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。     

基于遗传神经网络的杂草与作物识别方法的研究

综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层前馈神经网络,实现了大豆与杂草的识别.首先,通过计算机视觉技术采集大豆与杂草的叶片图像作为测试样本,之后应用遗传神经网络建立对杂草图像的识别模型.研究结果表明,这种图像处理技术与神经网络的结合的方法,识别作物区域的准确率可达90%以上.     

大豆叶片图像处理系统设计与实现

以计算机数字图像处理为重要技术手段,以大豆叶片为主要研究对象,综合运用数字图像处理、色度学、人工神经网络、模式识别等人工智能领域的知识,设计了大豆叶片图像处理与分析系统,从植物叶片的几何特征到病斑的形态特征都作了具体地分析与计算。     

基于图像处理技术的大豆灰斑病的检测技术研究

选择了平滑滤波、阈值分割等算法,利用图像处理技术和神经网络技术,对大豆灰斑病进行了检测,在标准豆粒与灰斑病豆粒混合的条件下计算出病粒的百分比。同时,在暗箱条件下用照相设备采集图像,利用VC++开发平台,编写程序对图像进行去噪和分割后,通过实验设计和数据统计分析提取出豆粒的23个形态特征和颜色特征参数。采用BP神经网络对豆粒进行进一步的测评。实验取得了良好的结果,识别准确,为今后大豆其他缺陷检测打下良好的基础。     

马铃薯病害的可视化计算机识别技术

本文旨在研究可视化计算机识别技术来提高对马铃薯病害的识别作用.在可视化计算机识别技术的基础上,引进了OTSU-SFLA算法对图像病斑分隔处理,通过卷积神经网络识别法对马铃薯病害进行图像特征提取和图像识别.实验结果表明,该识别方法能够对马铃薯早疫病等5种马铃薯常见病害实现图片识别,平均综合识别率达到98.2％.可视化计算...     

基于深度学习和支持向量机的4种苜蓿叶部病害图像识别

为实现苜蓿叶部病害的快速准确诊断和鉴别,基于图像处理技术,对常见的4种苜蓿叶部病害(苜蓿褐斑病、锈病、小光壳叶斑病和尾孢菌叶斑病)的识别方法进行探索。对采集获得的899张苜蓿叶部病害图像,利用人工裁剪方法从每张原始图像中获得1张子图像,然后利用结合K中值聚类算法和线性判别分析的分割方法进行病斑图像分割,得到4种病害的典型病斑图像(每张典型病斑图像中仅含有1个病斑)共1 651张。基于卷积神经网络提取病斑图像特征,建立病害识别支持向量机(Support vector machine,SVM)模型。结果表明:当病斑图像尺寸归一化为32×32像素,利用归一化的特征HSV(即特征H、特征S和特征V归一化后的组合特征)构建的病害识别SVM模型最优,其训练集识别正确率为94.91%,测试集识别正确率为87.48%。本研究基于深度学习和SVM所建立的病害识别模型可用于识别上述4种苜蓿叶部病害。     

基于Fisher判别分析的玉米叶部病害图像识别

 【目的】利用计算机视觉技术实现玉米叶部病害的自动识别诊断。【方法】在大田开放环境下采集病害图像样本,综合应用基于H阈值分割、迭代二值化、图像形态学运算、轮廓提取等算法处理病害图像,抽取病斑,提取病害图像的纹理、颜色、形状等特征向量,采用遗传算法优化选择出分类特征,并利用费歇尔判别法识别普通锈病、大斑病和褐斑病3种玉米叶部病害。【结果】研究中提取了墒、相关信息测度、分形维数、H值、Cb值、颜色矩、病斑面积、圆度、形状因子等28个特征向量,利用遗传算法优选出H值、颜色矩、病斑面积、形状因子等4个独立、稳定性好、分类能力强的特征向量,应用费歇尔判别分析法识别病害,准确率达到90%以上。【结论】综合运用数字图像处理技术、图像纹理、颜色、形状特征分析方法、遗传算法、费歇尔判别分析方法可以有效识别基于田间条件下采集的病害图像,为田间开放环境下实现大田作物病虫害的快速智能诊断提供借鉴。     

大豆主要病虫害的综合防治方法

正大豆主要病虫害的综合防治势在必行。大豆主要病虫害有根腐病、胞囊线虫病、霜霉病、褐斑病、灰斑病、细菌性斑点病、病毒病、食心虫、根潜蝇、蚜虫等。本文对为害大豆生产的主要疾病及害虫进行了概述,并提出防治这些病虫害的主要技术措施,以期为大豆病虫害的防治提供参考。一、大豆病害防治方法1.大豆褐斑病。大豆褐斑病由壳针孢属大豆球壳孢菌引起。病菌在病叶等病残体上越冬。从伤口、气孔或直接穿     

基于LXF模型水平集的玉米叶部病斑图像分割

农作物病害的发生对我国农业生产危害较大,运用机器识别技术对农作物病害图像进行自动识别有着重要的意义。主要介绍传统水平集和基于LXF模型水平集的分割算法原理,并且运用两种方法分别对玉米叶部病斑进行图像分割。实验表明基于LXF模型水平集的分割算法缩短了玉米病斑图像分割时间的同时病斑分割效果良好,为以后的特征提取、病斑种类的识别打下了良好的基础。     

