基于图像处理技术的黄瓜叶部病害识别诊断系统

主要研究了基于图像处理技术的黄瓜叶部病害识别诊断系统。该系统主要包括图像预处理模块、图像分割模块、图像特征提取模块及图像模式识别模块等。同时,对关键模块中的复杂背景下的图像分割及支持向量机的模式识别方式作了比较详细的介绍。实践表明,该系统能方便、快速地识别黄瓜各类病害,具有较好地推广性和应用价值。     

基于色度和纹理的黄瓜霜霉病识别与特征提取

研究了可见光波段的黄瓜霜霉病信息分布和分割方法,有效实现了温室非结构环境下黄瓜病害信息识别。通过研究温室黄瓜图像在RGB、HIS和YCbCr颜色空间的分布特点,建立了光照分析模型,提高了不同光照条件下的病害提取适应性。分析了病害目标与环境背景Cb和Cr均值差,提出了CbCr组合算法,实现了目标的快速有效识别,满足了实时对靶施药的要求。通过随机抽取30幅黄瓜霜霉病图像进行算法验证,结果表明图像的平均识别正确率达90.6%。     

基于图像处理的日光温室黄瓜病害识别的研究

根据日光温室黄瓜病害的彩色纹理图像的特点，将支持向量机和色度矩方法用于识别黄瓜病害。在进行分类时，首先以色度矩作为特征向量，然后将支持向最机分类方法应用于黄瓜病害的识别。通过黄瓜病害纹理图像识别实验分析表明，以色度矩作为病害彩色纹理图像的特征向量简便、快捷、分类效果好；支持向量机分类方法在黄瓜病害训练样本较少时也具有良好的分类能力和泛化能力，非常适合于黄瓜病害的分类问题。不同分类核函数的相互比较分析表明，线性核函数最适合黄瓜病害识别。     

作物病害图像形状特征提取研究

形状特征是作物病害图像识别的重要依据之一。为了解决形状特征平移、尺度和旋转变换不变性问题,笔者将不变矩理论引入作物病害图像形状特征提取中,将7个Hu不变矩参数定义为形状特征,并引入新的参数,对作物病害图像进行形状特征提取研究。通过主成分分析和统计分析方法验证,得到适合两种作物病害识别的形状特征,并将其应用到作物病害智能识别系统中。实验结果表明:系统识别率较高,能够满足实际应用需求。     

基于高光谱病害特征提取的温室黄瓜霜霉病早期检测

针对温室黄瓜早期霜霉病高光谱图像田间采集环境光照的影响及有效病害特征难以提取的问题,提出融合病害差异信息改进的竞争性自适应重加权算法(Competitive adaptive reweighted sampling, CARS)和连续投影算法(Successive projections algorithm, SPA)相结合的特征波段提取方法,并建立了黄瓜霜霉病早期检测模型。首先,采集黄瓜健康叶片和染病12d内每天的高光谱图像,按病程分为7类;提取感兴趣区域,并计算平均光谱作为光谱数据;采用包络线消除法确定霜霉病害差异波段,基于病害差异波段采用CARS对7个不同阶段的光谱数据分别提取特征波段,再利用SPA进行二次降维寻优;最后,将各特征波段组合,得到47个特征波段数据,据此建立最小二乘-支持向量机(Least square support vector machines, LSSVM)模型,用于病害检测。在94个叶片样本组成的测试集上进行了病害检测实验,结果表明,融合病害差异信息的Dis-CARS-SPA-LSSVM对染病2d到发病12d均能取得100%的检测识别率;对染病1d的测试集检测识别率达到95.83%,其中染病样本的召回率达到100%,相较于未融合病害差异信息的CARS-SPA特征提取方法识别率高4.16个百分点。说明所提出的Dis-CARS-SPA-LSSVM模型能够有效实现温室黄瓜霜霉病害的早期检测。     

