小麦病害图像识别处理及形状特征提取研究

以小麦条锈病为例,研究小麦病害部位的图像获取、处理和特征提取。通过图像灰度映射和反映射变换、非线性直方图均衡处理等方法进行病害图像噪声去除和图像优化;采用迭代阀值分割和微分边缘检测提取小麦病斑部位的形状特征,为农业作物病害诊断信息特征数据库的建立提供基础数据。     

玉米小斑病病害程度图像检测

为了实时获取作物病害程度信息,研究了一种基于RGB彩色模型的玉米小斑病图像的分割方法,并利用分割结果求得的玉米冠层危害程度来计算整株玉米的发病程度.由于图像中背景复杂,将叶片与病斑同时分离出来的可能性小,故该方法分为两步:首先从获取的RGB图像中提取R、G、B分量,利用2G-R-B图像采用迭代法自动选取阈值将玉米叶片从背景中分割出来;然后根据R-G图像将病斑从叶片上分离出来.30幅图像中玉米叶片、病斑基本上能提取出来,但没有黄化的少量侵染点无法有效分割.     

基于遗传选择的支持向量机作物病害图像自动识别技术

为了实现作物病害的计算机识别,提出了一种基于双编码遗传特征选择的支持向量机和病害图像多特征参数识别病害的方法。通过病害图像增强处理,采用基于HIS颜色空间的H分量与大津法(Otsu)结合对病斑图像自动分割,自动提取病斑的特征参数;运用双编码遗传算法优化病斑特征子集,并对其赋予权重,底层构建一对一投票策略的支持向量机分类识别作物病害的方法和途径。应用该方法对烟草病害中多种容易混淆的病害进行实验,结果表明:该方法与没有采用遗传算法的支持向量机相比,在同等条件下,特征向量减少了38%,而正确率却提高了6.29%,具有一定的有效性和实用价值。     

基于改进型C—V模型的植物病斑图像分割

针对植物病斑图像背景复杂且分割难问题,提出一种基于水平集和加权颜色信息的C-V模型。借助水平集方法对病斑图像的R、G、B分量图像颜色信息取加权值,以差分图像能量作为能量函数最终值,以适应不同的病害种类。试验结果表明,经过R、G、B加权的黄瓜红粉病病斑图像使用4R-G图像模型、苹果锈病病斑图像使用3R-G-B图像模型自动分割的效果较好,比传统C-V模型分割性能好,抗噪性好,可扩展性好。     

Segmentation of Plant Lesion Image Using Improved C - V Model

针对植物病斑图像背景复杂且分割难问题,提出一种基于水平集和加权颜色信息的C-V模型.借助水平集方法对病斑图像的R、G、B分量图像颜色信息取加权值,以差分图像能量作为能量函数最终值,以适应不同的病害种类.试验结果表明,经过R、G、B加权的黄瓜红粉病病斑图像使用4R-G图像模型、苹果锈病病斑图像使用3R-G-B图像模型自动分割的效果较好,比传统C-V模型分割性能好,抗噪性好,可扩展性好.     

复杂背景黄瓜叶部病害图像分割方法

针对具有复杂背景的黄瓜病害图像,设计了一种图像分割方法。该方法首先结合超G和OTSU方法去除彩色图像中的大部分背景,尽可能保留图像中的绿色部分信息;然后根据病害图像RGB模型中红色分量自动建立数据项,并且设定相邻像素间红色分量差值的函数作为平滑项,以上述数据项和平滑项构建基于阈值预处理的图切割算法。利用该方法对4种黄瓜病害（霜霉病、白粉病、靶斑病和炭疽病）彩色图像进行分割。结果表明,该方法能够较为准确地将病斑区域从彩色图像中提取出来,算法的平均正确识别率达到90%以上;平均运行速度为2.12 s,能够满足实时图像分割的要求。     

基于颜色与形状特征的甘蔗病害图像分割方法

根据甘蔗苗期赤腐病和环斑病图像的特点,提出了一种甘蔗病害图像分割方法.首先利用颜色特征2G-R-B和2R-G-B提取出病斑和土壤等非绿色植物类.然后采用面积阈值分割法排除部分土壤等非绿色植物类连通区域.最后利用链码计算剩下的病斑和土壤等非绿色植物类连通区域的形状特征,根据区域的宽度、矩形度和圆度分离出病害病斑.实验结果表明,该算法能有效提取出赤腐病和环斑病病斑,对环斑病图像分割正确率达93%,对赤腐病图像分割正确率达95%.     

