該研究旨在開(kāi)發(fā)基于機(jī)器視覺(jué)技術(shù)的稻瘟病病程分級(jí)系統(tǒng),實(shí)現(xiàn)對(duì)稻瘟病病程分級(jí)準(zhǔn)確、客觀的判定。提出基于GrabCut、高斯濾波、OTSU二值化、顏色空間轉(zhuǎn)換、閾值切割等處理的稻瘟病分級(jí)判定算法模型,該算法模型利用OpenCV與python語(yǔ)言實(shí)現(xiàn),以反向閾值切割為核心策略分離葉片與病斑,再以循環(huán)遍歷模式統(tǒng)計(jì)像素點(diǎn)得出病斑面積占比,實(shí)現(xiàn)對(duì)稻瘟病的快速、精確分級(jí)。試驗(yàn)結(jié)果表明,該算法模型與專(zhuān)業(yè)研究人員人工判定的結(jié)果匹配度達(dá)95.77%,相對(duì)于人工判定,具備更高的穩(wěn)定性和客觀性。目前對(duì)稻瘟病病程分級(jí)主要依賴(lài)研究人員通過(guò)經(jīng)驗(yàn)判定,客觀、準(zhǔn)確的判定病程對(duì)防治稻瘟病具有重要意義。該系統(tǒng)以手機(jī)APP為圖像采集端口,不依賴(lài)其他儀器和設(shè)備,通過(guò)手機(jī)拍照即可實(shí)時(shí)獲得稻瘟病精確的分級(jí)結(jié)果,降低了研究門(mén)檻,提高了科研工作的效率。 

【文章來(lái)源】：農(nóng)學(xué)學(xué)報(bào). 2020,10(10)

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

系統(tǒng)架構(gòu)圖

本試驗(yàn)研究目標(biāo)是通過(guò)機(jī)器視覺(jué)技術(shù)獲取稻瘟病圖片中病斑占葉片總面積的比例，將結(jié)果對(duì)應(yīng)稻瘟病分級(jí)標(biāo)準(zhǔn)，最后獲得分級(jí)結(jié)果。首先從試驗(yàn)圖片中提取感興趣的目標(biāo)區(qū)域，將水稻目標(biāo)葉片從背景中分離出來(lái)；然后對(duì)目標(biāo)區(qū)域圖片預(yù)處理，降低目標(biāo)圖片噪音干擾，將降噪后的圖片轉(zhuǎn)換為HSV通道，對(duì)目標(biāo)圖片在HSV顏色通道下的色彩分布進(jìn)行分析，確定閾值范圍，最后反向閾值切割圖片獲取病斑區(qū)域計(jì)算面積占比。具體稻瘟病分級(jí)判定算法流程如圖2所示。1.3.1 目標(biāo)圖像與背景分割

普通相機(jī)或手機(jī)拍攝的圖像通常為RGB通道，但RGB通道并不能很好地反映出物體具體的顏色信息，相對(duì)于RGB空間，HSV空間能夠非常直觀的表達(dá)色彩的明暗、色調(diào)、以及飽和度，方便進(jìn)行顏色區(qū)間的獲取。因此本文對(duì)稻瘟病病斑的提取方式采用HSV顏色空間下的閾值切割實(shí)現(xiàn)，閾值切割通常是對(duì)HSV顏色空間下一定取值范圍內(nèi)的顏色進(jìn)行捕捉，但經(jīng)觀察可發(fā)現(xiàn)稻瘟病的病斑往往不是單一的黃色。較大的病斑通常邊緣呈現(xiàn)黑色，病斑內(nèi)部枯黃色，較小的病斑呈現(xiàn)淡黃色沒(méi)有黑色邊緣。若直接對(duì)黃色范圍內(nèi)的顏色分割會(huì)產(chǎn)生較大的誤差，因此本研究提出反向閾值切割法，將葉片健康的綠色部位作為閾值搜索范圍，切割去掉病斑部分的葉片圖像標(biāo)記為img＿n，將完整全葉圖像標(biāo)記為img＿N，兩者相減所得差即為病斑部分。具體實(shí)現(xiàn)步驟如下：(1）顏色空間轉(zhuǎn)換。顏色閾值切割需在HSV顏色空間下進(jìn)行。通過(guò)手機(jī)拍攝的圖片通常為RGB通道，可利用Open CV中的cv2.cvt Color函數(shù)實(shí)現(xiàn)圖像由RGB轉(zhuǎn)為HSV通道[13-15]。

【參考文獻(xiàn)】：
期刊論文
[1]基于Android的水稻葉片特征參數(shù)測(cè)量系統(tǒng)[J]. 路艷,肖志勇,楊紅云,周瓊,孫玉婷.  南方農(nóng)業(yè)學(xué)報(bào). 2019(03)
[2]基于RGB顏色空間的冷凍豬肉儲(chǔ)藏時(shí)間機(jī)器視覺(jué)判定[J]. 李文采,李家鵬,田寒友,鄒昊,劉飛,白京,張振琪,王輝,王守偉.  農(nóng)業(yè)工程學(xué)報(bào). 2019(03)
[3]基于OpenCV的木材表面缺陷檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)驗(yàn)驗(yàn)證[J]. 張發(fā)軍,明曉杭,宋鈺青,鄧安祿.  機(jī)械工程師. 2019(01)
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的玉米病害識(shí)別[J]. 劉永波,雷波,曹艷,唐江云,胡亮.  中國(guó)農(nóng)學(xué)通報(bào). 2018(36)
[5]基于機(jī)器視覺(jué)形狀特征參數(shù)的祁門(mén)紅茶等級(jí)識(shí)別[J]. 宋彥,謝漢壘,寧井銘,張正竹.  農(nóng)業(yè)工程學(xué)報(bào). 2018(23)
[6]基于計(jì)算機(jī)視覺(jué)的原木高出材率的研究[J]. 鐘平川,王娜,肖一荻,鄭澤忠.  計(jì)算機(jī)科學(xué). 2018(S2)
[7]水稻新品種對(duì)稻瘟病和稻曲病的綜合抗性評(píng)價(jià)[J]. 曾慧芳.  福建農(nóng)業(yè)學(xué)報(bào). 2018(08)
[8]計(jì)算機(jī)視覺(jué)在水稻大面積制種中的應(yīng)用研究[J]. 莫洪武,萬(wàn)榮澤.  農(nóng)機(jī)化研究. 2019(03)
[9]基于OpenCV的畸形馬鈴薯識(shí)別方法[J]. 汪成龍,陳廣財(cái),陳國(guó)壯.  湖南農(nóng)業(yè)科學(xué). 2018(04)
[10]基于Android平臺(tái)的水稻病害智能診斷關(guān)鍵技術(shù)研究[J]. 劉小紅.  安徽農(nóng)業(yè)科學(xué). 2018(10)

碩士論文
[1]基于高光譜遙感的水稻稻瘟病分級(jí)檢測(cè)技術(shù)[D]. 謝凱.湖南農(nóng)業(yè)大學(xué) 2017



本文編號(hào)：3461402