基于神经结构搜索的多种植物叶片病害识别

为实现植物病害的自动准确识别,该研究提出一种基于神经结构搜索的植物叶片图像病害识别方法,该方法能够依据特定数据集自动学习到合适的深度神经网络结构。采用包含14种作物和26种病害共54 306张的公开PlantVillage植物病害图像作为试验数据,按照4∶1的比例随机划分,分别用于神经结构搜索和测试搜索到的最优网络结构的性能。同时,为探究神经结构搜索对数据平衡问题是否敏感及图像在缺乏颜色信息时对神经结构搜索的影响,对训练数据进行过采样和亚采样平衡处理及灰度变换。试验结果显示,该研究方法在训练样本数据不平衡和平衡时均可以搜索出合适的网络结构,模型识别准确率分别为98.96%和99.01%;当采用未进行平衡处理的灰度图像作为训练数据时,模型识别准确率有所下降,为95.40%。该方法能够实现植物病害的准确识别,为科学制定病害防治策略提供有效的技术手段。     

灌溉控制系统中基于植物本体的检测技术综述

基于植物本体的检测技术由于能够实时监测植物体内的水分状态,近年来在灌溉控制系统中得到了广泛的应用。从检测方式分类、检测方法、检测参数、检测仪器以及各种检测方法优缺点等方面综述了植物本体检测技术进展。首先,针对传感器与植物有无物理接触将其分为接触式和非接触式检测;其次,针对植物本体有无物理损伤分为破坏性和非破坏性检测;再...     

球栅阵列芯片图像边缘提取方法研究

针对球栅陈列（BGA）芯片图像的特点,其边缘提取最为关键技术的是芯片的引脚图像的轮廓提取。一般传统的边缘检测方法大都是以原图像为基础,检测边缘是利用边缘临近一阶或二阶导数方向变化规律,对噪声极度敏感,因此常常边缘误检。通过蛇模型及其改进处理BGA芯片边缘检测,使其对噪声的敏感程度尽量按要求降到最低,同时在不漏测真边缘的前提下尽量不引入假边缘,运算速度快,效果好,抗干扰性强。     

林木幼苗根系CT序列图像分割

图像分割技术一直都是图像处理中的难题,原位根系CT图像的分割结果影响后续的三维重建工作,选取合适的分割算法十分关键.通过对根系CT图像分割算法以及根系CT图像特点的的研究,选择阈值分割、区域生长和FCM聚类的方法对序列图像进行分割,并将区域生长方法进行优化,减少分割时计算的步骤,同时改进f cm聚类方法,将空间信息融入到FCM目标函数中.结果表明,阈值法仅对序列初始的简单图像处理效果理想,改进的区域生长法对分割目标连续的图像分割效果好,分割速度达到0.6s.而改进的FCM虽然需要花费23 s的时间,但对不连续的分割目标分割效果明显.三种方法均体现出分割的准确度,后两者能有效提升分割的效率.适当选取以上三种分割方法,即可快速准确的完成林木幼苗CT序列图像的分割.