基于计算机视觉的水稻叶部病害识别研究

【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】（1）病斑图像获取：水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。（2）特征参数的选择与设计：首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。（3）病害识别流程的设计：根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。（4）病害识别模型的建立：将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。     

基于改进颜色特征的小麦病害图像识别技术研究

[目的]介绍一种根据小麦病害图像的颜色特征进行病害识别的方法。[方法]首先对小麦叶部图像进行预处理,利用小波变换进行病害部位增强和去噪;然后基于病害部位的非绿特征进行图像分割,得到只包含病害像素的图像;对病害图像颜色进行统计,得到R、G、B分量的均值,并用相对于绿色分量的均值比作为颜色特征值;最后通过分析样本图像得到每种病害的特征值范围,利用颜色特征值对未知样本进行病害识别。[结果]采用该方法对小麦叶锈病、条锈病、白粉病进行识别,平均准确率达到98%。[结论]为小麦病害的诊断与诊治提供了理论依据。     

基于计算机视觉技术对杂交水稻裂颖种子的识别研究

应用计算机视觉技术理论,通过图像处理获取正常、微裂、裂颖3种杂交水稻种子的特征,并根据这些特征设计神经网络进行杂交水稻裂颖种子识别。结果表明,该方法能准确识别正常、微裂、裂颖的种子,识别率达到96%、85%、95%。     

基于计算机视觉的红枣叶片病害严重度估测方法

对红枣叶片病害严重度的精准评估是采取有效防治的关键,而传统的评估方法费时费力。该研究以病斑严重度不同导致的颜色特征差异为依据,提出了一种基于计算机视觉的红枣叶片病害严重度估测方法。对叶片病斑图像预处理后,提取基于R、G、B颜色空间的8个特征向量作为模型的输入变量,以正常、轻微、一般和严重作为模型的输出,利用GA-BP神经网络建立了红枣叶片病害严重度的估测模型。实验结果表明,模型可实现对红枣叶片病害严重度的快速识别,识别精度达到了87%以上。     

水稻常见病害防治技术

水稻在我国的粮食产业结构之中占据着重要的地位,但水稻病害会导致水稻减产等情况的发生,严重将威胁到水稻产业的稳定。因此,采用科学合理的手段预防水稻病害对于提高水稻的产量和质量都至关重要。     

水稻主要病害防治技术

在水稻生产中,水稻病害是不可避免的病害．每年均有不同程度的发生。如不进行有效防控,会对水稻造成不同程度的减产,甚至绝收。因此要积极采取农业防治、生物防治与化学防治相结合的综合防治措施,以缓解或避免病害的发生．减少因病害造成粮食损失。     

论水稻病害防治技术

全世界已知为害水稻的害虫约有860种,我国大约有385种,分为9目66科。其中发生普遍、危害较为严重的有：水稻螟虫、稻纵卷叶螟、稻蓟马。局部危害严重的有：稻瘿蚊、稻蝗。     

水稻主要病害防治技术

水稻主要病害在我地区有水稻立枯病、水稻恶苗病、水稻稻瘟病、水稻纹枯病、水稻稻曲病、水稻白叶枯病,如不加以有效控防,会对水稻生产造成不同程度的减产,甚至绝收。要采取农业防治、生物防治和化学防治相结合的综合防治措施,来缓解或避免病害的发生,最大程度的挽回因病害造成的粮食损失。     

水稻病害的综合防治技术

水稻病虫害对地方水稻产量产生严重的影响,为了能够促进我国水稻种植,需要提高地方水稻病虫害的综合防治技术,从而促进基层地方水稻产业的发展。本文将探讨水稻病虫害的种类和相对应的技术措施,从综合治理方面来提高基层水稻产量。     

水稻病害综合防治技术

黑龙江省近年水稻病害发生十分严重，特别是稻瘟病（稻热病、火烧病、黑节病、掐脖瘟）和纹枯病（花脚病，烂脚病）、胡麻病，鞘腐病等病害混合性发生，造成了严重的经济损失，由于病害鉴别不清，农户只注重防除稻瘟病，忽视其它病害的防治，导致防治效果不佳。因此水稻病害应综合防治：     

计算机视觉技术在监测鱼类游泳行为中的研究进展

借助计算机视觉技术研究鱼类游泳行为已逐渐成为热点课题,它模拟生物视觉原理,通过处理采集的图片或视频获得动态目标参数信息,以达到对鱼类游泳行为监测分析的目的,本研究旨在介绍国内外该领域的研究进展,并展望其发展趋势。首先介绍鱼体监测目标的种类选择与影像获取方法,然后介绍影像中的背景去除与目标检测,并对影像数据直接和拟合提取目标参数的单个鱼体目标游泳参数提取方法,以及运动预测法和特征匹配法的多鱼体目标监测方法进行详细阐述,对游泳行为监测参数进行分类,并介绍了相关影像处理常用软件,最后总结了计算机视觉监测存在的难点及未来发展趋势。     

计算机视觉技术在监测鱼类游泳行为中的研究进展

借助计算机视觉技术研究鱼类游泳行为已逐渐成为热点课题,它模拟生物视觉原理,通过处理采集的图片或视频获得动态目标参数信息,以达到对鱼类游泳行为监测分析的目的,本研究旨在介绍国内外该领域的研究进展,并展望其发展趋势。首先介绍鱼体监测目标的种类选择与影像获取方法,然后介绍影像中的背景去除与目标检测,并对影像数据直接和拟合提取目标参数的单个鱼体目标游泳参数提取方法,以及运动预测法和特征匹配法的多鱼体目标监测方法进行详细阐述,对游泳行为监测参数进行分类,并介绍了相关影像处理常用软件,最后总结了计算机视觉监测存在的难点及未来发展趋势。     

