论文部分内容阅读
玉米是重要的粮食作物之一,在我国玉米的播种面积很大,分布也很广,由于玉米病害的影响,造成玉米减产严重,品质下降。传统的农作物病害诊断检测方法由于技术、人力的不足,不仅费时费力,而且获取信息的滞后性还严重影响病害诊断的准确性。针对玉米病害识别自动化程度不高,识别诊断不及时的问题,本文应用图像识别技术对玉米的病害识别诊断进行了研究,针对常见的玉米病害种类为研究对象,采用了支持向量机(SVM)这种可行的方法进行识别诊断,识别精度较高。为玉米病害自动识别与诊断的相关研究做出了贡献。本文的研究工作主要包括以下几个方面:(1)以玉米生产中常见的几种危害比较严重的病害(玉米大斑病、玉米灰斑病和玉米小斑病)为研究对象,在自然光条件下,通过数码相机采集了玉米病害的图片,采用相关图像处理软件进行了统一处理,得到了病害图像识别实验样本;首先对获取的原始病害图像进行自适应中值滤波平滑处理,这种算法可以很好的过滤噪声,同时也能保持目标的边缘清晰;然后采用超绿分割特征和Ostu自动阀值分割法来分割图像,超绿特征是植物所特有的一种图像特征,利用超绿特征先将图像进行灰度变换,再利用Ostu自动阀值分割法通过调整进行图像分割,能够很好的分离病斑图像部分;最后利用图像的开闭运算去除冗余斑点;从而最终提取了病斑图像。本文对于上述图像预处理过程进行深入分析和研究,通过对噪声过滤、图像分割、数学形态学等图像处理技术的分析,并结合玉米病害的特点选择了合适的算法,结果表明这些算法适合于米病害图像预处理操作,为后续特征提取和病害识别工作奠定了基础。(2)在特征提取部分,结合玉米病害图像的特点,本文将图像从RGB颜色空间转化到HSI颜色空间,由于图像颜色分布信息主要集中在颜色矩中低阶矩里面,所以本文选用颜色特征的一阶、二阶和三阶矩来反映图像的颜色分布特征。提取了图像的颜色特征。利用灰度共生矩阵方法提取纹理特征。算法提取的特征维数较低,计算量较小,算法具有较强的纹理分析能力。(3)在病害识别部分,为了解决玉米病害图像样本数量少的特点,将支持向量机(SVM)方法应用于玉米病害图像识别诊断方面,由于支持向量机(SVM)利用了结构风险最小化原理,同时也兼顾训练误差和泛化能力,它对于解决小样本、非线性高维、局部极小值等模式识别问题有着特有的优势。本文对支持向量机(SVM)方法理论进行详细介绍,在SVM分类器设计方面,采用了基于模糊方法的“一对多”SVM分类器,很好的解决了可能出现的不可识别区问题。试验结果表明:将支持向量机(SVM)方法对灰斑病,大斑病和小斑病三种玉米叶部病害进行分类识别。对病害的识别率达到了83%以上,识别玉米病害类别精度较高。(4)在上述研究基础上,本文利用C#语言和GDI+技术,在Visual Studio.NET 2008平台下开发研制了玉米病害图像识别系统,在文中,针对系统功能和各模块设计进行了详细的介绍。(5)最后对整篇论文的主要工作做了总结,并对未来的玉米病害识别研究方向做了展望,指出了研究应在特征选择方面和自动化方面继续加强完善,同时以后应扩展研究的应用范围,譬如可以扩展到多部位综合识别诊断玉米病害,也可以扩展到虫、草等灾害识别防治方面。本文在玉米病害的识别诊断方面引入了图像识别技术,发展并壮大了图像识别技术的应用范围,为图像识别技术在农业领域的应用提供了借鉴。