APP下载

改进Otsu算法与ELM融合的自然场景棉桃自适应分割方法

2018-08-10尹爱军

农业工程学报 2018年14期
关键词:背景模型

王 见,周 勤,尹爱军



改进Otsu算法与ELM融合的自然场景棉桃自适应分割方法

王 见1,2,周 勤1,2,尹爱军1,2

(1. 重庆大学机械传动国家重点实验室,重庆 400044;2. 重庆大学机械工程学院,重庆 400044)

针对动态行进过程中拍摄的自然棉田场景图像的棉桃分割问题,提出了一种改进的自适应优化分割方法。首先利用改进的Otsu分割算法定位棉桃区域,对棉桃和背景区域像素点的RGB值分别采样;将样本用于训练ELM(extreme learning machine)分类模型;把图像分割转化为像素分类问题,用分类模型对棉桃图像进行像素分类以实现棉桃图像的分割。对晴天和阴天场景下自然棉田的图像进行了算法验证,能正确分割棉桃并定位棉桃位置,实现了非结构光环境下对棉桃的无监督的采样和分割定位,每幅图像的平均分割时间为0.58 s,晴天和阴天状况下棉桃的平均识别率分别达到94.18%和97.56%。将该算法与经典分类算法SVM(support vector machine)和BP在增加纹理特征和采用RGB特征的情况下进行对比,并分析了该算法在分割速度和识别率上都有较大优势的原因。试验证明该算法在棉桃分割中有很好的实时性、准确性和适应性,可为智能采棉机的棉桃识别算法提供参考。

图像分割;作物;图像识别;改进的Otsu算法;极限学习机;自适应

0 引 言

随着人工智能的发展,国内外相关学者进行了大量有关机器视觉在农机应用方面的研究[1-5]。农田环境属于非结构化的自然环境,对目标农作物的准确分割和定位是长期以来的技术难点[6-10]。在图像领域,图像分割算法已由R-CNN经Fast R-CNN和Faster R-CNN发展到了Mask R-CNN,图像的分割已达到高精度的像素级别。……

登录APP查看全文

猜你喜欢

背景模型
一半模型
“新四化”背景下汽车NVH的发展趋势
《论持久战》的写作背景
黑洞背景知识
重尾非线性自回归模型自加权M-估计的渐近分布
晚清外语翻译人才培养的背景
3D打印中的模型分割与打包
背景链接
FLUKA几何模型到CAD几何模型转换方法初步研究
一个相似模型的应用