python智能识别 病虫草害_基于图像识别的作物病虫草害诊断研究

基于图像识别的作物病虫草害诊断研究

本文围绕作物病虫草害的快速诊断

,

将作物病虫草害识别的专家知识与数字

图像处理、

神经网络结合

,

综合运用人工智能和网络技术

,

研究实现了作物病虫草

害的远程图像识别与诊断。

取得以下进展

:    1.

图像预处理方面

,

针对作物病虫

草害的图像特点

,

分析、

比较了病虫草害图像的增强处理方法

,

提出了对彩色图像

先进行反色运算

,

再通过

RGB

通道分离

,

得到增强图像的新方法

,

与传统图像增强

算法相比

,

此法简单易行

,

运算量小

,

并具有较强的消除噪声能力。

2.

图像分割方面

,

根据病害图像特点

,

提出通过

H

分量图像灰度分析来

确定阈值对灰度图像分割的方法

,

分割精度明显高于传统的自动阈值分割结果

;

对病害彩色图像分割时

,

用

HIS

颜色系统中的

H

分量图像分割效果最好

,

其次是

RGB

颜色系统中的红色分量图像所做的分割。

并提出

B

分量图像对光照更为敏感

,

适合处理在光线较暗条件下获取的图像或病斑与非病斑区域明暗差别较小图像

的分割

;

提出了用提取轮廓分割识别目标图像的新方法

,

即先对病害图像作反色

运算

,

对得到的图像进行二值化后

,

再进行腐蚀运算

,

对其结果作轮廓提取

,

可消

除全部噪声。

与传统轮廓提取方法相比

,

分割更为准确

,

几乎没有噪声。

提出了对在叶片上

造成孔洞图像进行分割的有效方法

,

即轮廓提取加种子填充技术。

该方法可有效消除除叶脉外的各种背景噪声。

提出了用模糊判别的自动阈值

法与手工补选样点修正阈值法相结合的图像分割方法

,

实现了对有其它植物叶片

为背景的杂草图像的正确分割。

3.

在图像特征提取方面

,

提出使用

RGB

颜色系统的

B/R

、

色度坐标

b

、

b/r

值及

HIS

彩色系统中的色调、

饱和度、

亮度值作为作物病虫草害图像识别与诊断