基于SVM和区域生长结合算法的南方主要蔬菜害虫分类识别

该文基于支持向量机（support vector machine,SVM）与区域生长结合算法,设计了对黄曲条跳甲、烟粉虱、小菜蛾、蓟马这四类蔬菜害虫进行分类识别的检测算法。该方案将识别过程融入到分割中,采用网格法进行区域生长种子点的选取,简化图像处理的步骤。该文每种蔬菜害虫训练样本图像为60幅,测试样本为40幅。试验展示,基于其形态、颜色特征,该算法可以将南方重大蔬菜害虫正确分割识别出来,对黄曲条跳甲、烟粉虱、小菜蛾、蓟马成功率为分别为96.4%、93.2%、95.4%、98.2%,算法达到了对多种害虫进行分类的效果,有较好的应用前景。     

自动监测装置用温室粉虱和蓟马成虫图像分割识别算法

为了监测温室黄瓜作物虫害种类、数量变化情况以预测虫害发展趋势,该文以粉虱和蓟马为例,提出了一种基于Prewitt、Canny边缘检测算子分割和SVM(support vector machine)的温室粉虱和蓟马诱虫板的图像识别算法。该方法利用HSI(Hue-Saturation-Intensity)颜色空间的I分量与L*a*b*颜色空间的b分量二值图像中害虫目标与背景的高对比性,再分别相应地利用Prewitt算子和Canny算子进行单头害虫边缘分割,再经过形态学处理,最后融合这两幅二值图像完成单头害虫区域的提取。然后提取害虫的5个形态特征(面积、相对面积、周长、复杂度、占空比)及9个颜色特征(Hue-Saturation-Value颜色空间、HSI颜色空间、L*a*b*颜色空间各分量的一阶矩),并对这14个特征参数进行归一化处理,将特征值作为SVM的输入向量,进行温室粉虱和蓟马的诱虫板图像识别。通过分析比较不同向量组合的BP(back propagation)与SVM的害虫识别率、4种不同SVM核函数的害虫识别率,发现颜色特征向量是粉虱和蓟马识别的主成分,且SVM的识别效果优于BP神经网络、线性核函数的SVM分类性能最好且稳定。结果表明:平均识别准确率达到了93.5%,粉虱和蓟马成虫的识别率分别是96.0%和91.0%,能够实现温室害虫的诱虫板图像识别。该研究可以为虫害的监测与预警提供支持,为及时采取正确的防治措施提供重要的理论依据。     

浅析黄曲条跳甲综合防治技术

黄曲条跳甲是十字花科蔬菜和根茎类蔬菜上的重要害虫。海南省气候特殊,蔬菜可终年种植,给黄曲条跳甲提供了充足的食源,使其对蔬菜产业造成了严重影响。要快速杀灭这种害虫,就必须大量施用化学农药,长此以往,黄曲条跳甲的抗性水平上升极快,加大了后期防治的难度,而大量使用化学农药又对环境造成极大破坏。基于此,通过分析黄曲条跳甲的生物学特性、为害特征来探究黄曲条跳甲的综合防治技术,以减少化学农药的使用,提高蔬菜种植业的生态价值和经济价值。     

花都区规模化蔬菜种植场主要虫害综合防治技术探究

花都区是广州市蔬菜生产的重要基地,连年种植蔬菜以及化学杀虫剂在蔬菜生产中的大量使用,造成了花都区的蔬菜种植场虫害抗药性越来越严重,黄曲条跳甲、小菜蛾、甜菜夜蛾和斜纹夜蛾成为了蔬菜生产上的重要害虫。基于此,分析花都区蔬菜虫害的原因,掌握主要害虫消长动态规律,提出采用稻菜轮作、清园深耕翻土、培育壮苗、黄板、小菜蛾、甜菜夜蛾和斜纹夜蛾信息素诱捕器的应用等措施进行综合防治,达到一定的效果。     

黄曲条跳甲化学防治研究现状

黄曲条跳甲是十字花科蔬菜的主要害虫,且近几年为害程度成逐年上升趋势。从20世纪50年代起,主要采用化学技术防治黄曲条跳甲,取得了一定的成效,但也带来了诸多问题。基于此,对我国近几年来黄曲条跳甲化学防治中存在的问题,以及针对这些问题所采取的解决方法进行了综述,为今后黄曲条跳甲的化学防治提供较为全面的参考。     

