本文關(guān)鍵詞：基于圖像和光譜技術(shù)的果實識別與病害檢測方法研究　出處：《西北農(nóng)林科技大學(xué)》2017年博士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 綠色柑橘 藍莓 黑斑病 果實識別 病害檢測 圖像分析 高光譜 可見/近紅外

【摘要】：果園中不同成熟度果實的識別以及果實病害檢測,對果園精準管理和高效生產(chǎn)具有重要的意義。在光照不均、互相遮擋等復(fù)雜條件下,成熟前綠色柑橘的識別、藍莓不同生長階段果實的識別,能為果農(nóng)提供可供參考的果實產(chǎn)量信息,幫助他們合理分配勞動力;柑橘黑斑病具有傳染性,需要及時準確的檢測染病果實,以便對病害進行控制,降低病菌傳染風險。國內(nèi)外研究已經(jīng)取得了許多成果,但仍存在綠色未成熟果實因與枝葉等顏色相似而難以識別、同一簇藍莓果實成熟度識別困難以及果實收獲前的黑斑病檢測精度和黑斑病類型識別尚無有效方法等問題亟待解決。本文以綠色未成熟柑橘果實的識別方法、柑橘黑斑病的識別檢測及不同生長階段藍莓果實的識別等為研究重點,研究并提出或改進檢測或識別方法,為果園采摘機器人及果園精準管理提供技術(shù)支持。論文主要研究內(nèi)容和結(jié)論如下:(1)針對綠色柑橘和背景顏色相近且存在遮擋、重疊及光照不均而難以對果實進行有效識別的問題,研究并提出基于顏色特征和基于絕對值求和函數(shù)Sum of Absolute Transformed Difference(SATD)算法的綠色柑橘果實識別方法。通過對綠色柑橘和背景顏色特性的分析,提出一種自適應(yīng)的RB色差圖,根據(jù)實際光照情況進行圖像增強,以移除背景區(qū)域的同時盡可能多的保留綠色果實區(qū)域;結(jié)合灰度值信息,利用基SATD的模板匹配方法,檢測出潛在果實區(qū)域。為剔除因顏色相似或者受光照影響而被錯誤保留下來的非果實區(qū)域,通過對果實與背景紋理特征的分析,優(yōu)選出6個紋理特征用于剔除錯誤識別為果實的區(qū)域,并統(tǒng)計果實個數(shù)。試驗結(jié)果表明,在光照不均、遮擋或重疊嚴重、果實大小各異等情況下,本文方法對于綠色未成熟柑橘果實的識別準確率達83.44%,誤識別率為10.71%,取得了良好的識別效果。(2)提出利用可見/近紅外光譜檢測黑斑病的方法。通過對光譜儀采集340～1030 nm的柑橘健康與感染黑斑區(qū)域的光譜進行分析,在探明健康和黑斑病不同癥狀光譜特性的基礎(chǔ)上,提出主成分分析結(jié)合特征排序的方法,選擇出可識別染病與健康樣本的最優(yōu)波長(525nm)并建立SMO分類模型;基于序列浮動前向選擇方法優(yōu)選選擇出4個特征波長(678、740、794和879 nm),建立C4.5算法識別模型對橘柑黑斑病3種癥狀進行識別。試驗結(jié)果表明,用525 nm波長建立的SMO分類模型對健康和染病果樣本的識別率達99.37%,硬斑型、破裂性和黑斑型的識別率分別為81.85%、71.88%和67.57%,3種癥狀的平均識別率為73.77%,比前人方法提高了 12.77個百分點,可為田間快速檢測黑斑病及斑病不同癥狀提供參考。(3)提出基于高光譜圖像的柑橘黑斑病的檢測方法。根據(jù)柑橘收獲前需要在果園中檢測黑斑病的需求,建立了目標果實靜止而相機移動的高光譜圖像采集平臺以獲取柑橘果實高光譜圖像。對獲得的高光譜圖像進行預(yù)處理后,通過對健康與不同癥狀染病樣本的光譜反射率曲線的分析,利用主成分分析結(jié)合特征排序的方法,得到區(qū)分健康與黑斑病的植被指數(shù),采用核支持向量機(kernel SVM)分類器建模并通過10折交叉驗證結(jié)果表明,核支持向量機識別模型識別健康與黑斑病的正確識別率為98.41%,優(yōu)于徑向基函數(shù)網(wǎng)絡(luò)(98.08%)和K-近鄰法(97.73%)識別模型;為進一步識別染病類型,優(yōu)選出特征波長769、794和893 nm,構(gòu)建植被指數(shù)識別破裂型癥狀,并用紅邊位置特征REP對硬斑型和黑斑型癥狀進行分類。為了驗證選擇的最優(yōu)波長和植被指數(shù)對健康果實以及黑斑病3種不同癥狀的識別能力,分別用隨機森林(RandomForest)和RBF構(gòu)建分類器。試驗結(jié)果表明,隨機森林的平均正確識別率為83.83%,略低于RBF模型的正確識別率84.62%。RBF分類器對破裂型病斑的正確識別率達到90.63%,硬斑型和黑斑型癥狀的識別率分別為84.07%和74.05%。(4)針對同簇生長的藍莓果實通常處在不同的生長階段,提出基于顏色特征分析的藍莓不同成熟度果實識別方法。對于彩色RGB圖像,通過對各成熟階段果實的顏色特性分析,結(jié)合圖像融合,將目標對象分為成熟和近似成熟果實區(qū)域,及包含未成熟果實的背景區(qū)域。用B-R融合方法對成熟與近似成熟果實進行分割;從未成熟果實與背景2類目標的12個顏色特征中優(yōu)選出3個顏色特征(B、H、V),并構(gòu)建KNN、NB、C4.5和Random Forest分類器,將未成熟果實從背景中提取出來。試驗結(jié)果表明,基于上述顏色特征,C4.5算法對成熟和近似成熟果實的正確識別率分別為89.22%和85.61%,而未成熟果實的正確識別率僅為68.98%。對于多光譜圖像,根據(jù)歸一化植被指數(shù)NDVI與對各顏色分量的分析并利用C4.5算法構(gòu)建分類器,結(jié)果表明,基于多光譜圖像的成熟、近似成熟以及未成熟果實像素正確識別率分別為74.58%、79.91%和86.52%。分析用RGB圖像和多光譜圖像的識別結(jié)果表明,用RGB圖像基于顏色特征分析方法對成熟和近似成熟果實的識別率較高,而用多光譜圖像基于NDVI和顏色分量結(jié)合C4.5算法構(gòu)建的分類器對于未成熟果實具有較好的識別效果。
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：S66;S436.66;TP391.41

