共查询到19条相似文献，搜索用时 672 毫秒
1.
针对手机客户端上传图片缓慢、损耗数据流量、图像检索和处理能力有限等问题,提出客户端对病害图像进行实时采集和压缩并上传、远程服务端识别并返回结果的方法,阐述了系统实现过程中的一些关键技术(如JPEG图像压缩技术、Open CV图像识别处理技术等),且基于Android平台构建了水稻病害智能诊断平台。结果表明,该系统能及时、准确地鉴别病害种类,提供准确的诊断信息和防治方法,同时还能解决客户端图像处理能力低下、图像上传缓慢等问题,具有较强的实用性。 相似文献
2.
基于病斑特征融合的烟草病害图像检索方法 总被引：1，自引：0，他引：1
针对目前烟草病害诊断专家系统依靠肉眼获取病害特征,致使病害诊断存在不确定性、误判等现象,提出了一种基于病斑特征融合的烟草病害图像检索方法以诊断病害。通过图像处理技术分割病害图像病斑,提取病斑的颜色、纹理、形状特征,依据双编码遗传算法和支持向量机识别病害模型对病斑特征降维,以获取表征病害的有效特征及权重。将有效特征归一化处理后与病害图像数据库系统中的病斑特征进行图像相似度距离计算,按距离大小返回一批相似图像,依据相似图像获取病害描述及防治措施。以烟草7种常见病害进行试验表明,融合病斑的颜色、纹理、形状特征检索病害图像,查准率和查全率明显比用单个特征检索的高。用这种方式诊断烟草病害,不但有较高的病害识别率,还能使诊断结果可视化,将其用于烟草病害诊断专家系统,将提高系统的鲁棒性,为实现病害的远程在线诊断提供条件。 相似文献
3.
基于图像识别的玉米叶部病害诊断研究 总被引：7，自引：0，他引：7
【目的】探讨利用图像技术实现玉米叶部病害自动识别的方法。【方法】根据玉米叶部病害特点，综合应用阈值法、区域标记方法与Freeman链码法，对玉米叶部病害图片进行图像分割、统计病斑个数、去除冗余斑点、计算病斑形状特征，最后根据二叉检索法推断病害。【结果】研究提取了五种玉米叶部主要病斑的识别特征，确定了诊断流程，并开发了识别系统。经检验，该系统对玉米叶部的锈病斑、弯孢菌病斑、灰斑、褐斑、小斑等五种主要病害的诊断准确率达80%以上。【结论】研究结果表明，用图像技术进行玉米叶部病害诊断是可行的，本研究开发的诊断系统为玉米病害自动识别与诊断奠定了基础。 相似文献
4.
5.
基于PCA和Whitening算法的水稻病害图像预处理研究 总被引：1，自引：0，他引：1
水稻病害图像预处理在使用机器视觉技术对水稻病害智能诊断识别中至关重要。预处理效果直接影响水稻病害识别准确率。提出一种新的基于PCA和Whitening融合算法的水稻病害图像预处理方法。实验获取了水稻病害彩色图像和灰度图像的训练样本和测试样本,对获取的样本应用PCA降维,然后对降维后的样本随机取样,应用Whitening算法得到了相应的训练特征和测试特征。实验表明,该融合算法增强了预处理后的水稻病害图像样本对光照及亮度的鲁棒性,可有效提高病害识别准确率。 相似文献
6.
7.
夏季低温冷害是中国低温灾害的主要类型之一,尤其在东北地区发生比较频繁,造成影响相当严重,基于此,笔者旨在为玉米低温冷害设计一个基于网络的远程诊断与管理的系统平台.通过对基于web的远程诊断管理系统关键技术的分析,在总结东北地区玉米低温冷害领域专家经验和知识的基础上,初步实现了一个基于web技术的玉米低温冷害远程诊断与管理系统.该系统采用J2EE技术规范和Java语言进行开发,并且与无线远程监测系统相结合,使之具有实时管理功能.用户可以通过访问该系统,实现玉米低温冷害主动和被动防御、低温冷害实时监控管理、专家知识浏览和系统维护等功能.该系统具有可靠性、易维护、易操作和普适性等性能,并可通过重建知识库和数据库,为更多种类作物气象灾害提供远程诊断及管理服务. 相似文献
8.
9.
