400
正文

基于计算机视觉的芋头病害监测与识别

摘 要:为深入及时掌握芋头病害的信息与生长动态,基于计算机视觉中的图像识别与特征提取技术,对芋头常见病害进行监测与识别研究。在全面理解芋头病害监测的内部波段划分与识别方法匹配基础上,融合计算机    视觉的图像纹理特征识别与边界区域条件参数,建立芋头病害识别监测理论模型,通过系统的硬件仪器及电路   配置、软件程序功能实现,进行芋头病害图像监测识别试验。结果表明:     根据芋头常见病害的外形特征,可得到多组清晰化的芋头病害特征与症状显示图,是直观化识别与分类管控的重要依据。该监测系统整体芋头病害识   别率较高,平均维持在 88 % 以上,其中疽病的识别率可达到 91 . 3 % ,试验效果良好且思路可行,对类似农作物病害的监测与识别技术优化有一定的参考价值。
关键词:芋头病害; 图像识别; 纹理特征; 识别率
引言:一般而言,农作物病害的识别与检测主要以病害形状、特征及分布状态为表征信息,如相关专家学者利用数字植物识别技术对小麦、玉米等常见农作物叶片进行图像病害识别与监测,通过光线频谱分析等手段对作物病害进行清晰化三维显示等。为提高对芋头常见病害的动态掌控效果,笔者拟利用计算机图像识别与视觉处理思维,融入较为智能的图像监测方法对其进行深入研究。
一、计算机视觉机理概述
       计算机视觉是一种利用机器代替人类对外部信息获取与识别的智能化技术,其核心机理在于如何准确、快速对目标图像做出逻辑性判断,对有用信息进行筛选、无关信息进行噪声化移除处理,达到图像获取、预处理、特征提取及检测与输出的效果。图 1 为芋头常见灰斑病外形图。由图 1 可知: 利用计算机视觉图像处理达到与之一致度较高的识别目的,需进一步明确芋头病害图像识别与监测的内部关键信息并进行匹配,从而实现的芋头病害识别。
在进行识别与监测过程中,对常见病害图像各特征波段的充分理解,选择适当的图像识别方法尤为重要。表 1 列出基于计算机视觉的芋头常见病害特征波段及对应识别方法。由表 1 可知: 芋头的常见灰斑病、炭疽病和污斑病虽在外部形状表现不一,但均可通过 SVM 系列方法进行病害图像深入识别; 芋头的疫病和软腐病则可按照波段选择回归类方法进行分析。








图 1 芋头常见灰斑病外形图
表 1 基于计算机视觉的芋头常见病害特征波段及识别方法
序号 芋头常见病害 特征波段/ nm 特征波段/ nm
1 灰斑病 400 ~ 950 SVM;随机法
2 炭疽病 400,540,976,
980,1 000
光谱变换 LS-SVM
 
3 疫病 750 ~ 950 高斯回归;移动平均
4 污斑病 550,680,850,998 病情指数一阶微分
 
5 软腐病 750 ~ 950 SVM;分类回归
将计算机视觉应用于芋头病害图像识别与监测, 病害图像识别原理如图 2 所示。由图 2 可知: 建立计算机视觉技术下的能控函数是关键步骤,通过前期图 像分量与滤波及阈值化处理得到病害图像的纹理特 征,结合边界区域条件形成,进而进行核心算法求解 与图像对比,得出可靠的芋头病害图像识别结果。










