為準(zhǔn)確有效地識(shí)別獼猴葉面病害、提供對(duì)獼猴桃葉面病害診斷的理論支持,研究獼猴桃葉面病害的機(jī)器識(shí)別方法,對(duì)于提高獼猴桃病害診斷的可靠性以及效率,提升作物病害診斷的智能化水平,有著十分重要的現(xiàn)實(shí)意義。本文研究獼猴桃葉面病害自動(dòng)診斷的方法,針對(duì)獼猴桃花葉病、葉片潰瘍和葉枯病三種病害為研究對(duì)象,為實(shí)現(xiàn)獼猴桃葉面病害自動(dòng)化的診斷提供了技術(shù)參考。本文工作如下:（1）針對(duì)自然光照條件下在獼猴桃園區(qū)拍攝的獼猴桃葉面病害圖像都具有復(fù)雜背景,這些復(fù)雜背景往往會(huì)使得直接分割病斑的方法失效。為了解決這個(gè)問題,本文提出了一種通過多重?cái)?shù)學(xué)形態(tài)學(xué)變換來消除圖像復(fù)雜背景的方法,使得背景的灰度級(jí)為0,病葉呈現(xiàn)原彩色圖像;接著使用2*R-G-B為色度因子的Otsu閾值分割和L*a*b*顏色空間下的k-means聚類等算法,提出一種適合復(fù)雜背景下獼猴桃病害圖像的分割算法,能夠有效地分割病斑,使得背景和病斑有效分離。（2）研究了獼猴桃葉面病害病斑圖像的特征提取方法。分割后的獼猴桃葉面病斑圖像的特征提取是實(shí)現(xiàn)獼猴桃葉面病害識(shí)別的一個(gè)重要環(huán)節(jié)。無論是通過人眼識(shí)別還是機(jī)器識(shí)別葉面病斑的顏色和紋理都是進(jìn)行病害分類的重要依據(jù)。針對(duì)獼猴桃... 

【文章來源】：西北農(nóng)林科技大學(xué)陜西省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

技術(shù)路線圖

(a)花葉病 (b)葉片潰瘍 (c)葉枯病圖 2-1 三種獼猴桃葉面病害病斑Fig.2-1 Three Kiwi foliage disease lesion2 病害圖像的采集為了研究的需要，需要獲取大量的獼猴桃葉面病害圖像，經(jīng)過與老師和獼猴桃的學(xué)習(xí)與探討，確定了拍攝時(shí)間和拍攝地點(diǎn)。獲取圖像信息：2016 年 3 月-2016 月 4 月不同氣候的上午、下午， 西北農(nóng)林試驗(yàn)站獲取獼猴桃葉片潰瘍圖像 100 張，2016 年 7 月-2016 年 8 月不同氣候的，五泉獼猴桃試驗(yàn)站，夏家溝農(nóng)戶獼猴桃園采集花葉病 100 張、葉枯病 80 張80 張 RGB 彩色圖像。采集的各病害圖像如圖 2-2 所示。拍攝設(shè)備：用 iPhone6 手機(jī)。分辨率：2448*2058。格式：JPEG。

12獼猴桃葉面病害圖像識(shí)別方法研究第四步：如果2 1 0T T T，則推出，為2T 為最優(yōu)閾值；否則1 2T T，重復(fù)第二至第四步，直到獲得最優(yōu)閾值。由于獼猴桃葉面多為綠色，盡管斑點(diǎn)較多，但是主要區(qū)域呈現(xiàn)綠色，為了獲得更好的二值化效果，從而來標(biāo)記獼猴桃病害圖像的葉面部分，本文對(duì) RGB 顏色空間的 G 分量也就是綠色分量，以及 L*a*b*顏色空間下的 a*分量也就是紅綠分量進(jìn)行二值化，本文二值化的方法采用迭代閾值分割方法。圖 2-3、2-4、2-5 為一組實(shí)驗(yàn)的結(jié)果圖，從圖中可以看出，采用 G 分量與 a*分量對(duì)獼猴桃葉面病害圖像進(jìn)行二值化，均可以將獼猴桃葉面部分標(biāo)記出來，但是采用 G 分量二值化的葉面部分包含很多的雜物，不能將整個(gè)葉面部分分割出來，而采用 a*分量二值化的葉面部分絕大部分變?yōu)榘咨~面部分雜物較少，因此本文最終選用在 a*分量上對(duì)獼猴桃葉面病害圖像進(jìn)行閾值分割，將獼猴桃葉面病害圖像二值化。

【參考文獻(xiàn)】：
期刊論文
[1]基于高光譜成像的蘋果病害無損檢測方法[J]. 劉思伽,田有文,馮迪,張芳,崔博.  沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào). 2016(05)
[2]基于機(jī)器視覺的半干棗病害和裂紋識(shí)別研究[J]. 李運(yùn)志,Qiang Zhang,陳弘毅,黨曉輝,李新崗,胡耀華.  農(nóng)機(jī)化研究. 2016(08)
[3]基于改進(jìn)Otsu算法在前方目標(biāo)車輛識(shí)別中的研究[J]. 洪浩,霍春寶,王京,王燕.  計(jì)算機(jī)技術(shù)與發(fā)展. 2016(06)
[4]基于GA-BP神經(jīng)網(wǎng)絡(luò)的溫室番茄病害診斷[J]. 徐凱宏,米雅婷,谷志新.  江蘇農(nóng)業(yè)科學(xué). 2016(04)
[5]基于混合顏色空間和雙次Otsu的黃瓜靶斑病圖像分割[J]. 吳娜,李淼,袁媛,卞程飛,陳雷.  中國農(nóng)業(yè)大學(xué)學(xué)報(bào). 2016(03)
[6]基于圖像技術(shù)的玉米葉部病害識(shí)別研究[J]. 祁釗,江朝暉,楊春合,劉連忠,饒?jiān)?  安徽農(nóng)業(yè)大學(xué)學(xué)報(bào). 2016(02)
[7]基于OpenCV的X光手指骨圖像分割方法[J]. 張林,吳振強(qiáng).  計(jì)算機(jī)技術(shù)與發(fā)展. 2015(11)
[8]基于支持向量機(jī)的蘋果葉部病害識(shí)別方法研究[J]. 王建璽,寧菲菲,魯書喜.  山東農(nóng)業(yè)科學(xué). 2015(07)
[9]基于多分類器融合的玉米葉部病害識(shí)別[J]. 許良鳳,徐小兵,胡敏,王儒敬,謝成軍,陳紅波.  農(nóng)業(yè)工程學(xué)報(bào). 2015(14)
[10]基于Android的水稻病害圖像識(shí)別系統(tǒng)設(shè)計(jì)與應(yīng)用[J]. 鄭姣,劉立波.  計(jì)算機(jī)工程與科學(xué). 2015(07)

博士論文
[1]數(shù)學(xué)形態(tài)學(xué)連通性理論及應(yīng)用研究[D]. 才輝.浙江大學(xué) 2009



本文編號(hào)：3280121