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Web的黄瓜病害诊断系统设计

设计了基于Web的黄瓜病害诊断系统,用户在输入病害症状信息的过程中不必进行数字的选择和输入,只需在相似症状上打勾,以实现专家系统源信息需求最简化的目标。该系统以产生式规则作为知识表示方法,采用数值诊断与RBR规则推理相结合的推理机制,应用病害可信度来判断诊断结果准确性,引入症状示病数以保证诊断结果的唯一性,提高了单纯使用数值诊断法诊断的效率。     

黄瓜相似病害的识别与防治

黄瓜是人们餐桌上的常见蔬菜,具有清热、解渴、利水、消肿的功效;黄瓜中含有丰富的维生素E,可起到延年益寿、抗衰老的作用;黄瓜中的黄瓜酶,有很强的生物活性,能有效地促进机体的新陈代谢。     

黄瓜生理性病害的防治研究

生理性病害是由不良环境条件、营养不良、有毒物质污染等因素引起的非传染性病害。针对黄瓜各种类型的生理性病害,分析了发生原因,提出相应的防治办法。     

支持向量机在黄瓜病害识别中的应用研究

探讨了采用支持向量机对黄瓜病害进行分类的方法;提取了病斑的形状、颜色、质地、发病时期等特征作为特征向量,利用支持向量机分类器,选取4种常见核函数,以Matlab7.0为平台对10类常见病害进行识别.结果表明,SVM 方法在处理小样本问题中具有良好的分类效果,线性核函数和径向基核函数的SVM 分类方法在黄瓜病害的识别方面优于其他类型核函数的SVM.     

小麦叶部病害彩色图像特征提取研究

针对小麦叶部病害智能识别系统,提出了基于颜色、纹理和形状特征的特征提取方法。首先,针对RGB和HIS颜色空间,定义这两种颜色空间的转换公式,并提取14个颜色特征;其次,利用灰度共生矩阵方法得到16个纹理特征;再次,借助于不变距理论获取13个形状特征;最后,以4种小麦叶部病害为研究对象进行试验。结果表明:本文提出的特征提取方法,系统识别率较高,符合实际应用的要求。     

基于全局特征提取的农作物病害识别模型

针对现阶段特征提取网络当测试样本出现歪斜、模糊、缺损等变化时识别效果不够理想,利用训练样本扩充、变换、缩放等方式改善网络性能并不能动态地满足实际的复杂病害图像识别任务的问题,在ResNet50中引入双层注意力机制与通道特征提取机制,设计基于全局特征提取的深度学习网络（Global feature deep learning network,GFDL-Net）,该网络包括通道特征提取子网络（Squeeze and excitation net,SE-Net）和双注意力特征提取子网络（Double feature extraction net,DFE-Net）,分别从通道空间特征提取与平面关键点特征提取两方面改善了网络的全局特征提取能力。为了验证GFDL-Net的有效性,对辣椒、马铃薯、番茄等15种病害图像加入不同角度的旋转、色彩变换等测试,发现在样本加入旋转后与ResNet50、BoTNet、EfficientNet相比,平均识别准确率分别高出20.05、18.62、21.97个百分点;加入明暗度、饱和度、对比度变换后与ResNet50、BoTNet、 EfficientNet相比,平均识别准确率分别高出3.57、0.53、3.98个百分点,而识别速度分别为ResNet50、BoTNet、EfficientNet的4.4、4.9、2.0倍。试验证明GFDL-Net在图像全局特征提取能力方面的改进能有效提升网络的泛化能力与鲁棒性,可将其应用于解决变化样本的农作物病害识别任务中。     

黄瓜几种常见病害的识别与防治

黄瓜是我们餐桌上的常见蔬菜,具有清热、解渴、利水、消肿的功效。而且含有丰富的维生素E,对人体有延年益寿、抗衰老的功效;黄瓜中的黄瓜酶,有很强的生物活性,能有效地促进机体的新陈代谢,因此,黄瓜成为老百姓菜篮子中不可缺少的蔬菜之一。     

