共查询到20条相似文献,搜索用时 281 毫秒
1.
2.
3.
4.
柑橘叶面病害是影响柑橘产量和质量的重要因素,如何对柑橘叶面进行病害识别是后期病害检测的一个关键步骤。为了提高柑橘在各种病害环境下病斑图像识别的准确率,提出了一种针对柑橘病害监测的HSV颜色直方图空间的图像检索改进算法。此算法用颜色空间来展现柑橘病害所导致的颜色变动,根据柑橘叶面病变产生的异常颜色信息,结合传统直方图图像检索方法,对柑橘叶面图像颜色进行非均匀量化处理,且将非均匀化量化处理后的归一化颜色矩阵作为因子来进行图像检索。使用者可以经过使用这种形式来检测柑橘叶面图像,及早发现病害。与传统的方案相比,此算法在柑橘叶面病害监测方面的检索查准率和查全率均有显著提高,从而验证了本文算法的有效性。 相似文献
5.
6.
《中国农村水利水电》2017,(6)
利用Tennant法、最枯月平均流量多年平均值法、90%保证率最枯月平均流量法和年型划分方法 4种生态基流估算方法对天山北坡呼图壁河的生态基流进行估算。结果表明:(1)Tennant法获得的生态基流量为一般用水期(10月-翌年3月)的最小生态需水量为0.055亿m~3,鱼类产卵育幼期(4-9月)的最小生态需水量为1.253亿m3;利用最枯月平均流量多年平均值法估算值为0.052亿m~3;利用90%保证率最枯月平均流量法估算基流量为0.072 8亿m~3;利用年型划分法估算生态基流量为0.166亿m~3。(2)对比4种方法可得利用最枯月平均流量多年平均值法估测值数值与实测值较接近,改进的Tennant法估测值不仅与实测接近,而且对年内用水可以进行更细致的划分,所以更适合用于反映呼图壁生态基流量。 相似文献
7.
为实现田间作业过程中对玉米茎秆的定位,提出了一种基于图像玉米茎秆位置的标记方法。以3~5叶期的玉米秧苗为观测对象,利用相机获取玉米秧苗的彩色图像。首先,根据玉米图像样本进行灰度化、加权滤波、直方图均衡进行预处理;对图像进行Ostu阈值分割,提取玉米秧苗区域信息;通过形态学处理去除噪点,得到最大连通域作为玉米秧苗区域。然后通过投影法,对该区域进行列向和横向向量求和,得到的最大值标记为玉米茎秆根部近似位置。对100株玉米秧苗图像进行测试,与图像手动标注位置进行对比,横向误差平均值为7.55,标准差平均值为1.04%,列向误差平均值10.85,标准差平均值为2.26%,实际误差平均值为12.33。该研究可为需要保护玉米秧苗的田间作业提供参考。 相似文献
8.
9.
针对传统的电网系统调度故障自动识别处理慢的问题,对电网系统调度故障自动识别处理方法进行设计。将电网分布成多个子区域,实时监测电源管理单元流入某区域的电流,实时搜索故障区域,在此基础上,针对故障区域中的每条线路,分别建立纯故障等值模型下的各边界节点的故障分量电压方程,确定故障线路,为保证对电网系统调度故障问题实时识别处理,设置监控界面,保证对电网系统调度故障自动识别处理的速度。实验对比结果表明,该方法比传统方法对于电网系统调度故障能够快速识别,并且能够及时对故障报警提醒,大大减少了电网系统调度故障带来的损失。 相似文献
10.
