小麥葉部病害識別方法研究及智能手機診斷系統(tǒng)研發(fā).pdf

1、病蟲害是影響農作物產量和品質的重要因素，如何對其進行實時監(jiān)測和快速準確區(qū)分對指導農作物生產管理具有重要意義。傳統(tǒng)的監(jiān)測和區(qū)分方法是通過植保專家抽樣調查、人工區(qū)分進行判斷，費時費力，難以滿足大面積調查的需求。隨著科學技術的快速發(fā)展，植保專家利用圖像處理、模式識別、遙感等技術對植物病蟲害進行監(jiān)測和識別，取得了顯著效果。但是，已有技術和開發(fā)的傳感器距離實用、低值、便攜應用仍有差距。本論文以小麥葉部條銹病、白粉病為觀測對象，結合圖像處理和模式識

2、別技術探索適用儀器開發(fā)的小麥病害快速識別方法，設計了一款基于Android智能手機的病害診斷系統(tǒng)。主要內容、創(chuàng)新點和結果如下:
　　(1)研究了高通濾波、中值濾波、鄰域平均法3種圖像增強算法用于減少圖像采集環(huán)境帶來的影響;研究了3種分割算法（優(yōu)化分水嶺分割、自動閾值分割和水平集分割），以將病斑從小麥健康葉片中分離出來，用于提取病斑特征。從顏色、形狀和紋理三個方面（共計提取23個病斑特征參數）對小麥葉部病害特征進行描述。試驗結果表明

3、:單一的圖像增強算法不能達到理想增強效果，且單一的圖像分割算法也不能很好地將目標區(qū)域分割出來。因此，應將圖像增強和分割算法進行優(yōu)化以提高其增強和分割效果。
　　(2)研究了相關向量機(Relevance Vector Machine，RVM)、支持向量機(Support Vector Machine，SVM)和反向傳播神經網絡(Back Propagation NeuralNetwork，BPNN)三種圖像識別方法。本論文中選取1

4、50個不同嚴重程度（含輕度、中度和重度）的小麥葉部病害（條銹病、白粉?。樵囼灢牧希暂p中度病害為重點，選取其中68個病害葉片為訓練樣本，提取每個病害葉片的顏色、紋理和形狀共計23個特征，利用Relief算法計算病害顏色、紋理和形狀中每個特征的權重（即對病害識別的貢獻大?。?，并選取其中20個權重較大的特征作為SVM、BPNN和RVM的輸入參數，分別建立三種識別模型。通過2組試驗的68個測試樣本驗證，結果顯示:SVM、BPNN和RVM的平

5、均識別準確率分別為86.76％、91.17％和89.71％，而對輕中度病害的識別準確率分別為86.67％、90.00％和88.33％，其中，RVM的執(zhí)行效率分別是SVM和BP神經網絡的7.96和31.68倍。
　　(3)針對目前裝置攜帶不便、價格昂貴、專業(yè)性要求高等問題，結合RVM識別算法，開發(fā)了一款基于Android智能手機的小麥葉部病害診斷系統(tǒng)。本文利用Sony DSC-H9相機和SAMSUNG GT-N7100手機采集白粉病

6、和條銹病不同嚴重程度（輕度、中度和重度）樣本各66個（白粉病和條銹病各33個），選取其中48個（白粉病與條銹病各24個）作為訓練樣本，其余用作測試樣本;同時，改變手機采集樣本像素作為另一對照組來研究像素與識別率的關系，同上安排樣本分布。研究結果表明:RVM得到的平均識別率為88.89％，病害的正確識別率與采集工具有關，并與其像素成正比。因此，進行病害識別需選擇像素合適的手機以得到較高的準確率。同時，經應用測試發(fā)現，識別一副病害圖片可在2