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。     

基于图像处理的植物叶面面积计算算法研究

[目的]探讨采用数字图像处理法快速计算植物叶片面积的方法。[方法]以杨树叶片为试材,先将叶片样本进行灰度化、二值化和开运算等预处理,得到叶片外部的参考框图像,之后将样本图像进行几何校正,去除叶柄求出叶片面积,最终编写MATLAB程序。[结果]通过研究叶柄处存在凸出的叶片的去叶柄算法,得到比较精确的纯叶片图像。在对畸变灰度图像二值化过程中采用局部阈值分割和直方图分割相结合的方法,人机交互处理后得到了清晰的边框;在对校正后的灰度图像进行处理的过程中运用了最佳阈值分割方法也能得到满意的叶片图像。由此可见,目的和需要不同所采取的方法有很大差别。[结论]采用对精确的数字图像处理方法能快速计算植物叶片面积。     

基于图像的植物病变叶面特征值提取研究

[目的]运用计算机图像处理技术对生产中的角斑病与斑疹病进行区分研究。[方法]利用计算机视觉技术对植物病变特征进行色度学研究,以颜色及纹理作为植物病害图像特征参数进行病斑图像周长、面积和形状的提取,从而进行病害图像的分类判断。[结果]以CIE1976HIS色调百分率直方图法提取色度特征参数,过程简单、有效,运算速度快,消除了叶片形状大小的影响;利用色调直方图的统计特征参数分析,其色调偏度能够显著地将不同病状区分出来。[结论]该研究认为色调偏度可作为区分角斑病与斑疹病的特征参数。     

基于SVM和形态学的作物病斑图像分割方法

作物叶片病斑图像分割是作物病害自动识别的一个重要步骤,为了提高传统的基于阈值或聚类的叶片病斑分割方法的分割效果,提出了一种基于支持向量机(SVM)和形态学的病斑分割方法。首先利用SVM进行病斑图像分割,再利用开运算和闭运算来消除病斑图像中边缘的不连续性、病斑内部的小噪声和小洞。最后,通过对黄瓜细菌性角斑病图像进行试验,结果表明,所提出分割方法具有较好的分割效果。     

一种基于Photoshop的叶片相对病斑面积快速测定方法

[目的]提出一种利用Photoshop软件快速测量作物叶片相对病斑面积（RLA）的新方法。[方法]利用相机或扫描仪等获取病叶图像后,直接利用Photoshop软件显示病斑及整个叶片的像素,利用像素数计算出图像中的叶片相对病斑面积。[结果]分别通过1组检验试验和重复测量试验来验证该方法,发现该方法准确,重复性好,误差小。[结论]与利用其他软件求RLA方法相比,该方法简单,快速,准确且便于操作,具有广阔的应用前景。     

自然环境下苹果彩色图像分割研究

[目的]获得自然环境下较好分割苹果图像的方法。[方法]选取苹果被遮挡（主要是叶子）、相互重叠的情况作为试验图片,采用欧几里得距离对彩色图像进行预处理,在预处理中,利用边界盒的相似性准则,提高了处理速度;对预处理的结果进行黑白（苹果和非苹果）编码,产生一副二值分割图像;最后采用数学形态学对二值化图像进行处理。[结果]有效的去除了复杂背景、目标物被遮挡、相互重叠等存在的图像噪声,去噪效果良好。[结论]算法对成熟苹果具有很好的分割效果,但不适合未成熟苹果的分割。     

利用图像处理技术计算大豆叶片相对病斑面积

为了定量化评估大豆作物的病害程度,提出一种基于图像处理测量大豆叶片相对病斑面积的方法。通过HSV、L~*a~*b~*特征空间聚类法逐步分离目标叶片和病斑区域,并采用区域填充法减少叶面水珠、菌碟和菌丝等干扰,最后根据目标叶片和病斑区域像素数计算相对病斑面积。利用该方法分别对培养皿和背光板叶片图像进行试验,结果表明,该方法处理一幅800×800大小的彩色图像只需约20 s,叶片病斑区域与健康区域分割准确度达97%以上,相对病斑面积计算准确度达99%以上;与传统阈值分割方法相比,该方法能有效分割目标叶片与病斑区域,快速准确地计算相对病斑面积。     

