基于深度卷积神经网络的玉米病害识别

为了提高玉米病害的识别率,本文提出了一种在自然环境条件下基于深度卷积神经网络的玉米病害识别方法。该方法以玉米常见的10类病害为研究对象。算法模型是先将图像预处理,应用Triplet loss双卷积神经网络结构学习玉米图像特征,再使用SIFT算法提取图像纹理细节,最后通过Softmax对图像进行标签分类。训练集采用正常玉米图像与玉米病害图像相结合的方式,使用深度相似性网络学习正常玉米图像特征表示,再使用迁移学习方法学习玉米病害图像的特征,最后对特征进行分类识别。研究结果表明,该方法可准确识别10种常见玉米病害,正确率可达90%以上,为玉米病害的防治提供了有效的技术支持。     

基于移动溯源与图像分析的茶叶品级鉴定方法研究

为解决茶叶在质量追溯时防伪和品质鉴定问题, 以六安瓜片为研究对象, 提出一种结合移动计算和图像分析的茶叶质量追溯方法。该方法的实现以 Android操作系统为平台, 通过扫描茶叶质量追溯二维码查询溯源信息。在此基础上, 利用智能终端拍照获取完整的单片茶叶正面照片并上传至后台服务器。后台编写的 MATLAB图像处理程序对采集的图像进行预处理和特征参数提取, 将提取的颜色和形状共 7项特征参数作为参数集合, 运用 SVM分类器对茶叶进行分类, 最终将结果反馈到溯源客户端。测试结果证明, 该方法能快速帮助消费者对茶叶品级进行初步鉴定。     

基于图像识别的苹果叶片病害识别模型对比研究

为实现苹果叶片病害图像自动识别,展开苹果叶片病害识别模型研究。通过整理网络开源植物病害数据,获取苹果赤霉病、苹果雪松锈病和苹果灰斑病3种苹果病害叶片图像,以1种健康叶片图像作为研究对象,随机抽取4433张图像建立数据集用于模型训练,采用离线增强和在线增强2种手段对数据进行预处理,扩充图像样本并保证各类样本均衡。在Resnet 50、Mobilenet v2、Vgg16、Vgg19、Inception v3等5种预训练模型的基础上,对迁移模型进行一系列的参数调整。5种模型训练比对结果表明,优化后的Resnet50模型能够达到0.9770的准确率。优化后的训练模型具有识别速度快、准确率提高的特点,可以准确、快速地识别出病害类型,为植物病害的自动诊断提供支撑。     

一种烟叶病害的图像增强处理方法

烟叶病害是制约烟草质量、品质的重要因素。正确识别烟叶病害,及时防治是烟草生产亟待解决的一个问题。数字图像进行增强处理,可以使图像整体或局部特征能有效地改善。笔者以常见烟叶侵染性病害为对象,选取烟叶野火病的灰度图像分别进行了对比度增强、中值滤波增强以及结合2种方法的共同操作,应用MATLAB语言仿真,结果发现2种技术的结合可以使图像的细节特征更加明显,图像更加平滑,其图像增强效果要好于单独采用其中任意一种方法的处理结果。     

日本1979年茶叶科学研究成果

日本1979年茶叶科学研究报告的成果有112项,都与茶叶生产发展有关,很值得参考。其中主要的如茶叶病害和茶树育种研究的成果,茶树育种主要是留种收集和适制红绿茶的品种选育。病害研究主要是研究了病原菌的形态、生理生态、分类以及病害的生态。     

水稻图像病害特征提取技术试验研究

水稻是我国主要粮食作物之一,水稻病害中稻瘟病、胡麻叶斑病和白叶枯病发生面积大、流行性强、为害严重。通过对水稻病害图像颜色特征、纹理特征、形状特征、空间关系特征的分析和试验,重点研究了多层分形和不变矩的水稻病害图像多维特征,提出具有普适性的水稻病害图像提取、病害图像变换等新方法。该方法对提高水稻病害识别效率、减少人为因素的影响、推进作物数字化管理水平具有重要的科学意义和实践意义。     

