基于Mean-shift和提升小波变换的棉花叶片边缘的图像检测

该文提出了一种基于Mean-shift和提升小波变换的具有复杂背景的棉花叶片边缘检测算法。该方法首先用Mean-shift算法对彩色图像进行平滑,然后对平滑后的图像进行提升小波变换,以将平滑后的图像进行灰度增强。最后基于Canny算子对图像进行边缘检测。该算法能有效减少非边缘噪声,并且能够有效提取相互重叠叶片的边缘。与传统边缘检测方法边缘检测结果进行对比,该方法能够更加鲁棒地提取复杂背景下的重叠叶片边缘,其有效性和准确性是很明显的。     

基于数学形态学的植物叶片图像预处理

植物叶片图像的预处理是进行叶形特征提取和识别的重要前提,获得高质量的预处理叶片图像对计算机辅助植物识别十分重要。本文提出了基于数学形态学的植物叶片图像的预处理方法,运用数学形态学中的开运算和闭运算消除图像中的孤立噪声点并填补叶片内部孔洞。该方法保持了原图像的基本形状特征并能获得清晰的边缘,为叶片特征提取创造了良好的前提。     

无人机航拍林业虫害图像分割复合梯度分水岭算法

针对林业信息监测方式实时性差、监测范围有限等问题,为更加实时、准确地对林业虫害信息进行监测并计算监测样地中虫害区域比例,该文在搭建面向林区虫害监测的多旋翼无人飞行器航拍监测系统基础上,提出了一种基于复合梯度分水岭算法的图像分割方法。该方法引入全局直方图均衡化消除了图像暗纹理的影响,并采用形态学混合开闭重构滤波完成了图像样本的去噪处理。计算灰度图像各像素点的复合梯度实现了非相关区域(道路及裸地)的提取,最终利用分水岭算法实现了监测图像虫害区域的分割提取。利用该文所提算法对8幅虫害侵蚀程度不同的监测图像进行分割,并与传统分水岭算法、K-means聚类算法进行对比试验。试验结果表明,该文算法虫害区域提取的平均相对误差率分别降低6.56%、3.17%,平均相对极限测量精度分别改善7.19%、2.41%,能够相对准确地将虫害区域从监测图像中分割出来,可为后续林业虫害监测与防护提供参考。     

计算机测定茶树叶片受害面积及其受害面积百分率的方法研究

建立了通过对茶树叶片进行扫描,利用Photoshop软件同时获得多张叶片及其受害部位的像素值,从而快速计算茶树叶片受害面积以及受害面积百分率的测定方法,并对此方法进行了系统的研究,结果表明：扫描分辨率为150dpi时,扫描时间和存储占用空间较优,测定效果和高分辨率扫描效果基本一致,该方法测定结果与人工测定结果无显著差异,其效率远远高于人工测定。     

采用热红外和可见光图像无损测定棉花苗期叶面积

叶面积是影响植物光合作用、蒸腾作用、呼吸作用及产量形成的重要形态指标之一,为实现作物叶面积准确、稳定和无损化测量,该研究基于红外线成像设备,提供了一种利用热红外和可见光图像测定棉花叶片面积的方法。以苗期棉花作为研究对象,通过红外成像相机T660获取棉花的热红外和可见光波段的图像,分别使用GrabCut算法和Hough圆检测提取红外图像中叶片和可见光图像中已知实际面积的圆状参照物（五角硬币）的像素面积,进而根据叶片区域和圆状参照物区域的像素倍数关系计算棉花的真实叶面积,将通过该研究所提方法计算的叶面积结果与传统的剪纸称重法、Image Pro Plus软件图像法进行皮尔逊相关性分析,检验该方法的可行性。分析表明,基于所提方法的测量值与剪纸称重法、Image Pro Plus软件图像法的结果之间均存在显著的线性相关关系（P<0.01）（相关系数分别为0.992,0.996）。3种方法对5盆棉花进行8次测量,结果显示,该研究所提方法测量值的平均变异系数为0.782%,在测量工作中表现稳定,为快速获取棉花苗期叶面积提供了一种准确稳健的理论方法。     

