论文部分内容阅读
随着信息技术的快速持续发展,标准化、数字化、无损伤、实时监测识别植物病害,成为植物病害诊断的发展趋势。近年来随着大田作物种植面积不断扩大,大田作物受各种病虫害的影响也逐渐扩大,严重威胁着大田作物的质量和产量,农户的经济收入也受到不同程度的影响。通过大量研究表明,大多数病虫害侵害的部位均为植物叶片表面,影响叶片的正常生长,且不同的病害在叶片上呈现的轮廓、颜色、纹理等特征也各有差异。因此,如何高效地预测和诊断作物叶部病害,是目前急需解决的问题之一。但目前作物病害诊断大多仍依靠专业人员的观察和工作经验来进行判断,效率不高且无法做到病害诊断的准确性和及时性。针对以上问题,本文综合应用图像处理技术、高光谱检测技术、光谱分析技术等诸多领域的知识,开展对大豆、玉米和人参叶片的主要病害的快速、无损的识别方法研究,并在此基础上设计和建立了作物叶片病害识别系统。本文主要研究内容如下:(1)对病害图像进行了数据量的扩展和预处理。根据病害叶片图像数据集的特点,通过几何变换和强度变换对原始图像进行数据量的扩展,对图像进行了预处理,包括对图像尺寸进行缩放、图像增强和图像归一化。(2)利用卷积神经网络对大豆、玉米和人参病害叶片图像进行分类识别。分别使用了LeNet和AlexNet两种卷积神经网络模型对数据集进行训练,其识别率(Accuracy)分别为84.59%和91.04%,损失函数(Loss)值分别为0.1017和0.0637,最终选择AlexNet模型。并引入空间金字塔池化层对现有的AlexNet模型进行改进,使得改进后的模型识别率达到93.91%,损失函数Loss值下降到0.0331。(3)利用光谱检测技术对大豆病害叶片进行分类识别。利用逐步判别法,从光谱曲线中选取了515nm、516nm、521nm、522nm、523nm、524 nm、528nm、594nm、598nm、667nm、668nm、738nm、803nm、843nm、854 nm、871nm、880nm、882nm,共18个特征波长组成特征空间,建立线性距离判别模型,对训练样本和测试样本的识别正确率分别为100%和94.2%。(4)开发了作物病害叶片识别系统。在Windows系统和PyCharm集成开发环境下,应用Python和Java混合编程技术实现作物病害叶片识别系统的开发,并对系统进行了测试。测试结果表明此系统可进行实际应用。本文利用图像和光谱信息相结合的方式,对作物叶片病害早期检测和快速识别的思路是可行的,为图像处理技术和光谱检测技术在农业中的应用提供了实例,研究内容对其他作物的叶片病害识别具有一定的参考和实践意义。