资源描述：
《基于计算机图像处理技术的作物病害等级检测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
分类号单位代码密级学号妄微旗业大学学位论文基于计算机图像处理技术的作物病害等级检测指研究生曰们币甲导教合作指导教师申请学位门类级别专业名称研所究在方学院向工学院答辩委员会主席年月 独创性声明本人声明所呈的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人己经发表或撰写过的研究成果,也不包含为获得安徽农业大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名葛崎签字日期砂了年石月,日学位论文版权使用授权书本学位论文作者完全了解安徽农业大学有关保留、使用学位论文的规定,有权保留并向国家有关部门或机构送交论文的复印件和电子文件,允许论文被查阅和借阅。本人授权安徽农业大学可以将学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存、汇编学位论文保密的学位论文在解密后适用本授权书。学位论文作者签名二主鲤指导教师签名牵吐签字日期枷年石月,日签字日期网年栩肿学位论文作者毕业后去向工作单位电话通信地址邮编 摘要传统的作物病害检测是农业生产者和植保专家通过以往经验来进行肉眼判断,这种方法不论是在试验大棚中还是田间调查很辛苦,劳动强度大,并且由于人为主观因素的影响,有很大的不确定性,所以迫切需要一种比较快速而方便的方法来代替人工检测。然而到目前为止,国内外尚未见到详细针对作物病害危害程度的研究。本论文以计算机图像处理技术为重要技术手段,在盆栽试验的基础上综合运用图像处理、植物病理学、色度学、几何特征、距离特征等方面的知识,研究了利用计算机图像处理技术进行作物病害受害程度的检测,以生产中常见的玉米小斑病、水稻纹枯病、水稻稻瘟病为研究对象,经过图像预处理后提取作物的颜色特征、几何特征、距离特征,建立了作物危害程度检测模型。其中,通过玉米小斑病病斑占冠层叶片面积的百分比即冠层受害程度,结合人工检测的整株玉米病情指数,分析两者的相关性,并建立了函数模型,经检验通过玉米冠层受害程度计算出的整株病情指数的拟合值与实测值相对误差率在。可以用该模型来修正图像检测结果,解决了图像处理的局限性问题颜色特征值可预测玉米小斑病病情指数,误差率为巧水稻稻瘟病病斑分离出来后采用连通区域标记的方法实现病斑计数,误差率为水稻纹枯病危害程度通过距离特征进行检测,误差率为。经检验证明本论文采用的方法可以代替传统的人工检测方法,具有较好的推广和应用价值。本研究为进一步开发具有商业价值的作物病害危害程度检测系统提移红了必要的理论依据和技术基础,利用图像处理技术客观地检测病害及危害程度,从而有效地指导病害防治或病害管理并能够精确地控制农药的喷洒量。对促进计算机图像处理技术在我国农业工程领域的应有具有一定的意义。关键词图像处理,病害危害程度,颜色,几何特征,距离特征 AbstraCtThetraditionaldeteetionoferoPsPlantdisease15judgedbytheagrieulturalProdueerandthePlantProtectionexPertonthenakedeyetliroughformerexPerienee,,,,,仙如,,,一,,,一,、一侧,,',一·一一一,、,恤,,'一, 目录摘要·····································································……·································································……插图目录··································································……列表目录··································································……训第一章绪论·······························································……研究的意义·····················································……”'二”国内外研究现状······································……'…`””'`””'遥感技术在作物病害检测中的应用······························……图像处理技术在作物病害检测中的应用························……智能专家系统·························……`二”'`””””'“'`”`”'研究目标与内容····································……”·””“””””'研究目标·······················································……'·研究内容·························································……小结··································································……第二章研究方法及试验设计··········································……研究思路与技术路线················································……研究思路··················································……`·'二'·技术路线············································……”“·””'`”试验设计···································……'…'·…””””””'试验一水稻及病菌的培育试验······························……试验二玉米及病菌的培育试验······························……小结····························································……第三章图像采集及处理················································……数字图像处理系统的实现·········································……门系统框图········································……`·…'·'·'·`'“”系统的实现··········································……`”`二”””数字图像获取······································……'…“'二”””'图像的预处理···········································……'·”`”'`”图像处理窗口的确定·························,················……图像的灰度化处理·············································……,图像的分割························……`·…`·”'`””“'`””””””'边缘检测·····································……”'二””'`'`'`'几 3.4.2基于区域图像的分割·······················,···············……其它因素的消除······················································……光照强度影响的消除·······································……叶面积影响的消除·······································……图像特征数据的提取················································……小结·······························································……第四章应用图像处理技术进行作物病害等级检测···············……应用颜色方法对作物病害危害程度进行检测·····················……玉米小斑病图像颜色特征数据的提取及模型的建立·········……水稻纹枯病图像颜色特征数据的提取及分析··················……应用几何特征对作物病害危害程度进行检测·····················……玉米小斑病病斑的提取及计算·································……水稻稻瘟病病斑的提取·······································……应用距离方法对作物病害危害程度进行检测···············……刁构建椭圆模型···················································……水稻稻瘟病危害程度检测·······································……水稻纹枯病危害程度检测······································,……小结··································································……第五章结论与展望······················································……结论··································································……展望·················································,··················,…参考文献····································,···························……致谢········································································……作者简介··································································……硕士期间发表的学术论文·············································…… 