共查询到19条相似文献，搜索用时 265 毫秒
1.
北方寒地水稻纹枯病的危害日趋严重,是困扰水稻种植户的一大难题。为监测该病害的发生,提出了一种基于深度信念网络的病害识别新方法。首先,利用高斯滤波对病害图像进行增强预处理,采用Sobel边缘检测算子提取水稻纹枯病病斑特征;其次,设计并训练了包含3个隐含层受限玻尔兹曼机的深度信念网络,并利用文中提出的深度信念网络对1 500幅水稻纹枯病图像进行识别。7重交叉验证测试结果表明:平均识别准确率高达94.05%,优于常见的BP神经网络和支持向量机识别方法,为准确识别水稻纹枯病奠定了基础。 相似文献
2.
基于SVM的小麦叶部病害识别方法研究 总被引：2，自引：0，他引：2
为了准确识别小麦叶部常见病害,为小麦病情诊断和发展状况判断提供科学依据,设计并实现了一种基于SVM(Support Vector Machine)的小麦叶部常见病害识别方法。该方法可以实现对小麦白粉病、条锈病和叶锈病的准确识别。首先,基于中值滤波法和K均值聚类算法,实现了图像的去噪及病斑分割;然后,提取了病斑区域形状特征和纹理特征;最后,利用SVM算法对小麦叶部病害进行了分类识别。随机试验结果表明,利用所提取的特征可以有效地实现小麦叶部常见病害的识别,基于形状特征的综合识别率可达99.33%;利用SVM算法进行小麦病害叶片识别是有效的、可行的。该方法对于农作物病害智能识别的推广具有较好的借鉴意义。 相似文献
3.
4.
5.
为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。 相似文献
6.
7.
综合运用图像处理和模糊识别技术,以黄瓜病害为研究对象,进行黄瓜霜霉病自动识别的试验研究。在自然光条件下拍摄黄瓜叶片图像作为实验数据,为减少干扰因素对病害特征的不利影响,对原始图像做预处理,并把病斑分离出来;在农业植保专家的指导下,分析了黄瓜霜霉病病害的典型特征,从病斑形状、纹理和颜色三方面提取了16个特征参数;对黄瓜霜霉病叶片图像进行有监督的样本训练,得到黄瓜霜霉病害的标准特征模式,再对待测样本进行模糊聚类测试,平均识别准确率为95.28%。试验结果表明,该方法对于黄瓜霜霉病的识别效果较好。 相似文献
8.
概率神经网络在玉米叶部病害识别中的应用 总被引：2，自引：0，他引：2
根据锈病、灰斑病、小斑病、褐斑病和弯孢菌叶斑病等5种主要玉米叶部病害的特点,提出了一种基于图像处理技术和概率神经网络技术的玉米叶部病害识别方法.首先,对田间采集的玉米叶部病害图像样本进行去噪处理、图像分割和特征提取;然后,利用遗传算法优化选择出4个独立、稳定性好、分类能力强的分类特征;最后,提取目标对象的特征向量作为输入向量,由概率神经网络(PNN)分类器识别病害类别,平均正确识别率为90.4%,高于BP神经网络.试验结果表明了该方法的有效性,可为田间作物病虫害的快速智能诊断提供借鉴. 相似文献
9.
10.
基于图像处理的温室黄瓜霜霉病诊断系统 总被引：8，自引：0，他引：8
为进一步提高温室黄瓜霜霉病诊断的准确率,构建了一个基于图像处理的温室黄瓜霜霉病诊断系统。针对温室黄瓜栽培现场采集的病害图像,采用基于条件随机场(Conditional random fields,CRF)的图像分割方法进行病斑图像分割,并采用决策树模型扩展一元势函数,提高病斑图像分割的准确性;将分割后的病斑图像转换到HSV颜色空间并提取其颜色、纹理和形状等25个特征,利用粗糙集方法进行特征选择与优化;构建了基于径向基核函数的SVM分类器,准确地识别与诊断温室黄瓜霜霉病。系统试验验证结果表明,该系统采用的病斑分割方法,能够克服复杂背景和光照条件的影响,准确地提取病斑图像;采用粗糙集方法能够有效地选择分类特征,将25个初始特征减少到12个,提高了运行效率;黄瓜霜霉病识别准确率达到90%,能够满足设施蔬菜叶部病害诊断的需求。 相似文献
11.
