基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。     

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。     

基于融合多特征图切割的作物病害图像自动分割

为提高黄瓜叶部病害图像的分割性能,该文提出一种基于融合多特征图切割的病害图像自动分割方法。首先采用一种新的阈值化方法对原始病害图像的红色分量进行二值化处理;然后融合纹理、灰度、距离3个特征构建能量函数的边界项,描述像素间的相似性;再利用分割区域像素与区域边界像素的红色分量差值自动建立能量函数的区域项,反映像素归属于背景和目标的程度;最后运用最大流算法求解能量函数得到分割结果。将该方法应用于黄瓜3种病害(靶斑病、霜霉病和白粉病)叶部图像分割中,并与OTSU算法及半自动图切割算法的分割结果进行比较。试验结果表明,该方法的平均错分率为1.81%,低于其他2种算法,平均分割速度约为2.34 s并无大幅增加。该研究可为黄瓜病害的自动识别和诊断提供技术参考。     

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。     

夜间补充UV-C和蓝光对黄瓜病害防控及植株生长发育的影响

为探究夜间补光对黄瓜病害防控及植株生长发育的影响,以黄瓜品种津优35号为试验材料,设置UV-C(253.7 nm)、蓝光(460 nm)、蓝光/UV-C(复合光)及不补光(CK)4个处理,研究不同光质处理对黄瓜病害防控和植株生长发育的影响。结果表明,UV-C处理对黄瓜白粉病的防治效果显著好于蓝光/UV-C和蓝光,达到96.01%;不同光质处理对黄瓜霜霉病的防治效果均不明显;UV-C 处理下的过氧化物酶(POD)、过氧化氢酶(CAT)、苯丙氨酸解氨酶(PAL)、几丁质酶及β-1,3-葡聚糖酶活性和木质素含量均显著高于CK,而蓝光和蓝光/UV-C处理对上述指标无显著作用;各处理对黄瓜植株的株高、茎粗、叶面积等生长指标和产量均无显著影响。本研究结果为温室黄瓜病害防控提供了理论依据。     

基于水平集的作物病叶图像分割方法

针对具有复杂背景的作物病叶图像中的叶片提取问题,提出了一种基于先验信息的水平集模型。首先,在LBF模型中引入纹理信息——结构张量,构造新的水平集模型;其次,采用水平集方法表示目标叶片形状,并将先验形状信息以能量泛函的表达形式引入到上述新的水平集模型中,得到新的基于先验信息的水平集模型;最后,利用该模型对具有复杂背景的黄瓜病叶图像进行分割。结果表明,该方法能准确地提取具有复杂背景黄瓜病叶图像中的病叶,为后续的病斑提取、识别和诊断奠定前期基础。     

基于近地成像光谱的小麦全蚀病等级监测

小麦全蚀病是检疫性的土传病害,对小麦生产危害极大,对其发生的监测是治理的根本。遥感技术可实时、宏观监测病害发生发展,尤其是成像光谱技术的图谱合一,可精准对病害识别和分类。该文首先通过主成分分析提取不同小麦白穗率的冠层光谱特征;再通过灰色聚类分析方法,研究白穗率等级的可分性;最后利用基于径向基(RBF,radial basis function)核函数的支持向量机对全蚀病害的近地成像高光谱图像进行分类,从而验证近地成像光谱在全蚀病监测上的可行性。研究结果显示:该方法对5种程度的小麦全蚀病白穗率的分类精度均达94%以上,Kappa值大于0.8。研究表明利用该方法,通过近地成像光谱图像可以准确监测小麦全蚀病的病情,对小麦全蚀病的治理有指导意义。     

多结构参数集成学习的设施黄瓜病害智能诊断

单一特征已不能很好的描述作物病害典型特征,而生长环境参数(土壤温湿度、pH值、空气温湿度等)与病害密切相关,多结构数据学习向量化与特征最优组合能够有效提升病害诊断准确性。该研究以黄瓜白粉病、角斑病、炭疽病、菌核病4种病害50个样本为实例,融合结构化作物生长环境参数与非结构化图像特征,通过智能化物联网,对实时采集到的环境参数进行监测、分析,并将其与图像特征融合,构建多结构病害特征最优组合模型。试验结果表明,样本识别率在79.4%～93.6%,对比卷积神经网络图像识别识别率,卷积神经网络由于需要对病害图像数据进行降维,后台识别时间较高;深度迁移学习的图像识别方法,需要大量图像数据输入深度网络学习,而现实中病害图像数量不足以满足深度学习要求,因此识别率会因为样本不充分而降低;该方法借助少量图像数据,同时结合环境与专家知识资源,采用多结构参数集成学习的方法进行病害识别,在较少识别时间的基础上确保识别的准确性。     

