基于改进型C—V模型的植物病斑图像分割

针对植物病斑图像背景复杂且分割难问题,提出一种基于水平集和加权颜色信息的C-V模型。借助水平集方法对病斑图像的R、G、B分量图像颜色信息取加权值,以差分图像能量作为能量函数最终值,以适应不同的病害种类。试验结果表明,经过R、G、B加权的黄瓜红粉病病斑图像使用4R-G图像模型、苹果锈病病斑图像使用3R-G-B图像模型自动分割的效果较好,比传统C-V模型分割性能好,抗噪性好,可扩展性好。     

基于PSA-YOLO网络的苹果叶片病斑检测

为提高YOLOv4目标检测算法对苹果叶片小型病斑的检测性能,提出了一种PSA（金字塔压缩注意力）-YOLO算法。在CSPDarknet53的基础上融合了Focus结构和PSA机制,并采用网络深度减小策略,构建了参数量小、精确度高的PSA-CSPDarknet-1轻量化主干网络。其次在网络颈部,搭建了空间金字塔卷积池化模块,用极小的计算代价增强了对深层特征图的空间信息提取能力,并采用α-CIoU损失函数作为边界框损失函数,提高网络对高IoU阈值下目标的检测精度。根据实验结果,PSA-YOLO网络在苹果叶片病斑识别任务中的AP50达到88.2%。COCO AP@[0.5∶0.05∶0.95]达到49.8%,比YOLOv4提升3.5个百分点。网络对于小型病斑的特征提取能力提升幅度更大,小型病斑检测AP比YOLOv4提升3.9个百分点。在单张NVIDIA GTX TITAN V显卡上的实时检测速度达到69帧/s,相较于YOLOv4网络提升13帧/s。     

基于循环一致对抗网络的玉米灰斑病图像迁移方法研究

针对玉米病害图像采集困难,特别是灰斑病表现差异性较多问题,提出一种基于循环一致对抗网络（CycleGAN）的玉米灰斑病图像生成算法,通过病害图像迁移,使得健康的作物图像可以生成患病作物图像。此方法首先通过特征提取分别提取出健康玉米图像特征和灰斑病图像特征;然后把两种特征图像输入到CycleGAN的生成器Gs中,结合生成器中的残差网络提高图像传输时的准确性,利用两个判断器判断生成的图像是否一致;最后通过对健康玉米图像进行病害迁移得到所需的玉米灰斑病图像。试验结果表明：与VAE、GAN的图像进行迁移比较,结构相似SSIM值整体分别提升50.434%、18.762%,均方误差MSE值整体减少12.891%、9.558%;直观效果上CycleGAN迁移后的不同病害程度的玉米灰斑病效果更好,因此使用CycleGAN网络生成的玉米灰斑病图像更准确。     

基于植物病斑的图像分割研究综述

图像分割是图像处理中的关键技术之一。目前,基于植物病斑的图像分割算法很多,对于不同的病斑特点,人们提出了相应地解决办法,而且还在不断改进和提高这些算法的效率和有效性。为此,结合目前的研究进展,对图像分割的分类及其在植物病斑的处理中的应用进行综合型阐述,并对各分割算法所存在的问题以及未来发展的趋势进行了讨论。     

基于流形学习算法的玉米叶部病斑图像降维与聚类分析

流形学习算法是当今广泛使用的降维算法,但在玉米病害识别方面应用较少。本文通过利用Isomap、LLE和LE三种流形学习算法对玉米病斑图像进行降维对比研究,并运用K-means和K-medoids两种聚类算法对降维后的数据进行聚类分析,其中LLE算法在玉米叶部病斑图像的降维效果更好,能够为病害识别提供保障。     

基于图像处理的黄瓜叶片病斑分级方法的研究

目前由于植物病理学中辨别病害主要以目测为主,主观判断占据主导。为了实现可靠的病害诊断,开发出一种基于计算机图像处理技术的病害分级新方法,并运用了分水岭法提取叶片区域。为了减少由光照变化产生的干扰,经比较提出了在YUV颜色模型下选取V分量进行病斑分割的方法。最后通过计算病斑面积与叶片面积的比例得出病害的染病级别。实验表明,该方法能够快速准确地对黄瓜叶片病害的严重程度进行分级,具备良好的分类能力。     

基于卷积神经网络马铃薯叶片病害识别和病斑检测*

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。     

基于模糊聚类的玉米大斑病害图像的分割技术

通过颜色空间的转换,将RGB颜色空间转化为HSI颜色空间,在色度H空间对玉米大斑病图像进行分割。应用模糊聚类分析的方法,确定了图像分割的阈值。对186幅玉米大斑病图像进行分割试验,分割的准确率为97．8％。分析表明,准确的病害图像分割可以为病害的特征值提取和病害的模式识别做好准备。     

