赤霉病是小麥健康生產(chǎn)中最重要的病害之一,主要發(fā)生在穗部。感染該病的麥穗會產(chǎn)生一種嘔吐毒素DON,嚴重威脅人類、動物的健康和國家的糧食安全。由于無法準確地識別該病害的嚴重程度,導致農(nóng)藥施用的成本每年都在增加,農(nóng)業(yè)生態(tài)環(huán)境也受到嚴重污染。為了有效地保護食品安全并降低農(nóng)藥施用成本、保護農(nóng)業(yè)生態(tài)環(huán)境,快速、無損地檢測出不同病害程度的小麥赤霉病尤為重要。當前,隨著信息技術(shù)的快速發(fā)展,大量的移動設(shè)備如手機、平板電腦等都具有一定的計算能力,使得圖像或視頻數(shù)據(jù)能在作物病害診斷中發(fā)揮重要作用。為了給小麥病害防治提供技術(shù)和方法支持,本文以小麥赤霉病為研究對象,探索基于計算機視覺技術(shù)的快速、準確識別該病害嚴重度的方法,并設(shè)計一款基于Android智能手機的小麥赤霉病病害診斷系統(tǒng)。主要從以下四方面開展研究并取得初步結(jié)果:(1)基于U-Net網(wǎng)絡(luò)的田間麥穗分割方法。以田間環(huán)境下麥穗分割為研究目標,探索復(fù)雜環(huán)境下識別小麥赤霉病病害嚴重度的方法。首先,構(gòu)建了田間麥穗分割數(shù)據(jù)集,為麥穗的分割提供數(shù)據(jù)基準。其次,建立了基于U-Net網(wǎng)絡(luò)的田間麥穗分割模型,有效地實現(xiàn)田間環(huán)境下的麥穗分割。結(jié)果顯示,本文構(gòu)建的田間麥穗分割模型的精度為0.981,分割時間1s。由此說明提出的方法可在田間快速、準確地分割小麥麥穗,為小麥赤霉病病害識別提供關(guān)鍵技術(shù)支持。(2)基于脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network,PCNN)的小麥赤霉病病斑分割方法。在人工蜂群(Artificial Bee Colnony,ABC)與PCNN的基礎(chǔ)上,提出改進人工蜂群的K均值聚類的脈沖耦合神經(jīng)網(wǎng)絡(luò)(IABC-K-PCNN)的小麥赤霉病病斑分割算法。結(jié)果表明,本文提出的病斑分割方法在不同的分割評價指標下均優(yōu)于傳統(tǒng)的圖像分割方法,用于病害嚴重度識別中時準確度為0.925,分級時間為5.11s。由此得出該方法可以有效的分割小麥赤霉病病斑,為快速、準確的識別病害等級提供方法支持。(3)基于融合特征的小麥赤霉病嚴重度分類方法。利用Relief-F方法有效地挖掘不同病害嚴重下小麥赤霉病的淺層和深層特征,實現(xiàn)不同病情小麥赤霉病的準確識別。首先,根據(jù)不同嚴重度染病圖像在顏色和紋理上存在的差異,針對性提取顏色和紋理特征作為淺層特征;接著把ImageNet 2012數(shù)據(jù)集上訓練的AlexNet模型參數(shù)遷移到赤霉病病害數(shù)據(jù)集上,提取病害的深度卷積特征作為深層特征。其次,使用Relief-F算法計算淺層特征和深層特征的權(quán)重,并根據(jù)權(quán)重將淺層特征和深層特征融合為新的赤霉病病害特征。最后,使用隨機森林(Random Forest,RF)進行模型訓練,實現(xiàn)不同病害程度的有效分類和識別。結(jié)果顯示,當樣本量相對較少時,融合特征模型的識別精度為0.942,識別時間為6.21 s,比單獨用淺層特征和深層特征時提高了2%~5%,且模型更具有魯棒性。(4)在上述方法的基礎(chǔ)上,設(shè)計基于Android智能手機的小麥赤霉病診斷系統(tǒng)。它由客戶端、服務(wù)端和數(shù)據(jù)庫三部分組成�？蛻舳擞葾ndroid Studio設(shè)計,功能主要包括病害圖像采集、圖像存儲、GPS定位、數(shù)據(jù)上傳、診斷結(jié)果查詢、歷史病情查詢和語音交互。服務(wù)端是通過Java、Matlab和Python混合編程完成,Tomcat作為服務(wù)器,主要實現(xiàn)數(shù)據(jù)接收、田間麥穗分割、病害分級和數(shù)據(jù)存儲。數(shù)據(jù)庫由MySQL實現(xiàn),主要包括:“病情數(shù)據(jù)庫”和“病害診斷知識庫”�！安∏閿�(shù)據(jù)庫”主要存儲上傳的病害數(shù)據(jù),“病害診斷知識庫”主要存儲針對不同病情實施不同處理措施的知識庫。最后,通過示例測試和驗證,基于Android智能手機的移動終端可以實時收集田間小麥赤霉病病害圖像并上傳服務(wù)器。在服務(wù)器上,對目標圖像進行處理后,把結(jié)果存儲至“病情數(shù)據(jù)庫”,并從“病害診斷知識庫”中選擇適用于當前病情的診斷知識,反饋給用戶。
【學位單位】：安徽大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：TP391.41;S435.121.45
【部分圖文】：

