基于局部特征分析的复杂环境下作物病害识别与诊断方法研究

在农作物的栽培过程中，常常会出现各种各样的病虫害,其中病害是最主要的危害之一。为了保证既有效地施用农药消灭作物的病害，又尽可能减少农药对环境和人体的危害，农业生产者必须准确地获取作物生长信息，快速、准确地诊断受害作物的病因以及受害程度，因病治宜。因此研究作物病害的快速、准确、经济地识别与诊断方法，对减少农药对环境和人体的危害，提高农作物可持续生产能力具有重大的实际意义。基于局部特征分析的复杂环境下作物病害识别与诊断方法研究是以田间复杂环境中大豆六种常见叶部病害为研究对象，综合利用模式识别、图像处理技术、植物病理学等知识实现病害的识别与诊断，研究内容主要包括病害图像局部特征提取、选择与描述方法研究；病害类型及程度的识别与诊断方法研究。该项目的成功实施预期得到适合实际田间复杂环境下大豆叶部多种病害快速诊断的方法，构建大豆病害识别与诊断系统，解决目前作物病害识别率较低、诊断模型实用性不强的问题。

作物病害是中国农业的主要灾害之一，病害发生范围及危害程度严重制约着农业生产的产量、质量和持续发展。病害叶片症状是发现病害和判断病害种类的主要依据之一。传统的防治方法主要依靠农民或专家经验判别病害的种类和严重程度。这种方法识别病害的主观性强、速度慢、强度大、误识率高、实时性差，且往往带来资源浪费和环境污染。采用计算机视觉技术可以客观、及时、准确地识别诊断作物的病情，从而实现作物的精确施药。.本项目通过3年的研究工作，已完成项目计划内容,并取得了以下一些成果:. (1)建立了大豆病害图像库。采集了大豆叶部灰斑病、黑斑病、褐斑病等15种病害的200多幅原始病害图像，并通过旋转平移尺度伸缩等构建了病害图像数据库。.(2)在病害图像分割方面，提出了两种改进方法。分别是基于无监督模糊聚类算法的大豆叶部病斑分割和基于改进的显著性区域提取的方法。通过对比基于无监督模糊聚类算法的大豆叶部病斑分割、基于显著性区域的大豆病害检测方法、MeanShift算法这三种算法的分割效果，结果表明基于显著性区域的大豆病害检测方法对大豆病害图像分割效果理想。.(3)通过实验提取了适合大豆病害的特征。从病斑彩色图像中分别提取了颜色特征参量的一阶矩、二阶矩以及uniform LBP（均匀二值模式)纹理特征作为分类特征。.(4)改进和设计了适合大豆病害分类的分类器。利用针对支持向量机参数难确定这个问题，提出了粒子群算法改进支持向量机，主要是利用粒子群算法搜寻最优的核函数参数和惩罚系数来提高支持向量机的准确率，实验结果数据表明比支持向量机的识别准确率提高了13.25%；最后针对课题中训练样本较少，同时为了防止模型过拟合，改善大豆叶病害的识别分类效果，提出了在神经网络的基础上利用dropout进行改进，实验结果数据表明比改进后支持向量机的识别准确率提高了2.273%。.收本项目资助的成果有发表期刊论文7篇，其中SCI收录2篇，EI收录2篇，录用EI期刊论文1篇，其他期刊论文3篇。投稿论文3篇，已申请发明专利1项，获得软件著作权4项。