基于圖像識(shí)別的農(nóng)作物害蟲診斷技術(shù)研究與應(yīng)用.pdf

1、針對(duì)目前我國(guó)農(nóng)作物害蟲診斷大多停留在人工階段，存在著客觀性差、效率低、勞動(dòng)強(qiáng)度大等問題，以及現(xiàn)有的基于圖像識(shí)別的農(nóng)作物害蟲診斷存在很多不足之處，本文對(duì)基于圖像識(shí)別的農(nóng)作物害蟲診斷關(guān)鍵理論算法和實(shí)際應(yīng)用進(jìn)行了系統(tǒng)的研究，主要工作概述如下:
　　對(duì)基于圖像識(shí)別的農(nóng)作物害蟲診斷的基礎(chǔ)工作做了系統(tǒng)的研究。論述了圖像識(shí)別的基礎(chǔ)問題，包括圖像識(shí)別問題的分類、圖像識(shí)別的基本框架以及傳統(tǒng)的圖像數(shù)據(jù)集。針對(duì)課題研究目標(biāo)，介紹了兩種害蟲圖像的獲取方式

2、，提出并驗(yàn)證了一種適合害蟲圖像預(yù)處理的方法。提出了農(nóng)作物害蟲圖像數(shù)據(jù)集構(gòu)建原則，并在此原則指導(dǎo)下，利用現(xiàn)有的害蟲圖像資源分別構(gòu)建了水稻、油菜、玉米、大豆四種常見大田作物的害蟲圖像數(shù)據(jù)集。
　　現(xiàn)有的農(nóng)作物害蟲圖像分割的研究主要集中于簡(jiǎn)單背景，或者灰度圖像的自動(dòng)分割，且大多采用閾值分割算法進(jìn)行分割，但現(xiàn)實(shí)場(chǎng)景中，受到環(huán)境因素的影響如作物葉片、雜草、土壤以及光照等，害蟲圖像一般具有復(fù)雜的農(nóng)田背景，因此現(xiàn)有的害蟲圖像自動(dòng)分割算法往往不理

3、想。針對(duì)以上問題，本文把基于人機(jī)交互的半自動(dòng)圖像分割算法如GrabCut算法和最大相似度區(qū)域合并算法用于害蟲圖像的分割，并提出了一種結(jié)合紋理顏色直方圖的最大相似度區(qū)域合并算法，通過復(fù)雜農(nóng)田背景害蟲圖像的分割實(shí)驗(yàn)證明了該算法的可行性和有效性。
　　現(xiàn)有的害蟲圖像特征提取大多集中在提取害蟲的單一特征，如顏色特征、形態(tài)特征或紋理特征，因?yàn)槠渥R(shí)別對(duì)象要集中在一種或幾種害蟲的識(shí)別，因此使用單一特征可以取得很好的識(shí)別率，但是推廣到多種害蟲的識(shí)

4、別往往效果不好。針對(duì)以上問題，本文提出了基于多特征融合的農(nóng)作物害蟲圖像識(shí)別。該方法使用Fisher線性判別法計(jì)算各特征的權(quán)值，結(jié)合歐式距離分類器，以水稻、油菜、玉米、大豆四種作物的34種害蟲為實(shí)驗(yàn)數(shù)據(jù)，通過多種特征組合方式分別進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證明該算法具有很高的識(shí)別率。
　　以實(shí)際應(yīng)用為目標(biāo)，開發(fā)了一套界面友好、易于擴(kuò)展的基于圖像識(shí)別的農(nóng)作物害蟲診斷系統(tǒng)。該系統(tǒng)不僅可以讀取本地害蟲圖像進(jìn)行識(shí)別，還可以獲取外置圖像采集設(shè)備捕捉到的