基于小波滤波与自适应阈值分割算法的玫瑰叶片病斑提取研究

针对玫瑰叶片白粉病病斑分布离散、无序且边缘细节复杂、传统图像分割算法提取病斑困难等问题,提出了一种基于小波滤波与自适应均值阈值分割（WT-AAT）的叶片病斑图像提取算法。首先,为了去除原始图像噪声,使用二维离散哈尔小波变换将图像进行二层小波分解,并依据高、低频子图像自动提取噪声系数,进而设定滤波阈值;然后,将高于阈值的噪声系数置零,并逆序对每层进行小波重构,最终生成等尺度的去噪图像;最后,采用可滑动窗口分割算法对去噪图像进行自适应分割,再根据子图的灰度均值设定二值化阈值,在二值化处理的基础上析取白粉病病斑。结果表明,与WaterShed、Prewitt、Otsu等传统分割算法相比,WT-ATT的像素漏警率的降低率分别为18%、18%和6%,说明该方法能够较为准确地分割出病斑,并达到良好的病斑辨识效果。     

基于SLIC和多尺度显著性的红枣图像分割算法

针对自然光条件下具有复杂背景的红枣图像,提出了1种新的图像分割方法。首先,该方法用简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对图像进行超像素分割,并进行迭代合并处理,从而得到不同尺度的图层;其次,利用图像局部对比度估计和区域位置估计来获取相应的显著性图;最后,用K-means算法得到红枣图像聚类分割结果。结果表明,该方法能有效去除图像的复杂背景,消除红枣上光斑的影响,准确地将红枣图像从背景中分割出来。     

基于改进全卷积神经网络的黄瓜叶部病斑分割方法

为了解决传统卷积神经网络在黄瓜叶部病斑图像分割中存在模型训练时间长、分割效果差以及分割过程中易受光照和背景影响等问题,提出了一种基于改进全卷积神经网络的黄瓜叶部病斑分割方法。首先在模型训练的初始阶段使用传统的卷积神经网络得到病斑图像的轮廓特征,在训练过程中将传统的修正性单元(RELU)激活函数替换为指数线性单元(ELU)激活函数;然后对传统的卷积神经网络得到的病斑图像轮廓特征进行二次模型训练,训练过程中使用批归一化(Batch normalization)函数稳定模型训练过程;最后将原始卷积神经网络的多项逻辑回归(Soft max)分类器更换为支持向量机(SVM)分类器,对分类器输出的像素分类结果进行反卷积操作,恢复图像分辨率,得到分割结果。使用本研究方法与改进OTSU、SVM、CRF和传统FCN等4种方法在黄瓜叶部病斑数据集上进行分割试验,结果表明本研究方法的平均像素分割准确率为80.46%,平均交并比为70.43%,具有较高的分割精度。     

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SVM的高粱叶片病斑图像自动分割提取方法研究

为实现高粱叶片病斑的自动化无损监测,利用支持向量机(SVM)技术对高粱叶片病斑图像进行自动分割提取研究。结果表明,通过选取RGB、HIS和Lab 3种颜色空间的颜色特征值可以消除对作物病斑拍照时产生的光照、亮度等影响。在MATLAB软件环境下调用LIBSVM软件对病斑图片中的病斑图像像素点和背景图像像素点建立支持向量机分类模型,可以实现对病斑的高效分割和高质量提取。分割提取效果与人眼识别的病斑图像高度吻合。如果利用大量采集的病斑图像进行模型训练,就可以真正实现完全自动化的病斑分割、提取和判别。因此,该研究对建立完全自动化的作物病斑图像识别系统意义重大。     

基于混合颜色空间和双次Otsu的黄瓜靶斑病图像分割

为快速、准确地分割黄瓜叶部病害图像,提出一种基于混合颜色空间的双次Otsu算法。算法根据病害图像各部分的颜色特征,首先选取原始彩色图像的R分量进行初始Otsu分割和形态学相关操作,将R分量图分割为背景类和非背景类;然后选取非背景类图像的Cr分量进行第2次Otsu操作,将非背景区域分割为正常叶子类和病斑区域类,得到最终的分割结果。将该算法应用于黄瓜靶斑病图像的分割中,并与R_Otsu算法、H_Otsu算法以及图切割算法进行比较。试验结果表明:与对比算法相比,本算法在分割精度及处理速度2方面的综合分割性能最优,错分率均值和方差分别为2.12%和0.08%,平均处理时间0.2s,算法对光照变化具有一定的鲁棒性。本研究算法可为自然光照条件下黄瓜病害图像实时、准确分割提供技术参考。     

