在華北一年兩熟區(qū),利用聯(lián)合收獲機(jī)留茬收獲玉米后,玉米根茬行與行間秸稈及裸露地表顏色相近,采用傳統(tǒng)的圖像檢測方法對其進(jìn)行分割比較困難。針對該問題,采集了利用聯(lián)合收獲機(jī)留茬收獲玉米后的根茬行高光譜圖像,以根茬頂端切口為目標(biāo),提出了一種玉米根茬行高光譜圖像的分割方法。首先,對黑白校正后的全波段圖像進(jìn)行主成分分析,根據(jù)主成分圖像權(quán)重系數(shù)優(yōu)選出3個(gè)特征波長,分別為1 260、1 658、2 131 nm;然后,對3個(gè)特征波長處的圖像再次進(jìn)行主成分分析,并對所得到的PC2圖像進(jìn)行單閾值分割;最后,通過中值濾波、形態(tài)學(xué)開運(yùn)算、根茬行區(qū)域外噪聲濾除對分割結(jié)果進(jìn)行優(yōu)化。為驗(yàn)證該分割方法的效果,利用采集的50幅玉米根茬行高光譜圖像進(jìn)行試驗(yàn),并選取分割準(zhǔn)確率、召回率和F1值對分割結(jié)果進(jìn)行定量評價(jià)。結(jié)果表明:該分割方法下的玉米根茬行圖像分割效果較好,分割準(zhǔn)確率、召回率和F1值分別為91.85%、90.49%和91.16%。研究結(jié)果表明基于高光譜成像技術(shù)可對玉米根茬行進(jìn)行分割。 

【文章來源】：農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020,51(S2)北大核心EICSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

高光譜成像系統(tǒng)

利用主成分分析法對選取的特征波長圖像再次進(jìn)行分析，然后采用單閾值分割法對選取的主成分圖像進(jìn)行分割，最后通過中值濾波、形態(tài)學(xué)處理、根茬行區(qū)域外噪聲濾除等對分割后的結(jié)果進(jìn)行優(yōu)化，得到最終的玉米根茬行分割結(jié)果。光譜分析與圖像處理的算法流程圖如圖2所示。為客觀評價(jià)本文所提出方法的準(zhǔn)確性，利用Photoshop人工分割得到的玉米根茬行圖像作為真實(shí)分割結(jié)果，然后選取分割準(zhǔn)確率P、召回率R和F1值對優(yōu)化后的分割結(jié)果進(jìn)行定量評價(jià)[22]。其中，分割準(zhǔn)確率用于分析算法分割結(jié)果與真實(shí)分割結(jié)果間的差異，計(jì)算公式為

對樣本集25幅玉米根茬行高光譜圖像進(jìn)行主成分分析，并選取最有利于根茬頂端切口分割的圖像PC3、PC4進(jìn)行分析(PC3、PC4為25幅圖像主成分分析后的典型結(jié)果，其他也都獲得了相似的結(jié)果)。圖3為圖像PC3、PC4的權(quán)重系數(shù)曲線。根據(jù)兩條曲線極值點(diǎn)的分布進(jìn)行特征波長選取，選取原則如下:(1)由于光譜曲線首尾兩端噪聲大，故排除首尾兩端區(qū)域的極值點(diǎn)。(2)選取的局部極大值點(diǎn)或局部極小值點(diǎn)應(yīng)同時(shí)為兩條曲線上的極值點(diǎn)，且絕對值在鄰近波長較大。(3)考慮到鄰近波長之間相關(guān)性較高，選取的兩特征波長間相差波段數(shù)應(yīng)大于10。按照上述選取原則，最終選取了1 260、1 658、2 131 nm作為最佳特征波長，如圖4所示。圖4 不同特征波長處的圖像

【參考文獻(xiàn)】：
期刊論文
[1]高光譜成像的獼猴桃貨架期快速預(yù)測[J]. 邵園園,王永賢,玄冠濤,高宗梅,劉藝,韓翔,胡志超.  光譜學(xué)與光譜分析. 2020(06)
[2]基于多生育期光譜變量的水稻直鏈淀粉含量監(jiān)測[J]. 謝莉莉,王福民,張垚,黃敬峰,胡景輝,王飛龍,姚曉萍.  農(nóng)業(yè)工程學(xué)報(bào). 2020(08)
[3]基于M-LP特征加權(quán)聚類的果樹冠層圖像分割方法[J]. 程湞湞,祁力鈞,程一帆,吳亞壘,張豪,肖雨.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(04)
[4]基于無人機(jī)高光譜長勢指標(biāo)的冬小麥長勢監(jiān)測[J]. 陶惠林,徐良驥,馮海寬,楊貴軍,苗夢珂,林博文.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(02)
[5]基于高光譜成像的生鮮雞肉糜中大豆蛋白含量檢測[J]. 王偉,姜洪喆,賈貝貝,鹿瑤.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(12)
[6]聯(lián)合光譜-空間信息的短波紅外高光譜圖像茶葉識別模型[J]. 蔡慶空,李二俊,蔣金豹,喬小軍,蔣瑞波,馮海寬,劉紹堂,崔希民.  光譜學(xué)與光譜分析. 2019(08)
[7]蘋果無損檢測和品質(zhì)分級技術(shù)研究進(jìn)展及展望[J]. 曹玉棟,祁偉彥,李嫻,李哲敏.  智慧農(nóng)業(yè). 2019(03)
[8]核桃仁脂肪含量的近紅外光譜無損檢測[J]. 馬文強(qiáng),張漫,李源,楊莉玲,朱占江,崔寬波.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(S1)
[9]基于無人機(jī)高光譜影像的冬小麥全蝕病監(jiān)測模型研究[J]. 郭偉,朱耀輝,王慧芳,張娟,董萍,喬紅波.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(09)
[10]基于可見光光譜分析的黃瓜白粉病識別研究[J]. 王翔宇,朱晨光,傅澤田,張領(lǐng)先,李鑫星.  光譜學(xué)與光譜分析. 2019(06)

博士論文
[1]基于機(jī)器視覺的免耕播種機(jī)對行避茬技術(shù)研究[D]. 陳婉芝.中國農(nóng)業(yè)大學(xué) 2018



本文編號：3344988