聚类算法在玉米叶片病斑降维识别中的应用

为了及时、准确地识别玉米病害,基于聚类识别算法,进行了玉米叶片病斑图像识别的对比试验。首先利用LLE算法对玉米图像降维以提取特征,然后采用K-均值算法、FCM算法和GK算法进行聚类分析,其中GK算法能够有效识别出玉米病斑图像,正确识别率高达95.5%。可见,GK模糊聚类算法对玉米病斑图像的识别效果较好。     

基于改进K中值聚类的苹果病害叶片分割方法

针对复杂背景下的苹果病害叶片分割问题,提出一种基于改进的K均值聚类的苹果病害叶片病斑分割方法。首先将原始叶片图像由RGB(R为红,G为绿,B为蓝)颜色空间转换到Lab(L为亮度,a为从洋红色至绿色的范围,b为从黄色至蓝色的范围)颜色空间,然后在Lab颜色空间中利用ab二维数据空间的颜色差异,以欧式距离度量像素间的相似度,使用K均值对图像进行聚类,利用数学形态学中的开闭交替滤波方法对聚类后的灰度图像进行校正,最后得到图像病斑。对3种常见苹果病害叶片图像进行分割,并与其他分割方法进行比较。结果表明,该方法效果好,其误分率为8.41%。     

基于ResNet模型的玉米叶片病害检测与识别

针对当前玉米病害发生量大、病情复杂、难以防治,严重影响玉米产量和质量的问题,提出了一种基于卷积神经网络和迁移学习的玉米叶片病害检测与识别方法。首先收集了3 827张玉米健康叶片图像和3种不同的玉米病害叶片图像样本,为了使模型拥有更好的泛化能力,使用生成对抗网络对样本进行处理,得到分辨率更高的样本,再对样本进行平移旋转,使样本数量达到5 153张。然后构建ResNet模型,分别对ResNet34、ResNet50及对其添加CBAM注意力机制和FPN特征金字塔网络,并通过迁移学习方法将预训练权重迁移到训练模型中。试验结果表明,ResNet50结合CBAM注意力机制模型的准确率达到了97.5%,相比ResNet50模型准确率提升了4.2百分点,相比ResNet34模型准确率提升了4.9百分点。本研究表明,提出的ResNet50结合CBAM注意力机制模型能够较精准地检测识别玉米枯萎叶、锈病叶、灰斑病叶和健康叶。并可将模型安装在无人机等移动设备上,实现对玉米叶片病害智能化防治,而且后期还会扩充更多的植物病害数据,实现对多类植物病害的检测,为智慧农业添砖加瓦,促进农业防治现代化。     

基于颜色均值显著点聚类的作物病害叶片图像分割方法

作物病害叶片图像分割是病害类型识别方法的一个重要步骤,其分割效果直接影响后续的识别结果。病害叶片图像的复杂多样性使得很多现有的图像分割方法不能有效应用于作物病害叶片图像分割中。针对复杂的自然病害叶片图像分割难题,提出一种基于颜色均值显著点聚类的作物病害叶片图像分割方法。该方法建立在HIS颜色空间,首先构造基于像素点HIS模型的带权无向图,然后计算病害叶片图像像素点的邻域的颜色均值,再计算该点前后两个邻域的颜色均值差作为该点的颜色跳跃度,当跳跃度大于设置的一个阈值时,该像素点为病斑点。结果表明,该算法具有较高的分割精确度和较好的抗噪声性能。     

基于EM和K-means混合聚类方法的植物叶片病害区域自动提取

针对植物病害区域如何准确提取的问题,文中提出了一种基于EM和K-means混合聚类的方法。该方法在目标与背景具有较明显差异的情况下,可以有效地将叶片目标提取出来,并对较复杂背景也具有一定的甄别效果,优于其他经典方法。利用植物病害区域的褪绿特点,用K-means方法结合Lab颜色空间,利用Lab颜色空间颜色分布的均匀性,提取A分量作为参考分量,将病害区域从叶片目标中提取出来。通过Matlab仿真实验,结果表明,基于EM和K-means混合聚类方法的植物病害区域提取是可行的。     

普洱市玉米常见病害的症状识别与防治方法

玉米是普洱市主要粮食作物,近年来种植面积不断扩大,2011年全市玉米种植面积13．0万hm2,总产40．29万t,平均单产3090kg／hm2,低于全国、全省平均水平。随着普洱市玉米高产创建、良种补贴、地膜覆盖等项目的开展,玉米播种面积有所扩大,但特殊的地理气候条件,特别是7月至8月降雨多、湿度大、温度偏高,使得玉米病害发生频繁。     

玉米常见病害识别与防治

正一、玉米大斑病1、症状玉米大斑病主要为害叶片,严重时也为害叶鞘和苞叶。由植株下部叶片先开始发病,向上扩展。病斑长梭形,灰褐色或黄褐色,长5—10厘米,宽1厘米左右,有的病斑更大,或几个病斑连接成大型不规则形枯斑,严重时叶片枯焦。多雨潮湿天气,病斑上可密生灰黑     

