玉米叶片病斑多光谱特征提取及识别方法

为了更好地防治玉米病害,使用BP神经网络、L-M算法优化的BP神经网络和FCM聚类算法对玉米的3种叶片病斑图像进行识别研究。利用图像处理技术对采集的图像进行预处理和阈值分割,提取3个颜色特征、9个纹理特征和7个形状特征,通过LLE算法降维获得6维的内在低维流形特征,使用3种算法对提取的特征参数进行识别。结果表明,从识别率和网络训练速度2个方面来看,L-M算法优化的BP神经网络识别率高达98.67%,且训练速度快,更适合作为玉米叶片病斑图像的识别算法。     

多尺度各向异性小波收缩图像分割算法在玉米病斑特征提取时的应用

通过选取基于LXF模型的水平集图像分割算法和快速FCM聚类图像分割算法进行对比研究,并将结合小波收缩与各向异性扩散优点的多尺度各向异性小波收缩图像分割算法应用于玉米病斑图像分割与特征提取中,该算法的分割效果明显优于前两种分割算法。     

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。     

基于图像特征融合的麦冬叶部病害识别

以川麦冬叶部黑斑病、炭疽病、叶枯病3种病害图像为研究对象,对比分析了双峰法、Otsu阈值分割法以及K-means聚类分割算法对麦冬病斑图像的分割效果。结果表明,K-means聚类算法结合数学形态学方法能满足病斑分割要求;提取病斑图像颜色、形状、纹理信息融合成病斑特征向量;运用方差分析与主成分分析法剔除了病害表征能力较差的特征参数并将特征向量维数降至10维;运用支持向量机设计出分类器进行病害识别,经试验识别率达到了90%。该方法具有成本低、算法简单、运行高效等优势,基本符合实际应用要求。     

基于直觉模糊C均值聚类算法的作物病害图像分割

针对作物病害图像的病斑分割问题,提出一种直觉模糊C均值(Intuitional Fuzzy C-means,IFCM)聚类算法。通过引入隶属度、非隶属度和犹豫度3个参数来表示模糊集,从而定义了用来表示模糊集的模糊度的直觉模糊熵(IFE)这一概念,对传统的FCM算法进行改进,克服了FCM算法分割时计算目标函数容易陷入局部极小值,而且聚类数目需要提前设定初值的缺点。将预处理过的作物(以黄瓜为例)病害叶片图像作为研究对象采用该改进算法进行病斑图像分割,得到了很好的分割效果。与其他分割方法进行比较,结果表明该算法分割出来的作物病斑图像准确率高达94%以上,分割效果明显。     

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SVM和CNN组合模型的黄瓜病斑叶片检测与识别

为建立准确高效的黄瓜病斑叶片的检测与识别算法提供参考,针对黄瓜叶片常见病斑检测与识别时存在的环境适应性差、识别精度低等问题,提出基于改进的SVM（支持向量机）和CNN（卷积神经网络）组合模型的黄瓜病斑叶片检测与识别算法。依据黄瓜设施场景特征,首先对病斑图像进行色彩增强,通过直方图均衡化对图像进行再处理,利用优化的HOG+SVM分类器对黄瓜叶片进行提取;通过稀疏滤波器及增加偏置对CNN算法进行改进,识别出叶片的病斑类别。结果表明,在黄瓜设施场景下,改进SVM和CNN组合模型的黄瓜病斑叶片检测与识别算法对叶片提取的查准率及差全率分别达87.21%和88.77%,对病斑的整体识别精准率为91.9%,算法实时性强,具有实际推广应用前景。     

基于图像处理技术的玉米叶部病害识别研究

本文结合玉米作物病害的图像特征,首先进行图像的预处理,实现叶部病斑的分割;随后以6个参量来描述玉米叶部病斑的形状特征;将图像由RGB坐标向HSI坐标系统转换,提取参量描述病斑颜色特征;采用灰度共生矩阵提取玉米叶部病斑的纹理特征;引入粒子群优化算法对传统神经网络算法进行改进,使之具备准确分类并识别玉米叶部病害的能力;最后构建了玉米叶部病害图像识别系统,并通过实验与比较,证明了所构建的系统识别病害的准确度。     

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。     

基于图像技术的玉米叶部病害识别研究

针对野外光照条件下玉米叶部病害的图像识别问题,采用Retinex算法进行图像增强,消除光照的不利影响,在R-G灰度空间中运用自动阈值法进行病斑图像分割,提取病斑的颜色、纹理及不变矩特征,并采用主成分分析和支持向量机相结合的方法进行玉米叶片常见病害的分类识别。实验结果显示,小斑病、锈病和弯孢菌叶斑病的总识别精度为90.74%。表明本研究方法在自然光照环境下可获得良好的病害识别效果,具有一定的实用价值。     

基于显著性检测与模糊C均值聚类算法的叶片病斑区域提取方法

针对自然场景下获取的叶片病斑图像,提出利用图像显著性检测与模糊C均值聚类方法相结合的叶片病斑区域提取方法。首先,利用SLIC(simple linear iterative clustering)方法结合马尔科夫吸收链进行图像显著性检测,获取显著图,实现符合视觉特征的显著区域检测;其次,利用模糊C均值聚类算法对显著图进行分割,进而获取二值化后的叶斑图像;最后,结合原始图像获取最终叶片病斑区域。试验结果表明,叶片病斑区域提取比较准确,满足病斑进一步处理和分析的要求。     

