作物病害智能、精準識別是現(xiàn)代病害防控的基礎,是提高作物品質(zhì)與產(chǎn)量的重要保證。視頻監(jiān)測具有動態(tài)性好、性價比高的優(yōu)勢,彌補了靜態(tài)圖像識別和光譜成像等方法的相應不足,但是存在視頻信息冗余量巨大、病害區(qū)域提取效果差以及病害識別性能差等問題,導致應用推廣停滯不前。本文主要以茶樹為研究對象,運用機器視覺和深度學習的方法和技術,從全面反映作物生長狀態(tài)的監(jiān)控視頻中,利用關鍵幀提取、顯著圖提取和CNN識別技術,實現(xiàn)作物病害的智能化監(jiān)測。主要內(nèi)容和結(jié)果包括:1)作物監(jiān)測視頻關鍵幀提取研究。為了提高視頻關鍵幀提取的質(zhì)量和效率,提出一種基于最優(yōu)距離聚類和特征融合表達的視頻關鍵幀提取算法。在幀間差異性分析基礎上,尋找并確定最優(yōu)幀間距離閾值,采用無監(jiān)督聚類算法對幀間距離進行聚類,獲得類別數(shù)目最優(yōu)的類圖像集;計算圖像的顏色復雜度和信息熵并融合,按照類中圖像特征值“平均”的思想提取類代表幀,組成視頻關鍵幀。該算法解決了無監(jiān)督聚類對閾值的依賴性問題,兼顧了視頻中目標變化和環(huán)境異常兩種情況,具有良好的性能和適應性。2)茶樹葉部病害顯著圖提取研究。為了實現(xiàn)復雜背景下茶樹葉部病害圖像的準確提取,提出一種將SLIC和SVM算法... 

【文章來源】：安徽農(nóng)業(yè)大學安徽省

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【部分圖文】：

圖２－２最優(yōu)距離閾值選取參數(shù)曲線圖??

?＊——ｎ?ｆ?／??ａｍ?＊?＾?／??５?９６＇?＇／?■畜?９０?／??趙?／?＼?迴?／??９４?，?＊?爺—一?”?８５?／???■??．／？?－?Ｆｉｄｅｌｉｔｙ???來＇?—＊?－?Ｒａｔｉｏ??９２?＊■?１?１?１?＇??８０??１?＇?１?１???０．２?０．２１?０．２２?０．２３?０．２４?０．２５?０．０９?０．１?０．１１?０．１２?０．１３?０．１４??（ｃ）閾值?（ｄ）閾值??圖２－３保真度、壓縮率隨距離閾值變化曲線??Ｆｉｇ?２－３?Ｆｉｄｅｌｉｔｙ?＆?Ｃｏｍｐｒｅｓｓｉｏｎ?ｒａｔｅ?ｃｕｒｖｅ?ｗｉｔｈ?Ｄ?ｔｈｒｅｓｈｏｌｄ??注：圖ａｂｅｄ分別對應４個試驗視頻??２．３．２關鍵幀提取結(jié)果分析??用０ＣＦＦ算法提取的４個監(jiān)測視頻的關鍵幀，結(jié)果如表２－２和圖２－４所示。表２－２??中關鍵幀保真度和壓縮率值均較高，ＴＶ（ｄ）為手機實地監(jiān)拍視頻，由于幀圖像分辨率較??高，因此運行時間也就相對較長。圖２－４為提取出的關鍵幀以及對應的幀序列號，將關??鍵幀與視覺觀察的視頻內(nèi)容相比，提取出的關鍵幀與人為觀察判斷出的關鍵幀一致。將??關鍵幀幀號與圖２－２（ａ）變化趨勢對比顯示，曲線變化大的視頻關鍵幀提取出的數(shù)量多，??并且關鍵幀對應的幀序列號與幀差異性分析對應的突變點基本一致。??表２－２關鍵幀提取實驗結(jié)果??Ｔａｂ．２－２?Ｒｅｓｕｌｔｓ?ｏｆ?ｋｅｙ?ｆｒａｍｅ?ｅｘｔｒａｃｔｉｏｎ??視頻名稱?幀數(shù)辦?關鍵幀／頓?保真度／％?壓縮率／％?運行時間／Ｓ??ＴＶ（ａ）?１６１?４?９５．５?９７．５