薏米视觉检测中图像采集环境的研究

[目的]优化薏米视觉检测中图像采集条件。[方法]在薏米视觉检测中通过图像采集设备采集薏米图像,以灰色、黑色、红色背景,在0～80 lx的光强区间,对采集后的图像进行阈值分割,采用阈值分割算法对图像进行处理。以分割图像薏米粒误差率为评价标准,分析了背景颜色、光照强度2个因素对薏米图像的影响,以确定薏米视觉检测中图像采集的最佳环境。[结果]较好的图像采集环境是黑色背景下50～60 lx的光照强度,其误差控制在6%,且在该光照区间旁光照强度上下浮动10 lx内误差也在10%内,这种环境能有效提高薏米图像的质量。[结论]优化薏米图像采集环境可大幅度降低图像噪声的影响,提高了薏米图像的质量。     

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。     

五峰县马里兰烟赤星病防治技术研究

[目的]探讨适宜湖北省五峰烟区马里兰烟赤星病防治方法。[方法]从不同海拔、抗性品种、移栽方式、药剂施用几个方面研究了马里兰烟赤星病的防治技术。[结果]低山烟区赤星病害发病率较低。在抗病性接种鉴定中,五峰1号、Md872、Md609均表现为中抗烟草赤星病。膜下移栽和井窖式移栽的赤星病病情指数较对照常规大田移栽分别降低8.81和8.98。在参试药剂中,塞菌铜600倍、甲基托布津750倍对赤星病的防治效果较好,分别达到98.41%和98.58%;农用链霉素2 000倍和菌核净600倍的防治效果略差,分别为96.48%和97.32%。[结论]为马里兰烟赤星病的综合防治提供了参考。     

基于支持向量机的水稻纹枯病识别研究

[目的]研究支持向量机对纹枯病病害进行自动识别,弥补人工识别的缺陷和不足,提高识别的准确性和效率。[方法]以水稻纹枯病为研究对象,使用基于矢量中值滤波的方法对水稻纹枯病图像进行预处理。利用模糊C均值聚类法,在图像分割阶段进行灰度图像分割;分别从颜色、纹理和形状3个方面提取代表病斑的特征参数。最后用支持向量机识别方法进行水稻纹枯病识别,并与基于BP神经网络的识别方法进行对比。[结果]识别率达到95.00%,要优于BP神经网络的91.88%。[结论]基于支持向量机的水稻纹枯病识别弥补了人工识别的缺陷,也提高了准确性和效率,有广阔的应用前景。     

不同烟草品种对烟草赤星病的抗性比较

[目的]了解10个烟草品种对烟草赤星病的抗病性,为酉阳烟区烟草品种的选用提供参考.[方法]采用田间小区试验,比较了生产中常用的10个烟草品种对烟草赤星病的抗性,并对各品种的农艺性状进行了测量.[结果]烟草赤星病发病从轻到重的顺序依次为云烟87、云烟97、南江3号、NC297、中烟103、红花大金元、K326、NC102、云烟85和贵烟4号,其中云烟87烟草赤星病发病率和病情指数均最低,分别为22.5％和3.16,云烟97和南江3号的发病率和病情指数与云烟87很接近,分别为23.0％、3.32和24.5％、3.22,同属于发生相对较轻微的品种,上述3个品种对烟草赤星病的抗性相对较高,而K326、NC102、云烟85以及贵烟4号的发病率则相对较高,均高于30％,对烟草赤星病的抗性相对较低.南江3号的株高、茎围、腰叶长、腰叶宽等农艺性状均显著高于其他品种.[结论]综合比较抗病性和农艺性状,南江3号具有很好的栽培价值,适合在酉阳烟区推广种植.