论文研究-基于图像特征的玉米叶部病害模糊识别研究 .pdf

发布时间：2022-05-29 发布人：admin 分类：说明书资料大小：0.30M 资料格式：pdf 举报版权申诉

weixin_39840914-11609578-4744302543440331576.pdf-第1页.png

第1页 / 共8页

weixin_39840914-11609578-4744302543440331576.pdf-第2页.png

第2页 / 共8页

weixin_39840914-11609578-4744302543440331576.pdf-第3页.png

第3页 / 共8页

weixin_39840914-11609578-4744302543440331576.pdf-第4页.png

第4页 / 共8页

weixin_39840914-11609578-4744302543440331576.pdf-第5页.png

第5页 / 共8页

weixin_39840914-11609578-4744302543440331576.pdf-第6页.png

第6页 / 共8页

weixin_39840914-11609578-4744302543440331576.pdf-第7页.png

第7页 / 共8页

weixin_39840914-11609578-4744302543440331576.pdf-第8页.png

第8页 / 共8页

文本预览

中国科技论文在线 http://www.paper.edu.cn 基于图像特征的玉米叶部病害模糊识别研究宗华丽北京邮电大学计算机科学与技术学院, 北京 (100876) Email: hualizong@gmail.com 摘要：目的:目前，作物叶部病斑识别的方法大多是利用叶片病斑的形状和面积周长等特点，采用简单的贝叶斯识别方法或明确识别条件来识别作物叶片病斑。但实际上，由于病叶图像中的对象具有模糊性和不确定性，病斑叶片的边界不可能清晰明确，这样提取出的特征也具有不稳定性，因此很难用固定特征值或确定准则的方法来识别病叶中不确定的对象。为了提高玉米叶片病斑的识别效率，本文提出了将模糊逻辑的方法应用到病斑识别中，形成基于模糊识别的极小极大隶属度识别方法。方法:在 VC6.0 下实现了基于极小极大隶属度原则的模糊识别算法。该识别方法将提取出的病斑特征值作为识别的初始条件，通过计算病斑特征值的均值和方差，建立病害识别训练的模型库，再提取待识别样本的特征，采用高斯分布的“ 3δ”性质，计算出病斑隶属于各类病害的隶属度，然后根据极小极大隶属度原则识别出待识别病斑隶属于哪类病害。结果:结果显示：该基于模糊逻辑的最大隶属度识别方法可以有效识别玉米叶片病害图像，识别效率高，正确的识别率可达 95%以上，比基于贝叶斯的识别方法高 8.65%。结论:研究表明，基于模糊逻辑的最大隶属度识别方法能够提高识别效率，实现比较简单，是一种适应大田复杂环境的识别算法。关键字：玉米病斑；模糊识别；最大隶属度；模型库；特征值 1 引言【本研究的重要意义】图像识别是作物病害图像处理的关键，其结果直接影响和决定该智能诊断识别系统的好与坏。作物病害叶片图像具有复杂性和模糊性，实现针对作物病斑不确定性的识别方法，一直是作物病害机器智能识别研究过程中经典的难题和重点。【前人研究进展】目前，作物病害图像识别的方法有基于统计模式的识别方法、神经网络模式识别方法、基于贝叶斯分类方法、支持向量机方法、基于模拟退火算法和支持向量机相结合的识别方法[1,2,3,4,5,6,15]。【本研究切入点】其中大部分的识别算法都是限定图像拍摄或者通过单通道灰度信息来确定明确的分割图片，并从中提取固定的特征值进而进行识别。而在大多数情况下，作物病害图像具有成分的复杂性和模糊性，病害边界的不明确性，特别是在大田环境下拍摄的照片更具有这些特性，这样以来很难用确定的准则来进行有效的叶片病害识别。本文正是从图像这些易变性和大田环境复杂性，叶片特征的模糊性出发，根据模糊数学原理，利用模糊逻辑确定识别算法的隶属函数，根据建立的叶片病害特征值的均值和方差的模型库，采用高斯分布的“ 3δ”性质，计算出待识别病害叶片归属每类病害的隶属度，最后根据最大隶属度原则识别出结果。采用模糊识别的方法实现了对玉米叶部病害的自动识别，并取得了较好的识别效果。【拟解决的关键问题】现有的识别方法对作物病害识别的精度低、算法效率不高以及应对大田环境的有效识别算法的问题。 2 材料与方法 2.1 软件实现平台及图片来源本研究以计算机和数码相机作为硬件系统，为了测试算法的鲁棒性，采用在自然光照条件下，对大田直接拍摄的玉米病害进行测试。所用数码相机为佳能 G9（分辨率 1200*1600）和索尼 a700（分辨率 3104*2064）。拍摄时相机设置为手动调节焦距和光圈，自动白平衡， -1-

