基于压缩感知的缺损杂草种子的机器视觉鉴别

Identification of weed seeds with defect or scabs is a difficult problem of machine vision. Traditional algorithms assume input weed seeds are intact. However, weed seeds might be partial-defected because of humidity environment or physical damage. In this project, we will research algorithms and technologies for partial-defected weed seeds identification by machine vision. For a typical weed seeds identification system, all labeled images in database are intact and aligned according to a specific direction while input images might be defected and put with arbitrary direction. In this project, we will firstly focus on robust alignment of weed seeds for labeled images, and then propose algorithms for partial-defect compensation, finally, research weed seeds images identification system according to the reconstruction error of different categories.

缺损和病斑是杂草种子机器视觉鉴别中造成误试率的主要因素，本项目拟研究有缺损杂草种子的机器视觉鉴别技术，特别是在系统登记在册的标准杂草种子图像均为按特定方向校准对齐的完整无损图像，而输入待测图像为方向未知且出现缺损或病斑的杂草种子的鲁棒识别问题。首先研究低秩矩阵分解对齐算法，以解决标准杂草种子库中多尺度多方向的种子图像批量校准对齐问题；然后研究低秩线性重建算法，以解决缺损杂草种子图像的缺损补偿问题；最后研究多类别重建分类问题，通过分析不同类别杂草种子图像的重建误差对杂草种子进行准确鉴别。

该项目面向缺损杂草种子图像的机器视觉鉴别问题开展研究，取得如下进展：. 搭建了多尺度、多角度图像种子图像采集平台，研究了基于主成分分析的多尺度、多角度杂草种子图像配准算法，对于杂草种子图像目标区域中的像素值坐标进行主成分分析，以最大主成分方向作为种子的竖直排列方向，以此进行图像旋转和尺度归一化，该成果确保杂草种子目标区域具有相同排列方向和空间尺寸，简化了图像特征提取和分类器设计的复杂度。. 研究了稀疏主成分分析和快速聚类子集的特征筛选算法，获得可分性强、冗余小的特征子集，降低了分类系统的复杂性，改进了算法的运行效率。. 研究了基于稀疏局部结构的图像超分辨率重建算法，通过分析图像局部平滑的性质，提出了空间邻域像素值稀疏线性重建的模型，结合k近邻样本对不同空间位置的稀疏线性重建模型进行学习，建立了图像高分辨率像素点的补全重建映射关系，从低分辨率图像中重建出细节更加丰富的高分辨率图像，提高了辨识系统的实用性。. 借鉴深度学习中的图像卷积神经网络，研究了交错式主成分分析网络，基于杂草种子图像中不同色彩通道及不同卷积滤波器的结果间的互补性假设，将传统树结构的主成分分析改进为交错式的堆叠结构，增强了图像不同颜色通道在通过多个卷积滤波器之后的交互组合，提高了特征的描述性能，在缺损杂草种子识别中获得了稳健性更好的识别性能。. 在该项目支持下，发表论文10篇，其中SCI收录2篇，EI期刊收录3篇，EI会议收录2篇；培养研究生6名，现已毕业3名，其中2名获研究生国家奖学金。