大豆病斑智能识别无损预处理及其特征提取方法的研究

以大豆病叶为例,针对在采集叶片图像过程中出现的几何失真问题,提出了基于投影模型的植物叶片校正算法,测量准确性只与校正方法有关,不受其他背景因素影响。在精确校正的基础上,又实现了叶片病斑区域的特征提取与计算,实验结果表明,该方法校正精度达99%,病斑区域提取精度达100%,为进一步的病害诊断奠定了先期基础。     

复杂背景下植物叶部病害识别系统的设计

针对传统的经验定性诊断作物病害时间长且准确率低等问题,设计了基于复杂背景的植物叶部病害识别系统。该系统以图像处理技术为主要手段,以复杂背景下的黄瓜病害为主要研究对象,嵌入了叶片分割模块、病斑图像分割模块、图像特征提取模块及病害模式识别模块等,可及时、准确地识别植物各类叶部病害,有效弥补了人工识别植物病害所导致的各种缺陷和不足之处,提高了识别的精度和效率,具有一定的实用价值。     

基于双线性映射的植物叶片校正算法的研究

针对在应用数码相机采集大田作物叶片图像时出现的植物叶片图像倾斜和几何失真等问题,提出了基于双线性映射的植物叶片校正算法.测量有效性不受叶片大小、形状差异和叶片图像中叶片周边白色背景的影响.实验验证该方法校正叶片图像,精度可达99%以上,是进一步提取植物叶面特征的基础.     

基于双目视觉的叶片形态无损测量方法

利用数码相机实现对植物叶片形态的无损测量,是掌握植物生长规律、科学指导生产以及实现植物生长柜智能化控制的关键技术之一.针对叶片弯曲以及拍照过程中容易出现的几何失真等问题,提出了利用两个相互垂直的数码相机来采集图像,从侧面图像分析叶片的弯曲角度,对正面图像进行失真校正;然后根据投影原理统计出叶片的像素数目,从而得到对应的形态数据.结果表明,该方法能够有效地解决图像的二维图像失真问题,降低叶片数据计算的误差,对于促进农业科技进步、加快现代化发展具有十分重要的意义.     

基于颜色均值显著点聚类的作物病害叶片图像分割方法

作物病害叶片图像分割是病害类型识别方法的一个重要步骤,其分割效果直接影响后续的识别结果。病害叶片图像的复杂多样性使得很多现有的图像分割方法不能有效应用于作物病害叶片图像分割中。针对复杂的自然病害叶片图像分割难题,提出一种基于颜色均值显著点聚类的作物病害叶片图像分割方法。该方法建立在HIS颜色空间,首先构造基于像素点HIS模型的带权无向图,然后计算病害叶片图像像素点的邻域的颜色均值,再计算该点前后两个邻域的颜色均值差作为该点的颜色跳跃度,当跳跃度大于设置的一个阈值时,该像素点为病斑点。结果表明,该算法具有较高的分割精确度和较好的抗噪声性能。     

基于颜色特征和差直方图的苹果叶部病害识别方法

识别苹果病害是一个重要的研究课题,该研究成果对大面积苹果病害监测具有重要意义。针对苹果常见的3种叶部病害,提出一种基于颜色特征和差直方图的苹果叶部病害识别方法。首先采用改进的mean-shift图像分割算法分割病害叶片图像的病斑,然后计算病斑的颜色特征和差直方图作为病害的分类特征。该特征不仅反映病斑图像的灰度统计信息,还反映病斑图像的空间特征和灰度的渐变度,而且对病斑图像的光照、平移、旋转具有不变性。最后利用支持向量机识别病害类型。在3种常见苹果叶部病害叶片图像数据库上的试验结果表明,该方法能够有效识别苹果常见的叶部病害,平均识别率高达96%以上。该方法为苹果病害的智能诊断系统提供了技术支撑。     