中国科技论文在线 http://www.paper.edu.cn 关闭闪光灯，保留无过曝或模糊区域的图片作为样本。图像背景的去噪处理，叶片病害的分割特征值提取以及识别算法的实现以 VC6.0 作为开发平台。 2.2 图像预处理本研究将从大田环境下获得的玉米叶片病害图片利用图像处理工具裁剪到相应尺寸。如图 1 所示即在大田环境下获得的叶片。在 VC6.0 编程环境下对图片进行进一步的去噪、平滑、滤波、锐化等一系列预处理，然后采用局部阈值法和区域增长法相结合的分割算法（TSRG）对叶片病害图片进行分割，组后经过数学形态学开闭运算滤波后的叶片病害图像如图 2 所示。实验可知经过增强分割后的图像效果较好，能满足后续的特征提取和自动识别的要求。图 1 大田环境下拍摄的一帧叶片病害图像图 2 增强分割后的叶片病害图像 2.3 特征提取与优化特征选择和提取是模式识别中的一个关键问题，它的工作量大约占到整个系统的三分之二，它的基本任务是如何从许多特征中找出那些对分类最有效的特征，以达到降低特征空间维数的目的。由于在很多实际问题中常常不容易找到那些最重要的特征，这使特征选择和提取的任务复杂化而成为模式识别系统最困难的任务之一[12]。大田作物病害上千种，玉米叶部主要的病害有大斑病、小斑病、褐斑病、弯孢菌叶斑病、锈病、灰斑病等。特征分为物理的、结构的、数学的三大类，良好的特征应具有可区别性、可靠性、独立性、数量少四个特点[7]。特征提取是模式识别中的一个关键问题，其目的是获取一组“少而精”的特征，即获取一个维数低且分类错误概率小的特征向量，其基本任务是如何从许多特征中找出那些最有效的特征。通过深入研究它们的形状、病色以及其它形态学特征，我们发现玉米叶部病害的颜色大多为棕褐色，有些病斑形状差异比较明显。 -2-

中国科技论文在线 http://www.paper.edu.cn 目前，针对上述处理后的而至图像，我们已提取出面积、周长、复杂度、圆形度、矩形度、偏心率等 10 几个特征作为玉米叶部病害对象的原始特征。在本论文中仅介绍模糊识别分类方法所用到的面积、周长，复杂度、圆形度、矩形度、偏心率等特征的定义：①病害的面积即病害图像中病害所包含的像素点的个数，设病害目标像素的灰度值为“0”，则对于 1 − N M 1 − ∑ ∑ (1 − F i ( , )) j ，其中 M 和 N 分别表示以像素 M N× 大小的数字图像，病害面积 s 为 j 处的二值化图像的灰度级（只能取两个值：为单位的图像的长和宽， ( , ) “0”或“1”）；②病害的周长即图像中病害区域边界像素的个数；③病害的复杂度为图像中病 j 表示在点( , ) i f i i j ，其中 K 为常数。④圆形度是在害目标周长 L 的平方除以面积，即复杂度 F 为面积和周长的基础上，计算玉米叶部病害病斑部位的形状复杂程度的特征量，可表示为 L 2 ( )KS e = = 面积 S 4 π π⋅ L 2 4 (周长) , e 就是圆形度。由此可知形状越复杂，圆形度越小，而且圆形度介于 0 和 1 之间。⑤矩形度用于描述病斑区域与矩形的偏离程度，当病斑区域为矩形时，R 取最 2 R = S × W H = 面积 × 宽度高度。⑥偏心率在一定程度上描述了区域的紧凑性，大值为 1，即为目标长轴与短轴比值的定义方式受物体形状和噪声的影响很大，而基于惯量定义的偏心率抗干扰能力比较强。 2 c 1( c 1( )2 = p + + c EC = p q ，其中惯量椭圆的 2 个半主轴长（p 和 q ）分别为： − c )2 2 + c 34 2 q = ， c ( 1 + c 2) − 2 c ( 1 − 2 c 2) + c 4 3 2 ，式中 c1,c2,c3 分别是目标的各个像素点分别绕 X、Y、Z 坐标轴的转动惯量，其定义为： C 1 = 2 y ∑ Ry ∈ C 2 = 2 x ∑ Rx ∈ ，， C =3 xy ∑ Ry ∈ 。 2.3.1 特征优选随着计算机视觉、图像识别等技术的飞速发展，模式识别系统的应用日益广发。特征提取是模式识别系统中的一个核心问题，特征选择是特征提取中的一个重要环节。在特征形成过程中所得到的原始特征可能很多，若把所有的原始特征都作为最终的分类特征送往分类器，不仅会造成分类器设计复杂，分类判别数量很大，而且分类错误概率也不一定减小，甚至影响分类器的性能。因此需要减少原始特征的数目。特征选择的任务是从一组数量为 D 的特征中，选择出数量为 d(D>d)的一组最优特征。d 在一般情况下有人为确定。在特征选择过程中涉及两个重要问题：一是，选择泽的判据，即按照某个定量的标准挑选出性能最好的特征向量，二是，算法的性能，即在较短的时间内找出最优的一组特征向量。基于这两个规则在本研究中，根据病害图片的特点以及特征的分类稳定性从中选择了面积、周长、复杂度、圆形度、矩形度、偏心率作为分类特征向量。 3 模糊分类算法的实现利用玉米叶部病斑的面积、周长、复杂度、圆形度、矩形度和偏心率 6 个特征，设计了 -3-

