导读:本文包含了病虫害图像论文开题报告文献综述及选题提纲参考文献，主要关键词:机器视觉,图像,马铃薯,内部病虫害
病虫害图像论文文献综述
王奕[1]（2019）在《基于机器视觉图像提取的马铃薯内部病虫害特征识别》一文中研究指出构建二维马铃薯内部病虫害视觉图像采集模型,对采集的马铃薯内部病虫害视觉图像进行分块融合检测,根据马铃薯绿叶素纹理分布进行病虫害的特征检测,提取马铃薯内部病虫害视觉分形特征量,采用表面纹理配准和分块自适应检测方法进行病虫害的特征点标定,结合小波变换方法进行马铃薯内部病虫害视觉图像的特征分解,根据颜色梯度变化的差异性实现机器视觉下的马铃薯内部病虫害特征识别。仿真结果表明采用该方法进行马铃薯内部病虫害特征识别的准确率接近90%,提高了马铃薯内部病虫害的防治和识别能力。(本文来源于《食品与机械》期刊2019年09期）
贾俊杰,李捷[2]（2019）在《基于半监督生成对抗网络的病虫害图像识别算法》一文中研究指出提出了一种应用于植物病虫害图像识别的模型。利用训练后的半监督生成对抗网络,只需输入随机噪声,即可自动产生植物病虫害的仿真图像。为了验证模型的图像生成和识别能力,分别在MNIST数据集和Plant Village数据集上进行实验。实验表明,通过100次迭代训练,输入噪声向量到生成网络,可以得到高真实度的样本图像,使用判别网络提取特征并进行图像分类实验,在测试集上得到的正确率分别为98.96%和94.32%,取得了较好的分类效果。(本文来源于《武汉轻工大学学报》期刊2019年04期）
贾少鹏,高红菊,杭潇[3]（2019）在《基于深度学习的农作物病虫害图像识别技术研究进展》一文中研究指出深度学习作为图像识别领域重要的技术手段,具有识别速度快、准确率高等优势。阐明了深度学习技术研究的意义及必要性,概述了国内外深度学习领域农作物病虫害图像识别技术的研究进展,对深度学习技术在图像识别研究中存在的问题进行归纳总结,并指出深度学习领域中的图像识别方法存在训练样本大、模型结构复杂、复杂图像识别正确率低等问题。提出了一种CNN与胶囊网络的组合模型,经过初步实验,模型的图像识别正确率达93. 75%,比CNN模型提高了3. 55个百分点。随着深度学习技术的不断发展,胶囊网络研究将是未来的发展趋势。(本文来源于《农业机械学报》期刊2019年S1期）
孙军[4]（2018）在《基于图像目标检测的茶树病虫害预警研究》一文中研究指出茶场多位于坡度起伏较大的山区,导致传统方法对茶树病虫害预警的速度慢、效率低、精度低,而且误判率较高。本文引入卷积神经网络模型对茶树病虫害目标进行检测识别,并在此基础上进行茶树病虫害预警,提高了茶树病虫害预警效果。(本文来源于《福建茶叶》期刊2018年12期）
李冲,杨靖[5]（2018）在《图像识别技术在蓝莓病虫害诊断中的应用研究》一文中研究指出随着科学技术的发展,图像识别技术不断成熟,其影响已经渗透到了农业工程领域。农作物病虫害识别技术具有高效、准确等特点,有着替代传统人工识别方法的潜力和趋势。文中对图像识别技术的内涵进行概述,为提高蓝莓病虫害的识别效率及准确率,协助开展蓝莓病虫害防治工作,提出了构建蓝莓病虫害图像识别系统的方案。(本文来源于《物联网技术》期刊2018年08期）
安强强,张峰,李赵兴,张雅琼[6]（2018）在《基于深度学习的植物病虫害图像识别》一文中研究指出植物病虫害的识别是对植物保护和利用的基础,随着计算机图像识别技术的发展,利用计算机图像处理技术获取植物病虫害信息可以大大提高植物病虫害的识别效率。选择SVM工具箱和Matlab的图形用户界面工具箱GUI设计开发了苜蓿植物病虫害识别系统,构建了自然环境下图像数据库和特定环境图像数据库,为今后的植物病虫害图像识别技术的发展奠定了基础。(本文来源于《农业工程》期刊2018年07期）
