论文部分内容阅读
马铃薯作为重要粮食农作物,常常受到病虫害的侵袭。传统病虫害识别依靠农业工作者肉眼观察进行经验区分,其检测范围小,劳动强度大,运行效率低。随着计算机技术快速发展,基于图像处理与模式识别理论建立起来的视觉识别系统,成为了农业智能化的前进潮流。系统以自然条件下马铃薯病虫害图像为研究对象,运用图像处理与模式识别技术,进行病虫害自动分类。首先,基于病虫害图像特点,采用中值滤波算法进行HSI空间I通道图像滤波,Grabcut算法进行RGB空间R、G、B通道目标粗分割,二维Otsu法进行Lab空间a通道目标细分割,形态学算法进行二值空间处理,可清晰分离完整病虫害目标。然后,按照病虫害视觉不变信息,提出了小波域高频协方差阵特征值与低频低阶矩(HELM)纹理特征提取方法,可有效克服目标平移、旋转、缩放等问题,增强目标刻画能力。其次,根据435维颜色、形状、纹理特征,提出了基于主成分分析的特征加权融合(FWFPCA)算法,可快速消除高维特征灾难,提高特征表达水平。最后,针对13类病虫害融合特征,采用决策树思想,逐级进行支持向量机(SVM)分类,具有一定识别优势。系统以MATLAB R2012b为平台,对马铃薯病害与虫害、3类病害、10类虫害样本分别进行特征识别实验,结果表明:(1)SVM识别模型下,HELM特征,相比空间域LBP、灰度共生矩阵(GLCM)特征,小波域LBP、低频低阶矩(LM)、高频低阶矩与低频低阶矩(HMLM),不仅识别率高,而且特征维度低;(2)SVM识别模型下,FWFPCA融合算法,相比直接排序选择(SRS)、特征块排序选择(FBRS)、直接主成分分析(SPCA)、特征块主成分分析(FBPCA)融合算法,有更高识别水平;(3)FWFPCA融合特征下,SVM分类器识别率,相比人工神经网络(ANN)、贝叶斯(Bayes)分类器识别率,上升了至少2.10%、4.10%、5.20%,运行时间比ANN快了2.33s、3.22s、1.06s。因此,HELM特征结合优化颜色与形状特征,进行FWFPCA融合与SVM分类,可有效保证马铃薯病虫害识别的准确性与快速性。