图 2 计算机视觉应用于病害图像识别原理图
二、芋头病害监测系统设计

1、理论模型建立
      针对芋头常见病害及病害图像识别原理,以计算机视觉识别为控制条件,建立芋头病害监测与识别理论模型,即
E( f) =∑{p,q}  ∈NVp,q ( fp ,fq )  + ∑Dp ( fp )p∈P
(1)式中   E—芋头病害图像识别系统能控函数;
V —芋头病害图像像素边界项;
D—芋头病害图像像素点区域项;
f—芋头病害图像各像素点类别;
p、q—芋头病害图像像素点;
P—芋头病害图像像素点集合;
N—选定连通区域范围内的像素点集合。
进一步对预识别芋头图像进行滤波处理,以满足准确显示、图像清晰化要求。设 f( x,y) 为图像像素点灰度值,得到滤波方程为
ì   f1 ( x,y)  = med{f( x  + i,y)  }
ï
í   f2 ( x,y)  = med{f( x,y  + j)  }
ï
îf3 ( x,y)  = med{f( x  + i,y  + j)  }
– 3 ≤ i ≤ 3,- 3 ≤ j ≤ 3
(2)式中 med—图像滤波取中值处理;
i、j —图像像素点取值范围。
       在芋头病害识别与监测控制原理下( 见图 3) ,通过芋头病害识别的病状表现模型和病症表现模型,实现芋头病害图像三维显示清晰化与可视化,为下一步做出芋头病害预防与治理提供预警信息。
 








图 3 芋头病害识别与监测原理简图
2、硬件系统配置
进芋头病害监测识别系统的硬件配置,划分出计算机视觉机理下的芋头病害监测系统模块,包括病斑图像分割、病害识别与监测及系统运行管理。其中,监测模型构建与数据存储扩充与病害监测识别设置在同一模块内,方便系统信息传递与调控。针对病斑图像分割,则依赖于计算机视觉技术中的图像预处理与特征提取功能,并且设计了人机友好的用户管理界面。
       针对该监测系统的硬件电路,系列控制电路的命令发送与执行等操作 在主控制信号电路板上进行,电源模块提供源动力, 在 TEC 控制配合下,完成芋头图像的逻辑识别及合成处理等环节,经 D / A 转换后显示出图像特征。
3、软件监控设计
     软件监控设计是实现芋头病害外形特征准确识别与监测的前置关键因素,核心在于通过芋头图像数据库信息与实地采集芋头图像信息进行特征匹配、再获取区别性图像形状特点后通过不同计算通道展开病害图像的分类识别。图 6 为基于计算机视觉的芋头病害判定监控流程。由图 6 可知: 经芋头监测图像信息病害性判定后,进入局部病害位置的特征增强与信息定位,从而提取出所需芋头病害特征进行指令式分类划分,并形成系列对应防控措施,将芋头病害苗头发展态势控制在损失最小化界限。
进行芋头病害监测系统的后台控制程序输入,以实现病害图像的特征提取为目标。通过颜色、纹理及整体形状参数的设定,获得监测病害图像的轮廓。核心程序片段如下:
......
public Matrix<double> TraditionFeatureExtraction( Image<Bgr,Byte> imageLesion)
CvInvoke.cvThreshold( grayimg,mask,0,255,
Emgu. CV. CvEnum. THRESH. CV _  THRESH _ OT- SU) ;
MemStorage storage = new MemStorage( ) ;
Contour<Point>contours  =  mask.FindContours(
Emgu.CV.CvEnum.CHAIN_APPROX_METHOD. CV_CHAIN_APPPOX_NONE,
Emgu.CV.CvEnum.RETR_TYPE.CV_ RETR_EXTERNAL,storage) ;
for( ; contours! = null; contours = contours.HNext) {
if( ( contours.Area>AREA_ THRESHOLD)  | | contours.Area = =  AREA_ THRESHOLD) ) {
m_LesionColorFeature = LesionColorFeature( imgeLesion,contours) ;
m_LesionTextureFeature = lesionTextureFeature( imgeLesion,contours) ;
m_LesionShapeFeature = lesionShapeFeature( contours) ;
m_LesionFeature  = new double[n];

