基于图像处理技术的蝗虫识别算法研究
发布时间：2020-12-10 08:59
随着机器学习和深度学习的发展,图像识别和目标检测受到广泛关注。蝗虫检测识别作为研究蝗虫爆发机理和建立预测模型的基础,是建立蝗虫灾害动态监测预警系统的重要手段。目前在蝗虫识别领域的研究较少且相对滞后,传统的识别方法与新出现的目标检测方法在识别准确度和速度上存在明显差别。此外,研究的方法多适用于单一背景中蝗虫的检测,针对草地、农作物等自然背景下的蝗虫识别准确率较低。基于此问题需求,本文采用基于二值图像的区域显著性识别算法、多色度融合识别算法和基于候选区域的快速卷积神经网络(Faster RCNN)算法对蝗虫图像进行检测与识别的研究,以提高复杂背景中的蝗虫识别准确率,取得了较为理想的结果。本文提出基于二值图像的区域显著性识别算法,算法提取蝗虫和背景的局部特征,通过支持向量机实现二分类,实验证明该算法可实现对同一地区蝗虫的准确识别。为对大面积粘连蝗虫实现分割,提出基于多色度融合的算法,该算法不在着眼于蝗虫的个体特征,而是基于每个像素点的颜色特征进行分类。考虑到蝗虫和背景在不同的颜色区间内,因此将图像转换成不同的颜色模型,充分拉大颜色差异,最后基于像素完成图像分割。为了实现干旱时期乃至土壤、岩石...
【文章来源】：内蒙古大学内蒙古自治区 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
G-a-L模型与2G-R-B模型的效果对比图
内蒙古大学硕士学位论文8膨胀运算处理后的二值图开运算处理后的二值图闭运算处理后的二值图图2.2蝗虫图像形态学处理结果图Figure2.2Morphologicalprocessingresultsoflocustimages在进行形态学处理的时候，应该根据实际情况合理选取合适的运算。本文对图像先进性闭运算再进行开运算效果更好，如图2.3所示。图2.3闭开运算处理后的二值图Figure2.3Binaryimageofcloseopeningoperations2.1.4定位提取蝗虫区域图像中连通区域既有蝗虫对象也有背景噪声（如图2.1），需要提取各区域的特征确定属于蝗虫还是背景。由于二值图像无法获取连通区域的局部特征，因此将二值图像中连通区域在原始彩色图像中找到对应区域，裁剪出各区域用于特征提龋具体步骤如下：①在二值图像中把连通区域标记出来，返回连通区域的个数Mi；②获取这Mi个连通区域的长、宽属性；③得到包含每个连通区域的最小外接矩形的精确位置；④在原始图像中定位相同位置的矩形；⑤裁剪出矩形标定的目标子图像。裁剪后的子图像用于后期提取局部特征。定位裁剪示意图如图2.4所示。
内蒙古大学硕士学位论文8膨胀运算处理后的二值图开运算处理后的二值图闭运算处理后的二值图图2.2蝗虫图像形态学处理结果图Figure2.2Morphologicalprocessingresultsoflocustimages在进行形态学处理的时候，应该根据实际情况合理选取合适的运算。本文对图像先进性闭运算再进行开运算效果更好，如图2.3所示。图2.3闭开运算处理后的二值图Figure2.3Binaryimageofcloseopeningoperations2.1.4定位提取蝗虫区域图像中连通区域既有蝗虫对象也有背景噪声（如图2.1），需要提取各区域的特征确定属于蝗虫还是背景。由于二值图像无法获取连通区域的局部特征，因此将二值图像中连通区域在原始彩色图像中找到对应区域，裁剪出各区域用于特征提龋具体步骤如下：①在二值图像中把连通区域标记出来，返回连通区域的个数Mi；②获取这Mi个连通区域的长、宽属性；③得到包含每个连通区域的最小外接矩形的精确位置；④在原始图像中定位相同位置的矩形；⑤裁剪出矩形标定的目标子图像。裁剪后的子图像用于后期提取局部特征。定位裁剪示意图如图2.4所示。
【参考文献】：
期刊论文
[1]基于Hu不变矩特征的铁路轨道识别检测算法[J]. 董昱,郭碧. 铁道学报. 2018(10)
[2]全国草地资源空间分布规律研究[J]. 付义勋,赵志芳,陈百炼. 科技资讯. 2018(08)
[3]基于卷积神经网络的水稻虫害识别[J]. 梁万杰,曹宏鑫. 江苏农业科学. 2017(20)
[4]内蒙古草原地区生态环境可持续发展的路径探析[J]. 杜玉明,王维,赵丽媛. 环境研究与监测. 2015(01)
[5]基于HOG与改进的SVM的手掌静脉识别算法[J]. 徐笑宇,姚鹏. 计算机工程与应用. 2016(11)
[6]甘蓝菜青虫害自动识别系统的开发与试验研究——基于机器视觉[J]. 高雄,王海超. 农机化研究. 2015(01)
[7]基于机器视觉的作物多姿态害虫特征提取与分类方法[J]. 李文勇,李明,陈梅香,钱建平,孙传恒,杜尚丰. 农业工程学报. 2014(14)
[8]草地退化的危害与生态恢复措施的研究[J]. 姚小伟,祖丽菲亚. 草业与畜牧. 2014(02)
