基于图像识别的玉米叶部病害诊断研究

【目的】探讨利用图像技术实现玉米叶部病害自动识别的方法。【方法】根据玉米叶部病害特点，综合应用阈值法、区域标记方法与Freeman链码法，对玉米叶部病害图片进行图像分割、统计病斑个数、去除冗余斑点、计算病斑形状特征，最后根据二叉检索法推断病害。【结果】研究提取了五种玉米叶部主要病斑的识别特征，确定了诊断流程，并开发了识别系统。经检验，该系统对玉米叶部的锈病斑、弯孢菌病斑、灰斑、褐斑、小斑等五种主要病害的诊断准确率达80%以上。【结论】研究结果表明，用图像技术进行玉米叶部病害诊断是可行的，本研究开发的诊断系统为玉米病害自动识别与诊断奠定了基础。     

基于Fisher判别分析的玉米叶部病害图像识别

 【目的】利用计算机视觉技术实现玉米叶部病害的自动识别诊断。【方法】在大田开放环境下采集病害图像样本,综合应用基于H阈值分割、迭代二值化、图像形态学运算、轮廓提取等算法处理病害图像,抽取病斑,提取病害图像的纹理、颜色、形状等特征向量,采用遗传算法优化选择出分类特征,并利用费歇尔判别法识别普通锈病、大斑病和褐斑病3种玉米叶部病害。【结果】研究中提取了墒、相关信息测度、分形维数、H值、Cb值、颜色矩、病斑面积、圆度、形状因子等28个特征向量,利用遗传算法优选出H值、颜色矩、病斑面积、形状因子等4个独立、稳定性好、分类能力强的特征向量,应用费歇尔判别分析法识别病害,准确率达到90%以上。【结论】综合运用数字图像处理技术、图像纹理、颜色、形状特征分析方法、遗传算法、费歇尔判别分析方法可以有效识别基于田间条件下采集的病害图像,为田间开放环境下实现大田作物病虫害的快速智能诊断提供借鉴。     

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。     

基于颜色特征和属性约简的黄瓜病害识别方法

为了减少黄瓜叶部病害给农业生产带来的损失,提高病害的识别率和精度,提出了一种基于颜色特征和属性约简算法的黄瓜病害叶片分割与识别方法。该方法首先利用最大类间方差(Otsu)阈值法对黄瓜病害叶片图像进行病斑分割;其次提取病斑图像的36个分类特征,再利用基于区分矩阵的属性约简算法进行特征选择;最后利用最近邻分类器进行病害识别。该方法在5种常见黄瓜病害叶片图像数据库上进行了病害识别试验,结果表明,识别率高达94.8%。说明,该方法对作物病害叶片图像识别是有效可行的。     

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。     

基于改进UNet++模型的葡萄黑腐病病斑分割和病害程度分级

为了解决葡萄病害图像边缘分割模糊和发病初期分割难的问题，基于PlantVillage数据集中的葡萄黑腐病图像，提出一种基于改进UNet++的葡萄黑腐病病斑分割模型。该模型在提取图像特征时：一方面，采用自适应软阈值化方法消除噪声影响，提高葡萄病斑边缘的分割精度；另一方面，采用长、短连接结合的方式构建UNet++中的跳跃式连接结构，降低模型的计算复杂度。同时，在模型的横向输出层中融合多尺度特征，增强病斑的语义信息，进一步提高目标分割精度。在该模型的损失函数中，将Dice损失函数和交叉熵损失函数进行线性加权组合，以解决病斑像素面积与叶片面积不平衡的问题。采用五折交叉验证进行模型训练与测试。结果显示，本文模型的像素准确率达到98.433%,平均交并比达到92.056%,病斑交并比为81.230%,Dice系数为0.941,均优于传统的UNet++模型。采用病斑占叶面积的比例对病害程度进行分级。结果表明，本文模型对病害等级的划分准确率达97.41%。该模型能精确实现对葡萄黑腐病病斑边缘和小病斑的分割，以及病害程度分级，具有良好的稳健性。     

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。     

基于改进C-V模型的木材表面缺陷图像分割

木材表面缺陷会严重影响木材的质量、性能和使用价值,对木材表面缺陷分割检测有利于提高木材的利用率,节约现有木材资源,缓解森林资源短缺的压力。针对传统的C-V(Chan-Vese)模型算法不能分割灰度不均匀图像的缺点,本文采用C-V模型与形态学结合的方法与传统的C-V模型算法进行对比试验。与此同时,根据C-V模型和C-V模型结合形态学方法的不足之处,在C-V模型基础上,引入局部拟合函数和高斯核函数,提出了一种基于C-V模型的改进算法,能够有效地克服C-V模型的不足。通过对木材表面缺陷图像分别采用传统C-V模型算法、C-V模型与形态学结合的方法和改进的C-V模型算法进行多组针对单一目标的木材表面缺陷图像的对比试验。结果表明:C-V模型能够将虫眼和活节缺陷图像分割出来,但是对纹理干扰强烈的死节缺陷图像分割困难;运用C-V模型与形态学结合的方法,可以有效地消除分割结果中的细小空洞和噪声,但是仍无法抵抗死节缺陷图像中木材自身纹理的干扰,难以将死节缺陷完整地分割出来;改进的C-V模型算法对木材表面缺陷图像的分割能够减少迭代次数,缩短分割时间,使分割轮廓线更加光滑和完整。通过采用改进C-V模型算法对多目标木材表面缺陷图像进行试验,能够更好地验证改进算法的优越性、有效性和可行性。      

