基于GA-BP神经网络和特征向量优化组合的黄瓜叶片病斑识别

针对家庭种植水培黄瓜中用户难以准确识别病害的问题,设计了一种基于图像处理的黄瓜叶片病斑识别系统。应用自适应小波对原始图像进行降噪处理,在HSV空间通过阈值分割结合形态学操作获得理想的黄瓜叶片图像,并通过自适应阈值分离病斑,提取病斑形态学、颜色和纹理原始特征参数。利用GA-BP神经网络定义原始特征参数对分类结果的灵敏度,递归剔除灵敏度较低的若干特征,降低特征参数的维数。根据优化后的特征参数组合,利用支持向量机对黄瓜炭疽病和白粉病进行识别。实验结果表明,本方法对黄瓜炭疽病和白粉病的综合分类正确率在96%以上。设计的方法有效提高了黄瓜病害的识别率,并为其他作物病害的智能识别提供了借鉴。     

基于改进Bernsen 二值化算法的 植物病害叶片病斑检测

针对大区域田间复杂背景下植物病害远程识别中的叶片病斑检测难问题,提出一种基于改进Bernsen二值化算法的植物病害远程检测方法。通过物联网采集不同区域的植物叶片图像,根据在RGB和HIS颜色空间中叶片病斑与正常叶片和背景的色调差异的特点,利用改进Bernsen二值化算法分别在图像的R、G、B、H 4个颜色通道上提取病斑,然后进行病斑图像融合,得到病斑图像。采用该方法对多幅物联网视频植物病害叶片图像进行病斑分割。实验结果表明,该算法在复杂背景环境下能够有效分割植物病斑图像,去除大量复杂背景,得到病斑图像。该方法能够为大区域植物病害远程智能监控系统提供技术指导。     

基于神经网络的大豆叶片病斑的识别与研究

综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层BP神经网络,实现了大豆叶片中病斑的自动识别与特征计算。首先通过计算机视觉技术采集叶片图像。其次,采用BP神经网络完成了对病斑图像的识别。最后,运用数字图像处理技术完成了对病斑区域相关特征值的计算。实验证明,该方法能有效地识别出病斑区域,识别率可达100%。该研究为将来病种的识别提供了理论依据。     

黄瓜靶斑病的识别与综合防治

黄瓜靶斑病是1种世界性病害,近年来,该病害在淮安地区危害性越来越大,给黄瓜的安全生产带来了很大影响。2015年以来,对淮安市黄瓜靶斑病的发生情况进行全面调查,对病害进行正确识别和科学防控,以期为瓜农提供指导和帮助。     

黄瓜靶斑病的识别与防治

从病原菌识别、症状特点、诊断要点等方面介绍了黄瓜靶斑病的识别方法,总结了其发生规律,提出其防治技术,包括农业防治与药剂防治等内容,以供黄瓜种植户参考。     

基于SVM和形态学的作物病斑图像分割方法

作物叶片病斑图像分割是作物病害自动识别的一个重要步骤,为了提高传统的基于阈值或聚类的叶片病斑分割方法的分割效果,提出了一种基于支持向量机(SVM)和形态学的病斑分割方法。首先利用SVM进行病斑图像分割,再利用开运算和闭运算来消除病斑图像中边缘的不连续性、病斑内部的小噪声和小洞。最后,通过对黄瓜细菌性角斑病图像进行试验,结果表明,所提出分割方法具有较好的分割效果。     

黄瓜靶斑病研究初报

对近年河南省出现的黄瓜靶斑病的症状进行了系统观察 ,研究了该病菌的形态特征、培养性状和生物学特性。结果表明 ,黄瓜靶斑病菌生长适温为 3 0℃左右 ,产孢适温为 2 5℃ ,分生孢子萌发适温为 3 0℃。病菌生长和孢子萌发的pH值以 5～ 6为宜。孢子形成和萌发需要高湿。光照能促进菌丝的生长 ,但对孢子的产生有抑制作用。同时进行了室内药剂敏感性测定和田间药效试验 ,初步调查了病害发生因素。     

