留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用特征分割和病斑增强的杨树叶部病害识别

明浩 苏喜友

明浩, 苏喜友. 利用特征分割和病斑增强的杨树叶部病害识别[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20190752
引用本文: 明浩, 苏喜友. 利用特征分割和病斑增强的杨树叶部病害识别[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20190752
MING Hao, SU Xiyou. Image recognition of poplar leaf diseases with feature segmentation and lesion enhancement[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20190752
Citation: MING Hao, SU Xiyou. Image recognition of poplar leaf diseases with feature segmentation and lesion enhancement[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20190752

本文已在中国知网网络首发,可在知网搜索、下载并阅读全文。

利用特征分割和病斑增强的杨树叶部病害识别

doi: 10.11833/j.issn.2095-0756.20190752
基金项目: “十三五”国家重点研发计划项目(2017YFD0600906)
详细信息
    作者简介: 明浩,从事林业信息处理技术研究。E-mail: minghaooooo@163.com
    通信作者: 苏喜友,副教授,博士,从事林业信息管理、智慧林业和大数据等方面研究。E-mail: suxiyou@126.com
  • 中图分类号: S763.1

Image recognition of poplar leaf diseases with feature segmentation and lesion enhancement

  • 摘要:   目的  针对杨树Populus黑星病早期特征和杨树花叶病病斑不明显的特点,提出通过对图像集进行预处理的方法以提高识别精度的方案。  方法  为去除图像背景的影响,采用基于改进的Canny算子边缘检测法并结合霍斯变换提取叶片轮廓;借助限制对比度自适应直方图均衡化算法降低局部光照不均带来的影响并增强病斑的特征;使用自适应阈值的OTSU分割算法提取病斑图像。最后将预处理得到的病斑特征二值化图像和病斑图像,分别输入由5个卷积层、3个全连接层、650 000个神经元及超过6 000万个学习参数的Alexnet神经网络进行训练并验证准确率。  结果  研究最终分别获得93.56%和98.07%的验证集识别精度,较原图像实验组88.77%的识别精度有显著提升。提出的提取叶片轮廓的结合方法能够完整提取不同背景下的叶片主体图像,有效避免目标叶片的背景干扰;限制对比度自适应直方图均衡化算法对自然环境下拍摄产生的不均匀光照有较好的处理效果,有效降低反光等因素的干扰。  结论  几种病害图像预处理对提高识别精度效果明显,识别能力远超过未经处理的原始病害图像识别,有助于提高杨树叶部病害的智能识别能力。图8表1参22
  • 图  1  笛卡尔坐标系(A)与极坐标系(B)图像

    Figure  1  Cartesian coordinate system(A) and polar(B) images

    图  2  AlexNet网络数据流

    Figure  2  Network data stream of AlexNet

    图  3  轮廓提取及分割效果

    Figure  3  Contour extraction and segmentation effect

    图  4  杨树黑星病特征增强

    Figure  4  Enhanced characteristics of poplar scab

    图  5  杨树花叶病特征增强

    Figure  5  Enhanced characteristics of poplar mosaic disease

    图  6  杨树黑星病特征提取

    Figure  6  Feature extraction of poplar scab

    图  7  杨树花叶病特征提取

    Figure  7  Feature extraction of poplar mosaic disease

    图  8  3组实验神经网络训练迭代验证准确率

    Figure  8  Three groups of experimental neural network training iteration verification accuracy

    表  1  图像数据集信息

    Table  1.   Image data set information

    图像类别训练集数量验证集数量总数
    健康图像716 79 895
    杨树花叶病9031021 005
    杨树黑星病954 961 050
    下载: 导出CSV
  • [1] 曾大鹏. 我国杨树病害的研究现状与防治[J]. 中国森林病虫, 2002, <bold>21</bold>(1): 20 − 26. doi:  10.3969/j.issn.1671-0886.2002.01.005

    ZENG Dapeng. Review of current situation of research and control on poplar diseases in China [J]. <italic>For Pest Dis</italic>, 2002, <bold>21</bold>(1): 20 − 26. doi:  10.3969/j.issn.1671-0886.2002.01.005
    [2] 徐梅卿, 周旭东, 朴春根. 中国不同栽培区杨树品系及其病害种类[J]. 林业科学研究, 2009, <bold>22</bold>(5): 705 − 714. doi:  10.3321/j.issn:1001-1498.2009.05.016