[9]基于机器视觉的自然环境中猕猴桃识别与特征提取[J]. 崔永杰,苏帅,王霞霞,田玉凤,李平平,张发年. 农业机械学报. 2013(05)
[10]基于计算机视觉的大田害虫远程自动识别系统[J]. 韩瑞珍,何勇. 农业工程学报. 2013(03)
博士论文
[1]基于机器视觉的害虫识别方法研究[D]. 吴翔.浙江大学 2016
硕士论文
[1]基于支持向量机的车标图像识别技术研究[D]. 王小康.北京交通大学 2018
本文编号：2908433
【文章来源】：内蒙古大学内蒙古自治区 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
G-a-L模型与2G-R-B模型的效果对比图
内蒙古大学硕士学位论文8膨胀运算处理后的二值图开运算处理后的二值图闭运算处理后的二值图图2.2蝗虫图像形态学处理结果图Figure2.2Morphologicalprocessingresultsoflocustimages在进行形态学处理的时候，应该根据实际情况合理选取合适的运算。本文对图像先进性闭运算再进行开运算效果更好，如图2.3所示。图2.3闭开运算处理后的二值图Figure2.3Binaryimageofcloseopeningoperations2.1.4定位提取蝗虫区域图像中连通区域既有蝗虫对象也有背景噪声（如图2.1），需要提取各区域的特征确定属于蝗虫还是背景。由于二值图像无法获取连通区域的局部特征，因此将二值图像中连通区域在原始彩色图像中找到对应区域，裁剪出各区域用于特征提龋具体步骤如下：①在二值图像中把连通区域标记出来，返回连通区域的个数Mi；②获取这Mi个连通区域的长、宽属性；③得到包含每个连通区域的最小外接矩形的精确位置；④在原始图像中定位相同位置的矩形；⑤裁剪出矩形标定的目标子图像。裁剪后的子图像用于后期提取局部特征。定位裁剪示意图如图2.4所示。
内蒙古大学硕士学位论文8膨胀运算处理后的二值图开运算处理后的二值图闭运算处理后的二值图图2.2蝗虫图像形态学处理结果图Figure2.2Morphologicalprocessingresultsoflocustimages在进行形态学处理的时候，应该根据实际情况合理选取合适的运算。本文对图像先进性闭运算再进行开运算效果更好，如图2.3所示。图2.3闭开运算处理后的二值图Figure2.3Binaryimageofcloseopeningoperations2.1.4定位提取蝗虫区域图像中连通区域既有蝗虫对象也有背景噪声（如图2.1），需要提取各区域的特征确定属于蝗虫还是背景。由于二值图像无法获取连通区域的局部特征，因此将二值图像中连通区域在原始彩色图像中找到对应区域，裁剪出各区域用于特征提龋具体步骤如下：①在二值图像中把连通区域标记出来，返回连通区域的个数Mi；②获取这Mi个连通区域的长、宽属性；③得到包含每个连通区域的最小外接矩形的精确位置；④在原始图像中定位相同位置的矩形；⑤裁剪出矩形标定的目标子图像。裁剪后的子图像用于后期提取局部特征。定位裁剪示意图如图2.4所示。
【参考文献】：
期刊论文
[1]基于Hu不变矩特征的铁路轨道识别检测算法[J]. 董昱,郭碧. 铁道学报. 2018(10)
[2]全国草地资源空间分布规律研究[J]. 付义勋,赵志芳,陈百炼. 科技资讯. 2018(08)
[3]基于卷积神经网络的水稻虫害识别[J]. 梁万杰,曹宏鑫. 江苏农业科学. 2017(20)
[4]内蒙古草原地区生态环境可持续发展的路径探析[J]. 杜玉明,王维,赵丽媛. 环境研究与监测. 2015(01)
[5]基于HOG与改进的SVM的手掌静脉识别算法[J]. 徐笑宇,姚鹏. 计算机工程与应用. 2016(11)
[6]甘蓝菜青虫害自动识别系统的开发与试验研究——基于机器视觉[J]. 高雄,王海超. 农机化研究. 2015(01)
[7]基于机器视觉的作物多姿态害虫特征提取与分类方法[J]. 李文勇,李明,陈梅香,钱建平,孙传恒,杜尚丰. 农业工程学报. 2014(14)
[8]草地退化的危害与生态恢复措施的研究[J]. 姚小伟,祖丽菲亚. 草业与畜牧. 2014(02)
[9]基于机器视觉的自然环境中猕猴桃识别与特征提取[J]. 崔永杰,苏帅,王霞霞,田玉凤,李平平,张发年. 农业机械学报. 2013(05)
[10]基于计算机视觉的大田害虫远程自动识别系统[J]. 韩瑞珍,何勇. 农业工程学报. 2013(03)
博士论文
[1]基于机器视觉的害虫识别方法研究[D]. 吴翔.浙江大学 2016
硕士论文
[1]基于支持向量机的车标图像识别技术研究[D]. 王小康.北京交通大学 2018
本文编号：2908433
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/2908433.html
教材专著