基于循环一致对抗网络的玉米灰斑病图像迁移方法研究

针对玉米病害图像采集困难，特别是灰斑病表现差异性较多问题，提出一种基于循环一致对抗网络（CycleGAN）的玉米灰斑病图像生成算法，通过病害图像迁移，使得健康的作物图像可以生成患病作物图像。此方法首先通过特征提取分别提取出健康玉米图像特征和灰斑病图像特征；然后把两种特征图像输入到CycleGAN的生成器Gs中，结合生成器中的残差网络提高图像传输时的准确性，利用两个判断器判断生成的图像是否一致；最后通过对健康玉米图像进行病害迁移得到所需的玉米灰斑病图像。试验结果表明：与VAE、GAN的图像进行迁移比较，结构相似SSIM值整体分别提升50.434%、18.762%，均方误差MSE值整体减少12.891%、9.558%；直观效果上CycleGAN迁移后的不同病害程度的玉米灰斑病效果更好，因此使用CycleGAN网络生成的玉米灰斑病图像更准确。     

基于图像处理的叶斑病分级方法的研究

针对目前植物病害染病程度判别中以目测为主,存在着主观随意的缺陷,开发出一种基于计算机图像处理技术的病害分级新方法.同时,分析了图像分割中存在的各影响因素,运用Otsu法提取出叶片区域;提出在HSI颜色空间下选择H分量分割病斑以减少光照变化和叶脉的干扰,使用Sobel算子检测病斑边缘,分割出病斑区域,并通过计算病斑面积占叶片面积的百分比给出病害的染病级别.研究表明,使用该方法对植物叶部病害严重度进行分级具有快速精确的特点.     

基于图像处理的温室黄瓜霜霉病诊断系统

为进一步提高温室黄瓜霜霉病诊断的准确率,构建了一个基于图像处理的温室黄瓜霜霉病诊断系统。针对温室黄瓜栽培现场采集的病害图像,采用基于条件随机场(Conditional random fields,CRF)的图像分割方法进行病斑图像分割,并采用决策树模型扩展一元势函数,提高病斑图像分割的准确性;将分割后的病斑图像转换到HSV颜色空间并提取其颜色、纹理和形状等25个特征,利用粗糙集方法进行特征选择与优化;构建了基于径向基核函数的SVM分类器,准确地识别与诊断温室黄瓜霜霉病。系统试验验证结果表明,该系统采用的病斑分割方法,能够克服复杂背景和光照条件的影响,准确地提取病斑图像;采用粗糙集方法能够有效地选择分类特征,将25个初始特征减少到12个,提高了运行效率;黄瓜霜霉病识别准确率达到90%,能够满足设施蔬菜叶部病害诊断的需求。     

水稻病害图像预处理及其特征提取方法研究

采用计算机数字图像处理技术对水稻病害进行智能识别,并以叶鞘腐败病为例,研究了水稻病害智能识别图像预处理和特征提取的方法。试验中,利用灰度变换和中值滤波法有效去除了噪声,增强了图像;利用不同算子对病害进行边缘检测,准确地提取了病斑的几何特征,实现了病害图像目标分割。这一研究成果为特征参数的提取及最终病害确定打下基础。     

基于图像处理的玉米叶部染病程度的研究

以玉米小斑病为例,探讨利用图像技术实现玉米叶部染病程度的计算方法.根据玉米叶部病害特点,综合应用阈值法、区域标记方法,对玉米叶部病害图片进行图像分割、统计病斑个数、去除冗余斑点、计算病斑形状特征.研究结果表明,利用图像技术进行玉米叶部染病程度的计算是可行的,为有的放矢地进行农药喷洒提供了理论依据.     

