学位论文 > 优秀研究生学位论文题录展示

农作物籽粒的图像处理和识别方法研究

作　者: 杨蜀秦
导　师: 何东健
学　校: 西北农林科技大学
专　业: 农业电气化与自动化
关键词: 机器视觉图像处理作物籽粒品质检测粘连籽粒分割籽粒特征参数籽粒品种识别
分类号: TP391.41
类　型: 博士论文
年　份: 2012年
下　载: 541次
引　用: 0次
阅　读: 论文下载

内容摘要

利用计算机视觉技术检测农作物籽粒外观特征并识别其品种，对提高农业生产自动化水平和农产品增值效益、加强我国农业在国际市场上的竞争优势具有重要意义。基于这样的背景，本文选择我国广泛种植的大米、玉米等作物籽粒的静态图像作为研究对象，重点研究了这些作物籽粒的图像分割技术、形态结构特征提取和分类方法，设计和开发了基于机器视觉的作物籽粒外观特征检测和识别系统。主要工作包括：(1)采用迭代阈值法将玉米和大米籽粒从背景中提取，对籽粒内部的孔洞进行了区域填充，在此基础上对粘连籽粒的图像分割方法进行了研究。(2)为解决分水岭算法对一个米粒经距离变换后常存在多个局部极小值而产生的过分割问题，提出了一种基于极小值合并的分水岭分割连接籽粒算法。应用形态学膨胀将邻近的局部极小值合并成一个区域，使每个米粒内部只有一个局部极小值，再用分水岭算法进行分割．对长江米、圆江米、粳米和黑米4个大米品种籽粒，提出的算法分割正确率分别为87％、93％、92％和89%。提出的方法应用于连接玉米籽粒的分割，也取得了较好的结果。(3)提出了一种基于主动轮廓模型的分割算法。以距离变换合并后的局部极小值区域边界为初始曲线，在主动轮廓模型的指导下，曲线向籽粒的边界演化,最终将图像中各个作物籽粒分割。对长江米、圆江米、粳米和黑米4个大米品种籽粒的试验表明,该算法分割连接米粒图像的正确率分别达到88.0%、93.4%、92.4%和90.4%。(4)为了对籽粒进行破损检测、品种识别等工作，提取了反映籽粒形态结构特征的一组参数来衡量籽粒的尺寸、形状和颜色。并依据大米国家标准，提出利用计算机视觉方法，对长江米、圆江米、粳米、红香米、泰国香米和黑米等6个品种的大米平均长度进行测算。(5)尖端是许多农作物籽粒一个重要的外观特征。提出了一种基于Harris角点检测的尖端识别方法。Harris算子在一个局部区域中检测角特征，作为籽粒最明显的角结构，尖端在Harris角点检测中具有最大的响应值，并且对尖端不明显的籽粒也有着良好的响应。通过对玉米、南瓜和西葫芦等具有尖端特征的750粒籽粒的测试结果表明，提出算法的尖端检测综合准确率为95.6%。(6)提出了玉米冠顶和胚部的分离算法。首先在定位玉米尖端的基础上，从尖端处沿着籽粒的轮廓延伸出圆形区域用来逼近果柄区域，并将该区域去掉。其次利用单通道的线性组合R+B-G和G+B-R，将彩色多通道图像转成2幅新的特征图像，再通过迭代阈值法得到它们的二值图像，并取其交集，在经过形态学优化后，分离出玉米胚部。(7)在分析完整大米和破损大米粒形区别的基础上，选取面积、偏心率、圆形度、长短轴比和3个不变矩作为特征，利用支持向量机方法，检测破损大米。对长江米、圆江米和粳米的检测准确率分别达到100%、94%和92%。利用提取的玉米籽粒特征，基于支持向量机，检测破损玉米，综合准确率达92.5%。(8)提出了一种基于稀疏表示的大米品种识别方法。以6种大米籽粒图像和4种玉米籽粒图像作为研究对象，采用颜色和形态结构参数表示单个籽粒。由训练样本组成稀疏表示方法的数据词典，对每一个测试样本，计算其在数据词典上的投影，将具有最小投影误差的类作为测试样本所属的品种。对于13种特征参数表示的大米品种和16种特征参数表示的玉米品种的识别结果表明，提出的方法的综合准确率分别为99.6%和88%，获得了良好的分类效果。(9)基于MATLAB语言设计并开发了基于机器视觉的籽粒品质检测及分类系统。系统软件包括文件管理、图像预处理、粘连籽粒分割、特征参数提取、尖端识别、玉米胚部提取和品种识别等内容。