基于混合颜色空间和双次Otsu的黄瓜靶斑病图像分割

为快速、准确地分割黄瓜叶部病害图像,提出一种基于混合颜色空间的双次Otsu算法。算法根据病害图像各部分的颜色特征,首先选取原始彩色图像的R分量进行初始Otsu分割和形态学相关操作,将R分量图分割为背景类和非背景类;然后选取非背景类图像的Cr分量进行第2次Otsu操作,将非背景区域分割为正常叶子类和病斑区域类,得到最终的分割结果。将该算法应用于黄瓜靶斑病图像的分割中,并与R_Otsu算法、H_Otsu算法以及图切割算法进行比较。试验结果表明:与对比算法相比,本算法在分割精度及处理速度2方面的综合分割性能最优,错分率均值和方差分别为2.12%和0.08%,平均处理时间0.2s,算法对光照变化具有一定的鲁棒性。本研究算法可为自然光照条件下黄瓜病害图像实时、准确分割提供技术参考。     

基于作物病害叶片颜色的病斑提取方法

作物病害是影响作物产量和质量的重要因素,如何进行病斑的准确提取是后期病害识别的一个关键步骤。为了提高复杂环境下病斑提取的准确率,提出一种基于叶片颜色的病斑提取方法,利用叶片正常部位和病害部位的颜色信息的不同,进行基于支持向量机的分割处理,从而得到很好的分割效果,然后对得到的图像进行最大类间差法处理,完成病斑的提取。结果表明,该方法具有有效性。     

黄瓜靶斑病的发生与综合防治

黄瓜靶斑病近年来在河南的扶沟、中牟、内黄、滑县等地区发生较为普遍,成为保护地黄瓜主要病害之一,发病较重的田块减产可达10%～30%,给黄瓜生产造成较大的损失。通过田间观察,我们初步明确了该病的发生特点,防治该病应采取农业防治和化学防治相结合的综合防治措施。     

黄瓜靶斑病绿色防控技术

如何防治黄瓜靶斑病是黄瓜生产中的一大难题,笔者选择了4种不同的药剂进行田间药效试验。结果表明,25%吡唑醚菌酯乳油3000倍液和43%戊唑醇可湿性粉剂,第一次施药后7天、第二次施药后7天和14天防效分别为61.41%、75.46%、79.08%和60.42%、70.71%、74.10%,明显优于75%百菌清可湿粉600倍的效果,且对黄瓜安全,适宜在当地黄瓜上推广使用。     

利用特征分割和病斑增强的杨树叶部病害识别

  目的  针对杨树Populus黑星病早期特征和杨树花叶病病斑不明显的特点,提出通过对图像集进行预处理的方法以提高识别精度的方案。  方法  为去除图像背景的影响,采用基于改进的Canny算子边缘检测法并结合霍斯变换提取叶片轮廓;借助限制对比度自适应直方图均衡化算法降低局部光照不均带来的影响并增强病斑的特征;使用自适应阈值的OTSU分割算法提取病斑图像。最后将预处理得到的病斑特征二值化图像和病斑图像,分别输入由5个卷积层、3个全连接层、650 000个神经元及超过6 000万个学习参数的Alexnet神经网络进行训练并验证准确率。  结果  研究最终分别获得93.56%和98.07%的验证集识别精度,较原图像实验组88.77%的识别精度有显著提升。提出的提取叶片轮廓的结合方法能够完整提取不同背景下的叶片主体图像,有效避免目标叶片的背景干扰;限制对比度自适应直方图均衡化算法对自然环境下拍摄产生的不均匀光照有较好的处理效果,有效降低反光等因素的干扰。  结论  几种病害图像预处理对提高识别精度效果明显,识别能力远超过未经处理的原始病害图像识别,有助于提高杨树叶部病害的智能识别能力。图8表1参22     