基于改进Bernsen 二值化算法的 植物病害叶片病斑检测

针对大区域田间复杂背景下植物病害远程识别中的叶片病斑检测难问题,提出一种基于改进Bernsen二值化算法的植物病害远程检测方法。通过物联网采集不同区域的植物叶片图像,根据在RGB和HIS颜色空间中叶片病斑与正常叶片和背景的色调差异的特点,利用改进Bernsen二值化算法分别在图像的R、G、B、H 4个颜色通道上提取病斑,然后进行病斑图像融合,得到病斑图像。采用该方法对多幅物联网视频植物病害叶片图像进行病斑分割。实验结果表明,该算法在复杂背景环境下能够有效分割植物病斑图像,去除大量复杂背景,得到病斑图像。该方法能够为大区域植物病害远程智能监控系统提供技术指导。     

温室蔬菜病害智能识别图像预处理及其特征提取方法的研究

采用计算机图像处理技术对温室蔬菜病害进行了智能化识别,并以黄瓜霜霉病为例研究了温室蔬菜病害智能识别图像预处理和特征提取的方法。试验选择白色作为病害叶片的背景,利用中值滤波法有效地去除了噪声的干扰,利用双峰法从背景中分离出病害图像,再对图像进行边缘检测,准确地提取了病斑的几何特征。该方法能够实现对病害图像的预处理,并且能够准确地提取病害特征。     

基于显著区域和PHOG的黄瓜病害识别方法研究

快速准确地识别黄瓜病害类型是黄瓜病害防治的前提,针对现有基于病害叶片图像的黄瓜病害识别方法中的病斑分割和特征提取难题,提出一种基于显著区域和方向梯度直方图的黄瓜病害叶片图像分割与识别方法。首先,利用叶片图像的亮度和颜色低阶特征,结合多尺度分析确定原始采用病害叶片图像的显著图;其次,利用K-均值算法分割显著图,得到病斑图像;再提取病斑图像的方向梯度直方图特征;最后利用支持向量机(support vector machine,简称SVM)进行病害识别。在4种常见黄瓜病害叶片图像数据库上进行测试,平均正确识别率大于90%。结果表明,该方法能够准确分割和识别复杂背景下的黄瓜病害叶片图像,为田间开放环境下实现黄瓜病害的快速自动识别提供了依据。     

基于多尺度注意力卷积神经网络的苹果叶部病害识别方法

针对传统苹果叶部病害识别方法识别率低和现有卷积神经网络(CNN)训练时间长的问题，提出一种基于多尺度注意力卷积神经网络的苹果叶部病害识别方法。该方法由多尺度空洞卷积模块Inception与改进的残差模块组成，其中，多尺度空洞卷积模块Inception用于图像的多尺度特征提取，在卷积模块中引入双注意力机制增强网络模型，显著表示图像中叶部病斑区域特征，降低非病斑区域与背景区域对识别结果的干扰，在原始残差模块上引入卷积层与非线性激活函数改进的残差模块，增加鲁棒性判别特征的跨层融合，在苹果病害叶片图像数据集上的识别准确率达96%以上。结果表明，所提出的方法具有参数量少、占用内存小以及性能好的优势，可进一步应用于田间苹果叶部病害智能识别系统。     

基于量子神经网络和组合特征参数的玉米叶部病害识别

【目的】探索一种基于量子神经网络和组合特征参数的玉米叶部病害识别方法,以提高玉米叶部病害识别的准确率和效率。【方法】应用K_means硬聚类算法对玉米叶部病害图像进行彩色图像分割,得到彩色分割图像,分别利用提升小波变换和灰度共生矩阵从彩色分割图像中提取颜色和纹理特征参数,利用多重分形分析从灰度图像中提取病害的形状特征参数。【结果】根据提取的组合特征参数,利用量子神经网络进行玉米病害分类识别,对玉米灰斑病、玉米普通锈病和玉米小斑病的识别率分别达到92．5％、97．5％和92．5％,高于误差反向传播神经网络法的识别率（分别为90．0％、90．0％和92．5％）。【结论】设计的方法可用于玉米叶部病害识别,并为其他农作物病害的智能识别提供借鉴。     

