基于OTSU算法的苹果果实病斑图像分割方法
发布时间：2021-09-03 09:10
在苹果种植面积和产量日益增长的情况下,果实的各种病变如黑点病、斑点落叶病等也日益增多,严重影响了果农的经济收益。针对传统人工肉眼检测方法,受人为主观判断容易产生错误,降低病变识别准确度的缺陷,提出了基于最大类间方差法（OTSU）的苹果果实病斑图像分割方法。设计开发了苹果病斑图像分割处理系统,系统基于MATLAB GUI开发界面,将读取的苹果彩色病斑图像分别进行灰度处理、直方图均衡化、滤波增强、模糊增强、图像分割、识别病斑区域等一系列操作,分别选取苹果黑点病、斑点落叶病、苦痘病、红点病、痘斑病、日灼病等六种病斑果实图像进行采样处理,利用OTSU算法对六种苹果病斑图像进行分割识别。分割实验结果显示,对于病斑适中、颜色较深的苹果病变区域分割后识出率和识别成功率较高。
【文章来源】：计算机技术与发展. 2020,30(12)
【文章页数】：6 页
【部分图文】：
苹果病斑图像分割处理系统界面
六种苹果病斑图像分类选择界面
苹果病斑图像分割处理系统对六种不同的苹果病斑图像进行分割后的结果如图5所示。根据表1和表2及图5分割图像分析得出,图5(a)所示黑点病斑图像的识别率为61.9%。由于病斑点的颜色深浅不同、病斑大小不同及自然光照不充足,所以部分偏小病斑和右下方成片状无法分割。图5(b)所示苹果斑点落叶病斑图像由于左侧病斑偏小颜色偏浅并且下方连城片状无法分割,所以识别率为66.7%。图5(c)所示苹果苦痘病斑图像的识别率为100%。由于病斑点大小差别不大,光线照射充足所以识别率为100%。但同时错误率也有11.11%,造成这种情况的原因是左侧病斑点与周围环境连城片,苹果顶端凹陷处成黑色斑点被误识别为病斑点。图5(d)所示红点病斑图像的识别率为47.37%。造成这一结果的原因是红点病斑多而群发,且都集中在苹果右下侧分割后与背景颜色连接成片状无法分割。图5(e)所示痘斑病斑图像分割识别率为85.71%,大部分病斑点都分布在苹果果实上端、光照充足,病斑点大小颜色相近,未出现成片状分割结果,但是误把苹果果实顶端的凹陷处识别为病斑点。图5(f)所示苹果日灼病斑图像的原始计算值中识别率计算结果超过100%,因为光线和果实自身的影响、OTSU算法计算出的分割阈值存在缺陷,导致分割出过多误识的目标,根据前面假设,果实病斑的实际大小与目标相差过远,因此将图5(f)所示苹果日灼病斑图像中下方成片、微小的目标可忽略不计入分割出的病斑数。所以对苹果日灼病斑图像的分割总目标数Nm进行矫正,计算出识别率为100%。综合表1、表2实验结果和图5六种苹果病斑图像分割结果,识别分割目标已经基本和背景分离,初步达到预期效果。但是识别成功率还是低于识别率,并存在一定的错误和漏识。
【参考文献】：
期刊论文
[1]基于改进全卷积神经网络的黄瓜叶部病斑分割方法[J]. 王振,张善文,王献锋. 江苏农业学报. 2019(05)
[2]几种杀菌剂防治苹果斑点落叶病田间试验[J]. 杨华,李广旭,张广仁,戴启东. 北方果树. 2019(06)
[3]基于改进LBP和Otsu相结合的病害叶片图像分割方法[J]. 许新华. 计算机产品与流通. 2019(08)
[4]基于改进全卷积神经网络的玉米叶片病斑分割[J]. 王振,师韵,李玉彬. 计算机工程与应用. 2019(22)
[5]OTSU算法在图像分割中的应用研究[J]. 燕红文,邓雪峰. 农业开发与装备. 2018(11)
[6]基于颜色特征的水稻病害图像分割方法研究[J]. 苏博妮,化希耀,范振岐. 计算机与数字工程. 2018(08)
[7]苹果红点病发生的原因及预防措施[J]. 杨丽娜,王小侠,杜维林. 山西果树. 2015(02)
[8]自然场景下基于混合颜色空间的成熟期苹果识别方法[J]. 钱建平,杨信廷,吴晓明,陈梅香,吴保国. 农业工程学报. 2012(17)
[9]苹果苦痘病的发生与防治[J]. 韩丽红. 北方果树. 2012(03)
[10]基于混合蛙跳算法改进的OTSU遥感图像分割方法[J]. 路彬彬,贾振红,何迪,杨杰,庞韶宁. 计算机应用与软件. 2011(09)
硕士论文
[1]基于形状和颜色特征的小麦白粉病生长模型研究[D]. 袁万宾.郑州轻工业大学 2019
[2]基于计算机视觉的柑橘溃疡病图像分割的研究[D]. 魏家玺.广西大学 2019
