论文部分内容阅读
为准确有效地识别猕猴叶面病害、提供对猕猴桃叶面病害诊断的理论支持,研究猕猴桃叶面病害的机器识别方法,对于提高猕猴桃病害诊断的可靠性以及效率,提升作物病害诊断的智能化水平,有着十分重要的现实意义。本文研究猕猴桃叶面病害自动诊断的方法,针对猕猴桃花叶病、叶片溃疡和叶枯病三种病害为研究对象,为实现猕猴桃叶面病害自动化的诊断提供了技术参考。本文工作如下:(1)针对自然光照条件下在猕猴桃园区拍摄的猕猴桃叶面病害图像都具有复杂背景,这些复杂背景往往会使得直接分割病斑的方法失效。为了解决这个问题,本文提出了一种通过多重数学形态学变换来消除图像复杂背景的方法,使得背景的灰度级为0,病叶呈现原彩色图像;接着使用2*R-G-B为色度因子的Otsu阈值分割和L*a*b*颜色空间下的k-means聚类等算法,提出一种适合复杂背景下猕猴桃病害图像的分割算法,能够有效地分割病斑,使得背景和病斑有效分离。(2)研究了猕猴桃叶面病害病斑图像的特征提取方法。分割后的猕猴桃叶面病斑图像的特征提取是实现猕猴桃叶面病害识别的一个重要环节。无论是通过人眼识别还是机器识别叶面病斑的颜色和纹理都是进行病害分类的重要依据。针对猕猴桃叶面病害病斑区域的颜色、纹理的特点,构造合适的描述特征参数,初步提取了18个特征值,再利用主成分分析(Principal Component Analysis,PCA)对特征参数进行优化,优化后的特征参数为6个。(3)研究了猕猴桃叶面病害识别方法。研究了BP神经网络和支持向量机分类模型,对叶枯病、花叶病和叶片溃疡三种不同类型的猕猴桃叶面病害进行了分类识别。使用BP神经网络对三种病害的识别率为0.792,0.906,0.821;使用支持向量机对三种病害的识别率为0.917,0.906,1.0。相比于BP神经网络,支持向量机性能更佳。因此本文利用支持向量机分类模型实现猕猴桃病害识别系统的设计。