核心内容摘要
视听无界，魅力领航：一区国产在线观看的极致精彩之旅
✅作者简介热爱科研的Matlab仿真开发者擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
往期回顾关注个人主页Matlab科研工作室 关注我领取海量matlab电子书和数学建模资料个人信条格物致知,完整Matlab代码获取及仿真咨询内容私信。
内容介绍植物病害是造成蔬菜品质降低的主要因素之一既给农民经济收入带来损失也大幅度影响国家粮食产量因此植物病害的鉴别是防止农业产量损失的关键。
植物病害的鉴别可通过人眼观察叶片的情况来监测植物的健康但是随着大规模的种植技术的普及人力的观测效率存在效率低下、主观性强等缺陷。
本文以植物叶片病害图像为研究对象采用计算机视觉技术结合支持向量机的方法实现植物病害类别的自动检测有助于提高农产品的品质和保鲜对论证农业生态环境的绿色可持续发展具有重要意义。
针对现有植物病害图像检测方法检测效果单一问题本文提出了基于灰度共生矩阵特征和支持向量机的多类识别方法实现叶片四种病害的检测。
根据植物叶片病害图像多变的特点首先通过对病叶图像进行预处理增强病害部分与健康部分的对比度使病害部分更加明显。
然后在Lab颜色空间模型的a和b分量上对叶子进行分割并提取特征并采用K-means聚类方法增强分割和聚类效果。
最后采用基于支持向量机多分类方法对四种疾病进行检测、识别和分类。
为了提高检测精度使用500次迭代来评估最大精度。
考虑到交叉验证系数的影响40%的样本作为验证数据60%的样本作为训练数据使用径向基核函数进行训练。
该方法将传统的两种叶片病害鉴定扩大到四种。
实验结果证实四种疾病的鉴别率均可达90%以上证明了该方法的有效性。
1 绪论
1课题研究背景与意义纵观中国上下五千多年历史一个农业大国的身份就没有变动过其养活着全球近五分之一的人口。
生产粮食民以食为天一直是中国历史上任何一个兴盛的朝代头等大事再小的农业也是天大的事人类的生存是离不开粮食的朝代的兴起也必然会带来繁荣的农业生产相辅相成息息相关。
由第三次全国农业普查数据显示可知2016年全国有31422万人依然从事农业生产经营农业经济任然是我国国民经济的命脉社会是否稳定发展与农业的生产水平有着相当大的关系。
然而改革开放40多年以来随着我国经济飞跃式地发展城镇化水平不断提高耕地面积也在逐渐减少。
致使我国的农业生产受到很大的制约其中环境污染、气候变化、水土流失、沙漠化等是主要的制约因素。
在有限的耕地面积的背景下如何提高农作物的产量解决如何养活14亿人口的问题是当今社会急需解决的难题。
生物都有自己的生态链而农作物作为生态链的底层在其生长发育的过程中往往会被各种害虫等的侵扰致使农作物产生出各类疾病如果农场主未能够及时发现疾病立即采取相应的措施进行治理农作物产量将会造成巨大损失同时农作物收成后其质量也随之变得很差。
所以怎么样能够实时、准确地识别农作物的叶片病斑种类是治理农作物病害以及提高其产量、质量地重大保证有着极其重要的意义。
近年来由于农业生产方式的改革导致农作物出现病害的频率急剧增加 恶劣的气候环境变化也给农作物的生产带来许多不利农作物受到病害威胁的情况也愈加严重。
病虫害的出现不仅会对农作物本身的生长产生诸多不利因素还会直接或间接地降低农作物的质量及产量病害严重时甚至会导致农田作物大面积的绝产绝收这些无不对我国农业的健康发展造成巨大的隐患。
为此农作物的病害防治已经受到国内农业组织和相关技术部门的重点关注许多科学家和研究者不懈努力为农作物病害的防治手段探索提供新型解决方案。
农作物病害是我国乃至世界范围内农业生产中的重要生物灾害问题且其种类多、爆发概率高、影响范围大。
因此如何对农作物的病害进行精准的识别与检测为下一步防治提供可靠信息便显得尤为关键。
传统的病害检测识别方法完全依赖个人的经验和肉眼观察速度慢、主观性强、准确率低、实时性差存在着一定程度的局限性。
信息技术为农作物病害的识别提供了一个全新的解决方案如深度学习图像处理技术。
农作物病害图像识别技术可以看作是图像处理技术在农作物病害识别上的一种应用方法运用农作物病害图像识别技术能够在病害大范围爆发前及时、准确地识别出病虫害的种类从而可以及时采取措施防治病害的传播。
农作物叶片病斑的传统识别目前还是主要依赖于农民们在农业生产过程中积累的经验以及长辈们传授的经验以此作为判断依据此举对农业生产者的专业知识有着极高的要求。
然而许多农业生产人员并没有掌握全面的农作物病害防治知识其往往都是通过人眼去观察农作物叶片的病斑以此判别农作物的病害难免会产生错误的判断从而造成农作物病害不能够及时治疗根除。
