农作物病害（精选10篇）
农作物病害 篇1
1 农作物病害的概念
植物在生长过程中, 与周围的环境有着一定的适应关系, 如果与周围的生物群消长关系被打破即受到各种不宜条件的影响, 包括环境条件和有害生物的侵染。这种影响超过了该种生物固有的限度, 作物的正常代谢就会干扰, 从而出现一系列不正常病理变化, 表现成病态, 使产量下降、品质较差, 严重的可使植物死亡, 这种现象叫做植物病害[1]。与植物病害相比, 风、雹、昆虫以及高等动物对植物造成的机械损伤, 没有逐渐发生的病变过程, 因此不是病害。
病原:引起植物发病的原因简称病原, 包括生物因素和非生物因素, 生物因素包括细菌、真菌等多种微生物[2];非生物因素包括土壤、气候、栽培条件等。
病程:当植物感染病害后, 在生理上、组织上、形态上发生一系列变化后, 这是一种逐渐不断变化的过程简称病程, 植物病害都有病程。
病状:植物生病后不正常的外部表现, 如变色、坏死、畸形、腐烂和萎蔫等, 如病毒病表现为花叶;坏死常表现为叶枯和叶斑, 有些叶斑可能脱落形成穿孔;辣椒病毒病表现为畸形;腐烂如干腐、湿腐、软腐;萎蔫主要是维管束破坏, 引起凋萎。
病征:病原物在病部表现的特征即病征, 如发霉、流菌脓等。灰霉病、小麦白粉病、小麦条锈病等病害均表现出这种病征。
2 病害发生的原因
病害的发生可以归纳为2个因素, 一个因素是外部环境条件的不适应, 另一个因素是其他生物的侵染[3], 分为非侵染性病害和侵染性病害。
2.1 非侵染性病害
常见的非侵染性病害有涝害、缺肥、寒害、环境污染等都属于非侵染性病害, 这种病害不具有传染性, 是由温度、湿度、气候、有毒物质等非生物因素引起的病害。
2.2 侵染性病害
这种病害危害性大, 具有传染性, 造成病害的传播, 如油菜菌核病、稻瘟病、辣椒疫病等, 它主要由细菌、病毒、真菌、线虫等病原物, 可分为细菌病害、真菌病害、病毒病害[4], 其中农作物以真菌引起的病害最多。
3 病害诊断基本原则
一是确定是什么类型的病害, 是虫害、病害还是伤害。病害有危害初期到重症期的过程。病害有明显的病斑, 有的病斑是从老叶开始, 有的病斑是从嫩叶开始;虫害在危害周围发现虫体和排泄物等;伤害没有上述症状, 没有变化的程序和过程。二是如果初步确定为虫害, 基本上明确属于哪类虫害, 昆虫主要根据口器的类型、翅的特征、触角的形状、变态的类型等进行分类, 也可根据昆虫的排泄物或虫粪判断害虫类型, 如地下害虫、钻蛀性害虫、刺吸性害虫、食叶害虫等, 针对不同的害虫再采取相应的方法防治。三是如果初步确定为病害, 病症类型有小黑点、霉状物、粉状物、白锈、菌核和菌脓[5], 则需要根据病症和田间分布判断病害类型。非侵染性病害主要有肥害、缺素、冻害、干旱和受污染等, 也叫生理性病害, 它与侵染性病害有着密切的关系, 并且与病毒等侵染的表现相似。应以能否相互传染和是否大面积发生才能最终确定, 如果是逐渐蔓延的, 为侵染性病害, 否则为非侵染性病害。对于缺素症只有进行缺素的试验, 才能确定其为某种缺素症。另外, 非侵染性病害为侵染性病害提供了危害的途径, 生理性腐烂是病原物的侵入途径;侵染性病害的发生也降低了植物的抗逆性, 加速了非侵染性病害的发生。
4 侵染性病害的诊断方法
4.1 细菌性病害
细菌性病毒没有真菌病毒那样多, 由于细菌缺乏主动侵犯植物的能力, 因此侵染与水关系密切, 暴风雨和淹水会造成细菌病害的流行[6], 从发病的初期表现为水渍状或油浸状, 半透明, 慢慢扩散, 到后期逐渐有菌脓溢出。常见有水稻细菌性条斑病、辣椒青枯病、水稻白叶枯病等, 从外观上表现为畸形、枯萎、腐烂、斑点等。尤其指出的是真菌也会造成腐烂, 细菌造成的腐烂出水多, 并散发出难闻的臭味, 真菌造成的腐烂上面长出小黑点、小黑粒或霉层, 有衣物发霉的味道。
4.2 真菌性病害
真菌性病害是植物病害中最普遍、最常见的病害类型, 种类繁多, 表现症状也千变万化, 但是有一个共同的特点, 在潮湿的情况下都有孢子、菌丝、粉锈、霉等。可根据这个形态特征, 判断出真菌性病菌的种类。
4.3 病毒性病害
病毒性病害不大容易识别, 一般不出现病征, 很容易与非侵染性病害相混淆, 关键在于病株在田间的分布状况, 如果病株周围有健康的植株, 病株分布分散, 并且不因改善栽培环境等措施而恢复, 基本上可以断定为病毒病。
4.4 线虫及寄生性植物引起的病害
线虫及寄生性植物引起的病害很容易区别其他的侵染性病害, 因为可以检查到病原线虫或寄生性种子植物, 所以该种病害比较容易区别。
摘要：农作物病害是影响农作物生长发育的一个重要的因素, 从植物病害的概念入手, 分析了病害发生的原因和病害诊断基本方法, 以供广大农技人员提供参考。
关键词：农作物病害,诊断方法,发生原因
参考文献
[1]唐文成.植物病害的症状及其诊断方法[J].现代农业科技, 2014 (15) :158-161.
[2]王海梅.影响植物病害发生和流行的因素浅析[J].现代农业科技, 2007 (17) :118-119.
[3]徐仙娥.新型农民培训系列教材[M].北京:中国农业科学技术出版社, 2011.
[4]刘俊, 高占明, 唐玉祥.植物病害的种类、症状和病征[J].内蒙古农业科技, 2001 (12) :100-101.
[5]李继武.植物病害的识别方法及安全用药技术[J].现代农业科技, 2011 (23) :250-252.
[6]肖悦岩.如何诊断细菌的病害[J].农家参谋 (种业大观) , 2013 (1) :41-42.
