基于叶片图像和环境信息的黄瓜病害识别方法

作物病害严重影响着作物的产量和质量,病害类型识别是病害防治的前提。利用图像处理和统计分析,提出了一种基于病害叶片图像和环境信息的黄瓜病害类别识别方法。采集不同季节、温度和湿度等环境下的病害叶片图像,并记录病害的环境信息;利用属性约简法提取病害叶片的5个环境信息特征向量,对病害叶片图像进行一系列图像处理,提取病斑图像的颜色、形状、纹理等35个统计特征向量。将两者结合得到黄瓜病害的40个特征分量。再利用统计分析系统(statistical analysis system,SAS)的判别分析方法,选择10个分类能力强的特征分量,计算作物病害的聚类中心分类特征向量。最后,利用最大隶属度准则识别病害叶片的病斑类别。对黄瓜的霜霉病、褐斑病和炭疽病3种叶部病害的识别率高达90%以上。试验结果表明,该方法能够有效识别作物叶部病害类别,可为田间开放环境下实现作物病害的快速自动识别提供依据。     

基于机器视觉的马铃薯晚疫病快速识别

晚疫病是马铃薯的一种严重病害,可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测,根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同,提取叶片表面的特征参数,并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中,根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同,利用颜色特征,建立马铃薯晚疫病的无病和患病模型,该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵,采用纹理统计参数进行病害等级评价,用熵值和能量值描述晚疫病的严重程度,纹理特征对患病程度的识别率比较稳定,对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征,根据病斑面积比进行晚疫病诊断,该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果,识别率为90%,但由于叶片患病早期的病斑面积小且分散,识别难度大,识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性,提出颜色纹理形状特征结合的识别方法,对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天,但利用机器视觉识别马铃薯晚疫病患病情况非常快速,根据颜色特征进行病害识别的时间约为4 s,纹理特征识别的时间为7 s,形状特征特征识别的时间为3 s,综合颜色纹理形状特征的识别由于计算量较大,识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。     

基于高光谱图像和遗传优化神经网络的茶叶病斑识别

为实现茶叶病害的快速高效识别,提出了基于高光谱成像技术和图像处理技术融合的茶叶病斑识别方法。利用高光谱成像技术采集了炭疽病、赤叶斑病、茶白星病、健康叶片等4类样本的高光谱图像。提取感兴趣区域敏感波段的相对光谱反射率作为光谱特征。通过2次主成分分析,确定第二次主成分分析后的第二主成分图像为特征图像,基于颜色矩和灰度共生矩阵提取特征图像的颜色特征和纹理特征。利用BP神经网络对颜色、纹理和光谱特征向量融合数据进行检验,识别率为89.59%;为提高识别率,提出遗传算法优化BP神经网络的方法,使病斑识别率提高到94.17%,建模时间也缩短至1.7 s。试验结果表明:高光谱成像技术和遗传优化神经网络可以快速准确的实现对茶叶病斑的识别,可为植保无人机超低空遥感病害监测提供参考。     

基于支持向量机的葡萄病害图像识别方法

应用计算机图像处理技术和支持向量机识别方法研究了葡萄叶部病害的识别，以提高识别的准确性和效率。首先对采集到的葡萄病害彩色图像采用矢量中值滤波法去除噪声，然后采用统计模式识别方法和数学形态学对病叶图像进行了分割。最后提取了葡萄病叶彩色图像的纹理特征、病斑的形状特征和颜色特征，并用支持向量机的模式识别方法来识别葡萄病害。试验结果表明：支持向量机识别方法能获得比神经网络方法更好的识别性能；综合形状特征和纹理特征的支持向量机识别方法对葡萄病害的正确识别率优于只用形状特征或纹理特征的病种识别，综合颜色特征和纹理特征     

基于粗糙集和BP神经网络的棉花病害识别

为了提高棉花病害的识别率,提出了一种在自然环境条件下基于粗糙集和BP神经网络的棉花病害识别方法。该方法以轮纹病、角斑病、褐斑病和盲椿象为研究对象,将病害棉花图像从RGB颜色空间转换到HSI和L*a*b*颜色空间,应用Otsu算法对H分量、a*分量和b*分量进行阈值分割,通过H+a*+b*分量与原始图像的交集提取棉花病斑区域,利用颜色矩和灰度共生矩阵分别提取病斑的颜色和纹理特征,并结合粗糙集理论和BP神经网络,实现特征向量的优选,和棉花病害的识别。通过比较试验发现,粗糙集理论能有效减少特征维数,使提取的全部特征向量16个减少到5个,使BP神经网络的训练时间缩短到原来的1/4,且棉花病害平均识别正确率达到92.72%。研究结果表明,该方法准确识别了4种棉花病害,为棉花病害的防治提供了有效的技术支持。     