?１００?－?｜ｌ?ＩＰＣＭ好法?１２〇?ｊｌ?ＩＰＣＭ好法??９５?ｌ?ｉ；??ｊ?１００?■??９０?？?彳一??孑?＾?８０－?？??書?８５．?ＦＩ?Ｓ?｜??１８〇?｜?ｉｎ?ｎ?Ｓ６〇??１１１?ＩＩＩ?ｌｉｌ?１１１?：Ｌ?ｉｉ?Ｊｌ［??ＴＶ（ａ）?ＴＶ（ｂ）?ＴＶ（ｃ）?ＴＶ（ｄ）?ＴＶ（ａ）?ＴＶ（ｂ）?ＴＶ（ｃ）?ＴＶ（ｄ）??（ａ）保真度?（ｂ）運行時間??（ａ）?Ｆｉｄｅｌｉｔｙ?（ｂ）?Ｔｉｍｅ?ｃｏｎｓｕｍｐｔｉｏｎ??圖２－５三種算法指標對比圖??Ｆｉｇ?２－５?Ｉｎｄｉｃａｔｏｒ?ｃｏｍｐａｒｉｓｏｎ?ｃｈａｒｔ?ｏｆ?ｔｈｒｅｅ?ａｌｇｏｒｉｔｈｍ??２．４關鍵幀提取算法在茶樹監(jiān)測視頻中的應用??關鍵幀提取算法在多類型視頻監(jiān)控關鍵幀提取中應用良好，將算法應用于茶樹監(jiān)測??視頻中。在安徽農(nóng)業(yè)大學大洋店農(nóng)業(yè)園茶種植基地布置監(jiān)控攝像頭，用于采集茶樹生長??監(jiān)測視頻。通過團隊專門開發(fā)的軟件對預先設置好的預置位進行巡航采集茶園視頻，軟??件操作界面如圖２－６所示�？蓪崿F(xiàn)的基礎功能有：通過控制攝像頭旋轉(zhuǎn)、變倍、光圈和??聚焦等方法實現(xiàn)高質(zhì)量、多角度和多區(qū)域采集茶樹生長監(jiān)控視頻；通過預先設置預置位??進行巡航抓拍，實現(xiàn)多角度多區(qū)域圖像的同時進行；除此之外，還可實現(xiàn)攝像頭的幀率??等基礎配置參數(shù)的設置。??受到病害發(fā)生條件以及茶樹實際生長情況的限制，本章以采集到的茶樹花開過程視??頻為試驗基礎，對關鍵幀提取算法進行驗證。視頻采集跨越茶樹花開過程整個周期，??從２０】８年１１月２５日到２０］９年２月１４日止。釆集周期跨度較長，包含了晴天、陰天、??雨天、雪天以及霜降等

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡和小樣本的茶樹病害圖像識別[J]. 孫云云,江朝暉,董偉,張立平,饒元,李紹穩(wěn).  江蘇農(nóng)業(yè)學報. 2019(01)
[2]基因表達式編程優(yōu)化的色調(diào)保持低照度圖像增強[J]. 賈新宇,李婷婷,江朝暉,劉海秋,饒元.  激光與光電子學進展. 2019(09)
[3]相對顏色空間下梯度分層重構的分水嶺分割[J]. 賈新宇,江朝暉,魏雅鹛,劉連忠.  計算機科學. 2018(S2)
[4]基于卷積神經(jīng)網(wǎng)絡與遷移學習的油茶病害圖像識別[J]. 龍滿生,歐陽春娟,劉歡,付青.  農(nóng)業(yè)工程學報. 2018(18)
[5]最優(yōu)距離聚類和特征融合表達的關鍵幀提取[J]. 孫云云,江朝暉,單桂朋,劉海秋,饒元.  南京理工大學學報. 2018(04)
[6]卷積神經(jīng)網(wǎng)絡在黃瓜葉部病害識別中的應用[J]. 張善文,謝澤奇,張晴晴.  江蘇農(nóng)業(yè)學報. 2018(01)
[7]基于GF-1/WFV數(shù)據(jù)的冬小麥條銹病遙感監(jiān)測[J]. 王利民,劉佳,楊福剛,楊玲波,姚保民,高建孟.  農(nóng)業(yè)工程學報. 2017(20)
[8]基于改進卷積神經(jīng)網(wǎng)絡的多種植物葉片病害識別[J]. 孫俊,譚文軍,毛罕平,武小紅,陳勇,汪龍.  農(nóng)業(yè)工程學報. 2017(19)
[9]結(jié)合卷積神經(jīng)網(wǎng)絡和超像素聚類的細胞圖像分割方法[J]. 楊金鑫,楊輝華,李靈巧,潘細朋,劉振丙,周潔茜.  計算機應用研究. 2018(05)
[10]基于融合圖像與運動量的奶牛行為識別方法[J]. 顧靜秋,王志海,高榮華,吳華瑞.  農(nóng)業(yè)機械學報. 2017(06)

博士論文
[1]面向葉部病害識別的設施蔬菜監(jiān)控視頻關鍵幀提取方法研究[D]. 馬浚誠.中國農(nóng)業(yè)大學 2016
[2]基于機器視覺的害蟲識別方法研究[D]. 吳翔.浙江大學 2016

碩士論文
[1]基于基因表達式編程的農(nóng)業(yè)信息處理研究[D]. 李婷婷.安徽農(nóng)業(yè)大學 2018
[2]基于圖像技術的作物水分檢測研究與應用[D]. 楊春合.安徽農(nóng)業(yè)大學 2016
[3]養(yǎng)殖大菱鲆4種致病菌多重PCR和熒光定量PCR檢測方法的建立[D]. 劉智超.中國海洋大學 2012
[4]網(wǎng)絡視頻流發(fā)現(xiàn)及關鍵幀提取相關技術研究[D]. 郭曉軍.西安理工大學 2009



本文編號：2999721