基于机器视觉的小麦害虫分割算法研究

农业病虫害的自动识别是精准农业研究方向之一。以小麦蚜虫为例，运用机器视觉技术对非特定场景下害虫的分类和分割算法进行了研究。在分类上，训练了SVM分类器和基于k-均值聚类的分类方法。比较得出，SVM分类器和k-均值聚类算法在处理精度和速度上各有优势；在分割上，运用合并和分裂相结合的区域生长算法分割害虫和叶片，进行自动识别。分析表明，该算法对害虫的分类效果好、分割识别准确率达到90．7％，速度能够满足实时处理的要求，为农业机械精准施药提供了技术上的支持。     

基于形状因子和分割点定位的粘连害虫图像分割方法

单个害虫的分割是进行害虫特征提取和识别的前提。针对害虫识别过程中出现的粘连等问题,提出了一种基于形状因子和分割点定位的害虫图像分割方法。该方法首先利用形状因子对图像中的每个区域进行粘连判定,然后对判定为粘连的区域进行逐层轮廓剥离和局部分割点的确定,接着根据局部分割点在原区域中搜索边界轮廓的两个分离点,最后连接局部分割点与分离点线段进行害虫分割。通过实验室人工随机散落桃蛀螟Conogethes punctiferalis(Guenée)和田间粘虫板诱捕梨小食心虫Grapholitha molesta(Busck)2种场景采集图像,验证算法的有效性,并与分水岭分割算法进行对比,采用分割率、分割错误率和分割有效性3项指标进行评价,结果表明:针对实验室环境下采集的2组桃蛀螟害虫图像,该文方法平均错误率为7%,约为分水岭分割方法的1/2,平均分割有效率为92.65%,比分水岭算法提高了5.7个百分点;在2组田间梨小食心虫图像分割中,该文方法平均错误率为2.24%,平均分割有效率为97.8%,分别比分水岭方法降低了4.29个百分点和提高了3.95个百分点,说明该文方法在分割准确性和有效性方面都可以获得更好的分割性能,应用于害虫多目标分割与自动识别系统中,可以有效地提高识别精度。     

基于图像显著性分析与卷积神经网络的茶园害虫定位与识别

为实现在茶园环境中快速、准确地识别害虫目标,该文提出了一种基于卷积神经网络的深度学习模型来进行害虫定位和识别的方法。该文通过对整个图像进行颜色衰减加速运算,结合超像素区域之间的空间影响,计算各个超区域的显著性值,进而提供害虫目标的潜在区域,最终结合Grab Cut算法进行害虫目标的定位和分割。对于分割后的害虫目标,通过优化后的卷积神经网络进行表达和分类,并进一步对卷积神经网络的结构进行了约减。通过对23种茶园主要害虫的识别,试验结果表明,识别准确率在优化前后分别为0.915和0.881,优化后的模型内存需求和运行耗时分别降低至6 MB和0.7 ms,取得了较好的识别效果。     

蓝光和黄光组合对设施黄瓜烟粉虱的控制作用

烟粉虱是黄瓜的主要害虫,利用非化学措施控制烟粉虱对于黄瓜绿色生产具有重要意义。为探讨光驱避对设施蔬菜烟粉虱的控制作用,应用RGB值与虚拟波长的关系在计算机上模拟不同波长的颜色,根据烟粉虱对不同光质的选择率,筛选出对烟粉虱有驱避作用的敏感光质,在此基础上,调查该光质处理下设施黄瓜烟粉虱种群的变化情况以及该光质与多种光质联合使用对烟粉虱的控制作用。结果表明,RGB值为0,0,255(波长为470nm的蓝色)的颜色对烟粉虱成虫的驱避率最高。黄色和绿色对烟粉虱有较强的诱集作用,烟粉虱的选择率分别为54%和42%;但在黄光和绿光打开的环境中再加入蓝光后,烟粉虱对黄光和绿光的选择率分别提高到68%和56%。在黄光和绿光共存的环境中加入蓝色光,可以加速烟粉虱从绿色区域向黄色区域的迁移。在大棚黄瓜田,蓝光照射后烟粉虱的种群数量迅速下降,并且随着光照射时间的延长,黄瓜上烟粉虱数量下降幅度增大,光照射6 d后烟粉虱的校正虫口减退率达92.76%。蓝光和黄光联合使用,在开启蓝光前先打开黄光,可以增强对黄瓜烟粉虱种群的控制作用,处理10 d、20 d、30 d后,黄瓜叶片上烟粉虱校正虫口减退率较不开黄光分别提高13.80%、18.17%、15.10%。研究发现,蓝光照射对烟粉虱有强烈的驱避作用,蓝光和黄光配合使用可以提高对烟粉虱的控制作用。     