农作物病害 篇2
稻瘟病生防菌对四种作物土传病害病原菌的抑制作用
利用稻瘟病生防菌(短小芽孢杆菌)对4种主要作物土传病害病原菌进行抑菌作用试验.结果表明,此生防菌对4种作物土传病害病原菌具有不同程度的抑制作用,100倍生防菌发酵稀释液对4种土传病原真菌--辣椒枯萎白绢病菌、节瓜枯萎病菌、香蕉枯萎病病菌、粉蕉根腐病菌生长抑菌率在41.18%以下,显著低于对稻瘟病菌生长的抑制率(69.85%);生防菌发酵原液对香蕉枯萎病菌的孢子萌发具有较好的抑制作用,抑制率达到86.67%,显著大于其他处理的.抑制作用;但不同倍数的生防菌液对节瓜枯萎病菌的抑制差异不显著,抑制率介于76.34%～84.97%之间.
作 者：游春平肖爱萍 傅志岸 甄俊杰 YOU Chun-ping XIAO Ai-ping FU Zhi-an ZHEN Jun-jie 作者单位：仲恺农业技术学院,农业与园林学院,广东,广州,510225刊 名：江西农业大学学报 ISTIC PKU英文刊名：ACTA AGRICULTURAE UNIVERSITATIS JIANGXIENSIS年，卷(期)：28(6)分类号：S432.2+6关键词：生防细菌 白绢病病菌 枯萎病病菌 腐霉病病菌 稻瘟病 拮抗作用
高锰酸钾可防多种作物病害 篇3
1.防治西瓜枯萎病。西瓜枯萎病是一种毁灭性的土传真菌病害。据试验，在有枯萎病发生的地块，分别于西瓜播种、幼苗和伸蔓三个时期，用500～800倍高锰酸钾溶液作垄面喷施和灌根，一般可将西瓜枯萎病发病率控制在0.5%以下；生长期植株初见萎蔫时，用500倍高锰酸钾溶液灌根，治愈率可达80%～90%。
2.防治辣椒枯萎病。在辣椒大田生长期，用500倍高锰酸钾溶液灌根，可预防枯萎病发生；如果枯萎病已经发生，在植株初见萎蔫时用400～500倍高锰酸钾溶液灌根，治愈率可达90%以上。
3.防治大白菜软腐病。在病害发生初期，及时喷洒500～800倍高锰酸钾溶液，每7～10天喷一次，连喷3次，即可控制危害。
4.防治番茄病毒病。播种时，用0.1%高锰酸钾溶液浸种30分钟；病害初发时，再用1000倍高锰酸钾溶液喷洒一次，防治效果良好。
5.防治水稻病害。播种前，用0.15%～0.2%的高锰酸钾溶液浸种24小时，可有效杀灭附着在稻种上的病菌，并能提高种子发芽率21.5%、提高成秧率32.3%；在水稻稻瘟病、纹枯病和白叶枯病发生初期，及时喷洒0.2%高锰酸钾溶液，防治效果可达85%。
6.防治葡萄霜霉病。在葡萄发病初期，用400～600倍高锰酸钾溶液喷雾，防治效果可达95%以上，且比单独喷洒乙磷铝的效果好。
农作物病害 篇4
随着农药科技的不断发展, 我国农药品种结构发生了很大变化, 高效低毒安全的新品种、新剂型和新型混剂不断涌现, 应用技术进入了一个新的阶段, 人们对农药的认识也发生了新的变化。由于商品农药品种繁多, 一方面某一病虫草害有多种农药可以防治, 另一方面许多农药又具有防治多种病虫草害的作用。为此本刊整理了农作物常见的150多种病害、170多种虫害, 及30多种类型草害的选用农药名录, 陆续刊出。
病害农药选用 (Ⅰ)
2白锈病甲基硫菌灵波尔多液代森锌代森锰锌石硫合剂甲霜灵三乙膦酸铝甲霜·锰锌噁霜·锰锌甲霜铜甲霜灵锰锌百菌清
农作物病害 篇5
关键词：最大熵法；改进遗传算法；图像分割；作物病害；叶片病斑
中图分类号： TP391.41；S126文献标志码： A文章编号：1002-1302（2015）09-00453-02
作物病害叶片图像分割是一种基本的计算机视觉技术，也是由叶片图像处理进入病斑分析、识别的关键步骤，一直是作物叶片图像处理领域的一项重要研究内容。作物叶片的病斑特征直接反映作物病害的危害程度，病斑是作物病害识别的依据。利用图像处理技术进行作物病害叶片图像分析和识别以及病害的智能化诊断已经成为一个重要研究方向[1-4]。目前已经有很多作物病害的识别方法，这些方法均是利用作物病害叶片进行病害识别，其关键步骤是从病害叶片图像中将病斑图像分割出来[5]。实践表明，病斑图像分割效果直接影响后续病害识别算法的准确率。Valliammal等提出了基于模糊聚类的病害叶片分割方法，取得了较好的分割效果[6-7]；任玉刚等提出了一种基于分水岭算法的作物病害叶片分割方法[8]；王红君等提出了一种基于分水岭与自动种子区域生长相结合的病害叶片分割方法，利用该方法能够在复杂背景下将叶片病斑完整地分割出来[9]；耿长兴等提出了一种基于可见光波段的黄瓜霜霉病的分割方法[10]。由于病害叶片的复杂多样性，使得上述这些分割方法均有各自的适合场合，不能对所有病害叶片图像分割的效果都有效。本研究将遗传算法（genetic algorithm，GA）和最大熵阈值法有机地结合起来，提出一种作物病害叶片病斑分割方法，并应用于病害玉米叶片图像分割中。该算法有效提高了病害叶片图像的分割速度，增强了分割算法的实时处理能力。
1最大熵阈值分割原理
最大熵图像分割算法在图像质量较好和背景稳定变化时，可以取得比较理想的分割结果。对于灰度范围为0～255的病害叶片图像，假设图中灰度级低于t的像素点构成病斑区域（gi），灰度级高于t的像素点构成背景区域（Gi），则各个灰度级在两区域的分布概率分别为：
当熵函数取得最大值时，对应的灰度值T就是所求的最佳阈值，即
T=argmax0≤t≤255 H（t）。（6）
2最大熵算法与GA相结合的图像分割方法
最大熵算法的求解原理是在解空间中找到一个最优解，使得图像中目标与背景分布的熵最大。GA是一种基于生物自然选择和遗传机理的随机搜索算法，具有强大的全局最优解搜索能力和信息处理的隐并行性以及应用的鲁棒性。只要检测少量结构就能反映搜索空间较大的区域，并可获得稳定的最优解。GA是一个以适应度函数为依据，通过对种群中的个体施加遗传操作，实现种群内个体结构重组的迭代过程，逐渐逼近最优解。将GA与最大熵算法相结合，能够得到病斑图像分割的最佳阈值。其病斑图像分割过程描述如下：（1）数据输入。读入作物病害叶片图像，将其转换为灰度图像。（2）编码方式。将种群中的各个个体编码为8位二进制码，每个个体代表1个分割阈值，即用00000000～11111111之间的一个8位二进制代码代表一个图像分割阈值。（3）确定算法参数。种群规模n定为20，最小迭代次数为10。当迭代次数超过该值后，检查每代种群中最优个体适应度的变化，若变化很小，即终止算法。在运算的初始阶段取较大的交叉概率（Pc=0.5）和较小的变异概率（Pm=0.02），以便尽快搜索出最优个体。当迭代过程中种群个体的适应值难以继续增大时，将交叉概率减小10%、变异概率增加20%，由此可提高收敛速度，避免陷入局部极值。（4）种群规模设置。随机在0～255 之间以同等概率生成n个个体I1～In作为第1次寻优的初始种群。种群规模设置应该合理，若种群规模过大，则适应度评估次数增加，计算量增加；种群规模过小，可能会引起未成熟收敛现象。