基于图像的农作物病害识别关键算法研究

发布时间：2020-07-06 13:25

【摘要】：农作物病害的诊断和识别对于提高农作物质量具有重要的意义。将图像处理和机器视觉技术应用于农作物病害识别中,相对于传统人工诊断和识别方法具有无法比拟的优越性,提高了农作物病害监测和预警的能力。通过对农作物在生长过程中受到的复杂因素(例如,叶片相互遮蔽、叶片扭曲和变形、不同的气候条件、不同的光照条件、阴影、其他植株和土壤等复杂背景)的综合分析,深入分析和挖掘农作物生长发育规律。针对田间实际复杂环境下的农作物病害图像,具有背景信息量巨大、病害特征多变、病害关联度高和病害复杂度高等特点,以农作物病害的生理学特征为基础,将图像处理技术和作物信息学相结合,研究基于复杂环境(背景)的农作物病害图像预处理、病害分割、病斑特征提取和病斑类型识别等一系列关键算法,建立农作物病害识别的动态预测和分析模型,智能化地对农作物生长过程进行动态监测和病害信息的自动化诊断。具体工作如下:首先,针对大田简单背景和复杂背景下采集的农作物病害图像,对病害图像进行去遮挡、图像融合、边缘检测和基于均衡化的病害图像增强等预处理操作,并对预处理后的图像进行图像质量评价。提出了基于热力图的病害图像去遮挡算法,实验结果表明,算法既去除了遮挡信息,又去除了大部分的背景区域,使得病害图像尺寸变小的同时保证了病害叶片的完整性。接着,在基于复杂背景的病害图像分割阶段,针对田间环境下采集的具有复杂背景的病害图像,提出了基于显著图的病害图像分割方法。利用显著图检测策略,获取病害图像的显著图,将显著图作为掩码图像,对病害图像进行复杂背景分割。实验结果表明,显著图和Grab Cut相结合的病害图像分割方法对图像噪声、光照不均匀、病斑色彩不均匀等因素具有较强的抗干扰能力,可以完整地分割出大部分病害叶片,并能够保留病斑的细节。与基于CNN的分割算法相比较,基于显著图的Grab Cut分割方法能够提高细粒度类别数据集上的病害图像分割精度。然后,在病斑图像特征提取和优化阶段,对枸杞叶片病害和水稻叶片病害进行了病害类型的生理学特征分析,主要提取了病斑图像的颜色特征、形状特征和纹理特征等多维特征。采用主成份分析PCA方法进行特征优化,将PCA降维后的特征向量再进行LDA投影变换,得到最佳分类特征,为了下一步的分类识别提供可靠保证。针对标注不充分的病害图像识别问题,提出了基于区分深度置信网络的农作物病害识别算法。在小规模病害图像数据集和中规模病害图像数据集上的分类识别实验中,基于DDBN的病害识别算法在没有足够的已标注病害图像或只有较少的已标注病害图像时表现出了稳定的、准确的、优良的分类性能。并且采用分类准确率、分类错误率、混淆矩阵和ROC曲线四种方法对本文提出的病害图像识别分类器进行分类性能的客观评价。最后,针对田间大面积农作物图像检测问题,提出了基于Faster R-CNN的病害图像自动检测方法,实现了病斑叶片的快速定位。采用“先检测、后识别”的策略,开发了农作物病害识别系统,将其应用于枸杞作物的病害识别和生长环境监测中,实现枸杞生长过程的动态监测和病害信息的自动化诊断。本文研究了基于复杂背景下的农作物病害图像识别关键算法,针对农作物病害自动识别和检测问题提出了较为可行的解决方案,在小规模数据集枸杞叶片病害图像上取得了较好的实验效果。本文的研究也为农作物病害的智能检测和识别研究提供了一种新的思路和方法,为农户及时防病治病提供必要信息,为实时、准确地诊断、识别和预测病害提供了技术支撑。
【学位授予单位】：西北大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP391.41;S432
【图文】：

为进一步的叶片和病斑分割工作奠定了基础。2.1.2 病害图像的去遮挡仿真实验本研究所采集的枸杞病害叶片图像是农作物病害的病斑识别和分类的基础，本文选取了枸杞叶片病害包括白粉病、灰斑病、瘿螨病和炭疽病四种病害叶片图像，在大田复杂背景下采集到的具有典型症状病斑的枸杞叶片病害图像共计 1000 张，为了验证本文 2.1.1 提出的病害图像去遮挡方法的有效性，下面对枸杞病害图像进行去遮挡实验。以枸杞病害叶片的瘿螨病图像为例，给出病害图像的热力图，并对热力图进行分块，已知热力图的大小为 M N( M 4272, N 2848)，分块大小为 a b( a 4, b 4)，将热力图分块中权重因子的值小于阈值的分块从热力图中去除，由保留的热力图分块对应恢复原始病害图像的分块，最终获得去除遮挡的尺寸变小的病害叶片图像。如图 2.2 所示。