基于块标记的田间叶片损伤区域分割方法

为了在田间开放环境中有效分割叶片损伤区域,该文结合Canny算子良好的边缘提取能力和叶片局部颜色变化相对较小的特征,提出基于块标记的叶片损伤区域分割方法,用于评价叶片损伤程度。使用Android系统手机在晴天大田开放环境中采集木耳菜、西红柿、黄瓜、茄子、桃、彩椒和蛾眉豆7种常见农作物叶片图像,在阴天采集丝瓜、葫芦、甜瓜、茄子和黄瓜5种叶片图像,然后进行分割。该分割算法在晴天和阴天总体的平均正确分类率为97.5%,平均错误分类率为0.3%,并且有较好的目标一致性和边缘清晰度。应用系统对叶片损伤程度的评价结果与手工分割比较,在晴天和阴天采集图像上的平均误差分别为2.340%和1.475%,可较好地应用于晴天和阴天环境。该方法可探索应用于田间植物叶片损伤程度评价。     

稻纵卷叶螟危害下水稻叶片光谱特征及产量估测

2020年在南京市浦口区桥林街道对稻纵卷叶螟[Cnaphalocrocis medinalis Güenée(C. medinalis)]自然发生的水稻农田进行高光谱观测试验，以探明不同稻纵卷叶螟危害程度下水稻叶片光谱特征与产量的关系，并对水稻产量进行预测。试验共选取80个样点，各样点虫害等级根据稻株的受害叶片数量占叶片总数的比例进行划分，利用SOC710VP便携式高光谱成像仪，采集水稻主要生育期（拔节期、孕穗期、灌浆期和成熟期）各样点水稻叶片的高光谱数据，调查收获后各样点的水稻产量数据，分析不同虫害等级下水稻叶片原始光谱、一阶导数光谱特征和产量参数的变化规律，并利用观测光谱与产量相关性较强的特征波段计算植被指数，建立基于植被指数的水稻产量估算模型。结果表明：（1）同一生育期内，水稻叶片近红外波段和红边波段的反射率随着虫害等级的升高而降低，而红光波段则相反。（2）同一生育期内，一阶导数光谱的峰值、红边幅值和红边面积随着虫害等级的增大而降低，红边位置的“蓝移”现象加重。（3）水稻的有效穗数、千粒重、结实率以及产量总体上随着虫害等级的上升而降低；但虫害等级较低时，有效穗数、千粒重以及结实率...     

基于多幅图像的黄瓜叶片形态三维重建

为了更加快速、便捷、精确和逼真地重构出植物叶片的三维形态,提出了基于多幅图像的黄瓜叶片建模方法。首先利用角点检测算法提取叶片边缘及主脉的特征点,通过结合极线约束和SIFT特征描述算子对特征点进行匹配,进而得到特征点的三维坐标;然后利用B样条曲线连接这些特征点,对叶片边缘和中脉进行拟合,再利用Delaunay三角化方法对叶片进行三角网格化;最后通过纹理映射增加模型的真实感。试验结果表明,通过该方法可以精确、快捷地重构出黄瓜叶片的三维形态,具有较强的真实感效果。     

基于模糊C均值聚类的作物病害叶片图像分割方法研究

为提高作物病害图像的分割效果,根据作物病害图像的特点,提出了一种基于模糊C均值聚类算法(FCM)的作物病害图像自适应分割方法.该方法将像素的灰度与其邻域均值作为FCM的输入特征,变换FCM的隶属度函数使其包含图像的局部邻域特性;通过聚类有效性验证分析和试验确定模糊C均值聚类算法(FCM)的最优聚类数、模糊加权指数.运用该方法对棉花病害叶片图像进行分割.结果表明:该方法能较好将病斑部分和正常部分分割开,平均分割误差率小于5%,对作物病害图像的分割处理非常有效.     

基于显微图像处理的稻瘟病菌孢子自动检测与计数方法

稻瘟病菌孢子的检测通常在显微镜下由人工目测完成,该方法费时、费力、自动化程度低。因此,该研究提出了一种基于显微图像处理技术的稻瘟病菌孢子自动检测和计数方法。首先,采用显微图像系统获取稻瘟病菌孢子图像;然后提出一种分块背景提取法对其进行光照校正;根据显微图像中孢子的边缘特征,利用Canny算子进行边缘检测,其中Canny边缘检测过程中的阈值应用模糊C均值算法在梯度图上自动确定;接着对边缘检测后的二值图像进行数学形态学闭开运算处理。根据孢子和主要杂质的形态特征,利用椭圆度、复杂度和最小外接矩形宽度等形态特征参数对目标物进行分类,提取只含孢子的二值图像。最后,提出了基于距离变换和高斯滤波的改进分水岭算法对粘连孢子进行分离。测试结果表明:在100幅测试的显微图像样本中,孢子检测的平均准确率为98.5%,满足稻瘟病菌孢子自动检测和计数要求。     

