贝叶斯方法在玉米叶部病害图像识别中的应用

根据锈病、弯孢菌叶斑病、灰斑病、小斑病及褐斑病等五种玉米病斑图像的实际情况,在图像分割和特征提取的基础上,利用朴素贝叶斯分类器的统计学习方法,实现玉米叶部病斑的分类识别。研究结果表明,对五种玉米叶部病害的诊断精度在83%以上。贝叶斯分类器具有网络结构简单、易于扩展等特点,对玉米叶部病害的分类识别效果较好,也为其它作物病害图像识别的研究提供了借鉴。     

基于YOLOv5模型的大豆叶部斑病识别方法

针对目前大豆叶部病害识别方法存在的准确率低和鲁棒性差等问题，提出了一种基于改进型的YOLOv5-卷积神经网络（Convolutional Neural Network,CNN）的大豆叶片斑病图像识别方法。首先，对采集的大豆叶部病害图像进行预处理；其次，采用改进型深度学习网络提取特征，并训练分类模型，实现对大豆叶部斑病的快速识别；最后，通过和传统机器视觉系统相结合，完成了对大豆叶片斑病的智能化识别。实验结果表明，该研究方法能够有效提高大豆叶部斑病图像的识别精度和稳定性，在实际生产过程中，可根据田间条件选择不同光照强度下的大豆叶片，以验证所提算法的实用性和适用范围。     

一种用于农作物叶部病害图像识别的双权重协同表示分类方法

农作物病害是我国主要的农业灾害之一,准确识别病害类型是防治农作物病害的关键。因此,首先采集了小麦、玉米、花生、棉花4种农作物的22种常见叶部病害的441张图像;然后,在对每张病害图像中的叶片和病斑进行分割的基础上,分别提取了描述农作物种类的叶片特征参数和描述病害类型的病斑特征参数;其次,将这两类特征参数组合并作归一化处理,得到病害图像的数据特征向量;再次,采用所有病害图像的数据特征向量,构建了一个农作物叶部病害数据集;最后,在同时考虑数据特征重要性和数据空间局部性的基础上,提出了一种双权重协同表示分类(DWCRC)方法并将其用于农作物叶部病害识别。在农作物叶部病害数据集上的实验结果表明,提出的双权重协同表示分类方法在用于农作物叶部病害识别时具有较高的识别率。     

基于局部二值模式的作物叶部病斑检测

根据作物叶片症状准确、快速检测作物病害是防治和控制作物病害的基础。为准确检测作物叶部病害,在窗阈值中心对称局部二值模式（WTCSLBP）的基础上,提出了一种作物病斑检测方法。首先利用自适应局部二值模式获取正常叶片图像特征并确定病斑判断阈值,然后将待检测叶片图像分割为大小相同的检测窗,并提取同样特征与阈值进行比较,以判断该检测窗是否有病斑。在三种苹果病害叶片图像数据库上的实验结果表明,该方法能够有效检测作物病斑分布特性。与中心对称LBP（CS-LBP）和WTCSLBP相比,该方法具有更少的特征维数和更高的正确识别率。     

基于区分深度置信网络的病害图像识别模型

对枸杞病害进行及时、准确地检测识别对于病害的监测、预测、预警、防治和农业信息化、智能化建设具有重要意义。研究提出了一种基于区分深度置信网络的枸杞病害图像分类识别模型。首先,把枸杞叶部病害图像通过自动裁剪方式获得包含典型病斑的子图像,再采用复杂背景下的图像分割方法分割病斑区域,提取病斑图像的颜色特征、纹理特征和形状特征共计147个,结合区分深度置信网络和指数损失函数建立了病害识别模型。实验结果表明,该方法对于病害图像识别效果较好,与支持向量机相比,基于区分深度置信网络的病害图像识别模型高效地利用了底层图像特征的高层表示,解决了没有足够标注数据时的图像识别问题。     

小麦叶部常见病害特征提取及识别技术研究

选取小麦叶部常见病害图像,利用图像处理技术进行病害种类的识别。将图像由RGB彩色空间转换到HSV颜色空间,提取相关的颜色特征（色相和饱和度）,接着提取几何形状特征（周长、面积、矩形度、似圆度、偏心率等）,通过分析样本图像得到每种病害的特征值范围,利用特征值对未知样本进行病害识别。系统以白粉病和锈病（叶锈病、条锈病和秆锈病）为研究对象,根据颜色特征对白粉病和锈病加以识别,然后根据几何形状特征对叶锈病、条锈病和秆锈病进行识别,操作简单方便,识别准确率达96%以上。实验结果表明,选取的颜色特征和几何形状特征对4种小麦叶部常见病害的识别是有效且可行的。     

