共查询到20条相似文献,搜索用时 46 毫秒
1.
[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。 相似文献
2.
基于图像处理技术的黄瓜叶片病害识别诊断系统研究 总被引:4,自引:0,他引:4
为了提高黄瓜叶部病害检测与染病程度的分级的准确率和效率,综合运用图像处理技术、人工神经网络技术,实现黄瓜叶部病害检测与染病程度分级,并主要对发病率高且危害严重的黄瓜霜霉病、白粉病和病毒病进行试验研究.首先,通过接种方法获得了纯正的黄瓜病害样本,并采集染病植株的样本图像.利用基本图像处理的方法对黄瓜叶部病害图像进行处理,综合运用二次分割、形态学滤波得到病斑区域.其次,提取三种特征包括22个特征参数,采用BP算法训练的多层前向人工神经网络对黄瓜病害进行分类.实验证明,检测系统的黄瓜叶部病害平均识别精度为95.31%,并能够快速准确地对黄瓜叶片病害的染病程度进行分级 相似文献
3.
基于图像处理的葡萄霜霉病单叶严重度自动分级方法 总被引:2,自引:2,他引:0
为了实现植物病害严重度的精确测定和自动分级,克服目前病害严重度肉眼观测存在主观随意的缺陷,以葡萄霜霉病发病叶片为研究对象,提出一种基于图像处理技术的病害单叶严重度自动分级方法。经对完整的叶部病害正投影图像进行处理,利用K_means聚类算法自动准确地将叶片区域和发病区域分别分割出来,通过像素统计的方法提取叶片和发病区域的面积特征,从而精确地计算出发病区域所占叶片总面积的百分比,并根据分级标准给出病害严重度级别。利用该方法对葡萄霜霉病样本进行测试结果表明,该方法能够精确地估计病害严重度,对葡萄霜霉病发病叶片严重度判断的准确率为93.33%。 相似文献
4.
5.
快速、及时和准确的发现小麦病害对提高小麦产量具有重要作用。以小麦叶片白粉病、条锈病和叶锈病3种病害为研究对象,提出了基于LM神经网络的小麦叶片病害识别模型。首先采用K-means算法分割小麦叶片病斑区域,提取小麦病斑区域的颜色特征和纹理特征,构建数据集。然后建立LM神经网络小麦叶片病害识别模型,输入数据进行识别。基于颜色和纹理特征的小麦叶片病害识别率为95.3%。在小样本情况下,利用LM神经网络算法能够快速、准确的识别小麦病害叶片。 相似文献
6.
7.
目的 为提高小麦条锈病危害程度分级精度,开展小麦条锈病病害等级自动化、准确、快速识别方法研究。方法 在复杂田间条件下,使用手机拍摄图像,构建含有不同等级条锈病的小麦叶片数据集,利用GrabCut与YOLOv5s相结合的方法进行小麦叶片与复杂背景自动化分割。为了增强ResNet50对表型特征的提取能力,增加Inception模块,依据划分的小麦条锈病病害等级标准,对小麦条锈病病害等级进行识别。采用准确率、查全率、查准率等评价指标分析改进的ResNet50模型(B-ResNet50)在数据集上的表现。结果 GrabCut与YOLOv5s相结合对大田复杂背景下的小麦叶片图像实现了自动、准确、快速地分割。B-ResNet50识别小麦条锈病叶片的平均准确率为97.3%,与InceptionV3(87.8%)、DenseNet121(87.6%)、ResNet50(88.3%)相比,准确率大幅提升,比原始模型(ResNet50)高出9个百分点。结论 利用深度学习对小麦条锈病病害等级进行识别,对防治小麦条锈病的精准施药具有重要意义,可为田间复杂条件下小麦条锈病的防治提供技术支持。 相似文献
8.
一、小麦主要病害
(一)小麦锈病
1、症状.锈病又叫黄疸病,有条锈病、叶锈病和秆锈病3种,对小麦为害较大的是条锈病和叶锈病.条锈病主要发生在叶片上,其次是发生在叶鞘和茎秆叶片上.发病初期病害为小长条状,呈鲜黄色,椭圆形与叶脉平行,排列成行,后期出现铁锈色粉状物.叶锈病主要为害叶片,病害为椭圆形,呈橘红色,排列比较散乱.秆锈病主要为害茎秆和叶鞘,病害呈褐黄色,常连成大斑,散发锈褐色粉末. 相似文献
9.