手雷图目录图一受虫害后的玉米棒图像······················································……图一应用图像处理技术对作物受害的危害程度分级的研究思路示意图……图一应用图像处理技术对作物受害的危害程度分级的技术路线示意图……图一数字图像处理系统················································……图一灰度图··············……,·····················································……图一常用的边缘检钡法····························································……图一受害玉米原始图像····························································……图一图一的分量图························································……图一图一的直方图·······························································……图一图一的分量图·······························································……图一图一的直方图·······························································……图一图一的分量图·······························································……图一图一的直方图·····························································……图一一图···········································································……图一图一的直方图······························································……图一图一的二值化图····················,······································……图一一图···········································································……图一图一的直方图·······························································……图一图一的二值化图····························································……图一一一图·······································································……图一图一的直方图······················································,········……图一图一的二值化图·······················,····································……图一玉米病叶的彩色图······················································……图一工模型········································································……图一一期模型值与病情指数的二次曲线型相关关系··················……图一一期模型值与病情指数的二次曲线型相关关系··················……图一二期模型值与病情指数的二次曲线型相关关系··················……图一二期生模型值与病情指数的二次曲线型相关关系··················……图一实测值与预测值比较············……`······································……图一去除背景后的一图·················································……`'…图一去除背景后的一图······················································……犯图一图一的二值化图···················································,·····……犯 图一病斑的二值化图····························································……图一玉米冠层受害程度与整株病级的关系························,···········……图一通过玉米冠层受害程度计算的实测值与预测值比较············,··……图一水稻稻瘟病原始图像······················································……图一病斑的二值化图···················································……””””'图一图像的椭圆模型·················································……`·””””'图一利用图像处理检测水稻稻瘟病最大病斑长度与人工检测结果的关系…图一水稻纹枯病原始图像·························································……图一单株当量椭圆长轴示意图···················································…… 列表目录表一玉米小斑病一期试验植株图像分割结果·································……表一玉米小斑病二期试验植株图像分割结果·····················……,·····……表一水稻纹枯病植株图像分割结果·············································……表一水稻稻瘟病植株图像分割结果··············································一表一一期值与病情指数的回归方程及决定系数························……表一一期值与病情指数的回归方程及决定系数························……表一二期值与病情指数的回归方程及决定系数························……表一二期值与病情指数的回归方程及决定系数························……表一水稻纹枯病模型颜色提取·············································……表一水稻纹枯病模型颜色提取·············································……表一水稻稻瘟病病斑大小的检测结果··········································……表一水稻纹枯病的检测结果······················································……己 绪论研究的意义我国是一个农业大国,农业在国民经济中有着重要的意义。近年来,随着人民生活水平的提高,人们对农产品的品质要求也越来越高。但是在农作物的栽培过程中,常常会出现各种各样的病虫害,这些病虫害会对作物造成严重的影响。而在这些病虫害中,病害是主要的一种危害。作物只有适宜的土壤营养和水分条件,合适的温度、湿度、光照等大气环境,它的生理活动才能得以顺利进行,最终获得高产和优质的农产品。植物病害是指植物受到不良环境因素的干扰或病原生物的侵染,其代谢过程受到影响和破坏,在生理上和组织结构上产生一系列病变,在形态上表现出病态,使植物不能正常生长发育,甚至导致局部或整株死亡,并对农业生产造成损失。一旦植物发生病害无疑是有害的。因为病害直接影响了正常的生长发育,间接影响到产量与产品的品质川。为了能够使得作物能够高产,药剂的使用是病害防治中的最快速、最有效手段。但是人们在施药过程中往往忽视了田间病害发生的差异性,不论植株高低、病害的严重度都采用相同的施药量,不仅造成药液的浪费,同时对环境有严重的危害。为了有效地施用农药消灭植物病害,达到作物高产的目的,又能合理地施用农药减少环境污染,前提条件之一是准确地获得植物生长状态信息,而关键的技术是如何能及时、快速地获得植物受害的病因及受害程度。传统的病害检测是农业生产者和植保专家通过以往经验来进行肉眼判断,这种方法不论是在试验大棚中还是田间调查劳动强度大,并且由于人为主观因素的影响,有很大的不确定性。