基于混合扩张卷积和注意力的黄瓜病害严重度估算方法

自动和准确地估计病害的严重度对病害管理和产量损失预测至关重要。针对传统病害严重度估算步骤复杂且低效,难以实现在田间场景下精准估算问题,提出了一种基于混合扩张卷积和注意力机制改进UNet（Mixed dilated convolution and attention mechanism optimized UNet,MA-UNet）的病害严重度估算方法。首先,针对病斑尺寸不一、形状不规则问题,提出混合扩张卷积块（Mixed dilation convolution block, MDCB）增加感受野并保持病斑信息的连续性,提升病斑分割精度。其次,为了克服复杂背景的影响,利用注意力机制（Attention mechanism）对空间维度和通道维度进行相关性建模,获得每个像素类内响应和通道间的依赖关系,缓解背景对网络学习带来的影响。最后,计算病害分割图中病斑像素与叶片像素的比率来获得严重度。基于田间条件下收集的黄瓜霜霉病和白粉病图像进行了验证,并与全卷积网络（Fully convolutional network,FCN）、SegNet、UNet、PSPNet、FPN、DeepLabV3+进行比较。结果表明,MA-UNet优于比较方法,能够满足复杂环境下健康叶片和病斑的分割需求,平均交并比为84.97%,频权交并比为93.95%。基于MA-UNet分割结果估计黄瓜叶部病害严重度的决定系数为0.9654,均方根误差为1.0837%。该研究可为人工智能在农业中快速估计和控制病害严重度提供参考。     

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。     

基于模糊聚类的黄瓜病害图像自动分割

提出了一种基于模糊聚类的黄瓜病害图像自动分割方法,模糊聚类与差分进化算法相结合,在进化过程中根据聚类中心对应的阈值确定模糊聚类中心的个数,由差分进化适应度函数值确定聚类中心是否被选中,以此实现图像的模糊聚类自动分割。经黄瓜炭疽病叶图像、白粉病叶图像、灰霉病叶图像和霜霉病叶图像的实验测试,该方法可以实现无人干预情况下的黄瓜病害图像自动分割,与相同类别个数的FCM算法相比,表现出了更好的性能。     

基于动态集成的黄瓜叶部病害识别方法

对作物病害类型的准确识别是病害防治的前提。为提高病害识别的准确度,以黄瓜叶部病害识别为例,提出一种基于动态集成的作物叶部病害种类的识别方法。首先利用图像分块策略提取病害图像的75维颜色统计特征,然后采用不一致度量方法对构建的10个BP神经网络单分类器进行差异性度量,并按照差异性大小进行排序,最后根据分类器的可信度,动态选择差异性大的分类器子集对病害图像进行集成识别。在由512幅白粉病、霜霉病、灰霉病和正常叶片4类黄瓜叶片组织图像构成的测试集上,所提方法的识别错误率为3.32%,分别比BP神经网络、SVM、Bagging、Ada Boost算法降低了1.37个百分点、1.56个百分点、1.76个百分点、0.78个百分点。试验结果表明:所提方法能够实现黄瓜叶部病害种类的准确识别,可为其它作物病害的识别提供借鉴。     

计算机图像处理技术在温室黄瓜幼苗生长信息检测中的应用

在自然光条件下,利用计算机图像处理技术对温室黄瓜幼苗的生长信息进行了检测研究。提取作物的外部形态特征:叶片颜色和仰角,在RGB和HIS颜色模型下,分析了土壤水分含量与各颜色分量、叶片仰角之间的相关性。结果表明:土壤的水分含量与叶片的仰角、G分量和H分量有很好的相关性,决定系数分别达到0．9187、0．8404和0．8822,可作为利用机器视觉检测黄瓜植株生长信息的指标。该研究对于提高温室的智能化控制水平具有重要的意义。     

黄瓜病害特点及防治

为减少保护地黄瓜的病害发生,介绍黄瓜靶斑病、炭疽病、霜霉病、角斑病的症状、病原菌及发病特点,从品种选择、种子处理、化学防治等方面,探讨上述病害的综合防治措施.