基于支持向量机的水稻稻瘟病图像分割研究

水稻稻瘟病图像的分割是水稻稻瘟病自动分析与识别的关键环节,其分割效果直接影响后续处理。提出一种基于支持向量机的水稻稻瘟病病害彩色图像分割方法。首先选取叶子正常部分的像素点以及颜色相对复杂的病斑像素点作为负训练样本和正训练样本,提取像素R、G、B彩色分量作为特征向量,对支持向量机进行训练,然后在RGB空间利用训练好的支持向量机对待分割图像的所有像素点进行分类,实现水稻稻瘟病彩色图像的分割。为了获得最佳的分割效果,采用网格搜索法对径向基核函数下的不同核参数分割效果和性能进行比较与分析,确定最佳模型参数。利用此模型进行水稻稻瘟病图像分割实验,获得较好的分割精度,结果优于最大类间方差分割算法。     

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。     

基于病斑特征融合的烟草病害图像检索方法

针对目前烟草病害诊断专家系统依靠肉眼获取病害特征,致使病害诊断存在不确定性、误判等现象,提出了一种基于病斑特征融合的烟草病害图像检索方法以诊断病害。通过图像处理技术分割病害图像病斑,提取病斑的颜色、纹理、形状特征,依据双编码遗传算法和支持向量机识别病害模型对病斑特征降维,以获取表征病害的有效特征及权重。将有效特征归一化处理后与病害图像数据库系统中的病斑特征进行图像相似度距离计算,按距离大小返回一批相似图像,依据相似图像获取病害描述及防治措施。以烟草7种常见病害进行试验表明,融合病斑的颜色、纹理、形状特征检索病害图像,查准率和查全率明显比用单个特征检索的高。用这种方式诊断烟草病害,不但有较高的病害识别率,还能使诊断结果可视化,将其用于烟草病害诊断专家系统,将提高系统的鲁棒性,为实现病害的远程在线诊断提供条件。     

水稻稻瘟病及水稻纹枯病病害程度图像检测

由于水稻稻瘟病及水稻纹枯病的病害程度是根据距离特征来检测,目前还没有定义数字图像距离的唯一方法.为了实时获取作物病虫害危害程度信息,该文研究了一种利用椭圆模型来检测水稻稻瘟病及水稻纹枯病的危害程度--用椭圆拟合水稻稻瘟病单株最大病斑,计算椭圆主轴长与人工检测的实际最大病斑的长度比较,分析两者相关性,结果具有极显著性;同理,用椭圆拟合水稻纹枯病单株高度及病斑最高处距基部的距离,计算两椭圆主轴长并求两者之比即可对水稻纹枯病危害程度进行检测.平均正确率在90%以上.该研究对大型精准喷雾植保机械实时获取植物病虫害危害程度信息有较大参考价值.     

基于图像识别的玉米叶部病害诊断研究

【目的】探讨利用图像技术实现玉米叶部病害自动识别的方法。【方法】根据玉米叶部病害特点，综合应用阈值法、区域标记方法与Freeman链码法，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，最后根据二叉检索法推断病害。【结果】研究提取了五种玉米叶部主要病斑的识别特征，确定了诊断流程，并开发了识别系统。经检验，该系统对玉米叶部的锈病斑、弯孢菌病斑、灰斑、褐斑、小斑等五种主要病害的诊断准确率达80%以上。【结论】研究结果表明，用图像技术进行玉米叶部病害诊断是可行的，本研究开发的诊断系统为玉米病害自动识别与诊断奠定了基础。     

基于支持向量机的苹果叶部病害识别方法研究

为提高苹果叶部病害自动识别水平并实现快速有效地识别苹果叶部病害,本研究首先采用小波滤波算法对采集的苹果叶部锈病、斑点落叶病的图像进行去噪平滑,然后利用病斑颜色差异和边界跟踪算法对病斑进行分离,最后提取病斑颜色、形状和纹理等方面的特征,采用支持向量机(SVM)技术对病害进行自动识别。试验表明,该方法对苹果叶锈病和斑点落叶病样本进行处理识别的正确率较高,能够满足实际需求。该结果对苹果叶部病害的自动快速诊断和防治具有一定的指导意义。     

