基于颜色差异性的植物叶片病害图像分割方法

针对植物叶部病害图像的复杂性,结合植物叶部病害彩色图像的特点,提出了一种基于颜色差异性的植物叶部病害彩色图像分割方法。对采集的植物叶部病害图像,利用GrabCut算法对其进行背景分割,去除田间复杂环境背景;对其采用中值滤波和图像锐化处理,以尽可能保留图像的病害区域和边缘细节;再对处理后的图像,分别转换到基于生理特性的Lab颜色空间和YUV空间,结合Otsu方法,分别对图像的Lab灰度图及YUV空间的单通道灰度图进行二次分割;对二次分割的两幅图进行与操作,将其转换到RGB空间,即可得到最终的分割结果。利用该方法对常见的大豆、玉米、油菜、黄瓜等多种植物常见的多种叶部病害彩色图像进行了分割试验。结果表明,该方法取得了比较精确的分割图像,并且在抗噪性能、边缘细节保护和分割效率等方面也有很好的效果。     

基于GLCM纹理特征提取的黄瓜叶部病害检测算法研究

针对传统的植物叶部病害检测算法复杂的特点，提出了一种基于GLCM纹理特征提取的植物叶部病害检测算法。以黄瓜叶部炭疽病为研究对象，利用K-means聚类算法进行图像阈值分割，并利用灰度共生矩阵提取样本的能量均值、熵均值、对比度均值和相关均值等4种纹理特征参数，通过参数训练，确定无病害区和有病害区参数的区域，进而判定样本的病害情况。结果表明该算法实现效率高、鲁棒性较好。     

基于颜色特征和差直方图的苹果叶部病害识别方法

识别苹果病害是一个重要的研究课题,该研究成果对大面积苹果病害监测具有重要意义。针对苹果常见的3种叶部病害,提出一种基于颜色特征和差直方图的苹果叶部病害识别方法。首先采用改进的mean-shift图像分割算法分割病害叶片图像的病斑,然后计算病斑的颜色特征和差直方图作为病害的分类特征。该特征不仅反映病斑图像的灰度统计信息,还反映病斑图像的空间特征和灰度的渐变度,而且对病斑图像的光照、平移、旋转具有不变性。最后利用支持向量机识别病害类型。在3种常见苹果叶部病害叶片图像数据库上的试验结果表明,该方法能够有效识别苹果常见的叶部病害,平均识别率高达96%以上。该方法为苹果病害的智能诊断系统提供了技术支撑。     

基于改进ShuffleNet V2模型的苹果叶部病害识别及应用

苹果生长过程中容易受到病害影响而减产,造成经济损失。大型卷积神经网络可准确识别出苹果病害,但移动设备有限的计算资源限制了该类网络在其上的具体应用。轻量级卷积神经网络可运行在移动端,并能够实现病害的实时识别,但其识别精度往往不如前者。为解决该问题,在轻量级卷积神经网络ShuffleNet V2基础上,通过调整基本残差单元结构和网络宽度,同时引入卷积块注意模块（convolutional block attention module,CBAM）,提出了改进型ShuffleNet#苹果叶部病害诊断模型。以苹果疮痂病、黑腐病、锈病、健康叶片为研究对象,收集简单和复杂背景图像各2000张,通过数据增广将其扩充至40000张,构建苹果叶部病害图像数据集,应用该数据集,对苹果叶部病害诊断模型进行训练和测试。以识别准确率、模型复杂度、平均推理时间等为判别标准,并与多个现有卷积神经网络模型进行比较。结果表明：改进后的模型能有效地识别出上述2种不同背景的4类图像,在测试集上识别准确率达到98.95%,移动端单张图像的平均推理时间为39.38ms。相较于大型的ResNet101网络,该模型在准确率上仅降低0...     