基于以上的问题使我们不断思考能不能采用一种比较快速而方便的方法来对植物病害进行等级自动识别。利用图像处理技术为植物病害进行危害程度自动识别提出了一个全新的思路。植物发生病害有很多病症,归纳为变色、坏死、萎蔫、腐烂、和畸变五种表现形式。尽管植物病害的症状是各种各样的,但绝大多数病害症状通过外部症状,即或多或少会在叶子上表现出来,使得叶片出现病斑、病纹。通常病斑的颜色一般与叶片的颜色有明显的差异。基于以上植物病害症状的描述,就为我们采用图像处理技术,通过外观颜色和形态及纹理来判断植物的发病情况提供了科学依据。所谓计算机图像处理,就是利用数字计算机及其他有关数字技术,对图像施加某种运算和处理,从而达到某种预想的目的。它是从应用中产生并发展的一门学科,六十年代开始形成,七十年代二维图像处理和识别取得较大进展,八十年 代已重点研究三维景像,虽只有短短的三十多年历史,但其研究及应用已渗透到各个领域,大至空间技术,小至电子显微图片的处理,广至工业、农业、军事、医学、航天等多个方面,具有适应各种测量、分析、计算的能力。计算机图像处理技术在发展初期主要应用于工业生产和生物医学,只有少量应用于农业工程研究,具体的方法主要是简单的视觉模拟,即通过单独提取研究对像的外形尺寸、颜色、纹理、轮廓等特征来模拟人的视觉。由于大部分农作物对象是自然生长或栽培的产品,不论其外观和内在品质上都存在严重参差不齐的现象,提取单一的特征离散度大。所以这些研究都停留在算法和方法的可行性探索上,但它们对图像处理技术在农业工程中的应用起到了推动作用。由于作物病害的症状可表现为叶片、茎、花、果实、根等部位,但症状最明显地表现在叶片上,发生病害时,叶片的颜色和纹理特征都会发生较为明显的变化。它们细小的差别都可能影响到病害的检测。人工的辨色有其不足之处,色觉正常的人即使能够识别多种颜色,但其分辨能力毕竟是有限的,正常人识别颜色的灰度也只能达到级。同时,利用人工辨色无法对颜色进行定量分析、描述,人们对颜色的描述大多是定性的。对相近的颜色和纹理,人眼很难能分辨出细微的差别,同时也很难给出颜色和纹理特征的具体数值。计算机可以识别一的精度,而且还可以将图像的数据定量化。针对发病叶片,虽然可以利用分析仪器来测量叶片的受害面积,但这些仪器只有在专业的农业科研机构才有,生产单位购置这些装置,从经济性,实用性考虑都不太现实。而使用图像处理技术,硬件系统相对简化,只要研究出发病叶片图像的有效特征提取方法,许多特征的测量可以同时实现。再利用计算机进行数据处理和分析,可方便地将人工智能融合进去,开发出智能的检测系统,这些都体现出计算机图像处理技术的巨大优势。将图像传至工,还可以实现作物病害等级的在线检测和远程诊断。因此,利用计算机图像处理技术,对植物的受害状况进行判别,分析其颜色和纹理的变化,对今后农作物精准施药的自动化,智能化有着深远的影响。国内外研究现状目前,病虫草害信息的自动快速采集主要是基于计算机图像处理和模式识别技术,以研究作物植株的根、茎、冠层叶、花、果实等的形态特征作为检测判读的目标。主要分析方法有光谱特征分析法、纹理特征分析法、形状特征分析法等。用于识别的图像有普通的灰度图像、彩色图像、光谱图像和遥感图像等。在宏观上大尺度病虫草害板块信息的快速采集多采用遥感图像的分析处理,而小区内病虫草害的精确定位识别主要借助于机器视觉识别方法。作物生产中,准确、迅速、经济地判断作物病害发病的严重度状况,进而确定农药需要量,对提高作物的实时精确喷施农药具有重要意义。近年来,随着相关领域科技水平的不断提 高,病害等级的测试技术正由传统的实验室常规测试向田间直接无损测试方向发展,同时测试水平正由定性或半定量的手工测试向精确定量的智能化方向发展。目前,针对作物病害的智能化无损测试技术已成为国内外研究的热点。其中较成熟的技术方法主要有遥感技术和专家系统。遥感技术在作物病害检测中的应用病虫害对植物生长造成的影响主要有两种表现形式,一为植物外部形态的变化一为植物内部的生理变化。外部形态变化特征有落叶、卷叶,叶片幼芽被吞噬,枝条枯萎,导致冠层形状起变化。生理变化则可能表现于叶绿素组织遭受破坏,光合作用,养分水分吸收、运输、转化等机能衰退。但无论是形态的或生理的变化,都必然导致植物光谱反射与辐射特性的变化,从而使遥感图像光谱值发生变异,在高分辩、大比例尺遥感图像上有时还可以直接识辨出遭受病虫害袭击的异化影像。年印度应用红外航空遥感拍摄了孟买附近的亩水稻照片,当时大部份稻谷已成熟,所以呈金黄色,也有少部份呈黄绿色和绿色,但通过地面观察发现,有的稻谷已感染了白叶枯病,稻叶边缘有白色条纹,这种稻谷也呈黄色,粗看很难与成熟稻谷区分,但从彩色红外航片看,绿色稻谷呈深红色,成熟的黄色稻谷呈黄绿色,而感染了白叶枯病的黄色稻谷则呈黑色。所以利用红外遥感可以探测水稻白叶枯病。等用地物光谱仪研究大豆受蚕豆斑点葡萄抱感染后的反射光谱,发现其一阶导数反射率比原始的反射率要高,可用来监测病虫害的感染发生情况,但无法进行病虫害危害程度的识别。吴曙雯等对水稻受稻叶瘟侵染后的光谱特性进行了测量,通过对四个感染不同等级稻叶瘟的水稻冠层反射光谱进行测试,并对光谱反射曲线进行微分分析,研究了绿光区、红光区和近红外区反射光谱的变异特征。结果表明绿光区、红光区、和近红外区的水稻冠层光谱反射率随病情程度的加重分别呈现下降、上升和下降的趋势绿光吸收边缘的特征波长值发生红移,红光吸收边缘和近红外吸收边缘的特征波长值发生蓝移。受害轻时近红外区反射率变化幅度大,受害重时绿光区和红光区反射率变化幅度大。黄木易等对冬小麦条锈病光谱特征进行了研究,结果表明在条锈病害田间病叶率为时的最佳防治时期内,高光谱可以对冬小麦条锈病害做出早期诊断。利用多时相的高光谱航空图像可以快速、大面积的监测冬小麦条锈病病害程度,但对病虫害的诊断性探测、评估还需要进行进一步的研究。图像处理技术在作物病害检测中的应用年,穗波雄信通过图像对茨菇缺,,元素为例进行了研究。穗波雄信从含有病态的叶片图像中去除背景,从含有叶子的图像中分别提取叶子的正常和病态部分的色度直方图进行讨论,并对用茨菇叶片图像的,,值作为其 缺,,,等元素的判别指标进行了尝试,。年,研究了受虫害后的玉米棒图像图一,并根据受害后的缺陷部位灰度发生的变化,成功识别出受虫害的玉米棒。图卜受虫害后的玉米棒图像·年,研究了黄瓜炭疽病的自动诊断技术,研究了不同的分光反射特性和光学滤波对病害识别的影响,采用遗传算法,从分光反射特性和形状特性的角度建立了识别参数,对病害进行识别。由于未充分利用颜色和纹理信息,因此识别精度不高。年,等针对棉花害虫分类,建立一套自动害虫管理系统。他们利用计算机视觉、人工神经网络、模糊控制方法建立自适应神经模糊控制系统,结果表明这是较好的分类系统,为棉花虫害的田间管理打下很好的基础'】。年,于新文、沈佐锐等在作物病虫图像特征提取、测量及种类自动识别研究中,对昆虫图像的分割和边缘检测算法进行研究,利用昆虫的数学形态学特征,提取目标的轮廓,如植物叶形轮廓和昆虫体形轮廓,实现了棉铃虫等种昆虫的自动鉴别,准确率达到以上''】。年,陈佳娟等采用计算机视觉技术,根据棉花叶片的孔洞及叶片边缘的残缺,来测定棉花虫害的受害程度。该方法应用局部门限法完成图像与背景的分割用高斯拉普拉斯算子,进行棉花图像的边缘检测,利用边缘跟踪算法确定棉叶中的孔洞,利用膨胀算法确定叶片边缘的残缺。实验结果表明,该方法可有效的测定棉花虫害的受害程度,其测定误差小于。年,吴富宁等利用农作物自身的特征对农作物图像进行分类识别是计算机视觉技术在农业自动化应用中的重要前提条件。该文首先探讨了基于颜色特征的两种图像分类识别方法统计直方图法和颜色参量的统计特征法,并分析比较了两类方法的特点,试图为以农作物颜色为特征的图像分类识别应用提供思路。最后综述了从分析农作物外在的颜色特征进行农作物图像分类识别的国内外最新研究方法和成果,以促进计算机视觉技术在我国农业领域的应用和发展”】。年,田有文等针对植物病害彩色纹理图像的特点,提出将支持向量机和色度矩分析方法相结合应用于植物病害识别中。首先利用色度矩提取植物病害叶片的特征向量,然后利用支持向量机分类方法进行病害的识别。黄瓜病害纹理图像识别实验分析表明,利用色度矩提取病害彩色纹理图像特征简便、快捷、分类效果好支持向量机分类方法在病害分类时训练样本较少,具有良好的分类能 力和泛化能力,适合于植物病害的分类。不同分类核函数的相互比较分析表明,线性核函数最适于植物病害的分类识别】。年,马骏等应用数学形态学算法进行植物病虫识别,采用膨胀和腐蚀快速算法用于提取病虫骨架特征。根据不同种类病虫骨架的几何矩特征,通过神经网络进行病虫分类识别。试验结果表明,这种基于数学形态学和神经网络的植物病虫识别方法正确识别率高,识别速度快,适合于植物病虫种类的识别,但对病虫害程度则无法进行分类识别”。智能专家系统农业专家系统也叫农业智能系统,是农业信息技术中的一个重要组成部分,它运用人工智能的专家系统技术,依据存储于计算机中的一个或多个农业专家提供的领域知识、经验结合用户提供的信息数据和事实,模拟农业专家就某一复杂农业问题进行推理和判断。典型的农业专家系统主要由知识获取工具、知识库、数据库、模型库、推理机、数据库接口部分组成。世纪年代末期美国开始研究农业专家系统,最初用于农作物的病虫害诊断,年伊利诺斯工大学的植物病理学家和计算机科学家共同开发的大豆病害诊断专家系统是世界上最早的农业专家系统。到年代中期,随着专家系统技术的迅速发展农业专家系统已从单一的病虫害诊断转向生产管理、经济决策与分析生态环境等方面,'。我国农业专家系统的研究始于世纪年代初,到目前为止已广泛应用的病虫害专家系统有苹果、梨病虫害防治决策支持系统,蔬菜病虫害综合治理咨询系统,大豆病虫害诊断专家系统】,预测小麦病毒流行专家系统,水稻害虫管理专家系统,稻瘟病综合防治专家系统,玉米病虫害防治专家系统,安徽省水稻主要病虫害诊治专家系统,多媒体玉米病虫害诊治专家系统,农作物病虫害微机测报专家系统等。研究目标与内容研究目标本研究基于当前图像处理技术、在作物供水,养料充足基础之上,通过高分辨率的数码相机及时获取水稻、玉米发病过程中叶片的颜色及形态信息,由于试验品种是玉米和水稻,两者所移植的病菌不同,发病特征不同,受害程度的分级标准也不同,玉米小斑病是根据病斑占叶片的面积百分比来分级,而水稻纹枯病是根据发病位置来分级,水稻稻瘟病是根据病斑的大小和数量来分级的,所以在图像提取特征值时会有所不同。