（5）适应度函数设计。适应度函数是对个体进行遗传操作的依据，要能反映个体进化的优良程度，即个体有可能达到或接近问题最优解的程度。本算法采用式（5）作为适应度函数。（6）解码。对二进制个体组解码为0～255之间的实数，求其适应度值。（7）选择操作。选择操作先进行赌轮法，再采用精英策略。其具体过程为先计算各个体的适应度的总和S，再随机生成0～S之间一个随机数k，然后从第1个个体开始累加，直到累加值大于该随机数k，此时最后一个累加的个体便是要选择的个体。如此重复形成用于繁殖的新种群 。（8）交叉操作。采用单点交叉，在I′1～I′n中每次选取2个个体按设定的交叉概率进行交叉操作，生成新代的种群I″1～I″n。（9）变异操作。采用基本变异算子，按设定的变异概率随机从I″1～I″n中选择若干个个体，再随机从这些个体中选择某一位进行变异运算。从而形成新代种群I1～In。（10）对经过遗传操作后的个体采用小生境技术，由于对适应度小的个体使用惩罚函数，可大幅提高其被淘汰的概率。（11）终止准则。没有满足某种停止条件，则继续上述操作，否则进入（5）。以迭代次数为终止条件，达到预定的最大迭代次数，则算法终止。当算法执行到最大进化代数（或满足终止条件），种群中的最高适应度值仍未发生变化（稳定条件）时，算法停止运行，具有最高适应度值的个体即为分割阈值；否则以新代种群I1～In转到步骤（5）。本算法的终止准则，为当相邻2代的个体的平均适应度值小于0.001时停止迭代。
3结果与分析
在Matlab 7.0 环境下，编程实现本研究提出的基于最大熵和GA的病害叶片图像分割算法，并以实际采集到玉米病叶图像为测试对象进行试验验证。试验所用的计算机的配置为Intel Core Q6700 2.66 GHz 中央处理器，4 G 内存，Windows XP 操作系统。叶片图像的初始尺寸为1 600像素×1 200像素[1]。为提高处理速度，在实验室进行调整和剪切后尺寸为512像素×512像素。
采集到的玉米病害叶片图像为RGB模型，它使用红、绿、蓝三原色的亮度来定量表示颜色。在Matlab 7.0中，1幅大小为M×N[2]的RGB彩色图像可以用一个M[3]×N[4]×3的矩阵来描述，图像中的每一个像素点对应于红、绿、蓝3个分量组成的三元组，各R、G、B单一矩阵里每个元素值表示该元素的灰度值。使用rgb2gray（）函数将RGB叶片图像转换成灰度图像，利用本研究提出的图像分割方法进行病斑分割，本研究采用英国谢菲尔德大学开发的基于Matlab的GOAT工具箱。个体种群数目NIND=20、最大遗传代数MAXGEN=100、代沟GGAP=0.9、变量的二进制位数PRECI=8，选择、交叉和变异的算子分别取GOAT工具箱中的select、recombin和mut函数，其适应度函数选择为式（5）。经过50次迭代，选取阈值M=112，分割出的二值图像如图1-C。由此可以看出，本研究方法能较好地分离出病斑部分。为了突出本研究方法的优越性，图1-D给出了图像分割中常用的迭代阈值法的分割结果[11]。通过对比发现，迭代阈值法的分割结果不完整，部分病斑发生了缺失现象，而且分割结果中还存在许多由于噪声和细小纹理所导致的小斑点，而这些小斑点对实际病害识别的意义不大。试验结果说明较之迭代阈值法，本研究方法能够取得更好的分割效果。
4结论
为了改善作物病害叶片图像的分割效果，提出了一种基于最大熵和GA的病害叶片图像分割方法。该方法充分利用GA的最优寻优特性，将图像分割的信息熵作为适应度函数。试验结果表明，本研究方法能够对作物病害叶片图像进行准确分割，比其他病害叶片图像分割方法具有更好的分割效果。虽然本研究方法在分割的准确性上取得了较好的效果，但是，针对部分重叠病斑，本研究方法难以将它们完全分离，下一步拟对其进行改进以解决此问题。
参考文献：
[1]Chaudhary P，Chaudhari A K，Cheeran A N，et al. Color transform based approach for disease spot detection on plant leaf[J]. International Journal of Computer Science and Telecommunications，2012，3（6）：65-70.
[2]Al-Hiary H，Bani-Ahmad S，Reyalat M，et al. Fast and accurate detection and classification of plant diseases[J]. International Journal of Computer Applications，2011，17（1）：31-38.
[3]Arivazhagan S，Newlinshebiah R，Ananthi S，et al. Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features[J]. Agric Eng Int，2013，15（1）：211-217.
[4]Song K，Liu Z K，Su H，et al. A research of maize disease image recognition of corn based on BP networks[C]//2011 Third International Conference on Measuring Technology and Mechatronics Automation，2011：246-249.
[5]刁智华，宋寅卯，王欢，等. 基于植物病斑的图像分割研究综述[J]. 农机化研究，2012，34（10）：1-5，11.
[6]Valliammal N，Geethalakshmi S N. A novel approach for plant leaf image segmentation using fuzzy clustering[J]. International Journal of Computer Applications，2012，44（3）：10～20.
[7]Arivazhagan S，Shebiah R N，Ananthi S，et al. Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features[J]. Agric Eng Int，2013，15（1）：211-217.
[8]任玉刚，张建，李淼，等. 基于分水岭算法的作物病害叶片图像分割方法[J]. 计算机应用，2012，32（3）：752-755.
[9]王红君，陈伟，赵辉，等. 复杂背景下植物叶片的彩色图像分割[J]. 中国农机化学报，2013，34（2）：207-211.