中国科技论文在线 http://www.paper.edu.cn 一种基于模糊决策的模糊分类器，且能够很好的将玉米叶部常见的大斑病、小斑病、褐斑病、灰斑病、弯孢菌叶斑病、圆斑病、锈病等病害区别开来。其分类算法由两部分组成，一是根据样本库建立各类病害的模型库；二是利用模糊决策的方法对待识别的样本进行分类识别。 3.1 模糊分类算法的概述图像识别过程中，由于各个特征向量对图像识别的贡献不同，且特征向量之间可能存在相关性，如果采用特征向量直接判别分类，容易出现误判、错判，识别的准确率低。传统的分类方法，如人工神经网络需要大量样本训练网络，在处理小样本问题时一方面容易出现过学习现象，导致算法的推广性差；另一方面学习的性能差，处理非线性问题算法复杂[8]。模糊分类法基于模式的结构信息，对于描述结构复杂度的模式具有独到的效果，它具有模糊性强、准确度高、适应性广、效率高的特点。隶属度是模糊识别赖以建立的基础，系统性能的优劣关键是能否建立良好的隶属函数，但要确定恰当的隶属函数并不是很容易。模糊识别对于不太确定的问题识别效果较好，在故障诊断、围岩分类、细胞识别、文本识别等方面得到了广泛的应用。由于玉米叶部病害的特征在内外部环境的影响下，具有不确定性符合模糊识别的特性，而且经过验证利用模糊识别的方法对于玉米叶部病害具有很高的分类识别率[9]。 3.2 病害模型库的建立以每类目标样本集特征的均值和方差来描述该类目标，即每类目标将对应一个确定的均值和方差矢量。假定共有 A 类目标，每类目标共有 D 个对尺度、平移、旋转不敏感的特征和 N 个训练样本。每个样本中取出的特征记为 ijkf k 表示样本序号。则第i 个目标类特征的均值和方差矢量为 ( )P i ， ( )Q i ，即，其中i 表示目标类， j 表示特征序号， P i ( ) Q i ( ) = [ = p [ pi pi 1, qi qi 1, 2... N f = ∑ ij 其中 k 1 = N 1 N ... 2... qij qiD pij piD ] ... N ijk ，（1 ) p − 2 ] （1）（2） j D ≤ ≤ ）（3） ( f ij = ∑ q 建立 7 类病害的特征模型库时，每类病害个采用 30 个训练样本，有式（3）和（4）可（4） ijk ij k 1 = 得每类病害的特征方差和均值向量，具体数据如表 1 和表 2 所示。表 1 7 类病害的特征均值病害类 ID 大斑病褐斑病灰斑病弯孢菌叶斑病小斑病锈病面积周长 13598 975 62 37 260 1242 117 348 304 74 423 4445 矩形度圆形度偏心率复杂度 0.594816 0.734248 0.618167 0.696806 0.857321 0.600655 0.999959 0.995616 0.987257 0.997152 0.997661 0.99367 0.267634 0.683943 0.345725 0.756168 0.783204 0.41655 7.060677 1.851285 5.195355 3.702859 1.785077 5.396558 -4-

