基于计算机视觉的小麦赤霉病病害分级及诊断系统设计

发布时间：2020-10-27 11:19

　　 赤霉病是小麦健康生产中最重要的病害之一,主要发生在穗部。感染该病的麦穗会产生一种呕吐毒素DON,严重威胁人类、动物的健康和国家的粮食安全。由于无法准确地识别该病害的严重程度,导致农药施用的成本每年都在增加,农业生态环境也受到严重污染。为了有效地保护食品安全并降低农药施用成本、保护农业生态环境,快速、无损地检测出不同病害程度的小麦赤霉病尤为重要。当前,随着信息技术的快速发展,大量的移动设备如手机、平板电脑等都具有一定的计算能力,使得图像或视频数据能在作物病害诊断中发挥重要作用。为了给小麦病害防治提供技术和方法支持,本文以小麦赤霉病为研究对象,探索基于计算机视觉技术的快速、准确识别该病害严重度的方法,并设计一款基于Android智能手机的小麦赤霉病病害诊断系统。主要从以下四方面开展研究并取得初步结果:(1)基于U-Net网络的田间麦穗分割方法。以田间环境下麦穗分割为研究目标,探索复杂环境下识别小麦赤霉病病害严重度的方法。首先,构建了田间麦穗分割数据集,为麦穗的分割提供数据基准。其次,建立了基于U-Net网络的田间麦穗分割模型,有效地实现田间环境下的麦穗分割。结果显示,本文构建的田间麦穗分割模型的精度为0.981,分割时间1s。由此说明提出的方法可在田间快速、准确地分割小麦麦穗,为小麦赤霉病病害识别提供关键技术支持。(2)基于脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的小麦赤霉病病斑分割方法。在人工蜂群(Artificial Bee Colnony,ABC)与PCNN的基础上,提出改进人工蜂群的K均值聚类的脉冲耦合神经网络(IABC-K-PCNN)的小麦赤霉病病斑分割算法。结果表明,本文提出的病斑分割方法在不同的分割评价指标下均优于传统的图像分割方法,用于病害严重度识别中时准确度为0.925,分级时间为5.11s。由此得出该方法可以有效的分割小麦赤霉病病斑,为快速、准确的识别病害等级提供方法支持。(3)基于融合特征的小麦赤霉病严重度分类方法。利用Relief-F方法有效地挖掘不同病害严重下小麦赤霉病的浅层和深层特征,实现不同病情小麦赤霉病的准确识别。首先,根据不同严重度染病图像在颜色和纹理上存在的差异,针对性提取颜色和纹理特征作为浅层特征;接着把ImageNet 2012数据集上训练的AlexNet模型参数迁移到赤霉病病害数据集上,提取病害的深度卷积特征作为深层特征。其次,使用Relief-F算法计算浅层特征和深层特征的权重,并根据权重将浅层特征和深层特征融合为新的赤霉病病害特征。最后,使用随机森林(Random Forest,RF)进行模型训练,实现不同病害程度的有效分类和识别。结果显示,当样本量相对较少时,融合特征模型的识别精度为0.942,识别时间为6.21 s,比单独用浅层特征和深层特征时提高了2%~5%,且模型更具有鲁棒性。(4)在上述方法的基础上,设计基于Android智能手机的小麦赤霉病诊断系统。它由客户端、服务端和数据库三部分组成。客户端由Android Studio设计,功能主要包括病害图像采集、图像存储、GPS定位、数据上传、诊断结果查询、历史病情查询和语音交互。服务端是通过Java、Matlab和Python混合编程完成,Tomcat作为服务器,主要实现数据接收、田间麦穗分割、病害分级和数据存储。数据库由MySQL实现,主要包括:“病情数据库”和“病害诊断知识库”。“病情数据库”主要存储上传的病害数据,“病害诊断知识库”主要存储针对不同病情实施不同处理措施的知识库。最后,通过示例测试和验证,基于Android智能手机的移动终端可以实时收集田间小麦赤霉病病害图像并上传服务器。在服务器上,对目标图像进行处理后,把结果存储至“病情数据库”,并从“病害诊断知识库”中选择适用于当前病情的诊断知识,反馈给用户。
【学位单位】：安徽大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP391.41;S435.121.45
【部分图文】：

