計算機視覺與圖像處理論文實用全套PPT

計算機視覺與圖像處理(túxiànɡchǔlǐ)論文第一頁，共14頁。本論文主要(zhǔyào)講述這幾年計算機視覺在農(nóng)業(yè)工程農(nóng)產(chǎn)品的分級檢測、作物營養(yǎng)的監(jiān)測、病蟲草害的防治等方面的一些典型應(yīng)用，以及存在問題和未來的發(fā)展方向。關(guān)鍵詞：農(nóng)業(yè)工程；分級檢測；計算機視覺主要(zhǔyào)內(nèi)容第二頁，共14頁。論文(lùnwén)結(jié)構(gòu)第一部分(bùfen)引言第二部分(bùfen)農(nóng)產(chǎn)品的分級檢測第三部分(bùfen)作物營養(yǎng)的監(jiān)測第四部分(bùfen)病蟲草害的防治第五部分(bùfen)存在的問題第六部分(bùfen)未來展望第三頁，共14頁。0引言(yǐnyán)計算機視覺是使用計算機及相關(guān)設(shè)備對生物視覺的一種模擬。它是一門綜合性很強的學科，涵蓋了包括計算機科學和工程、應(yīng)用數(shù)學和統(tǒng)計學、信號處理、物理學以及神經(jīng)生理學和認知科學等眾多領(lǐng)域的知識。其主要任務(wù)是通過對采集(cǎijí)到的圖片或視頻進行處理以獲得相應(yīng)場景的三維信息，并存儲于計算機中以供人們的研究應(yīng)用。近年來，計算機視覺的研究與應(yīng)用已擴展到了空間探索、地球資源勘探、工業(yè)、農(nóng)業(yè)、醫(yī)學和軍事等諸多領(lǐng)域，尤其在農(nóng)業(yè)工程領(lǐng)域更為突出。隨著計算機軟硬件技術(shù)、圖形圖像處理技術(shù)等的迅猛發(fā)展，無論在農(nóng)產(chǎn)品的分級檢測、作物營養(yǎng)的監(jiān)測、病蟲草害的防治等方面，都有較為細致(xìzhì)地研究[1]。我將就此介紹計算機視覺在農(nóng)業(yè)工程領(lǐng)域中的一些最新的典型應(yīng)用，并討論其存在的問題和未來的發(fā)展方[1]。第四頁，共14頁。1農(nóng)產(chǎn)品的分級(fēnjí)檢測利用計算機視覺技術(shù)，可以對產(chǎn)品進行無接觸檢測，并獲得大量的圖像參數(shù)信息。它具有標準統(tǒng)一、識別率高、效率高并且無損害等一系列優(yōu)點，特別適合于動植物等農(nóng)產(chǎn)品質(zhì)量的檢測與綜合評定，為農(nóng)產(chǎn)品的分級提供有利可靠的依據(jù)。云南農(nóng)業(yè)大學的宋蘭霞，楊毅在“云南省農(nóng)業(yè)科技創(chuàng)新工程項目”中以計算機視覺技術(shù)為基礎(chǔ)，針對主觀性強、準確率低、成本(chéngběn)高的大理石花紋含量測定的傳統(tǒng)方法，運用統(tǒng)計學中的最大方差法去除圖像黑色背景，使用二值法對大理石花紋進行提取，并對其含量進行測定。其研究結(jié)果表明，計算機視覺技術(shù)對于實現(xiàn)胴體圖像中大理石花紋區(qū)域的分割和大理石花紋含量的測定具有很高的準確性，為肉質(zhì)自動分級打下良好的基礎(chǔ)[2]。第五頁，共14頁。淮陰工學院電子與電氣工程學院的王亞琴在“江蘇省高校自然科學研究項目”中提出了基于計算機視覺的鴨蛋重量智能檢測方法，實現(xiàn)了計算機視覺稱重。該方法首先要構(gòu)造出鴨蛋圖像的灰度梯度共生矩陣，以最大熵原理(yuánlǐ)為依據(jù)求出最佳灰度和梯度分割閾值，從而實現(xiàn)二維閾值的分割。然后采用數(shù)學形態(tài)學方法對分割后的圖像進行處理，去除蛋殼表面的偽目標，并統(tǒng)計出鴨蛋區(qū)域的像素點。