[10]耿长兴，张俊雄，曹峥勇，等. 基于色度和纹理的黄瓜霜霉病识别与特征提取[J]. 农业机械学报，2011，42（3）：170-174.
农作物病害 篇6
1 利用作物多样性控制植物病害
生物多样性是生物及其环境形成的生态复合体以及与此相关的各种生态过程的综合, 包括动物、植物、微生物和它们所拥有的基因以及它们生存环境形成的复杂的生态系统 (蒋志刚, 1997) 。作物多样性种植分为物种多样性和作物种内多样性。作物种内多样性在病害研究上的应用, 包括多系品种和品种混合两种形式。与多系品种比较, 品种混合具有组分来源丰富, 操作相对简单, 可兼治病害及缓冲其他环境压力等优点。因此, 多样性种植越来越多的被应用到控制作物病害, 稳定增产的种植生产中。
一些作物通过间作、套种或混种等形式进行合理搭配种植, 可以有效地改善植株的群体结构, 使植物充分利用光、温、水、土等自然资源, 稳定均衡地提高作物整体的产量, 还可以最大限度地提高作物群体对不良环境抗性, 控制或减轻某些病害的发生。当前, 利用作物多样性种植控制病害已经应用到水稻稻瘟病、水稻纹枯病、小麦锈病、小麦白粉病、玉米纹枯病、玉米小斑病、黄瓜花叶病、白菜病毒病等的控制。
2 利用作物多样性控制病害的增产原因
自然状态下, 由于寄主群体结构比较稳定, 病原菌的群体结构组成处在一种动态平衡过程中。但是在现代农业生态系统中, 由于单一品种的大面积种植及品种轮换, 使病原菌处于较大的选择压力之下, 群体组成经常发生较大的变化。病原菌群体结构的变化, 容易导致品种抗病性的丧失。间混套作是与平面单一种植相对而言的, 其特点是通过各类作物的不同组合、搭配, 构成了多种作物、多层次、多功能的作物复合群体, 利用不同作物在生长过程中形成的“空间差”和“时间差”, 有效地发挥有限土地与空间等农业资源的生产潜力, 取得较佳的经济效益、社会效益、生态效益。间混套作系统中, 一种作物的部分群体被另一作物置换, 导致作物群体呈行排列或带状排列, 增加了单位土地面积上作物群体的总密度。不同作物和作物病害间存在许多方面的互作, 例如间作改变了亲和寄主的空间分布, 病害的传播和感染受到影响 (稀释效应) 。利用抗感品种混植可以降低菌株或小种的侵染率, 抑制致病性强的菌株或小种繁殖, 并且可以减轻病原菌的再侵染。由于抗性不同的品种混植, 降低了感病植株的空间密度, 非亲和的病原菌小种群体受到抑制, 使病害明显减轻, 不同作物在生长和成熟时期植株高度上的差异形成高低起伏的表面不利于病害发生是显而易见的 (阻挡效应) 。作物化学和生理方面的因素在形成微气候环境中也可能存在, 这些因素将在一定程度上影响病害的传播和流行。所以利用品种混植是把农艺性状存在差异, 对光照、水分、肥力和温度要求不同的品种充分协调起来, 改善作物群体结构, 使环境因素更加利于作物的生长, 而不利于病原物的生长。通过作物的多样性种植, 使作物根系互补, 提高对土壤空间利用的有效性。
种间的竞争作用和促进作用共同决定了作物养分吸收的状况。间作产量优势的生态基础主要有两方面, 一是地上部光热资源的充分利用, 二是地下水分和养分资源的充分利用。张福锁等研究指出玉米与花生混作体系玉米吸氮量比单作略有增加, 可以显著增加花生根瘤数, 提高根瘤固氮酶的活性。辣椒间作系统显著影响土壤N、P、K有效态含量, 从而影响辣椒叶片N、P、K含量, 促进辣椒生长, 从而增加辣椒抵抗不良环境的能力, 增强其抗病性。
3 展望
利用生物多样性可有效地提高作物群体抗病性达到控制作物病害的目的, 只要采取适当方法延缓复杂病原菌生理小种的发展, 多样性寄主群体的抗病性田间持效时间长。多基因群体提高了对灾害性天气和逆境生理的抗性, 有效协调对田间资源的利用, 为生物群体获得最佳效果创造了条件。无论病害问题在生物和非生物逆境因子中的相对重要性怎样, 生物多样性使作物群体具有较大的缓冲能力。对于一些病害发生严重, 但由于一些原因又必须种植的作物, 品种混合策略即使在不理想的情况下, 也能挽回一定的产量损失。当前, 利用生物多样性控制作物病害的研究主要集中在气传病害上, 对土传病害的报道十分少见, 因此, 研究多样性种植对土传病害的控制作用和如何正确地搭配作物品种以最大程度地发挥品种的潜在优势, 是今后研究的重要课题。由于品种混合组分的遗传背景除了抗病性外还有农艺性状等方面的因素, 而这些方面很可能影响寄主多样性的病害防治效果, 所以在品种搭配时, 不但要满足对病害抗性的要求, 还要充分考虑组分在农艺性状方面的搭配问题, 克服品种混合的不足之处, 达到最佳的效果, 此外, 品种混合还要考虑品种株高差异、生育期、品质和品种收购等问题。
参考文献
[1]焦晓丹.黑龙江大豆羞萎病发生概况与防控措施[J].中国植保导刊, 2012 (4) :31-33.
[2]朱有勇, 陈海如, 范静华.利用水稻品种多样性控制稻瘟病研究[J].中国农业科学, 2003, 36 (5) :521-527.
[3]肖靖秀, 郑毅, 汤利, 等.小麦蚕豆间作系统中的氮钾营养对小麦锈病发生的影响[J].云南农业大学学报, 2005, 20 (5) :640-645.
[4]叶方, 黄国勤.红壤旱地不同农田生态系统对玉米病虫害的影响[J].中国生态农业学报, 2002, 10 (1) :50-51.
[5]王玉堂.蔬菜巧间作胜过施农药[J].蔬菜, 2004 (12) :37.
[6]房增国, 左元梅, 张福锁, 等.玉米-花生混作对系统内氮营养的影响研究[J].中国生态农业学报, 2005, 13 (3) :63-64.