基于引力核密度聚类算法的作物病害叶片区域的快速检测

针对作物病害叶片图像的复杂性和模糊性,提出一种基于引力核密度聚类算法的作物叶片病害区域快速检测方法:首先,在RGB颜色空间提取病害叶片图像的R通道值,根据R值的特征直方图特性,运用多项式拟合特征直方图曲线,根据导数性质确定拟合特征直方图曲线的峰值点和峰值区域,确定病害叶片图像聚类数和初始聚类中心;根据初步确定的病变叶片图像的聚类中心,运用引力核密度聚类算法快速完成对病害叶片病斑的分割。试验结果表明,基于引力核密度聚类算法的平均分割精度达80%以上,平均检测时间为4.912 s,优于已有病害区域分割算法K–means和Meanshift的性能。     

基于光源不变图和聚类算法的叶片阴影中病斑的分割

【目的】提出了一种基于光源不变图的病斑分割方法,以提高病斑识别程序的准确性和稳定性。【方法】将阴影区和非阴影区视为不同光源照明,通过最小熵法计算原图的光源不变图,在该图上采用K均值聚类算法对病斑进行分割,以采集的病斑叶片为材料,对该方法的处理效果进行验证。【结果】比较光源不变图法和H分量法的处理结果后发现,采用光源不变图法处理病斑不同区域的平均差异较H分量法更低,仅为10.7%;聚类分割算法对使用光源不变图法处理病斑图像的分割准确率为95.0%,较H分量法具有更高的正确率,且误检率更低。【结论】采用光源不变图法对病斑图像处理的效果好、性能稳定,同一目标在不同光照条件下处理结果的一致性较高。     

基于改进卷积神经网络算法的番茄叶片病害识别

为了提高番茄叶片病害识别的效果,提出改进卷积神经网络算法。首先Sobel算子获得水平方向、垂直方向、45°、135°对角方向的4个通道图像,四通道卷积神经网络采用不同大小的卷积核提取图像特征;接着双重注意力机制包括空间注意力、通道注意力,空间注意力包括局部注意力机制、全局注意力机制,局部注意力机制注意图像的局部特征,全局注意力机制注意图像的整体特征,空间注意力使用局部-全局交替注意力;通道注意力主要进行加强番茄叶片图像的有用特征抑制无用特征;然后通过K-means聚类方法划分出病害聚类区;最后给出了算法流程。试验仿真结果显示本研究算法对番茄叶片病害黄叶卷曲病、花叶病、蜘蛛螨病、七星斑病、叶霉菌病、早疫病识别准确率平均值分别为98.51%、97.92%、96.71%、94.12%、94.63%、94.22%,高于其他算法,同时消耗时间少于其他算法。     

马铃薯病斑图像自动分割方法研究

本文使用了一种k-means聚类算法实现了对马铃薯叶片上的病斑提取,其原理利用ab二维数据在Lab空间模式上的颜色差异性。首先建立平方欧式距离作为马铃薯图像像素间的相似度距离模型,再以均方差作为聚类准则函数对颜色进行二分类聚类,最终完成了对目标区域的精准提取。从实验效果来看,该算法能较好的将马铃薯晚疫病病斑区域从图像中提取出来,分割结果较为理想。     

北方旱育稀植水稻病害图像识别预处理研究

引入图像预处理及模式识别技术,实现北方旱育稀植水稻叶部病害图像的预处理。结合水稻叶部图像的特征,对传统的算法进行调整或改进优化:以改进系数的方法对图像进行灰度化处理;通过直方图均衡化提升图像的对比度;以改进矢量中值滤波算法保护图像边缘,滤除图像噪声;以优化的均值聚类算法进行图像分割,获得水稻病斑图像的主要特征,从而实现了对目标图像的去噪、增强,为病害进一步的智能化识别与处理打下良好的基础。     

基于G-MRF模型的玉米叶斑病害图像的分割

【目的】图像分割是作物病害自动识别系统实现的难点之一,前人研究大多采用基于阈值或聚类的分割算法,方法简单、易于实现,但分割精度较低。本文引入高斯模型的Markov随机场分割模型(G-MRF),对玉米叶部病斑图像进行分割试验,以期提高分割精度。【方法】在VC6.0下实现了G-MRF分割模型,G-MRF既利用了图像像素的灰度信息,又通过像素类别标记的Gibbs光滑先验概率引入了图像的空间信息,是能较好地分割含有噪声图像的算法。采用该算法对大斑病、小斑病、灰斑病和弯孢菌叶斑病等4种主要玉米叶部病害的图像进行了分割测试,并与基于阈值和基于Gauss模型的分割算法进行比较。【结果】基于G-MRF分割模型的分割,目标区域的一致性和边缘的清晰方面明显好于基于阈值和Gauss模型的分割算法,其平均正确分类率达96.35%,分别较基于阈值和基于Gauss模型的分割算法高出3.75%和4.03%,差异达到显著水平。【结论】基于G-MRF模型的分割算法鲁棒性高,能够有效地将病斑区域从叶片部分离,分割正确分类率达96.35%,可用于玉米叶斑类病害图像的分割。     

基于支持向量机的苹果叶部病害识别方法研究

为提高苹果叶部病害自动识别水平并实现快速有效地识别苹果叶部病害,本研究首先采用小波滤波算法对采集的苹果叶部锈病、斑点落叶病的图像进行去噪平滑,然后利用病斑颜色差异和边界跟踪算法对病斑进行分离,最后提取病斑颜色、形状和纹理等方面的特征,采用支持向量机(SVM)技术对病害进行自动识别。试验表明,该方法对苹果叶锈病和斑点落叶病样本进行处理识别的正确率较高,能够满足实际需求。该结果对苹果叶部病害的自动快速诊断和防治具有一定的指导意义。     

基于支持向量机的小麦条锈病和叶锈病图像识别

为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可有效地进行小麦条锈病和叶锈病的图像识别。