马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

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GrabCut算法的玉米病害图像识别方法研究

GrabCut算法是一种交互式操作少、分割精度高的图像分割方法,但是对于前背景颜色相近或低对比度的区域时难以准确分割前景区域。鉴于此,在实现GrabCut算法的自动分割的基础上,融合基于显著性的SLIC算法来对玉米病害图像进行更好的目标识别和图像分割。以玉米小斑病、大斑病和灰斑病三种病害的图像作为样本,采用融合显著信息的GrabCut算法与相同样本数量和条件下的One-Cut算法和SLIC算法进行试验和对比分析。试验表明,同其他两种算法相比,本文算法对于试验中玉米的三种病害具有更好的分割精度,对于玉米的叶鞘、茎和叶片部分的图像丢失率能够保持在1%以下,分别为0.899%、0.229%和0.914%,对于玉米病害部分能够进行有效地提取,具有较好的分割效果,对于玉米小斑病、大斑病和灰斑病的识别率上能够达到91.67%、86.36%和72.00%,同时通过训练模式进行验证,识别率分别能够达到87.2%、82.4%和83.6%,拒识率分别为4.5%、6.7%和6.3%。     

基于迁移学习与卷积神经网络的玉米植株病害识别

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。     

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。     

基于多特征融合与支持向量机的葡萄病害识别

以葡萄的黑腐病、轮斑病、褐斑病为研究对象,以应用小样本数据集和避免使用病斑形状特征进行病害识别为研究目标,研究了基于机器视觉和机器学习的葡萄病害识别方法。对葡萄病害图像进行预处理后,提取了RGB颜色矩、HSV颜色直方图特征、GLCM纹理特征、HOG特征共4种特征集,采用级联融合方式得到2 037维葡萄病害特征,并利用支持向量机算法进行识别训练和测试。结果表明,采用4种特征融合的方式在小样本集下能够获得较好的识别准确率,优于仅使用颜色或者纹理特征的识别方法,且能取代融入病斑的形状特征识别方法。     

基于SVM和DS证据理论融合多特征的玉米病害识别研究

针对玉米叶部病害图像的颜色、纹理、形状特征对病害影响的差异性,提出一种结合单特征下的SVM识别准确率和识别结果的融合多特征玉米病害识别方法。首先对预处理后的玉米病害图片提取颜色、纹理、形状3种特征,对应每一种特征构建一个SVM分类器,结合3个SVM分类器的平均准确率和识别结果作为证据理论的3个证据,构建D-S证据理论的基本概率分配函数(BPA),最后根据D-S证据理论决策规则进行决策级融合,依据决策条件输出最终识别结果。结果表明,结合SVM识别准确率和识别结果来对玉米的灰斑病、弯孢菌叶斑病、锈病三种病害进行识别,准确率分别为95%,85%,100%,平均准确率为93.33%,该方法对玉米叶部病害的识别更准确和稳定。     

基于弱监督下改进的CBAM-ResNet18模型识别苹果多种叶部病害

针对苹果叶部病害图像在仅有图像类别标注的弱监督的条件下识别准确率低的问题,提出了一种基于改进的CBAM-ResNet算法进行苹果叶部病害识别。以ResNet18作为基础模型,对轻量级卷积块注意力模块（Convolutional Block Attention Module,CBAM）注意力机制中通道注意力模块中的多层感知机（Multilayer Perceptron,MLP）进行升维改进,放大苹果叶部病害特征细节;将改进的CBAM融入残差模块中,以加强对关键细节特征的提取,将AlphaDropout配合SeLU (Scaled Exponential Linearunits)融入网络中,防止其网络的过拟合化,加速模型收敛效果;最后,采用单周期余弦退火算法调整学习率,得到病害识别模型。训练在样本图像均只进行图像级标注的弱监督下进行,大大降低标注成本。通过消融实验,探究出改进CBAM中MLP最佳升维维度为2,相对于原CBAM,准确率提升0.32%,并在参数量增加17.59%的情况下,每轮训练时长减少8 s。在包含苹果斑点落叶病、褐斑病、花叶病、灰斑病、锈病等5种病害的6185幅图像数据集上...     

基于显著性检测的黄瓜叶部病害图像分割算法

针对复杂背景下黄瓜叶部病害分割精度不高的问题,提出了一种基于显著性检测的黄瓜叶部病害图像分割算法。首先利用超像素将黄瓜图像分块,获取黄瓜叶片的边缘,并提出了一种超像素间权重计算方法和显著种子选取方法;然后通过流形排序计算显著图,对得到的显著图进行阈值分割,得到二值图像;再将二值图像与原图像进行掩码运算,得到黄瓜病害叶片;最后利用超绿特征和数学形态学对病害叶片进行分割得到病斑。对常见的黄瓜病害(白粉病、褐斑病、霜霉病、炭疽病)图像进行测试,结果表明该算法与Otsu算法和k-means算法相比,有效解决了冗余分割问题,错分率均在5%以内,算法平均执行时间均小于4 000 ms,分割效果更加精确,为后续构建黄瓜病害自动识别系统奠定了基础。     

基于SVM的小麦叶部病害识别方法研究

为了准确识别小麦叶部常见病害,为小麦病情诊断和发展状况判断提供科学依据,设计并实现了一种基于SVM(Support Vector Machine)的小麦叶部常见病害识别方法。该方法可以实现对小麦白粉病、条锈病和叶锈病的准确识别。首先,基于中值滤波法和K均值聚类算法,实现了图像的去噪及病斑分割;然后,提取了病斑区域形状特征和纹理特征;最后,利用SVM算法对小麦叶部病害进行了分类识别。随机试验结果表明,利用所提取的特征可以有效地实现小麦叶部常见病害的识别,基于形状特征的综合识别率可达99.33%;利用SVM算法进行小麦病害叶片识别是有效的、可行的。该方法对于农作物病害智能识别的推广具有较好的借鉴意义。     

