基于机器视觉的农作物表面多特征决策融合病变判断算法

doi:10.13229/j.cnki.jdxbgxb20180497

摘要/Abstract

摘要：

针对规模化种植农作物的病变判断问题,本文利用机器视觉技术,提出了表面多特征决策融合的农作物病变判断算法。采集多张农作物叶片的图像,对每一张叶片分别通过不同算法提取表面特征;设置特征权重,将不同特征结合起来判断该叶片出现病变的可能性;并对所有的叶片的结果采用大多数投票决策法对该区域病变情况进行判断。与人工判断方式相比,本文算法减少了工作量,同时可以实现农作物病变的有效预警。

关键词: 计算机应用, 机器视觉, 农作物病变判断, 表面多特征, 特征权重, 大多数投票决策

Abstract:

For the judgment of the lesions of large-scale planted crops, this paper uses machine vision technology to propose an agricultural disease judgment algorithm based on surface multiple feature decision fusion. First the images of multiple agricultural leaves are collected that different surface feature extraction algorithms are applied to each leaf. Second, the feature weights are set and different features are combined to determine the likelihood of lesions in the leaf. Finally, the method of majority voting decision is used to judge the lesions in the region of each leaf. Compare with the artificial judgment method, this algorithm reduces the workload and can provide effective early warning of crop diseases.

Key words: computer application, machine vision, agricultural disease judgment, surface multiple feature, feature weight, majority voting decision

中图分类号:

TP391

刘恩泽,吴文福. 基于机器视觉的农作物表面多特征决策融合病变判断算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1873-1878.

LIU En-ze,WU Wen-fu. Agricultural surface multiple feature decision fusion disease judgment algorithm based on machine vision[J]. Journal of Jilin University(Engineering and Technology Edition), 2018, 48(6): 1873-1878.

图/表 10

图1

图2

图3

图4

表1

表2

表3

表4

表5

表6

参考文献 10

[1]	刁智华, 王会丹, 魏伟 . 机器视觉在农业生产中的应用研究[J]. 农机化研究, 2014(3):206-211. doi: 10.3969/j.issn.1003-188X.2014.03.049
	Diao Zhi-hua, Wang Hui-dan, Wei Wei . Summary of research on machine vision application in agricultural production[J]. Journal of Agricultural Mechanization Research, 2014(3):206-211. doi: 10.3969/j.issn.1003-188X.2014.03.049
[2]	周杰, 潘宏侠, 唐明军 . 一种基于机器视觉特征的农作物病变图像感知方法[J]. 农业与技术, 2017,37(18):5-7. doi: 10.11974/nyyjs.20170932004
	Zhou Jie, Pan Hong-xia, Tang Ming-jun . A method of crop image sensing based on machine vision features[J]. Agriculture & Technology, 2017,37(18):5-7. doi: 10.11974/nyyjs.20170932004
[3]	潘志国 . 机器视觉技术在农作物病虫害的研究与应用[J]. 电子测试, 2014(5):57-58.
	Pan Zhi-guo . Study and application of machine vision technique for the crop diseases and pests of agricultural products[J]. Electronic Test, 2014(5):57-58.
[4]	周晓东, 张雅超, 谭庆昌 , 等. 基于结构光视觉技术的圆柱度测量新方法[J]. 吉林大学学报:工学版, 2017,47(2):524-529. doi: 10.13229/j.cnki.jdxbgxb201702025
	Zhou Xiao-dong, Zhang Ya-chao, Tan Qing-chang , et al. New method of cylindricity measurement based on structured light vision technology[J]. Journal of Jilin University(Engineering and Technology Edition), 2017,47(2):524-529. doi: 10.13229/j.cnki.jdxbgxb201702025
[5]	李欢利, 郭立红, 王心醉 , 等. 基于加权Gabor滤波器的虹膜识别[J]. 吉林大学学报:工学版, 2014,44(1):196-202. doi: 10.13229/j.cnki.jdxbgxb201401033
	Li Huan-li, Guo Li-hong, Wang Xin-zui , et al. Iris recognition based on weighted Gabor filter[J]. Journal of Jilin University (Engineering and Technology Edition), 2014,44(1):196-202. doi: 10.13229/j.cnki.jdxbgxb201401033
[6]	陈泠, 高春保, 朱展望 , 等. 小麦黄色素含量与多酚氧化酶活性相关基因的分子标记检测及分布差异[J]. 湖北农业科学, 2017,56(24):4892-4898.
	Chen Ling, Gao Chun-bao, Zhu Zhan-wang , et al. Molecular detection and distribution of genes associated with yellow pigment content and polyphenol oxidase activity in wheat cultivars[J]. Hubei Agricultural Sciences, 2017,56(24):4892-4898.
[7]	陈辉皇, 林耀进, 林国平 , 等. 基于邻域粒化的多数据源高投票决策规则的挖掘[J]. 南京大学学报:自然科学版, 2017,53(6):1063-1071. doi: 10.13232/j.cnki.jnju.2017.06.008
	Chen Hui-huang, Lin Yao-jin, Lin Guo-ping , et al. Mining high-voting decision rule based on neighborhood granulation in multiple data sources[J]. Journal of Nanjing University(Natural Sciences), 2017,53(6):1063-1071. doi: 10.13232/j.cnki.jnju.2017.06.008
[8]	Ding Shi-fei, Xu Li, Su Chun-yang , et al. An optimizing method of RBF neural network based on genetic algorithm[J]. Neural Computing and Applications, 2012,21(2):333-336. doi: 10.1007/s00521-011-0702-7
[9]	Sangeetha D, Deepa P. An efficient hardware implementation of canny edge detection algorithm [C]//Proceedings of the IEEE International Conference on VLSI Design, Kolkata, India, 2016: 457-462.
[10]	马秀丽 . 基于数字图像处理的水果表面品质检测方法研究[D]. 沈阳:东北大学信息科学与工程学院, 2011.
	Ma Xiu-li . Research on fruit surface quality detection based on digital image processing[D]. Shenyang:College of Information Science and Engineering, Northeast University, 2011.

