机器视觉在HSV颜色空间下稻瘟病病程分级判定研究

发布时间：2021-10-27 10:18

　　该研究旨在开发基于机器视觉技术的稻瘟病病程分级系统,实现对稻瘟病病程分级准确、客观的判定。提出基于GrabCut、高斯滤波、OTSU二值化、颜色空间转换、阈值切割等处理的稻瘟病分级判定算法模型,该算法模型利用OpenCV与python语言实现,以反向阈值切割为核心策略分离叶片与病斑,再以循环遍历模式统计像素点得出病斑面积占比,实现对稻瘟病的快速、精确分级。试验结果表明,该算法模型与专业研究人员人工判定的结果匹配度达95.77%,相对于人工判定,具备更高的稳定性和客观性。目前对稻瘟病病程分级主要依赖研究人员通过经验判定,客观、准确的判定病程对防治稻瘟病具有重要意义。该系统以手机APP为图像采集端口,不依赖其他仪器和设备,通过手机拍照即可实时获得稻瘟病精确的分级结果,降低了研究门槛,提高了科研工作的效率。 

【文章来源】：农学学报. 2020,10(10)

【文章页数】：8 页

【部分图文】：

系统架构图

本试验研究目标是通过机器视觉技术获取稻瘟病图片中病斑占叶片总面积的比例，将结果对应稻瘟病分级标准，最后获得分级结果。首先从试验图片中提取感兴趣的目标区域，将水稻目标叶片从背景中分离出来；然后对目标区域图片预处理，降低目标图片噪音干扰，将降噪后的图片转换为HSV通道，对目标图片在HSV颜色通道下的色彩分布进行分析，确定阈值范围，最后反向阈值切割图片获取病斑区域计算面积占比。具体稻瘟病分级判定算法流程如图2所示。1.3.1 目标图像与背景分割

普通相机或手机拍摄的图像通常为RGB通道，但RGB通道并不能很好地反映出物体具体的颜色信息，相对于RGB空间，HSV空间能够非常直观的表达色彩的明暗、色调、以及饱和度，方便进行颜色区间的获取。因此本文对稻瘟病病斑的提取方式采用HSV颜色空间下的阈值切割实现，阈值切割通常是对HSV颜色空间下一定取值范围内的颜色进行捕捉，但经观察可发现稻瘟病的病斑往往不是单一的黄色。较大的病斑通常边缘呈现黑色，病斑内部枯黄色，较小的病斑呈现淡黄色没有黑色边缘。若直接对黄色范围内的颜色分割会产生较大的误差，因此本研究提出反向阈值切割法，将叶片健康的绿色部位作为阈值搜索范围，切割去掉病斑部分的叶片图像标记为img＿n，将完整全叶图像标记为img＿N，两者相减所得差即为病斑部分。具体实现步骤如下：(1）颜色空间转换。颜色阈值切割需在HSV颜色空间下进行。通过手机拍摄的图片通常为RGB通道，可利用Open CV中的cv2.cvt Color函数实现图像由RGB转为HSV通道[13-15]。

【参考文献】：
期刊论文
[1]基于Android的水稻叶片特征参数测量系统[J]. 路艳,肖志勇,杨红云,周琼,孙玉婷.  南方农业学报. 2019(03)
[2]基于RGB颜色空间的冷冻猪肉储藏时间机器视觉判定[J]. 李文采,李家鹏,田寒友,邹昊,刘飞,白京,张振琪,王辉,王守伟.  农业工程学报. 2019(03)
[3]基于OpenCV的木材表面缺陷检测系统设计与实验验证[J]. 张发军,明晓杭,宋钰青,邓安禄.  机械工程师. 2019(01)
[4]基于深度卷积神经网络的玉米病害识别[J]. 刘永波,雷波,曹艳,唐江云,胡亮.  中国农学通报. 2018(36)
[5]基于机器视觉形状特征参数的祁门红茶等级识别[J]. 宋彦,谢汉垒,宁井铭,张正竹.  农业工程学报. 2018(23)
[6]基于计算机视觉的原木高出材率的研究[J]. 钟平川,王娜,肖一荻,郑泽忠.  计算机科学. 2018(S2)
[7]水稻新品种对稻瘟病和稻曲病的综合抗性评价[J]. 曾慧芳.  福建农业学报. 2018(08)
[8]计算机视觉在水稻大面积制种中的应用研究[J]. 莫洪武,万荣泽.  农机化研究. 2019(03)
[9]基于OpenCV的畸形马铃薯识别方法[J]. 汪成龙,陈广财,陈国壮.  湖南农业科学. 2018(04)
[10]基于Android平台的水稻病害智能诊断关键技术研究[J]. 刘小红.  安徽农业科学. 2018(10)

硕士论文
[1]基于高光谱遥感的水稻稻瘟病分级检测技术[D]. 谢凯.湖南农业大学 2017



本文编号：3461402