基于计算机视觉的水稻叶部病害识别研究

【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】（1）病斑图像获取：水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。（2）特征参数的选择与设计：首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。（3）病害识别流程的设计：根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。（4）病害识别模型的建立：将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。     

基于图像处理技术的玉米叶部病害识别研究

本文结合玉米作物病害的图像特征,首先进行图像的预处理,实现叶部病斑的分割;随后以6个参量来描述玉米叶部病斑的形状特征;将图像由RGB坐标向HSI坐标系统转换,提取参量描述病斑颜色特征;采用灰度共生矩阵提取玉米叶部病斑的纹理特征;引入粒子群优化算法对传统神经网络算法进行改进,使之具备准确分类并识别玉米叶部病害的能力;最后构建了玉米叶部病害图像识别系统,并通过实验与比较,证明了所构建的系统识别病害的准确度。     

水稻病害发生症状识别及防治技术

目前我县水稻已进人孕穗期,特别是进入7月份以后受温湿度的影响,水稻病害有发生与流行趋势.根据田间调查,水稻病害主要有稻瘟病、胡麻斑病、叶鞘腐败病等病害在我县已零星发生。据调查我县一些稻农并不了解水稻各病害症状,凡发现有褐色病斑都误认为是稻瘟病,盲目用药,这样不但给稻农带来经济损失还延迟病害防治最佳时期,为了不让农民走弯路减少稻农经济损失,下面把水稻病害症状及防治技术介绍如下：     

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。     

多重分形理论在玉米病害图像特征提取中的应用

【目的】分析不同玉米病害图像特征,提取病害图像特征参数,探讨准确、快速的病害图像特征数据提取方法。【方法】采用多重分形的分析方法和提升格式的多小波变换对玉米病害图像进行预处理,去除图像噪声。利用多重分形谱理论对去噪后的玉米病害图像进行局部边缘提取,并采用玉米病害图像多重分形谱的特征值作为玉米病害的形状特征。【结果】该方法可以获得玉米病害图像对应的多重分形谱曲线,并采集N8个特征值作为病害图像的特征参数。发现不同玉米病害图像的特征参数有较大差异,而同类玉米病害图像的形状特征参数有一定的规律性。【结论】基于多重分形理论的玉米病害特征参数的提取方法能快速、有效地提取反映病害图像特征的参数,可为玉米病害图像智能识别的进一步研究提供参考。     

稻叶瘟染病程度的可见-近红外光谱检测方法

基于可见-近红外光谱技术,并采用偏最小二乘算法对不同水稻稻叶瘟染病程度的叶片进行化学计量学分析.分别建立基于全波段、特征波段和特征波长的稻叶瘟染病程度定量检测模型.结果表明:全波段建模的叶瘟病染病程度检测正确率达到96.7%;通过偏最小二乘算法的回归系数选择5个特征波段.分别为552～558、672～682、719～726、756～768和990～998 nm,基于特征波段的模型正确率也达到了90%,说明该5个特征波段与叶瘟病染病程度有很好的相关性;基于特征波段结果,选择5个特征波长,对叶瘟病染病程度的检测正确率为80%.说明基于可见-近红外光谱技术方法具有较好的预测能力,为稻叶瘟染病程度的快速鉴别提供了一种新方法.     