相关文章 15

[1]	王楠,李金宝,刘勇,张玉杰,钟颖莉. TPR⁃TF:基于张量分解的时间敏感兴趣点推荐模型[J]. 吉林大学学报(工学版), 2019, 49(3): 920-933.
[2]	刘富,宗宇轩,康冰,张益萌,林彩霞,赵宏伟. 基于优化纹理特征的手背静脉识别系统[J]. 吉林大学学报(工学版), 2018, 48(6): 1844-1850.
[3]	王利民,刘洋,孙铭会,李美慧. 基于Markov blanket的无约束型K阶贝叶斯集成分类模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1851-1858.
[4]	金顺福,王宝帅,郝闪闪,贾晓光,霍占强. 基于备用虚拟机同步休眠的云数据中心节能策略及性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1859-1866.
[5]	赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872.
[6]	欧阳丹彤, 范琪. 子句级别语境感知的开放信息抽取方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1563-1570.
[7]	刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599.
[8]	车翔玖, 王利, 郭晓新. 基于多尺度特征融合的边界检测算法[J]. 吉林大学学报(工学版), 2018, 48(5): 1621-1628.
[9]	桂春, 黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1600-1605.
[10]	刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[11]	赵宏伟, 刘宇琦, 董立岩, 王玉, 刘陪. 智能交通混合动态路径优化算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1214-1223.
[12]	黄辉, 冯西安, 魏燕, 许驰, 陈慧灵. 基于增强核极限学习机的专业选择智能系统[J]. 吉林大学学报(工学版), 2018, 48(4): 1224-1230.
[13]	傅文博, 张杰, 陈永乐. 物联网环境下抵抗路由欺骗攻击的网络拓扑发现算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1231-1236.
[14]	侯永宏, 王利伟, 邢家明. 基于HTTP的动态自适应流媒体传输算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1244-1253.
[15]	曹洁, 苏哲, 李晓旭. 基于Corr-LDA模型的图像标注方法[J]. 吉林大学学报(工学版), 2018, 48(4): 1237-1243.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

算法	叶片状态	正常叶片		病变叶片
算法	叶片状态	判断正确	正确率/%	判断正确	正确率/%
本文	早期	4976	99.52	4997	99.94
	成熟	4945	98.90	4978	99.56
	晚期	4948	98.96	4959	99.18
文献 [2]	早期	4484	89.68	4877	97.54
	成熟	4675	93.50	4681	93.62
	晚期	4795	95.90	4772	95.44
文献 [3]	早期	4697	93.94	4576	91.52
	成熟	4396	87.92	4484	89.68
	晚期	4499	89.98	4373	87.46

叶片状态	频域特征		空域特征
叶片状态	CRR/%	EER/%	CRR/%	EER/%
早期	87.56	4.63	99.42	0.75
成熟	99.13	1.08	99.24	0.94
晚期	99.74	0.51	84.76	5.03

病变叶占比	病变等级	情况划分
0%~10%	0	正常
10%~20%	1	正常
20%~30%	2	正常
30%~40%	3	轻度病变
40%~50%	4	轻度病变
50%~60%	5	中度病变
60%~70%	6	中度病变
70%~80%	7	中度病变
80%~90%	8	重度病变
90%~100%	9	重度病变

序号	单片数	病变投票	占比/%	病变等级	判断结果
1	5163	21	0.4	0	正常
2	4921	24	0.4	0	正常
3	5215	51	0.9	0	正常
4	5751	102	1.8	0	正常
5	4543	54	1.2	0	正常
6	5642	12	0.2	0	正常
7	6124	13	0.2	0	正常
8	4545	47	1.1	0	正常
9	5437	5345	98.3	9	重度病变
10	5421	5235	96.6	9	重度病变

序号	单片数	病变投票	占比/%	病变等级	判断结果
1	8457	101	1.2	0	正常
2	7542	71	1.0	0	正常
3	8975	56	0.6	0	正常
4	8876	8450	95.2	9	重度病变
5	8524	512	6	0	正常
6	8945	369	4.1	0	正常
7	9207	1023	11.1	1	正常
8	8752	4235	48.4	4	轻度病变
9	8874	8238	92.8	9	重度病变
10	8785	8452	96.2	9	重度病变