基于改进Bernsen二值化算法的植物病害叶片病斑检测

针对大区域田间复杂背景下植物病害远程识别中的叶片病斑检测难问题,提出一种基于改进Bernsen二值化算法的植物病害远程检测方法。通过物联网采集不同区域的植物叶片图像,根据在RGB和HIS颜色空间中叶片病斑与正常叶片和背景的色调差异的特点,利用改进Bernsen二值化算法分别在图像的R、G、B、H 4个颜色通道上提取病斑,然后进行病斑图像融合,得到病斑图像。采用该方法对多幅物联网视频植物病害叶片图像进行病斑分割。实验结果表明,该算法在复杂背景环境下能够有效分割植物病斑图像,去除大量复杂背景,得到病斑图像。该方法能够为大区域植物病害远程智能监控系统提供技术指导。

基于局部二值模式的作物叶部病斑检测

根据作物叶片症状准确、快速检测作物病害是防治和控制作物病害的基础。为准确检测作物叶部病害,在窗阈值中心对称局部二值模式(WTCSLBP)的基础上,提出了一种作物病斑检测方法。首先利用自适应局部二值模式获取正常叶片图像特征并确定病斑判断阈值,然后将待检测叶片图像分割为大小相同的检测窗,并提取同样特征与阈值进行比较,以判断该检测窗是否有病斑。在三种苹果病害叶片图像数据库上的实验结果表明,该方法能够有效检测作物病斑分布特性。与中心对称LBP(CS-LBP)和WTCSLBP相比,该方法具有更少的特征维数和更高的正确识别率。

一种基于改进非极大值抑制的农作物病斑检测方法

针对传统边缘检测算子在植物病斑检测过程中抗噪性能差、自适应能力较弱、处理过程中采用的非极大值抑制方法容易导致伪噪声边缘出现等问题,提出了一种线性插值的非极大值抑制改进方法.该方法首先在预处理过程中使用改进的形态学滤波法替代高斯滤波,然后通过引入插值因子与邻域相关系数,将8个邻域简化为4个邻域,进行计算插值的梯度幅值与目标点的比较,替代传统方法中直接沿着梯度方向与邻域值相比较.实验结果表明:改进后的方法在抑制伪边缘点出现与适应性方面有了较好的提升,对病斑部分的分割具有非常好的有效性、准确性和鲁棒性.

基于YOLOv5模型的大豆叶部斑病识别方法

针对目前大豆叶部病害识别方法存在的准确率低和鲁棒性差等问题,提出了一种基于改进型的YOLOv5-卷积神经网络(Convolutional Neural Network,CNN)的大豆叶片斑病图像识别方法。首先,对采集的大豆叶部病害图像进行预处理;其次,采用改进型深度学习网络提取特征,并训练分类模型,实现对大豆叶部斑病的快速识别;最后,通过和传统机器视觉系统相结合,完成了对大豆叶片斑病的智能化识别。实验结果表明,该研究方法能够有效提高大豆叶部斑病图像的识别精度和稳定性,在实际生产过程中,可根据田间条件选择不同光照强度下的大豆叶片,以验证所提算法的实用性和适用范围。

基于自适应学习局部二值模式的苹果叶部病斑分割与检测

为了准确、快速地检测作物叶部病害,提出一种基于自适应学习局部二值模式(adaptive learning local binary pattern,简称ALLBP)的苹果叶部病斑分割与检测方法。首先利用ALLBP获取正常叶片图像和病害叶片图像的特征差异,并确定病斑判断阈值,然后将待识别的叶片图像分割为大小相同的子块,再提取同样的特征与阈值进行比较,以判定各子块中是否有病斑。结果表明,该方法能够有效检测苹果病斑的分布特性,与局部二值模式(local binary pattern,简称LBP)和中心对称局部二值模式(center-symmetric local binary pattern,简称CS-LBP)相比,该方法具有更少的特征维数和更高的正确识别率。

基于SVM和CNN组合模型的黄瓜病斑叶片检测与识别

为建立准确高效的黄瓜病斑叶片的检测与识别算法提供参考,针对黄瓜叶片常见病斑检测与识别时存在的环境适应性差、识别精度低等问题,提出基于改进的SVM(支持向量机)和CNN(卷积神经网络)组合模型的黄瓜病斑叶片检测与识别算法。依据黄瓜设施场景特征,首先对病斑图像进行色彩增强,通过直方图均衡化对图像进行再处理,利用优化的HOG+SVM分类器对黄瓜叶片进行提取;通过稀疏滤波器及增加偏置对CNN算法进行改进,识别出叶片的病斑类别。结果表明:在黄瓜设施场景下,改进SVM和CNN组合模型的黄瓜病斑叶片检测与识别算法对叶片提取的查准率及差全率分别达87.21%和88.77%,对病斑的整体识别精准率为91.9%。算法实时性强,具有实际推广应用前景。

基于改进YOLOv3模型的苹果树叶片病斑检测

为解决在自然环境情况下叶片病斑检测精度低及鲁棒性差等问题,以自然环境情况下的苹果树叶为研究对象,提出了一种改进的YOLOv3病斑检测模型。首先,在特征提取阶段引入特征金字塔注意力机制,通过所提模型将注意力信息融入到特征提取过程中,提升对较小病斑及易被忽略叶片疾病的检测效果;其次,对引入的注意力模块进行结构优化,在兼顾检测速度的基础上提升模型的检测精度。对比研究表明,改进后的网络模型具有良好的鲁棒性,平均精度均值为89.79%,而对比Faster R-CNN、Retinanet、YOLOv3网络的平均精度值仅分别为72.61%、69.07%、80.91%。

植物病害检测算法的研究与实现

植物叶片病害的检测与识别对植物的保护与研究有着重大意义。传统的植物叶片病害识别方法通常利用叶片病斑图像的颜色、形状、纹理等特征进行识别分类。深度学习作为现在图像处理领域的研究热点,也可以很好地运用在植物叶片病害的检测与识别中。设计在Python环境下搭建神经网络模型对黄瓜叶片病害图像进行识别分类。