基于多层感知神经网络的水稻叶瘟病识别方法

为实现水稻叶瘟病的快速诊断,综合利用图像处理技术和神经网络来进行叶瘟病斑的识别研究。该文设计了3个多层感知分类器来进行病斑识别准确率的对比验证,分别采用叶片正常区域和病斑区域的纹理特征、颜色特征以及纹理和颜色的组合特征作为不同分类器的输入单元;输出层采用1个单元用于输出病斑区域和正常区域的识别结果。首先,该文将采集到的RGB图像转换成灰度图像,利用灰度共生矩阵分别提取叶片正常区域与病斑区域的能量、对比度、熵、逆差距作为纹理特征;紧接着,将RGB彩色空间转换至HIS和Lab空间,分别提取病斑区域和正常区域的L、a、b值作为颜色特征。最后,采用不同的BP神经网络分类器进行病斑区域识别。该文共采用120副图像作为待测对象,试验结果表明,采用颜色和纹理的组合特征进行识别,准确率要比单独使用纹理特征和颜色特征高10%～15%。本文的研究结果为进一步实现水稻病害自动诊断打下了基础。     

基于病斑形状和神经网络的黄瓜病害识别

为了研究基于图像处理的黄瓜病害识别方法,试验中采集了黄瓜细菌性角斑病和黄瓜霜霉病叶片进行图像研究。在黄瓜病斑的图像分割方面,尝试了边缘检测法和最大类间方差法进行图像处理。边缘检测法提取出来的病态部位轮廓不是很完整,而利用最大类间方差法的图像分割效果较好。试验中提取了10个形状特征,选取黄瓜细菌性角斑病和黄瓜霜霉病叶片的各50个样本,其中每个病害的前30个样本,共计60个样本作为训练样本输入神经网络,对2种黄瓜病害叶片的后20个样本,共计40个样本进行测试,正确识别率达到了100%,说明通过病斑形状和神经网络进行黄瓜细菌性角斑病和黄瓜霜霉病的识别是可行的。     

基于局部判别映射算法的玉米病害识别方法

如何快速准确检测到作物病害信息是作物病害防治中的一个首要问题,根据作物叶片症状识别作物病害是作物病害检测的一个基本方法。由于病害叶片颜色、形状和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于作物病害识别中,为此提出了一种基于局部判别映射(local discriminant projects,LDP)的作物病害识别方法。首先,利用区域增长分割算法分割病害叶片中的病斑图像;然后,将病斑图像重组为一维向量,再由LDP对一维向量进行维数约简;最后,利用最近邻分类器识别作物病害类别。利用LDP算法将高维空间的一维向量样本点映射到低维子空间时,能够使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的低维分类特征。利用该方法在5种常见玉米病害叶片图像数据库上进行了病害识别试验,识别精度高达94.4%。与其他作物病害识别方法(如基于神经网络、主分量分析+概率神经网络和贝叶斯方法)和监督子空间学习算法(如算法局部判别嵌入和判别邻域嵌入)进行了比较。试验结果表明,该方法对作物病害叶片图像识别是有效可行的,为实现基于叶片图像处理技术的作物病害的田间实时在线检测奠定了基础。     

词袋特征PCA多子空间自适应融合的黄瓜病害识别

针对颜色纹理特征结合单一分类器的传统识别方法对于多种黄瓜病害的识别精度较低的问题,该文提出基于词袋特征PCA(principal component analysis)多子空间自适应融合的黄瓜病害识别方法。该方法首先对多种病害建立类别相关词袋模型,提取病害图像的高维词袋特征,然后用主成分分析法将病害高维特征降维到多个不同维数子空间,并在各子空间上分别训练BP(back propagation)神经网络;通过设置自适应阈值对待分类图像在各子空间上的分类得分进行融合得到识别结果。采集黄瓜角斑病、棒孢霉叶斑病、白粉病、霜霉病和炭疽病等5种常见病害部位图像共246幅,每类病害子图像中任意选择20幅作为训练集(共100幅),其余146幅作为测试集进行病害识别试验。结果表明在2个主成分子空间融合分类的平均准确率为90.38%,比传统颜色特征、纹理特征和颜色纹理混合特征识别率分别高6.97、26.15和13.02个百分点,且算法对不同类别病害的分类准确率更稳定,为温室黄瓜病害诊断提供了一种有效方法。     

基于声振信号的香梨内部早期褐变判别

香梨内部发生的褐变病害对香梨品质有严重影响,迫切需要对香梨内部早期褐变实现快速准确判别以减少贮藏期损失并提高商品率。该研究基于压电梁式传感器搭建声振无损检测装置系统,从香梨声振响应信号中提取了11个时域特征参数和7个频域特征参数,分别组成时域特征向量、频域特征向量和组合域特征向量(时域和频域参数组合),然后利用补偿距离评估技术评估各特征参数对香梨内部褐变的敏感性,输入敏感性较大的特征参数训练香梨内部褐变K-近邻域(K-nearest neighbor, KNN)判别模型。通过对模型判别结果的混淆矩阵分析,采用3个时域参数(波形因子、峭度、方根幅值)和1个频域参数(频率方差)构建香梨内部早期褐变KNN模型(近邻数K=5)用于判别早期褐变香梨,准确率和F1值分别为91.84%和92.59%;对已识别的褐变香梨,采用2个时域参数(波形因子、裕度因子)和1个频域参数(均方频率)构建香梨内部轻度褐变KNN模型(K=7)进一步判别其中的轻度褐变香梨,准确率和F1值分别为81.82%和83.33%。研究结果可为今后声振法香梨内部褐变实时在线检测和自动化分级技术研发提供参考。     

