• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于環(huán)境信息和顏色特征的作物葉片病害等級(jí)識(shí)別算法

      2016-10-20 16:00:59謝澤奇忽曉偉張會(huì)敏
      江蘇農(nóng)業(yè)科學(xué) 2016年7期

      謝澤奇 忽曉偉 張會(huì)敏

      摘要:為了根據(jù)作物不同病害程度等級(jí)采取不同防治方法,實(shí)現(xiàn)作物高產(chǎn)和減少環(huán)境污染,提出了一種復(fù)雜背景下的作物葉片病害等級(jí)分類算法。首先,利用閾值分割法對(duì)黃瓜病害葉片圖像進(jìn)行病斑分割;其次,計(jì)算病斑區(qū)域中像素個(gè)數(shù)與病葉區(qū)域中像素個(gè)數(shù)的比值;最后用作物病害等級(jí)分級(jí)標(biāo)準(zhǔn)進(jìn)行比較來(lái)確定病害等級(jí)類別。利用該方法在2種作物5種常見(jiàn)病害葉片圖像數(shù)據(jù)庫(kù)上進(jìn)行了病害等級(jí)分類試驗(yàn),識(shí)別精度高達(dá) 92.7%。結(jié)果表明,該方法對(duì)作物病害葉片等級(jí)分類是有效可行的。

      關(guān)鍵詞:顏色特征;環(huán)境信息;作物葉片;病斑分割;等級(jí)分類

      中圖分類號(hào): TP391.41 文獻(xiàn)標(biāo)志碼: A 文章編號(hào):1002-1302(2016)07-0428-03

      我國(guó)是一個(gè)農(nóng)業(yè)大國(guó),農(nóng)業(yè)在國(guó)民經(jīng)濟(jì)中占據(jù)著重要的地位,對(duì)我國(guó)的經(jīng)濟(jì)高速發(fā)展有著極其重要的意義[1]。但農(nóng)作物的種植過(guò)程經(jīng)常出現(xiàn)各種各樣的病蟲害,這些都會(huì)對(duì)農(nóng)作物產(chǎn)出巨大影響。為了減少病害影響,噴灑農(nóng)藥是病害防治中最快速、最有效的方法,不過(guò)在噴灑農(nóng)藥時(shí)經(jīng)常忽視了農(nóng)作物病害的差異性,即病害的嚴(yán)重度,都采用相同的藥劑,不僅造成農(nóng)藥的浪費(fèi)、農(nóng)產(chǎn)品藥劑殘留量較大,而且對(duì)環(huán)境有嚴(yán)重的危害。為了達(dá)到合理地、有效地噴灑農(nóng)藥來(lái)減少不同程度農(nóng)作物病害,核心技術(shù)是如何能及時(shí)、快速地獲得植物葉片病害程度[2-3]。傳統(tǒng)的病害檢測(cè)是農(nóng)業(yè)生產(chǎn)者和植保專家通過(guò)以往經(jīng)驗(yàn)進(jìn)行肉眼判斷,這種方法無(wú)論是在試驗(yàn)大棚還是田間調(diào)查,不反勞動(dòng)強(qiáng)度大,并且由于人為主觀因素的影響,有很大的不確定性。

      目前,農(nóng)作物葉片病害等級(jí)的自動(dòng)識(shí)別主要是基于計(jì)算機(jī)圖像處理和模式識(shí)別技術(shù),以農(nóng)作物葉片的顏色特征作為檢測(cè)、分割、識(shí)別的主要研究對(duì)象[4]。主要實(shí)現(xiàn)方法有:光譜特征分析法、紋理特征分析法、形狀特征分析法等。近年來(lái),隨著相關(guān)領(lǐng)域科技水平的不斷提高,病害等級(jí)的測(cè)試技術(shù)正由傳統(tǒng)的實(shí)驗(yàn)室常規(guī)測(cè)試向田間直接無(wú)損測(cè)試方向發(fā)展,同時(shí)測(cè)試水平正由定性或半定量的手工測(cè)試向精確定量的智能化方向發(fā)展[5]。目前,針對(duì)作物病害的智能化無(wú)損測(cè)試技術(shù)已成為國(guó)內(nèi)外研究的熱點(diǎn)。其中較成熟的技術(shù)方法主要有遙感技術(shù)和專家系統(tǒng)。