不同作物间作对黄瓜病害及土壤微生物群落多样性的影响

分别采用RAPD和T-RFLP技术,研究了小麦、毛苕子和三叶草分别与黄瓜间作对黄瓜病害、黄瓜根际土壤微生物群落多样性和黄瓜产量的影响。结果表明,小麦、毛苕子与黄瓜间作均能提高黄瓜根际土壤微生物群落多样性,其中,小麦-黄瓜间作对黄瓜根际土壤微生物群落多样性的影响最为突出;3种作物分别与黄瓜间作均显著提高了黄瓜产量(p<0.01),其中小麦-黄瓜间作的产量优势最强;同时,3种作物分别与黄瓜间作均降低了黄瓜角斑病、白粉病、霜霉病和枯萎病的病情指数和尖孢镰刀菌的数量。间作有利于提高土壤微生物群落的多样性、减轻病害、提高黄瓜产量。     

基于灾变链式理论的日光温室黄瓜霜霉病警源追溯模型研究

追溯警源是日光温室蔬菜病害预警中提供排警措施的依据。结合灾变链式理论和植物病害流行学,对日光温室黄瓜病害警源追溯问题及孕源断链减灾模式进行了系统分析。考虑到日光温室作物病害预警对象多警源的特点及其对预警解释推理方式的影响,采用数字化方法,构建了易于系统实现的日光温室黄瓜霜霉病警源追溯模型。对日光温室黄瓜霜霉病实例进行追溯分析,结果表明,外界出现的阴雨雪雾天气是导致该实例中霜霉病发生的警源。并可用方差分析来检测日光温室环境的时空突变,以验证警源信息。该模型能够为日光温室黄瓜霜霉病排警措施提供决策支持。     

Nondestructive diagnostics of magnesium deficiency based on distribution features of chlorophyll concentrations map on cucumber leaf

Abstract

A new and nondestructive method for diagnosing magnesium (Mg) deficiency based on chlorophyll concentration distribution features of cucumber leaves was proposed. Mg deficient cucumber plants and Control plants were grown under non-soil conditions with special nutrient supply. Cucumber leaves were employed to collect hyperspectral images using a visible and near infrared (VIS/NIR) hyperspectral imaging system (400–900?nm) and determine reference chlorophyll concentrations using high performance liquid chromatography (HPLC). An optimal chlorophyll concentration calibration model (Rp = 0.9087) was constructed and used to detect chlorophyll distribution maps of Mg deficient leaves and Control leaves. Results shown that chlorophyll content distributed more unevenly on Mg deficient leaves than Control leaves. The Standard Deviation (SD) value of the chlorophyll content at all the pixels on a chlorophyll distribution map was calculated for Mg deficient diagnostics. An Mg deficiency diagnostics model with satisfied performance (diagnostic rate 93.33%) was obtained. The result indicated the SD value of chlorophyll concentrations on the whole cucumber leaf could be employed to diagnose Mg deficiency nondestructively.     

基于叶绿素叶面分布特征的黄瓜氮镁元素亏缺快速诊断

为了快速、无损诊断作物氮(N)、镁(Mg)营养亏缺,该研究提出一种以叶绿素叶面分布特征诊断黄瓜N、Mg元素亏缺的方法。在设施栽培模式下精确控制N、Mg营养元素的供给,培养黄瓜缺N、缺Mg及对照植株(营养元素正常植株),然后采集对应的高光谱图像并结合化学计量学方法快速、无损检测叶绿素分布。与对照组叶片叶绿素分布相比,缺N叶片的叶绿素含量在整个叶面区域偏低,缺Mg叶片叶绿素在叶脉之间区域含量偏低。鉴于此,提取叶绿素叶面分布特征(叶片所有像素点对应的叶绿素含量均值及标准差)对N、Mg营养元素亏缺进行诊断,对预测集N、Mg元素亏缺正确诊断率达90%。研究结果表明叶绿素叶面分布特征可作为一种黄瓜N、Mg元素亏缺诊断依据。     

基于因子分析-BP神经网络的小麦叶片白粉病反演模型

明确白粉病胁迫下小麦叶片受害程度并构建误差小、精度高的反演模型,是实现小麦白粉病遥感监测和精确防控的基础。基于大田小区小麦白粉病人工接种试验,采用高光谱仪测试不同白粉病危害程度下冬小麦叶片光谱反射率,利用常规光谱特征参数、比值指数和归一化指数及因子分析(factor analysis,FA)与BP神经网络(back propagation neural network,BPNN)相结合的方法对小麦叶片白粉病严重度进行模型模拟并对模型拟合精度与适用性比较。结果表明:对小麦白粉病反应敏感的光谱波段为415、485~495、620~640 nm。常规光谱参数中表现较好的光谱植被指数和两波段比值及归一化植被指数的决定系数范围为0.6~0.8,均方根误差范围为8.5~11.5,其中,RI(670,855)、NDVI(680,880)、RGRcn和PSRI对白粉病反演精度及误差控制表现得相对较好。经过FA提取敏感波段的公共因子,进而利用BPNN算法进行模拟,较常规光谱参数有效提高了病情严重度的估算精度,各个测定时期模拟检验决定系数大于0.80,模型的检验均方根误差小于8.09,整个灌浆期反演模型检验的均方根误差和相对误差分别为7.84和7.56%,反演模型对小麦白粉病的整个病症期均具有很好的适用性。由此可得,基于FA-BPNN法所建立的反演模型精度高、误差小,对小麦白粉病病害时期兼容性好,研究结果对植物病害精确防控具有重要意义。