    XU Meiqing, ZHOU Xudong, PU Chungen. <italic>Populus</italic> cultivation-clones in different cultivated area and its diseases in China [J]. <italic>For Res</italic>, 2009, <bold>22</bold>(5): 705 − 714. doi:  10.3321/j.issn:1001-1498.2009.05.016
    [3] 蒋丰千, 李旸, 余大为, 等. 基于Caffe卷积神经网络的大豆病害检测系统[J]. 浙江农业学报, 2019, <bold>31</bold>(7): 1177 − 1183. doi:  10.3969/j.issn.1004-1524.2019.07.19

    JIANG Fengqian, LI Yang, YU Dawei,<italic> et al</italic>. Soybean disease detection system based on convolutional neural network under Caffe frame-work [J]. <italic>Acta Agric Zhejiangensis</italic>, 2019, <bold>31</bold>(7): 1177 − 1183. doi:  10.3969/j.issn.1004-1524.2019.07.19
    [4] 张善文, 谢泽奇, 张晴晴. 卷积神经网络在黄瓜叶部病害识别中的应用[J]. 江苏农业学报, 2018, <bold>34</bold>(1): 56 − 61. doi:  10.3969/j.issn.1000-4440.2018.01.008

    ZHANG Shanwen, XIE Zeqi, ZHANG Qingqing. Application research on convolutional neural network for cucumber leaf disease recognition [J]. <italic>Jiangsu J Agric Sci</italic>, 2018, <bold>34</bold>(1): 56 − 61. doi:  10.3969/j.issn.1000-4440.2018.01.008
    [5] 邹永杰, 张永军, 秦永彬, 等. 应用于番茄病虫害检测的HOG特征与LBP特征的结合[J]. 南京师范大学学报(工程技术版), 2019, <bold>19</bold>(3): 21 − 28.

    ZOU Yongjie, ZHANG Yongjun, QIN Yongbin,<italic> et al</italic>. The combination of HOG features with LBP features applied to tomato disease and pest detection [J]. <italic>J Nanjing Norm Univ Eng Technol Ed</italic>, 2019, <bold>19</bold>(3): 21 − 28.
    [6] 王佳. 计算机视觉在香芋病害检测中的应用研究[J]. 农机化研究, 2020, <bold>42</bold>(8): 241 − 244.

    WANG Jia. Application of computer vision in the detection of sweet potato disease [J]. <italic>J Agric Mech Res</italic>, 2020, <bold>42</bold>(8): 241 − 244.
    [7] 张善文, 张晴晴, 李萍. 基于改进深度卷积神经网络的苹果病害识别[J]. 林业工程学报, 2019, <bold>4</bold>(4): 107 − 112.

    ZHANG Shanwen, ZHANG Qingqing, LI Ping. Apple disease identification based on improved deep convolutional neural network [J]. <italic>China For Sci Technol</italic>, 2019, <bold>4</bold>(4): 107 − 112.
    [8] 苏婷婷, 牟少敏, 董萌萍, 等. 深度迁移学习在花生叶部病害图像识别中的应用[J]. 山东农业大学学报(自然科学版), 2019, <bold>50</bold>(5): 865 − 869.

    SU Tingting, MOU Shaomin, DONG Mengping,<italic> et al</italic>. Application of deep transfer learning in image recognition of peanut leaf diseases [J]. <italic>J Shandong Agric Univ Nat Sci Ed</italic>, 2019, <bold>50</bold>(5): 865 − 869.
    [9] 孙金岭, 庞娟, 张泽龙. 基于颜色特征和改进Canny算子的车牌图像定位[J]. 吉林大学学报(理学版), 2015, <bold>53</bold>(4): 693 − 697.

    SUN Jinling, PANG Juan, ZHANG Zelong. Recognition of vehicle license plate locating based on color feature and improved Canny operator [J]. <italic>J Jilin Univ Sci Ed</italic>, 2015, <bold>53</bold>(4): 693 − 697.
    [10] 李亚丽, 付威, 赵岩, 等. 自然环境下杏树的边缘信息检测及轮廓提取[J]. 新疆农机化, 2019(4): 31 − 34.

    LI Yali, FU Wei, ZHAO Yan,<italic> et al</italic>. Edge information detection and contour extraction of a single apricot tree in natural environment [J]. <italic>Xinjiang Agric Mech</italic>, 2019(4): 31 − 34.
    [11] 柳小波, 张育维. 基于U-Net和Res_UNet模型的传送带矿石图像分割方法[J]. 东北大学学报(自然科学版), 2019, <bold>40</bold>(11): 1623 − 1629.

