【摘要】：農(nóng)作物病害的診斷和識別對于提高農(nóng)作物質(zhì)量具有重要的意義。將圖像處理和機器視覺技術應用于農(nóng)作物病害識別中,相對于傳統(tǒng)人工診斷和識別方法具有無法比擬的優(yōu)越性,提高了農(nóng)作物病害監(jiān)測和預警的能力。通過對農(nóng)作物在生長過程中受到的復雜因素(例如,葉片相互遮蔽、葉片扭曲和變形、不同的氣候條件、不同的光照條件、陰影、其他植株和土壤等復雜背景)的綜合分析,深入分析和挖掘農(nóng)作物生長發(fā)育規(guī)律。針對田間實際復雜環(huán)境下的農(nóng)作物病害圖像,具有背景信息量巨大、病害特征多變、病害關聯(lián)度高和病害復雜度高等特點,以農(nóng)作物病害的生理學特征為基礎,將圖像處理技術和作物信息學相結合,研究基于復雜環(huán)境(背景)的農(nóng)作物病害圖像預處理、病害分割、病斑特征提取和病斑類型識別等一系列關鍵算法,建立農(nóng)作物病害識別的動態(tài)預測和分析模型,智能化地對農(nóng)作物生長過程進行動態(tài)監(jiān)測和病害信息的自動化診斷。具體工作如下:首先,針對大田簡單背景和復雜背景下采集的農(nóng)作物病害圖像,對病害圖像進行去遮擋、圖像融合、邊緣檢測和基于均衡化的病害圖像增強等預處理操作,并對預處理后的圖像進行圖像質(zhì)量評價。提出了基于熱力圖的病害圖像去遮擋算法,實驗結果表明,算法既去除了遮擋信息,又去除了大部分的背景區(qū)域,使得病害圖像尺寸變小的同時保證了病害葉片的完整性。接著,在基于復雜背景的病害圖像分割階段,針對田間環(huán)境下采集的具有復雜背景的病害圖像,提出了基于顯著圖的病害圖像分割方法。利用顯著圖檢測策略,獲取病害圖像的顯著圖,將顯著圖作為掩碼圖像,對病害圖像進行復雜背景分割。實驗結果表明,顯著圖和Grab Cut相結合的病害圖像分割方法對圖像噪聲、光照不均勻、病斑色彩不均勻等因素具有較強的抗干擾能力,可以完整地分割出大部分病害葉片,并能夠保留病斑的細節(jié)。與基于CNN的分割算法相比較,基于顯著圖的Grab Cut分割方法能夠提高細粒度類別數(shù)據(jù)集上的病害圖像分割精度。然后,在病斑圖像特征提取和優(yōu)化階段,對枸杞葉片病害和水稻葉片病害進行了病害類型的生理學特征分析,主要提取了病斑圖像的顏色特征、形狀特征和紋理特征等多維特征。采用主成份分析PCA方法進行特征優(yōu)化,將PCA降維后的特征向量再進行LDA投影變換,得到最佳分類特征,為了下一步的分類識別提供可靠保證。針對標注不充分的病害圖像識別問題,提出了基于區(qū)分深度置信網(wǎng)絡的農(nóng)作物病害識別算法。在小規(guī)模病害圖像數(shù)據(jù)集和中規(guī)模病害圖像數(shù)據(jù)集上的分類識別實驗中,基于DDBN的病害識別算法在沒有足夠的已標注病害圖像或只有較少的已標注病害圖像時表現(xiàn)出了穩(wěn)定的、準確的、優(yōu)良的分類性能。并且采用分類準確率、分類錯誤率、混淆矩陣和ROC曲線四種方法對本文提出的病害圖像識別分類器進行分類性能的客觀評價。最后,針對田間大面積農(nóng)作物圖像檢測問題,提出了基于Faster R-CNN的病害圖像自動檢測方法,實現(xiàn)了病斑葉片的快速定位。采用“先檢測、后識別”的策略,開發(fā)了農(nóng)作物病害識別系統(tǒng),將其應用于枸杞作物的病害識別和生長環(huán)境監(jiān)測中,實現(xiàn)枸杞生長過程的動態(tài)監(jiān)測和病害信息的自動化診斷。本文研究了基于復雜背景下的農(nóng)作物病害圖像識別關鍵算法,針對農(nóng)作物病害自動識別和檢測問題提出了較為可行的解決方案,在小規(guī)模數(shù)據(jù)集枸杞葉片病害圖像上取得了較好的實驗效果。本文的研究也為農(nóng)作物病害的智能檢測和識別研究提供了一種新的思路和方法,為農(nóng)戶及時防病治病提供必要信息,為實時、準確地診斷、識別和預測病害提供了技術支撐。
【學位授予單位】：西北大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TP391.41;S432
【圖文】：