结合其它相关的信息技术,客观地对病害等级进行量化,从而有效地指导病害防治或病害管理并能够精确地控制农药的喷洒量。研究目标 ☆基于不同病害等级下作物叶片颜色变化,研究利用图像处理技术提取作物各生育时期的叶片颜色信息,建立应用叶片颜色检测病害等级的方法体系。☆基于不同病害等级下作物叶片上病斑几何特征的动态变化,分析利用图像处理技术提取作物主要生育时期的叶片病斑的几何特征,建立应用叶片病斑几何形态检测病害等级的方法体系。☆基于不同病害等级下作物发病病斑位置变化,分析利用图像处理技术提取作物主要生育时期的病害发病病斑位置距离株基部的距离和株高,达到快速准确的检测。☆建立应用图像处理技术进行作物病害危害等级的检测,实现病害等级的快速、适时监测。研究内容本文主要研究内容如下在水分、养料充分的情况下人工种植病菌让玉米、水稻发病,使之呈现出不同受害等级建立适合于玉米,水稻的受害图像获取方法和规范的图像预处理和图像分割方法利用图像处理技术确定适合于水稻,玉米危害程度的检测方法挖掘图像的颜色信息,筛选能够理想表达作物病害等级的颜色特征参数,建立病害等级与颜色相关性模型并进行检验在图像分割中将病斑和叶片进行分离,提取病斑的几何特征面积、大小、数量利用水稻纹枯病危害程度根据病斑位置来分级的标准,在图像处理中提取发病病斑距基部的距离及整株株高,用两者之比进行分级。小结本章首先引入作物病害的概念,阐述了作物发生病害对农业生产的危害性,人工检测作物病害危害程度的缺点。并对数字图像处理进行了简单的介绍,分析了计算机图像处理技术运用于作物病害危害程度的检测的可行性、经济性、优越性。综合评述了计算机图像处理技术在国内外农业生产中的研究和应用现状。明确了研究目标和内容。 2研究方法及试验设计研究思路与技术路线本文通过田间试验,采用盆栽、人为改变病菌数量,有效控制作物不同数量病菌水平的环境条件。在其它限制因子满足的条件下,一方面按照作物生长的主要生育时期进行常规观测,获取不同数量病菌侵害下的长势指标另一方面及时获取作物各个主要生育时期的数字图像。在通过以上两种方式对作物生长监测的基础上,研究不同数量病菌处理下的数字图像特征与病害等级的关系,建立基于图像处理技术的病害等级检测方法体系,用于对病害等级的实时、快速检测。具体的研究思路和技术路线如下研究思路在盆栽和大田条件下,在作物不同生长期分别进行常规人工观测和应用数码相机视觉技术获取作物的受害状况,将两种观测手段相结合,建立反映作物受害程度和冠层数字图像所提取的特征模型以盆栽试验为主。受不同数量的病菌侵害的作物不同生长期叶片呈现不同的特征图像采集设备,冠层图像的获取人工调查图像处理一卜片图像特征与人工调查的结果相关性分析及相关性检验结论图一应用图像处理技术对作物病害危害程度分级的研究思路示惫图·晰 2.1.2技术路线由于试验品种是玉米和水稻,两者所移植的病菌不同,发病特征不同,受害程度的分级标准也不同,玉米小斑病是根据病斑占叶片的面积百分比来分级,而水稻纹枯病是根据发病位置来分级,水稻稻瘟病是根据病斑的大小和数量来分级的,所以在图像处理中提取的特征会有所不同。首先图像获取、图像预处理、图像分割步骤后,根据不同的病害等级分级标准对玉米小斑病图像进行颜色特征和病斑面积提取对水稻稻瘟病进行几何特征提取计算病斑的数量、大小对水稻纹枯病图像进行颜色特征提取并计算病斑距基部的距离占整个株高的距离百分比。然后再分别利用颜色、几何、距离特征检测。图像采集配备计算机、数码相机获取图像图像预处理图像分割,消除光照强度叶面积的影响颜色特征提取特征提取几何特征提取距离特征提取利用颜色特征检测检测过程利用几何特征检测利用距离特征检测结果输出图一应用图像处理技术对作物病害危害程度分级的技术路线示意图·鳃 2.2试验设计本研究完全建立在试验基础之上,研究的基础部分—人工调查病级完全由试验而来,模型验证中所需的试验样本也属于试验的一部分,具体内容如下试验二玉米及病菌的培育试验试验材料玉米品种浚单供试菌种玉米小斑病病菌株病理实验室提供小斑病培养基培养基马铃薯,加,水煮沸,单层纱布过滤去渣,取滤液并加水定容至,,蔗糖鲍,℃下高压灭菌试验方法玉米单株温室内盆栽,设置不接种病原菌与接种病原菌两个处理。两个批次均供水适量而充足,且所有盆栽的供肥情况均相同。晴天揭棚,雨天覆膜以维持植株的自然状态。玉米小斑病病情指数是全面考虑发病率与严重度两者的综合指标,病情指数的调查是通过人工调查并计算得到的,若以叶片为单位,当严重度用分级代表值表示时,病情指数计算公式为炳`清于,昌数,,二署丫士〔各二级丁病二厂叶数言一、各级二代表值士、“一调宜,巳“卞戮最简一教戈衣,且当严重度用百分率表示时,病情指数二普遍率严重度试验一水稻及病菌的培育试验试验材料水稻品种杂交“丰两优号'、供试菌种水稻纹枯病菌株病理实验室提供,稻瘟病菌株关,潜山,日召农科院提供纹枯病培养基培养基马铃薯,加,水煮沸,单层纱布过滤去渣,取滤液并加水定容至,,琼脂,℃下高压灭菌稻瘟病培养基燕麦琼脂培养基燕麦片馆,加,水浸泡后煮沸,单层纱布过滤去渣,取滤液并加水定容至,,琼脂,℃下高压灭菌试验方法纹枯病接种分别在苗期和成株期水稻分孽期接种,将长满菌丝的平 板,用打空器打成菌碟,再用镊子把菌碟贴于水稻基部和叶鞘中,根据不同病害等级设置六个处理,每个处理株水稻,根据纹枯病分级标准,每个处理在不同的位置放置菌碟,然后用薄膜覆盖保湿。在症状开始出现后,进行病情调查。每个处理选取株水稻,分别调查其发病情况。黄叶率病叶数八急叶数病斑高率病斑长度株高病斑相对高度最高病斑的高度平均株高平均一严重度艺各级病株数相应级数总病株数最高级数病情指数艺各级病株数相应级数总株数最高级数小结本章就利用图像处理技术检测作物病害危害程度阐述了研究思路和技术路线,详细讲述了培育样本的具体流程,确定了判断作物病害程度的等级标准。为后续图像处理作准备。 3图像采集及处理本研究中采用作物的可见光图像,用数码相机采集图像,采集的作物植株图像噪声、失真很小,无需进行去噪、复原等处理,但数码相机采集的作物植株的原始图像包含土壤、塑料盆、杂草等一些背景因素,需要将作物植株从图像中提取出来,进行光照及叶面积影响的消除等预处理,以便后续的分析。数字图像处理系统的实现系统框图原始图像””“一'“““,…”””一”“…”””“】”'……`·””··”···“,·”一'·”·一飞作物植株分割模块光照强度影响消除模块叶面积影响消除模块特征数据提取模块图一数字图像处理系统一系统的实现软件系统采用来实现。的名称源自,由美国公司年出品,于年月推出。是一种科学计算软件,专门以矩阵的形式处理数据,简单易学,功能强大。将高性能的数值计算和可视化集成在一起,提供了大量的内置函数,集成了和图形功能,以完成相应数值可视化的工作,从而被广泛地应用于科学计算、控制系统、信息处理等领域的分析、仿真和设计工作。八还提供了一种交互式的高级编程语言语言,利用语言可以通过编写脚本或者函数文件实现用户自己的算法,从而可以非常容易地对的功能 进行扩充。还开发了相应的专业工具箱函数供用户直接使用。这些工具箱应用的算法是开放的可扩展的,用户不仅可以查看其中的算法,还可以针对一些算法进行修改,甚至允许开发自己的算法扩充工具箱的功能。目前产品的工具箱有四十多个,分别涵盖了科学计算、控制系统设计与分析、数字信号处理、数字图像处理、金融财务分析以及生物遗传工程等专业领域饭浏。中数字图像处理工具箱包含了大量的函数,具有强大的图像处理功能,,,,,。图像的输入输出可以实现图像的硬件采集、屏幕输出、从文件中读取、写入文件中等基本操作图像的增强可以实现直方图均衡化、平滑图像、锐化图像等功能图像的复原对退化的图像进行复原图像的分割包括闽值分割、边缘检测、区域生长等功能形态学处理可以对图像进行膨胀、腐蚀、开启、闭合等处理图像的压缩编码对图像数据进行压缩后编码。本软件系统在基本图像处理功能的基础上,编写函数文件,实现作物植株分割模块、光照强度影响的消除模块、叶面积影响的消除模块、特征数据提取模块,对试验中采集的大量图像数据进行自动处理。数字图像获取目前,图像处理技术在作物科学中的应用涉及到对作物图像的几何信息提取、图像分割、杂草识别、品种鉴定、营养检测等诸多方面,其中运用到的图像处理方法无不考虑图像的颜色信息,在通过作物的颜色特征进行作物病害检测的应用中,图像颜色质量的要求更高。因此,运用数码相机等设备进行作物图像获取时首先要确保其颜色信息,基本要求是在自然光线变化不是非常剧烈的情况下,不同生长环境下的作物颜色具有可比性,并且相同生长环境下的作物颜色具有不变性。这在机器视觉模拟专家视觉进行作物生长状况的决策检测研究中具有非常重要的意义,也是确保图像后续处理取得成功的关键。从植株正上方同一高度拍摄,高度为左右,相机型号为一,图像为、位的真彩图,图像以文件格式存储在硬盘中。采像多选择在上午以前和下午以后。因为这时光线比较柔和。直射光较弱,减少因阴影造成的误差。图像的预处理图像处理窗口的确定本研究虽然在获取作物图像时采用了有约束固定拍摄模式,但将获取到的图 像直接进行特征提取和图像分析,进而用于作物病害检测仍是不可行的,一方面图像获取时的随机因素对图像质量的干扰不可避免,图像的几何变形、亮度变化和噪声叠加等都会影响其原有的信息另一方面图像处理的重要一步是将图像中不属于作物的区域剔除,玉米水稻叶片大小不一,其图像并不占据整个数据采集区域,因此,在数据采集的时候尽可能将图像充满整个数码相机取景框,以后所进行的各项处理均集中在此窗内,这样,可以大大地减小图像处理的工作量。图像的灰度化处理由于获得的图像为真彩色文件,每一个像素点用个数值来描述它的特征,因此,处理的工作量很大。因此,必须将彩色的信息投影到灰度空间上。颜色具有三种特性,即明度、色调、饱和度。人眼能根据这三个特性分辨不同的彩色。彩色的明度是一个能量的量度,彩色表面反射的能量愈高,物体的明度越高,但人眼对颜色的亮度感觉与该颜色的光波长度有关。色调是彩色相互区分的特性,它表明颜色的种类,取决于主波长。饱和度是表示某种颜色与对应色调的单色光接近的程度,即彩色的纯洁度。