刘洪[7]（2018）在《马铃薯典型病虫害图像特征融合与识别算法研究》一文中研究指出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。(本文来源于《内蒙古工业大学》期刊2018-06-01）
范振军[8]（2018）在《农作物病虫害图像检索方法研究与实现》一文中研究指出马铃薯和柑橘作为全球第叁大粮食作物和第一大水果,因受到病虫害的侵害每年造成巨大的经济损失。基于计算机视觉、模式识别和图像处理技术的病虫害智能诊断方法对其可持续发展具有重要的实际意义,也是农业现代化、信息化发展的研究热点和重点。针对马铃薯和柑橘病虫害图像受自然环境影响大、病虫害感兴趣区域(ROI)检测速度慢、识别准确率不够高等问题,以自建的马铃薯和柑橘病虫害图像库(共35类,1650幅)为研究对象,就上述问题进行了深入研究。主要研究内容和创新性成果如下:(1)针对自然环境下的作物病虫害图像易受光照、角度和尺度等因素影响,对病虫害图像预处理方法进行了实验研究。采用颜色空间变换和图像灰度化可以有效消除光照对病虫害识别的影响;采用中值滤波能较好地保留病虫害图像的纹理和边缘细节,且降噪效果好。(2)针对病虫害图像受自然背景影响较大,且直接在原始图像上提取特征时存在计算量大、特征冗余严重等问题,建立了基于Grab-Cut算法的病虫害区域分割方法,能较好获得病虫害区域,但运行时间在1s及以上,且需要人工交互。基于上述问题,提出了一种基于关键特征点的病虫害ROI快速检测方法。先对病虫害图像作金字塔下采样后提取ORB特征点,当其特征点数目小于给定阈值时提取SIFT特征点,再对所提特征点的坐标值分别按水平和垂直方向进行排序,并通过计算K个近邻特征点的均值来确定病虫害区域的坐标并提取ROI。研究表明:该方法能自动实现对病虫害区域的准确定位,每幅病虫害图像ROI检测的平均时间在13ms内。(3)针对在原始病虫害图像上提取特征时计算量大和识别准确率不高的问题,基于病虫害ROI图像,融合HSV颜色直方图和UPLBP纹理直方图两类特征作为病虫害区域总的特征向量,设计了一种基于加权距离的K近邻病虫害识别算法。首先以加权距离分类器作预分类,然后采用K近邻分类器作二次判决得到最终识别结果。研究表明:在自建图像库上,马铃薯和柑橘病虫害的平均识别准确率分别为96.3%、93.48%、94.07%、92.59%,平均运行时间最高为243ms。此外,以基于径向基核函数的非线性支持向量机的病虫害分类模型作对比研究。实验表明:马铃薯和柑橘病虫害的平均识别准确率分别为95.42、92.07%、91.04%、90.37%,平均运行时间最高为113ms。(4)在Windows系统上基于开源计算机视觉库Open CV2.4.13,使用C/C++编程语言,设计并开发了农作物病虫害图像检索系统。该系统能在0.2s左右时间内准确识别出待检索图像的病虫害类别,并给出相应病虫害的治理措施,实现了对马铃薯和柑橘病虫害图像的自动诊断。(本文来源于《西南科技大学》期刊2018-05-28）
苏博妮[9]（2018）在《基于图像处理的水稻病虫害识别技术》一文中研究指出基于图像处理技术的农作物病虫害识别是农业信息化领域的研究热点。水稻病虫害是影响水稻产量的重要因素。传统的水稻病虫害识别方法主要依靠人工经验来判断,容易造成误判,且费时费力,急需一种快捷、准确且实时性好的病虫害识别方法来指导水稻生产。近年来,许多研究者将图像处理技术应用到水稻病虫害诊断识别当中,取得了较好的效果。本文从水稻病虫害图像分割、水稻病虫害特征提取和水稻病虫害分类识别叁个方面阐述了水稻病虫害识别方法,并基于Matlab2012设计了水稻病虫害分割算法,实验表明该方法效果较好,本研究可为今后进一步开发水稻病虫害识别系统提供参考。(本文来源于《信息技术与信息化》期刊2018年05期）