第一章绪论6度的有效分类和识别。（4）基于上述方法，以Android智能手机为平台，搭建小麦赤霉病诊断系统。主要包括：客户端、服务端和数据库，以实现病害图像的采集、上传、处理、识别等功能。总体技术路线图如图1.1所示：图1.1总体技术路线图Figure1.1Overallworkflowchart1.4论文结构第一章：绪论。主要介绍了小麦赤霉病病害严重程度识别方法研究及开发基于Android智能手机的病害诊断系统的目的及意义，并对病害图像分割、图像特征提取方法及诊断系统研究的现状进行阐述。最后简要说明了本文的研究内容及论文结构。第二章：材料与方法。首先简单介绍了实验研究区域和数据获取方法，并对病害严重程度的划分进行阐述。其次，简单叙述了本文的研究方法。包括：图像

第二章实验材料与相关技术介绍8第二章材料与相关技术介绍为了更好的对小麦赤霉病进行研究，本章介绍了图像数据的获取，并分别阐述了本文涉及的方法，为研究赤霉病病害分级提供数据和方法支持。2.1实验方案本文实验在安徽省农业科学院小麦赤霉病试验基地（117°14′E，31°53′N）开展。供试小麦品种为西农979（2018年），中感赤霉病；淮麦35（2019年），高感赤霉玻田间观测实验于2018年和2019年的小麦扬花中期（5月1日）至成熟早期（5月15日）期间执行，3～5天观测一次。利用数码相机获取高清数字图像，植保专家确定观测生育期并记录病情严重度。设计两个观测小区：人工喷洒赤霉病病菌的接种区和正常管理的对照区（图2.1）。接种区从发病开始逐渐侵染对照区，有利于形成不同感染程度的观测样本，确保实验数据更具梯度性，有助于不同病害严重程度的分析。图2.1研究区域及田间小区示意图Figure2.1Studyareaandexperimentalplots2.2数据获取尼康D3200单反相机（有效像素6016×4000，焦距：4mm，光圈：f/2.2，曝光时间：1/2000s）被用于拍摄高清数字图像。为了确保数据质量，在晴朗、少云的天气下获取数据，尽量消除光照、风以及遮挡造成的图像差异。为了探究田间环境下小麦赤霉病病害严重度识别方法，在设计实验时，只允许镜头视野内

安徽大学硕士学位论文9有且只有一株麦穗，且拍摄角度接近90°。2018、2019年共采集到田间健康和感染赤霉病的麦穗图像2920张，由植保专家给出目标样本的病害等级。考虑基于U-Net的语义分割网络需要大量的注释数据，选择1600张图像来构建田间麦穗分割数据集。同时，AlexNet需要一定的数据集来训练，1200张图像用于迁移学习网络，其余的120张图像用于测试本文提出方法的识别精度。2.3病害严重程度划分为了更好地分析单株麦穗赤霉病的不同病害程度，本文参考中华人民共和国国家标准GB/T15796-2011《小麦赤霉病测报技术规范》。根据麦穗病斑面积与麦穗面积之比，将病害等级分为六个级别。0级：0≤R≤0.01，1级：0.01<R≤0.1，2级：0.1<R≤0.2，3级：0.2<R≤0.3，4级：0.3<R≤0.4，5级：R>0.4，其中R是病斑面积与麦穗面积之比（图2.2）。图2.2小麦赤霉病不同病害程度图像。图中（a），（b），（c），（d），（e）和（f）分别对应病害等级0，1，2，3，4和5Figure2.2ImagesofdifferentwheatFHBdegrees.(a),(b),(c),(d),(e),and(f)reflectthediseaselevelsof0,1,2,3,4,and5,respectively2.4图像分割方法图像分割是将图像分为具有独特属性的几个特定区域并提取出目标对象的技术和过程。本章中，利用图像分割方法，先对田间麦穗进行分割，再分割麦穗的病斑区域，最后通过计算病斑面积与麦穗面积的比值得出病害等级。2.4.1传统分割方法传统的图像分割方法主要分为以下几类：阈值分割、边缘检测以及特定理论的分割方法等。
【相似文献】

