基于图像的植物病害识别研究进展

文献类型： 中文期刊

第一作者： 余敏

作者： 余敏;李丰兵;祝光湖;宋修鹏;王泽平;张小秋;雷敬超;黄海荣;黄伟华;陈潇航;黄冬梅;李秋芳;颜梅新

作者机构：

关键词： 植物病害;图像分割;特征提取;病害识别

期刊名称： 农业研究与应用

ISSN： 2095-0764

年卷期： 2024 年 37 卷 0Z1 期

页码： 309-319

摘要： 植物病害识别是植物病害防控中必不可少的环节和前提条件，研发高精度的病害识别技术已成为病害高效防控中的迫切需求。植物病害图像识别的研究始于20世纪80年代，在农业生产和植物保护方面发挥着重要作用，及时、精确地识别植物病害可以帮助人们鉴别病害种类，并采取相应的防治措施，减轻病害对农作物产量和质量的不良影响。本文在整理和总结现有国内外研究文献的基础上，从图像分割、特征提取、分类识别3个方面重点梳理植物病害图像识别技术。目前关于植物病害图像分割的方法主要从基于阈值、聚类、边缘和深度学习等技术进行分类，可分为固定阈值法和自适应阈值法。固定阈值法是人工根据目标和背景像素直方图的差异尝试不同的值，并选择适宜阈值以实现图像分割。自适应阈值法是基于固定阈值分割的原理，根据特定的规则借助计算机自动迭代获得阈值，最常用的是最大类间方差法（Otsu法），而基于综合粒子群算法（GCLPSO）的阈值分割法的分割效果优于其他同类算法，具有较好的收敛性和稳定性。在植物病害识别研究中，特征提取和分类识别是影响识别率的关键因素。特征提取即描述属性，获得病害信息，找出最有用的辨别特征。分类识别是在图像分割和特征提取的基础上，通过构建分类器实现病害的准确识别。将迁移学习、轻量型网络等方法运用到植物病害识别，研究设计出高识别精度的网络模型将会是智慧植保的未来发展方向。基于图像的植物病害识别能够为病害监测和病害防控提供更加科学、智能的支持，对全球粮食生产和农业可持续发展都具有重要意义。

分类号： S432%TP391.41

  • 相关文献

[1]基于深度学习的油菜籽粒图像分割方法初探. 彭顺正,黄筑斌,岳延滨,吴小波. 2020

[2]基于图像分割与融合特征的黄瓜叶片含水量分析方法. 何林飞,朱煜,钱婷婷,汪妍. 2019

[3]基于玉米冠层原位监测的全生育期叶色建模及其应用. 杜建军,袁杰,王传宇,郭新宇. 2017

[4]基于改进C-V模型的棉花叶片目标提取方法. 李凯,张建华,韩书庆,孔繁涛,吴建寨. 2019

[5]基于HOG+SVM的田间水稻病害图像识别方法研究. 马超,袁涛,姚鑫锋,籍延宝,李琳一. 2019

[6]基于图像的水稻病害识别方法研究. 管泽鑫,唐健,杨保军,周营烽,范德耀,姚青. 2010

[7]面向植物病害识别的卷积神经网络精简结构Distilled-MobileNet模型. 邱文杰,叶进,胡亮青,杨娟,李其利,莫贱友,易万茂. 2021

[8]设施温室影像采集与环境监测机器人系统设计及应用. 郭威,吴华瑞,朱华吉. 2020

[9]基于卷积神经网络的家蚕病害识别研究. 石洪康,肖文福,黄亮,胡丛武,胡光荣,张剑飞. 2022

[10]黄瓜三大病害识别及其综合防治. 孟攀奇. 2004

[11]基于多尺度和注意力机制的番茄病害识别方法. 张宁,吴华瑞,韩笑,缪祎晟. 2021

[12]基于注意力机制与EfficientNet的轻量化水稻病害识别方法. 卫雅娜,王志彬,乔晓军,赵春江. 2022

[13]基于对比学习的植物叶片病害识别. 杨新宇,冯全,张建华,杨森. 2024

[14]一种基于深度学习的玉米病害识别方法. 郑铖,董伟,高海涛. 2023

[15]基于机器视觉的农作物病害识别研究进展. 麻剑钧,刘晓慈,金龙新,熊伟,易森林,封春芳,刘阳,夏先亮. 2023

[16]基于深度学习的农作物病害识别系统研发. 梁万杰,曹静,孙传亮,曹宏鑫,张文宇. 2023

[17]基于可见光谱和改进注意力的农作物病害识别. 孙文斌,王荣,高荣华,李奇峰,吴华瑞,冯璐. 2022

[18]基于高光谱成像的甘蔗叶片早期轮斑病与锈病识别技术. 黄亦其,刘祥焕,黄震宇,钱万强,刘双印,乔曦. 2023

[19]基于复杂环境的番茄叶部图像病虫害识别. 杨英茹,吴华瑞,张燕,朱华吉,李瑜玲,田国英. 2021

[20]马铃薯主要病害识别与防治措施. 贾豪. 2003

作者其他论文 更多>>

微信小程序