光谱数据中冗余信息,加强了模型的稳定性,可以实现对黄瓜白粉病的快速无损准确识别,为黄瓜病害诊断提供了方法和参考依据。     

基于反射光谱的温室黄瓜叶片磷素含量分析与预测

以温室栽培黄瓜作物为对象,分析了叶片反射光谱与叶片磷素含量之间的相关关系,并建立了预测模型。首先利用便携式光谱辐射仪测量了自然光照条件下温室黄瓜叶片的光谱反射率,并计算了反射率光谱的一次微分光谱。相关分析表明反射率光谱与叶片含P量之间具有一定的相关性,但线性相关不显著。利用微分光谱可以部分消除系统误差、背景噪声等的影响,明显提高了相关系数,但预测模型精度仍然达不到实用程度。在理论分析的基础上,选取978,920,737和458 nm等4个波长作为特征波长,分别利用人工神经网络和支持向量机建立了黄瓜叶片P素含量对应于微分光谱特性的非线性预测模型,结果表明两种算法都获得了较好的预测效果,支持向量机模型的预测能力(R_v=0.754)优于人工神经网络模型(R_v=0.712)。     

可见/近红外光估测完整柑橘水果可溶性固形物含量的研究

研究用可见/近红外光谱(Vis/NIR spectroscopy)漫透射方式对柑橘类水果的可溶性固形物含量(SSC)进行了无损、快速定量分析。通过自行设计的Vis/NIR光谱系统测定了110个柑橘样品的SSC。82个柑橘样品用来建模,其余28个用来验证模型的性能。对实验室测得的柑橘水果的SSC实际值与Vis/NIR光谱数据进行相关性分析,用光谱定量分析软件中集成的偏最小二乘回归法(PLS)和主成分回归法(PCR)建立校正和预测模型。对比了不同光谱预处理方法, 如微分处理, 标准归一化处理(SNV), 多元散射校正(MSC)和Savitzky-Golay 光谱平滑方法)对模型检测结果的影响。根据预测平方根误差(RMSEP)和相关系数(r2)进行不同模型的预测性能评价,建立的最好的柑橘水果SSC预测模型的RMSEP＝0.538%,r2＝0.896。结果表明Vis/NIR可以作为一种准确、快速的无损检测方法来评价柑橘类水果的可溶性固形物含量。     

高光谱图像特征结合光谱特征用于毛桃碰伤时间分类

毛桃从果树上成熟到最后到达消费者手中,中间需要经过采摘、包装、运输等一系列过程,在每一个过程中都有可能产生碰伤果。因此查看哪一个过程产生的碰伤果最多,从而对加工过程进行针对性地改进就显得尤为重要。纵观国内外高光谱技术在检测水果碰伤方面的应用,绝大多数都是忽略图像特征而只使用了光谱特征,基于图像特征结合光谱特征建模的少之又少。其次在水果碰伤时间定性判别方面,多以天数为间隔,时间间隔较大意味着水果碰伤时间越久,其变化越明显,检测准确率也就越高,目前尚缺乏有效方法对于碰伤时间较短的水果进行碰伤时间分类。以90个模拟表面碰伤的毛桃为实验样本,分别采集毛桃碰伤12,24,36和48 h后的高光谱图像。毛桃样品的光谱特征提取是采用感兴趣区域的100个像素点的平均光谱以防止单个像素点的光谱信息与整体光谱信息差距较大;通过主成分分析（PCA）对毛桃图像进行降维后选取最能体现毛桃碰伤的PC1图像,在 PC1图像的权重系数曲线中波峰波谷处挑选出4个特征波长点（512,571,693和853 nm）作为特征图像,特征图像灰度化操作后计算得到平均灰度值作为毛桃碰伤图像特征。最后基于最小二乘支持向量机（LS-SVM）算法分别建立毛桃碰伤时间的光谱特征模型、图像特征模型以及图像特征结合光谱特征模型共三种判别模型,并且根据其分类准确率来判断模型的性能。结果表明：三种毛桃碰伤模型的分类准确率都随碰伤时间的增加而增加;基于径向基核函数（RBF_kernel）建立的图像特征结合光谱特征的模型预测效果最好,对碰伤12,24,36和48 h的毛桃样品识别正确率分别为83.33%,96.67%,100%和100%,这可能是由于具有非线性特点的径向基核函数所建立的模型更加适合用于毛桃碰伤时间的分类。图像特征结合光谱特征的模型能够较好地实现对水果碰伤时间的估计,可为水果外部品质分选提供一定的参考和依据,并对水果销售和深加工企业具有一定的借鉴意义。     

Label-free and rapid spectroscopic evaluation of ripening of Syzygium cumini fruit

In the present investigation, attempts have been made to obtain the spectral signature of the fruit jamun and to estimate the changes in biochemical composition that take place in the process of ripening of the fruits. The changes in exocarp, mesocarp, and seed of the fruit in raw and ripe stages have been investigated with the help of label-free, nondestructive, and rapid techniques: laser-induced fluorescence and attenuated total reflectance Fourier transform infrared spectroscopy. For this, the fluorescence spectra of the different parts (exocarp, mesocarp, and seed) of the raw and ripe fruits of jamun excited by 405?nm violet diode laser have been recorded in the spectral region 400–900?nm. The spectrum shows the spectral signature of anthocyanin, flavonoids, carotenoid, and chlorophyll. The observed decrease in the intensity of chlorophyll bands and simultaneous increase in the intensity of anthocyanin and carotenoid bands is regarded as indicator of the ripening of the fruit of jamun. Also, attenuated total reflectance Fourier transform infrared spectra have been recorded in the spectral region 4000–485?cm^?1 for the identification of functional groups associated with different biochemical altered during ripening process of the fruits of jamun. The analyses of the recorded infrared spectra show the presence of carbohydrates, cell wall components, phenolic compounds, nucleic acid, and amide. The quantitative estimation of the biochemical content in the different parts of jamun fruit during the ripening process has been done through calculating the area of the band by curve fitting. The determined spectral signatures can be utilized for the effective monitoring of jamun fruit.