玉米灰斑病病原菌生物学特性研究

系统研究了玉米灰斑病分生孢子的生物学特性。结果表明,尾孢菌分生孢子在10℃-30℃都能萌发,萌发的适宜温度为20℃~30℃,25℃时的萌发率达95.0%。分生孢子在pH值为4~10的条件下都能萌发,适宜pH值为6--8。孢子密度大时的萌发率要明显低于孢子密度小时的萌发率。致死温度为55℃,光暗交替有利于孢子萌发。尾孢菌在供试碳源营养液中均可萌发,其中在葡萄糖中的萌发率最高,麦芽糖中的萌发率最低;尾孢菌在供试的氮源营养液中的萌发率都很低,或者不萌发。〈br〉 玉米灰斑病病斑产孢的研究结果表明,病斑0.8 cm时的产孢量最少,病斑2.0 cm时的产孢量最多。尾孢菌在低于20℃时病斑不能产孢,20℃~30℃时病斑均能产孢,最适宜的病斑产孢温度为25℃。     

基于遗传模糊神经网络的植物病斑区域图像分割模型

针对植物病斑区域图像边界的模糊性和不确定性因素,利用模糊逻辑的推理规则和神经网络的自适应性,提出全规则的自适应模糊神经网络模型作为植物病叶图像像素归属的决策系统,并利用遗传算法对系统的可调整参数初始值进行全局优化,提高了网络训练速度,避免了传统BP算法的局部最小值。通过对马铃薯早疫病病斑图像分割的实验表明,该模型速度快且稳定,精度高且鲁棒性好,简单易于实现。     

作物病害图像中重叠病斑分离算法

针对传统的分水岭分割算法的不足,应用了一种基于标记测地重建的分水岭算法对棉花重叠病斑图像进行分离.首先对病斑二值图像利用多尺度距离变换获得病斑的距离图像,通过极限腐蚀操作检测出标记种子;然后以种子标记为基础.运用形态学测地重建运算获取测地影响区骨架SKIZ--分水岭线;最后利用分水岭线与原病斑图像进行交集运算.从而得到分离的图像.运用该算法对棉花重叠病斑图像进行分离,试验结果表明:该方法能较好地将图像中的重叠病斑分离,并较好地保存病斑边缘信息,对图像中的微小结构和噪声不敏感,具有良好的鲁棒性.     

基于AABB-OBB盒的玉米叶片碰撞检测

在数字植物虚拟仿真场景中,植物三维模型之间容易出现交叉穿透现象,有必要进行快速有效的碰撞检测。选择以玉米叶片为研究对象,针对叶片形态提出了一种基于AABB-OBB混合包围盒的碰撞检测方法。首先通过AABB盒相交测试剔除部分未相交对象;然后根据叶片形态特点,对可能相交对象构造OBB盒二叉树。依据玉米叶片交叉常态,改进了分离轴测试顺序,提出了基于优先权值的节点搜索方式,并优化了特殊情况的图元测试过程。实验结果表明,该方法能够准确快速地检测到玉米叶片的交叉状况。     

几种药剂对玉米灰斑病的防治效果研究

玉米灰斑病是一种由玉蜀黍尾孢子菌侵染玉米后引起的病害,对玉米危害较大。汨罗市是湖南省重要的玉米产地,玉米灰斑病较重。文章选用了几种药剂,对玉米灰斑病的防治效果进行了研究,发现杜邦.克露8000倍药剂以及10%苯醚甲环唑WG 2000倍药剂防治玉米灰斑病效果较好,建议在生产中应用。     

玉米冠层叶片氮素营养估测研究——基于近地多光谱图像

运用图像处理技术对不同氮营养成分下玉米冠层叶片的近地CCD多光谱图像进行分析,建立玉米叶片氮素营养含量的快速、非破坏性估测模型。实验基于红通道和近红外通道的CCD图像,通过图像切割提取两个通道的主叶片区域的平均灰度值和叶片周围的土壤平均灰度值,根据土壤平均灰度值比值来调整叶片的近红外平均灰度值,计算玉米叶片的基于灰度的植被指数,建立了氮素营养含量和两个通道的图像灰度以及灰度植被指数间的经验线性模型。经过多元线性回归分析后,两者间的相关系数R可以达到0.704。由此实现了对玉米冠层氮营养含量的快速估测。     

