【《基于深度識別的農作物病蟲害識別分析的國內外文獻綜述》2100字】

基于深度識別的農作物病蟲害識別研究的國內外文獻綜述雖然早在十九世紀初的時候就有人開始研究數(shù)字圖像識別技術了，但是有關圖像識別技術的方面在六十年代末才收到人們的廣泛關注，并且順著時間的推移，一直到八十年代末，圖像識別技術才得以廣泛的應用到各個領域，并且取得了耀眼的成績。取得如此輝煌的成果當然離不開廣大學者的無私奉獻：傅弘[2]博士首先提出了利用神經(jīng)網(wǎng)絡的葉脈提取方法，此方法利用經(jīng)過訓練的神經(jīng)網(wǎng)絡準確地提取了也賣得圖像，從而實現(xiàn)了對植物葉片葉脈的提??；幾年后，學者朱靜[3]首次提出了在Windows平臺上對葉片圖像的處理輸入、圖像變換和葉片的分割等過程的設計，從而能夠實現(xiàn)葉片邊緣特征的結果輸出和葉片邊緣形狀的輸出的機器學習[4]；后來，劉純利[5]教授提出了樹葉紋理建模的樹葉種類識別的方法，此方法思想前沿，通過提取和收集樹葉的某些區(qū)域，利用數(shù)字圖像處理技術實現(xiàn)對某些重要區(qū)域的變換，同時利用高斯模型對高頻子帶建模，再利用高斯模型的參數(shù)作為樹葉的相應特征，從而實現(xiàn)樹葉的病害的識別；再后來，王代琳[6]學者提出利用神經(jīng)網(wǎng)絡對樹葉進行種類的識別，此種方法通過對不同樹葉同時進行預處理，從而獲得樹葉相應的外形特征，又通過利用Java語言實現(xiàn)對樹葉的識別。近些年來，朱寧[7]博士首次提出了利用局部二進制模式的方法，并將該方法應用于植物葉片圖像紋理特征的提取，實現(xiàn)了用于提取葉片樣本特征的各種算子，實現(xiàn)了基于局部二進制模式的樹葉識別；王曉峰[8]博士提出了一種利用樹葉外形特征來對葉片進行識別的方法，通過對葉片圖像做灰度化降噪以及邊緣處理等并提取葉片的輪廓區(qū)域，利用其得到的外部特征進行分類，實現(xiàn)了多種植物葉片的準確識別和病害的檢測。至此，樹葉識別技術便得到了快速發(fā)展。但是，目前大多數(shù)的葉片識別技術都是針對的病斑和顏色域的變化的識別[9]，例如深度學習的番茄葉部病害識別模型[10]，基于圖像處理的植物病斑分割方法研究[11],基于形狀特征的病害識別研究[12]，因為農作物受到病蟲害侵染過后，葉子的外觀形狀以及它特有的生理活動效應都會發(fā)生一定的變化，這樣就忽視了由于病蟲害侵蝕葉片造成的葉片破損。常規(guī)現(xiàn)存的檢測方法大概有直接用肉眼去判別病蟲害的種類和程度，這種方法就存在極強的主觀性，而且存在的工作量是非常大的，同時對檢測范圍的覆蓋性比較窄，識別判斷的效率很是低下。最重要的一點便是這種方法人工成本太高，所以不能適用于精準農業(yè)對作物病蟲害信息的快速獲取。本論文提出了一種新的植物葉片檢測的方法，利用形態(tài)學算法和圖像質量度量的植物葉片檢測，從植物葉片的分類和葉片是否存在破損兩個方面對植物葉片進行圖像處理分析。在葉片破損檢測上利用連通域分析技術。同時對破損葉片進行填充，補全破損的葉片圖像，從而運用形態(tài)學邊緣檢測進行種類的識別，提高了種類識別的準確率。1．3發(fā)展趨勢到目前為止，大多數(shù)的研究人員都將目光放在了成熟時期的植物葉片危害或者是病害中晚期的癥狀的研究方向，這樣的做法往往忽略了植物苗期病害和發(fā)病初期的一個癥狀的研究。除此之外，我們的研究重點往往只是放在了植物葉片上有一種危害時的各種表現(xiàn)情況，雖然植物葉片發(fā)生多種病蟲害混合發(fā)生的概率比較少，但是這個研究領域的成果相對較少。