利用植物葉片圖像對植物分類和病害識別是目前較為有效的方式之一,也是未來數(shù)字化植物研究的發(fā)展趨勢。這一方法對植物物種的智能化分類,有效預防農(nóng)作物病害發(fā)生,提高農(nóng)作物產(chǎn)量,有效控制農(nóng)藥對農(nóng)產(chǎn)品和生態(tài)環(huán)境的污染等方面,都具有非常重要的現(xiàn)實意義。
本書在總結國內(nèi)外現(xiàn)有研究成果的基礎上,以提高植物及其病害識別的準確率和效率為目標,對植物葉片及其葉部病害的圖像分割、特征提取等關鍵技術開展了系統(tǒng)研究。
◆圖像分析技術在農(nóng)業(yè)領域的應用
張傳雷,副教授、加拿大瑞爾森大學(Ryerson University)博士后、IEEE會員、ACM會員、CCF會員和中國電子學會高級會員。20002010年,任摩托羅拉(中國)研發(fā)經(jīng)理、高級工程師等職,有多年的移動與互聯(lián)網(wǎng)產(chǎn)品的研發(fā)經(jīng)驗。主要從事模式識別、信息處理、圖像處理、物聯(lián)網(wǎng)和大數(shù)據(jù)挖掘等方面的基礎應用研究。
近5年來主持天津市自然科學基金(重點項目)、天津市留學回國人員科技活動啟動項目(優(yōu)秀類)、天津市應用基礎與前沿技術研究計劃(一般項目)、天津市科技特派員項目、天津市津南區(qū)科技計劃項目、天津市高等學?萍及l(fā)展基金計劃項目和天津市2015年度高校聘請外專特色項目各1項,參與國家自然科學基金1項,相應成果發(fā)表在國際SCI、EI檢索期刊上,有30余篇。
目前擔任學術期刊IEEE Trans. on Industrial Informatics、IEEE Access、Computers in Biology and Medicine、KSII Trans. on Internet and Information Systems、Computers and Electronics in Agriculture、Soft Computing、Applied Soft Computing,以及《中國礦業(yè)大學學報》《煤炭學報》《北京理工大學學報》和多個國際學術會議論文的審稿人。
第1章緒論1
11研究背景及意義1
12研究現(xiàn)狀概述4
13主要植物葉片數(shù)據(jù)集介紹11
參考文獻15
第2章葉片圖像分類特征及圖像預處理20
21葉片圖像識別步驟20
22植物葉片圖像的分類特征21
23植物葉片圖像預處理技術33
參考文獻45
第3章植物葉片圖像常用的分割方法56
31圖像分割定義56
32基于邊緣檢測的圖像分割方法57
33基于灰度閾值的圖像分割方法64
34基于區(qū)域的圖像分割方法70
35分水嶺算法72
36基于小波的圖像分割方法74
37基于聚類分析的圖像分割方法75
38基于水平集的圖像分割方法79
39基于圖論的圖像分割方法79
參考文獻81
第4章最大最小判別映射植物葉片圖像分類方法研究95
41最大最小判別映射方法96
42實驗結果與分析102
43小結105
參考文獻105
第5章基于葉片圖像和監(jiān)督正交最大差異伸展的植物識別方法
研究108
51監(jiān)督正交最大差異投影算法109
52實驗結果與分析112
53小結115
參考文獻116
第6章采用局部判別映射算法的玉米病害識別方法研究119
61局部判別映射算法121
62實驗結果與分析124
63小結126
參考文獻127
第7章監(jiān)督正交局部保持映射的植物葉片分類方法研究130
71監(jiān)督正交局部保持映射131
72實驗結果與分析137
73小結141
參考文獻141
第8章基于葉片圖像處理和稀疏表示的植物識別方法146
81稀疏表示和植物識別148
82實驗結果與分析156
83小結159
參考文獻160
第9章基于稀疏表示字典學習的植物分類方法162
91基于稀疏表示的植物分類方法164
92實驗結果與分析168
93小結174
參考文獻174
第10章環(huán)境信息在黃瓜病害識別方法中的應用研究179
101葉片圖像獲取179
102實驗結果與分析182
103小結186
參考文獻187