為進一步的葉片和病斑分割工作奠定了基礎。2.1.2 病害圖像的去遮擋仿真實驗本研究所采集的枸杞病害葉片圖像是農(nóng)作物病害的病斑識別和分類的基礎，本文選取了枸杞葉片病害包括白粉病、灰斑病、癭螨病和炭疽病四種病害葉片圖像，在大田復雜背景下采集到的具有典型癥狀病斑的枸杞葉片病害圖像共計 1000 張，為了驗證本文 2.1.1 提出的病害圖像去遮擋方法的有效性，下面對枸杞病害圖像進行去遮擋實驗。以枸杞病害葉片的癭螨病圖像為例，給出病害圖像的熱力圖，并對熱力圖進行分塊，已知熱力圖的大小為 M N( M 4272, N 2848)，分塊大小為 a b( a 4, b 4)，將熱力圖分塊中權重因子的值小于閾值的分塊從熱力圖中去除，由保留的熱力圖分塊對應恢復原始病害圖像的分塊，最終獲得去除遮擋的尺寸變小的病害葉片圖像。如圖 2.2 所示。

西北大學博士學位論文基于小波變換的病害圖像融合主要是對小波多級分解后的高頻信息和低頻信息選擇不同的小波系數(shù)進行一系列操作，從而達到病害圖像融合的目的。融合后的病害圖像將原圖像的不同特征和細節(jié)融合在一起。2.2.2 病害圖像融合的仿真實驗在田間復雜背景下，同一場景下，采集設備在不同焦距、不同光照條件下拍攝的病害葉片，有些圖像遠景清晰近景模糊，有些圖像遠景模糊近景清晰，采用基于小波變換的病害圖像融合方法，首先對病害圖像進行小波分解，小波分解示意圖如圖 2.5所示。

有些圖像遠景清晰近景模糊，有些圖像遠景模糊近景清晰，采用基于小波變換的病害圖像融合方法，首先對病害圖像進行小波分解，小波分解示意圖如圖 2.5所示。圖 2.5 病害圖像的小波分解示意圖然后采用本文 2.2.1 所述方法對枸杞葉片的兩幅模糊病害圖像進行病害圖像融合，病害融合結果如圖 2.6 所示。

【參考文獻】

相關期刊論文 前10條

1 袁巧;程艷芬;陳先橋;;多先驗特征與綜合對比度的圖像顯著性檢測[J];中國圖象圖形學報;2018年02期

2 濮永仙;;實數(shù)編碼遺傳算法與支持向量機在煙草病害識別中的應用[J];江蘇農(nóng)業(yè)科學;2015年09期

3 卜旭松;劉立波;;樸素貝葉斯算法在蝴蝶蘭病害分類中的應用研究[J];農(nóng)機化研究;2015年03期

4 呂啟;竇勇;牛新;徐佳慶;夏飛;;基于DBN模型的遙感圖像分類[J];計算機研究與發(fā)展;2014年09期

5 王獻鋒;張善文;王震;張強;;基于葉片圖像和環(huán)境信息的黃瓜病害識別方法[J];農(nóng)業(yè)工程學報;2014年14期

6 汪京京;張武;劉連忠;黃帥;;農(nóng)作物病蟲害圖像識別技術的研究綜述[J];計算機工程與科學;2014年07期

7 王美麗;牛曉靜;張宏鳴;趙建邦;何東健;;小麥葉部常見病害特征提取及識別技術研究[J];計算機工程與應用;2014年07期

8 李旺;唐少先;陳榮;;基于顏色特征和支持向量機的黃瓜葉部病害識別[J];農(nóng)機化研究;2014年01期

9 邵慶;張楠;路陽;;小麥病害圖像識別處理及形狀特征提取研究[J];農(nóng)機化研究;2013年08期

10 湯慧梅;趙躍進;;分數(shù)階微分的CIE L~*a~*b~*顏色空間邊緣檢測[J];中國圖象圖形學報;2013年06期

相關博士學位論文 前2條

1 徐昕軍;鐵路路基雷達探測圖像病害識別算法與風險評估模型研究[D];中國礦業(yè)大學(北京);2018年

2 籍延寶;農(nóng)業(yè)主要病蟲害監(jiān)測預警系統(tǒng)通用平臺的開發(fā)及初步應用[D];中國農(nóng)業(yè)大學;2014年

相關碩士學位論文 前10條

1 王磊;基于深度置信網(wǎng)絡的路面裂縫識別算法研究[D];湖北工業(yè)大學;2018年

2 楊陶;基于Otsu和Grab-Cut的圖像分割算法研究[D];西南交通大學;2017年

3 汪京京;復雜背景下小麥病害圖像分割方法研究及應用[D];安徽農(nóng)業(yè)大學;2014年

4 吳桐;基于物聯(lián)網(wǎng)與圖像識別的玉米病蟲害診斷與預防系統(tǒng)[D];吉林農(nóng)業(yè)大學;2013年

5 越鮮梅;基于圖像識別的向日葵葉部病害診斷技術研究[D];內(nèi)蒙古工業(yè)大學;2013年

6 姜武;模式識別技術（Pattern recognition techniques）在山茶屬植物數(shù)值分類學和葉綠素含量預測中的應用研究[D];浙江師范大學;2013年

7 柴洋;基于圖像處理的溫室大棚中番茄的病害識別[D];沈陽工業(yè)大學;2013年

8 劉芝京;基于圖像處理的黃瓜細菌性角斑病的識別研究[D];西華大學;2012年

9 牛海微;基于遺傳BP神經(jīng)網(wǎng)絡構建溫室月季花卉病害預警系統(tǒng)[D];吉林大學;2011年

10 李宗儒;基于圖像分析的蘋果病害識別技術研究[D];西北農(nóng)林科技大學;2010年

本文編號：2743694