中国科技论文在线 http://www.paper.edu.cn 表 2 7 类病害的特征方差病害类 ID 大斑病褐斑病灰斑病弯孢菌叶斑病小斑病锈病面积周长矩形度圆形度偏心率复杂度 14957 53 1946 342 516 14473 0.000072 0.008207 0.091221 0.004594 0.010553 0.06611 0.309391 0.254978 0.204327 0.171046 0.379695 0.185282 0.231994 0.271783 0.24646 0.310495 0.366266 0.245315 7.477235 1.191548 6.92606 7.624702 1.826988 9.102747 926 27 354 179 102 981 { ( ), } P i Q i ( ) ，（ 1,......,7 i = ），其中 ( )P i ， ( )Q i 分别为目标则目前 7 类目标的模型库为特征的均值和方差矢量。 3.3 7 类病害的模糊决策在分类决策的过程中，由于特征值的变化是随机噪声等因素引起的，因此可以把特征值的波动视为一种高斯分布。根据高斯分布的“ 3δ”性质，当识别一种病害时，若某病害属于 A 类，由其每个特征值均落在特征库中的 A 类特征均值的三倍方差以内，对于不属于 A 类的病害，它的有些特征可能落在三倍方差以外或者更远的地方。在定义待识别病害属于 7 类病害中的某一类的隶属度时，先按特征逐个计算它归属于这类目标的隶属度，然后以算出的这一组隶属度中的最小值作为该病害对这类目标的隶属度。识别时则以最大隶属度原则作为衡量准则。将待识别病害 X 样本的特征矢量记为： f F ⎡ = ⎣ 用 xjf 定义待识别病害属于目标 K 类的隶属度 kjd ，则： ( ( ⎧ f exp + − ⎪= ⎨ ⎪⎩ 其它 0, ⎤ ⎦ （5） ,... 1 ,... p kj q 3 q 3 ) f f 2 q ( ) ) 2 , 2 ) p kj d kj f xj − − ≤ f xj ≤ ) kj xj kj ( ( x x x 2 xD kj （6）其中，隶属度 kjd 的范围为：定义待识别病害属于目标类i 的隶属度为 kjd≤ ≤ 0 1 。 D i = min( d ij ),(1 ≤ ≤ j 7) 。同样，可以求出该待识别病害属于每个目标类的隶属度。在最后作识别归属决策时，只要选取隶属度极大的那个目标类作为该待识别病害的所属类别。若 x = ... 7) ),(1 ≤ ≤ max( D D 1 7 （7） xD 则待识别的病害最终判别为第 X 类。从大田环境下拍摄的病害图片中抽取 100 幅待识别病害样本，对其进行特征提取及模糊分类，其中 16 个样本的处理结果（全部正确识别）如表 3 和表 4 所示。这里以 10 号样本为例来分析：从表 4 可以看出，该样本对 7 类病害的隶属度中 d6 最大，从模糊的角度来讲，它属于小斑病的可能性最大，因此我们将其归为小斑病。 -5-