基于图像内容检索的作物病害识别数据库系统研究

针对作物病害诊断专家系统存在不足,提出基于图像检索的方式诊断病害.通过病害图像建立特征库、知识库、图像库等数据库,诊断时提取检索图像特征,求特征与特征库中特征的相似度距离,按距离大小返回相似图像,依据返回结果获取病害的描述及防治措施.为提高检索的查准率和查全率,重点探索了病害图像数据库创建中特征库信息的获取和检索算法的设计.以烟草病害图像为例,采用基于支持向量机与多特征选择检测彩色病斑边缘的方式分割病斑,提取病斑特征25个,利用双编码遗传算法和支持向量机对特征降维,以获取表征病害的有效特征17个及对应权重,对特征归一化处理后建立数据库,并设计检索算法.实验结果表明,构建的图像数据库系统具有较高的查准率和查全率,其中融合病斑的多个特征检索的查准率比单一特征高.用这种方式诊断病害,除有较高的病害识别率外,还有诊断结果的可视化,将其用于作物病害诊断专家系统中,将提高系统的鲁棒性,为实现病害的远程在线诊断提供了条件.     

多尺度U网络实现番茄叶部病斑分割与识别

随着深度学习技术的迅速发展,卷积神经网络成为研究植物叶部病害识别与病斑分割的主流方法.针对番茄叶部病斑大小不一、形状不规则、病斑分割需要大量像素级标记等问题,文中提出一种多尺度U网络,以同时实现番茄叶部病斑分割与病害识别.在病害特征提取阶段采用多尺度残差模块组合不同尺寸的感受野来提取病害特征,以适应病斑大小和形状的动态变化.引入CB模块(Classifier and Bridge)将病害特征提取阶段与病斑分割阶段连接,对病害特征进行分类,并根据分类结果反向映射出特定类的激活图,此激活图包含特定类别病斑的关键信息.在分割阶段采用上采样与卷积相结合的方法对特定类的激活图进行反卷积,利用跳跃连接方式将反卷积特征与低层特征融合,以补充更多的图像细节信息,获取病斑分割的灰度图.为了使分割的病斑定位更加精确,利用少量像素级标记,对每个像素点采用二分类交叉熵损失函数进行监督训练,同时更好地引导特征提取网络关注病斑部位.利用原始测试集与模拟噪声和光照强度的干扰测试集分别验证模型的病斑分割与病害分类性能.在原始测试样本集上多尺度U网络的平均像素准确率、平均交并比和频权交并比分别达到了86.15％,75.25％和90.27％;在降低30％亮度和添加椒盐噪声的干扰测试集上,模型的识别准确率分别为95.10％和99.20％.实验结果表明,所提方法可以实现番茄叶部病斑分割与识别效果的共同提升.     

复杂背景下小麦叶部病害图像分割方法研究

针对复杂背景下小麦叶部病害图像分割问题,以小麦条锈病、叶锈病为研究对象,提出一种结合K-means聚类、Otsu阈值法等多种方法的分割策略。主要分三个步骤将小麦病斑图像分割出来:首先,利用背景与叶片a*b*分量的差异性,采用K-means聚类分割方法,去除泥土、杂草、阴影等背景,分割出小麦植株图像;其次,利用Otsu动态阈值法进行二值化处理,并结合数学形态学运算及面积阈值法分割出带有病斑的主要小麦病害叶片图像;最后,采用K-means算法对小麦病害叶片图像进行聚类运算,最终分割出小麦病斑图像。利用该方法进行分割实验,分割准确率达到95%以上,分割效果理想,为小麦叶部病害图像分割提供了参考,也为后续的小麦病害识别和诊断提供了基础。     

基于模糊C-均值聚类的作物叶部病斑图像分割

农作物病害的发生对我国农业生产危害较大,运用机器识别技术对农作物病害图像进行自动识别有着重要的意义。对于玉米叶部病斑,大多数分割算法不能很好地分割出来,采用快速模糊C-均值聚类算法,对玉米染病叶片图像进行分割,并通过实验验证了这种算法在聚类优化性能不变的前提下,病斑和背景的区分很明显,分割效果较好。     

PulsExpert: An expert system for the diagnosis and control of diseases in pulse crops

This paper presents design and development of an expert system for the diagnosis and control of diseases in pulse crops (PulsExpert). PulsExpert is an operational automatic diagnostic tool that helps farmers/extension workers to identify diseases of major pulse crops viz., Chickpea, Pigeonpea, Mungbean and Urdbean (highly consumed pulse crops) and suggests the appropriate control measures. Automatic knowledge acquisition system of PulsExpert provides user-friendly interface to the domain experts for entering, storing and structuring the domain specific knowledge. The knowledge base has been designed after examining the type and structure of the knowledge from different sources like literatures, books, databases, farmers, extension workers, etc. For a particular crop, knowledge can be entered by more than one expert using an automatic knowledge acquisition system and system automatically integrates the knowledge to build a consistent knowledge base. The knowledge base of PulsExpert contains up-to-date knowledge about 19 major diseases of pulses appearing right from seedling to maturity. The system provides user-friendly interface to farmers and asks the textual as well as pictorial questions. The order of questions to be asked is decided dynamically depending upon the answers of the farmer. On the basis of answers, PulsExpert diagnosis the pulse crop diseases along with its confidence factor and suggests most appropriate control measures which are composed of cultural practices as well as chemical controls. PulsExpert was evaluated by a team of field farmers and State Agriculture Officers and it was considered good with an average rank of 2.745 by farmers and 2.075 by State Agriculture Officers with a statistic mode ranking 3 in both the cases.     