农作物病害 篇7
一、生理性病害具有“三性一无”特点
1.突发性。生理性病害的发病时间多一致, 往往有突然发生现象, 病斑的形状、大小、色泽较为固定。
2.普遍性。生理性病害通常是成片、成块普遍发生, 常与温度、湿度、光照、土质、水、肥、废气、废液等特殊条件有关, 无发病中心, 相邻植株的病情差异不大, 甚至附近某些不同作物或杂草也会表现类似症状。
3.散发性。生理性病害多数是整个植株呈现病状, 且在不同植株上的分布比较有规律。若采取相应措施改变环境条件, 植株一般可以恢复健康。
4.无病征。生理性病害只有病状, 没有病征。
二、传染性病害具有“三性一有”特点
1.循序性。传染性病害在发生发展上有轻、中、重的变化过程, 病斑在初、中、后期的形状、大小、色泽会发生变化, 因此, 在田间可同时见到各个时期的病斑。
2.局限性。田块里往往有一个发病中心, 即一块田中先有零星病株或病叶, 然后向四周扩展蔓延, 病健株会交错出现, 离发病中心较远的植株病情有减轻现象, 相邻病株的病情会存在差异。
3.点发性。除病毒、线虫及少数真菌、细菌病害外, 同一植株上, 病斑在各部位的分布没有规律性, 病斑的发生是随机的。
4.有病征。除病毒和类菌原体病害外, 其他传染性病害都有病征。如细菌性病害在病部有脓状物, 真菌性病害在病部有锈状物、粉状物、霉状物、棉絮状物等。
农作物病害 篇8
一、植物源杀菌剂的资源
植物源杀菌剂是指从植物中直接提取的某种具有杀菌活性的物质, 在植物中寻找生活活性物质或直接开发植物性农药。我国是研究应用杀虫植物最早的国家, 《中国土农药》所记述的植物性农药就达200种之多。30年代, 我国曾对烟草、鱼藤、巴豆、百部等植物进行过广泛的研究。
目前对楝、豆科和卫矛科等植物杀虫作用的研究较多, 对植物性抑菌物质的研究近些年也已有一些报道。Wilkin等 (1987) 曾报道有1389种植物有可能作为杀菌剂, 植物中的抗菌素、类黄酮、罹病相关的蛋白质、有机酸和酚类化合物等均有杀菌或抗菌活性 (吴轶青译, 1996) 。除此之外, 在许多植物体内存在着大量具有抗菌活性的成分或经诱导后可具有抗病特性的化合物, 如用向日葵油、竹柏油、霍霍巴蜡处理芒果, 可推迟果实成熟、降低果实失重率, 还可显著减少炭疽的发生;木薯淀粉和云苓碎粉可明显减轻炭疽病原体的严重程度;研究还发现, 天然植物挥发性物质, 对已侵入寄主皮孔或潜伏侵染的病原菌具有较好的抑菌效果。
二、植物源杀菌剂的开发概况
目前拮抗性细菌在土传病害生物防治上应用最多, 主要有放射土壤杆菌、芽孢杆菌、假单胞菌、欧氏杆菌等, 在国外用放射土壤杆菌K84。菌系防治果树的根癌病已实现了商品化。近年来, 我国报道分离出对葡萄根癌病有显著防效的放射土壤杆菌HLB-2、E26和M115, 经大田试验防效为85%~100%, 引起国内外的重视。
三、植物源杀菌剂的作用机理
该方面的研究多采用植物提取液对病原菌的直接作用, 如抑制菌丝生长、抑制游动孢子的产生、附着胞形成及侵入丝形成、对线虫的致死率、对病毒的病株抑制率及体外钝化效果等;对寄主的作用, 如诱导寄主产生抗性、增强寄主的生长及繁殖能力、保鲜及贮藏能力等。采用纤维素膜技术研究大蒜、洋蒜、大黄及中草药对马铃薯晚疫病菌菌丝生长, 游动孢子的产生, 附着胞形成及侵入丝形成的影响, 并在此基础上进一步提取物免疫处理种薯, 诱导成株抗病性, 增加块茎的产量进行研究, 一些植物提取液取得了显著效果。
总之, 植物源杀菌剂对植物病害作用机理仅限于初步了解, 其真正的作用机理还需进行深入细致的研究。
四、存在问题与展望
植物源杀菌剂的研究沿处于起步阶段, 机理方面的研究仅是探索阶段, 没有明确的方式和方法, 需要进一步明确并深入;植物源农药由于其见效慢的特性, 在市场中推广受到了限制;植物源农药的活性成分为植物的一类或几类次生代谢物质, 其种类、含量受自身遗传因子、外界环境条件的影响, 会有地域性和季节性等变化, 并且活性成分在植物不同部分含量亦不同, 特别是有些活性成分对光和热不稳定, 这给植物源杀菌剂开发利用带来一定的影响;其有效成分复杂, 一般不容易确定和检测, 利于商品注册和形成产品。
农作物病害 篇9
关键词：自动识别,支持向量机,病害图像,特征向量,双编码遗传算法
0 引言
在农作物生产中，病害是制约农作物产量和质量的重要因素。作物病害的发生，往往致使作物的使用价值降低，甚至还会导致作物大面积减产，造成经济上的巨大损失。因此，病害的防治就成了农作物生长过程中一个关键问题。近年来，计算机视觉技术和模式识别技术快速发展，为把计算机用于农作物病害诊断领域提供了可能。利用计算机对作物病害叶片图像进行病斑分割、特征提取和病害识别，以达到客观、准确、及时地对病害实施诊断。与人工方式相比，计算机诊断提高了诊断的精确度和效率，为作物保护智能化、变量喷药控制等提供重要实际意义。
支持向量机[1](Support Vector Machine,SVM)是Vapnik等人提出的一款新型的机器学习方法。在基于数据的机器学习领域，因支持向量机表现出特有的优势，已成为当前机器学习领域的研究热点。目前，支持向量机已开始用于作物病害的识别[2,3,4,5]，并取得了一定的成绩。本文提出了一种基于双编码遗传特征选择的支持向量机和作物病害图像多特征参数识别病害的方法，对作物病害图像增强处理，运用基于HIS颜色空间的H分量与大津法(Otsu)结合自动分割图像病斑，提取病斑的颜色、纹理、形状特征向量值。识别模型采用双编码遗传算法的支持向量机实现，即利用双编码遗传算法选择特征子集，获得其权重;底层采用一对一投票策略的支持向量机作为分类器;分类器精度作为遗传算法的适应度对个体进行了评估，形成一体化的病害识别模型。实验表明，该方法在烟草病害识别领域具有很好的识别能力。研究将为作物病害的远程诊断提供理论基础，以促进计算机图像处理技术和模式识别技术在农业工程领域中的应用。
1 图像增强处理
因受采集设备、环境等因素影响，采集的图像常常含有噪声，如果直接进行图像分割和特征提取，会给识别造成误差。为此，需进行平滑滤波处理，以改善图像质量。因中值滤波在去噪的同时，能保留图像病斑的边缘信息，使病斑轮廓与细节更加清晰，利于后期病斑的分割，本文采用了此滤波算法。若一幅大小为N×N的图像，其中值滤波可由式(1)实现，有
2 图像病斑分割
