1 简介

针对农业领域植物病虫害检测问题,提出一种基于高清视频图像融合特征的支持向量机( SVM)的检测方法,实现农业生产中植物病虫害的快速检测.对每幅植物叶片图像的颜色,HSV,纹理和方向梯度直方图四种特征采用基于特征包的多特征融合方法,形成特征向量,并利用SVM分类器进行训练分类.对单特征与融合特征的SVM分类器性能进行试验比较,所提出的方法具有较高的准确率.

植物病害是指植物在生物或非生物因素的影响下,发生的形态、生理和生化上的病理变化,会阻碍植物正常生长、发育和结果的进程。其中,植物叶部病害非常广泛且后果相当严重。植物叶片病害影响叶片的光合作用效能,成为作物高产的主要障碍,影响作物的效益。及时发现和有效预防植物叶部病害成为农业发展中的重要问题。目前,对叶片病害与否的判断及病害种类的判断主要依靠人工,识别率和效率较低且造成种植者滥用农药。对病害的自动化识别是现代化农业发展的方向。随着科技的不断进步,数字图像处理、人工智能等技术得到综合运用。通过对基于图像处理的植物叶部病害进行检测与分类,合理施用农药可保证作物的健康生长,进而提高作物的产量。

【疾病检测】基于支持向量机SVM农作物叶子虫害识别与分类含Matlab源码_d3

【疾病检测】基于支持向量机SVM农作物叶子虫害识别与分类含Matlab源码_图像检索_02

【疾病检测】基于支持向量机SVM农作物叶子虫害识别与分类含Matlab源码_图像处理_03

【疾病检测】基于支持向量机SVM农作物叶子虫害识别与分类含Matlab源码_图像处理_04

【疾病检测】基于支持向量机SVM农作物叶子虫害识别与分类含Matlab源码_图像检索_05

【疾病检测】基于支持向量机SVM农作物叶子虫害识别与分类含Matlab源码_d3_06

【疾病检测】基于支持向量机SVM农作物叶子虫害识别与分类含Matlab源码_图像检索_07

【疾病检测】基于支持向量机SVM农作物叶子虫害识别与分类含Matlab源码_d3_08

2 部分代码


          
          
clear all
clc
disp('正在训练农作物叶子图像模板,请稍后...');
disp(' ');
%color_Ip = xunlian();
pause(2);
load C:\Users\lenovo\Desktop\图像检索\color_Ip.mat;
disp('图像训练完成,正在进行图像识别,请稍后...');
disp(' ');
pause(2);
path = input('请输入待识别叶子图像路径:'); % 'F:\病虫害识别\图像检索\示例2中等.jpg'
A = imread(path); % 读入叶子图像
G0 = lianghua_hsv(A); % 量化hsv分量并获得颜色直方图
color_Iq = color_feature(G0); % 提取颜色特征
color_Dpq = color_match(color_Ip,color_Iq); % 颜色特征匹配
[r c] = find(min(min(color_Dpq))==color_Dpq);
switch r
case 1
disp('该叶子属于轻微灾害');
case 2
disp('该叶子属于严重灾害');
case 3
disp('该叶子属于正常情况');
case 4
disp('该叶子属于中等灾害');
end
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.

3 仿真结果

【疾病检测】基于支持向量机SVM农作物叶子虫害识别与分类含Matlab源码_图像处理_09

【疾病检测】基于支持向量机SVM农作物叶子虫害识别与分类含Matlab源码_图像检索_10

4 参考文献

[1]蒋龙泉, 鲁帅, 冯瑞,等. 基于多特征融合和 SVM 分类器的植物病虫害检测方法[J]. 计算机应用与软件, 2014, 31(12):5.

博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。

部分理论引用网络文献,若有侵权联系博主删除。

【疾病检测】基于支持向量机SVM农作物叶子虫害识别与分类含Matlab源码_d3_11