由于人眼对、、三个分量亮度的灵敏度感觉不一样,可以使用明度作为图像灰度化的依据,即忽略图像中个像素点的色调和饱和度,而仅仅取各像素点的亮度信息,从而获得比较好的主观色彩效果。从理论上讲,等量的三基色红、绿、蓝相加可以变为白色,其数学表达式为白色一但由于人的视觉对颜色灵敏程度的差异,等量的、、混合不能得到白色,故其混合比例需要进行调整,从大量的试验可知,采用份的红色,份的绿色,份的蓝色混合后可以得到白色,即白色一将所拍摄的图像按照以上的公式进行处理,即可以得到所需要的级灰度图像图一。图一灰度图一 3.4图像的分割边缘检测边缘特征是数字图像的特征,它在计算机图像识别和分析处理中起着举足轻重的作用。首先,图像识别的一个基本内容是图像的分割,而图像分割的基础是相邻像素值之间的相似性和跳变性,合称“边缘特性”。边缘特性的外部表现是沿着边缘走向像素特性变化缓慢,而沿着垂直于边缘方向,像素特性变化剧烈。所谓的像素值“相似性”是指在某个图像区域内的像素具有某种相似的特性,如灰度值一样或相互接近、纹理相同等而像素“跳变性”是指某种特性的不连续性,如灰度值的聚变等。其次,图像中的边缘能勾划出图像待检测或待识别目标的外型轮廓特征,使观察者一目了然。但是到目前为止,还没有边缘的精确且被广泛承认的数学定义,在此我们将边缘定义为两个具有较大灰度值差异的均匀图像区域的边界线但是有灰度的变化未必一定是图像的边缘,例如相邻灰度值变化缓慢时就不认为该处有边缘。从本质上说,图像边缘是图像局部特性不连续性如灰度值突变、颜色突变等的反映,它标志着一个图像区域的终结和另一个图像区域的升始【””。目前常用于提取图像边缘信息的算法以下几种边缘检测方法图一,边缘检测法如图,边缘检测法如图,边缘检测法如图,边缘检测法如图等。 图一常用的边缘检测法一朋结果表明以上四种算子增强图像效果不理想,因为有较多噪声背景土壤,出现轮廓不连续现像,所以无法运用边缘检测的方法将叶片与背景分割出来。基于区域图像的分割图像分割就是指把图像分成各具特性的区域并提取感兴趣目标的技术和过程'。设表示一幅图像中所有像素集合,分割就是把划分成若干子集、,,……,尺,,其中各子集构成一个空间连通区域,且满足以下条件尺·即分割所得到的全部子区域的总和应能包括图像中的所有像素。`是一个连通的区域,一,,…,。尺凡已对所有的`和,,,即各个子区域是互不重叠的。尸,二,对于一,,…,。。分割后得到的属于同一区域中的像素应该具有某些相同的特性。尸尺叼·,对于“。若尺与凡在空间相邻,即分割后得到的属于不同一区域中的像素应该具有一些不同的特性。尽管人们在图像分割方面做了许多研究工作,现在己经提出了大量的分割算法,,但由于没有通用的分割理论,现己提出的分割算法大都是针对具体问题的,并没有一种适合所有图像的通用分割算法】。对于彩色图像分割问题,必须充分利用彩色图像所包含的丰富的色彩信息,选择适当的特征,使目标和背景能依据特征上的差别进行区分,利用这个颜色特征将彩色图像转变成灰度图像,再确定闭值将灰度图像二值化。本研究中的图像是在温室大棚内对单个受害玉米植株拍摄的,受害玉米植株的特点及生长环境为绿色的叶子上面有黄褐色或红褐色的病斑,白色的塑料盆,盆中有较湿的土,较干的背景土壤等,图像使用数码相机在大棚内采集,采集的图像为整株作物冠层图像图一。使用数码相机采集的玉米植株图像,噪声、失真比较小,预处理主要是玉米植株的分离、光照及叶面积影响的消除。 图一玉米小斑病原始图像·图一所示为采集的图像样本,下部两叶片有明显的黄色病斑,要消除背景的影响,可以只取叶片的中部部分来进行分析,但由于受病害的叶片在边缘信息上也有所体现,只取图像的中部部位处理会丢失掉部分有用的信息,所以进行了两次分割第一次将背景与叶片分割出来,第二次分割将叶片的正常部位与病斑部位分割出来。由于处于不同自然光照强度其色调也不会改变,因此只要把图像中色调为绿色的部分分割出来即大部分玉米病叶也就分离出来了。以彩色图像的分量图进行分割期卿仰劝仰一日甘目﹄︹彭肠侧月匆日灰度拙图一图一的分量图图一图一的直方图·一··潮蒯肠叔联山门月门口灰度图一图一的分盘图图一图一的直方图···· 硼姗娜戴械彩口甘日灰度皿让图一图一的分图图一图一的直方图···的·图一为原始图像的分量红色分量图,图中玉米叶片的灰度值主要集中在之间,倒一叶由于受病害影响颜色变黄,灰度值在之间,干土背景土壤的灰度值在之间,塑料盆的灰度值在左右,湿土盆中土壤灰度值在之间,由于叶片与周围环境的灰度值几乎完全的重叠在了一起,无法将玉米叶片分离出来。图一为原始图像的分量绿色分量图,图中玉米叶片的灰度值主要集中在之间,背景土壤的灰度值在之间,盆中土壤灰度值在之间,塑料盆的灰度值在左右,叶片与周围环境的灰度值部分重叠在了一起,分离效果不是很好。图一为原始图像的分量蓝色分量图,图中叶片与周围环境的灰度值几乎完全的重叠在了一起,也不能将叶片分离出来。由、、分量图及其直方图可以看出玉米叶片亮度值与土壤及盆中土壤灰度值有大范围的重叠,故利用单个分量直方图不能将叶片分离出来。以彩色图像的分量组合进行分割从分量图中得到,作物图像的背景即土壤有较大的、值,而其值却总小于植物本身的值,利用一、一、一一等指标来区别作物与非作物背景是非常有效的。下面对一、一、一一图像进行分析。彭以联间汉匀目日灰度抽图一一图图一图一的直方图一一·一 姗级汗倪毛姗蒸薰黝拱篡图一图一的二值化图图一一图·一··图一中叶片部分的一的值比非叶片部分稍高,但由于光照的影响,中间部分较周围灰度值高,由图一可知,迭代法自动选取闽值进行分割,图一中玉米叶片大部分没被分离出来。图一中非叶片部分的一值稍高于叶片部分黄化叶片除外,由图一可知,取闭值进行分割,为了图像清晰,将分割出的图像取反,图一为取反后的结果,玉米叶片虽然大部分被分离出来,但是塑料盆并没有消除。溯翻姗翻彭肠联间几滋书协灰度璐图一图一的直方图图一图一的二值化图,···一灰度掀胎图一一一图图一图一的直方图·一·一· 图一图一的二值化图图一玉米病叶的日彩色图··一一图一中叶片部分的一一值匕非叶片部分的值稍高,图像的类间距离加大中,加大值减小值和值来增大它们的可分离性。由图一可知,取闽值进行分割,图一为分离结果,但是图像中存在孔洞现像,可能是病斑或叶片反光造成的。可采用形态学的方法对分割后的图像进行形态滤波。与前两种方法比较此分割效果较好。以一一图分割玉米植株能够得到较为满意的效果,上述阂值采用以下迭代的方法可以自动选择脚卜选择一个值作为闲值的初值,以分割图像,得到两组像素是所有亮度值大于的像素,是所有亮度值小于等于的像素。计算和的平均亮度值,和计算新的闰值如果一。。为事先定义的一个正数值,则作为最终闽值,否则,转从图一所示一一图的直方图,谷底处在附近,因此选择作为初值,。,用上述方法对试验中采集的玉米小斑病幅图像进行分割,可以全部成功自动分割,分割结果如表所示。 表一玉米小斑病一期试验植株图像分割结果几一那图像编号终值内部迭代次数外部迭代次数巧 表一玉米小斑病二期试验植株图像分割结果几··图像编号终值内部迭代次数外部迭代次数工 此分割方法同样适用于水稻纹枯病和水稻稻瘟病植株与背景的分割。表一水稻纹枯病植株图像分割结果—业卜净卫岭鱼卯图像编号终值内部迭代次数外部迭代次数巧加招盯乙理 表一水稻稻疽病植株图像分割结果灿·脚吧图像编号终值内部迭代次数外部迭代次数,,,飞其它因素的消除光照强度影响的消除由于各个植株的图像不是严格的在同一时刻采集的,因此有必要消除不同时刻光照强度不一致的影响,采用归一化的颜色分量可以消除光照强度不一致的影响`,,即鹿二尸阴昭留夕命口留招留夕一二了一浇叶面积影响的消除各个玉米水稻植株的叶面积不同,从原图像中分离的植株所占区域面积也不相等,为了消除面积不等的影响,对、、分量的统计采用平均值,即`艺艺。艺二厂一二了二 rt、、分别为玉米水稻植株所在区域的所有像素归一化后的、、分量值的总和,为玉米水稻植株的图像面积,即玉米水稻植株所占区域像素的总数。图像颜色特征数据的提取水稻和玉米植株在健康时外观上的表现是颜色鲜亮的绿色,而受病菌侵害后的植株呈颜色有变化。本研究计算作物植株图像的红色分量、绿色分量、蓝色分量、、、、归一化后的平均值、小分量、及模型中的色调、亮度工、饱和度等特征量。小结本章获取了玉米小斑病叶片的图像,对图像进行了预处理,主要包括图像处理窗口的确定,图像灰度化,选择边缘处理并不能将叶片与背景分离分析了三分量图像后利用一一分割出叶片和背景,分割效果较好。此分割方法同样适用于其他绿色作物图像中。去除背景的叶片还原成彩色图像,消除光照和叶面积影响,提取图像颜色特征数据,为后续分析作准备。 4应用图像处理技术进行作物病害等级检测应用颜色方法对作物病害危害程度进行检测颜色是发病叶片的一个重要的外观特征,专家进行缺素判别时颜色是识别的重要依据之一。我们利用图像处理技术模拟人眼的识别机理进行作物缺素判断,也选择颜色作为特征参数。人们对颜色的辨别是一个非常复杂的过程,涉及到光学、视觉生理等多方面的问题。不同的人辨色能力存在一定的差别,研究颜色的定量描述及模拟人的辨色是一个相当复杂的问题。色度学是为了模拟人的辨色,通过大量实验建立起来的研究颜色的测定和定量描述的学科。为了科学地测定、研究和使用颜色,人们建立了十几种颜色模型,常用的颜色模型有标准色度学系统、系统及孟塞尔系统等'】,通常在图像处理中经常应用的彩色坐标系统或称彩色空间有两种,即和颜色系统。颜色系统属于标准色度学系统,是在红、绿、蓝三基色学说下建立起来的颜色系统,值表示人眼对红绿蓝三种波长色光的敏感程度,通过混合三刺激值来产生其它颜色,、、分别为图像红、绿、蓝的亮度值,大小限定在一,或者在一。在色度系统中常用,,总量的相对比例,,来表示颜色,即一一奋一石。。找行万一竺式中二人眼只能通过感知颜色的亮度、色调以及饱和度来区分物体,不能够直接感觉红、绿、蓝三色的比例,系统是工业彩色模型中的一种,是直接用色调、亮度或明度、饱和度来描述颜色,比较符合人对颜色的描述习惯。三分量具有相对独立性,能够准确定量的描述颜色特征,但该系统表示的颜色并不全为视觉所感受的颜色。在系统中,色调是彩色彼此区分的特征,其取值范围为一度,从红色开始,经过黄色、绿色、蓝色等到紫色。饱和度是指彩色的纯洁性,光强是指光的强度。颜色的这三种基本特性可以用一个三维空间的枣型立体全部表示出来,如图所示。