指针式压力表自动检定系统的设计与实现

设计并开发了一种指针式压力表自动检定系统。该系统包括压力表检定／校准管理系统和仪表示值自动判读系统两部分。系统的可视化界面使得操作非常简单,操作人员只需输入量程、精度等必要参数,压力表的指针读数即可自动读出。给出的自动判读方法可用于各种指针式仪表精度的自动检测、判读,其精度取决于图像的分辨率和限定的处理时间。本系统可较大地改善压力表人工检定工作的落后状况,在一定程度上提高了检定工作的自动化水平和检定结果的稳定性。     

MORSE: A general model to represent structured knowledge

In this paper, a model to represent knowledge (MORSE) that abstracts the structure of an automatic system is presented. This model is able to represent several ways of human reasoning, structured knowledge, execution strategies of an automatic system and many models presented in different works, such as hierarchical fuzzy controllers, cascade correlation neural networks architecture, decision trees, multilayer perceptrons, etc. Finally, thanks to the high level of abstraction of MORSE, the automatic systems specified by means of this model, have been classified in terms of their general features. This classification could allow a designer of systems to choose the best model of an automatic system to solve a problem. ©2000 John Wiley & Sons, Inc.     

基于T-Spline的全自动几何拓扑修复方法

从高质量曲面网格生成的需求出发,提出了一种基于T-Spline的全自动几何拓扑修复方法.本文方法创新性主要可归纳为:1）对原有计算机辅助设计（Computer aided design,CAD）几何模型不进行任何修改保留其本真,自动识别CAD几何模型中常见不必要的几何特征,成功解决了CAD几何模型中存在的几何瑕疵,如短边、窄面、退化边、退化面、非连续光滑边界及尖锐特征等,利用新生成的"虚边"、"虚面"处理几何瑕疵,同时通过虚拓扑重构CAD几何模型的B-Rep;2）开发了一套CAD/CAE集成系统,统一了几何模型与计算分析模型,实现计算机辅助工程（Computer aided engineering,CAE）与CAD两者的无缝集成,所有拓扑修复操作及后续CAE分析计算均在同一环境下进行,避免了几何模型在CAE与CAD系统间进行转换时造成的数据丢失.该方法能够对复杂实体实现全自动几何拓扑修复及网格生成,实验表明,在保证不失真的前提下,修复后的几何模型能够生成质量良好的网格且能降低网格的生成规模,验证了本文方法的实用性和有效性,以满足工程实际分析的需要.     

Automatic hepatitis diagnosis system based on Linear Discriminant Analysis and Adaptive Network based on Fuzzy Inference System

In this paper, an automatic diagnosis system based on Linear Discriminant Analysis (LDA) and Adaptive Network based on Fuzzy Inference System (ANFIS) for hepatitis diseases is introduced. This automatic diagnosis system deals with the combination of feature extraction and classification. This automatic hepatitis diagnosis system has two stages, which feature extraction – reduction and classification stages. In the feature extraction – reduction stage, the hepatitis features were obtained from UCI Repository of Machine Learning Databases. Then, the number of these features was reduced to 8 from 19 by using Linear Discriminant Analysis (LDA). In the classification stage, these reduced features are given to inputs ANFIS classifier. The correct diagnosis performance of the LDA-ANFIS automatic diagnosis system for hepatitis disease is estimated by using classification accuracy, sensitivity and specificity analysis, respectively. The classification accuracy of this LDA-ANFIS automatic diagnosis system for the diagnosis of hepatitis disease was obtained in about 94.16%.     

基于神经元的模糊自适应PID控制及其应用

调节环节的控制策略设计对自控系统控制效果起着至关重要的作用。基于神经元的模糊自适应PD控制，模拟生物神经元的某些结构和功能，依据实际系统输入、输出数据、现场操作人员的运行经验和传统的PD控制方法，选取不同的权值，由计算机能识别且能实现控制算法来完成。这项技术已在河工模型进口流量、尾水位自控系统中成功应用。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;② 引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术，在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源，搭建CNN模型对农作物进行光谱特征提取与分类，并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息，利用CNN对农作物光谱和纹理特征进行提取，优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取，验证结果对比显示，CNN对应各类别精度、总体精度均优于SVM，其中二者总体精度分别为95.14%和91.77%；② 引入影像纹理信息后，基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%，Kappa系数0.952，且分类结果的空间分布更为合理，可有效区分花生、道路等精细地物，说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取，可面向种植结构复杂区域实现农作物精准分类与分布制图。