农耕时代往往农业生产者都是日出而作日入而息农作物在生长过程中农业生产者需要经常去庄稼里除草、观察费时又费。
现如今随着消费水平的提升单纯的农作物收成收入往往无法满足其消费需求为了能够增加家庭收入一般在外面都有兼职不能像以往太过精细打理往往会导致出现农作物得了病害却被忽视的情况。
因此农业生产者如何在低效且复杂的农作物病害识别过程中解脱是当今的农业生产迫在眉睫的事情。
随着计算机硬件水平的不断迭代更新人工智能、虚拟现实(Virtual Reali- ty,VR)技术的问世图像识别处理和计算机视觉技术也越来越成熟开始慢慢地进入了我们的视野走进了我们的生活中给人们的日常带来很大的便利。
近年来科技强国一直是我国追求的目标党中央号召推进农业信息化建立现代化的农业生产系统利用现代技术来智能化的识别农作物病害从而解决传统的农业生产弊端提高农作物产量带动经济发展。
以下是农业现代化利用到计算机视觉技术的主要案例:(
检测种子的质量优质种子的选择是获取高质量农作物的前提。
美国的农业生产者200多万然而却是这区区的两百多万就能够养活了美国3亿多人所以美国能够被称为农业强国然而其根本原因在于美国强大的农业科技。
美国在其各州都有设立了专业的现代化种子检验室他们可以通过计算机视觉技术从而提取了农作物种子的各项生理特征参数以此来严格把控农作物种子的品质。
以销售高科技农作物种子的袁隆平农业高科技股份有限公司也是通过计算机视觉技术等现代化手段挑选优质种子以此进行新品种选育创新。
(
智能农业自动监控系统“新能源智能温室农业自动监控/决策支持系统”是中国科学院主导的一个项目其能够实现对水果、蔬菜等温室大棚作物进行智能检测并通过分析农作物不同生长期间的数据来判断农作物的生长状况从而为农民的施肥施药提供指导上海交大机电控制与物流装备研究所开发的“基于嵌入式控制器和CCD(Charge-cou- pled Device)彩色相机的葡萄新梢生长图像数据采集记录系统”实现了对葡萄新梢生长态势的在线监测并通过计算机视觉技术分析采集到的监测数据来确保葡萄可以健康生长[1]。
(
智能农业机器人为了能够通过科学技术的方式判断草莓的成熟度如何日本科学家通过影像准确确定草莓的位置并采用计算机视觉技术识别草莓红色的程度以此来确保采摘的草莓是足够成熟的与此相似的各发达国家、个别发达中国家也陆陆续续开发了智能除草机器人、施肥无人机、无人机探测等。
本文主要以常见的植物叶片为研究对象运用计算机图像处理技术与智能模式识别知识对小样本数据进行了实验测试为植物叶片病害的自动识别提供了有实用价值的参考。
2国内外的研究现状早在20世纪80年代末穗波信雄等人就已经利用计算机图像处理技术研究了缺乏钙、铁、镁营养元素的茨菇叶片图像。
进入21世纪以后随着模式识别和人工智能技术的蓬勃发展国内外学者开始将相关技术运用在植物、小麦、水稻、玉米、水果等众多农作物的病害识别上[2]。
众所周知计算机视觉技术对于植物病斑的识别或叶片表层的细微变化比农产者肉眼有着更及时更准确的判断从而有效地提高了病害诊断的效率以及精确度。
所以对于计算机视觉技术领域的深入研究对现在乃至未来的农作物产量的提高、农业信息化的发展都有着至关重要的推动作用可所谓“神助攻”。
1.
1植物叶片病斑分割算法的国外研究现状一般来说国外学者对于研究植物叶片病害分割和识别如下1植物叶片病斑的图像分割。
图像分割就是通过对图像进行灰度等方面的图像处理后提取图像中除了背景外的信息从而使得核心区域得到研究者的集中关注。
目前国内外提出了一系列针对病斑分割方面的理论和技术。
Cui等使用OTSU算法和BP(Back Propagation神经网络对大豆叶片病斑进行图像分割处理从而判断其是否患病[3]。
2植物叶片病斑图像特征的提取。
一般科研人员通过了提取植物叶片病斑的颜色特征、纹理特征与形状特征这三种特征以便于能够更好地了解植物叶片的病害类型。
灰度共生矩阵来有着能够描述灰度空间的相关性、能量、熵、对比度、反映纹理结构变换等特点Camargo A等通过灰度共生矩阵方法提取植物叶片病害的纹理信息同时结合其他特征以此来更加详细的描述植物叶片病害的细节[4]。
为了解决小麦黑穗病孢子病害的问题Chesmore等通过了获取孢子的个体大小、突起大小和突起数量等多种特征参数以此来研究黑穗病孢子病害[5]。
Burks和Pydipati等通过灰度共生矩阵方法提取植物叶片病害的颜色特征和纹理特征信息并结合HS -I空间技术能够很好的识别植物病害[6]。
1.