基于显著性检测的黄瓜叶部病害图像分割算法

针对复杂背景下黄瓜叶部病害分割精度不高的问题,提出了一种基于显著性检测的黄瓜叶部病害图像分割算法。首先利用超像素将黄瓜图像分块,获取黄瓜叶片的边缘,并提出了一种超像素间权重计算方法和显著种子选取方法;然后通过流形排序计算显著图,对得到的显著图进行阈值分割,得到二值图像;再将二值图像与原图像进行掩码运算,得到黄瓜病害叶片;最后利用超绿特征和数学形态学对病害叶片进行分割得到病斑。对常见的黄瓜病害(白粉病、褐斑病、霜霉病、炭疽病)图像进行测试,结果表明该算法与Otsu算法和k-means算法相比,有效解决了冗余分割问题,错分率均在5%以内,算法平均执行时间均小于4 000 ms,分割效果更加精确,为后续构建黄瓜病害自动识别系统奠定了基础。     

概率神经网络在玉米叶部病害识别中的应用

根据锈病、灰斑病、小斑病、褐斑病和弯孢菌叶斑病等5种主要玉米叶部病害的特点,提出了一种基于图像处理技术和概率神经网络技术的玉米叶部病害识别方法.首先,对田间采集的玉米叶部病害图像样本进行去噪处理、图像分割和特征提取;然后,利用遗传算法优化选择出4个独立、稳定性好、分类能力强的分类特征;最后,提取目标对象的特征向量作为输入向量,由概率神经网络(PNN)分类器识别病害类别,平均正确识别率为90.4%,高于BP神经网络.试验结果表明了该方法的有效性,可为田间作物病虫害的快速智能诊断提供借鉴.     

基于高光谱成像技术的小麦条锈病病害程度分级方法

为了快速、准确地对小麦条锈病病害程度进行分级评估,提出了一种基于高光谱成像技术的小麦条锈病病害程度分级方法。首先利用Hyper SIS高光谱成像系统采集受条锈菌侵染后不同发病程度的小麦叶片高光谱图像,通过分析叶片区域与背景的光谱特征,对555 nm波长的特征图像进行阈值分割获得掩膜图像,并用掩膜图像对高光谱图像进行掩膜处理,提取仅含叶片的高光谱图像;然后用主成分分析法(Principal component analysis,PCA)得到利于条锈病病斑和健康区域分割的第2主成分(The second principal component,PC2)图像,采用最大类间方差法(Otsu)分割出条锈病病斑区域;最后根据条锈病病斑区域面积占叶片面积的比例对小麦条锈病病害程度进行分级。试验结果表明:测试的270个不同小麦条锈病病害等级的叶片样本中,265个样本可被正确分级,分级正确率为98.15%。该研究为田间小麦条锈病害程度评估提供了基础,也为小麦条锈病抗性鉴定方法提供了新思路。     

水稻纹枯病图像识别处理方法研究

为了实现水稻病害的自动检测,设计并实现了一种基于支持向量机的水稻纹枯病识别方法。首先利用R分量和中值滤波进行图像预处理,然后利用改进的图切割方法进行病斑分割,再提取病斑的颜色和纹理特征,最后利用支持向量机方法对水稻纹枯病进行分类识别。结果表明:识别准确率达到95%,能够满足实际应用的需求。本研究结果可以为水稻病害的自动识别提供参考依据。     

基于颜色和形状特征的棉花害螨图像分割方法

针对棉花害螨图像成分复杂、病斑排列无规则等特点,提出了一种基于改进型超红特征和面积阈值的棉花害螨病斑的图像分割方法。该方法主要可分为3个步骤:首先利用改进后的超红特征2.1R-G-B提取出复杂背景下棉花害螨图像中的类病斑区域(具有相同红色的害螨病斑和茎杆);然后将类病斑区域与非类病斑区域的灰度图像进行二值化处理;最后利用面积阈值法将类病斑中的害螨病斑分割出来。实验结果表明,改进后的超红分割算法能有效地提取出棉花害螨病斑,准确率可达94.79%。     

