基于Fisher判别分析的玉米叶部病害图像识别

 【目的】利用计算机视觉技术实现玉米叶部病害的自动识别诊断。【方法】在大田开放环境下采集病害图像样本,综合应用基于H阈值分割、迭代二值化、图像形态学运算、轮廓提取等算法处理病害图像,抽取病斑,提取病害图像的纹理、颜色、形状等特征向量,采用遗传算法优化选择出分类特征,并利用费歇尔判别法识别普通锈病、大斑病和褐斑病3种玉米叶部病害。【结果】研究中提取了墒、相关信息测度、分形维数、H值、Cb值、颜色矩、病斑面积、圆度、形状因子等28个特征向量,利用遗传算法优选出H值、颜色矩、病斑面积、形状因子等4个独立、稳定性好、分类能力强的特征向量,应用费歇尔判别分析法识别病害,准确率达到90%以上。【结论】综合运用数字图像处理技术、图像纹理、颜色、形状特征分析方法、遗传算法、费歇尔判别分析方法可以有效识别基于田间条件下采集的病害图像,为田间开放环境下实现大田作物病虫害的快速智能诊断提供借鉴。     

基于量子神经网络和组合特征参数的玉米叶部病害识别

【目的】探索一种基于量子神经网络和组合特征参数的玉米叶部病害识别方法,以提高玉米叶部病害识别的准确率和效率。【方法】应用K_means硬聚类算法对玉米叶部病害图像进行彩色图像分割,得到彩色分割图像,分别利用提升小波变换和灰度共生矩阵从彩色分割图像中提取颜色和纹理特征参数,利用多重分形分析从灰度图像中提取病害的形状特征参数。【结果】根据提取的组合特征参数,利用量子神经网络进行玉米病害分类识别,对玉米灰斑病、玉米普通锈病和玉米小斑病的识别率分别达到92．5％、97．5％和92．5％,高于误差反向传播神经网络法的识别率（分别为90．0％、90．0％和92．5％）。【结论】设计的方法可用于玉米叶部病害识别,并为其他农作物病害的智能识别提供借鉴。     

基于G-MRF模型的玉米叶斑病害图像的分割

【目的】图像分割是作物病害自动识别系统实现的难点之一,前人研究大多采用基于阈值或聚类的分割算法,方法简单、易于实现,但分割精度较低。本文引入高斯模型的Markov随机场分割模型(G-MRF),对玉米叶部病斑图像进行分割试验,以期提高分割精度。【方法】在VC6.0下实现了G-MRF分割模型,G-MRF既利用了图像像素的灰度信息,又通过像素类别标记的Gibbs光滑先验概率引入了图像的空间信息,是能较好地分割含有噪声图像的算法。采用该算法对大斑病、小斑病、灰斑病和弯孢菌叶斑病等4种主要玉米叶部病害的图像进行了分割测试,并与基于阈值和基于Gauss模型的分割算法进行比较。【结果】基于G-MRF分割模型的分割,目标区域的一致性和边缘的清晰方面明显好于基于阈值和Gauss模型的分割算法,其平均正确分类率达96.35%,分别较基于阈值和基于Gauss模型的分割算法高出3.75%和4.03%,差异达到显著水平。【结论】基于G-MRF模型的分割算法鲁棒性高,能够有效地将病斑区域从叶片部分离,分割正确分类率达96.35%,可用于玉米叶斑类病害图像的分割。     

基于LXF模型水平集的玉米叶部病斑图像分割

农作物病害的发生对我国农业生产危害较大,运用机器识别技术对农作物病害图像进行自动识别有着重要的意义。主要介绍传统水平集和基于LXF模型水平集的分割算法原理,并且运用两种方法分别对玉米叶部病斑进行图像分割。实验表明基于LXF模型水平集的分割算法缩短了玉米病斑图像分割时间的同时病斑分割效果良好,为以后的特征提取、病斑种类的识别打下了良好的基础。     

基于计算机视觉的水稻叶部病害识别研究

【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】（1）病斑图像获取：水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。（2）特征参数的选择与设计：首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。（3）病害识别流程的设计：根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。（4）病害识别模型的建立：将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。     

基于图像处理技术的玉米叶部病害识别研究

本文结合玉米作物病害的图像特征,首先进行图像的预处理,实现叶部病斑的分割;随后以6个参量来描述玉米叶部病斑的形状特征;将图像由RGB坐标向HSI坐标系统转换,提取参量描述病斑颜色特征;采用灰度共生矩阵提取玉米叶部病斑的纹理特征;引入粒子群优化算法对传统神经网络算法进行改进,使之具备准确分类并识别玉米叶部病害的能力;最后构建了玉米叶部病害图像识别系统,并通过实验与比较,证明了所构建的系统识别病害的准确度。     

