基于多分类支持向量机和KNN分类器的大豆叶片病害检测与严重程度测量

ABSTRACT

大豆真菌病如枯萎病、褐斑病和褐斑病由于症状严重和缺乏治疗,是严重威胁大豆植株的疾病。传统的疾病诊断依赖于病机肉眼观察的疾病症状识别,存在较高的误认率。本文提出了一种新的系统,利用多类支持向量机和KNN分类器,对大豆病害叶片样本的彩色图像进行检测和分类。利用数码相机采集了枯萎病、褐斑病和褐斑病的健康叶片和患病叶片的图像。利用图像增强技术对获取的图像进行预处理。采用阈值法去除图像背景,得到感兴趣区域(ROI)。将基于增量k均值聚类的颜色分割技术应用于感兴趣区域,对病变区域进行分割。疾病严重程度的估计是通过定量数量的像素病变区域和全叶区域。利用RGB颜色空间提取分割后病变叶区域的不同颜色特征,利用灰度共生矩阵(GLCM)提取纹理特征,组成特征数据库。最后,利用支持向量机(SVM)和k -最近邻Negbiour (KNN)分类器对疾病进行分类。该分类系统能够对疫病、褐斑病、蛙眼叶斑病和健康样本进行分类,准确率分别为87.3%和83.6%。

1. INTRODUCTION

大豆是世界上最古老的作物之一。今天,大豆是人类消费的最大油脂来源,也是牲畜饲料的最大蛋白质来源。据报道,大豆帮助改善了印度大量小农和边缘农民的社会和经济条件。主要的大豆种植邦是中央邦、马哈拉施特拉邦、拉贾斯坦邦、卡纳塔克邦、安得拉邦和查蒂斯加尔邦。这些州加起来占全国大豆总产量的98%【1】。近几十年来由于一些因素如自然灾害、水土流失等,导致农作物病害的发生。这些疾病可导致农业产量的质量和数量显著下降。其后果是造成生产和经济损失。大多数时候,农民在鉴别和控制植物病害方面遇到了很大的困难。因此,在病害发生的早期或较早阶段对病害进行诊断,以便农民采取适当的防治措施,

基于多分类支持向量机和KNN分类器的大豆叶片病害检测与严重程度测量相关推荐

  1. 大豆叶片病害检测与分类系统

    Abstract 我国经济高度依赖农业生产力,病害检测在农业生产中占有重要地位.这个项目的目的是支持农民检测大豆栽培中的疾病类型.***这样做的目的是确定叶子是健康的还是有病的,如果它受到了影响,找出 ...

  2. 基于深度学习和模糊逻辑的葡萄黑麻疹疾病自动检测与严重程度分析(受控背景)

    研究内容 葡萄黑麻疹可能是所有植物病害中最著名.研究时间最长.破坏性最大的一种,它最终会降低产品的生产率和质量.及时.有效.准确地评价葡萄黑麻疹病是田间管理的重要环节.本文提出了一种基于深度学习和模糊 ...

  3. 基于深度学习的大豆叶片病害识别(自然环境下1470张图像)

    Abstract 本文提出了一种利用卷积神经网络(CNN)识别自然环境下大豆叶片病害的新方法.使用AlexNet.GoogLeNet和ResNet进行迁移学习.首先,通过设置不同的批量大小和迭代次数, ...

  4. 基于深度学习的农作物叶片病害检测系统(UI界面+YOLOv5+训练数据集)

    摘要:农作物叶片病害检测系统用于智能检测常见农作物叶片病害情况,自动化标注.记录和保存病害位置和类型,辅助作物病害防治以增加产值.本文详细介绍基于YOLOv5深度学习模型的农作物叶片病害检测系统,在介 ...

  5. KNN分类器、最近邻分类、KD树、KNN分类的最佳K值、基于半径的最近邻分类器、KNN多分类、KNN多标签分类、KNN多输出分类、KNN分类的优缺点

    KNN分类器.最近邻分类.KD树.KNN分类的最佳K值.基于半径的最近邻分类器.KNN多分类.KNN多标签分类.KNN多输出分类.KNN分类的优缺点 目录

  6. (论文加源码)基于时频域特征分析和SVM分类器的DEAP脑电信号情感状态识别(matlab代码)(四分类)

    论文和源码见个人主页:https://download.csdn.net/download/qq_45874683/85069822 (论文加源码)(matlab代码)基于时频域特征分析和SVM分类器 ...

  7. 基于Python Scrapy爬虫改进KNN算法的网站分类系统

    目 录 摘 要 I Abstract II 第 1 章 绪 论 1 1.1课题的研究背景和意义 1 1.1.1目前网站分类的研究情况 1 1.1.2现有解决方案的优点与不足 1 1.1.3基于特征熵值 ...

  8. Task09基于模拟数据集的KNN回归、基于马绞痛数据集的KNN数据预处理+KNN分类pipeline

    Task09 基于模拟数据集的KNN回归.基于马绞痛数据集的KNN数据预处理+KNN分类pipeline 一.学习内容概括 学习资料: 1.阿里云天池:https://tianchi.aliyun.c ...

  9. 机器学习算法——利用AdaBoost元算法提高分类性能(基于单层决策树构建的弱分类器)

    当做出重要决定时,我们往往会听取多个专家而不只是一个人的意见.元算法正是采用这种思路,元算法是对其他算法进行组合的一种方式,本篇博文主要介绍AdaBoost元算法,该算法是机器学习工具箱中最强有力的工 ...

最新文章

  1. 75. Find Peak Element 【medium】
  2. 《男人这东西》—— 读后总结
  3. Java中Set巧用,去掉重复数据
  4. 2014公积金新政策对你买房有什么好处?
  5. android数据回传多个页面_Android页面之间进行数据回传
  6. Visual Studio Online 东半球首秀,亮相 .NET Conf 2019 中国峰会
  7. AGC024E - Sequence Growing Hard
  8. 初识JavaScript———JavaScript注意事项(1)
  9. javascript实现平滑的锚点
  10. linux有哪些实时同步工具,rsync文件同步工具常见模式有哪些?linux系统
  11. 20191015:基数排序法
  12. 【2020年“科创中国”】先导技术榜单、新锐企业榜单、产学研融通组织榜单发
  13. 九针串口定义(公口、母口图解)
  14. 信息系统项目管理师计算题(进度管理总浮动时间、自由浮动时间、工期)
  15. 语文学科html代码,语文教育专业介绍 [代码660201]
  16. 阿丹学财报(1)- 财报是用来证伪的
  17. Mysql数据库基础及高阶
  18. [原创实践]redhat linux 5.3搭建Nexus
  19. 新生学大学计算机心得,大学生信息技术心得体会怎么写
  20. Android adb命令使用记录

热门文章

  1. 实时工业以太网的几种实现原理
  2. GCC编译器简明教程(Linux下C语言开发环境的搭建)
  3. 企业微信接收消息服务器配置php,微信企业号配置及在公众号里获取用户信息
  4. redhat 6安装mysql5.7_RedHat6.5/CentOS6.5安装Mysql5.7.20的教程详解
  5. 网站前端和后台性能优化22
  6. CSS3贝塞尔曲线$$动画效果
  7. jquery城市选择案例
  8. vrpie在Visio Studio 中无法调试的问题
  9. Mina的TCP的主要接口
  10. java EE设计模式--spring企业级开发最佳实践文摘