基于LM神经网络的小麦叶片病害识别

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。     

玉米常见病害的识别与防治

玉米病虫害问题是造成玉米产量低,质量差的重要原因之一,是影响玉米商品性造成农户经济效益下降的的关键因素。积极普及玉米常见病虫害的识别与防治知识有利于帮助农户规避风险,提高玉米商品性,保证农户经济效益,也有利于玉米生产的健康发展。本文总结了几种玉米常见病害的识别与防治方法,希望可以给广大农户提供一定的借鉴意义,促进玉米高产丰收。     

基于多尺度特征度量元学习的玉米叶片病害识别模型研究

传统基于深度学习的玉米叶片病害检测模型检测精度不高、模型参数量大,基于此,提出一种融合多尺度、无参数度量学习的玉米叶片病害识别算法模型。首先,利用Vgg-16、Swin Transformer网络,将玉米叶片病害图片映射到全局和局部特征空间;然后,利用多尺度特征融合网络,实现全局和局部特征的深度融合,强化特征的分类能力;最后,利用无参数元学习网络,实现待测玉米叶片病害图片与特征集之间的度量,根据度量结果,实现玉米叶片病害的快速定位与识别。在开源Plant Village数据集、自建玉米叶片病害数据集上进行了测试,所提出模型的识别准确率分别为97.45%、96.39%,同时保持了较低的识别时间开销;相比其他经典玉米叶片病害识别模型,具有更强的鲁棒性和泛化性能。     

基于直方图局部信息和Gath-Geva模糊聚类的彩色图像分割方法

针对Gath-Geva模糊聚类算法对初始给定的聚类中心等先验信息较敏感,提出了一种基于直方图局部信息的模糊Gath—Geva聚类新算法．实验结果表明,新算法在彩色图像分割方面,与传统模糊C—Means算法相比,具有较强的分割精度．     

玉米常见病害的识别与防治

正玉米是我国常见的粮食作物,对我国的粮食储备有着重要影响。加强对玉米病虫害的研究,寻找最佳的预防和解决措施,是实现玉米优质高产,维持我国粮食稳定的有效途径。一、玉米大斑病玉米大斑病主要为害玉米叶片,严重时也为害叶鞘和苞叶,先从植株下部叶片开始发病,后向上扩展。病斑长梭形,灰褐色或黄褐色,长5-10厘米,宽1厘米左右,有的病斑更大,严重时叶片枯焦。天气潮湿时,病斑上可密生灰     

玉米常见病害的识别与防治

玉米病虫害是影响玉米产量和质量的主要因素之一,玉米一旦受到病虫害的威胁就会影响其商品性,影响农民经济收入。本文主要介绍了几种玉米常见病害的识别与防治方法,供农户学习参考。     

基于MATLAB对春玉米品种的模糊聚类与识别

本文基于MATLAB对13个西北春玉米品种进行模糊聚类分析,依据隶属度建立标准模型库模型,然后对新品种进行模糊识别。该方法为春玉米品种优良指标的研究提供了理论依据。     

基于二叉树结构聚类算法的彩色图像分割研究

提出了一种基于二叉树结构的彩色图像分割方法,首先对待分割图像采用最优阈值化方法获取R,G,B 3个颜色空间的最佳阈值,然后通过构造自适用二叉树进行一次粗分割提取目标区域,最后采用C-均值聚类算法对二叉树的每个叶子节点进行精确分割.试验表明,该算法可以在保留原图像中大部分的信息的基础上,对目标物体进行有效的分割.     

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。     

玉米主要病害识别与防治技术

<正>玉米病害主要有四个主要部位发病:叶部病害、穗部病害、根茎部病害、全株性病害;其中叶部病害主要是多发叶斑病(大斑、小斑、弯孢霉叶斑病)、锈病、青枯病;穗部病害多发穗腐病、黑穗病(丝黑穗、瘤黑病)、根茎部病害多发纹枯病、茎基腐病、苗枯病;全株性病害多发矮花叶病、粗缩病等。一、玉米病害的种类与识别(1)玉米叶斑病(大、小斑病)     

玉米主要病害识别与防治技术

龙江县位于黑龙江省西部,地处大兴安岭南麓与松嫩平原的过渡地带。全县耕地面积520万亩,每年玉米种植面积都在420万亩以上,占农作物总面积85%以上,玉米产量占总产量的90%,以上。因此玉米病害的防治尤为重要。     

基于改进残差网络的葡萄叶片病害识别

葡萄病害是导致葡萄严重减产的主要因素,大多数病害症状都反映在葡萄的叶片上,但是人工针对叶片的识别费时且效率低。本研究提出了一种基于改进残差网络的葡萄叶片病害识别模型。该研究在ResNet50的基础上采用金字塔卷积网络,通过其包含不同大小和不同深度的卷积核来处理输入,然后以特征融合来获得不同程度的病害特征细节。在金字塔网络结构上采用深度超参数化卷积层代替传统的卷积层,能够加快模型收敛速度,有效提升模型精度。结果表明,改进后的残差网络模型与AlexNet、MobileNetV2、ResNet50/101、VGG16模型相比,在准确性方面具有显著优势。与原模型相比较,识别准确率提高3.18百分比,改进模型对病害识别准确率高达98.20%。可以为识别葡萄叶片病害提供参考。