基于多智能体的茶叶图像等级鉴定技术研究

研究关于茶叶图像的等级鉴定问题,提高鉴定的准确性。针对传统的基于茶叶图像智能等级鉴定算法依靠采集到的茶叶颜色、颗粒外形饱满度等信息,靠经验完成等级鉴定,存在人为因素。当采集的茶叶图像质量较低,图像模糊,茶叶颜色、和形态信息不能很好的提取时,造成等级鉴定不准确的问题。为了解决上述问题,提出了多智能体的茶叶图像等级鉴定算法。通过提取多个带有反馈功能的像素特征,通过模糊特征提取的方法进行茶叶特征定位,用特征提取的结果作为下一个智能体识别的依据,利用少量模糊的细节特征完成多轮迭代识别。实验表明,改进方法能够对茶叶图像等级进行有效的鉴定,取得了比较好的效果。     

基于模糊增强的图像区域分割算法研究

针对图像平坦区、纹理区和清晰边缘的分割问题,提出了一种基于模糊增强的图像分割算法.该算法依据基于模糊增强的Canny边缘检测原理,在充分分析图像纹理区和清晰边缘的像素分布特点的基础上,通过增强纹理区像素对比度,检测出更多的纹理区细节.并利用膨胀、区域连通等方法实现了图像的区域分割.实验结果表明,该算法能够准确地实现了图像平坦区、纹理区和清晰边缘的分割,并有较强的抗噪能力.图像分割结果可以反映更多的纹理细节信息.     

医学DR图像分割处理过程仿真分析

研究医学DR图像准确分割方法.人体组织的分布特征很难运用准确的数学模型进行描述,由于厚度不均匀,在进行CT图像采集的过程中,图像细节信息会被噪声等不利因素埋没,边缘变得不清晰,对比度降低.传统分割算法主要针对像素的某一个具体特征做出判断,在有噪的环境下,像素提纯受到干扰,很难对非可控信息进行模型控制,导致对医学DR图像的分割效果不好.为了避免上述缺陷,提出了一种人工鱼群算法的医学DR图像分割处理方法.通过对采集的DR图像进行增强处理,提高DR图像的对比度,利用SUSAN算子去除干扰信号,准确计算初始病变区域边界,对边界像素运用人工鱼群方法寻求.实验结果表明,利用改进算法能够有效提高医学DR图像分割的准确性,有利于临床医疗诊断.     

基于像素过滤配准插值的图像修复算法研究

研究残损图像的修复问题,提高修复后图像的清晰度。当采集环境较为恶劣时,采集的图像会发生像素丢失,残损、混淆,造成图像模糊、质量下降、清晰度不高。为了解决上述问题,提出利用像素过滤配准插值算法,对发生形变、丢失的像素进行过滤配准计算,运用相邻相似像素插值的方法补偿由于显示区域内像素被大量破坏或丢失导致的像素残缺,完整像素数量不足的缺陷,克服由于像素缺陷造成的图像清晰度下降的弊端。实验结果表明,改进方法能够大幅提高低质量图像的清晰度,取得了不错的效果。     

基于分类器的图像模糊边缘检测快速算法

通过对Pal King边缘检测算法的分析,提出了一种新的模糊边缘检测快速算法。首先对图像进行模糊增强,然后依据当前像素及其8-邻域像素的灰度,设计了一个分类器,通过计算相对于该分类器的模糊隶属度函数值,对像素进行边缘分类;最后锐化所得的边缘像素,剔除噪声。算法抛弃了Pal King方法中复杂的迭代运算,同时也克服了Pal King算法中对图像低灰度值边缘信息的丢失,还可以通过设置不同的参数来检测不同细节的边缘。实验结果表明,该快速算法比Pal King算法的边缘检测能力更强,同时运算速度提高了约20倍。     

医学内窥镜图像横条纹噪声分析及解决方法

针对CCD型医学电子内窥镜在饱和信号附近出现的横条纹噪声,图像信息的正确性影响,传统的解决方法会产生图像细节模糊和边缘锯齿化。为提高视觉质量和较低的算法复杂度、运算量,为此,提出了一种根据最近邻边缘检测信号补偿去除横条纹噪声的算法。首先从理论上分析了由于分光特性而产生横条纹噪声的原因,通过利用分光特性信息,判别像素空间信号饱和状态,并采用最近邻边缘检测,有效解决图像的横条纹噪声及边缘模糊等问题。实验证明,方法有效地去除了横条纹噪声并很好地保留了图像的边缘和细节信息,同时运算复杂度低,具有实时性处理的特性,对于实际工程应用有参考价值。     

远程小目标图像特征精准匹配方法研究与仿真

研究远程图像中小目标区域的准确匹配问题.远程采集的图像中目标过小,像素与周围环境排列过于紧密,背景灰度值与目标灰度值非常相近,像素特征很难通过阀值与背景完整分割.传统的灰度图像小目标匹配的方法,当图像中的像素特征高度重合的情况下,会导致图像特征局部模糊,特征匹配的准确性不高.提出一种低频像素排序和高斯金字塔分解的弱小目标匹配方法,通过提取出图像中的像素频率信息,并对其进行排序,利用高斯金字塔分解结果将图像中的目标细化,并依此完成准确匹配.实验证明,改进的匹配方法能够准确匹配图像小目标区域,可为图像匹配优化提供参考.     