基于GA-BP神经网络和特征向量优化组合的黄瓜叶片病斑识别

针对家庭种植水培黄瓜中用户难以准确识别病害的问题,设计了一种基于图像处理的黄瓜叶片病斑识别系统。应用自适应小波对原始图像进行降噪处理,在HSV空间通过阈值分割结合形态学操作获得理想的黄瓜叶片图像,并通过自适应阈值分离病斑,提取病斑形态学、颜色和纹理原始特征参数。利用GA-BP神经网络定义原始特征参数对分类结果的灵敏度,递归剔除灵敏度较低的若干特征,降低特征参数的维数。根据优化后的特征参数组合,利用支持向量机对黄瓜炭疽病和白粉病进行识别。实验结果表明,本方法对黄瓜炭疽病和白粉病的综合分类正确率在96%以上。设计的方法有效提高了黄瓜病害的识别率,并为其他作物病害的智能识别提供了借鉴。     

基于图像的植物病变叶面特征值提取研究

[目的]运用计算机图像处理技术对生产中的角斑病与斑疹病进行区分研究。[方法]利用计算机视觉技术对植物病变特征进行色度学研究,以颜色及纹理作为植物病害图像特征参数进行病斑图像周长、面积和形状的提取,从而进行病害图像的分类判断。[结果]以CIE1976HIS色调百分率直方图法提取色度特征参数,过程简单、有效,运算速度快,消除了叶片形状大小的影响;利用色调直方图的统计特征参数分析,其色调偏度能够显著地将不同病状区分出来。[结论]该研究认为色调偏度可作为区分角斑病与斑疹病的特征参数。     

木材缺陷检测图像处理系统工作平台的研制

对木材缺陷无损检测图像处理系统的软件工作平台进行了系统的研究。在Windows环境下开发出适合木材无损检测特点的系列软件。软件的功能包括图像输入、图像存取、平台窗口管理、图像几何处理、AOI操作、LOI操作和数字图像处理。数字图像处理含有9个子功能块，分别是快速中值滤波、快速均值滤波、高斯滤波、图像伪彩色处理、边缘检测、直方图均衡化等。经实际应用证明该平台具有直观、界面友好、操作方便等特点，有很强的实用性。     

一种新的茶叶病变面积比自动测量方法

植物叶病变面积的测量对植物生长发育和病虫害预测有着重要意义。本文以茶叶为例,对茶叶常见病变区域面积与整叶面积比值参数采用计算机图像处理技术进行了自动化测量,通过数码相机对发生病变的活体待测叶片拍照,输入计算机中进行叶片图像预处理、RGB彩色值统计、二值化、颜色分量过滤、像素点统计和指定区域面积比值计算,最终给出茶叶病变面积比自动化计算结果,实验结果表明,本方法在测量叶病变面积比中的有效性。     

Development of real-time onion disease monitoring system using image acquisition

In this study, real-time disease monitoring was conducted on onion which is the most representative crop in Republic of Korea, using an image acquisition system newly developed for the mobile measurement of phenotype. The purpose of this study was to improve the accuracy of prediction of disease and state variables by processing images acquired from monitoring. The image acquisition system was consisted of two parts, a motorized driving system and a PTZ (pan, tilt and zoom) camera to take images of the plants. The acquired images were processed as follows. Noise was removed through an image filter and RGB (red, green and blue) colors were converted to HSV (hue, saturation and value), which enabled thresholding of areas with different colors and properties for image binarization by comparing the color of onion leaf with ambient areas. Four objects with the most significant browning in the onion leaf to the naked eye were selected as the samples for data acquired. The thresholding method with image processing was found to be superior to the naked eye in identifying accurate disease areas. In addition, it was found that the incidence of disease was different in each disease area ratio. As a result, the use of image acquisition system in image processing analysis will enable more prompt detection of any changes in the onion and monitoring of disease outbreaks during the crop lifecycle.     