……




















图 6 基于计算机视觉的芋头病害识别系统软件监控流程简图
三、病害识别监测试验
1、试验过程
      在芋头生长环境、光照、采集时间一致的基础上, 获取所需监测与识别的芋头田间叶片或茎秆图像,进行特征性选取,保证每组芋头图像拍摄照片方式一 致、采集条件一致。采用 MatlLab 软件进行图像分割处理VC++进行指令实现,得到所需前述 5 种常见芋头病害症状的识别与监测,整个试验显示纹理清晰、监测稳定。
2、数据分析
      对芋头常见的灰斑病、炭疽病、疫病、污斑病及软 腐病 5 种常见病态进行图像监测识别,分别对每种病态监测次数设置一致,均为 25 次,结果如表 3 所示。由表 3 可知: 以圆形病斑为特征的灰斑病识别率可达到 89. 7%; 针对病斑呈近圆形,图像边界显现不清晰的污斑病态识别率为 88.9%; 整体芋头病害监测与识别率可保证在 88%以上。
表 3 芋头病害监测识别试验数据统计
序号
芋头
病害类别
主要
特征
监测识别
次数/次
识别率
/%
1 灰斑病 害叶片、病斑圆形 25 89.7
2 炭疽病 暗褐色病斑 25 91.3
3 疫病 害叶片、叶柄及球茎 25 90.5
4 污斑病 近圆形、界限不明晰 25 88.9
5 软腐病 害叶柄基部或地下球茎 25 90.8















四、结论
1、将计算机视觉技术与芋头病害识别与监测实现目标相结合,建立了芋头病害监测识别控制理论模型。
2、选取 5 种芋头常见病害进行预置图像信息数据库输入,建立基于计算机视觉的芋头病害识别与监测系统,分别从硬件电路选型、软件程序编制方向进行参数匹配,以实现核心芋头病害图像的采集、预处理、分割及特征提取等关键操作。
3、进行芋头病害监测识别试验: ①得到多组清晰化的芋头病害特征与症状显示图,便于直观化识别与分类管控; ②得出该监测系统整体对芋头常见病害的识别率,可保证在 88. 5% ~ 91. 3% 范围内试验效果良好,验证了基于计算机视觉进行芋头病害识别监测思路的可行性,可为其他类似农作物病害监测提供一定参考。
参考文献:
[1] 刘立波,赵春江,吴华瑞,等. 数学形态学在作物病害图像预处理中的应用研究[J].农机化研究,2013,35( 8) : 180-183.
[2] 毛罕平,张艳诚,胡波.基于模糊 C 均值聚类的作物病害叶片图像分割方法研究[J]. 农业工程学报,2008,24 ( 9) : 136-140.
[3] 王晓丽,周国民. 基于近红外光谱技术的农作物病害诊断[J].农机化研究,2010,32( 6) : 171-174.
[4] 濮永仙.基于遗传选择的支持向量机作物病害图像自动识别技术[J].农机化研究,2014,36( 1) : 60-64.
[5] 苗腾,郭新宇,温维亮,等. 基于图像的作物病害状态表观三维模拟方法[J].农业工程学报,2016,34( 7) : 181-186.
[6] 孙世鹏,李瑞,谢洪起,等. 基于机器视觉的冬枣病害检测[J].农机化研究,2018,40( 9) : 183-188.
[7] 王旭启,张善文,王献锋.基于不变矩的作物病害识别方法[J].江苏农业科学,2014( 6) : 378-379,380.
[8] 陈丽,王兰英.概率神经网络在玉米叶部病害识别中的应用[J].农机化研究,2011,33( 6) : 145-148.
[9] 展慧,李小昱,王为虫,等. 眼板栗的图像识别方法研究[J].农机化研究,2010,32( 8) : 121-124.
[10] 田有文,陈旭,郑鹏辉. 基于嵌入式的农作物叶部病害分级系统[J].沈阳农业大学学报,2014,45( 6) : 756-760.
[11] 方政,胡晓辉,陈永,等.基于计算机视觉的成熟番茄识别研究[J].农机化研究,2016,38( 8) : 31-35.
[12] 谢泽奇,忽晓伟,张会敏,等.基于环境信息和颜色特征的作物叶片病害等级识别算法[J].江苏农业科学,2016,44 ( 7) : 428-430.
[13]   刘梅.基于计算机视觉的玉米种子形态识别测量[J]. 农机化研究,2018,40( 4) : 210-214.
[14] 王伟,韩宝如. 农作物病害图像清晰化处理算法的应用[J].江苏农业科学,2014( 8) : 405-407.
[15] 路阳,关海鸥,赵斌,等.水稻病害图像预处理及其特征提取方法研究[J].农机化研究,2011,33( 8) : 27-30.
[16] 任玉刚,张建,李淼,等.基于分水岭算法的作物病害叶片图像分割方法[J].计算机应用,2012,32( 3) : 752-755.
[17] 彭占武,司秀丽,王雪,等.基于计算机图像处理技术的黄瓜病害特征提取[J]. 农机化研究,2014,36 ( 2) : 179 - 182,187.
[18] 黄林生,阮超,黄文江,等. 基于 GF- 1 遥感影像和 relief-mRMR-GASVM 模型的小麦白粉病监测[J]. 农业工程学报,2018
34( 15) : 167-175,314.
[19] 马浚诚,杜克明,郑飞翔,等.基于卷积神经网络的温室黄瓜病害识别系统[J].农业工程学报,2018,34( 12) : 186-192.
[20] 谢亚平,陈丰农,张竞成,等.基于高光谱技术的农作物常见病害监测研究[J]. 光谱学与光谱分析,2018,38( 7) : 2233-2240.

