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。     

基于双编码遗传算法的支持向量机作物病害图像识别方法

为了实现作物病害的计算机识别,采用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,对病害图像增强处理,彩色病斑分割,特征参数提取,构建双编码遗传算法优化特征子集,并赋予权重的一对一投票策略支持向量机来分类识别作物病害进行研究.结果表明:在同等条件下,该方法与没有采用遗传算法的支持向量机相比,特征向量减少了38％,正确率提高了6.29％.     

Identification of Typical Rice Diseases Based on Interleaved Attention Neural Network

Taking Jiuhong Modern Agriculture Demonstration Park of Heilongjiang Province as the base for rice disease image acquisition, a total of 841 images of the four different diseases, including rice blast, stripe leaf blight, red blight and bacterial brown spot, were obtained. In this study, an interleaved attention neural network (IANN) was proposed to realize the recognition of rice disease images and an interleaved group convolutions (IGC) network was introduced to reduce the number of convolutional parameters, which realized the information interaction between channels. Based on the convolutional block attention module (CBAM), attention was paid to the features of results of the primary group convolution in the cross-group convolution to improve the classification performance of the deep learning model. The results showed that the classification accuracy of IANN was 96.14％, which was 4.72％ higher than that of the classical convolutional neural network (CNN). This study showed a new idea for the efficient training of neural networks in the case of small samples and provided a reference for the image recognition and diagnosis of rice and other crop diseases.     

基于网络的鸡病防治与诊断专家系统的设计

目前中国鸡病防治中存在一些暂时无法解决的难题,如基层中鸡病诊断专家缺乏、鸡病防控不及时等。基于现状,利用计算机网络技术和人工智能技术,将SQL数据库和ASP.NET技术相结合,设计并开发了基于网络的鸡病防治与诊断专家系统。该系统将鸡病诊断和鸡病防治知识进行集成,采用基于规则的模糊化的混合推理策略,实现了鸡病诊断和防治的数字化和智能化,用户可通过网络实现鸡病诊断、鸡病防治、鸡群管理、知识查询和统计分析等功能。经验证性试验和专家评测,该系统结构合理,功能完善,可以满足广大基层用户的需求,具有一定的推广应用前景。     

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposition,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法对滚动轴承的工作状态和故障类型进行分类.对正常状态、外圈故障、内圈故障3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural network,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.     

基于TM影像的喀什地区土地利用分类

以喀什地区为研究区,选取2010年9景TM影像为遥感信息源,利用支持向量机法对喀什地区的土地进行分类。最终分成7个类别,并用混淆矩阵对分类结果作精度评价,总体分类精度为85.28%,Kappa系数为82.79%。结果表明,利用支持向量机分类方法对TM影像进行喀什地区土地利用分类与制图是可行的,能较真实地反映该地区植被和土地利用的基本特征。     

基于相似性分析的中低分辨率复合水稻种植面积测量法

 【目的】利用遥感技术获取大范围水稻种植面积是遥感技术在农业领域的主要应用方向之一。本研究的目的是探索利用多尺度遥感数据复合测量水稻种植面积的方法。【方法】以SPOT5数据的水稻识别结果作为样本,构建图像相似性指数,通过支持向量机（SVM）混合像元分解模型,对MODIS-EVI时间序列数据进行水稻的种植面积测量。【结果】通过江苏省邳州市的试验研究得出：（1）在野外经验支持下,从MODIS-EVI时间序列数据中构建的水稻种植相似性指数可以有效反映水稻在整个研究区的空间分布情况;（2）利用图像相似性选取训练样本,能有效地提高MODIS-EVI数据的水稻种植面积的测量精度,当图像相似性指数越小,即图像相似性越高,提取的水稻种植面积也越准确;（3）通过与随机样本测量结果对比分析,基于相似样本的测量方法有着更高的稳定性;（4）该方法在不同种植结构分区内有着相似的总量精度与像元精度变化规律,均能获得较高的测量精度。【结论】基于相似样本的水稻种植面积测量方法,有助于发挥MODIS长时间序列优势,提高水稻种植面积遥感测量精度和稳定性,可以作为替代随机选取样本的方法之一。     

空瓶的智能检测算法研究

研究了针对空瓶特点如何设计空瓶的图像采集系统及其从空瓶图像中提取特征的方法．首先提出采用多特征综合的专家系统以适应高速检测的需要．其后又研究了基于遗传支持向量机的决策算法，提出采用遗传算法根据分类准确率来优化支持向量机的参数，以提高分类决策的性能．通过与模糊神经网络的实验比较表明，采用专家决策算法检测速度快；基于遗传支持向量机决策算法的准确率较高，达到94％以上，并具有更好的推广性能。     