第一章緒論6度的有效分類和識別。（4）基于上述方法，以Android智能手機為平臺，搭建小麥赤霉病診斷系統(tǒng)。主要包括：客戶端、服務(wù)端和數(shù)據(jù)庫，以實現(xiàn)病害圖像的采集、上傳、處理、識別等功能�？傮w技術(shù)路線圖如圖1.1所示：圖1.1總體技術(shù)路線圖Figure1.1Overallworkflowchart1.4論文結(jié)構(gòu)第一章：緒論。主要介紹了小麥赤霉病病害嚴重程度識別方法研究及開發(fā)基于Android智能手機的病害診斷系統(tǒng)的目的及意義，并對病害圖像分割、圖像特征提取方法及診斷系統(tǒng)研究的現(xiàn)狀進行闡述。最后簡要說明了本文的研究內(nèi)容及論文結(jié)構(gòu)。第二章：材料與方法。首先簡單介紹了實驗研究區(qū)域和數(shù)據(jù)獲取方法，并對病害嚴重程度的劃分進行闡述。其次，簡單敘述了本文的研究方法。包括：圖像

第二章實驗材料與相關(guān)技術(shù)介紹8第二章材料與相關(guān)技術(shù)介紹為了更好的對小麥赤霉病進行研究，本章介紹了圖像數(shù)據(jù)的獲取，并分別闡述了本文涉及的方法，為研究赤霉病病害分級提供數(shù)據(jù)和方法支持。2.1實驗方案本文實驗在安徽省農(nóng)業(yè)科學院小麥赤霉病試驗基地（117°14′E，31°53′N）開展。供試小麥品種為西農(nóng)979（2018年），中感赤霉�。换贷�35（2019年），高感赤霉玻田間觀測實驗于2018年和2019年的小麥揚花中期（5月1日）至成熟早期（5月15日）期間執(zhí)行，3～5天觀測一次。利用數(shù)碼相機獲取高清數(shù)字圖像，植保專家確定觀測生育期并記錄病情嚴重度。設(shè)計兩個觀測小區(qū)：人工噴灑赤霉病病菌的接種區(qū)和正常管理的對照區(qū)（圖2.1）。接種區(qū)從發(fā)病開始逐漸侵染對照區(qū)，有利于形成不同感染程度的觀測樣本，確保實驗數(shù)據(jù)更具梯度性，有助于不同病害嚴重程度的分析。圖2.1研究區(qū)域及田間小區(qū)示意圖Figure2.1Studyareaandexperimentalplots2.2數(shù)據(jù)獲取尼康D3200單反相機（有效像素6016×4000，焦距：4mm，光圈：f/2.2，曝光時間：1/2000s）被用于拍攝高清數(shù)字圖像。為了確保數(shù)據(jù)質(zhì)量，在晴朗、少云的天氣下獲取數(shù)據(jù)，盡量消除光照、風以及遮擋造成的圖像差異。為了探究田間環(huán)境下小麥赤霉病病害嚴重度識別方法，在設(shè)計實驗時，只允許鏡頭視野內(nèi)

安徽大學碩士學位論文9有且只有一株麥穗，且拍攝角度接近90°。2018、2019年共采集到田間健康和感染赤霉病的麥穗圖像2920張，由植保專家給出目標樣本的病害等級�？紤]基于U-Net的語義分割網(wǎng)絡(luò)需要大量的注釋數(shù)據(jù)，選擇1600張圖像來構(gòu)建田間麥穗分割數(shù)據(jù)集。同時，AlexNet需要一定的數(shù)據(jù)集來訓練，1200張圖像用于遷移學習網(wǎng)絡(luò)，其余的120張圖像用于測試本文提出方法的識別精度。2.3病害嚴重程度劃分為了更好地分析單株麥穗赤霉病的不同病害程度，本文參考中華人民共和國國家標準GB/T15796-2011《小麥赤霉病測報技術(shù)規(guī)范》。根據(jù)麥穗病斑面積與麥穗面積之比，將病害等級分為六個級別。0級：0≤R≤0.01，1級：0.01<R≤0.1，2級：0.1<R≤0.2，3級：0.2<R≤0.3，4級：0.3<R≤0.4，5級：R>0.4，其中R是病斑面積與麥穗面積之比（圖2.2）。圖2.2小麥赤霉病不同病害程度圖像。圖中（a），（b），（c），（d），（e）和（f）分別對應(yīng)病害等級0，1，2，3，4和5Figure2.2ImagesofdifferentwheatFHBdegrees.(a),(b),(c),(d),(e),and(f)reflectthediseaselevelsof0,1,2,3,4,and5,respectively2.4圖像分割方法圖像分割是將圖像分為具有獨特屬性的幾個特定區(qū)域并提取出目標對象的技術(shù)和過程。本章中，利用圖像分割方法，先對田間麥穗進行分割，再分割麥穗的病斑區(qū)域，最后通過計算病斑面積與麥穗面積的比值得出病害等級。2.4.1傳統(tǒng)分割方法傳統(tǒng)的圖像分割方法主要分為以下幾類：閾值分割、邊緣檢測以及特定理論的分割方法等。
【相似文獻】

