论文部分内容阅读
赤霉病是小麦健康生产中最重要的病害之一,主要发生在穗部。感染该病的麦穗会产生一种呕吐毒素DON,严重威胁人类、动物的健康和国家的粮食安全。由于无法准确地识别该病害的严重程度,导致农药施用的成本每年都在增加,农业生态环境也受到严重污染。为了有效地保护食品安全并降低农药施用成本、保护农业生态环境,快速、无损地检测出不同病害程度的小麦赤霉病尤为重要。当前,随着信息技术的快速发展,大量的移动设备如手机、平板电脑等都具有一定的计算能力,使得图像或视频数据能在作物病害诊断中发挥重要作用。为了给小麦病害防治提供技术和方法支持,本文以小麦赤霉病为研究对象,探索基于计算机视觉技术的快速、准确识别该病害严重度的方法,并设计一款基于Android智能手机的小麦赤霉病病害诊断系统。主要从以下四方面开展研究并取得初步结果:(1)基于U-Net网络的田间麦穗分割方法。以田间环境下麦穗分割为研究目标,探索复杂环境下识别小麦赤霉病病害严重度的方法。首先,构建了田间麦穗分割数据集,为麦穗的分割提供数据基准。其次,建立了基于U-Net网络的田间麦穗分割模型,有效地实现田间环境下的麦穗分割。结果显示,本文构建的田间麦穗分割模型的精度为0.981,分割时间<1s。由此说明提出的方法可在田间快速、准确地分割小麦麦穗,为小麦赤霉病病害识别提供关键技术支持。(2)基于脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的小麦赤霉病病斑分割方法。在人工蜂群(Artificial Bee Colnony,ABC)与PCNN的基础上,提出改进人工蜂群的K均值聚类的脉冲耦合神经网络(IABC-K-PCNN)的小麦赤霉病病斑分割算法。结果表明,本文提出的病斑分割方法在不同的分割评价指标下均优于传统的图像分割方法,用于病害严重度识别中时准确度为0.925,分级时间为5.11s。由此得出该方法可以有效的分割小麦赤霉病病斑,为快速、准确的识别病害等级提供方法支持。(3)基于融合特征的小麦赤霉病严重度分类方法。利用Relief-F方法有效地挖掘不同病害严重下小麦赤霉病的浅层和深层特征,实现不同病情小麦赤霉病的准确识别。首先,根据不同严重度染病图像在颜色和纹理上存在的差异,针对性提取颜色和纹理特征作为浅层特征;接着把ImageNet 2012数据集上训练的AlexNet模型参数迁移到赤霉病病害数据集上,提取病害的深度卷积特征作为深层特征。其次,使用Relief-F算法计算浅层特征和深层特征的权重,并根据权重将浅层特征和深层特征融合为新的赤霉病病害特征。最后,使用随机森林(Random Forest,RF)进行模型训练,实现不同病害程度的有效分类和识别。结果显示,当样本量相对较少时,融合特征模型的识别精度为0.942,识别时间为6.21 s,比单独用浅层特征和深层特征时提高了2%~5%,且模型更具有鲁棒性。(4)在上述方法的基础上,设计基于Android智能手机的小麦赤霉病诊断系统。它由客户端、服务端和数据库三部分组成。客户端由Android Studio设计,功能主要包括病害图像采集、图像存储、GPS定位、数据上传、诊断结果查询、历史病情查询和语音交互。服务端是通过Java、Matlab和Python混合编程完成,Tomcat作为服务器,主要实现数据接收、田间麦穗分割、病害分级和数据存储。数据库由MySQL实现,主要包括:“病情数据库”和“病害诊断知识库”。“病情数据库”主要存储上传的病害数据,“病害诊断知识库”主要存储针对不同病情实施不同处理措施的知识库。最后,通过示例测试和验证,基于Android智能手机的移动终端可以实时收集田间小麦赤霉病病害图像并上传服务器。在服务器上,对目标图像进行处理后,把结果存储至“病情数据库”,并从“病害诊断知识库”中选择适用于当前病情的诊断知识,反馈给用户。