基于FA-SVM技术的烟草早期病害识别

为准确检测和识别烟草病害,为制定合理的病害防治措施提供科学依据,提出基于萤火虫算法优化支持向量机(FA-SVM)技术的烟草早期病害识别方法。以烟草常见的蛙眼病与赤星病为研究对象,利用可见光拍摄带有2种病害的烟草植物叶片,获取图像样本。利用形态学方法和图像分割技术得到病斑图像。提取病斑的颜色、纹理及形态学等共计32个特征,构建原始特征空间。利用蚁群算法(Ant colony optimization,ACO)对特征空间进行优化,依据适应度值选取最优特征组合,当适应度值达到最高为95.68时,有13个特征被选择。运用萤火虫算法(Firefly algorithm,FA)优化支持向量机(Support vector machine,SVM)的惩罚因子(c)与径向基核函数参数(g),提高分类器性能。当c=94.12、g=2.43时,对不同发育时期的2种病害的识别率达到96%。结果表明,利用FA-SVM技术识别烟草蛙眼病与赤星病2种常见病害是可行的。

基于CS-SVM的谷子叶片病害图像识别

利用图像识别方法对常见的谷子叶片病害进行判别,为制定合理的病害防治措施提供科学依据。试验采集了谷瘟病、白发病、红叶病、锈病共4种谷子叶片病害的原始图像,运用基于超绿特征的最大类间方差法对谷子叶片病害进行分割,提取谷子叶片病害颜色、形态、纹理等共计19个特征,采用蚁群优化算法选择了8个特征。运用布谷鸟算法(cuckoo search,CS)优化支持向量机(support vector machine,SVM)的惩罚因子c和径向核函数g,利用SVM对谷子叶片病害进行自动判别。结果表明,当c=80.2662,g=1.8467时,谷子叶片病害和叶片的平均识别率达到99%,表明基于CS-SVM的图像识别方法可对4种谷子叶片病害进行准确分类。

基于计算机视觉的棉铃虫成虫雌雄自动判别研究

棉铃虫Helicoverpa armigera(Hübner)是棉花作物的主要寄主害虫,其性别的自动准确判别对区域性比、种群数量等方面的预测预报具有重要意义。本文通过CCD设备获取雌雄成虫的原始彩色图像,运用数学形态学和自适应图像增强法进行滤波分析,提高害虫RGB彩色图像及分通道图像的质量。针对RGB彩色图像提取害虫的颜色矩特征,针对B通道灰度图像提取基于灰度共生和差分统计矩阵的纹理、形态不变矩等特征,对提取的36个特征数据进行归一化处理。将惩罚因子和RBF核函数参数作为SVM分类器识别率的重要判断标准,利用K折交叉验证选取最优参数组合并建立模型,当C=4,g=0.0825,识别率达到最佳98.33%。证实了将计算机视觉应用于昆虫性别自动判别的可行性。

基于机器学习的烟草蛙眼病赤星病识别

文章以常见的烟草蛙眼病与赤星病为研究对象,利用图像处理方法分割出病斑,并提取了病斑的颜色、纹理和形态学特征,构建原始特征空间,利用模拟退火算法进行特征优化,选取最优特征组合。利用ABC-SVM技术进行两种病害的判别,识别率达到97%,有效判别出蛙眼病与赤星病,为指导采取合理的烟草病害防治措施提供科学依据。