相关热词搜索:

热门期刊
027-59765396
联系地址 湖北省荆州市荆州区万达广场A栋504 周一至周五 09:00-17:30
友情链接: 会计培训班 | 老酒回收 | 出国留学申请 | 论文发表 | 企业培训系统 | Linux运维培训 |

网站地图

版权所有 Copyright © 2018 湖北帆云海文化传媒有限公司 www.xrqkw.com. All Rights Reserved ,鄂ICP备19020030号 如您在使用的过程中任何产品或技术性问题请反馈

编辑
顾问

联系客服

企业QQ,一对一编辑辅导发稿
QQ交谈 网页在线咨询

服务时间

周一至周五
08:30-17:30

服务
热线

18685220838
24小时服务热线:027-59765396

基于计算机视觉的芋头病害监测与识别
摘 要:为深入及时掌握芋头病害的信息与生长动态,基于计算机视觉中的图像识别与特征提取技术,对芋头常见病害进行监测与识别研究。在全面理解芋头病害监测的内部波段划分与识别方法匹配基础上,融合计算机    视觉的图像纹理特征识别与边界区域条件参数,建立芋头病害识别监测理论模型,通过系统的硬件仪器及电路   配置、软件程序功能实现,进行芋头病害图像监测识别试验。结果表明:     根据芋头常见病害的外形特征,可得到多组清晰化的芋头病害特征与症状显示图,是直观化识别与分类管控的重要依据。该监测系统整体芋头病害识   别率较高,平均维持在 88 % 以上,其中疽病的识别率可达到 91 . 3 % ,试验效果良好且思路可行,对类似农作物病害的监测与识别技术优化有一定的参考价值。
关键词:芋头病害; 图像识别; 纹理特征; 识别率
引言:一般而言,农作物病害的识别与检测主要以病害形状、特征及分布状态为表征信息,如相关专家学者利用数字植物识别技术对小麦、玉米等常见农作物叶片进行图像病害识别与监测,通过光线频谱分析等手段对作物病害进行清晰化三维显示等。为提高对芋头常见病害的动态掌控效果,笔者拟利用计算机图像识别与视觉处理思维,融入较为智能的图像监测方法对其进行深入研究。
一、计算机视觉机理概述
       计算机视觉是一种利用机器代替人类对外部信息获取与识别的智能化技术,其核心机理在于如何准确、快速对目标图像做出逻辑性判断,对有用信息进行筛选、无关信息进行噪声化移除处理,达到图像获取、预处理、特征提取及检测与输出的效果。图 1 为芋头常见灰斑病外形图。由图 1 可知: 利用计算机视觉图像处理达到与之一致度较高的识别目的,需进一步明确芋头病害图像识别与监测的内部关键信息并进行匹配,从而实现的芋头病害识别。
在进行识别与监测过程中,对常见病害图像各特征波段的充分理解,选择适当的图像识别方法尤为重要。表 1 列出基于计算机视觉的芋头常见病害特征波段及对应识别方法。由表 1 可知: 芋头的常见灰斑病、炭疽病和污斑病虽在外部形状表现不一,但均可通过 SVM 系列方法进行病害图像深入识别; 芋头的疫病和软腐病则可按照波段选择回归类方法进行分析。








