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Variance–SFFS的小麦叶部病害图像识别

利用中值滤波结合k均值聚类的方法分割出小麦白粉病、条锈病和叶锈病叶部病斑,分别采用颜色矩和灰度共生矩阵的方法提取病斑的颜色特征和纹理特征参数,设计了一种基于Variance算法初选与序列浮动前向选择搜索算法(SFFS)相结合的特征选择方法,选择出优良的特征子集,实现对小麦3种叶部病害的识别。试验以SVM为分类器,利用特征选择方法获得的特征子集识别准确率为99%,与采用主成分分析(PCA)方法进行特征降维获得的子集的识别准确率比较,能有效降低特征维度,提高识别准确率。     

基于YOLOV3优化模型的复杂场景下茶树嫩芽识别

茶叶智能采摘的关键技术之一是待采摘嫩芽的识别,而嫩芽大小、环境光照、拍摄角度等因素都会给嫩芽的精准识别带来困难。针对复杂场景下传统茶树嫩芽识别方法准确率低的问题,文章提出一种基于YOLOV3深度卷积模型的识别方法,并通过增加SPP模块优化模型,提高模型对茶树嫩芽的识别能力。实验结果表明,YOLOV3模型和YOLOV3优化模型均能在复杂场景下实现茶树嫩芽识别,且YOLOV3优化模型的平均精度均值mAP比YOLOV3模型提高3.5百分点,达到91%,说明YOLOV3优化模型能够更好地应用于自然场景下的茶树嫩芽识别。     

基于时序巡航图像的茶树生长监测研究

茶树在生长过程会发生各种变化,对茶树进行实时监测有助于及时发现其生长异常状况,并采取有效手段减少经济损失、提高茶叶品质和产量。该研究设计了1个茶树生长图像监测系统,在茶园中架设1台可变焦云台摄像机,将茶园划分为若干监测区域,利用摄像机的变焦和转动获取监测区域的视频流,实现茶树生长的实时监测。定时对各监测区域进行图像抓拍,并按监测区域和时间保存到茶树生长图像库。通过对茶树生长图像库的分析,可以得到茶树的嫩芽萌发情况、病害发生过程、营养缺失情况等生长信息,以及光照、天气变化等环境信息。通过茶树图像的颜色特征参数与含氮量之间的回归分析,得到茶树含氮量的快速监测模型,平均相对误差在6%以内。本系统为获取茶树生长信息提供了一种快捷、简便、经济的技术手段,同时也适用于其他作物的生长监测。     

基于图像技术的玉米叶部病害识别研究

针对野外光照条件下玉米叶部病害的图像识别问题,采用Retinex算法进行图像增强,消除光照的不利影响,在R-G灰度空间中运用自动阈值法进行病斑图像分割,提取病斑的颜色、纹理及不变矩特征,并采用主成分分析和支持向量机相结合的方法进行玉米叶片常见病害的分类识别。实验结果显示,小斑病、锈病和弯孢菌叶斑病的总识别精度为90.74%。表明本研究方法在自然光照环境下可获得良好的病害识别效果,具有一定的实用价值。     

活鹅拔毛试验报告

近年来随着羽毛工业和对外贸易的发展,鸭鹅市场需求最逐步增加,经济价值提高,活拔鸭鹅毛的技术受到人们普遍重视。1986年开始我们就拔毛操作方法,拔毛时间,拔毛次数,以及对鹅体和产蛋能力的影响,拔毛鹅的越冬,冬季屠宰时毛的产量等进行了系列试验,现将情况介绍如下。