《用于水稻病害检测的机器视觉系统：综述》论文笔记

《用于水稻病害检测的机器视觉系统：综述》论文笔记

链接：Machine Vision Systems for Rice Diseases Detection: A Review | IEEE Conference Publication | IEEE Xplore

摘要：

为了获得最大的附加值产品，高质量的产品监控是最根本的要求。由于许多原因，农产品的生产可以最小化。质量下降的根本关键因素是植物中存在的疾病或真菌感染。因此，控制植物的疾病或感染需要大大提高生产质量。这些感染可导致水稻作物生产受到严重损害。水稻植物中存在的疾病对作物生产具有至关重要的影响，准确检测疾病是减轻其对植物影响的唯一途径。手动准确识别疾病是一项复杂的任务。早期发现和适当的补救措施对于加快水稻种植的健康生产以充分供应非常重要。它还为迅速增长的人口提供了粮食安全。目前的综述讨论了目前和预计的用于检测水稻疾病的机器视觉方法。已经使用各种技术来检测存在于水稻作物中的病害，本文还讨论了相关的局限性。因此，本文深入讨论了机器视觉技术在水稻病害诊断中的非破坏性和可能应用。

农业最重要的质量特征是其外部方面。这种外观对任何商品的估值和购买行为都有重大影响。因此，质量控制和分级系统在农业领域至关重要，以便开发优质，健康的植物。植物病害可能导致农业部门的生产力低下和经济损失。这种疾病监测工作很难进行。疾病或其症状，如色素斑点或污渍，通常在植物的叶子或茎上可见。真菌，细菌和病毒导致植物中的大多数叶病。这些生物引起的疾病与植物的叶子或茎上可以看到的各种形态学迹象有关。这些迹象通常是手动检测的。通过使用图像处理，可以自动识别不同的疾病。图像处理在食物病的诊断中具有重要意义，因为它可以提供最佳结果，同时减少工作量和时间。图像处理完全可以用于农业生产中的各种应用。它需要检测受损的果实，叶子或茎，测量患病区域，并确定患病区域的颜色。植物病害对产品的数量和质量有负面影响。水稻是农业中非常重要的粮食作物。植物病害会严重降低生产效率，使世界营养处于危险之中。因此，病原体预防在水稻工业中至关重要[1]。疾病检测必须精确和快速，以便及时处理农药对策，这是疾病管理的重要组成部分。目前，用于识别水稻作物病害的最广泛使用的技术是与病害外部特征相关的个人解释。

本节简要介绍了水稻植物中存在的不同种类的病害。还讨论了他们的简要介绍。这里描述了不同种类水稻病害的进一步事实。

叶片爆炸：具有薄的威尼斯红色边缘和灰色/白色中心的圆形斑点的深色斑块是该病的常见迹象。

褐斑：这种疾病会影响水稻植物的叶子。这种疾病表现为圆形斑点，呈褐色。

枯萎病鞘：它影响茎以及具有圆形米色区域的叶子，周围是威尼斯红色的边缘。

叶子烫伤：狭窄的红棕色宽条纹是常见的症状。有时沿着叶边缘发现具有黄色或金色边界的病变。

细菌性叶枯病：它包括叶叶片上长时间的溃疡，大小为不到一厘米。由于细菌作用，它变成黄白色。

分步过程如下所示：

A. 图像采集

要启动，必须使用具有必要分辨率的数码相机拍摄图像，以获得可接受的质量。该应用程序肯定会影响图像数据库的创建。图像数据库对于提高分类器的效率至关重要，这决定了算法的弹性。公共数据集（基准）也可用于各种类型的水稻病害。图1显示了检测水稻病害的分步程序。

B. 数据扩充

它用于从少量数据集中生成大量训练样本;这将通过向深度学习分类器提供大量图像样本来实现。使用少量样本进行训练会导致过度拟合。在处理图像样本时，此过程成为解决过度拟合问题的最有效技术。这是一种使训练样本变大的方法，因此模型可以学习它。一些策略可以通过实现一些效果来实现，包括翻转，以各种角度旋转，增强对比度以及水平移动，有时是垂直移动。

C. 图像预处理和分割

在整个预处理阶段，背景噪声被消除，不需要的失真被抑制。它改进了用于计算的图像属性。图像预处理对于在后续阶段获得更好的结果至关重要，因为灰尘，露珠和昆虫粪便可能确实位于植物上;此类项目称为图像噪声。图像分割在植物疾病检测中起着重要而重要的作用。图像分割将图像划分为不同的部分或区域。它的基本目标是检查图像样本，以便可以提取相关特征。