图 1 芋头常见灰斑病外形图
表 1 基于计算机视觉的芋头常见病害特征波段及识别方法
序号 芋头常见病害 特征波段/ nm 特征波段/ nm
1 灰斑病 400 ~ 950 SVM;随机法
2 炭疽病 400,540,976,
980,1 000
光谱变换 LS-SVM
 
3 疫病 750 ~ 950 高斯回归;移动平均
4 污斑病 550,680,850,998 病情指数一阶微分
 
5 软腐病 750 ~ 950 SVM;分类回归
将计算机视觉应用于芋头病害图像识别与监测, 病害图像识别原理如图 2 所示。由图 2 可知: 建立计算机视觉技术下的能控函数是关键步骤,通过前期图 像分量与滤波及阈值化处理得到病害图像的纹理特 征,结合边界区域条件形成,进而进行核心算法求解 与图像对比,得出可靠的芋头病害图像识别结果。










图 2 计算机视觉应用于病害图像识别原理图
二、芋头病害监测系统设计

1、理论模型建立
      针对芋头常见病害及病害图像识别原理,以计算机视觉识别为控制条件,建立芋头病害监测与识别理论模型,即
E( f) =∑{p,q}  ∈NVp,q ( fp ,fq )  + ∑Dp ( fp )p∈P
(1)式中   E—芋头病害图像识别系统能控函数;
V —芋头病害图像像素边界项;
D—芋头病害图像像素点区域项;
f—芋头病害图像各像素点类别;
p、q—芋头病害图像像素点;
P—芋头病害图像像素点集合;
N—选定连通区域范围内的像素点集合。
进一步对预识别芋头图像进行滤波处理,以满足准确显示、图像清晰化要求。设 f( x,y) 为图像像素点灰度值,得到滤波方程为
ì   f1 ( x,y)  = med{f( x  + i,y)  }
ï
í   f2 ( x,y)  = med{f( x,y  + j)  }
ï
îf3 ( x,y)  = med{f( x  + i,y  + j)  }
– 3 ≤ i ≤ 3,- 3 ≤ j ≤ 3
(2)式中 med—图像滤波取中值处理;
i、j —图像像素点取值范围。
       在芋头病害识别与监测控制原理下( 见图 3) ,通过芋头病害识别的病状表现模型和病症表现模型,实现芋头病害图像三维显示清晰化与可视化,为下一步做出芋头病害预防与治理提供预警信息。
 