基于纹理特征和支持向量机的玉米病害的识别

针对玉米病害叶片彩色纹理图像的特点，提出一种将支持向量机和色度矩分析应用于玉米病害识别的方法。首先利用色度矩提取玉米病害叶片纹理图像的特征向量，然后将支持向量机分类方法应用于病害的识别。玉米病害纹理图像识别实验结果表明：支持向量机分类方法对于病害分类训练样本较少时，具有良好的分类能力和泛化能力，适合于玉米病害的分类。不同分类核函数的相互比较分析表明，径向基核函数最适合于玉米病害的分类识别。     

基于双空间特征提取的变压器故障诊断模型

为了提高基于油中溶解气体分析(dissolved gas analysis, DGA)的变压器故障诊断正确率,弥补单子空间特征提取的局限性,提出了基于双子空间特征提取的变压器故障分层诊断模型.首先,将DGA测试样本在一个子空间内进行特征提取后,为避免核函数及其参数的选择难题,以及利用多核支持向量机(multiple-kernel support vector machine, MKSVM)鲁棒性强和精度高的特点,采用MKSVM作为分类器对测试样本进行预测.依据预测结果将测试样本分为难分类和易分类样本,对易分类样本直接进行分类识别;对难分类样本则将该样本再次投影到另一子空间进行特征提取后,同样采用MKSVM作为分类器对难分类样本进行预测,综合两次预测结果进行分类识别,实现两分类MKSVM的双子空间特征提取算法.最后,根据故障特征,建立基于双子空间特征提取算法的变压器故障分层诊断模型.诊断实例表明,该模型具有较高的诊断正确率和推广能力.     

基于甘蔗病害智能诊断的立体化精准农药喷洒机的设计研究

针对现有农药喷洒机在精确性、效率以及喷洒均匀性方面的不足,提出一种基于甘蔗病虫害智能诊断的立体化精准农药喷洒机设计方案。该设计方案克服了传统喷洒设备在农药喷洒过程中无法精确识别和定位甘蔗病害区域以及喷洒均匀性不足的问题。通过运用图像处理技术和深度学习算法,系统能够自动识别甘蔗叶片的病害种类、病情程度和位置信息,并借助立体化精准农药喷洒机实现智能化调整喷洒剂量,以确保精准且均匀地喷洒农药。实验结果表明,该系统能够显著提高农药利用率和作物防治效果,具有较高的实用性和推广价值。     

基于EMD和SVM的农用柴油机故障诊断研究

针对农用柴油机振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对气阀机构不同工况下的去噪缸盖振动信号进行分析,计算各内禀模态函数与去噪信号的互信息值以确定主IMF分量,并求其包含时间信息的能量熵以定量描述信号不同时频段的能量分布,将其作为支持向量机的输入特征向量以判断柴油机的工作状态和故障类型。试验结果表明,该方法在小样本情况下也具有较高的精度和较强的泛化能力,但不同转速时需重新采样以保证充足的诊断精度。     

基于不同分类器的农用地分类提取

【目的】分析Landsat 8 OLI卫星遥感影像数据面向农用地分类的实际应用方法和效果,以新疆奇台县南部为研究对象。【方法】使用随机森林(RF)、支持向量机(SVM)和神经网络(Neural Net)三种分类器进行研究区农用地分类对比。【结果】通过对三种分类器参数设置参数精度检验,利用上述三种算法对农用地地物分类进行精度评价,在整体分类精度中,支持向量机算法(SVM)<随机森林算法(RF)<神经网络算法(Neural Net),分类精度分别为:90.75%,94.30%和94.84%。【结论】神经网络方法(Neural Net)在该地区的农用地物整体分类上,比支持向量机(SVM)和随机森林法(RF)相比具有一定的优势,并获得较好的分类精度。     

A Method of Soil Salinization Information Extraction with SVM Classification Based on ICA and Texture Features

Salt-affected soils classification using remotely sensed images is one of the most common applications in remote sensing,and many algorithms have been developed and applied for this purpose in the literature.This study takes the Delta Oasis of Weigan and Kuqa Rivers as a study area and discusses the prediction of soil salinization from ETM +Landsat data.It reports the Support Vector Machine(SVM) classification method based on Independent Component Analysis(ICA) and Texture features.Meanwhile,the letter introduces the fundamental theory of SVM algorithm and ICA,and then incorporates ICA and texture features.The classification result is compared with ICA-SVM classification,single data source SVM classification,maximum likelihood classification(MLC) and neural network classification qualitatively and quantitatively.The result shows that this method can effectively solve the problem of low accuracy and fracture classification result in single data source classification.It has high spread ability toward higher array input.The overall accuracy is 98.64%,which increases by10.2% compared with maximum likelihood classification,even increases by 12.94% compared with neural net classification,and thus acquires good effectiveness.Therefore,the classification method based on SVM and incorporating the ICA and texture features can be adapted to RS image classification and monitoring of soil salinization.     