【參考文獻】

相關(guān)期刊論文 前10條

1 羅素群;劉巧圓;;基于統(tǒng)計模型的高光譜數(shù)據(jù)校正及分類研究[J];工業(yè)控制計算機;2016年11期

2 許良鳳;徐小兵;胡敏;王儒敬;謝成軍;陳紅波;;基于多分類器融合的玉米葉部病害識別[J];農(nóng)業(yè)工程學(xué)報;2015年14期

3 程傳奇;郝向陽;劉松林;;基于改進型MAD算法的地形輔助慣性導(dǎo)航[J];電子測量技術(shù);2015年04期

4 劉海彬;高迎旺;盧勁竹;饒秀勤;;基于激光散斑的梨缺陷與果梗/花萼的識別[J];農(nóng)業(yè)工程學(xué)報;2015年04期

5 賈洪雷;王剛;郭明卓;Dylan Shah;姜鑫銘;趙佳樂;;基于機器視覺的玉米植株數(shù)量獲取方法與試驗[J];農(nóng)業(yè)工程學(xué)報;2015年03期

6 周薇;馬曉丹;張麗嬌;郭彩玲;劉剛;;基于多源信息融合的果樹冠層三維點云拼接方法研究[J];光學(xué)學(xué)報;2014年12期

7 陶華偉;趙力;奚吉;虞玲;王彤;;基于顏色及紋理特征的果蔬種類識別方法[J];農(nóng)業(yè)工程學(xué)報;2014年16期

8 李文勇;李明;陳梅香;錢建平;孫傳恒;杜尚豐;;基于機器視覺的作物多姿態(tài)害蟲特征提取與分類方法[J];農(nóng)業(yè)工程學(xué)報;2014年14期

9 劉玉琴;沙晉明;徐賽萍;祝坤子;;HSI高光譜數(shù)據(jù)的FLAASH大氣校正與評價[J];福建師范大學(xué)學(xué)報(自然科學(xué)版);2013年05期

10 馮娟;劉剛;王圣偉;馬曉丹;周薇;;采摘機器人果實識別的多源圖像配準[J];農(nóng)業(yè)機械學(xué)報;2013年03期

相關(guān)博士學(xué)位論文 前1條

1 李寒;基于機器視覺的目標檢測在精細農(nóng)業(yè)中的關(guān)鍵技術(shù)研究[D];中國農(nóng)業(yè)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前2條

1 孫全鑫;基于顏色特征提取的辣椒自動分類系統(tǒng)的設(shè)計與實現(xiàn)[D];吉林大學(xué);2013年

2 何海艦;基于輻射傳輸模型的遙感圖像大氣校正方法研究[D];東北師范大學(xué);2006年

，

本文編號：1325023