烟粉虱的为害及综合防治措施分析

烟粉虱是棉花、蔬菜和花卉等植物的主要害虫之一,寄主范围广,适应性强,通过取食植物汁液、分泌蜜露、传播病毒会引起植物生理异常。基于此,主要介绍了烟粉虱的为害及综合防治措施。     

基于离散余弦变换和区域生长的白粉虱图像分割算法

图像分割是病虫害自动识别的难点之一,目前大多基于颜色、纹理等信息采用阈值法或聚类法进行分割,简单,易实现,但分割精度较低。该文针对田间开放环境中,不能用颜色、纹理特征有效分割病虫害图像的问题,引入离散余弦变换(discrete cosine transform,DCT),提出用清晰度对病虫害图像进行分割,以提高分割精度。DCT的低频信号表示图像轮廓,高频信号表示图像细节,对于病虫害图像,焦点通常聚集在目标区域,该文提出截断DCT高频信号,再与原图做差的方法以区分清晰部分和模糊部分,然后结合病虫图像局部聚合度较高的特性,利用区域生长方法提取完整目标。采用该算法对白粉虱图像进行分割测试,并与阈值法和GMM方法比较:分割结果中,目标的一致性和边缘的清晰度明显好于阈值法和GMM方法,平均正确分类率为98.49%,分别较R,B,Y空间中阈值法和Y空间中GMM方法分类正确率高2.96%、3.28%、3.24%和9.65%,差异达到显著水平。基于DCT和区域生长的分割算法鲁棒性高,能够有效地将病虫害区域从自然环境中采集的叶片中分离,可用于分割白粉虱图像。     

温室绿熟番茄机器视觉检测方法

针对基于可见光图像对绿色番茄进行识别过程中,光线不均造成的阴影等会影响果实的识别、枝干和叶片对果实的遮挡以及果实之间的遮挡对果实识别的影响等难题,该文对基于机器视觉的绿色番茄检测方法进行研究。首先通过快速归一化互相关函数(FNCC,fast normalized cross correlation)方法对果实的潜在区域进行检测,再通过基于直方图信息的区域分类器对果实潜在区域进行分类,判别该区域是否属于绿色果实,并对非果实区域进行滤除,估计果实区域的个数。与此同时,基于颜色分析对输入图像进行分割,并通过霍夫变换圆检测绿色果实的位置。最终对基于FNCC和霍夫变换圆检测方法的检测结果进行融合,实现对绿色番茄果实的检测。当绿色果实和红色果实同时存在时,将绿色果实检测结果与基于局部极大值法和随机圆环变换检测圆算法的红色番茄果实检测结果进行合并。算法通过有机结合纹理信息、颜色信息及番茄的形状信息,对绿色番茄果实进行了检测,解决了绿色番茄与叶子、茎秆等背景颜色接近等难题。文中共使用了70幅番茄图像,其中35幅图像作为训练集图像,35幅作为验证集图像。所提出算法对训练集图像中的83个果实的检测正确率为89.2%,对验证集图像中105个果实的检测正确率为86.7%,为番茄采摘机器人采摘红色和绿色成熟番茄奠定了基础。     