10.
<正>小麦锈病分条锈病、叶锈病和秆锈病3种,是我国小麦上发生面积广,危害最重的一类病害。一、小麦条锈病危害症状小麦条锈病主要发生在叶片上,其次是叶鞘和茎秆,穗部、颖壳及芒上也有发生。苗期染病,幼苗叶片上产生多层轮状排列的鲜黄色夏孢子堆。成株叶片初发病时夏孢子堆为小长条状,鲜黄色,椭圆形,与叶脉平行,且排列成行,像缝纫机轧过的针脚一样,呈虚线状,后期表皮破裂,出现锈被色粉状物;小麦近成熟时,叶鞘上出现圆形至 相似文献
11.
12.
13.
14.
基于图像数字处理技术的元帅系苹果叶片营养水平诊断研究 总被引:1,自引:0,他引:1
利用图像数字化处理技术,建立元帅系苹果叶片氮磷钾营养元素估算模型。选择不同营养水平的元帅系苹果叶样,通过计算机提取采集叶样的图像特征红R、绿G、蓝B各参数值及其相对的系数r、g、b和简单算术组合。分析RGB、rgb和简单算术组合分量值与叶片氮、磷、钾之间的相关特征。结果表明,叶片颜色特征分量G/B与氮元素含量呈极显著相关性,g分量与磷元素含量呈显著相关性,G/R分量与钾元素含量呈极显著相关性。选择叶片颜色特征分量跟元帅系苹果叶片氮、磷、钾元素的最高显著相关特征参数,建立的元帅系苹果叶片氮、磷、钾营养水平估算模型为y=-6.780x+8.913、y=-1.813x+1.158、y=-25.196x+22.872,其中x分别为叶片颜色特征G/B、g、G/R的分量值。氮、磷、钾预测值与实测值相关系数分别达到极显著(0.721)、显著(0.522)、极显著(0.644)水平,能较为可靠的反映元帅系苹果叶片的营养水平。 相似文献
15.
16.
17.
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 总被引:1,自引:2,他引:1
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。 相似文献
18.
一、病害
1.玉米大宽病
①发病症状发生在玉米拔节期,叶片染病后出现水浸状青灰色斑点,沿叶脉向两端扩展,形成青灰色大斑。后期病斑常纵裂,严重时病斑融合,叶片变黄枯死。 相似文献
19.
<正>玉米的病虫害种类是十分复杂的,各地区的病害都存在着一定的差异性,病虫的不同带来的危害程度也是不一样的。1.玉米的病害1.1玉米大斑病。玉米大斑病又称条斑病、煤纹病、枯叶病、叶斑病等。主要为害玉米的叶片,有时也会在叶鞘和苞叶处发现病斑。发病初期,叶片染病首先会出现水渍状青灰色斑点,然后沿叶脉向两端扩展,由小的病斑迅速扩展成边缘暗褐色、中央淡褐色或青灰色的大斑。发病后期,病斑常纵裂。严重时病斑融合,叶片变黄枯死。潮湿时病斑上有大 相似文献
20.
基于朴素贝叶斯分类的柑橘叶片溃疡病诊断 总被引:1,自引:0,他引:1
《浙江大学学报(农业与生命科学版)》2021,(4)
为实现准确、快速地识别柑橘叶片溃疡病,提出一种基于朴素贝叶斯分类的柑橘叶片溃疡病诊断方法。基于不同病害程度的叶片数码图像,根据颜色空间特征,构建基于朴素贝叶斯的柑橘叶片溃疡病斑识别模型,并对比分析朴素贝叶斯分类、固定阈值分割、自适应阈值分割、支持向量机分割对柑橘叶片溃疡病的诊断能力。结果表明:基于朴素贝叶斯分类的柑橘叶片溃疡病斑分割效果较好,误分割率仅为3.58%,远远优于阈值法和支持向量机。在运行效率方面,4种算法耗时排序为固定阈值法自适应阈值法朴素贝叶斯法支持向量机法,但均在较合理的范围内;结合前期准备时间,朴素贝叶斯法的运行效率最佳。综上所述,朴素贝叶斯分类算法在柑橘叶片溃疡病诊断方面具有快速、精准的应用能力,可以为果树从业者精确诊断果树病害严重度提供新思路。 相似文献