相关期刊论文 前10条

1 谷海峰;;高速公路桥梁常见病害既维修对策[J];门窗;2019年15期

2 李加军;;道路桥梁常见的结构病害及加固措施[J];低碳世界;2019年11期

3 赵红;;高架桥梁病害的类型及其养护方法[J];科技创新与应用;2020年08期

4 黄晓斌;杨正容;许国建;路冰斌;;高山辣椒常见病害与防治[J];湖北植保;2019年03期

5 曹言华;;高速公路沥青混凝土路面车辙病害及防治对策分析[J];智能城市;2019年19期

6 杨宝丽;;水稻常见病害发生症状及病因[J];热带农业工程;2019年03期

7 高瑞鸿;;玉米常见病害的防治方法[J];吉林农业;2018年07期

8 张洪;;棉花病害防治技术[J];现代农村科技;2018年07期

9 孙建龙;;浅谈桥梁伸缩缝常见病害与防控对策[J];北方交通;2016年12期

10 刘根来;;浅析近年公路桥梁的主要病害[J];居业;2017年03期

相关博士学位论文 前10条

1 PHAN CONG KIEN（潘功健）;广西桉树人工林叶部病害及其与乡土树种病害的关系[D];广西大学;2015年

2 刘尚旺;基于改进选择性视觉注意模型的语义图像分割研究[D];西北农林科技大学;2012年

3 王晨;视觉显著性检测方法研究及其应用[D];西北工业大学;2018年

4 邵光普;基于混合模型和空间信息的图像分割研究[D];华中科技大学;2019年

5 古晶;基于稀疏特征学习的SAR图像分割与半监督分类方法研究[D];西安电子科技大学;2016年

6 段一平;基于层次视觉计算和统计模型的SAR图像分割与理解[D];西安电子科技大学;2017年

7 胡佩君;腹部CT图像分割的可计算建模方法研究[D];浙江大学;2018年

8 姜枫;基于语义识别的砂岩薄片图像分割方法研究[D];南京大学;2018年

9 赵晓丽;面向图像分割的智能算法研究[D];上海大学;2018年

10 倪波;高强度聚焦超声图像分割方法研究[D];武汉大学;2016年

相关硕士学位论文 前10条

1 王道勇;基于计算机视觉的小麦赤霉病病害分级及诊断系统设计[D];安徽大学;2020年

2 张冬梅;古建筑病害信息处理与管理系统的设计与实现[D];北京建筑大学;2016年

3 邬雪江;土遗址病害评估模型研究[D];江西理工大学;2015年

4 孙广鑫;番茄中与病害密切相关miRNA的功能分析[D];大连理工大学;2015年

5 孔凡慧;利用分子标记辅助选择技术创制番茄抗多种病害与耐贮运育种材料的研究[D];东北农业大学;2015年

6 庞凤亚;高速铁路无砟道床层间病害检测技术研究[D];石家庄铁道大学;2015年

7 金玉泉;桥梁的病害及灾害[D];同济大学;2006年

8 唐莹莹;广西鸡蛋花主要病害病原鉴定[D];广西大学;2013年

9 刘振东;公路隧道隐伏病害快速无损检测与安全评价体系构建[D];中国海洋大学;2013年

10 吴昊昱;基于小样本学习的自然场景图像中茶叶病害识别[D];安徽大学;2020年

本文编号：2858452