论文部分内容阅读
近年来,农业生产正逐渐向自动化的方向发展,对农业生产中机器播种、自动灌溉等已有研究成果,但对基于机器视觉的病害检测方法还处于研究中。目前基于机器视觉的病害自动检测方法一般是在理想的条件下进行,将研究对象放置于简单背景下进行试验。本文以酿酒葡萄叶片为研究对象,对自然条件下的葡萄叶片表面病害区域研究,并提出采用基于机器视觉的方法来对病害进行自动检测,在监控图像中,根据计算机端检测到的叶片表面信息,可以实现对生长中的葡萄进行状态评估。本文的检测算法采用多角度建议区域的Faster-RCNN对图像中的葡萄叶片进行准确定位,在检测到的叶片上进行病害检测。相比直接在图像中进行病害检测,去除了背景因素对病害区域的干扰,有效降低了误检率。在叶片检测中,本文提出改进后的区域建议算法在一幅图像中产生更高质量的叶片候选区,用于适应自然条件下各种姿态的葡萄叶片。实验数据表明,该算法对自然图像中葡萄叶片的检测有良好的适应性。实验中对六种不同天气条件下拍摄的图像进行了数据统计,对一般叶片检测算法的平均mAP为75.52%,明显高于传统算法。在病害检测时,考虑到检测器会将图像中的背景区域误判断为病害区域,针对此问题,本文提出两种病害检测方法。对第一种方法,从一幅图像中检测到的每个单个叶片,或将整幅图像对叶片取掩模后,作为下一级病害检测器的输入图像。实验结果表明,对第一种方法,对6种常见葡萄病害的平均mAP为66.47%,其中对褐斑病与白粉病的mAP超过70%;对第二种方法,病害检测平均mAP为51.44%,但平均检测时间比第一种方法节约75%。两种方法性能均优于在原始图像上直接进行病害检测法。为直观的显示出病害检测效果,本文将病害检测的所有流程统一到基于Matlab的图形化界面中,对叶片检测、病害检测等模块设计GUI人机交互界面,在图像的采集过程中,采用树莓派控制远程摄像头,通过读取摄像头中拍摄的一帧图像或加载本地图像,实现在线监测。