基于深度学习和支持向量机的4种苜蓿叶部病害图像识别

为实现苜蓿叶部病害的快速准确诊断和鉴别,基于图像处理技术,对常见的4种苜蓿叶部病害(苜蓿褐斑病、锈病、小光壳叶斑病和尾孢菌叶斑病)的识别方法进行探索。对采集获得的899张苜蓿叶部病害图像,利用人工裁剪方法从每张原始图像中获得1张子图像,然后利用结合K中值聚类算法和线性判别分析的分割方法进行病斑图像分割,得到4种病害的典型病斑图像(每张典型病斑图像中仅含有1个病斑)共1 651张。基于卷积神经网络提取病斑图像特征,建立病害识别支持向量机(Support vector machine,SVM)模型。结果表明:当病斑图像尺寸归一化为32×32像素,利用归一化的特征HSV(即特征H、特征S和特征V归一化后的组合特征)构建的病害识别SVM模型最优,其训练集识别正确率为94.91%,测试集识别正确率为87.48%。本研究基于深度学习和SVM所建立的病害识别模型可用于识别上述4种苜蓿叶部病害。     

利用稻米垩白度分析软件测量叶片相对病斑面积

【目的】提出一种利用稻米垩白度分析软件Chalkiness 1.0测量衡量植物叶片病害综合指标之一叶 片相对病斑面积（RLA）的方法。【方法】通过扫描或拍照获得病害叶片的数字图像;然后利用图像处理软件（如Photoshop）对图像进行处理,最重要的是用肉眼识别病斑并用“画笔工具”涂黑,使叶片中的病斑明晰 化;最后利用Chalkiness 1.0计算出图像中的RLA。【结果】用本方法对稻瘟病叶上病斑的相对面积进行测量。比较5次重复测量的结果,发现该方法重复性好,误差小。【结论】该方法简单、快速、准确,具有广阔的应用前景。     

多重分形理论在玉米病害图像特征提取中的应用

【目的】分析不同玉米病害图像特征,提取病害图像特征参数,探讨准确、快速的病害图像特征数据提取方法。【方法】采用多重分形的分析方法和提升格式的多小波变换对玉米病害图像进行预处理,去除图像噪声。利用多重分形谱理论对去噪后的玉米病害图像进行局部边缘提取,并采用玉米病害图像多重分形谱的特征值作为玉米病害的形状特征。【结果】该方法可以获得玉米病害图像对应的多重分形谱曲线,并采集N8个特征值作为病害图像的特征参数。发现不同玉米病害图像的特征参数有较大差异,而同类玉米病害图像的形状特征参数有一定的规律性。【结论】基于多重分形理论的玉米病害特征参数的提取方法能快速、有效地提取反映病害图像特征的参数,可为玉米病害图像智能识别的进一步研究提供参考。     

基于病斑特征融合的烟草病害图像检索方法

针对目前烟草病害诊断专家系统依靠肉眼获取病害特征,致使病害诊断存在不确定性、误判等现象,提出了一种基于病斑特征融合的烟草病害图像检索方法以诊断病害。通过图像处理技术分割病害图像病斑,提取病斑的颜色、纹理、形状特征,依据双编码遗传算法和支持向量机识别病害模型对病斑特征降维,以获取表征病害的有效特征及权重。将有效特征归一化处理后与病害图像数据库系统中的病斑特征进行图像相似度距离计算,按距离大小返回一批相似图像,依据相似图像获取病害描述及防治措施。以烟草7种常见病害进行试验表明,融合病斑的颜色、纹理、形状特征检索病害图像,查准率和查全率明显比用单个特征检索的高。用这种方式诊断烟草病害,不但有较高的病害识别率,还能使诊断结果可视化,将其用于烟草病害诊断专家系统,将提高系统的鲁棒性,为实现病害的远程在线诊断提供条件。     

基于改进颜色特征的小麦病害图像识别技术研究

[目的]介绍一种根据小麦病害图像的颜色特征进行病害识别的方法。[方法]首先对小麦叶部图像进行预处理,利用小波变换进行病害部位增强和去噪;然后基于病害部位的非绿特征进行图像分割,得到只包含病害像素的图像;对病害图像颜色进行统计,得到R、G、B分量的均值,并用相对于绿色分量的均值比作为颜色特征值;最后通过分析样本图像得到每种病害的特征值范围,利用颜色特征值对未知样本进行病害识别。[结果]采用该方法对小麦叶锈病、条锈病、白粉病进行识别,平均准确率达到98%。[结论]为小麦病害的诊断与诊治提供了理论依据。     