所以當一片葉片中發(fā)生了多種病害混合存在的情況，如何對這種葉片圖像進行病蟲害的處理和識別，有如何對它進行癥狀的診斷，將會成為今后研究的主要方向和研究內容。同時，隨著卷積神經(jīng)網(wǎng)絡[13]的興起和廣泛應用，利用深度學習來實現(xiàn)農作物病害的識別[14]和其他領域的實際應用將會是未來算法的主流。參考文獻[1]尚怡君,張善文,張云龍.基于植物葉片圖像的植物病害檢測方法[J].江蘇農業(yè)科學,2014,42(04):340-342.[2]傅弘，池哲儒，常杰，傅承新．基于人工神經(jīng)網(wǎng)絡的葉脈信息提取——植物活體機器識別研究[J].植物學通報,2004,21(4):429-436.[3]朱靜，田興軍，陳彬，呂勁紫．植物葉形的計算機識別系統(tǒng)[J].植物學通報,2005，22(5)：599-604.[4]L.Breiman.Randomforests.Machinelearning,45(1):5–32,2001.[5]劉純利，劉少斌.基于紋理建模的樹葉識別系統(tǒng)[J].計算機科學，2012,39（11）：289-290.[6]王代琳.基于神經(jīng)網(wǎng)絡的樹葉識別系統(tǒng)研究（英文）[C].東北林業(yè)大學，2005.[7]朱寧.基于LBP的樹葉識別系統(tǒng)研究與實現(xiàn)[M].北京林業(yè)大學，2007(01).[8]王曉峰，黃德雙，杜吉祥，張國軍．葉片圖像特征提取與識別技術的研究[J].計算機工程與應用,2003,3:190-193.[9]夏永泉，李耀斌，曾莎.基于HSI顏色空間的植物葉片病斑提取方法[D].鄭州輕工業(yè)學院,2015.[10]許冠芝;王澤民;李成強.基于深度學習的番茄葉部病害識別模型[J];微處理機;2020年03期[11]謝裕睿;徐偉恒;董建娥.基于圖像處理的植物病斑分割方法研究[J];電腦知識與技術;2020年03期[12]黃太遠;李旺;邱亞西;余小波.基于形狀特征和SVM多分類的銅仁地區(qū)茶葉病害識別研究[J];種子科技;2020年06期[13]王統(tǒng).深度學習中卷積神經(jīng)網(wǎng)絡的結構及相關算法[J];信息與電腦(理論版);2020年08期[14]龍吟;劉昌華;孫開瓊.基于深度卷積神經(jīng)網(wǎng)絡的農作物病害識別[J];武漢輕工大學學報;2020年03期[15]劉中合，王瑞雪，王鋒德，馬長青，劉賢喜.數(shù)字圖像處理技術現(xiàn)狀與展望[J].山東農業(yè)大學,2005.[16]司均飛.邊緣檢測和數(shù)學形態(tài)學算法對車牌定位和識別的應用[J];長春工程學院學報(自然科學版);2020年03期[17]閆海霞，趙曉暉.基于數(shù)學形態(tài)學的邊緣檢測方法[J].吉林大學通信工程學院,1001-3695(2008)11-3496-02.[18]Chia-Hung

Yeh,Deep

Learning

Underwater

Image

Color

Correcti-on

and

Contrast

Enhancement

Based

on

Hue

Preservation.

IEEE

Underwater

Technology

(UT)2019[19]Otsu

N.

A

threshold

selection

method

from

gray-level

histograms[J].

Automatica,

1975,