最后利用多項式擬合方法求出鴨蛋重量與面積的關(guān)系式。其檢測誤差在正負2g以內(nèi)波動，平均誤差為負，檢測精度基本滿足生產(chǎn)加工的需求[3]。趙海波，周向紅在“光電子應(yīng)用安徽省工程技術(shù)研究中心資助項目”中設(shè)計出了催熟番茄識別硬件組成系統(tǒng)，其計算機視覺裝置能夠有效的獲取番茄透射光顏色參數(shù)（R、G、B）的值，并將其轉(zhuǎn)換成HIS值，采用多層前饋神經(jīng)網(wǎng)絡(luò)自動識別催熟番茄。該系統(tǒng)識別正確率高達91.7%，可有效的阻止用乙烯催熟的番茄進入瓜果市場危害食用者的身體健康[4]。第六頁，共14頁。2作物(zuòwù)營養(yǎng)的監(jiān)測20世紀末期，計算機視覺技術(shù)開始應(yīng)用于對作物營養(yǎng)狀況的信息監(jiān)測之中。不管是人為因素，還是自然因素的影響，作物在生長過程中常會出現(xiàn)缺素的狀況，這對于作物的健康成長是極為不利的。傳統(tǒng)的植物營養(yǎng)診斷方法主要有化學分析和人眼經(jīng)驗?zāi)繙y這兩種。此兩種方法既耗時費力，又容易受到實驗環(huán)境或氣候條件的影響，不適合于農(nóng)業(yè)生產(chǎn)的實際。計算機視覺技術(shù)的應(yīng)用實現(xiàn)了農(nóng)作物營養(yǎng)信息的快速(kuàisù)、準確地判斷，從而可以及時精確地補充作物缺少的肥料[5]。這就大大減少了資源的浪費，提高了農(nóng)業(yè)生產(chǎn)的效率。第七頁，共14頁。湖南農(nóng)業(yè)大學的陳誠，廖桂平等在“國家自然科學項目”中利用計算機視覺技術(shù)，獲取(huòqǔ)了水稻葉片DGCI、Hv、I2、I3、(2G-R-B)/L*和Hv*Diff的顏色指標，然后結(jié)合BP網(wǎng)絡(luò)、多元回歸模型以及遺傳算法，建立了葉綠素相對含量(SPAD值)的預(yù)測模型，利用所建立的數(shù)學模型對葉綠素相對含量進行預(yù)測，相對誤差率僅為3.3557%[6]。石河子大學的董鵬，危常州等在“農(nóng)業(yè)部行業(yè)公益性專項”中通過棉花需氮量吸收模型、棉花吸氮量計算機視覺識別模型和土壤無機氮供應(yīng)估算模型建立了FertiEXP軟件系統(tǒng)。這是一款基于計算機視覺和土壤(Nmin)軟件系統(tǒng)，可對棉花氮素營養(yǎng)進行診斷并推薦氮肥施肥方案[7]。從小區(qū)實驗和大田示范結(jié)果我們可以看出，采用FertiEXP軟件推薦施肥，可以優(yōu)化肥料在作物全生育期的分配比例，經(jīng)濟效益十分顯著。第八頁，共14頁。而在實際生產(chǎn)應(yīng)用中，由于田間天氣、風速、光照、土壤、昆蟲等復(fù)雜環(huán)境因素處于不斷變化之中，加之各農(nóng)作物及產(chǎn)品的形態(tài)差異較大，生長背景復(fù)雜，而且同一作物在不同的環(huán)境所表現(xiàn)出來的特征也不同，這就給數(shù)字圖像的分割以及特征的提取，帶來不少的困難。5未來(wèilái)展望這就要求我們要加大經(jīng)費的投入，培養(yǎng)更多更優(yōu)秀的人才。3病蟲草害得防治(fángzhì)目前計算機視覺在農(nóng)業(yè)工程中的應(yīng)用大部分都是靜態(tài)的，即先采集靜態(tài)圖像，再用計算機對圖像進行處理。第一部分(bùfen)引言云南農(nóng)業(yè)大學的宋蘭霞，楊毅在“云南省農(nóng)業(yè)科技創(chuàng)新工程項目”中以計算機視覺技術(shù)為基礎(chǔ)，針對主觀性強、準確率低、成本(chéngběn)高的大理石花紋含量測定的傳統(tǒng)方法，運用統(tǒng)計學中的最大方差法去除圖像黑色背景，使用二值法對大理石花紋進行提取，并對其含量進行測定。