小麥葉部病害識別方法研究及智能手機(jī)診斷系統(tǒng)研發(fā).pdf

1、病蟲害是影響農(nóng)作物產(chǎn)量和品質(zhì)的重要因素，如何對其進(jìn)行實時監(jiān)測和快速準(zhǔn)確區(qū)分對指導(dǎo)農(nóng)作物生產(chǎn)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(diào)查、人工區(qū)分進(jìn)行判斷，費時費力，難以滿足大面積調(diào)查的需求。隨著科學(xué)技術(shù)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(shù)對植物病蟲害進(jìn)行監(jiān)測和識別，取得了顯著效果。但是，已有技術(shù)和開發(fā)的傳感器距離實用、低值、便攜應(yīng)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(jié)合圖像處理和模式識

2、別技術(shù)探索適用儀器開發(fā)的小麥病害快速識別方法，設(shè)計了一款基于Android智能手機(jī)的病害診斷系統(tǒng)。主要內(nèi)容、創(chuàng)新點和結(jié)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(qiáng)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(shù)）對小麥葉部病害特征進(jìn)行描述。試驗結(jié)果表明

3、:單一的圖像增強(qiáng)算法不能達(dá)到理想增強(qiáng)效果，且單一的圖像分割算法也不能很好地將目標(biāo)區(qū)域分割出來。因此，應(yīng)將圖像增強(qiáng)和分割算法進(jìn)行優(yōu)化以提高其增強(qiáng)和分割效果。
　　(2)研究了相關(guān)向量機(jī)(Relevance Vector Machine，RVM)、支持向量機(jī)(Support Vector Machine，SVM)和反向傳播神經(jīng)網(wǎng)絡(luò)(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(yán)重程度（含輕度、中度和重度）的小麥葉部病害（條銹病、白粉病）為試驗材料，以輕中度病害為重點，選取其中68個病害葉片為訓(xùn)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(quán)重（即對病害識別的貢獻(xiàn)大?。⑦x取其中20個權(quán)重較大的特征作為SVM、BPNN和RVM的輸入?yún)?shù)，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(jié)果顯示:SVM、BPNN和RVM的平

5、均識別準(zhǔn)確率分別為86.76％、91.17％和89.71％，而對輕中度病害的識別準(zhǔn)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(jīng)網(wǎng)絡(luò)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(jié)合RVM識別算法，開發(fā)了一款基于Android智能手機(jī)的小麥葉部病害診斷系統(tǒng)。本文利用Sony DSC-H9相機(jī)和SAMSUNG GT-N7100手機(jī)采集白粉病

6、和條銹病不同嚴(yán)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(xùn)練樣本，其余用作測試樣本;同時，改變手機(jī)采集樣本像素作為另一對照組來研究像素與識別率的關(guān)系，同上安排樣本分布。研究結(jié)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(guān)，并與其像素成正比。因此，進(jìn)行病害識別需選擇像素合適的手機(jī)以得到較高的準(zhǔn)確率。同時，經(jīng)應(yīng)用測試發(fā)現(xiàn)，識別一副病害圖片可在2