基于图像处理和BP神经网络的玉米叶部病害识别

为快速诊断识别玉米叶部病害,及时采取防治措施,提高玉米产量,本文将图像处理技术和BP神经网络算法引入到玉米叶部病害识别诊断中。对田间采集的玉米叶部病害样本图像进行背景去除、灰度化处理、阈值分割、噪声去除等预处理操作,实现叶部病害图像的分割;通过提取病害图像颜色特征和形状特征的17个参量,作为BP神经网络的输入,实现了玉米叶部常见六种病害的分类识别。实验结果表明,6种玉米叶部病害的平均识别率为93.4%,取得较好的识别效果,具有一定的实用价值。     

基于迁移学习的卷积神经网络玉米病害图像识别

为实现小数据样本复杂田间背景下的玉米病害图像识别,提出了一种基于迁移学习的卷积神经网络玉米病害图像识别模型。在VGG-16模型的基础上,设计了全新的全连接层模块,并将VGG-16模型在Image Net图像数据集训练好的卷积层迁移到本模型中。将收集到的玉米病害图像数据集按3∶1的比例分为训练集与测试集。为扩充图像数据,对训练集原图进行了旋转、翻转等操作。基于扩充前后的训练集,对只训练模型的全连接层和训练模型的全部层(卷积层+全连接层)两种迁移学习方式进行了试验,结果表明,数据扩充和训练模型的全部层能够提高模型的识别能力。在训练模型全部层和训练集数据扩充的条件下,对玉米健康叶、大斑病叶、锈病叶图像的平均识别准确率为95. 33%。与全新学习相比,迁移学习能够明显提高模型的收敛速度与识别能力。将训练好的模型用Python开发为图形用户界面,可实现田间复杂背景下玉米大斑病与锈病图像的智能识别。     

基于图像处理的玉米叶部染病程度的研究

以玉米小斑病为例,探讨利用图像技术实现玉米叶部染病程度的计算方法.根据玉米叶部病害特点,综合应用阈值法、区域标记方法,对玉米叶部病害图片进行图像分割、统计病斑个数、去除冗余斑点、计算病斑形状特征.研究结果表明,利用图像技术进行玉米叶部染病程度的计算是可行的,为有的放矢地进行农药喷洒提供了理论依据.     

基于遗传选择的支持向量机作物病害图像自动识别技术

为了实现作物病害的计算机识别,提出了一种基于双编码遗传特征选择的支持向量机和病害图像多特征参数识别病害的方法。通过病害图像增强处理,采用基于HIS颜色空间的H分量与大津法(Otsu)结合对病斑图像自动分割,自动提取病斑的特征参数;运用双编码遗传算法优化病斑特征子集,并对其赋予权重,底层构建一对一投票策略的支持向量机分类识别作物病害的方法和途径。应用该方法对烟草病害中多种容易混淆的病害进行实验,结果表明:该方法与没有采用遗传算法的支持向量机相比,在同等条件下,特征向量减少了38%,而正确率却提高了6.29%,具有一定的有效性和实用价值。     

自然场景下低分辨率苹果果实病害智能识别方法

为实现自然场景下低分辨率苹果果实病害的智能识别,对获取图像进行预处理,采用改进的水平集交互式分割方法提取病斑。根据病斑特点,提取H,S,V等3个通道的2个低阶颜色矩作为颜色特征,基于灰度共生矩阵提取8个特征参数作为纹理特征,提取病斑的Hu不变矩作为形状特征。在对特征进行优选的基础上,构建支持向量机病害识别模型。实验结果表明,用优选的15个特征和支持向量机识别模型,对3种病害的平均正确识别率达到90%,可以有效识别苹果果实病害。     

基于Android的自然背景下黄瓜霜霉病定量诊断系统

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。     

柑橘叶面病害监测颜色空间改进算法研究

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。     

基于PCA-SVM的麦冬叶部病害识别系统

以川麦冬叶部黑斑病、炭疽病、叶枯病3种病害图像为研究对象,采用K-Means聚类分割技术分离出病斑,通过对颜色、形状和纹理特征构成的46维特征向量进行主成分分析,再运用支持向量机设计的多级分类器进行病害识别,开发出的麦冬叶部病害识别系统识别率达到了94.4%,表明了系统对麦冬病害防治,促进麦冬产业现代化发展有重要意义。     

水稻病害图像预处理及其特征提取方法研究

采用计算机数字图像处理技术对水稻病害进行智能识别,并以叶鞘腐败病为例,研究了水稻病害智能识别图像预处理和特征提取的方法。试验中,利用灰度变换和中值滤波法有效去除了噪声,增强了图像;利用不同算子对病害进行边缘检测,准确地提取了病斑的几何特征,实现了病害图像目标分割。这一研究成果为特征参数的提取及最终病害确定打下基础。     

概率神经网络在玉米叶部病害识别中的应用

根据锈病、灰斑病、小斑病、褐斑病和弯孢菌叶斑病等5种主要玉米叶部病害的特点,提出了一种基于图像处理技术和概率神经网络技术的玉米叶部病害识别方法.首先,对田间采集的玉米叶部病害图像样本进行去噪处理、图像分割和特征提取;然后,利用遗传算法优化选择出4个独立、稳定性好、分类能力强的分类特征;最后,提取目标对象的特征向量作为输入向量,由概率神经网络(PNN)分类器识别病害类别,平均正确识别率为90.4%,高于BP神经网络.试验结果表明了该方法的有效性,可为田间作物病虫害的快速智能诊断提供借鉴.