基于改进U-Net网络的苹果叶部病害语义分割方法

针对自然条件下苹果叶部病斑分割与识别效果欠佳的问题,本文提出一种融合条件随机场和卷积块状注意力模块的苹果叶部病害语义分割模型,实现苹果叶部锈病、褐斑病、灰斑病及斑点落叶病的病斑准确分割和识别。本文在U-Net模型基础上,使用ResNet50为骨干网络防止梯度消失问题,并分别在跳跃连接分支与上采样层加入卷积块状注意力模块,减少训练过程中的分割精度损失,融合Dice Loss和Focal Loss降低损失波动,最后利用条件随机场优化分割结果,获取病斑掩模图像,实现对苹果叶部病害语义分割。本研究在自制苹果叶部病害数据集上进行试验,分析了光照、阴影及水滴等因素对分割结果的影响。试验结果表明：本文构建的语义分割模型相比传统U-Net模型,平均分割精度(mIoU)提升8.24百分点,平均分类精度(mPrecision)提升11百分点,类别平均像素准确率(mPA)提升6.09百分点,受光照不均、雨滴的影响更小,具有更好的鲁棒性和可靠性。     

基于特征融合与局部判别映射的苹果叶部病害识别方法

针对利用植物病害叶片图像特征识别病害类别的复杂性,提出一种基于特征融合与局部判别映射的植物叶部病害识别方法。首先,在中心对称局部二值模式(CS-LBP)的基础上,设计了一种自适应中心对称局部二值模式(ACS-LBP),由此分割病害叶片的病斑图像;然后提取并融合病斑图像的纹理、形状和颜色特征;再利用局部判别映射算法对融合特征进行维数约简;最后利用支持向量机进行病害类别分类。在3种常见苹果病害叶片图像数据库上进行病害识别验证试验,结果表明,该方法能够有效识别苹果叶部病害,平均识别率高达96%以上。     

基于多尺度注意力卷积神经网络的苹果叶部病害识别方法

针对传统苹果叶部病害识别方法识别率低和现有卷积神经网络(CNN)训练时间长的问题，提出一种基于多尺度注意力卷积神经网络的苹果叶部病害识别方法。该方法由多尺度空洞卷积模块Inception与改进的残差模块组成，其中，多尺度空洞卷积模块Inception用于图像的多尺度特征提取，在卷积模块中引入双注意力机制增强网络模型，显著表示图像中叶部病斑区域特征，降低非病斑区域与背景区域对识别结果的干扰，在原始残差模块上引入卷积层与非线性激活函数改进的残差模块，增加鲁棒性判别特征的跨层融合，在苹果病害叶片图像数据集上的识别准确率达96%以上。结果表明，所提出的方法具有参数量少、占用内存小以及性能好的优势，可进一步应用于田间苹果叶部病害智能识别系统。     

基于计算机视觉的葡萄叶部病害识别研究

利用数字图像处理和支持向量机技术实现对植物叶部常见病害的自动识别,以葡萄叶部常见的白粉病、黑腐病、霜霉病为研究对象,对采集的图像进行预处理后,提取病斑区域形状、颜色和纹理的共15个特征,利用支持向量机分类器对葡萄叶部常见病害进行分类识别。结果表明,与其他核函数相比,径向基核函数对葡萄叶部病害测试样本的识别率最高,正确率达95.00%,说明利用计算机视觉技术实现对葡萄叶部常见病害的自动识别是可行的;通过多次试验可以得出,利用多特征组合进行识别可以有效地提高葡萄叶部常见病害的识别准确率。     

玉米生长期叶部病害图像识别预处理研究

针对玉米生长期叶部病害的图像,引入图像模式识别技术,实现病害图像的预处理。基于传统算法的不足,提出一种改进的小波图像增强算法,提高了图像的识别精度;深入研究了病害图像的直方图均衡化预处理、基于矢量中值滤波的图像增强操作算法,并引入超绿特征值进行图像分割,从而实现了对目标图像的去噪、增强,为下一步的特征提取与病害识别打下了良好基础。     

基于改进轻量化网络MobileNeXt的苹果叶片病害识别方法

针对真实环境下苹果叶片病害识别背景复杂、识别准确率不高的问题，提出了一种改进轻量化网络MobileNeXt的苹果叶片病害识别方法。首先收集了4类常见苹果叶片病害图像样本，每类由简单背景图像与复杂背景图像混合，通过多种数据增强方式对图像进行处理，以增加样本多样性，提高模型的泛化能力。接着基于轻量化网络MobileNeXt中的sandglass结构，引入协调注意力机制CA分配权重，以区分目标与背景，同时结合Inception模块与Ghost模块，设计了2种SCI(Sandglass-CA-Inception)结构，在参数增加量尽可能小的前提下，扩充网络深度与宽度，增强模型对于背景复杂病害图像的特征学习能力。试验结果表明，改进后的模型相比于MobileNeXt, Top-1准确率提升了1.23百分点，平均精确率提升了1.18百分点，参数量只增加了0.62 M,为真实场景下的苹果叶片病害识别提供了一种有效的解决方案。     