基于多尺度特征提取深度残差网络的水稻害虫识别

【目的】在水稻生产过程中,针对不同虫害需要采用不同的防治方案,水稻害虫的准确识别分类是制定针对性防治方案的前提。【方法】采用深度学习结合机器视觉的方法,基于Res2Net结构提出了一种多尺度特征提取的深度残差网络,通过准确地提取害虫特征实现复杂自然背景下的水稻害虫识别;采用改进的残差结构,使用等级制的类残差连接取代了原本的3×3卷积核,增加了每个网络层的感受野,可以更细粒度地提取多尺度特征。【结果】本网络训练的模型能够有效地识别自然背景下的水稻害虫,在自建的包含22类常见水稻害虫的图像数据集上,平均识别准确率达到了92.023%,优于传统的ResNet、VGG等网络。【结论】本文提出的模型可应用于水稻虫情自动监测系统,为实现水稻害虫虫情的机器视觉监测提供参考。     

基于改进颜色特征的小麦病害图像识别技术研究

[目的]介绍一种根据小麦病害图像的颜色特征进行病害识别的方法。[方法]首先对小麦叶部图像进行预处理,利用小波变换进行病害部位增强和去噪;然后基于病害部位的非绿特征进行图像分割,得到只包含病害像素的图像;对病害图像颜色进行统计,得到R、G、B分量的均值,并用相对于绿色分量的均值比作为颜色特征值;最后通过分析样本图像得到每种病害的特征值范围,利用颜色特征值对未知样本进行病害识别。[结果]采用该方法对小麦叶锈病、条锈病、白粉病进行识别,平均准确率达到98%。[结论]为小麦病害的诊断与诊治提供了理论依据。     

基于多光谱成像技术选取稻飞虱为害后水稻叶片的特征波段

[目的]研究选取稻飞虱为害后水稻叶片的有效特征波段,用于从大量成像光谱数据中快速识别和分类稻飞虱为害后的水稻叶片。[方法]实验采用多光谱成像系统对400-720 nm波段范围,每隔5 nm的稻飞虱为害后的水稻叶片进行多光谱成像。[结果]根据波段指数原理,计算得出波段515,510,710,555,630,535,505,530和595 nm具有较理想的波段指数值,这些波段信息量丰富、相关性小;实验通过两种分类方法分别对稻飞虱为害后的水稻叶片的分类精度予以计算,得出全波段和特征波段的分类精度均大于90.00%。[结论]这些选取的波段可以作为稻飞虱为害后水稻叶片的有效特征波段,可以用于从大范围农作物中快速识别和分类水稻叶片。     

基于深度学习的水稻表型特征提取和穗质量预测研究

水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度。以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征。结合深度学习,运用Faster R CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水稻穗部的二值图像,结合图像处理技术提取穗部的33个表型特征数据。提取了颜色、形态、纹理共85个表型参数,对所有85个数据进行归一化处理,将归一化的85个表型数据与稻穗鲜质量、干质量进行逐步线性回归,挑选相关性高的特征数据。分别使用穗数和33个特征穗部、51个特征整株、所有85个特征中相关性高的特征数据构建盆栽水稻稻穗鲜质量、干质量的预测模型,最后根据模型的决定系数R2、平均相对误差（MAPE）和相对误差绝对值的标准差（SAPE）挑选最优预测模型。预测结果表明穗部特征预测效果最好,其中效果最好的模型鲜质量、干质量预测值与真实值的决定系数R2分别达到0.787±0.051和0.840±0.054。     

基于背景差分法的稻米动态图像检测识别

根据稻米形态特点设计了稻米动态图像采集系统,选用背景差分法对米粒动态图像进行目标分割,实现了运动状态下稻米图像特征提取。对提取的颜色、形态特征进行多结构神经网络训练,实现了透明整米、垩白整米、碎米和黄米四类稻米的识别,识别准确率分别为95．2％ ,89．6％ ,97．3％和90．5％。识别效果较好,为稻米在线图像检测分选奠定基础。     

图像颜色特征提取及其分类研究

在图像分类和检索中,如何对图像进行特征提取及提取图像的哪些特征信息,影响着图像分类的准确性。提出了一种基于颜色的特征提取算法,同时利用最新的多层的深度学习算法对图像进行分类。结果表明,该研究提出的图像分类方法比传统图像分类算法准确度有较大的提高。