Simulink平台在玉米病害视频图像中的实时诊断

为提高对玉米病害叶片的识别精度,达到快速诊断、智能决策和有效诊治的目的,提出了一种基于Simulink仿真平台的玉米病害视频图像远程实时诊断技术。该技术首先使用Simulink仿真平台将采集的实时视频进行平滑处理,以提高图像的清晰度和质量;再运用分割技术确定玉米病害的优选图像;最后进行优选图像的解析和诊断处理。对玉米灰斑病图像的研究结果表明:该优化技术处理后的图像质量明显提高,突出了玉米病害特征,增强了玉米病害远程视频图像诊断的实时性和准确性,为玉米生产的智能决策提供了技术支撑。     

基于图像处理技术的四种苜蓿叶部病害的识别

基于图像处理技术,对4种苜蓿叶部病害进行识别研究。利用结合K中值聚类算法和线性判别分析的分割方法对病斑图像作分割,获得了较好的分割效果。结果表明:该分割方法在由4种病害图像数据集整合成的汇总图像数据集上综合得分的平均值和中值分别为0.877 1和0.899 7;召回率的平均值和中值分别为0.829 4和0.851 4;准确率的平均值和中值分别为0.924 9和0.942 4。进一步提取病斑图像的颜色特征、形状特征和纹理特征共计129个,利用朴素贝叶斯方法和线性判别分析方法建立病害识别模型,并结合顺序前向选择方法实现特征筛选,分别获得最优特征子集;同时利用这2个最优特征子集,结合支持向量机(Support vector machine,SVM)建立病害识别模型。比较各模型的识别效果,发现利用所建线性判别分析模型下的最优特征子集,结合SVM建立的病害识别模型识别效果最好,训练集识别正确率为96.18%,测试集识别正确率为93.10%。由此可见,本研究所建基于图像处理技术的病害识别模型可用于识别上述4种苜蓿叶部病害,为苜蓿病害的诊断和鉴别提供了一定依据。     

基于图像技术的玉米叶部病害识别研究

针对野外光照条件下玉米叶部病害的图像识别问题,采用Retinex算法进行图像增强,消除光照的不利影响,在R-G灰度空间中运用自动阈值法进行病斑图像分割,提取病斑的颜色、纹理及不变矩特征,并采用主成分分析和支持向量机相结合的方法进行玉米叶片常见病害的分类识别。实验结果显示,小斑病、锈病和弯孢菌叶斑病的总识别精度为90.74%。表明本研究方法在自然光照环境下可获得良好的病害识别效果,具有一定的实用价值。     

基于改进区域卷积神经网络的田间玉米叶部病害识别

目的 引入区域卷积神经网络Faster R-CNN算法并对其改进，以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。方法 在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅，人工标注后对原始图像进行离线数据增强扩充；对Faster R-CNN算法进行适应性改进，在卷积层加入批标准化处理层，引入中心代价函数构建混合代价函数，提高相似病斑的识别精度；采用随机梯度下降算法优化训练模型，分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练，并测试得到最优特征提取网络，利用训练好的模型选取不同天气条件下的测试集进行对比，并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。结果 在改进Faster R-CNN病害识别框架中，以VGG16卷积层结构作为特征提取网络具有更出色的性能，利用测试集图像检验模型，识别结果的平均精度为 0.971 8，平均召回率为0.971 9，F1为0.971 8，总体平均准确率可达97.23%；晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改进的Faster R-CNN算法相比，平均精度高0.088 6，单张图像检测耗时减少0.139 s；与SSD算法相比，平均精度高0.0425，单张图像检测耗时减少0.018 s，表明在大田环境中具有复杂背景的玉米病害智能检测领域，改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法。结论 将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的，具有较高的准确率和较快的检测速度，能够避免传统人工识别的主观性，该方法为田间玉米病害的及时精准防控提供了依据。     

基于CS-SVM的谷子叶片病害图像识别

利用图像识别方法对常见的谷子叶片病害进行判别,为制定合理的病害防治措施提供科学依据。试验采集了谷瘟病、白发病、红叶病、锈病共4种谷子叶片病害的原始图像,运用基于超绿特征的最大类间方差法对谷子叶片病害进行分割,提取谷子叶片病害颜色、形态、纹理等共计19个特征,采用蚁群优化算法选择了8个特征。运用布谷鸟算法(cuckoo search,CS)优化支持向量机(support vector machine,SVM)的惩罚因子c和径向核函数g,利用SVM对谷子叶片病害进行自动判别。结果表明,当c=80.2662,g=1.8467时,谷子叶片病害和叶片的平均识别率达到99%,表明基于CS-SVM的图像识别方法可对4种谷子叶片病害进行准确分类。