论文部分内容阅读
利用计算机视觉技术快速、准确的识别农作物病害,是保证农产品丰收,推进农业现代化的重要手段。本文以油菜、黄瓜、水稻、玉米、大豆等常见农作物的病害图像作为研究对象,分别在小样本和大样本不同条件下对农作物病害的识别进行了相关研究,主要的工作如下:(1)在病斑分割上,本文根据农作物叶部呈现的颜色特点,在传统阈值分割的基础上,首先利用HSI颜色空间过滤叶片正常区域的信息,在Lab颜色空间下使用最大类间方差法(OTSU)设置阈值对原始图像进行分割,然后将两种不同颜色空间下得到的分割图像进行相与合并,得出最终的病斑分割图像。与其它几种常用方法分割的效果图相比,该方法能更好地将病斑从叶片分割出来,是一种有效的病斑分割方法。(2)在小样本农作物的病害识别上,本文以油菜为研究对象,首先提取其颜色特征和纹理特征,然后通过欧氏距离来构建D-S证据理论所必需的基本概率分配(Basic Probability Assignment,BPA),最后运用D-S证据组合规则进行决策级融合,依据决策条件输出最终分类识别结果。针对分类过程中出现识别结果为不确定的问题,本文通过引入方差来对融合方法进行改进,避免了这一问题的产生。利用该方法在采集到的油菜样本上进行实验,取得了97.09%的识别率。研究结果也为其他农作物病害识别提供了参考。(3)大样本农作物的病害识别上,本文以水稻、玉米、大豆三种农作物为研究对象,借助Caffe构建连续卷积层的卷积神经网络(Convolutional Neural Network,CNN),以提取图像更高级的特征。在激活函数的选择上,本文选取了拟合能力更强的Maxout单元,同时为了减少网络中的参数,防止网络过拟合,采用了稀疏的Maxout单元,有效改善了Maxout卷积神经网络的性能。实验结果证明该算法在识别大样本农作物病害上要优于基于普通卷积神经网络的算法,也优于传统手动提取特征的算法。