一种改进的模糊聚类图像分割算法研究与仿真

针对相似图像分割过程中,输入像素数据在转换空间上存在的不连贯和幅度变化特征差异很小,像素的隶属关系很难准确界定,导致分割阀值设定过程出现较大衰减,分割误差较大的问题,提出一种改进的模糊聚类图像分割算法.分析了传统的模糊C-均值聚类图像分割算法的弊端,对像素模糊划分矩阵和聚类中心进行推导,将迭代过程中像素数据集对聚类隶属的可能性和不确定性关系融入分割目标函数中,依据可能隶属度和不确定隶属度建立改进分割准则函数,同时对像素聚类进行更新,实现图像分割.仿真结果验证了所提算法的有效性,结果表明,改进后的方法在分割检测过程中,图像误差明显减小.     

一种基于正切图像处理(TIP)模型的图像滤波算法

传统的图像滤波算法在滤除噪声的同时会丢失一些图像的细节信息,使图像变得模糊,为此提出了一种基于正切图像处理模型的图像滤波算法,算法根据待检测像素周围3×3邻域的像素值,利用正切函数和反正切函数进行处理。算法简单、容易实现,能够在有效地抑制噪声的同时,增强和保留图像的边缘和角点等细节信息。通过实验比较可知,该算法明显优于其它图像滤波算法。     

条件随机场像素建模与深度特征融合的目标区域分割算法

针对已有的基于深度神经网络的目标区域分割算法在目标边界分割效果中存在的问题,提出融合图像像素信息与图像语义信息的目标区域分割算法.首先通过加入注意力模块的深度神经网络提取图像语义级别的信息,得到图像语义级别的全局特征;然后利用条件随机场模型对图像局部区域进行像素级别建模,得到图像的局部细节特征;最后综合利用图像的局部细节特征和图像的全局特征,得到目标区域的分割结果.实验结果表明,与已有的算法相比,该算法能够更好地分割出目标的边界区域,抑制边界区域分割粗糙的问题,得到较准确的目标分割区域.     

基于深度学习的农作物病虫害图像识别APP系统设计

为准确有效识别出农作物病虫害类别及位置,构建一款农作物病虫害图像识别App系统,为广大农户、研究人员及管理者提供智能信息服务.该系统基于Android平台开发,在所收集的大量病虫害数据集上,开展了Darknet、YOLO等深度网络模型训练和测试,并使用批量正则化、维度聚类和课程设计学习等技术优化模型,实现了181种作物...     

基于SSD的粮仓害虫检测研究

为了对粮仓害虫进行有效地检测,减少粮食损失,提出一种基于SSD的粮仓害虫检测方法。该方法利用多个尺度的卷积特征图来检测害虫。通过轻量化模型结构和优化损失函数来提高SSD的训练速度和检测效率。实验将6类高爆发的粮仓害虫图像进行训练和测试,结果表明:该方法相比较于当前主流的目标检测方法在对粮仓害虫检测中具有更高的mAP。     

基于深度学习的害虫图像识别与分类方法研究

害虫侵扰一直是农业生产中回避不了的问题,每年都会造成巨大的经济损失。为了能够有效地预防和控制病虫害问题,需要实现对农田害虫的快速、准确识别,对此提出了一种基于深度学习的农田害虫识别方法,可按照害虫特征区分二化螟、白背飞虱、褐飞虱属、八点灰灯蛾、蟋蟀等多种害虫类别。一阶段对害虫数据集进行分析校正,加入图像整理、剪切等操作,合理划分数据集,添加一系列数据增强处理,进行农田害虫的训练检测。二阶段为增加数据集规模,使用EfficientNet网络对未标注图片进行识别分类,得到伪标签后继续半监督学习。最后,将分类的验证集和训练集合并,做进一步训练加强。实验结果表明,该模型对相关害虫识别效率高,识别效果好,可移植性强,可为农作物害虫的高效快速检测提供参考。     

