论文部分内容阅读
针对目前我国农作物害虫诊断大多停留在人工阶段,存在着客观性差、效率低、劳动强度大等问题,以及现有的基于图像识别的农作物害虫诊断存在很多不足之处,本文对基于图像识别的农作物害虫诊断关键理论算法和实际应用进行了系统的研究,主要工作概述如下：对基于图像识别的农作物害虫诊断的基础工作做了系统的研究。论述了图像识别的基础问题,包括图像识别问题的分类、图像识别的基本框架以及传统的图像数据集。针对课题研究目标,介绍了两种害虫图像的获取方式,提出并验证了一种适合害虫图像预处理的方法。提出了农作物害虫图像数据集构建原则,并在此原则指导下,利用现有的害虫图像资源分别构建了水稻、油菜、玉米、大豆四种常见大田作物的害虫图像数据集。现有的农作物害虫图像分割的研究主要集中于简单背景,或者灰度图像的自动分割,且大多采用阈值分割算法进行分割,但现实场景中,受到环境因素的影响如作物叶片、杂草、土壤以及光照等,害虫图像一般具有复杂的农田背景,因此现有的害虫图像自动分割算法往往不理想。针对以上问题,本文把基于人机交互的半自动图像分割算法如GrabCut算法和最大相似度区域合并算法用于害虫图像的分割,并提出了一种结合纹理颜色直方图的最大相似度区域合并算法,通过复杂农田背景害虫图像的分割实验证明了该算法的可行性和有效性。现有的害虫图像特征提取大多集中在提取害虫的单一特征,如颜色特征、形态特征或纹理特征,因为其识别对象要集中在一种或几种害虫的识别,因此使用单一特征可以取得很好的识别率,但是推广到多种害虫的识别往往效果不好。针对以上问题,本文提出了基于多特征融合的农作物害虫图像识别。该方法使用Fisher线性判别法计算各特征的权值,结合欧式距离分类器,以水稻、油菜、玉米、大豆四种作物的34种害虫为实验数据,通过多种特征组合方式分别进行实验,实验结果证明该算法具有很高的识别率。以实际应用为目标,开发了一套界面友好、易于扩展的基于图像识别的农作物害虫诊断系统。该系统不仅可以读取本地害虫图像进行识别,还可以获取外置图像采集设备捕捉到的实时图像进行识别,用户只需简单的交互就可以获取害虫种类以及防治方法,有效的指导用户合理使用农药进行害虫的防治。