论文部分内容阅读
生菜在生长期间对土壤中氮含量要求苛刻，目前我国对生菜氮素水平的预测大多处于实验室分析阶段，具有破坏性、效率低、劳动强度大等缺陷。基于图像识别的无损检测技术具有快速、方便和非破坏性的优点，为实时检测生菜氮素水平提供了可能，顺应了现代精细农业的发展要求和农业自动化检测诊断技术的发展方向。本文研究图像识别技术预测生菜的氮素水平等级，其重点在于生菜叶片图像分割、特征提取和分类识别，主要内容与结果如下:
首先，预处理生菜图像。通过配置不同浓度的氮素营养液培育出氮素水平分别为正常水平的50％、100％与150％的生菜样本，经过采集设备获取不同氮素水平的生菜叶片样本图像，并对其进行图像增强、图像平滑、图像分割和膨胀腐蚀等预处理，其中图像分割是图像预处理的重中之重。分别研究二维OTSU分割算法、基于遗传算法的最大类间方差、二维最大熵分割算法分割生菜叶片图像，由于二维最大熵分割算法没有充分考虑对角线附近阈值矢量点区域内的概率分布情况，导致图像分割精度低，甚至出现错分割现象，本文就此提出了相应的分割改进算法:重新划分二维最大熵分割算法的分割区域，对初步分割之后的图像采用模糊最小熵作后处理使得图像像素点重新归类。实验结果表明，此改进的分割算法分割效果优于二维OTSU分割算法、基于遗传算法最大类间方差和二维最大熵分割算法，具有分割效果好和时效性快的优点。
其次，图像特征提取与优化。综合分析生菜叶片图像共提取出25个特征值，其中包括:7个颜色特征、7个形状特征和11个纹理特征。运用PCA数据降维方法选择累计贡献率为98.24％的12个主成分，运用遗传算法数据降维方法寻优11个特征值，在后续分类中均采用支持向量机进行分类，实验表明基于遗传算法的特征优化结果优于主成分分析法。
最后，基于SVM的分类器设计。核函数形式及参数值是影响支持向量机的两个关键因素，本文提出了基于MSCPSO的混合核SVM分类器，并分别运用基于PSO的RBF_SVM分类器、基于PSO的混合核SVM分类器、基于MSCPSO的RBF_SVM分类器和基于MSCPSO的混合核SVM分类器训练生菜特征数据，得到生菜氮素水平等级模型，实验结果表明基于MSCPSO的混合核SVM分类器的分类精度高于其他3种分类算法的分类精度，达到93.33％。
本研究为生菜及其它作物品质的检测提供一种新的方法和途径，具有广阔的应用前景。