基于粒子群算法和支持向量机的黄花菜叶部病害识别

使用数字图像处理技术,以黄花菜叶部病害图像为识别对象,基于Lab空间和K-means聚类算法分割病害区域,提取目标区域的颜色特征、方向梯度直方图(histogram of oriented gradient,HOG)特征和形状特征,分别建立单一特征模型和特征融合模型,采用粒子群(particle swarm optimization,PSO)算法通过交叉验证优化支持向量机(support vector machine,SVM)模型的惩罚因子和核参数,建立基于PSO-SVM的多特征融合分类模型识别黄花菜病害。基于SVM的多特征融合分类模型识别率高于单一特征分类模型,识别率可达为81.67%;基于PSO-SVM多特征融合分类模型识别率高达92.39%。基于PSO-SVM的多特征分类模型识别率高,可以及时、便捷、高效地识别黄花菜病害。     

基于颜色和纹理特征的花生仁外观品质检测研究

为了提高对花生仁外观缺陷的在线分类准确率及效率。通过对采集完好、破损、霉变的花生仁RGB图像进行均值位移法、灰度处理以及阈值分割等预处理,研究提取了花生仁HSV颜色空间下的H、S、V各分量的一阶矩和二阶矩共6个颜色特征值,再基于灰度共生矩阵法提取能量、熵、对比度、逆差分矩共4个纹理特征值,构建颜色和纹理结合的特征向量,最后分别采用BP神经网络和SVM分类器对花生仁进行分类识别。结果表明：在花生仁的整体识别准确率上,BP神经网络为96.67%,SVM分类器为97.22%,后者优于前者,在识别时间上BP和SVM分别为2.5 s和1.1 s,识别效率上也是SVM更好,综合识别准确率和效率两方面考虑,优先选择SVM分类器模型来对花生仁进行分类识别。     

基于最小阈值法的棉花幼苗识别研究

 面对纯机械式分苗机构经常出现的漏分和多分的问题,本文提出使用基于最小阈值法的图像识别技术对棉花幼苗进行识别和分离。使用了HSV颜色空间内与光照条件无关的H值将RGB真彩色图像转化为灰度图像,以提高图像处理的实时性。基于最小值阈值法,提出一种能够有效地将处于复杂背景下的棉花幼苗茎部图像提取的方法,使用棉花幼苗茎部图像的面积和长宽比等几何信息能有效识别棉花幼苗,并得到棉花幼苗茎部的重心坐标。本文的研究证明了用图像处理中的最小阈值法识别棉花幼苗是可行的。     

基于多特征的BP神经网络多种植物叶片病害识别研究

为准确识别植物的健康状况,更好地对植物进行健康管理和治疗,以芒果、柠檬和石榴3种植物健康和病害叶片为研究对象,设计BP神经网络模型对植物健康状况进行识别。首先提取植物叶片表型特征数据,包括叶片颜色特征、形状特征和纹理特征。其中使用小波变换提取植物叶片的纹理特征,并用PCA主成分分析法对提取的特征数据降维。其次建立BP神经网络模型对植物进行分类识别。采用不同特征组合进行实验,识别准确率最高可达83.9%。采用颜色、形状和纹理组合特征建立的BP神经网络植物叶片健康识别模型具有最好的识别效果,可以便捷、高效地识别植物病害。     

中国农科院茶叶研究所发现CO_2对茶树与炭疽病互作的影响机制

正炭疽病作为一种茶树常见的叶部真菌病害,近年来在茶区频繁发生,严重影响了茶叶经济效益。近期,中国农科院茶叶研究所茶树栽培创新团队在气候变化影响茶树和炭疽病互作的研究上取得了重要进展。该团队的研究发现,CO_2浓度升高作为气候变化的一个重要方面,直接影响茶树的咖啡碱合成代谢途径。咖啡碱     

茶叶中儿茶素的高效液相色谱法研究

采用高效液相色谱法测定茶叶中的C,EC,EGC,EGCG和ECG 5种儿茶素组分,确定了检测的准确性,并对7种茶叶样本进行定量分析。以5种组分含量为指标,采用聚类分析方法对绿茶、花茶、黄茶、乌龙茶、红茶和黑茶进行合理分类。该分类方法根据发酵程度越高儿茶素含量越低,对茶叶的种类进行判别,并能反映茶叶的品质变化。对茶叶中儿茶素的研究,是对茶叶中活性组分用于聚类分析的一次探讨。     

基于迁移学习的园艺作物叶部病害识别及应用

为给农户提供质优价廉的园艺作物叶部病害识别服务,提出基于迁移学习的模型训练及基于Flask的Web部署方法。对PlantVillage数据集进行预处理,分别使用ResNet18、ResNet50和ResNet152 3种模型进行迁移学习训练,得到3种识别模型。利用Flask将模型部署到服务器上。3种识别模型对苹果等14类园艺作物26种叶部病害的平均识别准确率分别是95.61%、96.63%和97.33%,识别单张图像的时间分别是10.9、17.9、33.7 ms。综合考虑模型特点和用户期望,设计快速、标准和准确3种识别模式,实现深度模型在服务器中稳定运行,具有一定的实用价值。     