图像分割就是把图像分成各具特性的区域，并提取出感兴趣目标区域的过程，它是图像分析的关键步骤之一。目前已研究出不少边缘提取、区域分割的方法，但没有一种是普遍适用的有效方法。因此，图像分割方法的研究是目前图像处理的热点也是难点之一。通过实验对比发现，在HIS颜色空间，采用与光照变化无关的H分量及Otsu法进行自动阈值分割效果较好。Otsu法通过计算图像中目标和背景的最小类内方差和最大类间方差，来确定图像的动态分割阈值。具体操作如下:
1)将图像由RGB色彩空间转为HIS色彩空间，其色度
2)设分割阈值为t，把图像分为两个区域:背景区域与目标区域，分别用{f(x,y)≤t}及{t
(5)总均值:μ=w0(t)μ0(t)+w1(t)μ1(t);
(6)最佳阈值公式为
3)通过式(3)的分割，可以获得较完整的病斑边缘信息，有
其中，fp(x,y)为像素点p(x,y)的像素值，黑色用(0,0,0)表示。则病斑初始分割区域S可描述为:S={p(x,y)fp(x,y)≠(0,0,0)}。将初分割的图像用二值图像M表示，其中白色区域用S1表示，其他区域为黑色。
4)利用压缩水平、垂直和对角线区段方法[6]，从M中拾取S的外边缘轮廓S2，并对S2整个内部区域进行黑色填充，以得到病斑的完整区域S3，通过式(4)即可从原始图像中获得完整的彩色病斑。有
最后采用数学形态学中的开闭运算清除分割过程中所产生的剩余杂点、毛刺等噪声信息。采用上述分割方法对烟草的赤星病病斑分割，如图1和图2所示。
3 病斑区域特征提取
3.1 提取颜色特征
不同的病害表现出不同的颜色特征，这为区别病害提高了重要依据。选择合适的颜色模型会直接影响到图像分割和目标识别的效果。为了消除亮度对病害图像的影响[7]，该研究选取HIS颜色模型中H,S,I 3个分量的平均值和方差作为颜色特征数据。各分量的均值与方差计算式为:
其中，A2为病斑区域面积，sumX表示病斑区域像素点X(X=H,S,I)分量的灰度总和。
3.2 提取纹理特征
纹理是指图像中反复出现的局部模式以及排列规则。作物叶片正常与病变部分的纹理在粗细、走向上有很大差别，用图像的灰度共生矩阵为基础，能很好的描述图像灰度关于方向、相邻间隔、变化幅度等综合信息[7]。在整幅图像中，统计出每一种(i,j)值出现的次数，再将他们归一化为出现的概率Pij，则称方阵Pij为灰度共生矩阵，可定义为
其中，i=f(x1,y1),j=f(x2,y2)且(x2,y2)=(x1,y1)+(dcosθ，dsinθ)。d，θ分别为像素对间距离和角度(方便计算θ一般取0°，45°，90°，135°)。
在相同条件下，基于HIS颜色模型纹理特征参数比基于RGB颜色模型的病害识别率高[6]。因此，本研究提取了基于HIS颜色模型的H,I,S分量灰度共生矩的能量、对比度、相关性、熵和同质性作为特征向量。为降低复杂度，本文把灰度矩阵的大小调为8×8，像素点之间的距离d=3，在统计参数时考虑其旋转不变性，取4个方向的平均值作为特征值。其特征参数的计算公式[8]如下:
1)能量。，该参数是图像灰度分布均匀性的度量。
2)对比度。，该参数是衡量纹理清晰程度。
4)熵。，该参数是图像具有信息量的度量。
5)同质性。，该参数是图像分布平滑性的测度。
3.3 提取形态特征
通常，不同的作物病害，在叶部图像上表现出不同形状病斑。本文将病斑转换为二值图像，用形态学的开、闭运算对病斑的毛刺、小洞等噪声进行消除，以得到理想图像。在Matlab环境中用bwlabel函数标注连通区域，用regionprops函数提取病斑区域的面积S、最小外接矩形Acr、外接圆的直径、重心等，由这些属性值衍生出矩形度、紧凑度、圆形度、伸长度和球状性5个特征参数。其相关计算公式为:
1)病斑的矩形度。Rt=S/Acr。
2)病斑的圆形度。Ct=4πS/L2,(L为病斑周长，只需统计出病斑边缘0或1的像素个数即可)。
3)病斑形状复杂性。St=L2/S。
4)病斑的紧凑度Ft=1-4πS/L2。
5)病斑球状性,rn为内切圆半径，rw为外接圆半径。
4 利用支持向量机识别病害图像
4.1 支持向量机的原理
SVM是基于统计学理论，采用结构风险最小化原理，同时兼顾了训练误差和泛化能力，它在解决小样本、非线性以及高维模式识别问题中表现出特有的优势。基本原理是:设样本集T={(xi,yi),i=1,2，…，n}。其中，xi∈Rd,yi∈{-1,1}[9,10,11,12]，为确保对所有样本均正确分类，要求满足式(6)
其中，ω为分类面权系数向量，求最大化分类间隔等价于满足式(6)的约束下，求式(7)的最小值，有
解决约束最小化问题引入Lagrange函数，有
将原问题变为对偶问题，有
其中，a为Lagrange乘子，若a*为最优解，则
其中，s为训练样本下标集合，b*为分类阈值，xs为支持向量。解上述问题得最优分类函数，有
对线性不可分问题，只需加一个松弛变量ξi，此时约束条件为
目标函数变为
其中，C为惩罚因子，控制着对错分样本惩罚度的作用。对非线性的解决是定义一个核函数k(xi,xj)，使其在高维空间线性可分，此时分类函数为
多项式核函数、径向基核函数和Sigmoid核函数等是目前常用的核函数。
4.2 基于双编码遗传算法的SVM分类器设计
本文在Matlab2009a环境下用Matlab语言编程实现分类器模型。其操作步骤如下:
1)本研究采用双编码遗传算法选择特征子集，以达到降维的功效，同时在得到最优特征子集的同时得到各个特征描述符的权重，底层采用支持向量机作为分类器，分类器精度作为遗传算法的适应度对个体进行评估，遗传算法的具体实现参看文献[6]。
2)SVM最基本的理论是针对二分类问题，在实际应用中需解决多类问题，本文采用一对一的投票策略实现烟草多种病害的识别。
3)为加快分类模型的收敛性以及泛化能力，本研究采用最大最小规格化方法将特征向量数据进行归一化处理。
4)SVM参数的寻优选择。本研究采用SVM中径向基核函数K(x,y)=exp(-γ‖x-y‖2)进行训练识别，需确定参数C和γ等值，选择采用了林智仁开发的grid.py工具进行交叉验证和网格搜索实现。
5)病害识别。通过对特征数据处理和特征参数选择之后，对样本进行训练和测试识别。
5 实验结果与分析