在颜色立体上,垂直轴代表白黑系列光强的变化,顶 端是白色,底端是黑色,中间是各种灰色的过渡。色调由水平面的圆周表示,圆周上的各点代表光谱上不同的色调。颜色色调的改变不一定伴随着光强的变化,当颜色在立体同一平面上变化时,只改变色调或饱和度而不改变光强,但只要颜色离开圆周,它就不是最饱和的颜色了。介时红'图一模型一它们与的关系为“二一'卜「一万去资一片、一宁一贵。于、于一一一一·、立一一之的另一种定义为万一刀、飞时尸,令一,一二,一一」由一、一式可以看出,计算比较复杂,由于图像数据比较大,转化时耗时较大,一种更简单且在实际应用中常用的计算方法为令,,,。、,,,。而,,, (4·在讨论玉米病害图像的颜色特征提取时,为了能够有效地提取特征,不是采用单独的颜色系统,而是与其它的颜色系统相结合。其中,系统是最常用的一种颜色系统,因为此系统是依照人类视觉的呈色机理表达物体的颜色信息,在图像处理中使用方便,易于表达。颜色系统可以定量的描述颜色对人眼的视觉作用,更适用于用户的肉眼判断,故其参量具有色觉上的直观意义,是与人类对颜色的视觉感受最接近的颜色系统。由于两颜色系统对颜色的不同表达方式和各自的特点,从而在对基于颜色特征的图像处理中扮演着重要的角色,本文中选取、颜色系统。这个颜色系统对光源的变化敏感性不大,而且能比较理想地被区分。玉米小斑病图像颜色特征数据的提取及模型的建立第一批玉米小斑病图像颜色特征数据的提取及模型的建立玉米小斑病分级标准虽然是按病斑面积占叶面积的百分比来分级,但发病的程度不一样,叶面上颜色或多或少会有差异,利用图像处理技术提取颜色特征和几何特征。从数码相机获取的又图像中提取、、三分量,利用一一图像采用迭代法自动选取闽值将玉米叶片从背景中分割出来,消除光照影响和叶面积影响,提取、、、、归一化后的、、三分量平均值色调、饱和度、工亮度等颜色特征值。回归分析是统计学中一种重要的分析方法,通过回归分析可以找出被推测有因果关系的变量之间的关系方程。回归分析主要研究变量之间的线性相关关系时,称为线性回归分析,否则称为非线性回归分析。又按照影响因变量的自变量的多少分为一元回归和多元回归。在实际的分析中,变量之间的关系往往不是简单的线性关系,而呈现为某种曲线或非线性的关系。这时,选择适当的曲线可以更准确地反映实际情况。为了决定选择的曲线类型,常用的方法是根据数据资料描绘出散点图,应用必要的专业知识和经验分析变量之间的函数关系。在确定了变量间的函数关系后,需要估计函数关系中的未知参数,并对回归方程进行显著性检验'。回归方程显著性检验的方法主要有检验法、检验法、相关系数检验法【,本文采用相关系数检验法 、产龟`户了、一Z戈一一产、·,生当二自、一可么戈一万称为相关系数,,称为决定系数,当的绝对值或,大于一定的临界值时,认为的得到的回归方程是显著的或极显著的由显性水平决定。图像处理软件采用憾下的二次开发语言,在环境下运行,可直接对格式的数码图像进行、、及、、值提取并做各种计算,使用软件进行统计分析。从样本中随机抽取幅图像用于相关性分析,为建立颜色特征与病情指数的函数关系模型提供了依据。由于用数码图像中提取的叶片、、特征值与人工调查的病情指数之间呈非线状,首先进行病情指数进行相关分析,模型为二次曲线。结果表明图一,仅值与病情指数之间呈极显著正相关如图。在、、互为比值的转换中,组合值与病情指数的相关性均不显著如图,组合值与病情指数呈极显著相关如图。通过病情指数与值的正相关可知,病情指数有随值增加而增加、随值增加而降低的趋势,且组合有使其比值与病情指数相关性增强的作用。利用的归一化后的平均值值、值、值分别与病情指数进行相关分析,模型为二次曲线,结果表明图一,值与病情指数呈极显著正相关如图,值与病情指数呈极显著负相关性如图,值与病情指数不显相关性如图。叫中口的厂卜万卜六甲牙卜毛`…`…'粼把班候争今叫口沪以一二一一一一一一一玉米小斑病图象值乏` 八叹口叫目怡把逛截旗叫城叫衬一八︼几`今今今玉米小斑病图象值叫如的。仍积燕也惧,叫八︹甘`,几二一,玉米小斑病图象值叫叭。的心卜尹截肥职俱叫喇尸一玉米小斑病图象值 0.6叫喇如0.5今李0.4二今今橄积犯镶欠八︺甘乙自与二叫,`一」玉米小斑病图象叮值盯口叫叫如截积坦候日一︵曰乙吸叫口…二令今,一一几`一一目一司二一玉米小斑病图象值乃叫铂山。`似班旗职八曰︺,二叫衬一玉米小斑病图象值 叫的。0.6八甘`口自人`象把坦耀…0`玉米小斑病图象值一叫衬川的甘乙口只孟今…今,'俱班象靶…二一」玉米小斑病图象值图一一期日模型值与病情指数的二次曲线型相关关系·再分别对提取的颜色特征值与病情指数进行回归分析,得回归方程表一。分析结果表明可用、侧、值与病情指数间的回归方程来预测病情指数,病情指数用'来表示。 表一一期值与病情指数的回归方程及决定系数·口以回归方程决定系数,值与病情指数,·功一二值与病情指数'一一朗值与病情指数,二·习韶值与病情指数司'·一一一值与病情指数,一·值与病情指数闭,·值与病情指数司,一值与病情指数'一值与病情指数,一·今分别表示显著性检验和。'俪按一、一、一式对、、经非线性转换得到颜色系统的亮度、色调与饱和度三个颜色特征值。对、工、值与病情指数相关分析,模型为二次曲线,结果表明图一色调与病情指数之间存在极显著负相关关系,工值与病情指数相关性显著,饱和度与病情指数线性相关不显著。再分别对值,工值,值与病情指数进行回归分析,得回归方程表一。分析结果表明可用色调、亮度工与病情指数间的回归方程来预测病情指数。乙﹄﹃口﹄`一卜,月…﹄叫的目八如叫口撅职磐候叫衬玉米小斑病图象值一 0.6叫响目公的中八一︸口通甘亡︼`外。。、少职坦概镶夕才喇丫一或鱼一一,二性︺月一玉米小斑病图象工值叫口川公今争乍今橄班职俱匕…、今叫叫口尸八跳勺`盆一一一甘玉米小斑病图象值图一一期川模型值与病情指数的二次曲线型相关关系·表一一期川值与病情指数的回归方程及决定系数一助回归方程决定系数,值与,肉情指数,·值与病情指数,一一值与病情指数,一一,,分别表示显著性检验和骊乏`第二批玉米小斑病图像颜色特征数据的提取及相关性分析由图一可看出,值与病情指数之间呈极显著正相关如图。在、、 互为比值的转换中,组合值与病情指数的相关性均不显著如图,组合值与病情指数呈极显著相关如图。通过病情指数与值的正相关可知,病情指数有随值增加而增加、随值增加而降低的趋势,且组合有使其比值与病情指数相关性增强的作用。色度坐标值值与病情指数呈极显著正相关如图,值与病情指数呈极显著负相关性如图,值与病情指数不显相关性如图。俱肥截把叫尸川的玉米小斑病图象值阳叫响。川月内口乙﹄︸了﹄几分把热媛象令今口叫衬…丁·,·今今今︸玉米小斑病图象值 叫妇目的中仍甘︸口内月了﹄口`令侮.今似班候担叫喇衬玉米小斑病图象值似职率候叫铂喇衬川的。八切日﹄匕性弓曰月口月了…,卜匕玉米小斑病图象值主叫妇川减。叔鹦把惧叫喇尸玉米小斑病图象值 叫八月只`﹄截班俱鞭叫祠叫玉米小斑病图象值喇公川几,`丹八一口月七喇候截积寒叫祠叹玉米小斑病图象值叫铂的璐吸赴卜,、`搽职犯俱…二一工一一一一一一一一一一一一,玉米小斑病图象值 叫。们甘叮卜确`妇减山八︵通二口二彭把班棋叫衬日一︸一一一一玉米小斑病图象值图一二期日模型值与病情指数的二次曲线型相关关系一再分别对上述颜色特征值与病情指数进行回归分析,得回归方程表一。说明可用、侧、值与病情指数间的回归方程来预测病情指数。表一二期与病情指数的回归方程及决定系数决定系数,回归方程值与病情指数,·值与病情指数,·一二韶值与病情指数,·一值与病情指数,一一引一一犷值与病情指数,一一值与病情指数,一一二一值与病情指数,一一值与病情指数二以,卜一一扩值与病情指数,“一二分别表示显著性检验和〔按一、一、一式对、、经非线性转换得到颜色系统的亮度、色调与饱和度三个颜色特征值。对、工、值与病情指数相关分析,模型为二次曲线,结果表明图一色调与病情指数之间存在极显著负相关如图,工值与病情指数相关性显著如图,饱和度与病情指数线性相关不显著如图 叫sa.a0.7.0.6铂喇山献积坦惧,叫口乙,甘且…、玉米小斑病图象值叫如`。,咨卜口`︸献也职候叫衬甘乙,人玉米小斑病图象值叫仍口璐刀卜厂卜尸﹂叫山飞…献积胆候叫祠玉米小斑病图象值、一图一二期川模型值与病情指数的二次曲线型相关关系·再分别对值,工值,值与病情指数进行回归分析,得回归方程表一。说明可用色调、亮度与病情指数间的回归方程来预测病情指数。 表一二期川值与病情指数的回归方程及决定系数回归方程决定系数,值与病情指数,·,以父值与病情指数,一一值与病情指数,一一…分别表示显著性检验和主伽玉米小斑病危害程度检测模型的检验分析根据回归系数的大小,从颜色特征值与病情指数回归方程中筛选出组模型,用未参加建模的第一批株玉米小斑病颜色数据、、、值进行精度检验,组模型对玉米小斑病危害程度检测精度结果表明图一利用值得到的病情指数预测值与实测值相对误差最小,误差率在巧。洲省。荞二·喇勺妇叫衬口门卜。﹄塑娜体彭职鲍健一八在弓︺叫试`叭抢通过侧值计算得到的病情指数预测值公盆妙万。公浪叫喇叫吧妇门衬户口卜补训﹄二田田扩二一矽叫妇心试`叭。今不一一一一一通过值计算得到的病惰指数预测值公钧爪`妙公 0.6厂二润侧铂刀︺口卜叭﹄门一︸巴在恤产︺旧铂二叭。通过植得到的病清指数预值公公。`公健餐二润落妇弓户﹃口砚卜匀卜。八︵︺一八连」扩二缨澎伴戴加地健州喇妇试`。卜令`一二一``一一义通过值计算得到的病清指数预测值公公公饭图一实测值与预测值比较一水稻纹枯病图像颜色特征数据的提取及分析水稻纹枯病苗期至抽穗后均可发生,以分桑期和抽穗期危害最重。发病部位主要在叶鞘、叶片,严重时能伸入茎秆,向上扩展至穗部。叶鞘发病,先在植株基部至水面处出现暗绿色水浸状小斑点,逐渐扩大成椭圆形病斑,病斑边缘褐色到深褐色,中部黄白色一灰白色,病斑相互连接后形成云纹状大斑,叶鞘枯死至腐烂。利用图像处理进行整株颜色特征提取,结果如表一,表一 表一水稻纹枯病模型颜色提取】·压。曰】利用图像处理技术珍人工调查结果口,任左任,几`。`二级巧巧以巧巧巧巧表一水稻纹枯病模型颇色提取·即优它利用图像处理技术必人工调查结果】口吮怡自曰乙月潇嘴几二`级巧巧巧从这几组特征参数可以看出,随着等级的升高,只有值表现出一定的规律呈上升趋势级在·区间,级在一区间,级在一 区间,级在一区间,值表现出一定的下降趋势,级在一区间,级在·区间,级在一区间,级在一区间,存在一些重叠区域,区分效果并不明显。