图 3 芋头病害识别与监测原理简图
2、硬件系统配置
进芋头病害监测识别系统的硬件配置,划分出计算机视觉机理下的芋头病害监测系统模块,包括病斑图像分割、病害识别与监测及系统运行管理。其中,监测模型构建与数据存储扩充与病害监测识别设置在同一模块内,方便系统信息传递与调控。针对病斑图像分割,则依赖于计算机视觉技术中的图像预处理与特征提取功能,并且设计了人机友好的用户管理界面。
       针对该监测系统的硬件电路,系列控制电路的命令发送与执行等操作 在主控制信号电路板上进行,电源模块提供源动力, 在 TEC 控制配合下,完成芋头图像的逻辑识别及合成处理等环节,经 D / A 转换后显示出图像特征。
3、软件监控设计
     软件监控设计是实现芋头病害外形特征准确识别与监测的前置关键因素,核心在于通过芋头图像数据库信息与实地采集芋头图像信息进行特征匹配、再获取区别性图像形状特点后通过不同计算通道展开病害图像的分类识别。图 6 为基于计算机视觉的芋头病害判定监控流程。由图 6 可知: 经芋头监测图像信息病害性判定后,进入局部病害位置的特征增强与信息定位,从而提取出所需芋头病害特征进行指令式分类划分,并形成系列对应防控措施,将芋头病害苗头发展态势控制在损失最小化界限。
进行芋头病害监测系统的后台控制程序输入,以实现病害图像的特征提取为目标。通过颜色、纹理及整体形状参数的设定,获得监测病害图像的轮廓。核心程序片段如下:
......
public Matrix<double> TraditionFeatureExtraction( Image<Bgr,Byte> imageLesion)
CvInvoke.cvThreshold( grayimg,mask,0,255,
Emgu. CV. CvEnum. THRESH. CV _  THRESH _ OT- SU) ;
MemStorage storage = new MemStorage( ) ;
Contour<Point>contours  =  mask.FindContours(
Emgu.CV.CvEnum.CHAIN_APPROX_METHOD. CV_CHAIN_APPPOX_NONE,
Emgu.CV.CvEnum.RETR_TYPE.CV_ RETR_EXTERNAL,storage) ;
for( ; contours! = null; contours = contours.HNext) {
if( ( contours.Area>AREA_ THRESHOLD)  | | contours.Area = =  AREA_ THRESHOLD) ) {
m_LesionColorFeature = LesionColorFeature( imgeLesion,contours) ;
m_LesionTextureFeature = lesionTextureFeature( imgeLesion,contours) ;
m_LesionShapeFeature = lesionShapeFeature( contours) ;
m_LesionFeature  = new double[n];

……




















图 6 基于计算机视觉的芋头病害识别系统软件监控流程简图
三、病害识别监测试验
1、试验过程
      在芋头生长环境、光照、采集时间一致的基础上, 获取所需监测与识别的芋头田间叶片或茎秆图像,进行特征性选取,保证每组芋头图像拍摄照片方式一 致、采集条件一致。采用 MatlLab 软件进行图像分割处理VC++进行指令实现,得到所需前述 5 种常见芋头病害症状的识别与监测,整个试验显示纹理清晰、监测稳定。
2、数据分析
      对芋头常见的灰斑病、炭疽病、疫病、污斑病及软 腐病 5 种常见病态进行图像监测识别,分别对每种病态监测次数设置一致,均为 25 次,结果如表 3 所示。由表 3 可知: 以圆形病斑为特征的灰斑病识别率可达到 89. 7%; 针对病斑呈近圆形,图像边界显现不清晰的污斑病态识别率为 88.9%; 整体芋头病害监测与识别率可保证在 88%以上。
表 3 芋头病害监测识别试验数据统计
序号
芋头
病害类别
主要
特征
监测识别
次数/次
识别率
/%
1 灰斑病 害叶片、病斑圆形 25 89.7
2 炭疽病 暗褐色病斑 25 91.3
3 疫病 害叶片、叶柄及球茎 25 90.5
4 污斑病 近圆形、界限不明晰 25 88.9
5 软腐病 害叶柄基部或地下球茎 25 90.8