保护地蔬菜苗期主要病虫害防治技术

为提高保护地蔬菜的经济效益,介绍了蔬菜苗期常见猝倒病、立枯病、灰霉病、沤根及病毒病的病害识别、病害发生及条件,从播种前预防、应用育苗新手段等方面提出综合防治措施。     

人工神经网络在茶叶领域中的应用进展

人工神经网络是人工智能领域中发展最快的信息处理技术之一,其应用领域越来越广泛。文章介绍了人工神经网络的概念、特点和BP神经网络基本结构,对人工神经网络在茶叶品质评定、分类、品种与产地识别、成分检测、产量预测等方面的应用进行了综述,并对人工神经网络在茶叶应用上存在的问题进行了分析,对其今后的发展做出了展望。     

核桃常见病害的识别与防治

核桃是人人喜爱的滋补健脑佳品,近几年来种植面积越来越多。为了提高核桃的产量和商品性,根据读者要求,现把核桃常见病害的识别与防治介绍如下     

基于中等分辨率遥感影像的桃源县竹林信息提取研究

为了提高竹资源调查效率,为资源的合理开发和科学规划提供依据,以湖南省桃源县为研究对象,以中等分辨率Landsat TM遥感影像、桃源县二类调查资源分布图等为数据源,利用ENVI 4.5对Landsat TM进行图像预处理,运用非监督分类、最大似然分类、马氏距离分类、最小距离分类4种分类法对竹林信息进行提取,并对其精度进行评价。结果表明：非监督分类、最大似然分类、最小距离分类、马氏距离分类总体精度分别为60.47%、92.15%、71.70%、82.81%,Kappa系数分别为0.4263、0.8890、0.6085、0.7595。监督分类的精度比非监督分类要高,其中最大似然法分类的总体精度、用户精度、Kappa系数均比其他3种分类精度要高,在保证竹林分类精度的同时,其他植被类型的分类精度也能得到满意的结果,因此它是进行竹林信息提取的较为理想的方法。     

生物防治技术在茶园病虫害绿色防控中的应用研究

随着生活水平不断提高,人们对于茶叶的需求量逐渐增加,对茶叶质量也非常重视.目前亟须应用绿色防控技术,以生物防治技术作为基础,提高茶叶的产量和质量.文章就生物防治技术进行概述,分析我国茶叶的发展现状及生态茶园的模式与特征,分析茶园的主要病害与虫害,提出茶园病虫害绿色防控中生物防治技术的实践应用策略,保证农业生产效益与社会...     

机器学习在农作物品种识别中的应用研究进展

机器学习在图像识别领域的成功应用,为农作物品种的自动识别提供了一种新的思路。为了全面了解机器学习在农作物品种识别中的应用现状,把握农作物品种识别的发展趋势和研究方向,本文归纳了农作物图像的常用获取方法,分析了光谱图像和RGB图像结合机器学习方法识别农作物品种的研究现状。基于RGB图像进行农作物品种识别研究起步较早,图像获取成本较低,识别率一般;基于高光谱图像进行农作物品种识别研究近年来发展迅速,识别精度较高,但图像获取成本较高,且易受环境因素影响。通过总结,指出了农作物品种识别研究中存在的问题,认为深度学习在农作物品种自动识别上具有广泛的应用前景     

基于纹理特征和神经网络的图像识别

图像特征是用来区分图像内部最基本属性或特征的,它包括了几何特征、形状特征、颜色特征、纹理特征等,在这些特征中纹理特征理解过于复杂,至今尚未有一个大家都认同的定义,从而也就使得纹理分析变得很困难。该文主要研究图像的分类识别,采用基于灰度共生矩阵的纹理特征的提取。以8位灰度图为研究对象,依次对图像进行4个方向(0°、45°、90°、135°)的扫描,并分别建立灰度共生矩阵,从而提取纹理特征参数,然后建立BP神经网络模型,用提取的纹理特征值,来训练BP神经网络模型,使网络模型能够识别图像的内容。此文提出了用纹理特征训练神经网络的方法来识别图像,研究结果表明,纹理是图像分析中一个非常重要的特征,所提取的图像特征是描述图像相当有效的参数。