基于Mask-RCNN的复杂背景下多目标叶片的分割和识别

在基于叶片图像进行植物识别和生长状态监控时,植物目标叶片的准确分割和识别是前提和基础,但复杂背景给叶片的分割和识别带来了极大的挑战。本研究提出基于Mask-RCNN深度学习网络分割和识别复杂背景下多目标叶片的算法,共拍摄自然生长状态下常见的植物叶片图像7 357张,标注3 000张作为训练数据库,这3 000张图像共包含4种植物,分别为孔雀竹芋(Calathea makoyana)、珊瑚树(Viburnum odoratissinum)、洋常春藤(Hedera helix L.)和黄花羊蹄甲(Bauhinia tomentosa)。选择这4种植物的80个测试样本图像进行分割、识别与错分率分析。结果表明:Mask-RCNN深度学习网络对这4种植物的识别效果良好,未出现误识别的情况;分割的平均图像错分率为0.93%,最大值不超过2.49%,即分割准确率达97.51%;同时该算法具有强大的迁移能力。     

复杂背景下黄瓜病害叶片的分割方法研究

利用图像处理和模式识别技术进行复杂背景下黄瓜叶部病害的自动识别,需要先把目标叶片从复杂背景中分割出来,才能进行后续的特征提取和病害识别。为实现复杂背景下黄瓜叶片的分割,首先利用K-均值聚类算法去除图片中的非绿色部分,再采用基于laplacian of gaussia(LOG)算子的方法对待分割的叶片进行区域检测,然后进行基于形状上下文(shape context)的模板匹配和分割。为了提高匹配速度,先检测叶片的生长点和叶尖,以确定叶片的位置、尺寸和方向;然后使用基于超像素(superpixel)的最优匹配搜索方法来减少搜索的复杂度。对20幅黄瓜叶部病害图像进行分割测试,并与人工分割法进行对比,结果表明,本文所采用的分割算法能较好地从复杂背景下提取出黄瓜叶部病害图像,分割准确率达94.7%,为后期黄瓜病斑的特征提取等工作奠定了良好的基础。     

基于判别局部保持投影的苹果叶部病害识别方法

通过维数约简实现特征提取是图像识别的一个重要步骤.由于同一种作物病害叶片和病斑图像的高度复杂性,在各种不同拍摄角度、位置和光照等条件下得到的图像之间差异较大,使得很多经典的维数约简和特征提取算法不能有效地用于作物叶部病害识别.本文在判别局部保持投影(Discriminant Locality Preserving Projections,DLPP)的基础上,提出一种基于DLPP的苹果叶部病害识别方法.首先利用GrabCut算法对采集的病害叶部图像进行背景分割,然后利用分水岭算法对去背景图像进行分割,得到病斑图像;再利用DLPP将病斑图像投影到低维判别空间,得到分类特征;最后利用K-最近邻分类器进行病害类别识别.在实际苹果病害叶片图像数据库上的实验结果表明,该方法是有效可行的.     

基于显著区域和PHOG的黄瓜病害识别方法研究

快速准确地识别黄瓜病害类型是黄瓜病害防治的前提,针对现有基于病害叶片图像的黄瓜病害识别方法中的病斑分割和特征提取难题,提出一种基于显著区域和方向梯度直方图的黄瓜病害叶片图像分割与识别方法。首先,利用叶片图像的亮度和颜色低阶特征,结合多尺度分析确定原始采用病害叶片图像的显著图;其次,利用K-均值算法分割显著图,得到病斑图像;再提取病斑图像的方向梯度直方图特征;最后利用支持向量机(support vector machine,简称SVM)进行病害识别。在4种常见黄瓜病害叶片图像数据库上进行测试,平均正确识别率大于90%。结果表明,该方法能够准确分割和识别复杂背景下的黄瓜病害叶片图像,为田间开放环境下实现黄瓜病害的快速自动识别提供了依据。     

植物叶片智能分析系统的设计

为避免农作物病害智能诊断过程中人为主观因素的影响,客观准确的表达叶片信息,利用数字图像处理技术和农业植保专家知识相结合,设计了适合于大田作物的植物叶片图像处理与分析系统。该系统主要包括植物叶片几何失真校正模块,几何特征计算模块、颜色识别模块以及病害区域识别模块;以校正后非线性失真现象的叶片图像为基础,实现了叶片几何特征值和颜色值的计算,并提取其病斑区域图像。试验结果表明,该方法满足病害智能诊断要求,具有良好的适应性和实用性。     