      鑒于此,研究一種復(fù)雜背景下的農(nóng)作物葉片病害程度識(shí)別系統(tǒng)來(lái)對(duì)農(nóng)作物葉片病害等級(jí)自動(dòng)識(shí)別分類,利用計(jì)算機(jī)圖像處理技術(shù)為農(nóng)作物葉片病害進(jìn)行病害等級(jí)自動(dòng)識(shí)別提出了一個(gè)全新的思路。本研究基于計(jì)算機(jī)圖像處理技術(shù),在養(yǎng)料充足、農(nóng)作物供水基礎(chǔ)之上,實(shí)現(xiàn)一種復(fù)雜背景下的農(nóng)作物葉片病害程度等級(jí)自動(dòng)分類系統(tǒng)。

      1 材料與方法

      1.1 病害葉片圖像的獲取

      本研究所使用的病害樣本圖像均是在陜西楊凌農(nóng)業(yè)示范區(qū)科學(xué)園中自然光照的非強(qiáng)光條件下利用佳能A640相機(jī)采集得到的作物病害葉片圖像,主要采集玉米和黃瓜2種作物的多種病害圖像,其中玉米選取最常見(jiàn)的銹病、褐斑病、彎孢菌葉斑病、小斑病和大斑病5類病害,黃瓜主要選取最常見(jiàn)的細(xì)菌性角斑病、黃瓜炭疽病、黃瓜霜霉病、白粉病和白粉虱病5類病害。作物病害葉片分片從不同病害等級(jí)程度分別采集,對(duì)每種病害的葉片采取每天拍攝1次葉片圖像,分別記錄下采集時(shí)間、溫度、濕度等環(huán)境信息。拍攝病害葉片圖像方式一致,保證每張病害葉片圖像都是在同一條件下采集的。主要針對(duì)于玉米和黃瓜2種作物的5種病害葉片在不同時(shí)期分別采集圖像各150幅,每種病害30幅,每種病害程度(分為輕微程度、中等程度和嚴(yán)重程度3種等級(jí))各10幅圖像。

      1.2 病害葉片圖像的預(yù)處理

      圖像分割是指把圖像分割成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過(guò)程[6]。目前,圖像分割算法較多,典型算法有閾值法、區(qū)域分割法、邊緣檢測(cè)分割法等,但所有的圖像分割算法都是利用圖像中像素點(diǎn)的相似性和不連續(xù)性,如區(qū)域分割法是通過(guò)計(jì)算區(qū)域性灰度相似性來(lái)實(shí)現(xiàn);邊緣檢測(cè)分割法是計(jì)算圖像中各區(qū)域間的灰度不連續(xù)性來(lái)實(shí)現(xiàn)[7-8]。本研究主要采用閾值法進(jìn)行圖像分割,該方法采用區(qū)域分割技術(shù),利用圖像中病斑圖像和葉片背景在灰度上的差異性來(lái)實(shí)現(xiàn),通過(guò)選擇有效閾值T,然后將圖像中的每個(gè)像素點(diǎn)的特征值與閾值T進(jìn)行比較,來(lái)判斷該像素點(diǎn)是屬于目標(biāo)區(qū)域還是背景區(qū)域,以此來(lái)產(chǎn)生二值圖像。

      用閾值分割法來(lái)進(jìn)行病斑分離,那么閾值的選取就至關(guān)重要[9]。本算法中閾值是根據(jù)作物病害葉片的直方圖來(lái)確定的[10]。根據(jù)試驗(yàn)結(jié)果統(tǒng)計(jì)分析可以看出,葉片圖像的灰度級(jí)直方圖中包含3個(gè)峰值和2個(gè)谷值,因此,可以取低谷處的灰度值作為閾值就可以分割出病葉及病斑,利用此算法就可以將閾值化后的圖像變成二值化圖像[11]。