第11章基于判別映射分析的植物葉片分類方法191
111最大邊緣準則(MMC)192
112判別映射分析算法(DPA)192
113實驗結果194
114小結195
參考文獻196
第12章基于卷積神經(jīng)網(wǎng)絡的植物病害識別方法198
121植物病害識別方法的簡介198
122卷積神經(jīng)網(wǎng)絡200
123基于三通道CNNs的植物病害識別方法204
124實驗結果與分析206
125小結210
參考文獻211
第13章基于環(huán)境信息和深度自編碼網(wǎng)絡的農(nóng)作物病害預測模型214
131農(nóng)作物的致病因素及病害預測模型簡介214
132材料與方法215
133實驗結果與分析220
134小結221
參考文獻222
第14章基于改進深度置信網(wǎng)絡的大棚冬棗病蟲害預測模型225
141冬棗病蟲害及預測模型簡介225
142植物病蟲害環(huán)境信息獲取225
143深度置信網(wǎng)絡226
144冬棗病蟲害預測模型231
145實驗方法232
146小結234
參考文獻234
后記239
第1章緒論1
11研究背景及意義1
12研究現(xiàn)狀概述4
13主要植物葉片數(shù)據(jù)集介紹11
參考文獻15
第2章葉片圖像分類特征及圖像預處理20
21葉片圖像識別步驟20
22植物葉片圖像的分類特征21
23植物葉片圖像預處理技術33
參考文獻45
第3章植物葉片圖像常用的分割方法56
31圖像分割定義56
32基于邊緣檢測的圖像分割方法57
33基于灰度閾值的圖像分割方法64
34基于區(qū)域的圖像分割方法70
35分水嶺算法72
36基于小波的圖像分割方法74
37基于聚類分析的圖像分割方法75
38基于水平集的圖像分割方法79
39基于圖論的圖像分割方法79
參考文獻81
第4章最大最小判別映射植物葉片圖像分類方法研究95
41最大最小判別映射方法96
42實驗結果與分析102
43小結105
參考文獻105
第5章基于葉片圖像和監(jiān)督正交最大差異伸展的植物識別方法
研究108
51監(jiān)督正交最大差異投影算法109
52實驗結果與分析112
53小結115
參考文獻116
第6章采用局部判別映射算法的玉米病害識別方法研究119
61局部判別映射算法121
62實驗結果與分析124
63小結126
參考文獻127
第7章監(jiān)督正交局部保持映射的植物葉片分類方法研究130
71監(jiān)督正交局部保持映射131
72實驗結果與分析137
73小結141
參考文獻141
第8章基于葉片圖像處理和稀疏表示的植物識別方法146
81稀疏表示和植物識別148
82實驗結果與分析156
83小結159
參考文獻160
第9章基于稀疏表示字典學習的植物分類方法162
91基于稀疏表示的植物分類方法164
92實驗結果與分析168
93小結174
參考文獻174
第10章環(huán)境信息在黃瓜病害識別方法中的應用研究179
101葉片圖像獲取179
102實驗結果與分析182
103小結186
參考文獻187
第11章基于判別映射分析的植物葉片分類方法191
111最大邊緣準則(MMC)192
112判別映射分析算法(DPA)192
113實驗結果194
114小結195
參考文獻196
第12章基于卷積神經(jīng)網(wǎng)絡的植物病害識別方法198
121植物病害識別方法的簡介198
122卷積神經(jīng)網(wǎng)絡200
123基于三通道CNNs的植物病害識別方法204
124實驗結果與分析206
125小結210
參考文獻211
第13章基于環(huán)境信息和深度自編碼網(wǎng)絡的農(nóng)作物病害預測模型214
131農(nóng)作物的致病因素及病害預測模型簡介214
132材料與方法215
133實驗結果與分析220
134小結221
參考文獻222
第14章基于改進深度置信網(wǎng)絡的大棚冬棗病蟲害預測模型225
141冬棗病蟲害及預測模型簡介225
142植物病蟲害環(huán)境信息獲取225
143深度置信網(wǎng)絡226
144冬棗病蟲害預測模型231
145實驗方法232
146小結234
參考文獻234
后記239