科研产出
基于U-Net的玉米叶部病斑分割算法
《中国农学通报 》 2021 CSCD
摘要：本文旨在提出一种基于U-Net算法模型的玉米病程分级方法,实现对玉米常见4类叶部病害程度的快速、准确、客观分级。该方法以两组U-Net模型并行运算实现对玉米叶部病斑图像的语义分割任务。经测试图像分割试验中病斑分割MIoU值达到93.63%,叶片分割MIoU值达到96.33%,且运算速度均在1秒内完成。试验结果表明,该研究以手机拍照等方式采集数据源,不依赖专业仪器设备即可实现玉米病害快速分级,可取代以往以人工目测进行的病害识别方式,提高了病害分级的准确性和客观性。该模型与物联网设备结合运用,可实现玉米病害预警、降低病害影响、增产增收科技惠农的目标。
全文链接
请求原文
机器视觉在HSV颜色空间下稻瘟病病程分级判定研究
《农学学报 》 2020
摘要：该研究旨在开发基于机器视觉技术的稻瘟病病程分级系统,实现对稻瘟病病程分级准确、客观的判定.提出基于GrabCut、高斯滤波、OTSU二值化、颜色空间转换、阈值切割等处理的稻瘟病分级判定算法模型,该算法模型利用OpenCV与python语言实现,以反向阈值切割为核心策略分离叶片与病斑,再以循环遍历模式统计像素点得出病斑面积占比,实现对稻瘟病的快速、精确分级.试验结果表明,该算法模型与专业研究人员人工判定的结果匹配度达95.77%,相对于人工判定,具备更高的稳定性和客观性.目前对稻瘟病病程分级主要依赖研究人员通过经验判定,客观、准确的判定病程对防治稻瘟病具有重要意义.该系统以手机APP为图像采集端口,不依赖其他仪器和设备,通过手机拍照即可实时获得稻瘟病精确的分级结果,降低了研究门槛,提高了科研工作的效率.
关键词： 水稻病害 稻瘟病 图像处理 机器视觉 GrabCut 病程分级
全文链接
请求原文
首页上一页1下一页尾页