      當(dāng)閾值取T1>T時(shí),可以分離出病葉;當(dāng)閾值取T2

      1.3 復(fù)雜背景下的作物病害程度識(shí)別算法

      本研究中采用計(jì)算病斑像素個(gè)數(shù)與整個(gè)葉片像素?cái)?shù)的比值,即通過(guò)利用病斑區(qū)域中的像素個(gè)數(shù)與病葉區(qū)域中像素個(gè)數(shù)比值K來(lái)表示作物病害程度等級(jí)[12-13]。A表示整個(gè)作物葉片的總面積,A1為病斑像素點(diǎn)的面積,N1為病葉區(qū)域中像素個(gè)數(shù),N為病斑區(qū)域中的像素個(gè)數(shù)。根據(jù)K值結(jié)合表1來(lái)確定病斑等級(jí)。表1是根據(jù)試驗(yàn)測(cè)試結(jié)合人眼觀測(cè),對(duì)各種病害程度病斑等級(jí)進(jìn)行統(tǒng)計(jì),總結(jié)出作物病害程度等級(jí)標(biāo)準(zhǔn)。

      2 結(jié)果與分析

      為了驗(yàn)證本研究算法的可行性,分別采集黃瓜和玉米2種作物進(jìn)行測(cè)試,其中玉米選取最常見(jiàn)的銹病、褐斑病、彎孢菌葉斑病、小斑病和大斑病5類病害,黃瓜選取最常見(jiàn)的細(xì)菌性角斑病、黃瓜炭疽病、黃瓜霜霉病、白粉病和白粉虱病5類病害。黃瓜和玉米共采集病害葉片300幅,其中150幅用于訓(xùn)練集,150幅用于測(cè)試集。圖1給出了病害葉片圖像的部分樣本。試驗(yàn)平臺(tái)是Windows XP系統(tǒng)中利用Matlab 75.0軟件中包含的圖像處理工具箱作為試驗(yàn)中的圖像處理和算法分析,計(jì)算上述特征數(shù)據(jù),利用統(tǒng)計(jì)分析軟件SAS 9.2進(jìn)行數(shù)據(jù)分析。試驗(yàn)分為病斑分割和病害等級(jí)分類2步。

      2.1 病斑分割

      采用閾值分割法對(duì)作物病斑葉片進(jìn)行病害分割,從中定位并提取出待識(shí)別的病斑部位,為后面確定病害等級(jí)做好準(zhǔn)備。圖2給出了部分作物病害葉片病斑分割的結(jié)果。其中,左圖為病害葉片原始圖像,右邊二值圖像為對(duì)應(yīng)的分割結(jié)果。采用閾值分割法進(jìn)行分割過(guò)程中得到的二值化圖像的熵值、自動(dòng)閾值和分割時(shí)間如表2所示。

      從圖2可以看出,采用閾值分割法可以有效地分割出作物葉片和病斑,效果較好,便于進(jìn)行后面的病害等級(jí)分類。從表2的2種作物選擇的3種病害進(jìn)行分割得到的參數(shù)中可以看出,閾值分割法處理時(shí)間均小于2 s,基本能滿足實(shí)時(shí)處理要求。

      2.2 病害等級(jí)分類

      根據(jù)作業(yè)葉片病斑的分割結(jié)果,分別計(jì)算整個(gè)作物葉片的像素?cái)?shù)和病斑像素?cái)?shù),根據(jù)公式(2)計(jì)算出作物病害程度等級(jí)系數(shù)K,然后根據(jù)系數(shù)K結(jié)合表1來(lái)確定作物病害程度等級(jí),再結(jié)合作物專家系統(tǒng)來(lái)確定病害程度等級(jí)分類是否準(zhǔn)確。本研究采集2種作物各5種病害的葉片共300幅,其中黃瓜和玉米各150幅,每種病害葉片30幅,其中,每種病害還分為3類等級(jí),即每種作物每種病害每種病害等級(jí)采集葉片各10幅,其中5幅用于測(cè)試集,另外5幅用于訓(xùn)練集。表3給出了2種作物5種病害等級(jí)分類結(jié)果。

      從表3可以看出,中等病害的識(shí)別率較低,僅有86%,結(jié)合試驗(yàn)結(jié)果分析可知,中等病害識(shí)別率較低的原因是某些作物葉片病害程度差距極小,識(shí)別錯(cuò)誤的7幅圖像中有4幅被識(shí)別為嚴(yán)重病害,3幅被識(shí)別為輕微病害;而輕微病害和嚴(yán)重病害的識(shí)別率較高,總識(shí)別率為92.7%。由此可見(jiàn),本研究算法在作物病害葉片等級(jí)分類中具有較高的應(yīng)用價(jià)值。