中国科技论文在线 http://www.paper.edu.cn 表 3 16 个待识别病害样本的特征提取 0.564932 0.432707 0.27369 0.594907 0.658592 0.673579 0.658066 0.944444 0.426282 0.584201 0.690009 0.519557 0.357687 0.644208 0.486957 0.633222 0.649462 0.404762 图片标号病斑 ID 面积周长矩形度圆形度偏心率 0.999899 0.99995 0.999978 0.99998 0.999982 0.999994 0.999974 0.955539 0.994008 0.961912 0.998574 0.999856 0.999719 0.999873 0.99994 0.997983 0.99771 0.995303 0.995802 0.999895 0.98611 0.997383 0.998537 0.999783 0.999539 0.998428 0.997952 0.356831 0.173151 0.173676 0.224371 0.267926 0.258989 0.19325 1.068141 0.351045 0.343104 0.655783 0.287629 0.126763 0.252952 0.244185 0.589892 0.752835 0.151913 0.913127 0.055098 0.872664 0.560331 0.61075 0.727213 0.228466 0.424949 0.478602 1205 13423 7446 3504 17155 18483 16220 34 133 673 739 2019 1503 1635 1064 568 302 68 21 4254 160 150 259 978 312 644 156 206 987 734 443 897 947 1027 20 69 157 119 297 386 285 234 110 71 75 17 985 48 58 73 130 131 138 64 0.371593 0.76555 0.892857 0.899306 0.51746 0.472727 0.519774 0.521739 0 1 2 3 0 0 0 0 1 0 1 2 3 4 5 0 0 0 1 2 0 1 2 7 4 1 2 0.7 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 复杂度 2.80245 5.775309 5.75784 4.45691 3.73237 3.861162 5.174645 0.821354 2.848637 2.914572 1.524895 3.476699 7.888712 3.953325 4.095252 1.695226 1.328313 6.582701 1.095139 18.149534 1.145917 1.784659 1.637331 1.375113 4.37702 2.353221 2.08942 表 4 16 个待识别病害样本的模糊识别结果图片标号 d1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 0.333616 0.905681 0.888561 0.949897 0.043004 d2 0.185904 d3 d4 0.01739 0.397559 0.4965 0.097026 0.181493 d5 0.300444 0.476332 0.107565 d6 0.02747 0.224475 0.580282 0.444753 0.445156 0.592428 0.279333 0.360351 0.264919 识别结果 d7 0.192041 大斑病大斑病大斑病大斑病 0.185662 褐斑病 0.246679 灰斑病 0.104681 灰斑病小斑病弯孢菌叶斑病 0.114935 小斑病 0.110604 小斑病 0.054452 小斑病 0.073918 小斑病 0.56612 锈病 0.54117 锈病 0.304429 锈病 -6-

中国科技论文在线 http://www.paper.edu.cn （注：表中 d1…d7 分别表示待识别样本归属大斑病、褐斑病、圆斑病、灰斑病、弯孢菌叶斑病、小斑病和锈病的隶属度，其值为空，表示该值为 0.000000）系统对实时性的要求较高，整套系统的软件是用 Visual C++实现。在做大田环境下的实验时，这 100 个样本的分类识别率达到 85%以上，基本上能够满足农业植保人员及农民的需求。当病害的种类、系统检测速度等参数不断增加时，识别率将会受到影响，因此，病害的特征维数有待于扩展，这是我们下一步要研究的课题。 4 结论与分析模糊集理论是为了表达人的自然语言和推理中的不明确的方面而提出的，因此其应用中往往不可避免地带有一定的主观因素，比如隶属度函数的选取、模糊推理规则的形成等。也正式因为如此，它能够比较好地把人们的先验知识加到一个智能系统中。越来越多的实践表明，在研究实际问题方面，模糊方法是一种能有效地代替过去的、传统的模型的方法。在大田环境下，由于光照雨水等因素的影响，所得到的病害的数字图片具有不稳定性，因此采用模糊识别的方法对于这些具有不稳定因素的对象进行识别，能够达到比较好的效果。本文在对样本训练和验证阶段，充分利用模糊模式识别的优点，对于外界干扰有很高的容忍度。针对玉米叶部主要的 6 种病害，识别率达到了 90%左右。导致近 10%的误识率，其原因是多方面的，一是由于某些病害图像的分辨率不够，导致其特征不能稳定提取；二是由于病害样本数量有限，对提取的特征值的分类能力难以用统计的方法进行度量，另外由于决策规则中的参数具有不稳定性，所以很难得到一个稳定的决策规则。采用模糊识别的方法能够达到较高的检测效率，成本和劳动量也相对减少，推广应用具有可观的社会效益和经济效益。但是用计算机对大田环境下玉米叶部病害进行自动分类识别是一个系统工程，本论文所做的工作只完成了某些病害类别的识别和判断，为后续的大田作物的智能诊断识别做了准备工作。参考文献 [1] SASAI,OKAMOTO,KENJIIMOV,et al1.Automatic diagnosis of plant disease recognition between healthy and diseased leaf. Journal of TSAM, 1999, 61(2): 119-261. [2] P. Sanyala , S. C. Patel. Pattern recognition method to detect two diseases in rice plants. Imaging Science Journal, The, 2008, 56(6):319-325. [3] 毛罕平,徐贵力.基于遗传算法的蔬菜缺素叶片图像特征选择研究.江苏大学学报,2003,24（2）:1-5.Mao H P, Xu G L. Study on application of genetic algorithm to feature selection of leaves image for diagnosing vegetable disease of nutrient deficiency. Journal of Jiangsu University, 2003,24(2):1-5. (in Chinese) [4] 胡春华,李萍萍. 基于图像处理的黄瓜缺氮与缺镁判别的研究. 江苏大学学报,2004,25(1):9-12.Hu C H, Li P P. Application of image processing to diagnose cucumbers short of Mg and N. Journal of Jiangsu University, 2004,25(1):9-12. (in Chinese) [5] 田有文,王滨,唐晓明. 基于纹理特征和支持向量机的玉米病害的识别. 沈阳农业大学学报, 2005,36(6): 730-732. Tian Y W, Wang B, Tang Y M. Recognition of maize disease based on texture feature and support vector machine. Journal of Shenyang Agricultural University, 2005, 36(6): 730-732. (in Chinese) [6] 田有文,李天来,李成华,朴在林,孙国凯,王滨.基于支持向量机的葡萄病害图像识别方法.农业工程学报,2007,23(6):175-180. Tian Y W, Li T L, Li C H, Piao Z L, Sun G K, Wang B. Method for recognition of grape disease based on support vector machine. Transactions of the CSAE, 2007,23(6):175-180. (in Chinese) [7] 张红涛.储粮害虫图像识别中的特征抽取研究.郑州大学硕士学位论文.2002,28-30. [8] 战国科,夏哲雷.基于支持向量机的飞机图像识别算法.现代电子技术,2007,21:127-129. Zhan G K, Xia Z L. Plane image recognition based on support vector machine. Modern Electronic Technique, 2007, 21:127-129. (in Chinese) [9] 魏邦龙.用模糊模型识别的隶属度方法判别作物类型.甘肃省农科院测试室. -7-