西北大学博士学位论文基于小波变换的病害图像融合主要是对小波多级分解后的高频信息和低频信息选择不同的小波系数进行一系列操作，从而达到病害图像融合的目的。融合后的病害图像将原图像的不同特征和细节融合在一起。2.2.2 病害图像融合的仿真实验在田间复杂背景下，同一场景下，采集设备在不同焦距、不同光照条件下拍摄的病害叶片，有些图像远景清晰近景模糊，有些图像远景模糊近景清晰，采用基于小波变换的病害图像融合方法，首先对病害图像进行小波分解，小波分解示意图如图 2.5所示。

有些图像远景清晰近景模糊，有些图像远景模糊近景清晰，采用基于小波变换的病害图像融合方法，首先对病害图像进行小波分解，小波分解示意图如图 2.5所示。图 2.5 病害图像的小波分解示意图然后采用本文 2.2.1 所述方法对枸杞叶片的两幅模糊病害图像进行病害图像融合，病害融合结果如图 2.6 所示。

【参考文献】

相关期刊论文 前10条

1 袁巧;程艳芬;陈先桥;;多先验特征与综合对比度的图像显著性检测[J];中国图象图形学报;2018年02期

2 濮永仙;;实数编码遗传算法与支持向量机在烟草病害识别中的应用[J];江苏农业科学;2015年09期

3 卜旭松;刘立波;;朴素贝叶斯算法在蝴蝶兰病害分类中的应用研究[J];农机化研究;2015年03期

4 吕启;窦勇;牛新;徐佳庆;夏飞;;基于DBN模型的遥感图像分类[J];计算机研究与发展;2014年09期

5 王献锋;张善文;王震;张强;;基于叶片图像和环境信息的黄瓜病害识别方法[J];农业工程学报;2014年14期

6 汪京京;张武;刘连忠;黄帅;;农作物病虫害图像识别技术的研究综述[J];计算机工程与科学;2014年07期

7 王美丽;牛晓静;张宏鸣;赵建邦;何东健;;小麦叶部常见病害特征提取及识别技术研究[J];计算机工程与应用;2014年07期

8 李旺;唐少先;陈荣;;基于颜色特征和支持向量机的黄瓜叶部病害识别[J];农机化研究;2014年01期

9 邵庆;张楠;路阳;;小麦病害图像识别处理及形状特征提取研究[J];农机化研究;2013年08期

10 汤慧梅;赵跃进;;分数阶微分的CIE L~*a~*b~*颜色空间边缘检测[J];中国图象图形学报;2013年06期

相关博士学位论文 前2条

1 徐昕军;铁路路基雷达探测图像病害识别算法与风险评估模型研究[D];中国矿业大学(北京);2018年

2 籍延宝;农业主要病虫害监测预警系统通用平台的开发及初步应用[D];中国农业大学;2014年

相关硕士学位论文 前10条

1 王磊;基于深度置信网络的路面裂缝识别算法研究[D];湖北工业大学;2018年

2 杨陶;基于Otsu和Grab-Cut的图像分割算法研究[D];西南交通大学;2017年

3 汪京京;复杂背景下小麦病害图像分割方法研究及应用[D];安徽农业大学;2014年

4 吴桐;基于物联网与图像识别的玉米病虫害诊断与预防系统[D];吉林农业大学;2013年

5 越鲜梅;基于图像识别的向日葵叶部病害诊断技术研究[D];内蒙古工业大学;2013年

6 姜武;模式识别技术（Pattern recognition techniques）在山茶属植物数值分类学和叶绿素含量预测中的应用研究[D];浙江师范大学;2013年

7 柴洋;基于图像处理的温室大棚中番茄的病害识别[D];沈阳工业大学;2013年

8 刘芝京;基于图像处理的黄瓜细菌性角斑病的识别研究[D];西华大学;2012年

9 牛海微;基于遗传BP神经网络构建温室月季花卉病害预警系统[D];吉林大学;2011年

10 李宗儒;基于图像分析的苹果病害识别技术研究[D];西北农林科技大学;2010年

本文编号：2743694