基于神经网络的大豆叶片病斑的识别与研究

综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层BP神经网络,实现了大豆叶片中病斑的自动识别与特征计算。首先通过计算机视觉技术采集叶片图像。其次,采用BP神经网络完成了对病斑图像的识别。最后,运用数字图像处理技术完成了对病斑区域相关特征值的计算。实验证明,该方法能有效地识别出病斑区域,识别率可达100%。该研究为将来病种的识别提供了理论依据。     

草莓采摘机器入的研究：Ⅰ.基于BP神经网络的草莓图像分割

草莓成熟度和空间位置的识别是草莓采摘机器人研究的重要环节 ,解决此问题必须首先对采集的草莓图像进行分割。采用三层BP神经网络 ,通过分析选取 3× 3邻域像素的H通道值作为草莓图像的特征 ;选取HSV模型中与亮度无关的通道以排除图像的明暗对分割效果的影响 ;采用单通道以缩短图像处理时间。选取 2 0幅图像作为训练样本 ,以人工借助Photoshop软件分割后的图像作为教师信号 ,采用BP算法对神经网络的权值进行训练。经过 10 0次循环后 (误差为 0 0 0 1) ,获得了有效的网络权值。试验结果表明 ,利用BP神经网络能较好地实现成熟草莓果实与背景的分离 ,经过提取大区域和腐蚀、膨胀等算法的进一步处理后 ,效果更好 ;而且 ,只要改变训练时的教师信号 ,即可实现对草莓果梗、萼片等图像的分割     

基于神经网络的植物图像分割算法的研究

图像分割是计算机视觉领域的关键技术之一,BP神经元网络被认为是好的学习分类方法之一。文中以6种植物图像为例,结合数字图像处理技术,采用BP神经元网络方法在植物图像颜色较复杂,且受周边环境影响较大的情况下,实现了植物图像与背景图像的分割。实验证明,与传统的分割方法比较,该方法是高效准确的。     

基于神经网络的视觉图像处理研究

近几年,随着神经网络理论的深入研究,人们对神经网络技术的并行性计算能力、非线性映射和自适应能力等优点有了充分的认识,各种神经网络模型在图像处理领域中得到了广泛的应用。对各种流行的神经网络模型在图像处理领域中的应用进行了综述,根据图像处理的具体内容进行了分类叙述,阐明了神经网络技术在图像处理领域中的优点和不足,并对将来神经网络技术在图像处理领域中的应用提出了展望。     

大豆灰斑病的防治技术

近年来富锦市大豆灰斑病发生较为普遍。但不同地区发病程度不同,尤以2009年发生较重,发生在大豆封垄后,尤其田间湿度大极易发生：该病除危害叶片、降低光合作用,致使提前落叶,发生早衰,造成产量损失,一般损失率在5％～15％之间．严重时达30％～50％．同时还严重影响大豆的品质,灰斑病不仅使受害子粒变小,影响产量,     

大豆灰斑病的防治技术

大豆灰斑病是世界性病害,也是我国大豆生产区的重要病害,尤其在东北三省危害严重。大豆灰斑病是黑龙江省大豆生产中常发生的间歇性流行病害。病害流行年份,造成大豆产量、品质严重损失,一般可减产5％～10％,严重时可减产30％～50％,百粒重下降2～3克,蛋白质和油分含量均有不同程度降低。     

大豆灰斑病的防治技术

一、分布与危害大豆灰斑病分布很广泛,几乎遍及世界各个大豆栽培区。我国各大豆区均有分布,不同的地区和年份发病程度不同,在东北以黑龙江省东部三江平原发生程度较重。灰斑病除危害叶片、降低光合作用,致使提前落叶造成产量损失外,还严重地影响大豆的品质。据黑龙江省农业科学院合江农科所分析,灰斑子粒中脂肪含量降低2.9%,蛋白质含量降低1.2%,百粒重降低2克左右,而且大豆灰斑病在种子上形成褐斑粒,严重影响出口,所以大豆灰斑病己对大豆生产特别是黑龙江省三江平原地区已构成极大威胁。     

大豆灰斑病的防治技术

近年来富锦市大豆灰斑病发生较为普遍,但不同地区发病程度不同,尤以2009年发生较重,发生在大豆封垄后,尤其田间湿度大极易发生.该病除危害叶片、降低光合作用,致使提前落叶,发生早衰,造成产量损失,一般损失率在5%～15%之间,严重时达30%～50%,同时还严重影响大豆的品质,灰斑病不仅使受害子粒变小,影响产量,其病斑还影响大豆外观,造成大豆发芽率降低,蛋白质含量降低、含油量降低,致使商品率下降,影响其销售.     

基于神经网络的食用玫瑰花图像识别算法

针对单依靠颜色或形状将采摘期玫瑰花从图像中分割出来难度较大的问题,研究一种基于神经网络的食用玫瑰花图像识别算法。将处于采摘期的玫瑰花正面图像作为识别对象,先提取HSI色彩空间下的S分量,用最大类间方差法(Otsu)进行分割;再提取目标图像灰度共生矩阵下的纹理特征,选取区分度高的纹理特征,结合BP神经网络,建立识别模型。试验结果表明:该方法正确识别率85%,识别率主要受试验样本开放标准选取的影响,而受光照影响不敏感,是一种较好的识别方法。     

一种基于神经网络的扇贝图像识别方法

为了满足计算机视觉辅助下应用机器人进行扇贝自动分拣的实时性和鲁棒性要求,提出了一种基于神经网络的扇贝识别和分级方法.首先对图像进行灰度化处理,并用canny算子检测目标边界,然后用8-连通邻域追踪算法提取目标边界像素坐标,最后计算目标边界到中心点的平均距离及其绝对平均误差,并作为特征信息训练BP神经网络,实现对扇贝图像识别和分类.实验结果表明,该方法可以快速实现扇贝的自动识别和分级工作.     