基于Fisher判别分析的玉米叶部病害图像识别 总被引：9，自引：2，他引：7
【目的】利用计算机视觉技术实现玉米叶部病害的自动识别诊断。【方法】在大田开放环境下采集病害图像样本,综合应用基于H阈值分割、迭代二值化、图像形态学运算、轮廓提取等算法处理病害图像,抽取病斑,提取病害图像的纹理、颜色、形状等特征向量,采用遗传算法优化选择出分类特征,并利用费歇尔判别法识别普通锈病、大斑病和褐斑病3种玉米叶部病害。【结果】研究中提取了墒、相关信息测度、分形维数、H值、Cb值、颜色矩、病斑面积、圆度、形状因子等28个特征向量,利用遗传算法优选出H值、颜色矩、病斑面积、形状因子等4个独立、稳定性好、分类能力强的特征向量,应用费歇尔判别分析法识别病害,准确率达到90%以上。【结论】综合运用数字图像处理技术、图像纹理、颜色、形状特征分析方法、遗传算法、费歇尔判别分析方法可以有效识别基于田间条件下采集的病害图像,为田间开放环境下实现大田作物病虫害的快速智能诊断提供借鉴。 相似文献
10.
11.
目的 引入区域卷积神经网络Faster R-CNN算法并对其改进,以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。方法 在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅,人工标注后对原始图像进行离线数据增强扩充;对Faster R-CNN算法进行适应性改进,在卷积层加入批标准化处理层,引入中心代价函数构建混合代价函数,提高相似病斑的识别精度;采用随机梯度下降算法优化训练模型,分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练,并测试得到最优特征提取网络,利用训练好的模型选取不同天气条件下的测试集进行对比,并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。结果 在改进Faster R-CNN病害识别框架中,以VGG16卷积层结构作为特征提取网络具有更出色的性能,利用测试集图像检验模型,识别结果的平均精度为 0.971 8,平均召回率为0.971 9,F1为0.971 8,总体平均准确率可达97.23%;晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改进的Faster R-CNN算法相比,平均精度高0.088 6,单张图像检测耗时减少0.139 s;与SSD算法相比,平均精度高0.0425 ,单张图像检测耗时减少0.018 s,表明在大田环境中具有复杂背景的玉米病害智能检测领域,改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法。结论 将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的,具有较高的准确率和较快的检测速度,能够避免传统人工识别的主观性,该方法为田间玉米病害的及时精准防控提供了依据。 相似文献
12.
为解决传统人工识别桃树病害效率低、成本高、准确率低等问题，提出了基于AI深度学习的桃树病害智能识别方法，利用并微调ImageNet预训练的DenseNet-169分类模型，对桃树常见的11种病害图像进行预处理与模型训练，搭建桃树病害智能识别软件环境。该方法对常见桃树病害的平均识别率达到91%以上，结合图像处理、深度学习、数据挖掘等技术自动对桃树病害进行识别，实现桃树病害的智能诊断并提供防治建议。该方法具有人力成本低、操作简单、识别效率高等优点，利于病害的及时诊出与防治决策的制定，对促进果园病害防控的智慧化管理具有重要研究意义与应用价值。 相似文献
13.
一种植物病害图像识别卷积网络架构 总被引：1，自引：0，他引：1
针对人工提取植物病害图像特征存在效率低、识别率低、成本高等问题,提出一种基于DenseNet网络的现代卷积神经网络架构FI-DenseNet,旨在对多种类的植物病害图像达到高精准的识别准确率.引入Focal损失函数对DenseNet网络进行改进,使得训练模型的注意力集中于难分类的样本.FI-DenseNet网络可以增强特征传递、进行深层训练或有效改善过拟合问题.采用的数据集有87 867张植物病害图像,图像包含同种植物的多种病害,并涉及38种植物病害.对图像进行预处理、数据增强后,将DenseNet169网络、ResNet50网络和MobileNet网络作为参照实验.实验结果表明,FI-DenseNet网络的收敛速度更快且识别准确率最高,测试集识别准确率为98.97％,FI-DenseNet网络的鲁棒性和泛化能力均优于对照网络,可为植物病害智能诊断提供参考. 相似文献
14.
PAN Shuai-qun QIAO Jing-fen WANG Rui YU Hui-lin WANG Cheng Kerry TAYLOR PAN Hong-yu 《农业科学学报》2022,21(4):1094-1105
Maize (Zea mays L.), also known as corn, is the third most cultivated crop in the world. Northern corn leaf blight (NCLB) is a globally devastating maize foliar disease caused by Setosphaeria turcica (Luttrell) Leonard and Suggs. Early intelligent diagnosis and warning is an effective and economical strategy to control this disease. Today, deep learning is beginning to play an essential role in agriculture. Notably, deep convolutional neural networks (DCNN) are amongst the most successful machine learning techniques in plant disease detection and diagnosis. Our study aims to identify NCLB in the maize-producing area in Jilin Province based on several DCNN models. We established a database of 985 leaf images of healthy and infected maize and applied data augmentation techniques including image segmentation, image resizing, image cropping, and image transformation, to expand to 30 655 images. Several proven convolutional neural networks, such as AlexNet, GoogleNet, VGG16, and VGG19, were then used to identify diseases. Based on the best performance of the DCNN pre-trained model GoogleNet, some of the recent loss functions developed for deep facial recognition tasks such as ArcFace, CosFace, and A-Softmax were applied to detect NCLB. We found that a pre-trained GoogleNet architecture with the Softmax loss function can achieve an excellent accuracy of 99.94% on NCLB diagnosis. The analysis was implemented in Python with two deep learning frameworks, Pytorch and Keras. The techniques, training, validation, and test results are presented in this paper. Overall, our study explores intelligent identification technology for NCLB and effectively diagnoses NCLB from images of maize. 相似文献
15.