计算机视觉技术在植物病害识别上的研究进展

随着农业和现代化信息技术的交互、联结和碰撞,农业逐渐趋于现代化、智能化和数字化,近年来运用计算机视觉技术对植物病害进行诊断得到广泛应用,比传统方法更加迅捷、精确。分别从图像采集、图像预处理、图像分割、图像特征提取、病害识别和分类5个方面进行阐述,总结了植物病害图像识别技术的要点及存在问题,并对其未来发展进行了展望,为计算机视觉技术在植物病害识别上的应用和研究提供依据。     

基于计算机视觉的自然光照条件下成熟石榴的识别

研究自然光照条件下成熟石榴识别;利用同态滤波进行图像增强,将图像从RGB空间转换到HSI空间,并将色调和饱和度融合,有效去除暗背景和灰背景,利用区域面积并结合形态学特征去噪实现区域分割,最后利用优化后的Hough变换提取形心和半径,恢复遮挡果形;基于VC++6.0开发图像处理程序,能够实现对成熟石榴的识别;识别率为85%以上,为下一步对目标正确定位,实现水果采摘自动化收获打下基础.     

水稻黑条矮缩病研究进展

水稻黑条矮缩病已成为近几年来我国水稻上的重要病害之一,对水稻黑条矮缩病的研究已成为当前一大热点.本文系统介绍了水稻黑条矮缩病的病原、检测方法、流行原因及防治对策等方面的研究情况,为今后有效控制黑条矮缩病提供了基础.     

基于计算机视觉技术的红火蚁蚁巢探测

为探讨基于计算机视觉技术对红火蚁蚁巢进行探测识别的可行性,研究了利用数字图像处理技术提取红火蚁蚁巢特征参数,通过数学形态学对数字图像进行目标提取和识别。采用图像识别红火蚁蚁巢土建立了HSV彩色空间模型。研究结果表明,各红火蚁蚁巢土和普通土样本的H分量差异明显,特别是普通土H分量明显大于红火蚁蚁巢土,一般土壤H值大于30,而对于红火蚁蚁巢土土壤的H值小于30。因此,H分量可作为识别红火蚁蚁巢土的一项特征参数。当色调通道的平均值H30时,即可判定为红火蚁蚁巢土。研究结果说明基于计算机视觉技术对红火蚁蚁巢进行检测识别是可行的。     

基于姿态估计的动物行为识别研究进展

为分析姿态估计在动物行为识别和动物福利研究中的应用和发展潜力,本文以基于深度学习的姿态估计方法为突破口,从二维和三维空间的角度综述了动物姿态估计研究进展和方向,并介绍常见数据集与评价指标;然后整合基于姿态估计的动物行为识别相关研究成果,重点介绍关键点检测和行为分类的算法及其特征选取方式。姿态估计为动作识别和行为分析等研究提供了骨架信息和运动特征,成为动物行为识别和异常信息预警的非接触式监测方法。但由于受到训练数据集较少的限制,相对于人体姿态估计,动物姿态估计研究和发展速度相对较慢。因此,近年来利用跨域学习的方式来进一步提升其性能成为一种新兴手段。本综述为动物智能行为识别、动物福利研究以及智慧养殖等相关研究者扩展研究思路和研究方法。     

Ground truth evaluation of computer vision based 3D reconstruction of synthesized and real plant images

There is an increasing interest in using 3D computer vision in precision agriculture. This calls for better quantitative evaluation and understanding of computer vision methods. This paper proposes a test framework using ray traced crop scenes that allows in-depth analysis of algorithm performance and finds the optimal hardware and light source setup before investing in expensive equipment and field experiments. It was expected to be a valuable tool to structure the otherwise incomprehensibly large information space and to see relationships between parameter configurations and crop features. Images of real plants with similar structural categories were annotated manually for comparison in order to validate the performance results on the synthesised images. The results showed substantial correlation between synthesized and real plants, but only when all error sources were accounted for in the simulation. However, there were exceptions where there were structural differences between the virtual plant and the real plant that were unaccounted for by its category. The test framework was evaluated to be a valuable tool to uncover information from complex data structures.     

基于计算机视觉的作物行定位技术

针对基于计算机视觉的作物行中心线定位困难问题,提出了基于垂直投影法的作物行定位方法。对作物图像运用过绿特征值分割作物和背景,将得到过绿特征图像划分为若干水平图像条,对图像条过绿特征值进行垂直投影,求取投影曲线上突出峰点的位置;利用稳健回归法对位置点进行线性拟合得到作物的行中心线。采用320×240像素的大豆图像进行作物行定位实验,结果表明采用该方法能够获得较好的定位结果。     

基于计算机视觉的杜鹃自动分级方法

随着我国花卉产业的蓬勃发展,花卉的自动化生产已经成为了必然趋势。提出了基于计算机视觉的杜鹃分级方法,对杜鹃的侧视图、俯视图进行图像分割,通过分析计算,得到株高、冠径、花盖度、花朵分布均匀度4项关键指标。对60盆杜鹃的分级试验结果表明,综合分级正确率达96.7%,其中株高的平均测量误差为5mm,冠径的平均测量误差为7mm,而对花盖度及均匀度的分级正确率分别达98.3%和96.7%,并可测出准确的分级参数,用于杜鹃的培育分析。该分级方法准确,实时性高,为杜鹃自动化分级提供了有效的途径。