以生长期为10 d的杂草稻和水稻为研究对象,采集其高光谱图像信息,对其进行滤波预处理后,利用主成分分析方法优选出1448.89 nm和1469.89 nm波长下的特征图像.对每个特征图像,分别提取其形状特征、纹理特征和颜色特征,共18个特征变量.基于这些特征变量,利用神经网络方法建立杂草稻和水稻的判别模型,模型训练时杂草稻和水稻的回判率都为100％;预测时,杂草稻的回判率为92.86％,水稻的回判率为96.88％.研究表明,利用高光谱图像技术快速鉴别稻田苗期杂草稻是可行的. 相似文献
12.
水稻真菌病害主要依赖真菌孢子在空气中进行传播。然而各种水稻病害孢子的形态相近,传统孢子捕捉仪和显微图像法难以对其进行区分。为了能够准确识别目标病害孢子并进行病害源定位,提出了一种水稻病害孢子多光谱衍射识别与病害源定位方法。为了解决传统衍射方法无法识别形态相似的缺点,设计了一种大视场、无透镜的多光谱衍射成像传感器。通过分析病害孢子衍射指纹图谱,解析稻瘟病菌、稻曲病菌孢子多光谱衍射成像特征规律。融合孢子的形态特征和吸收特性,提出指纹分离强度和相对峰差两个特征参数,建立孢子的多光谱衍射识别模型。通过仿真计算实验分析孢子传播规律,耦合环境信息建立孢子传播过程中的扩散模型。在无定向风及有定向风条件下分析孢子的空间分布情况,提出病害爆发源迭代质心定位算法。实验结果表明,本文方法对水稻病害孢子的识别率达到98.5%,对无定向风条件下的定位误差最低为4.9%,对有定向风条件下的定位误差最低为7.1%。 相似文献
13.
基于迁移学习和Mask R-CNN的稻飞虱图像分类方法 总被引：4，自引：0，他引：4
针对当前稻飞虱图像识别研究中自动化程度较低、识别精度不高的问题,提出了一种基于迁移学习和Mask R-CNN的稻飞虱图像分类方法。首先,根据稻飞虱的生物特性,采用本团队自主研发的野外昆虫图像采集装置,自动获取稻田稻飞虱及其他昆虫图像;采用VIA为数据集制作标签,将数据集分为稻飞虱和非稻飞虱两类,并通过迁移学习在Res Net50框架上训练数据;最后,基于Mask R-CNN分别对稻飞虱、非稻飞虱、存在干扰以及存在黏连和重合的昆虫图像进行分类实验,并与传统图像分类算法(SVM、BP神经网络)和Faster R-CNN算法进行对比。实验结果表明,在相同样本条件下,基于迁移学习和Mask R-CNN的稻飞虱图像分类算法能够快速、有效识别稻飞虱与非稻飞虱,平均识别精度达到0. 923,本研究可为稻飞虱的防治预警提供信息支持。 相似文献
14.
为解决稻瘟病孢子的人工检测过程中主观性强、自动化程度低、效率低等问题,提出一种基于梯度方向直方图特征（HOG特征）的加性交叉核支持向量机（IKSVM）的稻瘟病孢子检测方法。该方法首先利用图像采集系统采集稻瘟病孢子图像,利用Gamma校正法调节图像的对比度,抑制噪声干扰;然后,提取孢子图像的HOG特征作为输入向量,输入到支持向量机中,构建加性交叉核支持向量机分类器;最后,通过训练得到稻瘟病孢子分类器。为测试所提出的HOG/IKSVM方法的综合性能,分别选用HOG/线性SVM方法与HOG/径向基核SVM（HOG/RBF-SVM）方法做对比试验。试验结果表明,HOG/IKSVM的检测率为98.2%,高于HOG/线性SVM方法的79%;在平均检测时间上,HOG/IKSVM方法的平均检测耗时仅为HOG/RBF-SVM方法的1.1%。说明该方法可以进行稻瘟病孢子室内检测识别。 相似文献
15.
针对优质稻米品质国标参数检测的实际需要,在设计稻米图像采集装置的基础上,给出一种基于嵌入式的稻米粒型特性参数测试方法。系统以基于ARM内核的S3C2410为硬件开发平台,以linux系统为软件开发平台,采用USB数字摄像头,结合图像处理与模式识别技术,利用大津法对图像进行阈值分割,通过边缘检测和最大距离方法获得稻米粒型国标参数,测试误差不超过1%。该系统为稻米国标参数的现场测试奠定了基础。 相似文献
16.