基于卷积神经网络与迁移学习的油茶病害图像识别

传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。     

基于多分类器融合的玉米叶部病害识别

针对单分类器识别的局限性和玉米叶部病害的复杂性,该文提出了一种基于自适应加权的多分类器融合的玉米叶部病害识别方法。首先,对采集的玉米叶部病害图像的病害区域分别提取颜色、颜色共生矩阵和颜色完全局部二值模式3种特征,并相应地构建3个基于支持向量机的单分类器;然后,利用K近邻和聚类分析的方法计算各单分类器的自适应动态权值;最后,通过线性加权的方式进行融合判决,得到最终的分类结果。利用该方法对7种常见的玉米叶部病害图片进行了试验,平均识别率达94.71%。结果表明,其性能优于目前常见的单一特征或特征组合构建的同类分类器及多分类器融合方法。研究结果为其他农作物病害诊断提供了借鉴和参考。     

基于支持向量机的玉米叶部病害识别

针对玉米叶部病害图像的特点，提出将支持向量机（SVM）组成的多分类器应用于多种玉米叶部病害识别中。首先利用Live-Ware分割算法分割出玉米叶部病灶，再利用小波特征提取算法提取病灶的特征向量，最后利用支持向量机分类方法进行病害的识别。玉米叶部病害图像识别试验结果表明，支持向量机分类方法适合小样本情况，具有良好的分类能力,适合多种玉米叶部病害的分类。不同的分类核函数的相互比较分析表明，径向基核函数最适合玉米病害的分类识别。     

基于改进MobileNet-V2的田间农作物叶片病害识别

农作物病害是造成粮食产量下降的重要因素,利用智能化手段准确地识别农作物病害有利于病害的及时防治,该研究基于改进的MobileNet-V2识别复杂背景下的农作物病害,对未来覆盖各种作物的智能化病害识别工作具有重要意义。首先创建含有11类病害叶片及4类健康叶片的农作物数据集,采用数据增强操作构造不同的识别场景。其次在原始模型MobileNet-V2的基础上,嵌入轻量型的坐标注意力机制,建立通道注意力与位置信息的依赖关系。然后对网络中不同尺寸的特征图采取上采样融合操作,构建兼具网络高、低层信息的新特征图。此外,采用分组卷积并删除模型中不必要的分类层,减少模型参数量。试验结果表明：改进模型的参数量为2.30 MB,改进模型的识别准确率在背景复杂的农作物叶片病害数据集中达到了92.20%,较改进前提高了2.91个百分点。相比EfficientNet-b0、ResNet-50、ShuffleNet-V2等经典卷积神经网络架构,改进模型不仅达到了更高的识别准确率,还具有更平稳的收敛过程以及更少的参数。该研究改进的模型较好地平衡了模型的复杂度和识别准确率,为深度学习模型移植至田间移动病害检测设备提供了思路。     

耦合全局与局部特征的苹果叶部病害识别模型

为充分利用苹果叶部病害图像类间差异小且类内差异大的特点,该研究基于全局与局部特征的交互式耦合对特征提取方法进行了优化,设计出一种苹果叶部病害识别模型。首先,在全局特征提取分支设计了一个注意力融合模块,以融合通道和空间上的信息而增强卷积提取到的特征图,并由增强后的特征图生成全局特征以及注意力激活图;然后,在局部特征提取分支,利用注意力激活图的引导,设计了一个裁剪模块对原图像进行裁剪,以得到可能包含病害信息的图像块且嵌入生成局部特征;最后,通过设计多头交叉注意力特征耦合模块,实现全局特征和局部特征的双向交叉耦合。基于苹果病害图像数据集的试验结果表明,将全局与局部特征进行交互耦合能有效提升模型对苹果叶部病害图像的特征提取能力,其识别准确率可达到98.23%,且较之单纯的局部或全局特征提取分支,准确率分别提高了3.39与4.61个百分点,所提模型可用于实现自然场景下的苹果叶部病害自动识别。     

基于重参数化MobileNetV2的农作物叶片病害识别模型

针对基于卷积神经网络识别农作物叶片病害存在参数众多,计算量大且实时性差的问题,提出一种轻量级农作物叶片病害识别模型RLDNet(reparameterized leaf diseases identification network)。首先,基于MobileNetV2利用重参数化倒残差模块提升推理速度,并设计浅而窄的网络结构增强对浅层特征的提取,降低模型参数量。其次,使用轻量级ULSAM(ultra-lightweight subspace attention module)注意力机制,结合叶片病害特征,强化模型对病害区域的关注能力。最后,利用DepthShrinker剪枝方法对模型进行剪枝进一步减小空间占用。RLDNet在PlantVillage数据集上识别准确率达99.53%,参数量为0.65 M,对单张叶片病害图像的推理时间为2.51 ms。在自建叶片病害数据集上获得了98.49%识别准确率,比MobileNetV3、ShuffleNetV2等轻量级模型识别准确率更高,更为轻量。