相關(guān)期刊論文 前10條

1 谷海峰;;高速公路橋梁常見病害既維修對策[J];門窗;2019年15期

2 李加軍;;道路橋梁常見的結(jié)構(gòu)病害及加固措施[J];低碳世界;2019年11期

3 趙紅;;高架橋梁病害的類型及其養(yǎng)護方法[J];科技創(chuàng)新與應(yīng)用;2020年08期

4 黃曉斌;楊正容;許國建;路冰斌;;高山辣椒常見病害與防治[J];湖北植保;2019年03期

5 曹言華;;高速公路瀝青混凝土路面車轍病害及防治對策分析[J];智能城市;2019年19期

6 楊寶麗;;水稻常見病害發(fā)生癥狀及病因[J];熱帶農(nóng)業(yè)工程;2019年03期

7 高瑞鴻;;玉米常見病害的防治方法[J];吉林農(nóng)業(yè);2018年07期

8 張洪;;棉花病害防治技術(shù)[J];現(xiàn)代農(nóng)村科技;2018年07期

9 孫建龍;;淺談橋梁伸縮縫常見病害與防控對策[J];北方交通;2016年12期

10 劉根來;;淺析近年公路橋梁的主要病害[J];居業(yè);2017年03期

相關(guān)博士學位論文 前10條

1 PHAN CONG KIEN（潘功健）;廣西桉樹人工林葉部病害及其與鄉(xiāng)土樹種病害的關(guān)系[D];廣西大學;2015年

2 劉尚旺;基于改進選擇性視覺注意模型的語義圖像分割研究[D];西北農(nóng)林科技大學;2012年

3 王晨;視覺顯著性檢測方法研究及其應(yīng)用[D];西北工業(yè)大學;2018年

4 邵光普;基于混合模型和空間信息的圖像分割研究[D];華中科技大學;2019年

5 古晶;基于稀疏特征學習的SAR圖像分割與半監(jiān)督分類方法研究[D];西安電子科技大學;2016年

6 段一平;基于層次視覺計算和統(tǒng)計模型的SAR圖像分割與理解[D];西安電子科技大學;2017年

7 胡佩君;腹部CT圖像分割的可計算建模方法研究[D];浙江大學;2018年

8 姜楓;基于語義識別的砂巖薄片圖像分割方法研究[D];南京大學;2018年

9 趙曉麗;面向圖像分割的智能算法研究[D];上海大學;2018年

10 倪波;高強度聚焦超聲圖像分割方法研究[D];武漢大學;2016年

相關(guān)碩士學位論文 前10條

1 王道勇;基于計算機視覺的小麥赤霉病病害分級及診斷系統(tǒng)設(shè)計[D];安徽大學;2020年

2 張冬梅;古建筑病害信息處理與管理系統(tǒng)的設(shè)計與實現(xiàn)[D];北京建筑大學;2016年

3 鄔雪江;土遺址病害評估模型研究[D];江西理工大學;2015年

4 孫廣鑫;番茄中與病害密切相關(guān)miRNA的功能分析[D];大連理工大學;2015年

5 孔凡慧;利用分子標記輔助選擇技術(shù)創(chuàng)制番茄抗多種病害與耐貯運育種材料的研究[D];東北農(nóng)業(yè)大學;2015年

6 龐鳳亞;高速鐵路無砟道床層間病害檢測技術(shù)研究[D];石家莊鐵道大學;2015年

7 金玉泉;橋梁的病害及災(zāi)害[D];同濟大學;2006年

8 唐瑩瑩;廣西雞蛋花主要病害病原鑒定[D];廣西大學;2013年

9 劉振東;公路隧道隱伏病害快速無損檢測與安全評價體系構(gòu)建[D];中國海洋大學;2013年

10 吳昊昱;基于小樣本學習的自然場景圖像中茶葉病害識別[D];安徽大學;2020年

本文編號：2858452