介绍了国内外专家系统在园艺植物方面的应用,提出了其发展过程中仍存在的问题,如知识获取的"瓶颈"问题、园艺植物专家系统性能较差、未形成成熟的园艺植物病虫害诊断知识的知识模型、未能从诊断推理思维方式出发建立园艺植物病虫害诊断知识的推理求解模型、缺乏系统应用效果的反馈、专家系统的商业性较差和农业专家系统的开发平台需要进一步研发等。展望了农业专家系统的发展趋势:利用"3S"、模型模拟、智能决策、多媒体技术等多技术的集成开发园艺植物专家系统;开发综合性农业专家系统;注重实用性,开发不同用户群体、不同层面的专家系统;利用图像识别检索等人工智能手段进行病虫害诊断。 相似文献
16.
小麦是中国主要粮食作物,栽培品种多、种植面积大、分布区域广、生长周期长,容易遭受病虫害威胁,快速监测和准确识别病虫害成为一项重要的课题。基于前期构建的小麦物联网监控系统平台,研发了集成图像获取、图像识别诊断于一体的应用系统。初步研究了小麦比较常见的三种病虫害的识别与诊断方法,并利用图像分割、特征提取及数字图像分类识别技术,将物联网系统获取的感白粉病、锈病、蚜虫的不健康叶片与健康小麦叶片的图片分别进行对比实验研究。实验结果显示,识别率都较为理想,其中白粉病的识别率为82.5%,锈病、蚜虫和健康叶片的识别率都在95%以上。将病虫害图像识别技术与物联网技术结合,方便病虫害图像的远程传输、多点获取等优点,大幅度提升对病虫害远程识别和诊断能力,具有广阔的发展前景。 相似文献
17.
基于图像处理技术的四种苜蓿叶部病害的识别 总被引：1，自引：1，他引：0
基于图像处理技术,对4种苜蓿叶部病害进行识别研究。利用结合K中值聚类算法和线性判别分析的分割方法对病斑图像作分割,获得了较好的分割效果。结果表明:该分割方法在由4种病害图像数据集整合成的汇总图像数据集上综合得分的平均值和中值分别为0.877 1和0.899 7;召回率的平均值和中值分别为0.829 4和0.851 4;准确率的平均值和中值分别为0.924 9和0.942 4。进一步提取病斑图像的颜色特征、形状特征和纹理特征共计129个,利用朴素贝叶斯方法和线性判别分析方法建立病害识别模型,并结合顺序前向选择方法实现特征筛选,分别获得最优特征子集;同时利用这2个最优特征子集,结合支持向量机(Support vector machine,SVM)建立病害识别模型。比较各模型的识别效果,发现利用所建线性判别分析模型下的最优特征子集,结合SVM建立的病害识别模型识别效果最好,训练集识别正确率为96.18%,测试集识别正确率为93.10%。由此可见,本研究所建基于图像处理技术的病害识别模型可用于识别上述4种苜蓿叶部病害,为苜蓿病害的诊断和鉴别提供了一定依据。 相似文献
18.
基于深度学习和支持向量机的4种苜蓿叶部病害图像识别 总被引：3，自引：2，他引：1
为实现苜蓿叶部病害的快速准确诊断和鉴别,基于图像处理技术,对常见的4种苜蓿叶部病害(苜蓿褐斑病、锈病、小光壳叶斑病和尾孢菌叶斑病)的识别方法进行探索。对采集获得的899张苜蓿叶部病害图像,利用人工裁剪方法从每张原始图像中获得1张子图像,然后利用结合K中值聚类算法和线性判别分析的分割方法进行病斑图像分割,得到4种病害的典型病斑图像(每张典型病斑图像中仅含有1个病斑)共1 651张。基于卷积神经网络提取病斑图像特征,建立病害识别支持向量机(Support vector machine,SVM)模型。结果表明:当病斑图像尺寸归一化为32×32像素,利用归一化的特征HSV(即特征H、特征S和特征V归一化后的组合特征)构建的病害识别SVM模型最优,其训练集识别正确率为94.91%,测试集识别正确率为87.48%。本研究基于深度学习和SVM所建立的病害识别模型可用于识别上述4种苜蓿叶部病害。 相似文献
19.
根据智能监控系统应用中急需解决的方法和技术,提出新的高级人工智能识别、视频检索和超分辨率视频,图象重建方法。建立报警正确率更高、应用范围更广、占用资源更少、自动化程度更强的下一代主动感知智能监控报警系统。 相似文献