基于ComⅥ和双阈值OTSU算法的农作物图像识别

针对农作物图像中依附泥土和杂质噪声呈现不规则性和复杂性特点,提出了一种基于植被指标合成双阈值OTSU算法的农田作物图像识别方法.该方法根据农作物充分显露和部分被遮盖2类图片特点,将图像识别过程分为3个阶段：首先利用植被指标合成获取农作物图像灰度图,然后根据双阈值OTSU自适应算法进行二值化处理与图像分割,再进行正常的形态学运算,将3个阶段所分割的图像叠加形成最终的农作物与土壤识别图像,并将该算法与双阈值迭代设定法进行了对比.试验研究表明该算法克服了传统灰度图算法和阈值迭代算法的缺点,能有效提取和识别过渡区域的边缘,图像识别的准确率为92.7%以上.最后,采用Visual Basic2010和Matlab 2012软件设计了农作物图像识别系统,从应用角度实现了图像识别的可视化与自动化.     

作物病虫害自动识别技术研究——基于视频监控和无人机平台

通过无人机跟踪飞行、图像传输、图像处理和SVM算法等技术来实现农作物病虫害的视频监控和识别,探索了基于SSD的目标检测和跟踪方法,以及基于图像加强、特诊提取和SVM模型的作物虫害识别方法。实验结果表明:系统具有较高的识别率,能够将其应用于农业生产中,为农作物病虫害快速识别和防治提供支撑。     

基于深度学习的农作物病虫害图像识别技术研究进展

深度学习作为图像识别领域重要的技术手段,具有识别速度快、准确率高等优势。阐明了深度学习技术研究的意义及必要性,概述了国内外深度学习领域农作物病虫害图像识别技术的研究进展,对深度学习技术在图像识别研究中存在的问题进行归纳总结,并指出深度学习领域中的图像识别方法存在训练样本大、模型结构复杂、复杂图像识别正确率低等问题。提出了一种CNN与胶囊网络的组合模型,经过初步实验,模型的图像识别正确率达93. 75%,比CNN模型提高了3. 55个百分点。随着深度学习技术的不断发展,胶囊网络研究将是未来的发展趋势。     

基于深度学习的植物病虫害图像识别

植物病虫害的识别是对植物保护和利用的基础,随着计算机图像识别技术的发展,利用计算机图像处理技术获取植物病虫害信息可以大大提高植物病虫害的识别效率。选择SVM工具箱和Matlab的图形用户界面工具箱GUI设计开发了苜蓿植物病虫害识别系统,构建了自然环境下图像数据库和特定环境图像数据库,为今后的植物病虫害图像识别技术的发展奠定了基础。      

四旋翼飞行器在农业病虫害识别中的应用研究

农作物病虫害问题已然是农业生产中的一例顽疾,不仅导致了农作物大规模的减产减质,还造成了巨大的经济损失。本文针对农作物病虫害问题,提出采用以四旋翼飞行器为基础,通过航拍监控系统进行图像实时传输,利用图像处理技术识别农作物病虫害的研究方法。本文阐述了图像处理技术应用于农作物病虫害的防治,经过有效的图像处理方法,在农作物病虫害防治技术方面取得了很好的效果。     

基于迁移学习的农作物病虫害检测方法研究与应用

为了提高农作物病虫害严重程度（健康、一般、严重）的分类效果，采用迁移学习方式并结合深度学习提出了一种基于残差网络（ResNet 50）的CDCNNv2算法。通过对10类作物的3万多幅病虫害图像进行训练，获得了病虫害严重程度分类模型，其识别准确率可达91.51%。为了验证CDCNNv2模型的鲁棒性，分别与使用迁移学习的ResNet 50、Xception、VGG16、VGG19、DenseNet 121模型进行对比试验，结果表明，CDCNNv2模型比其他模型的平均精度提升了2.78~10.93个百分点，具有更高的分类精度，病虫害严重程度识别的鲁棒性增强。基于该算法所训练的模型，结合Android技术开发了一款实时在线农作物病虫害等级识别APP，通过拍摄农作物叶片病虫害区域图像，能够在0.1~0.5s之内获取识别结果（物种-病害种类-严重程度）及防治建议。     