本文以烟草生长中常见也最容易混淆的野火病、炭疽病、赤星病、蛙眼病、灰斑病5种主要病害为例[13]，利用数码相机和高清数码摄像头在田间自然光照下直接采集了5种经专家鉴定的病害图像500幅;选择效果较好的子图375幅，其中每种病害45幅，共225幅做分类训练，每种病害30幅，共150幅做测试;具体提取了色调、纹理及形态特征，共26个特征值。通过双编码遗传算法选择后，得到16个特征向量，分别是颜色A={—H,—S,DH,DS}，基于H,I的纹理B={能量、惯性矩、熵、局部平稳性}，形态C={矩形度、圆度、伸长度、紧凑度}，对应的权重分别为:0.825,0.431,0.774,0.252,0.631,0.168,0.280,0.564,0.198,0.202,0.147,0.471,0.612,0.432,0.271,0.741。表1是几种算法的对照。从表1可以看出:采用遗传特征选择技术，去除了原始特征集中的冗余特征，并获得权重，比没有采用遗传特征选择在特征向量只有原来的62%以下，而精度却提高了6.29%;相同条件下采用支持向量机识别的精度比采用PB神经网络的高出8.18%。
6 结束语
为了实现计算机对作物病害的识别，提出了一种图像多特征参数和基于双编码遗传优化特征的支持向量机分类识别病害的方法。通过病害图像增强处理，基于HIS颜色空间的H分量与大津法(Otsu)结合自动分割彩色图像病斑、自动提取病斑的典型特征、构建基于双编码遗传优化特征的支持向量机分类器模型。最后，以烟草病害为例，运用文中提出的方法分割病斑、提取其特征向量、构建分类器模型，进行训练及测试。实验结果表明，本文方法比其他识别方法具有更高的识别率。
农作物病害 篇10
作物病害是指当健全的作物受到异常干扰后,导致器官和组织的生理机制出现局部的或系统的异常,并表现出了一定症状,具有危害面积大、种类繁多和形态变化大等特点。为了对作物病害进行早期预防和诊治,病害的自动识别成为热点研究内容之一。当作物发生病害时,通常会导致叶片上病斑的颜色和纹理表现不一[1],从而使得采用数字图像处理技术实现作物病害的自动分类和识别成为可能。
作物病害图像分类识别系统主要包括图像采集、图像预处理与图像分割、特征提取与选择、识别分类等4个环节。图像预处理是图像识别的第2个步骤,其目标是对质量欠佳的原始采集图像进行图像增强和图像复原,以便提取有价值的目标图像。
在图像预处理阶段应用数学形态学[2]是近年来数字图像处理领域研究的热点之一,其基本思想是运用特定形态的结构元素(如“探针”)去收集图像中的信息,并将图像中相对应的形状信息提取出来,最终识别作物病害图像,并将其归类。本文的研究目标是从复杂背景图像中提取最突出的小麦主体叶片图像,因此图像中的其它组成部分均可视为噪声。对于在大田复杂情况下采集的图像样本,其噪声面积大小、形状和位置各不相同,毫无规律,因此很难选择出通用的结构元素。然而,运算过程中,小麦叶片的边缘信息又对结构元素的形状和大小非常敏感,传统的数学形态学滤波器难以胜任图像噪声消除的任务。
1 图像边缘检测
在大田复杂环境下,不能量化外界的干扰因素,故不能有效地控制这些因素。在这种情况下,亮度和对比度对采集的图像影响比较明显。如果使用传统的边缘检测方法,其效果难以令人满意。此时,研究重点就是探索一种新的行之有效的边缘检测方法,从小麦图像中获得连续性较好的叶片边缘信息。基于这些信息,使用面积形态学的操作知识和原理将单个完整的小麦叶片从复杂背景下采集的原始图像中提取出来,为后续图像分割打下坚实基础。
传统的Sobel算子、Robert算子、Laplacian算子和Canny算子计算简单,但是对图像的噪声相对比较敏感,尤其是复杂背景下使用效果难以达到预期目标。相位一致性模型是一个无量纲的量,能够比较准确地进行特征定位,受图像亮度和对比度变化的影响非常小。此外,相位一致性模型与人眼视觉感受明暗变化的马赫带现象对应,具有强大的抗噪能力,能够提取和跟踪复杂背景下的目标。近年来,科研人员愈来愈趋向于使用相位信息来检测图像的边缘信息[3,4]。
首先,针对大田复杂背景采集小麦叶部病害图像,利用相位一致性算法,将叶部的灰度边缘从小麦叶部图像中提取出来;然后,使用非极大值抑制方法细化叶部的边缘特征线条,对边缘特征图像进行二值化,并连接边缘;再则,根据一个长度阈值将小于阈值的线段舍弃;最终,通过相位一致性信息实现小麦叶片边缘特征检测。处理结果见图1所示。
2 面积形态学基本运算
面积数学形态学[5,6,7,8]和传统数学形态学不同,它是以面积算子为研究基础,由于通常是由某一个连通区域所包含的像素总数目来决定图像中一个区域的面积,因此使用面积形态学算子处理图像之后,能够较好地保留图像的边缘信息。面积闭运算和面积开运算是面积数学形态学里包含的2个基本面积形态算子。
设M是二值图像集合,M1,M2,M3...Mn是M的连通区域,那么二值面积开运算[9]可以定义为
undefined
(i=1,2,3...n,λ≥0) (1)
式中 λ—一个给定的面积阈值。
对于图像中的连通区域,二值面积开运算就是去掉其像素值为1并且面积小于λ的连通区域,如图2所示。
同理,二值面积闭运算可被定义为
undefined
对于图像中的连通区域,二值面积闭运算就是去掉其像素值为0且面积小于λ的连通区域[10],如图3所示。
综上可知:如果能在区域填充时根据整齐的边缘特征信息来对二值图像进行操作,那么填充以后图像中最突出的小麦单个叶片必然是面积最大的连通区域;如果将它的面积作为面积阈值,对区域填充后的图像进行面积开运算,就可以从二值图像中完整地将最突出的单个叶片图像提取出来。
3 基于数学形态学的小麦病害图像预处理
3.1 形态闭运算
通过仔细观察采用相位一致性模型进行边缘检测的小麦病害图像样本,可以看出:在边缘位置处还依然存在大量的不连续信息,很多洞孔位于边缘的内部,使得叶片被划分成多个互相独立的连通部分;若直接对此图像运用面积开运算,那么预期效果与实际结果差别肯定很大,所以必须对边缘检测后的图像进行修补,并在后续中加强每个叶片边缘的封闭性和连续性[11]。
运用形态闭运算[12]可以在填充物体内细小空洞、连接邻近物体和平滑物体边界的同时使得物体面积不会发生明显改变。详细来说,就是用它来填补轮廓中的断裂部分,消除长细的鸿沟和小的孔洞,断开狭窄的间断。因此,可将其运用到叶片边缘裂缝的连接中,进一步强化小麦叶片边缘图像的连续性和封闭性。闭运算的定义为
B·S=(B⊕S)ΘS (3)
3.2 形态区域填充
