基于光谱与图像的斑潜蝇虫害叶片检测技术研究

摘要

本研究以光谱和图像处理为基础，探索了斑潜蝇虫害叶片的自动检测方法，设计出斑潜蝇虫害叶片检测的系统软件，目标是达到较高的斑潜蝇虫害状况检测速度和精度，实现斑潜蝇虫害的自动化检测，为虫害控制提供信息，从而合理地进行虫害控制。本研究其内容和成果简述如下： 1.针对叶片图像，在理论分析和试验基础上，对图像颜色检测、滤波、灰度化、分割、边缘检测等问题分别进行了分析，找出了适用于虫害检测的图像处理算法，计算出了斑潜蝇虫害叶片的破损率，并根据破坏程度对叶片进行了分级处理。 2.以番茄和黄瓜叶片的反射光谱为研究对象，在理论分析和试验的基础上，选出了区分斑潜蝇虫害程度的敏感波长，研究验证了利用植物叶片的光谱特征进行回归分析、支持向量机分类的方法。研究结果如下： (1)在绿光波段，可见光反射率与叶片破损率的决定系数R2＞0.87(番茄)、R2＞0.89(黄瓜)；在542nm和562nm处，叶片破损率与可见光反射率的R2分别为0.87和0.89(番茄)，0.89和0.89(黄瓜)；在710nm时，番茄叶片破损率与可见光谱反射率的R2为0.88；黄瓜叶片破损率与近红外光反射率的R2＞0.81、番茄叶片与近红外光反射率的R2＞0.70(在771nm时，R2=0.94)； (2)叶片的干鲜比与近红外光反射率回归结果为：黄瓜(在1450nm)R2=0.79；番茄(在1452nm)R2=0.70；在波段1436-1468nm，不同叶片的干鲜比也与近红外光谱具有较好的相关性(黄瓜：R2＞0.76，番茄：R2＞0.70)： (3)支持向量机分类结果：在使用8个可见光敏感波长(542，554，562，600，636，696，710和744nm)作为输入向量时，SVM的分类正确率分别为93.8％(多项式核函数)和96.9％(RBF核函数)。与多光谱方法(分类正确率为90％)相比较，SVM的分类正确率更高，更适合用于分类；在使用10个近红外敏感波长(771，821，891，945，1026，1121，1256，1674，1687和1933nm)作为输入向量时，基于多项式核函数的SVM的分类正确率大于90％，基于RBF的分类正确率大于97.4％，并且随着输入向量数量的增加，SVM的分类正确率增加。 3.针对图像的纹理特征，提出了应用分数布朗运动原理来计算叶片的分维数，用叶片的21个分维数对叶片破坏程度进行描述。采用阈值分类法进行分类，黄瓜叶片的平均分类正确率为47％，番茄正常叶片为55％，分类效果不理想。以叶片的分形维数作为输入向量进行分类试验，多项式SVM的正确率为79％，RBFSVM的正确率为85％。SVM的分类正确率高于阈值分类法。 4.建立了三层BP神经网络，对叶片的可见光和近红外反射光谱以及叶片的分形维数与叶片破损率进行了预测，网络输出值与实测叶片破损率的相关系数：分形维数为0.817、可见光谱为0.902、近红外为0.935。光谱数据的BP网络输出精度高于数理统计模型的拟合精度。 5、设计了斑潜蝇虫害叶片检测系统软件。该系统具有文件管理、图像采集、图像预处理、图像分割、叶片虫害程度检测等功能。

目录

文摘

英文文摘

论文说明：插图清单及表格清单

独创性声明及关于论文使用授权的说明

第一章 绪论

第二章 斑潜蝇虫害叶片图像的采集和处理

第三章 斑潜蝇虫害叶片的光谱特性研究

第四章 基于分形的斑潜蝇虫害叶片检测方法研究

第五章 基于BP神经网络的斑潜蝇虫害叶片检测方法研究

第六章 基于光谱和图像的斑潜蝇虫害叶片检测系统

第七章 结论与建议

参考文献

致谢

作者简介