論文(lùnwén)結(jié)構(gòu)最后利用多項式擬合方法求出鴨蛋重量與面積的關(guān)系式。所以通常情況下我們需要進行動態(tài)圖像的采集及實時處理，這就要有圖像獲取與處理設(shè)備良好配合，即快速獲取圖像后立即(lìjí)進行處理并得出精確的結(jié)果加以控制。1農(nóng)產(chǎn)品的分級(fēnjí)檢測論文(lùnwén)結(jié)構(gòu)其主要任務(wù)是通過對采集(cǎijí)到的圖片或視頻進行處理以獲得相應(yīng)場景的三維信息，并存儲于計算機中以供人們的研究應(yīng)用。目前計算機視覺在農(nóng)業(yè)工程中的應(yīng)用大部分都是靜態(tài)的，即先采集靜態(tài)圖像，再用計算機對圖像進行處理。然后采用數(shù)學形態(tài)學方法對分割后的圖像進行處理，去除蛋殼表面的偽目標，并統(tǒng)計出鴨蛋區(qū)域的像素點。3病蟲草害得防治(fángzhì)作物在整個生長期過程中病蟲害時有發(fā)生，每年帶來的損失也是相當?shù)捏@人[8]?；瘜W農(nóng)藥的施用一方面可以大大減輕農(nóng)業(yè)經(jīng)濟損失，另一方面也引起了化學藥劑除治植物病蟲害的致突變（誘變）、致畸、致癌這“三致”問題以及殘留量、抗藥性、再增猖獗這“三R”問題。隨著(suízhe)信息科學技術(shù)的迅猛發(fā)展，計算機視覺技術(shù)已涉及到植物病蟲草害防治方面，并取得了一系列的成果。第九頁，共14頁。竺樂慶，張真等在“國家高技術(shù)研究發(fā)展計劃(‘863’計劃)項目”中提出了一種(yīzhǒnɡ)新穎的基于圖像顏色及紋理特征的昆蟲圖像識別方法[9]。鱗翅目昆蟲翅面識別算法在包含了100類鱗翅目昆蟲的圖像庫中進行試驗驗證，其識別率為76%，其中前翅識別率則高達92%，在時間性能上也十分理想，為生產(chǎn)單位害蟲管理的普通技術(shù)人員提供了簡便易操作的昆蟲鑒別方法。陳麗君，李永奎在“沈陽市科學技術(shù)計劃資助項目”中以穴播玉米為研究對象提出了一種(yīzhǒnɡ)可以實現(xiàn)穴間雜草的識別的方法[10]。該方法以作物位置特征的過分割區(qū)塊投影來定位作物株心，并據(jù)此統(tǒng)計判別穴間噴霧操作區(qū)塊像素。其雜草識別率在87.7%以上，具有較好的實時性，且可適用于作物苗期各階段的雜草識別。第十頁，共14頁。4存在(cúnzài)的問題目前計算機視覺在農(nóng)業(yè)工程中的應(yīng)用大部分都是靜態(tài)的，即先采集靜態(tài)圖像，再用計算機對圖像進行處理。而在實際生產(chǎn)應(yīng)用中，由于田間天氣、風速、光照、土壤、昆蟲等復(fù)雜環(huán)境因素處于不斷變化之中，加之各農(nóng)作物及產(chǎn)品的形態(tài)差異較大，生長背景復(fù)雜，而且同一作物在不同的環(huán)境所表現(xiàn)出來的特征也不同，這就給數(shù)字圖像的分割以及特征的提取，帶來不少的困難。所以通常情況下我們需要進行動態(tài)圖像的采集及實時處理，這就要有圖像獲取與處理設(shè)備良好配合，即快速獲取圖像后立即(lìjí)進行處理并得出精確的結(jié)果加以控制。要做到這一點，有待我們作出更加深入的探索和研究。還有就是現(xiàn)在的大多數(shù)算法缺乏可擴展性，通用性不夠強，容易受研究對象復(fù)雜性及環(huán)境多變性的影響。第十一頁，共14頁。5未來(wèilái)展望計算機視覺技術(shù)應(yīng)用到農(nóng)業(yè)工程中可實現(xiàn)農(nóng)業(yè)