由于水稻纹枯病分级标准是按发病病斑的位置来分级的,垂直采像时不能将茎上病斑采集下来,颜色没有显著区别,直接进行整株图像颜色提取是不可行的,所以我们转化为依据病斑距水稻基部的距离占株高的比例来检测水稻纹枯病危害程度,将水稻茎秆剪下带入实验室中进行检测。应用几何特征对作物病害危害程度进行检测玉米小斑病病斑的提取及计算玉米小斑病从苗期到成熟期均可发生。主要危害叶片,叶片上病斑比大斑病小得多,但病斑数量多。初为水浸状,以后变为黄褐色或红褐色,边缘颜色较深,形状为椭圆形、圆形或长圆形,大小。将图一还原成彩色图像后,由图一可知病斑的颜色与叶片颜色有明显差异,根据分量图知,病斑处的值稍高于正常叶片的值,正常叶片处的值和值相近,下面对一、一图像进行分析。图一去除背景后的一图图一去除背景后的一图·一一··图一图一的二值化图图一病斑的二值化图一卿一·一 图一中叶片中心部分与下部两叶上病斑的值非常接近,叶片末端与背景融合在一起,故无法将病斑分离出来。图一中可以明显的看出病斑处的灰度值稍高于背景和其他正常叶片的值,自动选择闽值分割,图一为分离病斑后的二值化图,与图一相比下部两叶片缺损的部分为病斑所在处,再与其相异或得出病斑的二值化图像。从图一可知,病斑能较好地分离了出来。按上述方法对采集的玉米图像进行处理,采用一图像将病斑从叶片上分离出来。取幅图像为一组,其中幅图像中玉米叶片、病斑基本上能提取出来,但没有黄化的少量侵染点无法有效分割出来。玉米小斑病的危害程度可用玉米叶片的受害面积占像素数和整个叶片面积占像素数的比值来表示川。由于采集图像的方法为垂直向下,下部叶片容易被遮挡,只能采集到冠层和中下部边缘信息,故用此方法只能计算出玉米冠层的受害程度。而传统的病级调查是人工对一株玉米的每一片叶进行调查,估计出每片叶上病斑占该叶片面积百分比,对照标准来分级。因为玉米受小斑病侵害表现出的特征除非很低的病级,其他病级或多或少都会在中上部叶片上反映出来,下面就分析一下图像处理得到的冠层的受害程度与人工调查的整株病情指数'擎系图一“',使用软件进行数据拟合。分析得出冠层的受害程度与人工调查的整株病情指数'具有极显著相关性,二。碍燕时朴剔·召月铀卫少翻马别创节曰闷么目蔺。戴俱祥加你也渊公玉米冠层受害程度翻尹咖图一玉米冠层受害程度与整株病级的关系·用未参加建模的株玉米小斑病图像进行精度检验,提取图像中玉米叶片的受害面积占像素数和整个叶片面积占像素数,计算两者比值代入预测模型中,结果表明如图一通过玉米冠层受害程度计算出的整株病情指数的预测值与实测值相对误差率在。 吧润习妇润嘴户砂目口卜叭。﹄0.6yy二D.5胃划林足戴加相担健样侧叫如衬砂与﹄“。0.4,通过玉米冠层受害程度计算得的整株病情指数预测值公公知犷盯图一通过玉米冠层受害程度计算的整株病情指数实测值与预测值比较·玉米整株病情指数,在以下,小斑病大都发生在植株下部,通过玉米冠层受害程度计算的整株病情指数预测值效果不理想,相对误差较大,时中上部叶面受害较严重,通过玉米冠层受害程度计算的整株病情指数预测值与实测值较接近。所以对精准喷雾而言,,在以下,应提高雾滴的穿透性,当,时,应使雾滴主要喷施在作物冠层。水稻稻瘟病病斑的提取水稻稻瘟病病害程度以病斑的大小和数量来进行判断的,所以利用图像处理技术引入标记。标记是一种当图像中有多个区域时,将它们区分开来,分别进行描述的方法。对图像中病斑个体的计数可以采用连通区域标记的方法实现。经过阂值分割后的二值图像中病斑为白色像数值,而背景所在的区域像数值为,可以对每个值为的连通区域加一个唯一的标号,然后就可以统计出病斑个体数量。区域标记就是把连续区域作同一个标记,常见的四邻域标记算法和八邻域标记算法。本文采用四邻域标记算法,将二值图像中每个取值为的像素都标记为与其坐标相关的标号,然后扫描标记后的图像。并将每个像素的标号改为其连通图一区域内的最小标号。反复执行这个过程,直到不需要作标号更改为止。用这种算法处理小目标时收敛速度很快。在图像处理工具箱中提供了专门的函数,它的作用是将图像中每个取值为的像素都标记为与其坐标相关的标号,然后扫描标记后的图像,并将每个像素的标号指定邻域连接方式。假设有二值图像如下 二〔八甘八“,土︸日︵︸,二`上人日一︸日,工︵日甘一占︸甘八甘︷八八日甘︵日几上,﹃︺八峭土八﹄日一︸,二,二〔〕表示图像中有三个对象。下图是水稻稻瘟病的图像,由于为了方便处理,将叶片剪下带回实验室进行采像,将图像二次闽值分割后的结果并进行二值化图。图一招水稻稻瘟病原始图像图一病斑的二值化图··图一是水稻稻瘟病的图像,将图像中的病斑与背景分离,结果进行二值化如图一。利用,二,函数得二,表示图像中有两个病斑。检测结果个水稻稻瘟病的图像样本,有个样本的病斑数量能正确检测出来,误差率为。应用距离方法对作物病害危害程度进行检测构建椭圆模型水稻稻瘟病病害程度是以病斑的大小来进行判断的,病斑近似椭圆形而水稻纹枯病危害程度的判断需要求出整株长度和病斑最高处距基部的距离。在许多应用中,找到一幅图像中两个像素点或两个连通成份之间的距离是很有必要的, 但目前还没有定义数字图像距离的唯一方法,对细长类目标图像可用椭圆模型来表示其尺寸、方向特性,所以我们构建椭圆去拟合图像中的目标区域,通过二阶矩参数计算出该椭圆的长轴、短轴、以及长轴跟图像平面的司渤之间的夹角夕,作为目标区域的形状特征图一巧。图一图像的椭圆模型一眼首先对图像进行水平扫描,当找到一个物体区域时,将其赋予一个标号,照此类推,直到整个图像扫描完毕再根据区域的连通性将相连区域的标号归并。这样,图像中的每一个区域都将具有一个唯一的标号,物体就被区分开。经加标记后的图像,各区域有了相应的标记,此时图像为标记图像,而像素点,力为标记值,当区域为背景时,力,当区域为目标时,力为不为,相同的区域其像素点,力的值相同。对各区域分别计算矩特征,,力的阶矩公式为一,艺肖,力,,一,,,……,由矩特征值可以计算区域基本的形态特征参数,分别有面积、质心。表示为面积。艺艺,,'·质心一」了一二竺性之厂竺些。是区域的二维,阶矩,也是区域的有效面积即有效像素的数目,由于图像的矩特征和区域位置有关,因此根据区域的质心求出区域的中心矩,中心矩和图像的位置无关。根据区域的中心矩,可以再计算区域的主轴方向角、当量椭圆参数等。中心矩为踢艺,,'`一了一理,一去,,··…一根据式一得 一热。艺,月`一了,厂,,,两艺一了,了,,,住。肠一工`一了了一了了`,,,〔主轴方向角表示为从盯群。`肠一产。一、砍。。一,。,尸几、一、。十砍户一',。'、几声。肠·产一,当量椭圆的长轴、短轴分别为一尸一,﹁口。。肠了、。一肠'入一越。肠一了热。一八,风利用图像的矩特征得到了各区域的面积、方向角、质心、当量椭圆长轴和短轴。在图像处理工具箱中提供了专门的叩函数。顾名思义它的用途是,即用来度量图像区域属性的函数。这些属性包括测量指定图像区域的面积、方向角、质心、边框、当量椭圆长轴和短轴等。当量椭圆长轴是标量,是区域具有相同标准二阶中心矩的椭圆的长轴长度像素意义下。水稻稻瘟病危害程度检测由于水稻稻瘟病病害程度以病斑的大小来进行判断的,病斑的大小可通过计算最大病斑的当量椭圆的长轴来表示,人工检测出单株最大的病斑长度对应的椭圆长轴长度像素意义下检测结果如表一。由图一可以看出,利用图像处理技术检测的最大病斑的长度即当量椭圆的长轴长度与人工检测的结果相关性较好,因此,可用最大病斑的当量椭圆长轴长度来预测实际最大病斑的长度。 表一水稻稻瘟病病斑大小的检测结果图像处理技术检测的最大病斑长人工检测结果人工检测的最大病斑长度二度像素意义下,上几二`乙八`︺口弓口勺口级叨喇叫如妇叫衬匀。﹄弓`通`咪期启勿日长︵日︶叫︵︶日目犷二月利用图象夕鲤检级白撮大乡甸斑长度像素数色`“,电``撇图一利用图像处理检测的水稻稻瘟病最大病斑长度与人工检测结果的关系一阴忧水稻纹枯病危害程度检测水稻纹枯病危害程度等级制定由于水稻纹枯病发病的特殊性,是按位置进行等级判断,直接进行垂直采像检测是不可行的,所以我们转化为依据病斑距水稻基部的距离占株高的比例来检测发病等级,将水稻茎秆剪下带入实验室中进行检测。 水稻纹枯病分级标准病斑高率,病斑高率病斑长度株高病斑长度病斑最高位置距水稻基部的距离。级无病级病斑高率级蕊病斑高率级城病斑高率级病斑高率在中利用函数在图中画出了根据计算得到单株高的当量椭圆和病斑最高位置距基部的距离的当量椭圆如图一,由于试验时将水稻植株水平放置,忽略长轴方向角,只将两者长轴长度,测量出来,计算两者比值即可得到病斑距基部的距离占株高的百分比。也可认为单株高约等于病斑最高位置距基部的距离与病斑距冠层的距离之和,即·一一鱼、,二在一图中画出了拟合椭圆,利用公式一计算出病斑高率为,属于级。图一水稻纹枯病原始图像图一单株当椭圆长轴示愈图··检测结果及误差分析本研究使用个级别测试个样本,对区分不同危害程度的水稻纹枯病测试了准确率。利用图像处理得到的病斑距基部的距离占整个株高的百分比,如表一计算出的结果可以看出,级中有一株误判,偏大,误差率级有一株误判,偏大,误差率,级中全部都检测无误,误差率,级中有一株误判,偏小,误差率分析发生误判的原因,有以下几点在图像采集中,摄像头需要平行地面且尽可能靠近作物中下部采集病斑,得到病斑距基部的距离,并且从侧面以固定的角度倾斜方向采集整株高度,摄取 的图像存在一定的畸变,需要进行图像矫正,所以选取的采集方法还应该进一步完善。在发病初期先在植株基部至水面处出现暗绿色水浸状小斑点,由于症状比较微弱利用图像分割可能会将有限的症状淡化掉,因此会有个别样本计算百分比不准确。而在水稻发病的培育过程中,样本有时并不能很好地反映发病情况,在很大程度上会影响判别效果。从测试的方法分析可能产生误差的原因,因为系统识别的原理是以标准的数据作为样本作出判别,所以检测的准确性直接依赖于标准的制定,但由于受条件的限制,培育出的样本有时很难达到检测要求,所以很难有好的检测结果。表一水稻纹枯病危害程度的检测结果几·利用图像处理技术病斑距基部的距离病斑高率妙株高误差率人工检测结果邝】巧既 4.4小结本章从颜色、几何、距离三个方面提取受害叶片图像的特征参数。