基于骨架提取算法的作物茎秆识别与定位方法

针对农作物禾苗和杂草辨识和定位不精确,会造成除草机器人除草不净、伤害禾苗、影响产量等问题,提出了一种基于骨架提取算法的作物茎秆中心识别与定位的多级图像识别方法。该方法通过不同图像处理算法的多级式递进融合,实现对农作物茎秆的精确识别与中心定位。首先将采集到的彩色图像转换到HSV颜色空间进行背景分割。然后采用腐蚀算法对图像进行腐蚀操作,腐蚀掉杂草图像信息得到仅含作物的图像信息,最后用Zhang-Suen细化算法对作物图像进行骨架提取操作,并对骨架交叉点进行计算分析,识别与定位作物茎秆中心,实现作物精准辨识和定位。对采集的100幅苗期图像进行实验测试,结果表明农作物禾苗茎秆中心识别和定位精度误差小于12mm。本文方法能实时精准辨识禾苗和杂草,并对禾苗进行精准定位,为实现田间机械化除草提供了一种精准可靠的作物识别和定位方法。     

基于纹理差异度引导的DRLSE病虫害图像精准分割方法

为精准分割纹理背景下的病虫害目标,提出一种基于混合高斯模型的纹理差异度表示方法和基于纹理差异度引导的DRLSE农作物病虫害精准分割方法。采用基于混合高斯模型的纹理差异度表示方法得到纹理差异度图像,利用Otsu自动阈值分割和形态学后处理得到农作物病虫害DRLSE演化的初始区域,将基于改进纹理差异度的边缘停止函数应用到DRLSE演化中。实验结果表明该方法可以获得精准的害虫和病变区域轮廓。     

基于渐进式生成对抗网络的农作物病虫害细粒度分类

随着深度学习应用的普及和飞速发展,基于深度学习的图像识别方法广泛应用于农作物病虫害领域,但大部分的神经网络重视识别准确率的提高,却忽略神经网络庞大的参数计算量。为解决这个问题,基于渐进式生成对抗网络判别器模型和卷积注意力模块,提出一种改进的渐进式生成对抗网络判别器CPDM网络模型对农作物病虫害进行识别。通过对渐进式生成对抗网络判别器网络结构的调整,采用均衡学习率、像素级特征向量归一化和卷积注意力模块增强CPDM网络模型的特征提取能力,提高对真实图片的识别准确率。试验在PlantVillage数据集上进行,将该模型与VGG16、VGG19和ResNet18进行比较,得到TOP-1准确率分别为99.06%、96.50%、96.65%、98.86%,分别提高2.56%、2.41%、0.2%,且参数量仅为8.2 M。试验证明提出的CPDM网络模型满足在保证分类准确率的基础上,有效控制神经网络参数计算量的目的。     

基于多层EESP深度学习模型的农作物病虫害识别方法

为了提取图像高层语义特征、解决各种植物病虫害图像尺寸不相同的问题,提出了多层次增强高效空间金字塔(Extremely efficient spatial pyramid,EESP)卷积深度学习模型。首先,对图像进行预处理;其次,构建多层融合EESP网络模型,该模型通过对每层设置不同的空洞率进行空洞卷积,选择性地提取不同层次的特征信息,通过融合各层信息获得各种农作物病虫害图像的不同特征;最后,通过Softmax分类方法实现农作物病虫害识别。数据集包括10种农作物的61种病虫害类别,迭代训练300次,得到本文方法 Top1分类准确率最高达到了88.4%,且采用三阶EESP模型达到了最佳效果。     

病虫害智能识别喷药装置设计——基于PC图像处理和近红外光谱分析

在自动化喷施农药过程中,为了准确识别病虫害作物、节约农药和降低农业对环境的污染,以及提高药物的去虫效率,提出了一种基于PC图像处理和近红外光谱分析的作物病虫害智能识别喷药装置。该装置分为3个模块,包括近红外病虫害识别模块、喷药自动化调节模块和车载设备,其控制模块为安装在车上的PC机,利用近红外识别装置可以判断作物是否被病虫害污染,并且识别作物污染的等级,采用喷药自动化调节模块可以实现农药的定量调节,利用车载设备实现了全自动化喷药。对装置的性能进行了测试,结果表明:采用近红外识别装置和主成分分析法可有效地识别病虫害污染的作物,识别准确率较高;喷药自动化装置可根据病虫害的等级进行变量化喷药,减少了农药使用量,得到了较高的去虫率,从而验证了装置的可行性和可靠性。     