基于轻量化神经网络的葡萄叶部病害检测装置研制

葡萄叶部病害判别对于葡萄病害防治至关重要，如何快速准确判别葡萄叶部病害并采取相应防治措施对于现代葡萄生产管理具有重要指导意义。因此，为了满足果园葡萄叶部病害的快速识别与检测需求，研制了一款葡萄叶部病害快速识别与检测装置。首先，对原SqueezeNet进行改进，利用3×3卷积替换7×7卷积并减少其数量，同时调整Fire模块中1×1与3×3卷积核比例以及Fire模块位置，以达到降低模型内存需求、参数量的目的。然后，利用采集的葡萄病害图像训练改进模型，并与原模型进行对比分析。最后，将改进模型量化后部署在树莓派4B上进行识别与检测试验。试验结果表明，改进后的SqueezeNet模型内存需求、参数量分别由2.46 MB、125万减少为0.52 MB、64万。与原模型相比，改进模型特征提取能力未出现明显下降，其识别准确率可达99.04%,仅比原模型低0.32百分点。对于真实环境下拍摄的葡萄叶片图像，所研制的葡萄叶部病害快速检测装置识别准确率可达95.75%,视频检测速度可达86帧/s。该装置能够满足果园葡萄病害快速识别与检测需求，可为现代果园葡萄病虫害检测与精准施药作业提供技术支持。     

枸杞叶部病害图像分割方法研究

枸杞病害图像分割是准确识别枸杞病害的前提,本文以枸杞白粉病叶片图像为研究对象,通过对预处理后的图片分别进行OTSU分割和边缘提取,然后将两种图像进行或运算得到目标图像,得到了较好的分割效果,为后期的枸杞病害准确识别奠定了基础。     

基于计算机视觉的作物病害监测服务平台设计与研究

病害是威胁作物生长的主要因素，其特征复杂、变化多样。农业从业人员如缺乏专业知识，往往难以准确识别。以往图像识别方法常针对单一作物，图像分割后提取病害特征进行识别，无法适应多种作物。针对此问题，以水稻、番茄、柑橘、苹果为研究对象，以ResNet模型为基础构建深度学习网络框架，设计了含Squeeze-and-Excitation(SE)模块全新的全连接层，导入在ImageNet上预训练的权重，并在病害数据集上训练得到病害模型。为扩充图像数据，对训练集原图进行了亮度增减、随机旋转与镜面翻转等操作。基于扩充后的训练集进行病害识别和病害程度的分级研究。结果表明，对水稻、番茄、柑橘、苹果平均病害程度识别的准确率为94.16%，平均病害种类识别的准确率为92.45%；并利用训练好的模型基于c#.net core开发了病害监测平台，可实现作物病害的智能识别。     

基于Android的苹果叶部病害识别系统设计

为快速便捷地解决苹果病害识别问题,本研究设计了基于Android的图像识别系统。采用最大类间方差法(Otsu)对病斑图形分割,提取了病斑的颜色特征,纹理特征和形状特征、运用支持向量机(SVM)对病斑进行了分类,并在服务器端建立了苹果叶部病害特征库。手机客户端采集5种苹果病害图像,上传到服务器端进行识别,并将识别结果反馈给客户端,平均正确识别率为85.33%,测试效果良好。     

基于颜色均值显著点聚类的作物病害叶片图像分割方法

作物病害叶片图像分割是病害类型识别方法的一个重要步骤,其分割效果直接影响后续的识别结果。病害叶片图像的复杂多样性使得很多现有的图像分割方法不能有效应用于作物病害叶片图像分割中。针对复杂的自然病害叶片图像分割难题,提出一种基于颜色均值显著点聚类的作物病害叶片图像分割方法。该方法建立在HIS颜色空间,首先构造基于像素点HIS模型的带权无向图,然后计算病害叶片图像像素点的邻域的颜色均值,再计算该点前后两个邻域的颜色均值差作为该点的颜色跳跃度,当跳跃度大于设置的一个阈值时,该像素点为病斑点。结果表明,该算法具有较高的分割精确度和较好的抗噪声性能。