四、结论
1、将计算机视觉技术与芋头病害识别与监测实现目标相结合,建立了芋头病害监测识别控制理论模型。
2、选取 5 种芋头常见病害进行预置图像信息数据库输入,建立基于计算机视觉的芋头病害识别与监测系统,分别从硬件电路选型、软件程序编制方向进行参数匹配,以实现核心芋头病害图像的采集、预处理、分割及特征提取等关键操作。
3、进行芋头病害监测识别试验: ①得到多组清晰化的芋头病害特征与症状显示图,便于直观化识别与分类管控; ②得出该监测系统整体对芋头常见病害的识别率,可保证在 88. 5% ~ 91. 3% 范围内试验效果良好,验证了基于计算机视觉进行芋头病害识别监测思路的可行性,可为其他类似农作物病害监测提供一定参考。
参考文献:
[1] 刘立波,赵春江,吴华瑞,等. 数学形态学在作物病害图像预处理中的应用研究[J].农机化研究,2013,35( 8) : 180-183.
[2] 毛罕平,张艳诚,胡波.基于模糊 C 均值聚类的作物病害叶片图像分割方法研究[J]. 农业工程学报,2008,24 ( 9) : 136-140.
[3] 王晓丽,周国民. 基于近红外光谱技术的农作物病害诊断[J].农机化研究,2010,32( 6) : 171-174.
[4] 濮永仙.基于遗传选择的支持向量机作物病害图像自动识别技术[J].农机化研究,2014,36( 1) : 60-64.
[5] 苗腾,郭新宇,温维亮,等. 基于图像的作物病害状态表观三维模拟方法[J].农业工程学报,2016,34( 7) : 181-186.
[6] 孙世鹏,李瑞,谢洪起,等. 基于机器视觉的冬枣病害检测[J].农机化研究,2018,40( 9) : 183-188.
[7] 王旭启,张善文,王献锋.基于不变矩的作物病害识别方法[J].江苏农业科学,2014( 6) : 378-379,380.
[8] 陈丽,王兰英.概率神经网络在玉米叶部病害识别中的应用[J].农机化研究,2011,33( 6) : 145-148.
[9] 展慧,李小昱,王为虫,等. 眼板栗的图像识别方法研究[J].农机化研究,2010,32( 8) : 121-124.
[10] 田有文,陈旭,郑鹏辉. 基于嵌入式的农作物叶部病害分级系统[J].沈阳农业大学学报,2014,45( 6) : 756-760.
[11] 方政,胡晓辉,陈永,等.基于计算机视觉的成熟番茄识别研究[J].农机化研究,2016,38( 8) : 31-35.
[12] 谢泽奇,忽晓伟,张会敏,等.基于环境信息和颜色特征的作物叶片病害等级识别算法[J].江苏农业科学,2016,44 ( 7) : 428-430.
[13]   刘梅.基于计算机视觉的玉米种子形态识别测量[J]. 农机化研究,2018,40( 4) : 210-214.
[14] 王伟,韩宝如. 农作物病害图像清晰化处理算法的应用[J].江苏农业科学,2014( 8) : 405-407.
[15] 路阳,关海鸥,赵斌,等.水稻病害图像预处理及其特征提取方法研究[J].农机化研究,2011,33( 8) : 27-30.
[16] 任玉刚,张建,李淼,等.基于分水岭算法的作物病害叶片图像分割方法[J].计算机应用,2012,32( 3) : 752-755.
[17] 彭占武,司秀丽,王雪,等.基于计算机图像处理技术的黄瓜病害特征提取[J]. 农机化研究,2014,36 ( 2) : 179 - 182,187.
[18] 黄林生,阮超,黄文江,等. 基于 GF- 1 遥感影像和 relief-mRMR-GASVM 模型的小麦白粉病监测[J]. 农业工程学报,2018
34( 15) : 167-175,314.
[19] 马浚诚,杜克明,郑飞翔,等.基于卷积神经网络的温室黄瓜病害识别系统[J].农业工程学报,2018,34( 12) : 186-192.
[20] 谢亚平,陈丰农,张竞成,等.基于高光谱技术的农作物常见病害监测研究[J]. 光谱学与光谱分析,2018,38( 7) : 2233-2240.