作物图像采集与识别专题

Select

1. 基于CSJMM-AS-GAC 的马陆葡萄病虫害识别研究

王兴旺, 郑汉垣, 王素青

河南农业科学 2022, 51 (6): 154-163. DOI: 10.15933/j.cnki.1004-3268.2022.06.017

摘要（186）

PDF （4107KB）（137）

为了提高马陆葡萄病虫害的识别准确率，有效地进行马陆葡萄病虫害防控，对测地线活动轮廓模型（GAC）进行改进，通过引入动态系数函数将马陆葡萄病虫害图像边界区域与非边界区域进行精确划分，从而实现准确分割病虫害图像模糊和凹陷边界，提出并建立了精确分割测地线活动轮廓模型（ASGAC）。接下来为了克服复杂背景下训练样本不足造成的误差，提出了Core损失函数，建立了Core-Softmax联合监督机制（CSJMM），从而确立了基于CSJMM的精确分割测地线活动轮廓模型（CSJMM-ASGAC）。结果表明，CSJMM-AS-GAC训练集初始准确率为65.46%，验证集准确率为95.67%，测试集准确率为93.95%，Kappa系数达到0.913 8，召回率达到89.21%，CSJMM-AS-GAC对于马陆葡萄病虫害识别准确率达到94.06%。CSJMM-AS-GAC的整体性能、识别准确率、召回率等指标都优于常用的病虫害识别模型。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于轻量级卷积神经网络和迁移学习的小麦叶部病害图像识别

冯晓, 李丹丹, 王文君, 郑国清, 刘海礁, 孙永胜, 梁山, 杨莹, 臧贺藏, 张辉

河南农业科学 2021, 50 (4): 174-180. DOI: 10.15933/j.cnki.1004-3268.2021.04.023

摘要（245）

PDF （3277KB）（341）

为实现基于移动端的小麦叶部病害图像便捷识别，基于轻量级卷积神经网络（Convolutional neural network，CNN）和迁移学习建立小麦叶部病害图像识别模型。首先，建立由小麦白粉病、条锈病和叶锈病3种小麦叶部病害图像组成的样本集，每幅图像大小为224像素×224像素；然后，采用深度学习框架Tensorflow 2.0，基于MobileNetV2构建小麦叶部病害图像识别模型，使用ImageNet数据集上训练好的参数作为模型初始参数；最后，分析迁移学习方法、样本量、全局平均池化(Global average pooling，GAP)前添加Dropout层、初始学习率大小对模型性能的影响。结果表明，采用将模型所有层设置为可训练的迁移学习方式、选择适合的数据增强方法增加样本量、在GAP前添加Dropout层、设置0.000 01的初始学习率，对3种小麦病害图像的平均识别准确率高达99.96%。可见，基于MobileNetV2和迁移学习可构建识别准确率高、泛化能力强、适合移动端应用的小麦叶部病害图像识别模型。

相关文章 | 多维度评价

Select

3. 基于 Python爬虫和特征匹配的水稻病害图像智能采集

杨天乐, 钱寅森, 武威, 孙成明, 刘涛

河南农业科学 2020, 49 (12): 159-163. DOI: 10.15933/j.cnki.1004-3268.2020.12.023

摘要（144）

PDF （1256KB）（262）

为及时诊断和防治水稻病害，通过计算机技术和图像处理技术进行病害诊断。利用 Python爬虫技术编写基于水稻病害关键词的图像爬虫程序，在此基础上使用Matlab图像处理模块的特征匹配对图像集进行筛选，提高图像采集的准确度。结果表明，只利用Python爬虫技术获取的水稻病害图像，除胡麻叶斑病外，提取的准确率均高于50.00%，其中赤霉病提取效果最好，准确率达到72.7%。而通过特征匹配筛选后图像错检率在6.00%以下，不仅提高了数据采集的精度，也表明水稻病害图像智能采集方法可行。