基于优化CBAM改进YOLOv5的农作物病虫害识别

针对多种农作物病虫害图像, 在自然环境下因虫害种类繁多, 小目标特征相似的技术问题, 导致检测困难难以达到令人满意的精度. 本文提出了一种自然背景下加强局部特征和全局特征信息融合的害虫检测识别模型YOLOv5-EB, 在公开的大规模害虫数据集IP102上进行实验, 结果表明该研究比YOLOv5模型精确度提高了5个百分点. 引入一维卷积替换CBAM中通道注意力的MLP操作, 优化了通道注意力经过全局处理后容易忽略通道内信息交互的问题; 其次使用6×6卷积替换Focus操作, 来增强提取害虫特征的能力. 实验结果表明, 对害虫进行检测时, YOLOv5-EB的平均精度值达到了87%, 与Faster R-CNN、EfficientDet、YOLOv3、YOLOv4、YOLOv5模型相比, 不仅有效提高了作物害虫图像的识别性能, 而且有效提高了检测速度. 研究表明, YOLOv5-EB算法满足对多种农作物病虫害目标检测的准确性和实时性要求.     

基于图像分析的谷物害虫检测与分类识别技术研究

介绍了谷物害虫检测系统的硬件组成，描述了采用差分图像法实现对谷物害虫检测判断和三帧差分法实现谷物害虫图像恢复与提取的方法，最后利用图像的一阶灰度值直方图和图像的目标区域，自动提取静态仓储物害虫图像的纹理等特征，实现对仓储物害虫的快速鉴定和分类．     

基于二进制区分矩阵的属性约简方法及应用

以粗糙集理论为基础,以属性重要度为启发式信息来指导约简过程,提出了一种改进的基于二进制区分矩阵的属性约简算法。以兰州市各区县主要经济林重点病虫害发生情况为例,使用该算法对影响病虫害发生的条件属性集进行约简,为决策者提供辅助决策支持,同时验证了该算法是有效可行的。     

基于物联网的苹果树病虫防治专家系统设计与应用可行性研究

通过物联网感知技术、传输技术和处理技术为载体,结合专家系统软件,实现苹果树病虫害防治的智能化识别、定位、监控和管理的一种精细农业生产规范化管理模式,能够完成对果树及果品的生长情况的全天监测,实现对果树病虫害发生发展情况的跟踪分析,并根据专家系统的诊断意见进行早期干预,减少果树病虫害的发生、消除或降低农药的使用,为发展绿色无公害有机果品,提高苹果品质和产量创造了条件。     

Identification of grape diseases using image analysis and BP neural networks

Prevention and treatment of diseases are critical to improve grape yield and quality. Automatic identification of grape diseases is important to prevent insect pests timely and effectively. This study proposed an automatic detection method for grape leaf diseases based on image analysis and back–propagation neural network (BPNN). The Wiener filtering method based on wavelet transform was applied to denoise the disease images. The grape leaf disease regions were segmented by Otsu method, and morphological algorithms were used to improve the lesion shape. Prewitt operator was utilized to extract the complete edge of lesion region. Five effective characteristic parameters, namely, perimeter, area, circularity, rectangularity, and shape complexity, were extracted. The proposed recognition model for grape leaf diseases based on BPNN could efficiently inspect and recognize five grape leaf diseases: leaf spot, Sphaceloma ampelinum de Bary, anthracnose, round spot, and downy mildew. Results indicated that the proposed detection system for grape leaf diseases could be used to inspect grape diseases with high classification accuracy.

     

基于多级推理的玉米病虫害专家系统

详细介绍了玉米病虫害专家系统的设计与开发,包括数据库,知识库以及推理机的设计,针对玉米病虫害多样性增加导致传统的专家系统诊断时出现的同一症状对应多个诊断结果的粗糙诊断问题,提出基于多级推理的玉米病虫害专家系统,根据玉米的发病症状,在病虫害的可能性中进行综合判断,以发病时期,发病条件,发病部位为依据采用多级推理机制,以降低推理结果集元素的数量,同时可视知识参与推理,为推理提供感观信息,提高推理的准确性。     

基于深度学习的弱纹理图像关键目标点识别定位方法

为提高弱纹理图像关键目标点的检测识别能力,提出基于深度学习的弱纹理图像关键目标点识别定位方法;构建低光照强度弱纹理图像关键目标点的拓扑特征分布模型,采用透射率作为检测系数,结合亮通道的先验知识,建立像素大数据分布集,采用暗原色融合和RGB像素分解方法实现对低光照强度弱纹理图像的信息自适应增强处理;根据透射区域噪点融合匹配结果,采用交叉组合滤波检测和深度学习算法,实现对低光照强度弱纹理图像降噪和信息增强,据此实现对低光照强度弱纹理图像关键目标点检测识别;仿真结果表明,采用该方法定位识别的精度较高,平均为0.93,图像输出质量较好,峰值信噪比平均为32.87,通过准确率-召回率曲线的对比也表明性能较为优越。