    LIU Xiaobo, ZHANG Yuwei. Ore image segmentation method of conveyor belt based on U-Net and Res_UNet models [J]. <italic>J Northeast Univ Nat Sci</italic>, 2019, <bold>40</bold>(11): 1623 − 1629.
    [12] 张晗, 钱育蓉, 王跃飞, 等. 基于图像边缘增强与弱化的边缘检测[J]. 计算机工程与设计, 2019, <bold>40</bold>(11): 3106 − 3110.

    ZHANG Han, QIAN Yurong, WANG Yuefei,<italic> et al</italic>. Edge detection based on image edge enhancement and weakening [J]. <italic>Comput Eng Des</italic>, 2019, <bold>40</bold>(11): 3106 − 3110.
    [13] 张麟瑞, 贾玉林, 程科. 简单图像闭合外边缘轮廓提取[J]. 红外与激光工程, 2006, <bold>35</bold>(3): 367 − 370. doi:  10.3969/j.issn.1007-2276.2006.03.027

    ZHANG Linrui, JIA Yulin, CHENG Ke. Method of obtaining close exterior outlines of simple images [J]. <italic>Infrared Laser Eng</italic>, 2006, <bold>35</bold>(3): 367 − 370. doi:  10.3969/j.issn.1007-2276.2006.03.027
    [14] VELUCHAMY M, SINGH J F. Contrast limited fuzzy adaptive histogram equalization for enhancement of brain images [J]. <italic>Int J Imaging Syst Technol</italic>, 2017, <bold>27</bold>(1): 98 − 103. doi:  10.1002/ima.22214
    [15] SHARMA D P. Intensity transformation using contrast limited adaptive histogram equalization [J]. <italic>Int J Eng Res</italic>, 2013, <bold>2</bold>(4): 282 − 285.
    [16] 程培英. 一种新颖的Ostu图像阈值分割方法[J]. 计算机应用与软件, 2009, <bold>26</bold>(5): 228 − 231. doi:  10.3969/j.issn.1000-386X.2009.05.075

    CHENG Peiying. A novel Ostu segmentation algorithm for image threshold [J]. <italic>Comput Appl Software</italic>, 2009, <bold>26</bold>(5): 228 − 231. doi:  10.3969/j.issn.1000-386X.2009.05.075
    [17] 魏帅均, 张彦娥, 梅树立. 基于俯视图像的玉米株心快速识别方法研究[J]. 农业机械学报, 2017, <bold>48</bold>(增刊 1): 136 − 141.

    WEI Shuaijun, ZHANG Yan'e, MEI Shuli. Fast recognition method of maize core based on top view image [J]. <italic>Trans Chin Soc Agric Mach</italic>, 2017, <bold>48</bold>(suppl 1): 136 − 141.
    [18] KRIZHEVSKY A, SUTSKEVER I, HINTON G E,<italic> et al</italic>. ImageNet classification with deep convolutional Neural Networks [J]. <italic>Commun ACM</italic>, 2017, <bold>60</bold>(6): 84 − 90. doi:  10.1145/3065386
    [19] 郭佳, 刘晓玉, 吴冰, 等. 一种光照不均匀图像的二值化方法[J]. 计算机应用与软件, 2014, <bold>31</bold>(3): 183 − 186, 202. doi:  10.3969/j.issn.1000-386x.2014.03.048

    GUO Jia, LIU Xiaoyu, WU Bing,<italic> et al</italic>. Binarisation method for images acquired under non-uniform illumination [J]. <italic>Comput Appl Software</italic>, 2014, <bold>31</bold>(3): 183 − 186, 202. doi:  10.3969/j.issn.1000-386x.2014.03.048
    [20] 陈卫, 邓志良. 基于颜色和形状的不均匀光照条件下球体识别[J]. 电子设计工程, 2019, <bold>27</bold>(21): 177 − 181. doi:  10.3969/j.issn.1674-6236.2019.21.039

    CHEN Wei, DENG Zhiliang. Ball recognition based on color and shape under uneven illumination conditions [J]. <italic>Electron Des Eng</italic>, 2019, <bold>27</bold>(21): 177 − 181. doi:  10.3969/j.issn.1674-6236.2019.21.039
    [21] 席佳祺, 陈晓冬, 汪毅, 等. 细节保持的非均匀光照图像亮度均衡算法[J]. 光电工程, 2019, <bold>46</bold>(4): 47 − 58.