基于空间特征谱聚类算法的含噪苹果图像优化分割

为了减少噪声对苹果采摘机器人的目标识别所带来的影响,对含噪苹果图像的分割方法进行了研究。该研究设计一种针对噪声具有鲁棒性的苹果图像分割方法,首先计算苹果图像的三维空间特征点的紧致性函数,用以构造邻近点的相似矩阵实现苹果图像的去噪效果;再利用离群点矩阵拆分并由其他剩余列向量线性表示,对相似矩阵进行离群点调优实现聚类优化,进而提出基于空间特征的谱聚类含噪苹果图像分割的优化算法,旨在提高分割算法的效率和识别准确率。通过对两幅苹果图像添加不同程度的高斯和椒盐噪声（方差分别为0.01、0.05和0.1的高斯噪声和概率为0.01、0.05和0.1的椒盐噪声）进行试验,分别求出谱聚类方法、基于空间特征的谱聚类方法和该文优化方法的苹果目标图像的分割图,并计算三类方法的分割准确率。该文优化方法对于单个苹果受不同噪声影响下的分割准确率均在99%以上,对于重叠苹果的分割准确率均在98%以上,对于所选取的30幅苹果图在方差为0.05的高斯噪声和概率为0.01的椒盐噪声影响下的平均分割准确率为99.014%。结果表明：谱聚类方法受噪声的影响较大;基于空间特征的谱聚类方法的分割效果受噪声的影响较小,但在边界区域仍然有很多错分的像素;优化方法在边界区域的分割要优于基于空间特征的谱聚类方法;在设定的试验条件下,其分割结果准确率相对于基于空间特征的谱聚类方法和传统的谱聚类方法可分别提高5%～6%和9%～25%。在分割效率方面,该文优化方法的分割时间低于传统的谱聚类算法,且与基于空间特征谱聚类方法接近。研究结果为苹果采摘机器人的快速目标识别提供参考。     

基于改进Mask-RCNN算法的作物害虫分类识别

智能虫情测报灯对农业生产中及时察觉虫害、虫灾问题起重大作用,准确的害虫分类识别是给虫情测报提供可靠数据支撑的关键。该研究对智能虫情测报灯所需核心识别算法进行改进,针对分类目标多尺度、存在多种相似非目标害虫干扰、易产生目标粘连等问题,提出一种基于改进Mask-RCNN(mask region-based convolutional neural network)模型的害虫图像智能识别模型。该模型使用DeAnchor算法改进Mask-RCNN的锚框引导机制,使用NDCC(novelty detection consistent classifiers)训练分类器进行联合分类和检测,改善非目标杂虫的误识别问题。改进后模型对无杂虫、不同虫体密度图像的识别准确率最高达到96.1%,最密集时可达90.6%,比原Mask-RCNN模型识别准确率平均提高4.7个百分点。对于含杂虫图片,在仅有非目标的图片识别中,误检率降至9%,非目标与目标共存且密度为40虫/图的误检率降至15%。试验表明,该文所提模型在现有分类模型的基础上,增强了对密集区域的检测能力,改善了非目标误识别问题,在实际检测环境下的害虫分类识别精度更高,可为虫害防治工作提供数据参考。     

改进Otsu算法与ELM融合的自然场景棉桃自适应分割方法

针对动态行进过程中拍摄的自然棉田场景图像的棉桃分割问题,提出了一种改进的自适应优化分割方法。首先利用改进的Otsu分割算法定位棉桃区域,对棉桃和背景区域像素点的RGB值分别采样;将样本用于训练ELM(extreme learning machine)分类模型;把图像分割转化为像素分类问题,用分类模型对棉桃图像进行像素分类以实现棉桃图像的分割。对晴天和阴天场景下自然棉田的图像进行了算法验证,能正确分割棉桃并定位棉桃位置,实现了非结构光环境下对棉桃的无监督的采样和分割定位,每幅图像的平均分割时间为0.58 s,晴天和阴天状况下棉桃的平均识别率分别达到94.18%和97.56%。将该算法与经典分类算法SVM(support vector machine)和BP在增加纹理特征和采用RGB特征的情况下进行对比,并分析了该算法在分割速度和识别率上都有较大优势的原因。试验证明该算法在棉桃分割中有很好的实时性、准确性和适应性,可为智能采棉机的棉桃识别算法提供参考。     