荔枝病虫害图像识别技术研究和应用

荔枝是广东岭南特色水果产业之一，又是广东十大特色作物之一。尽管近年来荔枝现代生产技术有了较大的提高，但广东气候条件容易引起病虫害发生，对露天生长的广东荔枝的产量和品质造成严重的不利影响，阻碍荔枝产业发展和种植户增收。做好荔枝病虫害防治工作，对推进荔枝品牌产业发展、荔枝种植户增收具有重要现实意义。该文采用卷积神经网络算法开展荔枝病虫害图像识别技术的研究与应用，主要包括两个方面内容。一是探讨荔枝病虫害图像识别技术。二是以广州智慧农业气象服务平台为载体，探索构建新型的病虫害气象防御体系，也就是给荔枝种植户既提供荔枝病虫害图像智能识别服务，又提供病虫害小百科知识、防治建议，更为种植户构建“个人空间”，实现靶向预警，并逐步构建个性化荔枝基地病虫害预测预警模型，探索荔枝病虫害预测诊断相结合的服务模式。因此，既探讨图像识别技术如何实现又研究立体式防御措施是该文的创新点。      

基于深度学习的柑橘病虫害动态识别系统研发

柑橘是我国重要的经济林果之一,因种植区多在山区坡地,病虫害防治给管理带来了很大困难,在线监测与专家决策成为现代农业发展的方向。本文采用物联网技术和深度学习方法,基于尺度可变视频流信息,设计并构建了一套基于柑橘叶片的病虫害动态识别系统。该系统实现了全方位智能控制,解决了实时叶片图像变形和尺度缩放等问题,实现了柑橘图像的动态采集和智能识别。叶片检测的MAP达到87.72%,病害识别准确率达到95.46%,系统运行结果表明,该系统可有效实现柑橘智能监控的管理,为病虫害物联网监控提供参考。     

农作物病虫害遥感监测关键技术研究进展与展望

病虫害是影响农作物健康生长、产量和质量的制约因素之一,加强农作物病虫害的监测,对农作物病虫害进行精准防控,对保障粮食安全,提高农产品产量和质量具有重要意义。随着信息技术的发展,农作物病虫害监测由传统的人工监测逐渐向自动化、信息化和智能化方向发展。农作物病虫害监测平台、监测传感器技术以及相关的数据分析和处理技术是研究农作物病虫害遥感监测的关键技术,这些关键技术的发展水平,决定了农作物病虫害遥感监测技术的发展水平。本文从监测平台、监测传感器技术和相关数据分析与处理技术3方面对农作物病虫害监测技术研究进展进行综述。在监测平台方面,归纳总结了地面监测平台、航空监测平台和卫星监测平台的国内外研究现状,并分析了上述平台优缺点;在监测传感器技术方面,综述了雷达传感器、图像传感器、热成像传感器和光谱传感器等在作物病虫害领域的研究进展;在相关数据分析与处理技术方面,阐述了经典统计算法、计算机图像处理算法、机器学习算法和深度学习算法在农作物病虫害监测领域的研究成果。最后提出了监测平台、监测传感器技术和相关数据分析与处理技术的未来发展趋势,以期为进一步促进我国农作物病虫害监测平台及相关技术的发展提供参考。     

基于多源信息融合的中文农作物病虫害命名实体识别

随着农作物病虫害研究文献的快速增长,对农作物病虫害领域文献进行文本挖掘变得越来越重要。开发有效、准确的农作物病虫害命名实体识别系统有助于在农作物病虫害相关研究报告中提取研究成果,为农作物病虫害的治理提供有效建议。本文针对中文农作物病虫害数据集缺失问题,提出了基于半远程监督的停等算法,利用该算法构建中文农作物病虫害领域语料库,大幅度减少标注过程的人工成本和时间成本;同时,提出了中文农作物病虫害命名实体识别模型（Agricultural information extraction, Agr-IE）,该模型基于BERT-BILSTM-CRF,辅以多源信息融合（多源分词信息和全局词汇嵌入信息）丰富字符向量,使其充分结合字符级与词汇级的信息,以提高模型捕捉上下文信息的能力。实验表明,该模型可以有效地识别病害、虫害、药剂、作物等实体,F1值分别为96.56%、95.12%、94.48%、95.54%,并对识别难度较大的病原实体具有较好的识别效果,F1值为81.48%,高于BERT-BILSTM-CRF、BERT等模型的相应值。本文所提模型在MSRA和Weibo等其他领域数据集上与CAN-NER、Lattice-LSTM-CRF等模型进行了对比实验,并取得最佳的识别效果,F1值分别为95.80%、94.57%,表明该算法具有一定的泛化能力。     