杭立[10]（2018）在《基于机器学习和图像处理技术的病虫害预测》一文中研究指出作为人口大国,近年来,我国在农业上投入巨大,但是相关的病虫害问题却屡见不鲜。传统的农作物病虫害诊断主要依靠于人工目测方式,但这种方法由于技术人员或专家不能及时来现场诊断,会造成虫害的延误。如果能快速、有效地建立病虫害预测系统对虫害发生趋势进行预测,就可以提前告进行防护措施,这对控制灾害漫延和减少损失都是十分重要。本文围绕作物病虫害的预测这一核心目标,尝试将病虫害识别的专家系统和数字图像处理技术、机器学习相结合,实现了对于病虫害的图像识别与病害严重的预测,同时通过对机器学习的算法进行建模,比对相应的预测精度,比较2种机器学习算法的预测精度。本文的主要工作如下:(1)诱虫灯拍摄照片图像预处理本文采用的是Open CV图像函数库,通过图像裁剪,阈值分割,轮廓提取等步骤。首先通过图像裁剪技术对于诱虫灯的图片进行合理地剪裁,然后通过中值滤波对拍摄后的图像进行平滑处理,再通过设定,调整阈值的办法,分离提取特征。(2)提取昆虫数学形态学特征及当地环境数据对于得到的昆虫特征进行筛选,选择单纯的数字形体学特征,昆虫大小、球状性、离心率等。同时,通过爬虫技术对于当地的天气,湿度,降水,日照强度等数据的抓取,并将所提取的特征按照不同模型训练的模式分别保存在多个文本文件中。(3)机器学习模型设计和仿真将存放特征向量信息的数据集交给建立的模型进行训练(4)创建测试集用于模型的测试利用Pycharm软件搭建模型编程环境,实现了 2种机器学习方法对于同一病虫害的预测。(本文来源于《宁夏大学》期刊2018-05-01）
病虫害图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出了一种应用于植物病虫害图像识别的模型。利用训练后的半监督生成对抗网络,只需输入随机噪声,即可自动产生植物病虫害的仿真图像。为了验证模型的图像生成和识别能力,分别在MNIST数据集和Plant Village数据集上进行实验。实验表明,通过100次迭代训练,输入噪声向量到生成网络,可以得到高真实度的样本图像,使用判别网络提取特征并进行图像分类实验,在测试集上得到的正确率分别为98.96%和94.32%,取得了较好的分类效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
病虫害图像论文参考文献
[1].王奕.基于机器视觉图像提取的马铃薯内部病虫害特征识别[J].食品与机械.2019
[2].贾俊杰,李捷.基于半监督生成对抗网络的病虫害图像识别算法[J].武汉轻工大学学报.2019
[3].贾少鹏,高红菊,杭潇.基于深度学习的农作物病虫害图像识别技术研究进展[J].农业机械学报.2019
[4].孙军.基于图像目标检测的茶树病虫害预警研究[J].福建茶叶.2018
[5].李冲,杨靖.图像识别技术在蓝莓病虫害诊断中的应用研究[J].物联网技术.2018
[6].安强强,张峰,李赵兴,张雅琼.基于深度学习的植物病虫害图像识别[J].农业工程.2018
[7].刘洪.马铃薯典型病虫害图像特征融合与识别算法研究[D].内蒙古工业大学.2018
[8].范振军.农作物病虫害图像检索方法研究与实现[D].西南科技大学.2018
[9].苏博妮.基于图像处理的水稻病虫害识别技术[J].信息技术与信息化.2018
[10].杭立.基于机器学习和图像处理技术的病虫害预测[D].宁夏大学.2018