基于多特征融合和稀疏表示的农业害虫图像识别方法

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG 融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。     

基于物联网平台的小麦病虫害诊断系统设计初探

小麦是中国主要粮食作物,栽培品种多、种植面积大、分布区域广、生长周期长,容易遭受病虫害威胁,快速监测和准确识别病虫害成为一项重要的课题。基于前期构建的小麦物联网监控系统平台,研发了集成图像获取、图像识别诊断于一体的应用系统。初步研究了小麦比较常见的三种病虫害的识别与诊断方法,并利用图像分割、特征提取及数字图像分类识别技术,将物联网系统获取的感白粉病、锈病、蚜虫的不健康叶片与健康小麦叶片的图片分别进行对比实验研究。实验结果显示,识别率都较为理想,其中白粉病的识别率为82.5%,锈病、蚜虫和健康叶片的识别率都在95%以上。将病虫害图像识别技术与物联网技术结合,方便病虫害图像的远程传输、多点获取等优点,大幅度提升对病虫害远程识别和诊断能力,具有广阔的发展前景。     

基于BP神经网络和支持向量机的农用地分等方法研究

为建立农用地(耕地)质量评价模型,客观准确地进行农用地(耕地)分等,减少现行农用地分等方法中的人为因素影响,提高农用地分等的精度。以福建省长泰县丘陵山地区为实证研究区,通过无监督网络——自组织特征映射网络(SOM)筛选出2 602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将分等指标作为输入变量,以农用地自然质量等指数和等别作为输出变量,分别建立BP神经网络农用地分等模型与SVM农用地分等模型并对其精度进行分析。BP神经网络模型的评价正确率为89%,精度较高;支持向量机(SVM)模型的评价结果正确率为99%,达到高精度等级。2种模型均能满足农用地分等的精度要求,但SVM模型较BP神经网络效果更好,更适合应用于农用地分等工作。     

基于Spark的支持向量机在小麦病害图像识别中的应用

为了提高小麦病害图像分类的效率,提出了一种基于Spark的并行式支持向量机算法。首先对小麦病害图像进行滤波去噪、灰度压缩等处理,利用灰度共生矩阵、不变矩阵等从颜色、纹理和形状3个方面提取49个特征向量;然后通过数据集的切分和并行框架的支持,将大数据并行处理技术Spark与支持向量机结合,运用Scala语言实现了串行支持向量机算法的并行化,并将其应用于小麦病害图像识别。针对小麦锈病和白粉病的图像分类测试结果表明,当测试图像分别是2 600、3 900、5 120张时,该算法对锈病的分类精度依次是76.03%、81.18%、77.82%,对白粉病的分类精度依次是83.27%、85.91%、83.14%,比串行支持向量机分类精度有所提升。分类时间依次是13 928.0、18 506.1、24 897.2 ms,明显低于串行支持向量机的分类时间。改进的算法实现了小麦病害分类精度的小幅度提升,明显提高了处理速度,具有较快的学习收敛速率。     

畜禽养殖疾病诊断智能传感技术研究进展

畜牧业是我国农业的重要组成部分,目前我国畜牧业向着规模化、集约化发展,同时也增加了畜禽疾病诊断的难度.为提高畜禽养殖中的动物福利水平,并降低畜牧养殖中因动物疫病与健康异常带来的经济损失与公共卫生安全风险,近年出现了一批通过数字化、智能化手段实现畜禽疫病诊疗的自动化方法,如机器视觉分析、动物音频分析、红外温度感知、深度学...     

闽东滨海湿地景观分类体系与格局特征

以闽东沿海地区1993、2001、2010年遥感图像为分析对象,用3S技术和景观生态学方法将其湿地景观分为7类,并用景观格局指数分析该湿地3个不同时期的空间格局特征和变化规律。结果表明:水域景观在斑块面积和比例上占优势地位,形状稳定且连通性最好,为研究区域的基质景观;养殖场、建筑用地和农田在斑块面积、数量、密度上均有增长,水域、人工库塘、其他非湿地景观和潮间裸滩则呈下降趋势;建筑用地景观形状最为复杂,人工库塘的分离度和破碎化程度最大,潮间裸滩次之,且在相应指数上均高于同时期其他自然湿地景观,受到人为干扰最为强烈。