    XI Jiaqi, CHEN Xiaodong, WANG Yi,<italic> et al</italic>. Details preserved brightness equalization algorithm for non-uniform illumination images [J]. <italic>Opto-Electron Eng</italic>, 2019, <bold>46</bold>(4): 47 − 58.
    [22] 王礼, 洪祖兵, 方陆明, 等. 基于iOS系统的观赏植物识别[J]. 浙江农林大学学报, 2018, <bold>35</bold>(5): 900 − 907. doi:  10.11833/j.issn.2095-0756.2018.05.015

    WANG Li, HONG Zubing, FANG Luming,<italic> et al</italic>. iOS-based recognition of ornamental plants [J]. <italic>J Zhejiang A</italic>&<italic>F Univ</italic>, 2018, <bold>35</bold>(5): 900 − 907. doi:  10.11833/j.issn.2095-0756.2018.05.015
  • [1] 侯盼盼, 陈安良, 费莉玢, 马良进.  水杨酸诱导紫楠对炭疽病的抗性 . 浙江农林大学学报, 2020, 37(3): 605-610. doi: 10.11833/j.issn.2095-0756.20190342
    [2] 黄鹏桂, 赵璠, 李晓平, 吴章康, 汤正捷, 张严风.  卷积神经网络在红木树种识别中的应用 . 浙江农林大学学报, doi: 10.11833/j.issn.2095-0756.20190672
    [3] 马艳, 史黎央, 赵艺, 徐华潮.  云斑天牛对不同受害状态下山核桃挥发物成分的触角电位和行为反应 . 浙江农林大学学报, 2019, 36(3): 437-443. doi: 10.11833/j.issn.2095-0756.2019.03.002
    [4] 朱致翔, 时浩杰, 雷飞斌, 张传清.  实时荧光定量PCR定量检测山核桃干腐病病菌潜伏侵染量方法的建立 . 浙江农林大学学报, 2016, 33(2): 364-368. doi: 10.11833/j.issn.2095-0756.2016.02.024
    [5] 王璇, 马良进, 吕全, 孟娴静, 张星耀.  山核桃干腐病病原菌的鉴定 . 浙江农林大学学报, 2014, 31(2): 238-245. doi: 10.11833/j.issn.2095-0756.2014.02.012
    [6] 许彦平, 姚晓红, 袁佰顺, 姚延峰, 姚晓琳.  气候对甘肃小陇山林区落叶松早落病发生发展的影响 . 浙江农林大学学报, 2013, 30(2): 269-273. doi: 10.11833/j.issn.2095-0756.2013.02.018
    [7] 张璐璐, 贾桂民, 叶建丰, 马良进.  浙江临安山核桃干腐病发生发展规律 . 浙江农林大学学报, 2013, 30(1): 148-152. doi: 10.11833/j.issn.2095-0756.2013.01.022
    [8] 黄一名, 杨淑贞, 赵明水, 陈嘉琦, 吴建其, 温国胜.  物理去瘤法对天目山柳杉瘿瘤病的影响 . 浙江农林大学学报, 2013, 30(6): 910-913. doi: 10.11833/j.issn.2095-0756.2013.06.016
    [9] 田甜, 沈振明, 徐秋芳, 刘卜榕.  土壤中山核桃干腐病抑制菌的筛选和鉴定 . 浙江农林大学学报, 2012, 29(1): 58-64. doi: 10.11833/j.issn.2095-0756.2012.01.011
    [10] 龚小峰, 朱云峰, 杨淑贞, 蒋文伟, 罗佳琦.  天目山柳杉瘿瘤病发生规律的研究 . 浙江农林大学学报, 2012, 29(6): 904-909. doi: 10.11833/j.issn.2095-0756.2012.06.015
    [11] 项移娟, 管剑锋, 李健, 黄继玉, 马良进.  浙江省松材线虫病发生程度预测预报模型 . 浙江农林大学学报, 2011, 28(5): 775-778. doi: 10.11833/j.issn.2095-0756.2011.05.015
    [12] 杨永刚, 吴小芹.  竹丛枝病病原研究进展 . 浙江农林大学学报, 2011, 28(1): 144-148. doi: 10.11833/j.issn.2095-0756.2011.01.023
    [13] 龚小峰, 朱云峰, 刘亮, 杨淑贞, 葛晓峰, 甘其兴, 叶建仁, 蒋平.  柳杉瘿瘤病病原菌鉴定 . 浙江农林大学学报, 2011, 28(2): 339-342. doi: 10.11833/j.issn.2095-0756.2011.02.027
    [14] 岳朝阳, 刘爱华, 张新平, 马沛沛, 焦淑萍.  新疆不同杨树品种对叶锈病的抗病性 . 浙江农林大学学报, 2011, 28(2): 262-268. doi: 10.11833/j.issn.2095-0756.2011.02.015
    [15] 于海英, 柴守权, 周玉江, 赵俊.  倒春寒与杨树烂皮病发病的关系 . 浙江农林大学学报, 2011, 28(6): 927-930. doi: 10.11833/j.issn.2095-0756.2011.06.015
    [16] 李国会, 温国胜, 田海涛, 张利阳, 李佳, 黄浩.  天目山不同海拔高度柳杉瘿瘤病对柳杉健康的影响 . 浙江农林大学学报, 2010, 27(4): 483-488. doi: 10.11833/j.issn.2095-0756.2010.04.001
    [17] 杨淑贞, 丁立忠, 楼君芳, 张秋月, 吴继来, 胡国良.  山核桃干腐病发生发展规律及防治技术 . 浙江农林大学学报, 2009, 26(2): 228-232.
    [18] 徐华潮, 施祖华, 吴鸿.  球孢白僵菌对竹梢凸唇斑蚜生殖力的影响 . 浙江农林大学学报, 2006, 23(6): 599-603.
    [19] 白红霞, 袁秀英.  内蒙古地区杨树内生真菌多样性调查 . 浙江农林大学学报, 2006, 23(6): 629-635.
    [20] 李兰英, 高岚, 温亚利, 黄水灵, .  森林病害的环境影响分析 . 浙江农林大学学报, 2006, 23(5): 491-496.
  • 加载中
  • 链接本文:

