基于机器视觉的大田环境小麦麦穗计数方法

被引：29

作者：

范梦扬 ^{[1
,2
]}

马钦 ^{[1
,2
]}

刘峻明 ^{[1
,2
]}

王庆 ^{[1
,2
]}

王越 ^{[1
,2
]}

段熊春 ^{[1
,2
]}

机构：

[1] 中国农业大学信息与电气工程学院

[2] 中国农业大学农业部农业信息获取技术重点实验室

来源：

农业机械学报 | 2015年 / 46(S1)卷 / S1期

关键词：

小麦麦穗; 机器视觉; 图像特征; 支持向量机; 骨架;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

基于机器视觉技术研究了一种低成本、针对局部小范围的小麦麦穗计数方法。通过部署的田间摄像头采集大田环境下小麦麦穗低分辨率群体图像,实现了复杂大田环境下小麦麦穗图像的降噪增强处理;提取麦穗的颜色、纹理特征,采用SVM学习的方法,精确提取小麦麦穗轮廓,同时构建麦穗特征数据库,对麦穗的二值图像细化得到麦穗骨架;最后通过计算麦穗骨架的数量以及麦穗骨架有效交点的数量,即可得到图像中麦穗的数量。经过2014年5月和2015年5月在方城县赵河镇示范区的试验测试,以小麦麦穗图像640像素×480像素(约250穗)为例,小麦麦穗计数平均耗时1.7 s,准确率达到93.1%,满足大田环境下小麦麦穗计数要求,可以为小麦估产提供可靠的参考数据。

引用

页码：234 / 239

页数：6

共 11 条

[1] 基于图像处理技术的大田麦穗计数! [J].

刘涛 ;

孙成明 ;

王力坚 ;

仲晓春 ;

朱新开 ;

郭文善 .

农业机械学报, 2014, 45 (02) :282-290

[2] 基于Sobel算子边缘检测的麦穗图像分割 [J].

陈含 ;

吕行军 ;

田凤珍 ;

董倩 ;

王克俭 ;

韩宪忠 .

农机化研究, 2013, 35 (03) :33-36

[3] 基于改进颜色特征的小麦病害图像识别技术研究 [J].

刘连忠 ;

张武 ;

朱诚 .

安徽农业科学, 2012, 40 (26) :12877-12879

[4] 小麦测产方法综述 [J].

邢君 ;

田灵芝 .

安徽农学通报(下半月刊), 2011, 17 (08) :94-95

[5] 基于形态学图像处理的麦穗形态特征无损测量 [J].

毕昆 ;

姜盼 ;

李磊 ;

石本义 ;

王成 .

农业工程学报, 2010, 26 (12) :212-216

[6] SVM与归一化方法结合的人脸和指纹融合识别 [J].

王成波 ;

李勇平 ;

王琳 ;

张鸿洲 .

微计算机信息, 2009, 25 (04) :235-237

[7] 基于图像识别的小麦品种分类研究 [J].

何胜美 ;

李仲来 ;

何中虎 .

中国农业科学, 2005, (09) :1869-1875

[8] 小麦群体图像特征识别方法的研究——小麦群体总茎数的估测 [J].

单成钢 ;

廖树华 ;

梁振兴 ;

朱虹 ;

郑丽敏 ;

王璞 .

作物学报, 2004, (12) :1281-1283

[9]

基于颜色特征和改进Adaboost算法的麦穗识别的研究[D]. 赵锋.河北农业大学. 2014

[10]

Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage[J] . Zhenghong Yu,Zhiguo Cao,Xi Wu,Xiaodong Bai,Yueming Qin,Wen Zhuo,Yang Xiao,Xuefen Zhang,Hongxi Xue.Agricultural and Forest Meteorology . 2013

← 1 2 →