茶树病虫害识别防治信息教学系统开发

系统应用VB6.0开发茶树病虫害识别防治信息教学系统,具有系统界面友好、使用方便的特征。系统共收入77种茶树病虫害的文字描述及图片信息,其中病害24种,叶部病害11种,枝部病害8种,根部病害5种;虫害53种,食叶性害虫24种,刺吸式害虫18种,钻蛀性害虫7种,地下害虫4种。该系统通过安装向导创建安装程序后即可使用,适合各级农业服务中心、基层农技培训学校和广大茶农及科研人员信息查询。     

基于改进DenseNet和迁移学习的荷叶病虫害识别模型

病虫害的发生将会严重影响莲藕品质与产量,开展病害诊断与识别对藕田病虫害及时对症对病诊治、提升莲藕生产质量与经济效益具有重要意义。该研究以荷叶病虫害高效、准确识别为目标,提出了一种基于改进DenseNet和迁移学习的荷叶病虫害识别模型。采用分支结构对模型的浅层特征提取模块进行改进,并在Dense Block与Transition Layer中引入Squeeze and Excitation注意力机制模块和锐化的余弦卷积,最后基于Plantvillage数据集进行迁移学习,实现了91.34%的识别准确率。该研究实现了对荷叶腐败病、病毒病、斜纹夜蛾、叶腐病、叶斑病的识别,并将改进后的模型推广应用于基于无人机图像的藕田病虫害检测,实现了病害分布可视化,可对莲藕病虫害的智能化防治提供有益指导。     

基于朴素贝叶斯分类器的棉花盲椿象危害等级识别

针对自然条件下棉花盲椿象危害区域提取和危害等级识别难的问题,提出了棉花盲椿象危害等级自动识别方法。该方法以自然条件下采集的不同盲椿象危害等级棉叶图像为对象,利用最大类间方差阈值分割和多颜色分量组合方法进行作物与土壤分离和病斑分割,并利用分水岭分割方法对粘连棉叶进行分离并提取盲椿象危害棉叶区域,提取图像的颜色、纹理和形状特征,结合朴素贝叶斯分类器,依据划分的棉花盲椿象危害等级标准,对盲椿象危害等级进行识别。不同盲椿象危害等级识别试验结果表明:该模型平均识别正确率达90.0%,通过比较试验表明,该模型在识别精度比BP神经网络高2.5%,运行速度比支持向量机高11.7%,可较好的对棉花盲椿象危害等级进行识别,可为棉花盲椿象的防治提供技术支持。     

基于迁移学习的棉花叶部病虫害图像识别

针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。     

基于自适应判别深度置信网络的棉花病虫害预测

作物病虫害预测是病虫害防治的前提,利用深度学习预测作物病虫害是一个有效且具有挑战性的研究课题。该文针对深度置信网络(deep belief network,DBN)在作物病虫害预测中的训练耗时长和容易收敛于局部最优解等问题,将自适应DBN和判别限制玻尔兹曼机(restricted boltzmann machine,RBM)相结合,利用棉花生长的环境信息,提出一种基于自适应判别DBN的棉花病虫害预测模型。该模型由3层RBM网络和一个判别RBM(discriminative restricted boltzmann machine,DRBM)网络组成,通过3层RBM网络将棉花生长的环境信息数据转换到与病虫害发生相关的特征空间,通过自动学习得到层次化的特征表示,再由DRBM预测棉花病虫害的发生概率。该模型将自适应学习率引入到对比差度算法中,通过自动调整学习步长,解决了在传统DBN模型训练时学习率选择难的问题;在学习过程中通过在DRBM中引入样本的类别信息,使得训练具有类别针对性,弱化传统RBM无监督训练时易出现特征同质化问题,提高了模型的预测准确率。对实际棉花的"棉铃虫、棉蚜虫、红蜘蛛"虫害和"黄萎病、枯萎病"病害的平均预测准确率为82.840%,与传统BP神经网络模型(BPNN)、强模糊支持向量机模型(SFSVM)和RBF神经网络模型(RBFNN)分别提高19.248%,24.916%和27.774%。     