农作物图像特征提取技术及其在病害诊断中的应用

农作物生殖生长时期的生理生态性状,可通过其冠层图像表现型特征呈现出来,为解决农作物冠层图像特征难以提取的问题,以北方寒地大豆为研究对象,将数字图像处理技术与多维特征选取机制相结合,研究了农作物冠层图像特征提取技术,并应用在大豆叶部病害诊断中。首先计算农作物冠层器官形状和颜色多维特征指标,然后利用主成分分析技术筛选有效特征参数,最后完成农作物病斑害图像特征提取及诊断方法。其仿真实验中病害种类诊断准确率为97.5%。该方法实现了农作物冠层图像特征提取及信息处理过程,为大田农作物全面系统地开展生长过程监测及病害防治提供重要理论支持。     

植物叶片智能分析系统的设计

为避免农作物病害智能诊断过程中人为主观因素的影响,客观准确的表达叶片信息,利用数字图像处理技术和农业植保专家知识相结合,设计了适合于大田作物的植物叶片图像处理与分析系统。该系统主要包括植物叶片几何失真校正模块,几何特征计算模块、颜色识别模块以及病害区域识别模块;以校正后非线性失真现象的叶片图像为基础,实现了叶片几何特征值和颜色值的计算,并提取其病斑区域图像。试验结果表明,该方法满足病害智能诊断要求,具有良好的适应性和实用性。     

基于贝叶斯正则化BP网络的粮虫分类识别研究

以粮虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现分类识别的方法。首先对4类常见粮虫进行图像采集、预处理及特征提取,然后将提取到的9个形态学特征参数作为神经网络的输入参数,对应的粮虫类别代号作为输出参数,建立BP神经网络,并在网络学习过程中采用贝叶斯正则化优化算法对其进行改进。最后通过仿真试验表明:该方法在粮虫识别算法中收敛速度快,预测精度高,稳定性好,泛化能力优,从而证实了该方法在实际应用中的可行性。     

基于图像处理的木片与树皮的新识别参数研究

利用数字图像处理技术对樟子松、柳木和榆木的木片和树皮图像进行分类识别,首先提取木片和树皮图像的均方差比等6个识别参数,分析其最大值和最小值,然后用支持向量机和BP神经网络对这6个识别参数进行识别研究。结果表明,新识别参数——均方差比,无论用支持向量机,还是BP神经网络,其识别率都较高,因此,均方差比可作为木片与树皮识别的新识别参数。为造纸生产中,将树皮和木片分离,提高纸张质量提供依据。     

Apple Grade Judgment Based on the Neural Network

A processing method on the basis of the technology of computer visual and digital image was introduced. The improved LVQ (learning vector quantization) neural network algorithm applied in the process to identify the grade of apples was proved effective in experiment.     

基于量子神经网络和组合特征参数的玉米叶部病害识别

【目的】探索一种基于量子神经网络和组合特征参数的玉米叶部病害识别方法,以提高玉米叶部病害识别的准确率和效率。【方法】应用K_means硬聚类算法对玉米叶部病害图像进行彩色图像分割,得到彩色分割图像,分别利用提升小波变换和灰度共生矩阵从彩色分割图像中提取颜色和纹理特征参数,利用多重分形分析从灰度图像中提取病害的形状特征参数。【结果】根据提取的组合特征参数,利用量子神经网络进行玉米病害分类识别,对玉米灰斑病、玉米普通锈病和玉米小斑病的识别率分别达到92．5％、97．5％和92．5％,高于误差反向传播神经网络法的识别率（分别为90．0％、90．0％和92．5％）。【结论】设计的方法可用于玉米叶部病害识别,并为其他农作物病害的智能识别提供借鉴。     

基于人工神经网络的苹果等级判别方法研究

 应用计算机视觉以及图像处理技术,提出一种基于改进的LVQ人工神经网络算法,从苹果的色泽、横径及果形指数3方面对苹果进行等级划分。结果表明,与传统的LVQ人工神经网络相比,改进的LVQ人工神经网络提高了苹果的分选精度,具有更好的判别效果。     

Using Deep Learning for Soybean Pest and Disease Classification in Farmland

To accurately identify soybean pests and diseases, in this paper, a kind of deep convolution network model was used to determine whether or not a soybean crop possessed pests and diseases. The proposed deep convolution network could learn the highdimensional feature representation of images by using their depth. An inception module was used to construct a neural network. In the inception module, multiscale convolution kernels were used to extract the distributed characteristics of soybean pests and diseases at different scales and to perform cascade fusion. The model then trained the SoftMax classifier in a uniformed framework. This realized the model of soybean pests and diseases so as to verify the effectiveness of this method. In this study, 800 images of soybean leaf images were taken as the experimental objects. Of these 800 images, 400 were selected for network training, and the remaining 400 images were used for the network test. Furthermore, the classical convolutional neural network was optimized. The accuracies before and after optimization were 96.25% and 95.81%, respectively, in terms of extracting image features. This type of research might be applied to achieve a degree of automation in agricultural field management.