基于GrabCut算法的玉米病害图像识别方法研究

GrabCut算法是一种交互式操作少、分割精度高的图像分割方法,但是对于前背景颜色相近或低对比度的区域时难以准确分割前景区域。鉴于此,在实现GrabCut算法的自动分割的基础上,融合基于显著性的SLIC算法来对玉米病害图像进行更好的目标识别和图像分割。以玉米小斑病、大斑病和灰斑病三种病害的图像作为样本,采用融合显著信息的GrabCut算法与相同样本数量和条件下的One-Cut算法和SLIC算法进行试验和对比分析。试验表明,同其他两种算法相比,本文算法对于试验中玉米的三种病害具有更好的分割精度,对于玉米的叶鞘、茎和叶片部分的图像丢失率能够保持在1%以下,分别为0.899%、0.229%和0.914%,对于玉米病害部分能够进行有效地提取,具有较好的分割效果,对于玉米小斑病、大斑病和灰斑病的识别率上能够达到91.67%、86.36%和72.00%,同时通过训练模式进行验证,识别率分别能够达到87.2%、82.4%和83.6%,拒识率分别为4.5%、6.7%和6.3%。     

基于K-means聚类和RF算法的葡萄霜霉病检测分级方法

针对自然环境复杂背景下葡萄霜霉病检测分级困难的问题,提出了一种基于语义分割结合K-means聚类和随机森林算法的葡萄霜霉病检测分级方法,实现对葡萄霜霉病快速分级。构建了葡萄霜霉病数据集,采用HRNet v2+OCR网络建立葡萄叶片语义分割模型,提取复杂环境下葡萄叶片;采用K-means聚类算法将葡萄叶片分解为若干子区域图像,并标记少量数据集进行随机森林算法学习,实现葡萄叶片病斑分割与提取;同时在叶片提取和病斑提取过程中,设计一种像素尺寸变换方法,解决图像分辨率引起的精度低问题。基于HRNet v2+OCR网络的葡萄叶片分割模型的准确率为98.45%,平均交并比为97.23%;融合K-means聚类和随机森林(RF)算法的葡萄叶片正面、反面和正反面霜霉病病害分级准确率分别为52.59%、73.08%和63.32%,病害等级误差小于等于2级时的病害分级准确率分别为88.67%、96.97%和92.98%。研究结果表明,基于K-means聚类和随机森林算法的葡萄霜霉病检测分级方法能够准确地分割自然环境复杂背景下的葡萄叶片和葡萄霜霉病病斑,并实现葡萄霜霉病分级,为葡萄霜霉病精准防治提供了方法和...     

基于混合扩张卷积和注意力的黄瓜病害严重度估算方法

自动和准确地估计病害的严重度对病害管理和产量损失预测至关重要。针对传统病害严重度估算步骤复杂且低效,难以实现在田间场景下精准估算问题,提出了一种基于混合扩张卷积和注意力机制改进UNet（Mixed dilated convolution and attention mechanism optimized UNet,MA-UNet）的病害严重度估算方法。首先,针对病斑尺寸不一、形状不规则问题,提出混合扩张卷积块（Mixed dilation convolution block, MDCB）增加感受野并保持病斑信息的连续性,提升病斑分割精度。其次,为了克服复杂背景的影响,利用注意力机制（Attention mechanism）对空间维度和通道维度进行相关性建模,获得每个像素类内响应和通道间的依赖关系,缓解背景对网络学习带来的影响。最后,计算病害分割图中病斑像素与叶片像素的比率来获得严重度。基于田间条件下收集的黄瓜霜霉病和白粉病图像进行了验证,并与全卷积网络（Fully convolutional network,FCN）、SegNet、UNet、PSPNet、FPN、DeepLabV3+进行比较。结果表明,MA-UNet优于比较方法,能够满足复杂环境下健康叶片和病斑的分割需求,平均交并比为84.97%,频权交并比为93.95%。基于MA-UNet分割结果估计黄瓜叶部病害严重度的决定系数为0.9654,均方根误差为1.0837%。该研究可为人工智能在农业中快速估计和控制病害严重度提供参考。