基于叶片图像的农作物病害识别方法研究
发布时间：2021-06-29 00:21
利用计算机视觉技术快速、准确的识别农作物病害,是保证农产品丰收,推进农业现代化的重要手段。本文以油菜、黄瓜、水稻、玉米、大豆等常见农作物的病害图像作为研究对象,分别在小样本和大样本不同条件下对农作物病害的识别进行了相关研究,主要的工作如下:（1）在病斑分割上,本文根据农作物叶部呈现的颜色特点,在传统阈值分割的基础上,首先利用HSI颜色空间过滤叶片正常区域的信息,在Lab颜色空间下使用最大类间方差法（OTSU）设置阈值对原始图像进行分割,然后将两种不同颜色空间下得到的分割图像进行相与合并,得出最终的病斑分割图像。与其它几种常用方法分割的效果图相比,该方法能更好地将病斑从叶片分割出来,是一种有效的病斑分割方法。（2）在小样本农作物的病害识别上,本文以油菜为研究对象,首先提取其颜色特征和纹理特征,然后通过欧氏距离来构建D-S证据理论所必需的基本概率分配（Basic Probability Assignment,BPA）,最后运用D-S证据组合规则进行决策级融合,依据决策条件输出最终分类识别结果。针对分类过程中出现识别结果为不确定的问题,本文通过引入方差来对融合方法进行改进,避免了这一问题的产...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
小样本下病害识别研究路线
图 1.2 大样本下病害识别研究路线Fig 1.2 Research route under big-sample condition1.4 本文主要研究内容和章节安排本文所使用的图像数据是在露天、自然光照环境下从安徽省农科院试验田采集所得，主要包括油菜、水稻、大豆、玉米等农作物的叶部病害图像。每种农作物的病害种类以及图像数量都不尽相同。本文既研究了小样本条件下的病害识别方法，又探究了大样本条件下的分类方法。小样本模式以油菜为研究对象，构建病害识别系统，对三种常见的油菜病害图像进行分类，主要研究了如何更准确的分割病斑、选择合适特征和更有效的分类方法。大样本模式通过使用卷积神经网络搭建病害分类模型，分别对玉米、大豆、水稻三种农作物进行病害分类识别，重点研究如何构造合适的神经网络模型以及选用最佳的激活函数。本文结构安排如下：第一章，绪论。主要阐述了农作物病害研究的背景意义和对推进我国农业现代化的重要作用，总结了国内外专家对于农病害识别领域的研究现状，包括小样
图像的采集的图片均是在安徽省农科院试验田，通过尼康数码相水稻、玉米、黄瓜、大豆五种常见的农作物，且发病，拍摄所得图片保存格式为 jpg，为方便后续计算，图片一大小。其中油菜病害包括黑斑病、细菌性黑斑病、豆灰星病、白粉病、霉霜病三种，水稻病害包括稻曲叶病，玉米病害分为纹枯病、锈病、圆斑病、红叶病。摄的部分农作物叶部病害图像。麻斑病 (b)黄瓜靶斑病 (c)油菜霉霜病
【参考文献】：
期刊论文
[1]深度连续卷积神经网络模型构建与性能分析[J]. 牛连强,陈向震,张胜男,王琪辉. 沈阳工业大学学报. 2016(06)
[2]基于卷积神经网络的道路车辆检测方法[J]. 李琳辉,伦智梅,连静,袁鲁山,周雅夫,麻笑艺. 吉林大学学报(工学版). 2017(02)
[3]一种用于人脸表情识别的卷积神经网络[J]. 卢官明,何嘉利,闫静杰,李海波. 南京邮电大学学报(自然科学版). 2016(01)
[4]面向图像分类的多层感知机BBO优化方法[J]. 朱黎辉,李晓宁. 四川师范大学学报(自然科学版). 2015(06)
[5]基于多分类器融合的玉米叶部病害识别[J]. 许良凤,徐小兵,胡敏,王儒敬,谢成军,陈红波. 农业工程学报. 2015(14)
[6]基于主成分分析和Softmax回归模型的人脸识别方法[J]. 汪海波,陈雁翔,李艳秋. 合肥工业大学学报(自然科学版). 2015(06)
[7]基于火焰彩色纹理复杂度特征的转炉炼钢吹炼状态识别[J]. 李鹏举,刘辉,王彬,王龙. 计算机应用. 2015(01)
[8]HSI模型结合OSTU法的玉米种胚检测算法[J]. 程洪,尹辉娟,马丽,李亚南. 农机化研究. 2014(10)
[9]基于颜色及纹理特征的果蔬种类识别方法[J]. 陶华伟,赵力,奚吉,虞玲,王彤. 农业工程学报. 2014(16)
[10]基于叶片图像和环境信息的黄瓜病害识别方法[J]. 王献锋,张善文,王震,张强. 农业工程学报. 2014(14)
博士论文
[1]基于图像识别的作物病虫草害诊断研究[D]. 王克如.中国农业科学院 2005
硕士论文
[1]基于深度学习的手写数字集特征提取算法[D]. 任沙.湖南师范大学 2016
[2]基于Caffe深度学习框架的卷积神经网络研究[D]. 杨楠.河北师范大学 2016
