新版搜索下载系统内测,不限量免费下载(免费至7月1日)(点击打开新版

基于图像识别的作物病虫草害诊断研究

资料来自用户(Kathryn)上传,若本站收录的文献无意侵犯了您的著作版权,请点击版权申明
导师姓名
李少昆
学科专业
作物栽培学与耕作学
文献出处
中国农业科学院   2005年
关键词
数字图像处理论文  图像识别论文  人工神经网络论文  病虫草害诊断论文  作物论文
论文摘要

本文围绕作物病虫草害的快速诊断,将作物病虫草害识别的专家知识与数字图像处理、神经网络结合,综合运用人工智能和网络技术,研究实现了作物病虫草害的远程图像识别与诊断。取得以下进展: 1.图像预处理方面,针对作物病虫草害的图像特点,分析、比较了病虫草害图像的增强处理方法,提出了对彩色图像先进行反色运算,再通过RGB通道分离,得到增强图像的新方法,与传统图像增强算法相比,此法简单易行,运算量小,并具有较强的消除噪声能力。 2.图像分割方面,根据病害图像特点,提出通过H分量图像灰度分析来确定阈值对灰度图像分割的方法,分割精度明显高于传统的自动阈值分割结果;对病害彩色图像分割时,用HIS颜色系统中的H分量图像分割效果最好,其次是RGB颜色系统中的红色分量图像所做的分割。并提出B分量图像对光照更为敏感,适合处理在光线较暗条件下获取的图像或病斑与非病斑区域明暗差别较小图像的分割;提出了用提取轮廓分割识别目标图像的新方法,即先对病害图像作反色运算,对得到的图像进行二值化后,再进行腐蚀运算,对其结果作轮廓提取,可消除全部噪声。与传统轮廓提取方法相比,分割更为准确,几乎没有噪声。提出了对在叶片上造成孔洞图像进行分割的有效方法,即轮廓提取加种子填充技术。该方法可有效消除除叶脉外的各种背景噪声。提出了用模糊判别的自动阈值法与手工补选样点修正阈值法相结合的图像分割方法,实现了对有其它植物叶片为背景的杂草图像的正确分割。 3.在图像特征提取方面,提出使用RGB颜色系统的B/R、色度坐标b、b/r值及HIS彩色系统中的色调、饱和度、亮度值作为作物病虫草害图像识别与诊断的关键特征;研究并建立了6组叶片颜色特征与叶片绿度值(叶绿素含量)的定量预测模型,预测叶绿素含量误差在7.8-13.65%之间,用b/r与叶绿素b含量间的模型y=0.8058x+1.2403(R2=0.8056**)对叶绿素b的预测精度超过90%,可以图像诊断的方法改进传统的作物病虫为害分级调查方法与指标,建立病虫为害分级的新指标与新方法。首次以纹理特征中能量值、熵及惯性矩作为作物病虫草害图像识别与诊断的重要特征,以单个特征识别无病斑叶片的正确率达100%,对有病斑叶片的正确识别率达90%;综合应用三个纹理特征,识别有病斑叶片的正确率达100%;提出以这些特征作为病斑图像分割的判据(阈值)。病斑的圆形度可作为病斑形状差异较大的病虫害图像初步诊断的形态特征;杂草叶片的长宽比可作为对窄叶与阔叶杂草的图像识别特征,结合颜色特征可对杂草进行更为细致的分类识别。 4.构建了基于图像识别的、具有32个特征参数的作物病虫草害图像识别特征数据库。并利用构建的玉米病害图像识别神经网络成功地实现了作物病虫草害的仿真识别与诊断,对玉米6种叶部病害图像的自动识别平均正确率达98.3%。 5.对基于图像识别的作物病虫草害诊断系统与作物远程诊断系统集成,实现了基于网络的作物病虫草害的图像识别与诊断。

