基于机器学习的水稻病害识别算法的研究

发布时间：2020-09-02 16:30

　　水稻,原产于中国,是最悠久的粮食种类之一,也是世界主要粮食作物之一。水稻病害是影响水稻产量的最重要因素之一,其分布广危害大,造成了巨大的经济损失。因此能有效地快速地在自然状态下识别水稻病害显得相当重要,而现在对其的识别方法基本上停留在人为主观判断,这种方法对有经验的劳动力需求大、效率低下、不具有实时性。随着社会的发展,计算机的普及与更新,使得人工智能领域火热发展,其中应用神经网络对图像进行分类检测也取得了很好的效果。针对以上问题的分析,本文针对水稻稻曲病和水稻的主要6种主要病害提出了在自然环境下的识别方法。主要做了以下研究:1.本文针对水稻稻曲病的识别算法进行研究。稻曲病的识别使用了两种方法,一是用传统图像特征提取方法,如SVM(Support Vector Machine)结合特征提取方法HOG(Histogram of Oriented Gradient);二是改进卷积神经网络(Convolutional Neural Networks,CNN)。对于传统的图像方法,首先将原图片用图像处理方法进行预处理,得到了一种分割水稻稻穗的方法;再使用HOG提取图片特征;最后将特征用如SVM等分类器进行分类,通过大量实验的对比得到最好的模型。对于卷积神经网络识别方法,改进了经典的神经网络结构,获得病害识别的神经网络结构,对比于AlexNet和VGGNet-11结构,分析本文所用网络的优势。2.在稻曲病识别的基础上,针对水稻主要的6种病害提出了识别方法。本文在识别水稻稻曲病改进的神经网络结构的基础上,通过fine-tuning来获得识别水稻主要病害的神经网络结构;再经过分析实验结果,得出使用更深的网络来训练多种病害识别的结论。接着,本文又使用著名的ResNet中的20层网络结构进行实验研究。3.最后,分析本文识别水稻病害方法存在的优势。实验结果表明本文改进的卷积神经网络在水稻主要病害的识别上准确度高、效果好。
【学位单位】：安徽大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：S435.11;TP391.41
【部分图文】：

病害,水稻,示例,水稻病害

本章主要介绍几种常见的水稻病害及样本的采集和后期处理，再对本文应用逡逑的一些图像处理技术进行介绍。本章作为水稻病害识别的实验设计基础。逡逑．１水稻病害介绍及样本采集逡逑．１．１水稻图像样本采集逡逑因本文是在自然状态下研究水稻病害图像，所以需要到自然真实的环境中获逡逑样本图片，而对于实验室中的样本图像则不能适用。本文所使用的水稻图像样逡逑是由农科院提供而来，在不同的天气环境和不同的光照影响下拍摄获取。水稻逡逑害样本图像都是病害发生的早期图像，这样对水稻病害的及时治疗有很大的帮逡逑。逡逑通过采集和提供，本文共获得了邋４１１０张样本图像，包括６种病害图片和无逡逑阁片。如下阁所示。逡逑

示意图,示意图,右旋,数据增强

逦（ｃ）右旋３0°＿邋６0°＿邋９０°逦（ｄ）右旋９０°镜像逡逑（ａ）Ｉｎｐｕｔ邋ｉｍａｇｅ邋（ｂ）Ｔｌｉｅ邋ｍｉｒｒｏｒ邋ｏｆ邋（ａ）邋（ｃ）Ｒｉｇｌｉｔ邋ｒｏｔａｔｉｏｎ邋３０ｏ－６０ｏ－９０°逦（ｄ）邋Ｈｉｅ邋ｍｉｒｒｏｒ邋ｏｆ邋９０°逡逑图２．２数据增强逡逑Ｆｉｇｕｒｅ邋２．２邋Ｄａｔａ邋ａｕｇｍｅｎｔａｔｉｏｎ逡逑２．２图像处理技术与方法逡逑本节主要介绍应用到的几种图像预处理方法，为基于特征提取的稻曲病识别逡逑提供依据。本文使用的图像处理方法都是基于ＯｐｅｎＣＶ在ＶＳ上编程实现的。逡逑２．２．１图像平滑滤波逡逑１１逡逑

示意图,直方图,示意图,阈值化

图像直方图可以用来检测视频中的场景变化情况，可以通过观察图片的亮度分布逡逑来进行调整以实现图像增强，也可以用以完成图像中的二值化。若灰度值（０－２５５），逡逑直方图取１５个区段，如图２．４，则有：逡逑［０，２５５］邋＝邋［０，１５］。｜［１６，３１］＾＞．．＾；［２４０，１５５］，对应于＂＜７？取＝６／？１＾＾／？１＾＞－．匕＾／＞７１６逡逑ｎ—ｇ逦．Ｖ逡逑ｌ－邋｜邋｜邋＾邋Ｉ逡逑ｈｉ邋ｂ２邋ｈｉ邋ｂ４邋ｂ５邋ｂ６邋ｂ？邋ｈｆｆ邋ｂ９邋ｂｌＯ邋ｂｌｌｈｌ？邋ｂＴ３邋ｂ）４邋ｈｌ＊＞邋ｂ！６逡逑图２．４直方图示意图逡逑Ｆｉｇｕｒｅ邋２．４邋Ｈｉｓｔｏｇｒａｍ邋ｓｃｈｅｍａｔｉｃ邋ｄｉａｇｒａｍ逡逑２．２．３阈值化逡逑阈值是图像中最简单的一种图像分割的方法，用图像中的每一点的像素值与逡逑设定的阈值进行比较，比较结果用事先设定的值代替。图像阈值化通常有五种表逡逑现形式，ｖａｌｕｅ是事先指定的值，ｔｈｒｅｓｈ是设定的比较阈值，是原像素值逡逑＜＊／（ｘ，ｙ）是阈值化后的图像像素值，如下：逡逑⑴如（Ｘ，逦＿，ｙ）＊ｓｈ逦（２－６）逡逑⑵咖（Ｘ

【相似文献】