在颜色特征参数提取方面,比较了常用的两种色度学系统系统和系统,玉米小斑病图像在颜色系统中,、、与病情指数呈极显著正相关在彩色系统中,色调与病情指数存在极显著负相关。本文建立了个统计预测模型,用相关性最好组预测模型进行验证。经检验,值可预测病情指数,误差率在。在几何特征提取方面,主要从两个方面病斑面积、数量进行了特征参数的提取。由于采集玉米小斑病病斑分离后,只能分析病斑所占冠层叶片面积的百分比与整株玉米危害程度的相关性,具有极显著性,并用未参加建模的株玉米小斑病图像进行精度检验,检测精度结果表明玉米冠层受害程度与整株病级的关系模型误差率在。水稻稻瘟病病斑分离出来后加标记,用连通区域法自动记数,由于病斑非常小,误差率为。在距离特征提取方面,在水稻稻瘟病图像中计算单株最大病斑的大小即二阶中心矩的椭圆的长轴长度像素意义下与人工检测相比较,分析两者相关性,达到极显著相关同理,在水稻纹枯病图中用椭圆分别拟合单株高和病斑最高位置距基部的距离,两者的当量椭圆的长轴长度,测量出来,计算两者比值即可得到病斑高率从而实现水稻纹枯病危害程度检测。 5结论与展望结论本文在对主要作物病害图像及检测原理与方法进行全面研究的基础上,将作物病害危害程度的检测理论和技术与现代信息技术结合,根据我国农业、农村及农民基本现状、发展趋势及现实需求,构建了基于图像识别的作物病害危害程度检测系统。研究过程中得到以下结论。图像预处理方面采集图像时将物体充满整个相机取景框,得到图像,在进行病斑图像分割前,可先进行通道分离,所得灰度图像可作为增强图像,此法实现简单,计算量小,易实现。利用传统算法中的滤波对图像增强效果无法去除噪声。分析各种算法图像增强效果不好的原因,一是作物病虫害图像中含有大量信息,一幅图像包括多种景物信息,如土壤、叶片、叶脉、病斑等的形状、大小、颜色、纹理等多种特征,图像本身比较复杂二是多种增强算法中的关键参数,如阐值多是人为确定的经验数据,降低了图像增强处理的准确性。图像分割方面试验中所采集的作物植株图像包含土壤、塑料盆、杂草等一些背景因素,一次性将背景去除同时将病斑分离出来是不可能的,用作物植株、、分量图像计算得到的一一图中作物植株与周围环境的亮度差异比较大,利用这一特点,用阐值分割的方法对图像进行分割,提取作物植株,结果比较理想。此分割方法可适用于其他绿色植物与背景的分割上。去除背景后还原成图像后再利用一将病斑与叶片分离出来,分割效果较好,但没有黄化的少量侵染点无法有效分割出来。利用颜色特征进行检测本文提取了玉米小斑病图像的个颜色特征量,研究了玉米小斑病的数字图像颜色特征量与病情指数之间的相关性。结果表明,、、、这个特征量与病情指数之间的相关性较好,其中通过病情指数与值的正相关可知,病情指数有随值增加而增加、随值增加而降低的趋势,且组合有使其比值与病情指数相关性增强的作用。经检验,值可预测病情指数,误差率。利用几何特征进行检测由于采集方向垂直向下,玉米小斑病病斑分离后,只能分析病斑所占冠层叶片面积的百分比与整株玉米危害程度的相关性,具有极显著性,并用未参加建模的株玉米小斑病图像进行精度检验,检测精度结果表明玉米冠层受害程度 与整株病情指数的关系模型误差在。玉米整株病情指数,在以下,小斑病大都发生在植株下部,,时中上部叶面受害较严重,所以对精准喷雾而言,,在以下,应提高雾滴的穿透性,当,时,应使雾滴主要喷施在作物冠层。水稻稻瘟病病斑分离出来后采用连通区域标记的方法实现病斑计数,误差率为。利用距离特征进行检测由于水稻稻瘟病及水稻纹枯病的危害程度是根据距离特征来检测,目前还没有定义数字图像距离的唯一方法,为了实时获取作物病虫害危害程度信息,本文研究了一种利用椭圆模型来检测水稻稻瘟病及水稻纹枯病的危害程度用椭圆拟合水稻稻瘟病单株最大病斑,计算椭圆主轴长与人工检测的实际最大病斑的长度比较,分析两者相关性,结果具有极显著性同理,用椭圆拟合水稻纹枯病单株长及病斑最高处距基部的距离,计算两椭圆主轴长并求两者之比即可对水稻纹枯病危害程度进行检测,误差率。既。综上所述,玉米小斑病危害程度检测本文采用了两种方法进行检测颜色特征和几何特征。经精度检验,玉米小斑病危害程度检测采用颜色特征模型检测效果较好。水稻纹枯病危害程度检测采用距离特征进行检测,误差率。水稻稻瘟病危害程度检测采用两种方法进行检测几何特征和距离特征进行检测,几何特征的方法实现病斑计数,误差率为既。利用距离特征检测的结果与人工检测的实际最大病斑的长度比较,分析两者相关性,结果具有极显著性。由于受天气的影响水稻稻瘟病只做了一批试验,故无法进行检验。展望今后的研究方向主要有以下个方面因限于人力与时间,本文仅对作物病害图像进行了研究,对作物缺素、药害、盐碱及生理性病害、衰老等引起的症状图像未作研究,而这些方面在一定程度上会影响检测结果的精度,同时,在生产中也确实有这类需求。因此,这部分的研究应作为下一步重点研究的内容。尽管作物多种病害混合发生的情况相对较少,且多是受某种病菌为害后造成个体体质较弱后才引发其它病害的,但当多种病害混合发生后对其图像如何处理与识别,当病害中又有虫害时,对其症状图像如何检测,也将是今后研究的主要内容。本文主要对在叶片上表现出症状的作物病害图像进行了危害程度检测。少量内容涉及到茎部发病危害程度的检测,本文将植株带回实验室检测,没有达到实时性,茎部病斑的定位问题需要进一步研究,若要提高检测精度,提高系统的实用 性,还要进行茎、花、果实部位症状图像的识别检测研究及各个部位综合检测的方法研究。 参考文献【许志刚普通植物病理学【北京中国农业出版社,【幻贾乃新病虫草害防治中的精准施药问题〔农业与技术,一【魏文泽工厂化高效农业【沈阳辽宁科学技术出版社,〔〕路桂珍,杨秀军应用红外遥感技术监测植物病虫害〕红外技术,,〕,,,,【〕吴曙雯,王人潮,陈晓斌等稻叶瘟对水稻光谱特性的影响研究【上海交通大学学报农业科学版,【〕黄木易,黄义德,黄文江等冬小麦条锈病生理变化及其遥感机理〔〕安徽农业科学,,【穗波雄信根据图像输入的植物的生体情报农业机械学会关西支部第次支部研究资料,,一,,〕,,,,川双一即,,,,〔于新文,沈佐锐几种图像分割算法在棉铃虫图像处理中的应用【〕中国农业大学学报,,【」于新文,沈佐锐昆虫图像的边缘检测研究【昆虫学报,,增刊【陈佳娟,纪寿文,李娟等采用计算机视觉进行棉花虫害程度的自动测定【〕农业工程学报,,〔〕吴富宁,杨子彪,朱虹等基于颜色特征进行农作物图像分类识别的应用研究综述中国农业科技导报,,【〕田有文,张长水,李成华基于支持向量机和色度矩的植物病害识别研究【〕,农业机械学报,,【〕王建华,马骏一种基于数学形态学的植物病虫识别方法深圳大学学报理 工版,,〔熊范纶农业专家系统及开发工具【〕合肥中科院合肥智能机械研究所,【〕高明亮,王雪珍,吴顺章等农业专家系统存在问题与对策【〕洛阳农业高等专科学校学报,,【〕刘书华苹果、梨病虫害防治决策支持系统的设计与实现【硕士研究生论文〕保定河北农业大学,唐乐尘,郭瑛蔬菜病虫害综合治理咨询系统〔计算机与农业,【〕王亚东,陶海军,王塞等大豆病虫害检测专家系统中知识库的建造【〕计算机与农业,,【〕许志刚普通植物病理学【〕北京中国农业出版社,,陈志谊,许志刚,芽抱杆菌'拮抗基因的分子标记〕农业生物技术学报,,【唐启源水稻冠层的生态生理特性及其影响因素研究博士学位论文〕长沙湖南农业大学,【〕张志涌精通版【〕北京北京航空航天大学出版社,【〕尹泽明,丁春利精通以【北京清华大学出版社,」,,数字图像处理版〕北京电子工业出版社,【〕徐飞,施晓红应用图像处理【西安西安电子科技大学出版社,【罗军辉,冯平,哈力旦·等在图像处理中的应用【北京机械工业出版社,〕,,阮秋琦等数字图像处理北京电子工业出版社,,【〕王润生图像理解【长沙国防科技大学出版社,,【王新成高级图像处理技术【〕北京中国科学技术出版社,【〕何东健,杨青实用图像处理技术〕西安陕西科学技术出版社,〕一月,,〔〕,,,,【吴一全,朱兆达图像处理中闲值选取方法年一的进展一【〕 数据采集与处理,,【吴一全,朱兆达图像处理中闽值选取方法年一的进展二【〕数据采集与处理,,一【〕谢志勇,张铁中基于彩色模型的草墓图像色调分割算法【中国农业大学学报,,〔,,阮秋琦等译数字图像处理〕北京电子工业出版社,,【吕朝辉用神经网络进行秧苗图像分割〔农业工程学报,,【〕朱志刚,林学阎,石定机等数字图像处理【〕北京电子工业出版社,,【〕李弼程,彭天强,彭波等智能图像处理技术〔〕北京电子工业出版社,,【〕方如明,蔡健荣计算机图像处理技术及其在农业工程中的应用〔〕北京清华大学出版社,【」刘宗杰,徐凤君,毕守东等概率论与数理统计上海上海交通大学,,【袁志发,周静芋多元统计分析【北京科学出版社,,一〔蔡健荣赵杰文自然场景下成熟水果的计算机视觉识别〔〕农业机械学报,,【崔屹数字图像处理技术与应用【北京电子工业出版社,, 致谢本论文在导师邵陆寿教授和植保学院丁克坚教授的精心指导和安排下,经过一年多时间的努力得以完成。在整个课题的研究过程中,无论是大方向的把握,还是关键问题的解决都融入了导师辛勤的汗水。在此,向他们表示忠心的感谢在三年研究生学习和生活中,导师邵陆寿教授无论是学习上认真耐心的指导,还是生活上真诚备至的关怀都使学生感激万分。导师严谨的治学态度、对科研事业的执着追求使学生受益匪浅,导师高尚的品德深深的教育了学生。丁克坚教授的两位研究生李静、赵淑元在本课题的研究过程中给了很大的帮助,没有她们不辞辛劳的帮助,本论文是不可能完成的。师兄戴之祥在本课题的研究过程中,提出了很多很好的建议。在此,对他们表示深深的感谢。工学院、研究生院的领导及老师为本课题的研究做了很多的工作,给了很多的帮助,论文的完成与他们的关心是分不开的。特别要感谢我的家人,他们的支持和鼓励是我顺利完成学业的保证。 作者简介葛靖,年月出生于安徽省宿州市。年毕业于安徽农业大学工学院机械设计及其自动化专业。年考入安徽农业大学,攻读农业机械化工程专业硕士研究生。年月开始本课题的研究,年月完成。硕士期间发表论文【《玉米小斑病病害程度图像检测》农业机械学报已录用第一作者。」《植保机械变量施药系统模糊控制器研究与仿真》系统仿真学报第三作者【《基于可见光图像的水稻植株含水率检测技术》农业机械学报第三作者〔《基于知识的传感器概念设计的研究》沈阳工业大学学报第四作者【《利用分量比值图分割水稻植株图像》安徽农业大学学报第五作者