      3 結(jié)論

      本研究采用高分辨率的專業(yè)數(shù)碼相機(jī)佳能A640在不同生長(zhǎng)周期有效地獲取農(nóng)作物(以黃瓜、玉米為例)不同病害期時(shí)病害葉片的顏色及形態(tài)信息,客觀地對(duì)病害等級(jí)進(jìn)行量化,根據(jù)采集的農(nóng)作物葉片劃分為4個(gè)等級(jí)(正常無(wú)病害、輕微病害、中等病害、嚴(yán)重病害),從而為有效地指導(dǎo)病害防治并能夠精確地控制農(nóng)藥量提供技術(shù)支撐,既能有效防治病害,又盡可能地減少農(nóng)產(chǎn)品藥物殘留量以及引起的空氣污染,對(duì)現(xiàn)階段的農(nóng)作物病害防治和食品安全等領(lǐng)域具有較大的應(yīng)用價(jià)值。

      參考文獻(xiàn):

      [1]張 芳,王 璐,付立思,等. 復(fù)雜背景下黃瓜病害葉片的分割方法研究[J]. 浙江農(nóng)業(yè)學(xué)報(bào),2014,26(5):1346-1355.

      [2]謝澤奇,張會(huì)敏,張善文,等. 基于顏色特征和屬性約簡(jiǎn)的黃瓜病害識(shí)別方法[J]. 江蘇農(nóng)業(yè)學(xué)報(bào),2015,31(3):526-530.

      [3]毛罕平,張艷誠(chéng),胡 波.基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J]. 農(nóng)業(yè)工程學(xué)報(bào),2008,24(9):136-140.

      [4]張會(huì)敏,張?jiān)讫?,張善文,? 基于區(qū)分矩陣的屬性約簡(jiǎn)算法的作物病害識(shí)別方法[J]. 江蘇農(nóng)業(yè)科學(xué),2015,43(1):387-389.

      [5]刁智華,趙春江,吳 剛,等. 數(shù)學(xué)形態(tài)學(xué)在作物病害圖像處理中的應(yīng)用研究[J]. 中國(guó)圖象圖形學(xué)報(bào),2010,15(2):194-199.

      [6]Revathi P,Revathi R. Knowledge discovery in diagnose of crop diseases using machine learning techniques[J]. International Journal of Engineering Science and Technology,2011,3(9):7187-7190.

      [7]袁 媛,李 淼,陳 晟,等. 復(fù)雜背景黃瓜葉部病害圖像分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(10):233-237.

      [8]劉麗娟,劉仲鵬,張麗梅. 基于圖像處理技術(shù)的玉米葉部病害識(shí)別研究[J]. 吉林農(nóng)業(yè)科學(xué),2014,39(1):61-65.

      [9]張善文,張傳雷. 基于局部判別映射算法的玉米病害識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2014,30(11):167-172.

      [10]溫長(zhǎng)吉,王生生,于合龍,等. 基于改進(jìn)蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的玉米病害圖像分割[J]. 農(nóng)業(yè)工程學(xué)報(bào),2013,29(13):142-149.

      [11]王獻(xiàn)鋒,張善文,王 震,等. 基于葉片圖像和環(huán)境信息的黃瓜病害識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2014,30(14):148-153.

      [12]吳 娜,李 淼,陳 晟,等. 基于融合多特征圖切割的作物病害圖像自動(dòng)分割[J]. 農(nóng)業(yè)工程學(xué)報(bào),2014,30(17):212-219.

      [13]劉 君,王振中,李寶聚,等. 基于圖像處理的作物病害自動(dòng)識(shí)別系統(tǒng)的研究[J]. 計(jì)算機(jī)工程與應(yīng)用,2012,48(13):154-158,180.

      贵德县| 合山市| 永靖县| 北安市| 丰镇市| 中超| 册亨县| 南京市| 永泰县| 新田县| 浦江县| 安阳县| 繁昌县| 嵊州市| 长宁区| 通海县| 南康市| 凤山市| 西贡区| 湖南省| 宾阳县| 永仁县| 罗江县| 随州市| 大田县| 法库县| 游戏| 定日县| 石首市| 嵊州市| 安顺市| 卓资县| 侯马市| 砚山县| 泰州市| 裕民县| 锦州市| 安龙县| 喀喇| 达孜县| 西峡县|