[3]基于机器视觉的苹果分级检测算法研究[D]. 孙斐.郑州大学 2018
[4]基于改进LBP的复杂背景下作物病害叶片病斑分割方法研究[D]. 许新华.郑州大学 2018
[5]基于多信息融合的苹果智能分级技术研究[D]. 王克俊.兰州交通大学 2009
本文编号：3380836
【文章来源】：计算机技术与发展. 2020,30(12)
【文章页数】：6 页
【部分图文】：
苹果病斑图像分割处理系统界面
六种苹果病斑图像分类选择界面
苹果病斑图像分割处理系统对六种不同的苹果病斑图像进行分割后的结果如图5所示。根据表1和表2及图5分割图像分析得出,图5(a)所示黑点病斑图像的识别率为61.9%。由于病斑点的颜色深浅不同、病斑大小不同及自然光照不充足,所以部分偏小病斑和右下方成片状无法分割。图5(b)所示苹果斑点落叶病斑图像由于左侧病斑偏小颜色偏浅并且下方连城片状无法分割,所以识别率为66.7%。图5(c)所示苹果苦痘病斑图像的识别率为100%。由于病斑点大小差别不大,光线照射充足所以识别率为100%。但同时错误率也有11.11%,造成这种情况的原因是左侧病斑点与周围环境连城片,苹果顶端凹陷处成黑色斑点被误识别为病斑点。图5(d)所示红点病斑图像的识别率为47.37%。造成这一结果的原因是红点病斑多而群发,且都集中在苹果右下侧分割后与背景颜色连接成片状无法分割。图5(e)所示痘斑病斑图像分割识别率为85.71%,大部分病斑点都分布在苹果果实上端、光照充足,病斑点大小颜色相近,未出现成片状分割结果,但是误把苹果果实顶端的凹陷处识别为病斑点。图5(f)所示苹果日灼病斑图像的原始计算值中识别率计算结果超过100%,因为光线和果实自身的影响、OTSU算法计算出的分割阈值存在缺陷,导致分割出过多误识的目标,根据前面假设,果实病斑的实际大小与目标相差过远,因此将图5(f)所示苹果日灼病斑图像中下方成片、微小的目标可忽略不计入分割出的病斑数。所以对苹果日灼病斑图像的分割总目标数Nm进行矫正,计算出识别率为100%。综合表1、表2实验结果和图5六种苹果病斑图像分割结果,识别分割目标已经基本和背景分离,初步达到预期效果。但是识别成功率还是低于识别率,并存在一定的错误和漏识。
【参考文献】：
期刊论文
[1]基于改进全卷积神经网络的黄瓜叶部病斑分割方法[J]. 王振,张善文,王献锋. 江苏农业学报. 2019(05)
[2]几种杀菌剂防治苹果斑点落叶病田间试验[J]. 杨华,李广旭,张广仁,戴启东. 北方果树. 2019(06)
[3]基于改进LBP和Otsu相结合的病害叶片图像分割方法[J]. 许新华. 计算机产品与流通. 2019(08)
[4]基于改进全卷积神经网络的玉米叶片病斑分割[J]. 王振,师韵,李玉彬. 计算机工程与应用. 2019(22)
[5]OTSU算法在图像分割中的应用研究[J]. 燕红文,邓雪峰. 农业开发与装备. 2018(11)
[6]基于颜色特征的水稻病害图像分割方法研究[J]. 苏博妮,化希耀,范振岐. 计算机与数字工程. 2018(08)
[7]苹果红点病发生的原因及预防措施[J]. 杨丽娜,王小侠,杜维林. 山西果树. 2015(02)
[8]自然场景下基于混合颜色空间的成熟期苹果识别方法[J]. 钱建平,杨信廷,吴晓明,陈梅香,吴保国. 农业工程学报. 2012(17)
[9]苹果苦痘病的发生与防治[J]. 韩丽红. 北方果树. 2012(03)
[10]基于混合蛙跳算法改进的OTSU遥感图像分割方法[J]. 路彬彬,贾振红,何迪,杨杰,庞韶宁. 计算机应用与软件. 2011(09)
硕士论文
[1]基于形状和颜色特征的小麦白粉病生长模型研究[D]. 袁万宾.郑州轻工业大学 2019
[2]基于计算机视觉的柑橘溃疡病图像分割的研究[D]. 魏家玺.广西大学 2019
[3]基于机器视觉的苹果分级检测算法研究[D]. 孙斐.郑州大学 2018
[4]基于改进LBP的复杂背景下作物病害叶片病斑分割方法研究[D]. 许新华.郑州大学 2018
[5]基于多信息融合的苹果智能分级技术研究[D]. 王克俊.兰州交通大学 2009
本文编号：3380836
本文链接：https://www.wllwen.com/wenshubaike/xszy/3380836.html