2植物叶片病斑分割算法的国内研究现状一般来说国内学者对于研究植物叶片病害分割和识别如下1植物叶片病斑的图像分割。
葛婧等人通过提取数字图像中的RGB三个分量采用阙值分割法和R-G图像将病斑分割出[7]。
谷凌雁等人通过采用HSI分量中的H分量作为图像分割的阙值条件有效地分割出植物叶片的病斑[8]。
田杰等人通过采用高斯混合模型和数字图像像素区域的信息从而构建了C-V模型有效地分割出辣椒和植物叶部的病斑分割效果良好[9]。
2植物叶片病斑图像特征的提取。
王娜等利用计算机视觉技术提取玉米叶片病害区域的图像中的28个特征向量并运用智能优化算法中的遗传算法与Fi- sher判别分析法来提高玉米叶部病害的识别率[10]。
李峥嵘等通过了提取植物叶片的病害区域颜色布局、分块颜色矩和Zernike矩这三大特征并结合了数字图像的相似度与农产者的信息反馈从而开发了植物病虫害图像检索系统[11]。
(
植物叶片病斑的分类识别。
目前比较常用的图像分类方法有最近邻分类朴素贝叶斯(Naive BayesianNB) 分类器支持向量机算法(Support Vector MachineSVM) 分类器与神经网络分类器。
Camargo等为了能够更好的识别棉花病害的种类其采用对棉花病害的叶片图像进行了图像增强、图像分割与特征提取同时结合了支持向量机算法。
王克如等通过结合了NB(Naive Bayesian)分类器与神经网络分类器对玉米病斑图像进行分类识别率得到了很大的提升。
1.
3深度学习在病害识别中的应用上述章节均是在小样本情况下进行的病害识别研究实验的样本可能只有几百幅甚至几十幅图片且消除了背景环境的影响病害种类一般也较少。
这只能满足一般的科研需求然而实际的农业生产中面向的是大样本农作物的种类和病害种类多且获得的图像可能存在光照不均匀、有遮挡、背景不同的问题将小样本、简单环境下的理论技术应用在实际场景显然并不现实可能存在耗时长、效率低、准确率低等问题。
2006年Hinton等人提出了深度学习的概念 引发了科学界和工业界对这一问题的极大关注人们发现在大数据情况下深度学习比传统的机器学习模型更加有效。
深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征以发现数据的分布式特征表示。
由于其模仿了人类大脑的机制来解释数据、处理数据避免了复杂的预处理过程和提取特征过程且学习能力不“饱和”而是能够继续变得更“聪明”。
随着计算机硬件水平的提升采用深度学习处理大数据问题的条件已经越来越成熟微软、谷歌、百度等一大批顶级互联网公司都纷纷成立了人工智能研究院深度学习开始进入人们生活的方方面面在图像识别、语音识别、智能机器人领域均取得了巨大成就从微软公司发布著名的伴侣虚拟聊天机器人“微软小冰”到谷歌公司轰动世界的人机围棋大战再到华为在新发布的手机操作系统中加入深度学习来增强系统的流畅性深度学习不断给我们带来新的惊喜。
在农业生产领域深度学习也有着不俗的表现。
美国孟山都公司通过收集气象、天气、降雨、地质土壤等数据运用深度学习技术预测作物产量从而提供意外天气保险服务。
以色列的Prospera公司采用实时监控和温度传感器通过A I专家系统对农作物生长状况进行数据分析即从每一片叶子到每一亩土地害虫、作物疾病、灌溉、施肥等环节都有明晰的数据分析。
而农民透过这些数据就能够得到相对应的解决办法并及时有效地预防和解决农作物在生长和收获过程中可能遇到的问题。
我国的佳格大数据公司也借助卫星深度学习切入农业大数据为农业公司提供资产管理、种植指导等服务。
从农业现代化的发展趋势来看深度学习由于其高效和高准确性未来必将在农作物病害识别以及农业其他领域发挥重要作用。
⛳️ 运行结果 部分代码 参考文献团队擅长辅导定制多种科研领域MATLAB仿真助力科研梦 各类智能优化算法改进及应用生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划2E-VRP、充电车辆路径规划EVRP、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位 机器学习和深度学习时序、回归、分类、聚类和降维