为了快速、准确地对小麦条锈病病害程度进行分级评估,提出了一种基于高光谱成像技术的小麦条锈病病害程度分级方法。首先利用Hyper SIS高光谱成像系统采集受条锈菌侵染后不同发病程度的小麦叶片高光谱图像,通过分析叶片区域与背景的光谱特征,对555 nm波长的特征图像进行阈值分割获得掩膜图像,并用掩膜图像对高光谱图像进行掩膜处理,提取仅含叶片的高光谱图像;然后用主成分分析法(Principal component analysis,PCA)得到利于条锈病病斑和健康区域分割的第2主成分(The second principal component,PC2)图像,采用最大类间方差法(Otsu)分割出条锈病病斑区域;最后根据条锈病病斑区域面积占叶片面积的比例对小麦条锈病病害程度进行分级。试验结果表明:测试的270个不同小麦条锈病病害等级的叶片样本中,265个样本可被正确分级,分级正确率为98.15%。该研究为田间小麦条锈病害程度评估提供了基础,也为小麦条锈病抗性鉴定方法提供了新思路。 相似文献
11.
针对缺乏有效监测水稻叶片感染白叶枯病害光谱指数的问题,以分蘖期的水稻叶片为研究对象,采集了接种白叶枯病菌的水稻叶片和对照处理的水稻叶片各200片,利用高光谱成像装置获取373~1033nm波段的水稻叶片光谱数据,选取450~900nm波段的水稻叶片高光谱数据作为样本。从每个样本中选取一个感兴趣区域(Region of interest, ROI)并计算平均光谱,经过Savtzky-Golay平滑处理得到平均光谱曲线;为了定量描述水稻叶片是否感染病害,提出将光谱分形维数(Fractal dimension, FD)作为定量描述水稻白叶枯病害的监测光谱指数,实现对白叶枯病害的监测。通过分析光谱指数(Spectral index, SI)和FD,建立SI和FD之间的多元线性关系,同时比较了FD与其他常用监测指数对白叶枯病害监测的有效性。结果表明:水稻白叶枯病害在绿峰(510~560nm)和红谷(650~690nm)波谱内的响应较为敏感;针对健康和感病叶片,FD与SI之间存在较好的多元线性关系,说明FD与光谱曲线有较好的对应关系,可以作为定量描述叶片健康状况的光谱指数;与常用监测指数相比,本文病害监测指数与水稻染病具有更高的相关性,其相关系数达到了0.9840,指数分布稳定性更高。本研究结果说明基于光谱反射曲线的圆规分形维数对判断水稻叶片是否感染白叶枯病害是可行的,为水稻白叶枯病害的监测提供了一种新方法。 相似文献
12.
针对复杂环境下番茄叶部图像因其背景复杂导致病害识别较为困难,以温室大棚内采集的番茄叶部图像作为研究对象,对番茄白粉病、早疫病和斑潜蝇三种常见病虫害,提出一种结合颜色纹理特征的基于支持向量机(SVM)的CCL-SVM的复杂环境番茄叶部图像病害识别方法。CCL-SVM方法为实现小样本及复杂背景环境下的快速识别,首先采用滑动窗口将原始番茄叶部病害图像切割成小区域图像,选取不包含背景的小区域图像样本作为试验样本,从而实现样本数量和样本多样性的增加,并降低样本复杂背景的影响。通过对样本数据抽取颜色纹理特征(CCL),采用SVM模型对番茄早疫病、白粉病、斑潜蝇和健康叶片分类识别。试验结果表明,提出的CCL-SVM方法比Gray-SVM对番茄叶片病害种类的识别性能得到大幅提升,识别率从60.63%提升到97.5%;CCL-SVM方法识别精度高于对比的深度学习网络VGG16和Alexnet方法,且每个小区域图像的平均测试时间远低于深度学习网络。本文设计的CCL-SVM方法具有减小复杂背景影响,计算量小及系统要求低的优点,为复杂环境下番茄病害快速识别提供一种新的思路。 相似文献
13.