全文目录

摘要  5-7
Abstract  7-12
第一章绪论  12-26
  1.1 选题目的与意义  12-13
  1.2 国内外研究现状  13-23
    1.2.1 图像获取  14-16
    1.2.2 农业图像增强研究及应用  16-18
    1.2.3 农业图像特征提取研究及应用  18-19
    1.2.4 农业图像分类或分级研究及应用  19-20
    1.2.5 农作物籽粒图像处理研究及应用  20-23
  1.3 研究内容  23-24
    1.3.1 连接农作物籽粒的自动分割方法研究  23
    1.3.2 籽粒特征检测方法研究  23-24
    1.3.3 籽粒品质鉴别和品种分类方法研究  24
  1.4 主要贡献  24-26
第二章试验系统设计及作物籽粒图像分割方法研究  26-49
  2.1 引言  26
  2.2 图像获取系统  26-27
  2.3 籽粒图像的预处理  27-30
    2.3.1 图像分割  27-29
    2.3.2 图像去噪  29-30
  2.4 基于分水岭的连接籽粒分割算法  30-39
    2.4.1 分水岭算法原理  30-31
    2.4.2 极小值合并分水岭分割算法  31-34
    2.4.3 合并距离变换的局部极小值点  34-35
    2.4.4 基于极小值合并的分水岭分割连接籽粒算法  35-36
    2.4.5 实验结果与分析  36-39
  2.5 基于主动轮廓模型的连接籽粒分割算法  39-48
    2.5.1 主动轮廓模型  39-41
    2.5.2 主动轮廓模型的有限差分法实现  41-42
    2.5.3 二值图像的距离变换作为蛇模型的外力场  42-43
    2.5.4 基于主动轮廓模型的连接米粒图像分割算法  43-44
    2.5.5 实验结果与分析  44-48
  2.6 小结  48-49
第三章作物籽粒的特征检测方法研究  49-74
  3.1 引言  49
  3.2 大米的特征参数提取  49-53
  3.3 大米平均长度检测  53-56
  3.4 基于 Harris 仿射不变算子的作物籽粒尖端检测方法  56-65
    3.4.1 Harris 角点检测算法  57-62
    3.4.2 基于 Harris 算法的作物籽粒尖端检测算法  62
    3.4.3 实验结果与分析  62-65
  3.5 玉米籽粒外观图像胚部和冠顶的分离  65-70
  3.6 玉米籽粒的特征参数提取  70-73
    3.6.1 颜色特征  70
    3.6.2 形状特征  70-73
    3.6.3 尺寸特征  73
  3.7 小结  73-74
第四章作物籽粒品质鉴定及品种识别方法研究  74-113
  4.1 引言  74
  4.2 支持向量机（SVM）理论  74-82
    4.2.1 线性可分数据最优划分超平面的构建和支持向量的概念  75-78
    4.2.2 线性不可分数据广义最优超平面的构建  78-79
    4.2.3 线性多类分类问题的求解  79
    4.2.4 非线性支持向量机  79-82
  4.3 基于 SVM 的大米破损检测方法  82-90
    4.3.1 完整大米与破损大米粒形分析  82-86
    4.3.2 基于 Lib-SVM 的大米破损检测  86-90
    4.3.3 实验结果及分析  90
  4.4 基于 SVM 的玉米破损粒检测  90-92
    4.4.1 基于傅里叶描述子的玉米籽粒破损检测  91
    4.4.2 基于不变矩的玉米籽粒破损检测  91
    4.4.3 实验结果及分析  91-92
  4.5 稀疏表示理论  92-96
    4.5.1 信号表示  92-93
    4.5.2 稀疏性度量  93-94
    4.5.3 子空间联合基中的稀疏表示  94-95
    4.5.4 一个简单的稀疏表示方法举例  95-96
  4.6 基于稀疏表示的农作物品种识别方法研究  96-111
    4.6.1 基于稀疏表示的农作物籽粒分类算法  96-97
    4.6.2 基于稀疏表示的大米品种识别研究  97-106
    4.6.3 基于稀疏表示的玉米品种识别研究  106-111
    4.6.4 实验结果与分析  111
  4.7 小结  111-113
第五章农作物籽粒的图像处理与识别软件系统  113-119
  5.1 引言  113
  5.2 软件总体设计  113
  5.3 软件功能介绍  113-118
    5.3.1 文件处理  113
    5.3.2 图像预处理  113-114
    5.3.3 图像分割  114
    5.3.4 特征检测  114-117
    5.3.5 分类及品种识别  117-118
  5.4 小结  118-119
第六章结论与展望  119-121
  6.1 结论  119
  6.2 展望  119-121
参考文献  121-127
致谢  127-128
作者简介  128

农作物籽粒的图像处理和识别方法研究

内容摘要

全文目录

相似论文