叶片病斑数量与面积自动化测量系统设计与实现

本研究以VS.Net2005为开发平台,在Windows XP SP3运行环境下,运用单位面积标定物和数字图像处理技术,实现了植物叶片病斑数量和面积的自动化测量。首先利用高分辨率数码相机对含病斑的活体待测叶片和单位面积标定物进行拍照,根据预先设定获取标定物位置,并统计其像素点数量,然后利用HSV颜色分量过滤及中值滤波除噪获得叶片病斑区域块,统计病斑数量和总像素数量,通过叶病斑区域总像素数量和标定物面积换算,最终自动计算出叶片病斑总面积,效果较好。     

基于Fisher判别分析的玉米叶部病害图像识别

 【目的】利用计算机视觉技术实现玉米叶部病害的自动识别诊断。【方法】在大田开放环境下采集病害图像样本,综合应用基于H阈值分割、迭代二值化、图像形态学运算、轮廓提取等算法处理病害图像,抽取病斑,提取病害图像的纹理、颜色、形状等特征向量,采用遗传算法优化选择出分类特征,并利用费歇尔判别法识别普通锈病、大斑病和褐斑病3种玉米叶部病害。【结果】研究中提取了墒、相关信息测度、分形维数、H值、Cb值、颜色矩、病斑面积、圆度、形状因子等28个特征向量,利用遗传算法优选出H值、颜色矩、病斑面积、形状因子等4个独立、稳定性好、分类能力强的特征向量,应用费歇尔判别分析法识别病害,准确率达到90%以上。【结论】综合运用数字图像处理技术、图像纹理、颜色、形状特征分析方法、遗传算法、费歇尔判别分析方法可以有效识别基于田间条件下采集的病害图像,为田间开放环境下实现大田作物病虫害的快速智能诊断提供借鉴。     

利用计算机视觉研究白茶加工中色泽的变化

利用计算机视觉技术把茶叶色泽指标的模拟量转换成数字量,研究白茶加工中色泽的变化.确定采集的图像文件大小为1.0 MB,光照条件为明亮的室内开闪光灯,摊叶量保证覆盖底板颜色.并采用改进后的H IS模型研究白茶加工中茶叶色泽的变化,结果表明,加工过程茶叶色泽变暗,色调由鲜绿色向棕褐色转变,不同萎凋方式萎凋叶的色调存在差异.明度总体上呈下降趋势,表明茶叶颜色逐渐变暗,而空调萎凋叶的色泽较亮.萎凋叶饱和度先降后升,表明茶叶颜色先退色后加深.空调萎凋叶饱和度较高,毛茶色泽差异不明显.     

基于图像处理的青冈栎叶绿素含量检测系统研究

为了实时、便捷、经济地获取植物叶绿素含量,研究了基于OPENCV机器视觉库的青冈栎叶绿素含量实时检测系统。首先通过数码照相机获得叶片图像,对图像进行阈值分割,图像噪声处理和图像遍历,获得图像R、G、B值。然后对图像R、G、B进行各种组合变化获到不同的图像颜色特征参数,分析各图像颜色特征参数与青冈栎叶片叶绿素含量的相关性,并对相关系数较高的叶片图像颜色特征参数与叶绿素含量进行拟合分析,结果显示图像特征参数R、R-B、(R-B)/(R+B)均达到非常显著相关。在此基础上建立叶绿素含量检测模型,基于C++程序语言,OPENCV视觉库以及QT4界面程序,编写青冈栎叶绿素含量检测系统。最后将系统检测结果与其他方法进行了比较,系统检测结果平均误差为7.19%,最大误差为12.65%,验证了该系统的有效性和准确性。