黄瓜靶斑病发生规律与防治技术初探

黄瓜是大众喜欢的蔬菜,营养价值高,是种植面积较大的蔬菜之一。但因掠夺性的栽培,不注重轮作倒茬,温室内温湿度控制能力差,导致病虫害的发生日趋严重。黄瓜靶斑病是包头地区近几年开始严重发生的一种病害,病情发展迅速,为害严重。随着蔬菜保护地种植规模的不断扩大,该病害蔓延趋势明显,农民虽然采取了防治,但效果很差。所以,本文通过调查研究,了解发病规律,寻找防治漏洞,制定了一套综合防治方案,希望对当地农民防治黄瓜靶斑病有帮助。     

北方温室黄瓜靶斑病的综合防控

围绕有效控制黄瓜靶斑病发生,做到全年基本不发病或不发生靶斑病的目标。从肥料投入标准与方法,空气湿度、光照强度和温度的控制,黄瓜的适时采收,化学药剂预防与治疗,黄瓜植株营养水平的日常评估与调理等方面论述了综合防控黄瓜靶斑病的技术措施。     

黄瓜靶斑病发病情况调查与防治技术推广

黄瓜是包头地区最常见的设施蔬菜之一,病害发生比较严重。通过近两年的调查,发现黄瓜靶斑病在老旧温室、通风排湿差、植株较弱,特别是不注重轮作倒茬的条件下发生严重。同时,由于该病初期病斑较小,不易察觉,菜农不能及时发现并防治,错过了最佳防治期,导致防治效果差。所以,加强菜农对该病发病条件的认识,提高菜农对初期症状的识别非常重要。通过培训和现场指导,提升菜农识病能力和防治水平,从而提高了黄瓜靶斑病的预防效果。     

基于加权集成的深度投票模型大豆灰斑病分级研究

大豆作为重要经济作物,近年受灰斑病影响愈发严重,导致产量下降,为减少病害造成的经济损失,相关从业人员需针对灰斑病等级采取不同措施。因病害等级之间具有相似性,传统卷积神经网络（Convolutional Neural Network,CNN）识别准确率有待提高。依据国家标准,针对大豆灰斑病高抗、抗、中抗、感和易感5个等级开展基于传统卷积神经网络分级研究,识别准确率为88.7%,在此基础上,构建加权深度投票模型,该模型利用遗传算法自动学习机制优化基于传统卷积神经网络分级效果。结果表明,该模型在7 500张测试集上识别准确率达到93.0%,比传统卷积神经网络模型准确率提高4.3%,为大豆病害分级提供新思路。     

黄瓜靶斑病的诊断与防治

<正>黄瓜靶斑病是一种真菌病害,病原物为瓜棒孢霉,所以也叫棒孢叶斑病。症状与发生黄瓜靶斑病多发生在黄瓜盛瓜期以后,先从中下部叶片发生,在叶片正面形成黄色、圆形、凹陷斑点,背面水渍状,俗称小黄点病。逐渐扩展成大小不等的圆形或近圆形褐色病斑。后期病斑中部颜色变浅,病斑中央有一明显的眼状靶心,因此得名靶斑病。受到气温等影响,病斑大小、色泽、霉层会有较大变化,多数直径为8~15毫米,湿度大时病斑正、背面均生淡灰褐色霉状物。病害严重时病斑相融合,叶片枯黄,茎蔓和叶柄上也会出现椭圆形的灰褐色病斑。     

聚类算法在玉米叶片病斑降维识别中的应用

为了及时、准确地识别玉米病害,基于聚类识别算法,进行了玉米叶片病斑图像识别的对比试验。首先利用LLE算法对玉米图像降维以提取特征,然后采用K-均值算法、FCM算法和GK算法进行聚类分析,其中GK算法能够有效识别出玉米病斑图像,正确识别率高达95.5%。可见,GK模糊聚类算法对玉米病斑图像的识别效果较好。