树木保温材料缠绕、涂白与病虫害智能识别防治一体机的设计

随着城市绿化建设的不断推进,树木冻害、虫害的防治逐步成为园林绿化部门的工作重点。传统人工作业效率较低,一致性不高,因此,急需一种低成本、高质、高效的绿化树木防寒防治设备。通过分析研究连续缠绕机械装置的结构原理及其工作负载的产生机理,建立基于百度AI的Easy DL定制化训练和服务平台的病虫害图谱智能识别模型,优化涂白工艺参数,设计精准施药装置,开发了树木保温材料缠绕、涂白与病虫害智能识别防治一体机。实现了保温材料连续缠绕、涂白、病虫害图像智能识别及精准施药治理等功能的集成一体化设计,结构紧凑、功能多样、可操作性较强、地形适用范围广,可高质高效的完成绿化树木保温材料缠绕、病虫害监管与施药治理等工作。     

农业自动化喷雾机械标靶害虫自动识别系统的研究

农业喷雾对象的识别和定位是农业自动化喷雾机械研究中的核心技术之一。对病虫害甘蓝进行精准喷洒农药,实现病虫害准确自动识别成为关键。为此,利用机器视觉的欧氏距离甘蓝夜蛾虫害自动识别检测系统,结合由Qualityspec光谱仪组成的光谱成像系统,对甘蓝正常叶片和遭受甘蓝夜蛾虫害的甘蓝叶片的颜色特征和光谱特征进行分析,并采用机器视觉分割阈值选取中的Otsu算法和自适应波段选择方法提取出了颜色差异的最佳几何阈值和两种叶片的特征波段。试验结果表明:综合机器视觉和光谱技术能够实现甘蓝夜蛾虫害的自动且准确的识别,准确率可达94%。因此,建立机器视觉和光谱技术综合识别体系,可为农作物病虫害自动防治喷雾机器人的研制奠定基础,以达到农作物病虫害实时识别和及时治理的目的。     

基于卷积神经网络的害虫分类

农作物病虫害是一种严重的自然灾害,需要对其进行及时预测和监控,以保证农作物产量。由于害虫种类繁多以及作物在生长初期的形态相似,农业工作者难以准确识别各类作物昆虫,给病虫害的防治工作带来巨大挑战。针对这一问题,提出一种基于多尺度特征融合的网络模型(FFNet)对作物害虫进行精准识别与分类。首先,采用空洞卷积设计多尺度特征提取模块(MFEM),获取害虫图像的多尺度特征图;然后,使用深层特征提取模块(DFEM)提取图像的深层特征信息;最后,将分别由多尺度特征提取模块(MFEM)和深层特征提取模块(DFEM)提取到的特征图进行融合,从而实现以端到端的方式对作物害虫进行精准分类与识别。试验表明：所提出的方法在12类害虫的数据集上获得优异的分类性能,分类准确率(ACC)达到98.2%,损失函数Loss为0.031,模型训练时间为197 min。     

基于Android的玉米病虫害机器视觉诊断系统研究

为了使农业智能诊断系统更加廉价、便捷,有效地为普通农户服务,提出了一种基于Android手机的农业病虫害智能诊断系统。该系统使用Android智能手机对玉米病虫害部分进行图片拍摄,并将图像利用无线网上传至Web服务器,利用分割和匹配算法对病虫害部分进行智能化分析,最终将结果传输到手机用户端。为实现图像匹配的特征点提取,采用高斯差分的方法对图像进行分割和精确定位,使用聚类算法对匹配效果进行优化,并利用特征点的无限逼近,完成病虫害图像的匹配,从而诊断病虫害的类型。上传后的图像和Web服务器的规则库的图像进行匹配后可以生成病虫害的匹配结果信息,该信息可以通过Android智能系统接收,最终反馈给农户的手机客户端。通过测试发现:玉米病虫害诊断系统可从多幅图像里有效地对病虫害类型进行匹配,匹配成功率较高,系统的稳定性较好,具有很好的推广前景。