D. 特征提取

在对患病斑块进行分割后，然后提取许多特征以定义患病区域。发现图像中存在的组件的基本特征或特征是图像分析的特征提取阶段的重点。这些特征将用于对对象进行分类。通常，使用颜色，纹理和基于形状的元素来描述区域。色调很重要，因为它可以将一种疾病与另一种疾病区分开来。颜色特征对于检测图像周围环境，区分物体和传达信息至关重要。然而，每种疾病可能都有一个独特的形状，允许根据形状来区分疾病。描述视觉信息的最基本标准之一是形状。面积、轴和角度是一些形状特征。颜色图案分布在图像中称为纹理。可用于对对象进行分类和识别的最基本特征之一是纹理。它是一种高效且有效的标识符，有助于图像表示。纹理由对比度，同质性，差异性，能量和熵等品质来描述。

E. 分类

这是疾病检测过程的最后一步。它需要根据某些特征确定规则，并将每种疾病分配给已建立的分类之一。分类将信息划分为不同的组或类。监督学习方法通常被称为分类。最初，创建模型，该模型定义要分类为监督学习一部分的类。模型在训练或学习过程中经历，并提供称为学习/训练阶段的标记数据。在第一阶段创建的模型用于第二步中的分类。换句话说，测试数据通过评估测试样品的准确性来预测各种模型的性能。根据从图像中检索到的属性，将疾病分类为植物的疾病。SVM、深度学习广告统计模型等各种分类器已被用于分类目的。

水稻病害检测的少数应用是：

基于计算机视觉的水稻疾病早期检测完全可以用作预防工具，甚至是早期预警系统。

即使在困难的情况下，也可以使用精心设计的一系列图像处理过程来成功诊断疾病。

通过种植及早精确地发现水稻植物病害可以防止进一步的破坏，从而实现环境可持续性和更高的回报。水稻感染可以及早发现和预防，从而减少经济损失。

尽管水稻作为世界粮食的重要性，但准确分析水稻植物病害是一个重要问题。农场主可以从疾病检测系统中受益，该系统使用从现场收集的基本摄影照片，智能手机摄像头和更容易获得的技术。水稻感染也可以使用移动设备检测到。

除了害虫和环境变量之外，植物病害是农民在整个水稻生长过程中面临的主要挑战，它们将导致显着的损失。然而，有多种方法可以检测作物中的疾病，例如图像处理和遥感。但这些系统的精度较低。在农业部门;由于影响作物质量和数量的疾病，水稻植物正面临严重问题。这就需要自动识别和检测植物病害，以提高产量。

疾病病变的视觉评估不精确，可能无法正确诊断病情。另一方面，研究实验室中的病原体识别成为一个耗时的过程，因为病原体培养也可能无法在时间上交付。

不健康或受污染的稻田可以自动分类。机器视觉技术使水稻疾病的自动检测和分类变得更加容易。

结合现代技术和发明来获得农业经济增长是有益的。

植物图像对疾病的诊断，可能通过人工智能的分类技术进行，是农业中最有趣的科学学科之一。

在水稻病害检测方面观察到的一些挑战是：

病原菌引起的症状和指标用于识别和分类水稻植物病害。仅根据症状识别疾病有时可能具有挑战性。

由于光谱的多样性，例如生长阶段，作物种类等，一些方法仅适用于特定区域。

在传统技术中，检测是通过目视检查或实验室测试进行的。眼科检查涉及专业知识，可能因人而异，导致错误，而测试过程则耗时，无法按时实现结果。

真菌病害是导致农作物质量和数量损失的关键因素之一。这些特征的降低可能会对一个国家的整体农业产量产生直接影响。最大的问题是工厂没有得到持续的监控。新农民有时不知道感染及其发病率。在大多数情况下，疾病可以随时袭击任何植物。

某些疾病具有相同的颜色但形状不同，而其他疾病具有不同的颜色但具有相同的形状。农民有时会感到困惑，无法做出适当的农药选择判断。

真菌感染对水稻生产造成重大的经济损失，因此，为了采取有效的对策，准确和及早地识别疾病至关重要。超过250种真菌是水稻疾病的致病因子，在生长期感染植物组织，器官和龋齿，在储存时也感染谷物产品。

结论：

本研究概述了用于水稻病害识别的机器视觉技术。农用车辆可以与机器视觉系统相结合，用于现场检测水稻病害，以采取预防措施和进行监测。然而，为了实现高准确率，在计算机视觉技术中需要考虑几个方面，例如要提取的特征，图像预处理步骤以获得高质量的图像样本，传感器选择以获得尽可能高质量的图像，以减轻分类过程中发生的错误。新的证据表明，计算机视觉系统可以有效地用于检测水稻疾病。从传统方法到现代方法的过渡表明，已建立的稻米作物行业需要一个可靠的系统来监测水稻疾病的早期阶段。进行了全面的文献综述，以确定在各个学科中检测水稻病害的不同现有策略。还介绍了几种水稻病害检测方法的鉴定。本研究还讨论了与水稻作物病害检测策略相关的多个问题。尽管如此，仍需要特定的策略来有效地扩展大量数据，并且在严重性检测方面所做的工作很少。这项工作要求学者选择一种合适的方法用于实际数据样本。混合或优化技术可应用于水稻病害检测系统，提高性能，可成为未来研究领域的杰出应用。