针对温室黄瓜早期霜霉病高光谱图像田间采集环境光照的影响及有效病害特征难以提取的问题,提出融合病害差异信息改进的竞争性自适应重加权算法(Competitive adaptive reweighted sampling, CARS)和连续投影算法(Successive projections algorithm, SPA)相结合的特征波段提取方法,并建立了黄瓜霜霉病早期检测模型。首先,采集黄瓜健康叶片和染病12d内每天的高光谱图像,按病程分为7类;提取感兴趣区域,并计算平均光谱作为光谱数据;采用包络线消除法确定霜霉病害差异波段,基于病害差异波段采用CARS对7个不同阶段的光谱数据分别提取特征波段,再利用SPA进行二次降维寻优;最后,将各特征波段组合,得到47个特征波段数据,据此建立最小二乘-支持向量机(Least square support vector machines, LSSVM)模型,用于病害检测。在94个叶片样本组成的测试集上进行了病害检测实验,结果表明,融合病害差异信息的Dis-CARS-SPA-LSSVM对染病2d到发病12d均能取得100%的检测识别率;对染病1d的测试集检测识别率达到95.83%,其中染病样本的召回率达到100%,相较于未融合病害差异信息的CARS-SPA特征提取方法识别率高4.16个百分点。说明所提出的Dis-CARS-SPA-LSSVM模型能够有效实现温室黄瓜霜霉病害的早期检测。 相似文献
14.
随着植保变量喷施作业机械的研究和应用,急需一种高效的病害程度识别技术。为此,针对水稻稻叶病运用拉曼光谱仪采集正常及受病害叶片的光谱特性,通过绘制折线图及受试者工作特征曲线进行水稻受病害程度分析,并运用动量因子BP神经网络优化算法,建立了寒地水稻稻叶瘟的病害程度检测模型。结果表明:优化的BP神经网络算法网络预测集的均方误差为0. 002 409 6、相关系数为0. 998 2。该方法可以较好地区分水稻正常叶片、稻叶瘟重度和轻度叶片,是一种高效的病害程度识别技术。 相似文献
15.
植物病害对食品安全具有灾难性的影响,它可以直接导致农作物的质量和产量显著下降,因此对植物病害的早期鉴定非常重要。传统的农作物病害诊断需要非常高的专业知识,不仅费时费力,还效率低下。针对这些问题,利用深度学习的方法,以马铃薯叶片为研究样本,基于TensorFlow开发Faster R-CNN网络模型。采用本地增强的方式对带有早疫病、晚疫病和健康的马铃薯叶片进行图像扩充,应用COCO初始权重进行迁移学习,探究了数据类别对模型检测结果的影响。结果表明,随着训练数据类别的增多模型性能会有略微的降低。同时还训练YOLOv3,YOLOv4网络与该模型进行对比,测试结果表明,所提出的Fater R-CNN模型优于其他网络模型。经检测该模型最佳精度达到99.5%,该研究为马铃薯病害检测提供了技术支持。 相似文献
16.
对晚疫病害胁迫下马铃薯叶片中叶绿素含量(SPAD)及植被指数与高光谱特性进行了关联研究。首先,对接种晚疫病菌的马铃薯叶片进行连续观测7天,获取375~1 018nm波段范围内叶片的高光谱信息和SPAD信息;然后,应用ENVI软件提取高光谱数据中感兴趣区域的平均光谱信息,选择预处理效果最好的方法建立不同的预测模型,包括基于全光谱和连续投影算法(Successive Projection Algorithm,SPA)选择特征波长的偏最小二乘回归(Partial Least Squares Regression,PLSR)模型与最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)模型,以及4种植被指数RENDVI、VOG1、VOG2、VOG3建立的简单经验估测模型。建模结果表示:全光谱的PLSR模型预测效果最好,而基于特征波长的LS-SVM模型和植被指数的二次多项式模型预测效果稍差,但大大简化了模型,为后续开发便携式仪器提供理论依据。研究表明:应用高光谱技术检测遭受晚疫病害的马铃薯叶片的SPAD及植被指数是可行的,为病害胁迫下作物的其他化学指标实时监测提供了新的路径。 相似文献
17.