[3]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[4]改进的卷积神经网络模型及其应用研究[D]. 何鹏程.大连理工大学 2015
[5]基于遗传算法的图像分割技术研究[D]. 宋凯.西安电子科技大学 2014
[6]玉米病害图像识别系统的设计与实现[D]. 苏恒强.吉林大学 2010
[7]基于图像分析的苹果病害识别技术研究[D]. 李宗儒.西北农林科技大学 2010
本文编号：3255330
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
小样本下病害识别研究路线
图 1.2 大样本下病害识别研究路线Fig 1.2 Research route under big-sample condition1.4 本文主要研究内容和章节安排本文所使用的图像数据是在露天、自然光照环境下从安徽省农科院试验田采集所得，主要包括油菜、水稻、大豆、玉米等农作物的叶部病害图像。每种农作物的病害种类以及图像数量都不尽相同。本文既研究了小样本条件下的病害识别方法，又探究了大样本条件下的分类方法。小样本模式以油菜为研究对象，构建病害识别系统，对三种常见的油菜病害图像进行分类，主要研究了如何更准确的分割病斑、选择合适特征和更有效的分类方法。大样本模式通过使用卷积神经网络搭建病害分类模型，分别对玉米、大豆、水稻三种农作物进行病害分类识别，重点研究如何构造合适的神经网络模型以及选用最佳的激活函数。本文结构安排如下：第一章，绪论。主要阐述了农作物病害研究的背景意义和对推进我国农业现代化的重要作用，总结了国内外专家对于农病害识别领域的研究现状，包括小样
图像的采集的图片均是在安徽省农科院试验田，通过尼康数码相水稻、玉米、黄瓜、大豆五种常见的农作物，且发病，拍摄所得图片保存格式为 jpg，为方便后续计算，图片一大小。其中油菜病害包括黑斑病、细菌性黑斑病、豆灰星病、白粉病、霉霜病三种，水稻病害包括稻曲叶病，玉米病害分为纹枯病、锈病、圆斑病、红叶病。摄的部分农作物叶部病害图像。麻斑病 (b)黄瓜靶斑病 (c)油菜霉霜病
【参考文献】：
期刊论文
[1]深度连续卷积神经网络模型构建与性能分析[J]. 牛连强,陈向震,张胜男,王琪辉. 沈阳工业大学学报. 2016(06)
[2]基于卷积神经网络的道路车辆检测方法[J]. 李琳辉,伦智梅,连静,袁鲁山,周雅夫,麻笑艺. 吉林大学学报(工学版). 2017(02)
[3]一种用于人脸表情识别的卷积神经网络[J]. 卢官明,何嘉利,闫静杰,李海波. 南京邮电大学学报(自然科学版). 2016(01)
[4]面向图像分类的多层感知机BBO优化方法[J]. 朱黎辉,李晓宁. 四川师范大学学报(自然科学版). 2015(06)
[5]基于多分类器融合的玉米叶部病害识别[J]. 许良凤,徐小兵,胡敏,王儒敬,谢成军,陈红波. 农业工程学报. 2015(14)
[6]基于主成分分析和Softmax回归模型的人脸识别方法[J]. 汪海波,陈雁翔,李艳秋. 合肥工业大学学报(自然科学版). 2015(06)
[7]基于火焰彩色纹理复杂度特征的转炉炼钢吹炼状态识别[J]. 李鹏举,刘辉,王彬,王龙. 计算机应用. 2015(01)
[8]HSI模型结合OSTU法的玉米种胚检测算法[J]. 程洪,尹辉娟,马丽,李亚南. 农机化研究. 2014(10)
[9]基于颜色及纹理特征的果蔬种类识别方法[J]. 陶华伟,赵力,奚吉,虞玲,王彤. 农业工程学报. 2014(16)
[10]基于叶片图像和环境信息的黄瓜病害识别方法[J]. 王献锋,张善文,王震,张强. 农业工程学报. 2014(14)
博士论文
[1]基于图像识别的作物病虫草害诊断研究[D]. 王克如.中国农业科学院 2005
硕士论文
[1]基于深度学习的手写数字集特征提取算法[D]. 任沙.湖南师范大学 2016
[2]基于Caffe深度学习框架的卷积神经网络研究[D]. 杨楠.河北师范大学 2016
[3]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[4]改进的卷积神经网络模型及其应用研究[D]. 何鹏程.大连理工大学 2015
[5]基于遗传算法的图像分割技术研究[D]. 宋凯.西安电子科技大学 2014
[6]玉米病害图像识别系统的设计与实现[D]. 苏恒强.吉林大学 2010
[7]基于图像分析的苹果病害识别技术研究[D]. 李宗儒.西北农林科技大学 2010
本文编号：3255330
本文链接：https://www.wllwen.com/nykjlw/dzwbhlw/3255330.html
最近更新
教材专著
