基于葉片圖像的農(nóng)作物病害識別方法研究.pdf

1、利用計算機視覺技術(shù)快速、準(zhǔn)確的識別農(nóng)作物病害，是保證農(nóng)產(chǎn)品豐收，推進(jìn)農(nóng)業(yè)現(xiàn)代化的重要手段。本文以油菜、黃瓜、水稻、玉米、大豆等常見農(nóng)作物的病害圖像作為研究對象，分別在小樣本和大樣本不同條件下對農(nóng)作物病害的識別進(jìn)行了相關(guān)研究，主要的工作如下:
　　(1)在病斑分割上，本文根據(jù)農(nóng)作物葉部呈現(xiàn)的顏色特點，在傳統(tǒng)閾值分割的基礎(chǔ)上，首先利用HSI顏色空間過濾葉片正常區(qū)域的信息，在Lab顏色空間下使用最大類間方差法(OTSU)設(shè)置閾值對原始圖

2、像進(jìn)行分割，然后將兩種不同顏色空間下得到的分割圖像進(jìn)行相與合并，得出最終的病斑分割圖像。與其它幾種常用方法分割的效果圖相比，該方法能更好地將病斑從葉片分割出來，是一種有效的病斑分割方法。
　　(2)在小樣本農(nóng)作物的病害識別上，本文以油菜為研究對象，首先提取其顏色特征和紋理特征，然后通過歐氏距離來構(gòu)建D-S證據(jù)理論所必需的基本概率分配(Basic Probability Assignment,BPA)，最后運用D-S證據(jù)組合規(guī)則進(jìn)行

3、決策級融合，依據(jù)決策條件輸出最終分類識別結(jié)果。針對分類過程中出現(xiàn)識別結(jié)果為不確定的問題，本文通過引入方差來對融合方法進(jìn)行改進(jìn)，避免了這一問題的產(chǎn)生。利用該方法在采集到的油菜樣本上進(jìn)行實驗，取得了97.09％的識別率。研究結(jié)果也為其他農(nóng)作物病害識別提供了參考。
　　(3)大樣本農(nóng)作物的病害識別上，本文以水稻、玉米、大豆三種農(nóng)作物為研究對象，借助Caffe構(gòu)建連續(xù)卷積層的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Netw