为了快速、精准地感知水稻稻曲病的发生，实现稻曲病大面积早期监测，利用机载UHD185高光谱仪采集带有发病区域的多组水稻冠层高光谱图像数据，对图像数据进行预处理并建立数据集。对健康区域和发病区域进行分类训练，建立支持向量机(SVM)识别模型和主成分分析(PCA)加人工神经网络(ANN)的识别模型，通过验证样本来检验识别模型的准确性，达到识别发病水稻的目的。支持向量机识别模型选用两组特征波长下的假彩色图像：第1组波长组合(TZH1)为654、838、898 nm;第2组波长组合(TZH2)为630、762、806 nm,两组数据的错分误差/漏分误差总体分别达到4.24%和5.41%;其中S型核函数的SVM模型诊断性能最好，总体分类精度最高可达到95.64%,Kappa系数可达到0.94,基本达到了准确识别水稻稻曲病的目的。主成分分析加人工神经网络的识别模型选用前3个主成分，贡献率分别为93.67%、2.80%、1.24%,作为最优波长建立人工神经网络识别模型；其中非线性分类的效果优于线性分类的效果，总体分类精度达到了96.41%,Kappa系数可达到0.95。通过两个实验组数据的支持向量机... 相似文献
17.
基于图像处理的大米粒形检测技术研究 总被引：2，自引：0，他引：2
传统的大米颗粒检测的方法存在一定的局限性,尝试应用计算机图像处理技术来直接获得大米颗粒的信息.首先对获取的大米图像进行增强处理,在此基础上,研究几种不同的边缘检测算子来实现对大米粒形的检测并比较其结果.实验结果表明,Canny算子对大米粒形检测效果良好,该方法用于大米粒形的识别时对大米的判定正确率较高. 相似文献
18.
针对水稻稻纵卷叶螟和二化螟成虫图像识别中自动化程度较低的问题,引入目标检测算法YOLO v5对监测设备和诱捕器上的稻纵卷叶螟和二化螟成虫进行识别与计数。依据稻纵卷叶螟和二化螟的生物习性,采用自主研发的水稻害虫诱集与拍摄监测装置,自动获取稻纵卷叶螟和二化螟成虫图像,并与三角形诱捕器和虫情测报灯诱捕拍摄的稻纵卷叶螟和二化螟成虫图像共同构建水稻害虫图像数据集;采用左右翻转、增加对比度、上下翻转的方式增强图像数据集;对比了不同训练模型对三角形诱捕器和监测设备诱捕拍摄的水稻害虫图像的检测性能,并对比稻纵卷叶螟成虫不同训练样本量对识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异。测试结果表明,测试集图像为三角形诱捕器和监测设备诱捕拍摄虫害图像时,稻纵卷叶螟识别的精确率和召回率分别达到91.67%和98.30%,F1值达到94.87%,二化螟识别的精确率和召回率分别达到93.39%和98.48%,F1值达到95.87%。不同采样背景、设备构建的多源水稻害虫图像数据集可以提高模型对水稻害虫识别的准确性。基于YOLO v5算法设计的水稻害虫识别计数模型能够达到较高的识别准确率,可以用于... 相似文献
19.
基于字典学习与SSD的不完整昆虫图像稻飞虱识别分类 总被引：1，自引：0，他引：1
为了解决图像采集过程中由于昆虫图像获取不完整而导致整体稻飞虱识别精度低、速度慢的问题,提出了一种基于字典学习和SSD的不完整稻飞虱图像分类方法。首先,使用自主研发的野外昆虫图像采集装置采集稻飞虱图像,构建小型图像集。然后,将采集的稻田昆虫图像进行阈值分割,得到单一稻田昆虫图像;对单一昆虫图像进行分块处理,得到带有背景信息和特征信息的混合子图像块集;使用子图像块作为字典原子来构建过完备字典,并对其进行初始化和优化更新;将更新后的过完备字典作为训练集输入SSD算法中进行训练,得到训练模型。最后,将采集的包含不完整稻田昆虫的图像在训练集模型上进行测试,并将测试结果与BPNN（Back propagation neural network)、SVM (Support vector machines）、稀疏表示等方法进行对比。试验结果表明,所提出的基于字典学习和SSD的稻飞虱识别与分类方法可以对不完整的昆虫图像进行准确快速的识别分类,其中,分类速度可达22f/s,识别精度可达89.3%,对稻飞虱的监督、预警和防治提供了有效的信息与技术支持。 相似文献