基于HOG特征的IKSVM稻瘟病孢子检测

为解决稻瘟病孢子的人工检测过程中主观性强、自动化程度低、效率低等问题,提出一种基于梯度方向直方图特征（HOG特征）的加性交叉核支持向量机（IKSVM）的稻瘟病孢子检测方法。该方法首先利用图像采集系统采集稻瘟病孢子图像,利用Gamma校正法调节图像的对比度,抑制噪声干扰;然后,提取孢子图像的HOG特征作为输入向量,输入到支持向量机中,构建加性交叉核支持向量机分类器;最后,通过训练得到稻瘟病孢子分类器。为测试所提出的HOG/IKSVM方法的综合性能,分别选用HOG/线性SVM方法与HOG/径向基核SVM（HOG/RBF-SVM）方法做对比试验。试验结果表明,HOG/IKSVM的检测率为98.2%,高于HOG/线性SVM方法的79%;在平均检测时间上,HOG/IKSVM方法的平均检测耗时仅为HOG/RBF-SVM方法的1.1%。说明该方法可以进行稻瘟病孢子室内检测识别。     

基于无人机可见光图像Haar-like特征的水稻病害白穂识别

实现稻田精准植保的关键是自然环境下病变区域的准确识别。为实现大面积稻田中白穗的精确识别,该文提出一种小型多旋翼无人机水稻病害白穂识别系统,该系统以无人机平台作为图像采集、处理和识别的基础,首先对白穗图像提取Haar-like特征,其次以Adaboost 算法进行白穗训练识别。以4类Haar-like特征及其组合构建弱分类器,用采集的稻田白穗和背景共700个样本点训练生成强分类器。所得强分类器对测试集中65幅图像中的423个白穗样本点进行识别验证,结果表明：白穗识别率可达93.62%,误识别率为5.44%,该方法可有效抑制一般的稻叶遮挡、稻穗黏连以及光照等复杂背景的影响,适合于自然环境下的稻田白穗现场识别。     

基于叶片营养诊断的苹果园果树精准施肥模型研究

针对苹果园缺乏精准施肥指导方法,造成果树养分供应比例不平衡、肥效低,导致果实质量不理想、品质不一致的问题,提出一种基于叶片营养诊断的苹果树精准施肥模型。首先,采用FCM-模糊聚类方法建立苹果树花量估测模型,根据花果叶理论中花量与果实的数量关系,估算苹果树的目标产量。其次,根据养分平衡法,对果树目标产量、土壤养分含量、肥料利用率以及肥料养分含量进行了分析,计算出果树的施肥总量,根据苹果树年生长周期的生长规律、需肥特性及叶片营养诊断结果,建立了苹果树的精准施肥模型。最后,在苹果园示范园内采用对照试验的方式进行施肥模型验证试验,比较两个对照组果园施肥量及果实品质结果。试验结果表明:(1)经验指导施肥导致施肥量变化幅度大、肥料用量大,施肥模型指导施肥使施肥量变化幅度小、肥料用量少,估测结果更加准确;(2)施肥模型指导施肥的果园相较于根据经验施肥的果园,果品质量明显提高:平均单果重增加37 g,果实硬度增加1.7 kg/cm2,可溶性固形物增加2.5个百分点,果实着色面在60%以上的果实数量增加11.5个百分点。综上所述,基于叶片营养诊断的苹果园精准施肥模型能够提高果品质量,降低肥料浪费,实现科学指导苹果园施肥。