農(nóng)作物病害會導致農(nóng)作物品質和產(chǎn)量的下降,給農(nóng)民帶來巨大的經(jīng)濟損失,及時識別和診斷農(nóng)作物病害具有重要現(xiàn)實意義�；趫D像檢索的農(nóng)作物病害識別由于結合了通用農(nóng)作物病害識別技術和圖像檢索技術兩者的優(yōu)勢,具有很高的實用價值和良好的應用前景。但仍存在一些問題:針對農(nóng)作物病害圖像檢索識別中的病斑分割,現(xiàn)有研究多基于簡單背景的病葉圖像進行處理,對農(nóng)田實際環(huán)境下獲取的病害圖像進行處理的研究相對較少;在病害圖像特征提取方面,現(xiàn)有研究多使用傳統(tǒng)底層視覺特征來描述病害圖像中病斑的屬性,忽視了更高層的圖像信息;而在病害識別方面,現(xiàn)有利用圖像檢索技術的方法由于只利用了單一特征進行檢索,無法全面完整地描述病害圖像的屬性,對病害識別和診斷的性能并不是很好。本論文針對上述問題,重點研究了農(nóng)田實際環(huán)境下農(nóng)作物葉部病害圖像的病斑分割方法,并對病害圖像更高層抽象特征的提取方法進行研究,最后利用圖像檢索融合的方法對病害進行識別和診斷,論文工作具體包括:1.采用兩層框架對農(nóng)田生產(chǎn)環(huán)境下獲取的農(nóng)作物葉部病害圖像進行有效分割。利用顯著性檢測方法移除病害圖像中的背景,該方法在去除多數(shù)背景的同時不會丟失病斑。對圖像分割方法中的圖論法、閾... 

【文章來源】：中國科學技術大學安徽省 211工程院校 985工程院校

【文章頁數(shù)】：128 頁

【學位級別】：博士

【部分圖文】：

圖１．２論文總體研宄路線圖??割

在圖像采集時，可以直接對病葉進行拍攝，也可以在病葉背面布以單色背景??進行拍攝以減少現(xiàn)場環(huán)境對后續(xù)圖像分析的影響。本人對這兩種采集方式都進行??了嘗試，如圖３．１前兩幅為簡單背景病害圖像，其中病葉背面布有藍色或黑色背??景，后兩幅為復雜背景病害圖像，其中病葉周圍是現(xiàn)場環(huán)境中的雜亂背景�？梢�??３１??

其背景移除的準確度、精確度、召回率、Ｆ值均達到８０％以上。然而，對于??霜霉病圖像的背景移除，基于顯著性檢測的方法沒有文獻［５１］中的方法的好。??為了更好地展示兩種方法的性能，圖３．４給出了利用兩方法對病害圖像進行??背景移除的結果�？梢钥吹剑梦墨I［５１］方法對病害圖像進行背景移除后，圖??像中背景部分的很多綠色葉子被保留下來，被當作目標病葉，而這個比例平均達??到３３．７９％。這是由于ＥＸＧ與Ｏｔｓｕ結合的方法使得綠色部分更加突出。也正因??為如此，目標病葉中的部分病斑也被錯誤的移除了，這也為后續(xù)病斑分割積累了??誤差。相反，基于顯著性檢測的方法能夠移除大部分背景，且不會丟失太多病斑。??盡管仍存在一些干擾物，但可以在病斑提取階段進一步移除。??３６??

【參考文獻】：
期刊論文
[1]新型圖像技術在農(nóng)作物病害監(jiān)測預警中的應用與展望[J]. 張艷,孟慶龍,尚靜,吳行瓊.  激光雜志. 2017(12)
[2]基于動態(tài)集成的黃瓜葉部病害識別方法[J]. 王志彬,王開義,王書鋒,王曉鋒,潘守慧.  農(nóng)業(yè)機械學報. 2017(09)
[3]基于模糊C均值聚類的作物病害圖像分割方法研究[J]. 齊國紅,丁小娜,肖鑫.  智能計算機與應用. 2017(02)
[4]基于Android的自然背景下黃瓜霜霉病定量診斷系統(tǒng)[J]. 葉海建,郎睿.  農(nóng)業(yè)機械學報. 2017(03)
[5]基于高光譜的春玉米大斑病害遙感監(jiān)測指數(shù)選擇[J]. 王利民,劉佳,邵杰,楊福剛,高建孟.  農(nóng)業(yè)工程學報. 2017(05)
[6]基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)[J]. 馬浚誠,溫皓杰,李鑫星,傅澤田,呂雄杰,張領先.  農(nóng)業(yè)機械學報. 2017(02)
[7]基于改進級聯(lián)神經(jīng)網(wǎng)絡的大豆葉部病害診斷模型[J]. 馬曉丹,關海鷗,祁廣云,劉剛,譚峰.  農(nóng)業(yè)機械學報. 2017(01)
[8]基于葉片病斑特征的茄子褐紋病識別方法[J]. 田凱,張連寬,熊美東,黃志豪,李就好.  農(nóng)業(yè)工程學報. 2016(S1)
[9]基于多分類器融合的玉米葉部病害識別[J]. 許良鳳,徐小兵,胡敏,王儒敬,謝成軍,陳紅波.  農(nóng)業(yè)工程學報. 2015(14)
[10]基于同態(tài)濾波和K均值聚類算法的楊梅圖像分割[J]. 徐黎明,呂繼東.  農(nóng)業(yè)工程學報. 2015(14)

博士論文
[1]紋理圖像特征提取與分類研究[D]. 許文韜.華東師范大學 2017
[2]基于深度學習表征的圖像檢索技術[D]. 孫韶言.中國科學技術大學 2017
[3]多特征融合圖像檢索方法及其應用研究[D]. 劉爽.哈爾濱理工大學 2016
[4]基于光譜與光譜成像技術的油菜病害檢測機理與方法研究[D]. 張初.浙江大學 2016
[5]基于機器學習的作物病害圖像處理及病變識別方法研究[D]. 譚文學.北京工業(yè)大學 2016
[6]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
[7]稻曲病菌侵染水稻的行為研究[D]. 胡茂林.中國農(nóng)業(yè)大學 2014
[8]基于內(nèi)容圖像檢索的關鍵技術研究[D]. 齊恒.大連理工大學 2012

碩士論文
[1]視覺詞袋模型的改進及其在圖像分類中的應用[D]. 楊浩.蘭州理工大學 2017
[2]基于顯著性區(qū)域和基元共生矩陣特征的圖像檢索研究[D]. 張世波.安徽大學 2017
[3]幾種聚類算法應用于圖像分割的研究與比較[D]. 苗欣雨.長安大學 2016
[4]融合局部特征和全局特征的圖像檢索技術研究[D]. 劉雪亭.海南大學 2016
[5]基于詞袋模型的圖像分類的研究[D]. 張青.浙江理工大學 2016
[6]基于GA-BP神經(jīng)網(wǎng)絡的溫室番茄病害診斷研究[D]. 米雅婷.東北林業(yè)大學 2016
[7]基于改進詞袋模型的圖像分類算法研究[D]. 徐通.上海師范大學 2016
[8]基于詞向量的短文本分類方法研究[D]. 江大鵬.浙江大學 2015
[9]基于詞袋模型的物體識別方法研究[D]. 齊梅.合肥工業(yè)大學 2014
[10]基于紅外熱成像技術的植物病害早期檢測的研究[D]. 徐小龍.浙江大學 2012



本文編號：3548667