基于高光谱图像技术的大豆品种无损鉴别

为解决传统大豆品种检测方法存在的效率低和精度差等问题,应用高光谱图像分析技术展开大豆品种甄别研究。采集10个品种(每品种100粒,共1 000粒)大豆样本400.92~999.53 nm的高光谱反射图像,分别进行中值平滑、多元散射校正和数据标准归一化预处理去噪,提取样本图像中心30×30 pixels感兴趣区域的平均光谱曲线和标准差曲线。分别以样本平均光谱值主成分得分、标准差光谱值主成分得分及两者结合作为模型输入,基于T-S模糊神经网络和随机森林思想组合分类器构建鉴别模型。经中值平滑的光谱平均值和标准差作输入,结合随机森林思想的组合分类模型鉴别效果最佳,训练集、测试集的平均鉴别率分别达99.6%和97.6%。结果表明,采用高光谱图像技术可实现大豆品种高精度无损鉴别。     

基于图像处理技术的小麦形态检测方法研究

形态特征是作物的肢体语言,对形态特征的研究在育种工作、生长状态分析、病害判断等方面都有着重要的意义。文章通过对图像分割和骨架提取算法进行优化改进提取出小麦植株骨架,采用最小矩形法计算小麦株高、用像素查找法计算叶长、用Hough变换计算叶基角和开张角,检测精度均达到90%以上,从而实现了面向农学小麦育种和管理专家的高效检测系统。     

基于遥感影像和卷积神经网络的农田及道路信息提取

为对农用地(耕地)遥感影像中道路和农田信息进行精确高效的提取,采用卷积神经网络(CNN)的方法,以河北省献县某乡冬小麦种植田为研究区,建立“道路-背景”和“农田-背景”2个高精度遥感影像数据集,构建基于MobileNet v1的U-Net、SegNet、PSPNet、DeepLab v3+和基于MobileNet v2的DeepLab v3+共5种CNN语义分割模型,进行道路和农田提取试验;在模型训练前后加入迁移学习、图像拼接和模型融合3种策略。结果表明:1)在2个数据集上,基于MobileNet v1的U-Net和基于MobileNet v1的SegNet 2种模型的识别率和稳定性最佳;2)在提取道路和农田时,融合后模型的平均交并比值分别为0.853 3和0.956 8;3)对预测图进行后处理,可以为路径规划和作物秸秆产量计算等研究提供道路拓扑图和农田预测图。     

黑龙江省大豆新品系抗灰斑病鉴定

明确大豆种质对大豆灰斑病的抗性,是大豆抗病育种的前提条件.2009年在大豆灰斑病病圃,对黑龙江省大豆育种单位近期新育成的大豆新品系进行抗大豆灰斑病鉴定筛选研究,为抗病亲本选择提供理论依据.在大豆R3～R4阶段,采用孢子悬浮液人工喷雾接种鉴定方法,鉴定出10份高抗大豆灰斑病的新品种,宝交04-4036、钢0027-3、九...     

基于PCA和BP神经网络的万寿菊黑斑病孢子识别

针对万寿菊黑斑病难于防治的问题,采用基于主成分分析和BP神经网络的识别方法,对万寿菊黑斑病病原菌(Alternaria tagetica)无侵染力和有侵染力的孢子进行精确识别。首先利用图像处理技术对病原菌孢子显微图像进行分割,选取3个颜色特征(R、G和V)、5个形状特征(Hu不变矩中的H2、H3、H4、H5和H6),以及3个纹理特征(R、G、B3个分量的对比度)共11个特征用于病原菌孢子分类识别。为提高识别速度和精度,利用主成分分析法(PCA)对11个特征进行优化和筛选,采用基于L-M算法的BP神经网络对万寿菊黑斑病病原菌的孢子进行分类识别。试验结果表明,经主成分分析后得到的第一、第二主成分能够有效减少BP网络训练时间和提高识别准确率,平均识别准确率达到98%。该方法能够精准识别万寿菊黑斑病病菌有侵染力和无侵染力的孢子。     

两个大豆灰斑病抗性相关SCAR标记的发现与鉴定

大豆灰斑病是一种由大豆灰斑病菌引起的真菌性病害,会导致大豆叶片出现病斑、大豆籽粒斑驳,造成减产和品质下降,对大豆生产有重要影响。研究通过田间试验对142份育成大豆新品种(系)的灰斑病抗性进行鉴定,进而对大豆灰斑病抗性资源进行评估。利用前期开发的功能分子标记进行候选基因关联分析,筛选得到两个与大豆灰斑病抗性相关的SCAR标记,可用于大豆抗灰斑病的分子辅助育种研究。测序分析发现,它们定位于两个磷脂酶D基因内含子上,是由大豆转座子插入突变形成的。这两个SCAR标记具有功能基因靶向和操作简便等优点,具有广阔的大豆抗灰斑病育种应用前景。     

基于机器视觉的大豆细菌斑点病粒检测

文章基于机器视觉,通过图像获取系统得到大豆的表面颜色特征,应用SAS对大豆表面颜色特征进行LOGISTIC回归后,应用BP神经网络对大豆进行标准粒与细菌斑点病粒的分类。经过网络训练后,选用收敛效果好的网络对数据进行仿真预测,共计160粒,其中标准大豆80粒,细菌斑点病80粒。得到的测试识别率为:标准大豆96.3%、大豆菌斑粒98.8%。本研究为大豆菌斑粒的在线识别提供了一定的依据,有利于实现大豆的在线缺陷粒检测。