    http://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20190752

    http://zlxb.zafu.edu.cn/article/zjnldxxb/2020/6/1

计量
  • 文章访问数:  18
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-12-24
  • 修回日期:  2020-07-25

利用特征分割和病斑增强的杨树叶部病害识别

doi: 10.11833/j.issn.2095-0756.20190752
    基金项目:  “十三五”国家重点研发计划项目(2017YFD0600906)
    作者简介:

    明浩,从事林业信息处理技术研究。E-mail: minghaooooo@163.com

    通信作者: 苏喜友,副教授,博士,从事林业信息管理、智慧林业和大数据等方面研究。E-mail: suxiyou@126.com
  • 中图分类号: S763.1

摘要:   目的  针对杨树Populus黑星病早期特征和杨树花叶病病斑不明显的特点,提出通过对图像集进行预处理的方法以提高识别精度的方案。  方法  为去除图像背景的影响,采用基于改进的Canny算子边缘检测法并结合霍斯变换提取叶片轮廓;借助限制对比度自适应直方图均衡化算法降低局部光照不均带来的影响并增强病斑的特征;使用自适应阈值的OTSU分割算法提取病斑图像。最后将预处理得到的病斑特征二值化图像和病斑图像,分别输入由5个卷积层、3个全连接层、650 000个神经元及超过6 000万个学习参数的Alexnet神经网络进行训练并验证准确率。  结果  研究最终分别获得93.56%和98.07%的验证集识别精度,较原图像实验组88.77%的识别精度有显著提升。提出的提取叶片轮廓的结合方法能够完整提取不同背景下的叶片主体图像,有效避免目标叶片的背景干扰;限制对比度自适应直方图均衡化算法对自然环境下拍摄产生的不均匀光照有较好的处理效果,有效降低反光等因素的干扰。  结论  几种病害图像预处理对提高识别精度效果明显,识别能力远超过未经处理的原始病害图像识别,有助于提高杨树叶部病害的智能识别能力。图8表1参22

English Abstract

明浩, 苏喜友. 利用特征分割和病斑增强的杨树叶部病害识别[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20190752
引用本文: 明浩, 苏喜友. 利用特征分割和病斑增强的杨树叶部病害识别[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20190752
MING Hao, SU Xiyou. Image recognition of poplar leaf diseases with feature segmentation and lesion enhancement[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20190752
Citation: MING Hao, SU Xiyou. Image recognition of poplar leaf diseases with feature segmentation and lesion enhancement[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20190752

返回顶部

目录

    /

    返回文章
    返回