基于图像处理的黄瓜叶子病害识别系统的研究.docxVIP

基于图像处理的黄瓜叶子病害识别系统的研究 　　摘 要：为了进一步提高黄瓜叶子的病害检测与其病害程度分级的速率和准确性，本文综合运用图像处理技术和人工神经网络技术，实现了黄瓜叶部病害检测与染病程度的分级，并主要对发病率高且危害严重的黄瓜霜霉病、白粉病和病毒病进行了实验研究。实验最终证明：检测系统的黄瓜叶部病害平均识别精度为%，并能够快速准确地对黄瓜叶片病害的染病程度进行分级。　　关键词：黄瓜病害叶片；图像处理；特征提取；BP神经网络　　DOI：//　　1 黄瓜叶子病害识别系统研究的必要性　　在全球范围内，黄瓜的种植面积大，又是人们喜欢食用的蔬菜之一。但是，黄瓜十分容易染病。各种环境的污染，使得黄瓜的种植遭到极其严重的病害侵蚀，导致黄瓜出现各种各样的病变症状。然而，人们难以对各种病变进行明确的诊断并加以治疗。结果不仅阻碍了黄瓜种植技术的进步和发展，而且会导致农民对各种病变滥用药、乱用药，引发一系列的污染问题。黄瓜叶子病害识别系统就是利用科学技术的自动化和智能化来研究如何识别、诊断以及治疗黄瓜叶片的病害，并且对其病害程度进行分类。这个系统的创建为农作物的诊断与治疗带来了福音，不仅能够对其进行极其准确地判断，还可以提供正确的预防和治疗方法；另外，可以减少由于人为主观判断的失误所带来的损失，降低了种植成本。　　2 研究采用的科学技术　　本次研究采用两种先进的科学技术进行探索，一种是计算机视觉，也称为机器视觉，是研究如何用计算机来模拟和再现人类视觉功能的科学，也被称为图像理解和图像分析。另一种是计算机图像分析技术，此技术应用于植物病害的识别研究已经有几十年的历史。随着相关技术的不断成熟和发展，在农业各个领域上，计算机图像处理技术也得到了广泛的应用，并积极推动了农业的发展。　　3 研究的环境及流程　　 系统设计环境　　Matlab是一种简单，高效、功能强大的高级语言，在科学与工程计算领域有着广泛的应用前途。由于植物病害数据较为庞大，同时要求数据处理速度较快，那么就只能选取一种处理速率较快，存储空间较大并且功能强大的图像处理软件平台，Matlab软件刚好符合所有要求，是许多专业人士的首选。　　 图像预处理　　因为病变过后的黄瓜叶片大小和形状的改变，还有采集的图片中的背景与病害症状的差别，都会对图像处理产生一定程度的影响。研究主要利用图像灰度化、图像锐化、图像平滑等技术对采集的样本图像进行一系列的预处理，从而达到提高处理速度和识别病害准确性的目的。　　 图像灰度化　　为了保证图像信息的完整性，图像采集装置一般采用24位真彩色来储存图像。可是，由于彩色位图存储所占用的空间比较大，致使处理图像时的运算速度比较缓慢。图像灰度化可以解决这些问题。　　 图像锐化　　图像锐化处理是对图像中的轮廓边缘以及特征信息进行强化，使图像更加容易分辨或更方便被其他图像处理软件识别和处理，同时增强灰度在边缘处的对比度，从而便于分析轮廓等信息。　　 图像平滑　　为抑制、消除噪声和改善图像质量，必须对图像进行平滑处理。图像平滑技术是图像增强的一种方法，主要用于消除噪声对于图像的影响。　　 图像分割　　图像分割是指分离出具有特别作用的不同区域，并且彼此之间存在相对独立的特性。图像分割环节对于病害识别来说至关重要。　　 黄瓜叶片病斑特征的提取　　为了使计算机能够“理解”图像，就要从图像中提取有用的数据或信息，得到能区别于其他图像的“非图像”表述，这一过程就是特征提取，这些“非图像”的描述就是特征。　　 病斑的颜色特征提取　　HSV 颜色空间模型符合人类对颜色的视觉感知特性。它根据色彩的色调H、饱和度S 和亮度V3个基本特征确定颜色。在HSV 颜色空间模型中，H、S和V3个分量是相互独立的，便于颜色的量化处理。　　 病斑的纹理特征提取　　在实验研究，得出能量、相关性、和差异性是最有效的特征，所以将从这三个个参数的均值和偏差两方面进行提取，　　 病害图像的识别与分类　　如今，在农业的研究领域中，模式识别技术的应用愈来愈广泛。BP神经网络具有强大的非线性处理能力，因此可以?^好地进行非线性分类，解决了神经网络发展史上的非线性分类难题。本研究运用BP神经网络算法来训练前面已经获得的黄瓜病斑特征值。　　 网络的训练　　本研究采用动量梯度下降法训练函数对该网络进行训练。　　 网络的测试　　利用BP神经网络模型对黄瓜叶部病害样本图像进行识别测试。　　4 结束语　　运用此系统研究叶子病害程度对植物不会造成丝毫的损害。该系统的操作也简单易懂，运用此系统时，能通过简单的文字表达或者是简单而明显的图标标识去应用。希望它的到来，可以更加准确而快速的判断出病变的分级，减少自然因素所造成的影响，从而推动农业的发展。