基于MATLAB的叶片图像分析系统研究

为便于基于计算机视觉技术的枣叶含水率诊断研究的开展,研究以MATLAB为平台,开发了一套适用于枣叶的叶片图像分析系统。该系统操作简单,提供了3种图像去噪操作和3种阈值分割操作,能够根据选择生成相应的灰度图、灰度直方图和二值化图,提取出与枣叶含水率相关性较高的颜色特征的值,给基于计算机视觉的枣叶含水率诊断研究的进行带来了极大地便利。     

基于改进Sobel算法的叶片图像边缘检测

采用数字图像处理技术对叶片图像进行边缘检测,主要研究了基于Sobel算子的叶片边缘的检测方法。在对图像进行灰度化和滤波去噪等预处理的基础上,增加了6个方向模板对Sobel算子进行改进。试验证明,该方法有效解决了Sobel算子边缘检测时边缘过粗的问题,得到的边缘较细,精确度提高了13.6%。     

一种便携式玉米叶片含水检测仪器设计

为了实现植物叶片含水率的无损和准确检测,设计了一种新的便携式玉米叶片含水率检测仪器,并使用AT89C52单片机设计了核心控制系统,利用TCL7135实现了模数转换功能。对光谱分析仪的机械结构进行了改进,使用线性变化的滤波片,将其与阵列探测器相结合,提高了光谱仪的分辨率,使光谱仪的体积小、质量小且稳定性好。对光栅结构进行了改造,改造后的透射片光栅可以进行编程控制,从而提高了测试仪的精度。对光谱水分测试仪器进行了试验研究,结果表明:利用实验室方法和本次研究设计的便携光谱仪的测试数据基本吻合,从而验证了装置的可靠性,为植株叶片水分检测仪的研究提供了较有价值的参考。     

基于CMOS传感器的玉米图像采集方法

苗田图像信息采集是喷雾目标自动识别的重要环节.在对图像传感器CCD和CMOS进行比较的基础上,选用具有USB2.0接口的CMOS摄像机构建了一套苗田图像信息实时采集系统.根据苗田穴间喷雾的农艺要求,为自然光照条件下的图像实时采集确定了各主要采集参数, 并通过试验验证了曝光时间与行进速度之间的制约关系,为进一步的应用奠定了基础.     

基于GC-Cascade R-CNN的梨叶病斑计数方法

为提高梨叶片病害发生程度诊断的效率和准确性,本文提出基于全局上下文级联R-CNN网络（Global context Cascade R-CNN,GC-Cascade R-CNN）的梨叶病斑计数方法。模型的主干特征提取网络嵌入全局上下文模块（Global context feature model, GC-Model）,建立有效的长距离和通道依赖,增强目标特征信息。引入特征金字塔网络（Feature pyramid network, FPN）融合浅层细节特征和深层丰富语义特征。使用ROI Align替换ROI Pooling进行区域特征聚集,增强目标特征表达。最后利用多层级联网络对目标区域进行边框回归和分类,完成病斑计数任务。在梨叶病斑图像测试中,模型的各类病斑平均精确率均值（Mean average precision, mAP）达89.4%,检测单幅图像平均耗时为0.347 s。结果表明,模型能够有效地从梨叶片病害图像中检测出多类病斑目标,尤其对叶片炭疽病斑检测效果提升显著;不同种类梨叶片病害病斑计数值与真实值回归实验决定系数R²均大于0.92,表明模型病斑计数...     

基于透射光谱的玉米叶片含水率快速检测仪研究

为快速、无损检测玉米叶片含水率,根据透射光谱原理设计一款便携式植物叶片水分快速检测仪。检测仪主要由数据采集节点和数据接收节点两部分组成,数据采集节点采用夹持叶室结构,由信号采集、处理和发送模块组成,数据接收节点由信号接收模块和PDA组成。测量时玉米叶片被放入采集节点的夹持叶室,两路LED主动光源(890 nm和980 nm)发光照射叶片,采用PIN型Si光电传感器在叶片的另一面进行透射光探测,透射光信号经调理电路放大、滤波后,通过ZigBee网络发送至数据接收节点。根据采集的光信号计算透射率(T890和T980)、比值植被指数(RVI)和调整型归一化差异水分指数(MNDWI)等参数,分析了各植被指数与不同叶位含水率之间的相关性,结果显示仪器应用的最佳叶位为完全展开叶片的倒二叶中部,含水率检测范围为70%~80%,且分辨率为0.3%。选取了T890、T980和MNDWI建立了含水率检测模型,其R_C~2为0.854,R_V~2为0.849,RMSE为0.010 3。