中国科技论文在线 http://www.paper.edu.cn [10] 刘素华.基于模糊理论的仓储物昆虫的分类识别研究.郑州大学硕士学位论文.2003 [11] 唐强.基于图像模式识别技术的昆虫识别研究.昆明理工大学硕士学位论文.2006. [12] 万拯群.当前我国科学保粮问题之我见[J].粮食储藏，1999，28(1):25-29. [13] 陈慧楠. 玉米、黄瓜叶部病害的图像处理技术研究.沈阳理工大学硕士学位论文.2008. [14] D G Serna Jr,F A C Pinto,D M Queiroz, P A Viana. Fall Armyworm damaged maize plant identification using digital images. Biosystems Engineering,2003;85(4);449-454. [15] 田有文，李成华 . 基于统计模式识别的植物病害彩色图像分割方法 . 吉林大学学报 ( 工学版).2004.4[291-293]. Automatic Fuzzy Pattern Recognition of Maize Leaf Spot based on Image Feature Beijing University of Posts and Telecommunications, Beijing (100876) Zong Huali Abstract OBJECTIVE: At present, the maize leaf spot disease images recognition method is to use simple bayes recognition or with explicit criterions to recognize the spots, which are based the sopts’ shape or the features of area and girth and so on. But in practice, due to the objects in the disease leaf image have the fuzziness and uncertainty, the object's boundary is not possible to clear, in this case, the features extracted from maize leaf are also uncertainty, so it is difficult to use fixed features or certain criteria to accurately recognize the uncertainty objects in image of disease leaves. In order to improve the recognition efficiency of crop leaf spot disease, in this paper, fuzzy logic will use to this project and Minimax Degree of membership based on Fuzzy Recognition is proposed. METHOD: On VC6.0 platform, we implement the algorithm. The recognition method used the features extracted form leaf spot as disease spot area initial seeds and through calculating the features’ mean value and variance, build the data templates of all sorts of leaf spots, then according to Minimax Degree of membership recognize the leaf spot belongs to which leaf spots are. RESULT: The experiments show：The Minimax Degree of membership based on Fuzzy Recognition can effectively recognize the maize leaf spot and have high efficiency. The correct recognition rate was up to 95% which is higher than the bays recognition method to 8.65%. CONCLUSION: Minimax Degree of membership based on Fuzzy Recognition method can raise the recognition rate and its realize is simple, which is a effective recognition method adapt to the lands for growing field crops surroundings. Kewords: the maize leaf spot disease; Fuzzy Recognition; Minimax Degree of membership; data templates -8-

分享到：

赞收藏

资料库

论文研究-基于图像特征的玉米叶部病害模糊识别研究 .pdf

相关推荐

开发技术

热门标签

最新资料