陇西县玉米病虫害种类及农药使用情况调查

为掌握玉米病虫害发生种类和农药使用情况,制定玉米病虫害防治规范。采用定点调查方法,对陇西县玉米病虫害及农药使用情况进行了调查。调查发现,该县玉米主要病害有茎基腐病、锈病、大斑病和小斑病,虫害有玉米螟、蚜虫、红蜘蛛、蓟马、黏虫和地下害虫等。将农药使用情况录入全国农药信息管理系统进行分析,表明在玉米整个生育期,按其类型,除草剂用量最大,其次为杀虫剂和杀菌剂,生长调节剂用量最小;按毒性,低毒农药用量最大,其次为中毒农药,微毒农药用量最小;按种类,以化学农药为主、生物农药为辅;按农药成分,辛硫磷、莠去津用量较大。     

基于补偿模糊神经网络的脐橙不同病虫害图像识别

为了开发脐橙不同病虫害的通用机器识别技术,对病虫害危害后的脐橙图像进行蓝色分量去背景,改进型分水岭算法提取病虫害为害状边界,据此边界对原彩色图像中的为害状进行标记,以标记区红色、绿色、蓝色分量表征病虫害为害状的颜色特征,为害状边界分形维数表征病虫害为害状的形状特征,将这4个特征值作为补偿模糊神经网络输入,建立补偿模糊神经网络脐橙病虫害识别模型,识别脐橙病虫害。4种病虫害及机械损伤果的平均正确识别率为85.51%,该方法可用于脐橙病虫害识别。     

棉花叶片厚度的高光谱测试方法

植物叶片厚度的变化能够指示植物生长状态的改变,为了实时、活体、无损地获取叶片厚度,该研究以棉花叶片为研究对象,利用DPS、Origin统计分析软件分析84组光谱数据与叶片厚度的相关性。研究表明,光谱反射率与叶片厚度在可见光350～369 nm及664～689 nm 2个较窄区域达到了极显著正相关关系,在红外917～1 884、2 048～2 380 nm 2个区域呈极显著负相关关系,总体相关程度红外波段高于可见光波段。红边参数与叶片厚度的相关性不高,24个形状参数与厚度达到了极显著相关水平,其中,中心为980 nm的吸收谷面积与叶片厚度相关度最高,相关系数为0.848。分别用反射率、植被指数、光谱形状参数建立并测试3个估算模型,相对误差最高为7.4%,均方根差最高为0.051 mm。结果表明利用高光谱分析技术,可以实现叶片厚度的快速、活体测量。     

自动监测装置用温室粉虱和蓟马成虫图像分割识别算法

为了监测温室黄瓜作物虫害种类、数量变化情况以预测虫害发展趋势,该文以粉虱和蓟马为例,提出了一种基于Prewitt、Canny边缘检测算子分割和SVM(support vector machine)的温室粉虱和蓟马诱虫板的图像识别算法。该方法利用HSI(Hue-Saturation-Intensity)颜色空间的I分量与L*a*b*颜色空间的b分量二值图像中害虫目标与背景的高对比性,再分别相应地利用Prewitt算子和Canny算子进行单头害虫边缘分割,再经过形态学处理,最后融合这两幅二值图像完成单头害虫区域的提取。然后提取害虫的5个形态特征(面积、相对面积、周长、复杂度、占空比)及9个颜色特征(Hue-Saturation-Value颜色空间、HSI颜色空间、L*a*b*颜色空间各分量的一阶矩),并对这14个特征参数进行归一化处理,将特征值作为SVM的输入向量,进行温室粉虱和蓟马的诱虫板图像识别。通过分析比较不同向量组合的BP(back propagation)与SVM的害虫识别率、4种不同SVM核函数的害虫识别率,发现颜色特征向量是粉虱和蓟马识别的主成分,且SVM的识别效果优于BP神经网络、线性核函数的SVM分类性能最好且稳定。结果表明:平均识别准确率达到了93.5%,粉虱和蓟马成虫的识别率分别是96.0%和91.0%,能够实现温室害虫的诱虫板图像识别。该研究可以为虫害的监测与预警提供支持,为及时采取正确的防治措施提供重要的理论依据。