基于马尔可夫随机场的运动物体检测方法

智能监控的实现是避免和防范变电站内各种潜在危险的一种有效途径.为了更准确判定变电站工作人员的运动状态,提出一种基于高斯混合模型结合马尔可夫随机场的运动物体检测方法.在图像的HSV颜色空间通过混合高斯背景建模实现对运动物体的初步检测,采用区域性马尔可夫随机场与运动物体模板匹配实现运动物体的精确检测,并根据模板去除存在的阴影.结果表明,该方法可在变电站不同背景条件下有效检测出运动物体,为运动物体的行为分析及运动场景拼接奠定了良好的基础.     

基于Lab颜色空间下的小麦赤霉病图像分割

针对智能识别小麦赤霉病方法中分割患病麦穗图像效果不佳的问题,运用中值滤波方法对患赤霉病麦穗图像进行降噪预处理,采用基于阈值的最大类间方差算法(OTSU)、基于聚类的k-means算法在RGB、HSV和Lab颜色空间中对小麦扬花期到黄熟期感染赤霉病的麦穗图像进行分割,提取出麦穗的病害部分。采用试验田环境下扬花期到黄熟期200张患赤霉病的麦穗图像进行分割试验,结果表明:将图像从RGB颜色空间转化为Lab颜色空间并对a分量采用最大类间方差算法(OTSU)进行分割的效果最佳,误分率仅有1.11%。     

基于改进型蚁群算法和Gauss-Markov随机场的植物病斑自适应分割

针对植物病害图像成分复杂、病斑排列无规则等特点,提出了基于改进型蚁群算法和Gauss-Markov随机场的自适应病斑分割算法。该算法采用自适应信息素更新策略,对信息量进行有差别的动态更新,克服了标准蚁群算法容易陷入局部最优造成的早熟、停滞现象。同时,利用Markov随机场的局部相关特性并结合Gauss分布组成线性平稳自回归模型,针对植物病斑特征建立分割模型。最后,采用改进型蚁群算法对其进行优化,并结合Gauss-Markov随机场最大后验概率估计,实现对植物病斑的自适应分割。仿真试验表明,改进后的算法能够针对植物病斑特性实现自适应分割,鲁棒性较好。然而,对于蚁群算法与Markov的最佳耦合方式及参数初始值的设置仍需作进一步研究。     

基于图像识别的无人机精准喷雾控制系统的研究

【目的】针对传统的植保无人机喷雾作业时化肥农药浪费大,利用率低,造成环境污染的问题,研制一种基于图像识别的无人机精准喷雾控制系统。【方法】利用中值滤波算法对田间航拍图像进行去噪,采用分层K_means硬聚类算法实现对农田航拍图像的分割,提取非作物区域的颜色、纹理特征空间的22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17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非作物区域图像进行识别,并根据识别结果控制喷头,实现精准喷雾。【结果】测试样本的识别率可达为76.56%,在无干扰风场情况下,当P_阀为10%时,减施率可达32.7%。【结论】本系统为农业航空精准喷雾控制技术的应用提供了参考方向和决策支持。     

机器视觉在HSV颜色空间下稻瘟病病程分级判定研究

该研究旨在开发基于机器视觉技术的稻瘟病病程分级系统,实现对稻瘟病病程分级准确、客观的判定。提出基于GrabCut、高斯滤波、OTSU二值化、颜色空间转换、阈值切割等处理的稻瘟病分级判定算法模型,该算法模型利用OpenCV与python语言实现,以反向阈值切割为核心策略分离叶片与病斑,再以循环遍历模式统计像素点得出病斑面积占比,实现对稻瘟病的快速、精确分级。试验结果表明,该算法模型与专业研究人员人工判定的结果匹配度达95.77%,相对于人工判定,具备更高的稳定性和客观性。目前对稻瘟病病程分级主要依赖研究人员通过经验判定,客观、准确的判定病程对防治稻瘟病具有重要意义。该系统以手机APP为图像采集端口,不依赖其他仪器和设备,通过手机拍照即可实时获得稻瘟病精确的分级结果,降低了研究门槛,提高了科研工作的效率。     

基于切比雪夫不等式的紫色土彩色图像分割

野外采集的机器视觉图像往往包含复杂背景,会对机器视觉识别紫色土产生影响,为了避免背景干扰,分割提取紫色土区域图像是首要的工作.本文应用3×3小子阵的标准差测度,建立模型优化紫色土区域的土壤与杂质类间和类内方差比,获得优化的置信概率P和H域分割阈值,提出了一种基于切比雪夫不等式的自适应H阈值分割算法,实现基于图像自身紫色土特征的自适应分割,提升初分割出紫色土区域图像的精度.针对初分割结果中的孤立点、离散小土块和空洞,提出了从图像中心点出发的剔除背景区域孤立点和离散小土块的螺旋生长算法和基于4方向边界点确认的紫色土区域的空洞填充算法.仿真实验结果显示:自适应切比雪夫阈值分割算法与螺旋生长算法和空洞填充算法结合,分割提取出紫色土区域图像的误分率降低到3.24%,总时间花销更少,算法是有效的.     

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。