论文目录
关闭目录

中文摘要

英文摘要

缩略词表

目录

第一章 绪论

1 研究目的及意义

2 国内外图像识别技术研究进展

2.1 图像识别技术在农业生产中的研究与应用

2.1.1 农产品品质检测

2.1.2 精准农业

2.1.3 农业机器人

2.2 图像识别技术在作物生长状态监测中的研究进展

2.2.1 作物形态生长参数测量

2.2.2 作物营养状态检测

2.2.3 作物形状描述与识别

2.3 图像识别技术在作物病虫草害识别方面的研究进展

3 人工神经网络研究进展

第二章 图像识别与作物病虫草害远程诊断系统

1 作物病虫草害远程论断系统设计

2 本文主要研究内容与技术路线

第三章 作物病虫草害图像的增强处理

1 材料与方法

2 结果与分析

第四章 作物病虫草害图像分割

1 图像分割方法分析

1.1 区域生成

1.1.1 灰度阈值分割法

1.1.2 灰度相似合并法

1.2 彩色图像的分割

1.2.1 直方图阈值法

1.2.2 特征空间聚类法

1.2.3 基于区域的分割方法

1.2.4 边缘检测

1.2.5 模糊技术

1.2.6 归一化RGB

2 材料与方法

3 结果与分析

3.1 对作物病害图像病斑的分割

3.1.1 利用灰度图进行病斑分割

3.1.2 彩色图像的病斑分割

3.2 作物虫害图像的症状分割

3.3 杂草图像的分割

4 结论与讨论

第五章 病虫草害图像的特征提取

1 作物病虫草害图像颜色研究

1.1 图像颜色系统分析

1.1.1 CIE标准色度学系统

1.1.2 HIS颜色系统

1.2 结果与分析

1.2.1 玉米病叶病斑RGB及HIS颜色特征

1.2.2 玉米6种叶部病害病斑与无病部位RGB色度坐标值分析

1.2.3 玉米6种叶部病害病斑与无病部位HIS值分析

1.3 小结

2 图像处理用于作物叶片绿度(叶绿素含量)的定量化研究

2.1 材料与方法

2.2 结果与分析

2.2.1 RGB颜色系统特征值与棉花叶片绿度的相关分析

2.2.2 HIS颜色系统特征值与棉花叶片绿度的相关分析

2.2.3 叶片正背面颜色系统特征值与棉花叶片绿度的相关分析

2.2.4 模型检验

2.3 小结

2.3.1 影响图像分析与叶绿素含量预测精度因素分析

2.3.2 图像颜色特征值与叶片绿度关系分析

2.3.3 利用叶片绿度诊断作物早期病害的可行性分析

2.3.4 利用图像处理量化叶片绿度确定作物病虫为害级别方法的讨论

3 作物病害图像纹理特征研究

3.1 作物病害图像中纹理特征的构造与提取

3.1.1 传统的纹理分析法构造的特征量

3.1.2 本文中构造的纹理特征参数

3.2 结果与分析

3.2.1 玉米病叶病斑纹理特点

3.3 小结

4 病虫草害图像形态学特征研究

4.1 数学形态学原理

4.2 结果与分析

4.2.1 作物病害病斑圆形度的提取与应用

4.2.2 杂草叶片形态特征的提取与应用

5 基于图像识别牲的玉米66种叶部病害诊断

6 作物病虫草害图像识别诊断特征数据库的建立

6.1 数据库结构

6.2 数据库中现有数据

6.3 小结

第六章 基于图像识别的作物病虫草害诊断仿真试验

1 神经网络分类器的设计

1.1 本文的BP网络算法描述

1.2 BP网络结构及病虫草害论断问题与知识的神经网络表达

1.2.1 BP网络结构

1.2.2 病虫草害问题的BP网络表达

1.2.3 病虫草害诊断知识的BP网络表达

2 结果与分析

2.1 BP网络训练

2.2 仿真试验结果与分析

2.3 小结

第七章 作物病虫草害远程诊断的系统集成

1 作物病虫草害远程诊断系统的结构

2 系统采用的技术及运行环境

3 远程诊断功能的实现

第八章 结论与今后研究建议

1 结论与讨论

2 今后的研究建议

参考文献

附录1 未在正文中例出的部分作物病虫害图像处理结果图

附录2 作物病虫害图像识别诊断有关的术语

附录3 杂草图像识别的有关术语

致谢

作者简介

全文下载
全文下载