相关文章 | 多维度评价

Select

4. 基于 K-means和Harris角点检测的麦苗识别研究

许鑫, 李海洋, 冯洋洋, 马新明, 沈帅杰, 乔新昱

河南农业科学 2020, 49 (12): 164-171. DOI: 10.15933/j.cnki.1004-3268.2020.12.024

摘要（131）

PDF （4916KB）（260）

为解决小麦基本苗人工田间调查方法效率低、费时费力的问题，在小麦苗期研究了以不同移动设备、拍摄角度、拍摄时期等获取小麦 1~4叶期的图像对识别麦苗个数的影响，通过设置标志物对要识别的一米双行区域进行定位和分割，利用图像处理技术对目标区域进行精确裁剪与矫正；在此基础上，对比了4类图像分割方法对麦苗图像分割结果的影响，并利用图像聚分割算法对图像进行自动分割形成不同的连通区域，对提取到具有粘连的小麦连通域进行空洞填充与叶端角点屏蔽，采用Harris角点检测算法对处理后的麦苗茎基部端点进行识别，依据麦茎与麦苗一一对应的关系计算出一米双行区域内的小麦基本苗数目。结果表明：不同的移动设备不影响麦苗识别精度，麦苗图像拍摄的最佳角度为俯拍45°，K-means聚类分割算法对小麦基本苗的分割效果最好。不同的拍摄时期，随着小麦叶片的增多，麦苗识别精度逐渐降低，在1~2叶期的识别精度大于0.97，R²为0.99，在3~4叶期的识别精度大于0.95，R²为0.93，说明利用Kmeans的麦苗图像快速分割，并结合Harris角点检测的方法应用于大田小麦基本苗的快速、精确、智能化监测识别是可行的。

相关文章 | 多维度评价

Select

5. 基于骨架提取和二叉树分析的玉米植株图像茎叶分割方法

张卫正, 李旭光, 万瀚文, 李灿林, 张伟伟, 金保华, 刘岩

河南农业科学 2020, 49 (9): 166-172. DOI: 10.15933/j.cnki.1004-3268.2020.09.021

摘要（177）

PDF （2767KB）（360）

对玉米植株图像的茎叶进行分割，为组分表型分析、植株对环境胁迫的响应等后续研究提供参数和依据。采用内布拉斯加大学林肯分校植物表型数据集中的玉米植株图像，自动进行玉米植株图像的裁剪和二值化；通过骨架细化算法建立植株的骨架模型，并设定阈值去除骨架中的毛刺；然后检测骨架上的端点和交叉点，采用二叉树分析骨架模型，最终确立各级节点及各个叶片，从而实现茎叶分割。结果表明，建立的玉米植株茎叶分割算法，具有处理速度快、易于理解等优点，为玉米等植物表型分析与育种等提供支持。

相关文章 | 多维度评价

Select

6. 基于 FA-SVM技术的烟草早期病害识别

张红涛, 朱洋, 谭联, 许帅涛, 刘迦南

河南农业科学 2020, 49 (8): 156-161. DOI: 10.15933/j.cnki.1004-3268.2020.08.020

摘要（104）

PDF （3086KB）（197）

为准确检测和识别烟草病害，为制定合理的病害防治措施提供科学依据，提出基于萤火虫算法优化支持向量机（FA-SVM）技术的烟草早期病害识别方法。以烟草常见的蛙眼病与赤星病为研究对象，利用可见光拍摄带有2种病害的烟草植物叶片，获取图像样本。利用形态学方法和图像分割技术得到病斑图像。提取病斑的颜色、纹理及形态学等共计32个特征，构建原始特征空间。利用蚁群算法（Ant colony optimization，ACO）对特征空间进行优化，依据适应度值选取最优特征组合，当适应度值达到最高为95.68时，有13个特征被选择。运用萤火虫算法（Firefly algorithm，FA）优化支持向量机（Support vector machine，SVM）的惩罚因子（ c）与径向基核函数参数（ g），提高分类器性能。当c=94.12、g=2.43时，对不同发育时期的2种病害的识别率达到96%。结果表明，利用FA-SVM技术识别烟草蛙眼病与赤星病2种常见病害是可行的。

相关文章 | 多维度评价