基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。     

福建省露地及设施蔬菜烟粉虱越冬种群密度及耐寒性研究

2017年1月9—12日和2月21—24日,在南平建瓯、三明将乐、三明三元、福州闽侯、龙岩新罗以及漳州龙海等6个地区,调查了大棚和露地烟粉虱越冬寄主及种群密度,以期明确福建省露地及设施蔬菜烟粉虱越冬规律,为烟粉虱的综合治理提供理论依据。共记录烟粉虱越冬寄主6科16种,主要包括栽培蔬菜花椰菜、番茄、茄子以及阔叶类杂草龙葵、小飞蓬、辣子草和胜红蓟。在露地花椰菜上,烟粉虱越冬虫口密度1月份显著高于2月份;花椰菜采后残株上的越冬虫口密度显著高于莲座期和花球形成期。在温室大棚中,休耕大棚中越冬虫口密度显著高于生产大棚。无论是蔬菜还是杂草,温室大棚中的越冬虫口密度显著高于露地。烟粉虱各虫态均可在各地温室大棚和漳州露地越冬,而在南平和三明等温度较低的地区以卵和伪蛹在露地越冬。在蔬菜上发现越冬烟粉虱有MEAM1隐种和MED隐种,温室大棚中两隐种数量分别为57只和111只,温室大棚可能有助于MED隐种定殖。室内耐寒性测定证实卵和高龄若虫比低龄若虫以及成虫更耐寒,烟粉虱在花椰菜、龙葵和辣子草上的世代存活率分别为83.7%、79.3%和81.6%,世代发育历期分别为18.9 d、16.7 d和18.8 d,龙葵和辣子草是烟粉虱适宜的越冬杂草寄主。综上,烟粉虱可在福建省露地越冬,温室大棚加重了烟粉虱的发生为害。     

基于改进蜂群算法优化神经网络的玉米病害图像分割

更加细致的体现病害外部形态特征和较为完好的保留病害区域颜色纹理信息,是玉米等作物病害分割的关键性研究问题之一。该文提出一种基于改进人工蜂群算法的脉冲耦合神经网络图像分割算法,该算法以最大香农熵和最小交叉熵加权线性组合作为蜂群算法收益度评价函数,通过引入尺度因子调整引领蜂和跟随蜂的解搜索策略,改进后人工蜂群算法与脉冲耦合神经网络相结合,实现网络参数的自动优化调节。在RGB色彩子空间上将该算法用于一组玉米常见病害彩色图像分割,并借鉴利用彩色图像合并策略得到最终病害分割结果。试验表明,该文算法较为细致的体现病害外部形态特征,较为完好的保留了颜色纹理信息;利用分割区域色度误分度V(I)值作为评判标准,该文算法V(I)幅值顺次降低2.03%、7.05%、10.15%和11.2%,综合降低了7.32% 也优于对比算法。因此,该文算法为病害彩色图像分割提供了一种较为有效的方法。     

无人机航拍林业虫害图像分割复合梯度分水岭算法

针对林业信息监测方式实时性差、监测范围有限等问题,为更加实时、准确地对林业虫害信息进行监测并计算监测样地中虫害区域比例,该文在搭建面向林区虫害监测的多旋翼无人飞行器航拍监测系统基础上,提出了一种基于复合梯度分水岭算法的图像分割方法。该方法引入全局直方图均衡化消除了图像暗纹理的影响,并采用形态学混合开闭重构滤波完成了图像样本的去噪处理。计算灰度图像各像素点的复合梯度实现了非相关区域(道路及裸地)的提取,最终利用分水岭算法实现了监测图像虫害区域的分割提取。利用该文所提算法对8幅虫害侵蚀程度不同的监测图像进行分割,并与传统分水岭算法、K-means聚类算法进行对比试验。试验结果表明,该文算法虫害区域提取的平均相对误差率分别降低6.56%、3.17%,平均相对极限测量精度分别改善7.19%、2.41%,能够相对准确地将虫害区域从监测图像中分割出来,可为后续林业虫害监测与防护提供参考。     

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM(convolutional block attention module),改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。