小麦叶片边缘在形态闭运算后的状态应该是封闭的,但仍然有很多孔洞存在于叶片内部,并把叶片划分成了若干个连通的区域,这样对后续进行的面积开运算非常不利,所以必须填充叶片的内部,使其完整,从而为将完整的叶片从复杂的背景中提取出来奠定基础。
在以往的研究过程中,一般都利用形态闭运算来填充目标内部孔洞,但是这样会产生不好的结果,合并了原本完全不连通的两个连通分量。以上的步骤之中,使用形态闭运算填充内部空洞的时候,也有效地连接了叶片边缘裂缝。当叶片边缘处于封闭状态的时候,在轮廓线上出现多余的细线,但是依旧有很多孔洞位于叶片内部,此时若闭运算被继续执行,肯定会出现不必要的更多的连通区域,从而影响后面的处理工作。这个问题可以使用形态学区域填充技术来解决,即在集合的基础上进行补集运算、膨胀和交集。可以根据下面的迭代算法来运用结构元素B对二值图像集合A实现区域填充,即
undefined
第1步,在目标对象A中需要被填充区域的内部设置X0为初始点。根据结构元素B对X0进行膨胀运算,并取膨胀结果的补集与目标对象A做交集运算,得到的结果为X1。根据式(4)进行迭代运算,直到Xk=Xk-1,即在第k步迭代运算停止。算法的实质是取目标对象边界内的一个点,运用4连通或8连通的运算规则,逐个填充整个目标对象区域。在形态区域运算填充结束后,不难看到图像中的每个目标对象区域也都被填充了。本文关注的重点是突出目标叶片,区域中间不再有孔洞存在。
3.3 形态开运算
在完成形态闭运算和形态区域填充运算以后,发现小麦叶片图像的边缘还存在不光滑的现象,出现了许多毛刺,还需要对其进一步完善处理,使小麦叶片边缘更加完整和光滑。形态开运算[12] 能够去掉细的突出,使图像轮廓变得平滑,因此本文用开运算对上述步骤处理后的图像再次处理,期望去掉细的突出和孤立点,得到比较令人满意的结果。开运算的定义为
B。S=(BΘS)⊕S (5)
3.4 形态面积开运算
虽然按照上述的操作可以得到较好的边缘检测效果,然而对于图像中的突出目标叶片,其他噪声块还显得相对较为分散。按照以上步骤处理后,可以完全填充突出目标叶片的内部,构成一个最大的连通成分。由于它在面积图像中的面积比任何其他噪声连通成分的都大,从而使其与其它噪声互相独立,互不干扰。这样运用面积开运算使得从复杂的环境背景图像中提取出单个小麦突出目标叶片成为了可能。
在本研究中,赋予图像的每个连通成分各自的连通标记,并根据连通成分的面积将其按顺序排列。面积阈值的值就取其中最大的那个连通成分的面积。据此对图像进行面积开运算,这样就可以在前景中保留最大面积区域,而去除掉小于面积阈值的其它连通区域,从而将单个突出的小麦叶片从图像中预提取出来。图4给出了提取小麦单叶片图像的完整处理过程,其基础是相位一致性模型边缘检测结果和数学形态学。
4 小麦叶片提取结果验证分析
在图4基础上,利用上述的方法通过原图与图4(d)做乘法可以把叶片部分整体还原为彩色图像,可以将小麦叶片从复杂背景下单个突出的提取出来。依据以上研究,本文对几种不同角度拍摄的复杂坏境小麦叶部病害图像进行了提取,结果如图5所示。
从图5可以看出,原始图像的形状与噪声大小差异很大,但是通过预处理后保留了主体叶片上的细节及其边缘信息,其余噪声基本都被消除了,效果令人满意。
5 结语
本文针对在大田复杂的背景环境下采集的小麦叶片病害图像,运用数学面积形态学和相位一致性的模型构建了相应的预处理方法,并针对不同角度拍摄的图像,有效消除了原始图像的各种噪声,实现了主体叶片的完整提取,并能够保留原始病害图像中的病害细节信息,图像清晰完整。该方法理论完备,算法快捷,处理结果为后续病害特征的提取和诊断打下了坚实的基础。
参考文献
[1]赖军臣,李少昆,明博,等.作物病害机器视觉诊断研究进展[J].中国农业科学,2009,42(4):1215-1221.
[2]Serra.J.Image analysis and mathematical morphology[M].London:Academic Press,1982.
[3]袁海东.基于梯度和相位信息的低层视觉特征检测技术研究[D].北京:北京邮电大学,2008.
[4]XIAO Z T,HOU ZX.Phase based feature detector consistentwith human visual system characteristics[J].Pattern Recog-nition Letters,2004,25(10):1115-1121.
[5]Vincent L.Morphological area openings and closings forgrayscale images[C]//Proceedings of NATO shape in Pic-ture Workshop,Driebergen.Netherlands:Springer-Verlag,1992.
[6]Salembier P,Serra J.Flat zones filtering,connected opera-tors and filters by reconstruction[J].IEEE Transactions onImage Process,1995,4(8):1153-1160.
[7]Acton S T,Mukherjee D P.Area operators for edge detection[J].Pattern Recognition Letters,2000,21(8):771-777.
[8]Meijster A,Wilkinson M H F.A comparison of algorithmsfor connected set openings and closings[J].IEEE Transac-tions on Pattern Analysis and Machine Intelligence,2002,24(4):484-494.
[9]高海.数学形态学面积算子的快速算法和图像分割[D].北京:中国科学院声学研究所,2008.
[10]黎燕,樊小平,李刚.自动面积梯度分割算法及其在耳形图像中的应用[J].计算机工程与应用,2006,42(6):55-57.
[11]程军娜,姬光荣,冯晨.基于数学形态学的藻细胞图像预处理[J].中国海洋大学学报,2008,38(3):513-516.