马铃薯叶片早疫病的高光谱识别研究 总被引:2,自引:0,他引:2
为实现马铃薯叶片早疫病的快速识别,达到尽早防治的目的,利用高光谱成像系统连续4天采集375~1018nm波段内的健康和染病马铃薯叶片的高光谱数据信息,并用ENVI软件提取感兴趣区域的光谱反射率平均值。分别建立基于全光谱(full spectrum,FS)、连续投影算法(SPA)和载荷系数法(x-LW)提取的特征波长的BP网络和LS-SVM识别模型,其中FS-BP、SPA-BP、x-LW-BP模型中预测集识别率分别为100%、100%、98.33%,LS-SVM模型的预测集识别率均为100%;SPA和x-LW提取的特征波长个数均仅占全波长的1.47%,大大简化了模型,提高了运算速率。实验表明:应用高光谱成像技术可以快速、准确地识别出马铃薯叶片早疫病,且SPA和x-LW可以作为特征波长提取的有效方法,为田间马铃薯早疫病的在线实时检测仪器的开发提供理论依据。 相似文献
18.
19.
水稻病害是影响水稻产量的重要因素之一,水稻病害的早期预测对水稻病害防治至关重要。为了实现水稻白叶枯病害的预测,连续采集了从接种病菌到早期发病共7d的白叶枯病害胁迫下的叶片高光谱图像。利用Savitzky-Golay算法对高光谱图像进行预处理,并利用主成分分析(Principal component analysis, PCA)和随机森林(Random forest, RF)算法提取光谱特征,构建多任务学习(Multi-task learning, MTL)与长短期记忆(Long short-term memory, LSTM)网络融合的预测模型,对水稻病害发病率和潜伏期进行预测,并利用鲸鱼优化算法(Whale optimization algorithm, WOA)对MTL-LSTM模型进行优化。实验结果表明:PCA和RF可以有效地从高光谱图像中提取光谱特征,降低高光谱数据维度,且基于光谱特征构建的预测模型性能优于全波段光谱构建的预测模型性能,建模时间降低约98%。基于时序高光谱构建的预测模型对发病率和潜伏期的预测取得了预期效果,基于前10个特征波长构建的WOA-MTL-LSTM模型取得了最优的预测性能,对发病率和潜伏期预测测试集的R2分别为0.93和0.85,RMSE分别为0.34和2.12,RE分别为0.33%和1.21%。通过WOA算法可以提升MTL-LSTM的预测性能,对发病率和潜伏期预测的R2均提升0.05。研究结果表明RF提取高光谱特征能有效表征全波段光谱,基于时序高光谱的WOA-MTL-LSTM模型可以准确预测白叶枯病害发病率和潜伏期,为水稻白叶枯病害的预防提供了技术支持。 相似文献
20.
为准确快速定量诊断黄瓜的病害,科学选择病害管控措施,基于Android技术和图像处理方法设计了可用于自然背景的黄瓜叶部病害定量诊断系统,并进行了试验。对黄瓜叶部彩色图像,首先进行图像预处理和背景剪除,再识别病斑区域,最终计算病斑区域占其所在叶片区域的百分比及根据国家相关标准与其对应的病害等级,计算结果以数值形式显示在诊断结果界面,同时用红色标识出病害区域。系统既适用于白色打印纸等简单背景,也适用于较为复杂的自然背景;所识别的病害叶片图像既可以从摄像头实时获取,也可以从手机存储载入。以50幅黄瓜霜霉病病害叶片为对象对系统进行测试,试验结果表明,系统可以较准确地对黄瓜霜霉病病斑区域进行识别(病斑区域识别综合误分率为6.56%),并按照国家标准给出病害等级(综合错误分级率为3%);简单人工背景下系统识别时间为1 s,自然背景下系统识别时间约为11 s。 相似文献