|本期目录/Table of Contents|

[1]张云龙,张会敏,谢泽奇,等.基于显著区域和PHOG的黄瓜病害识别方法研究[J].江苏农业科学,2018,46(22):246-250.
　Zhang Yunlong,et al.Study on identification method of cucumber disease based on significant region and PHOG[J].Jiangsu Agricultural Sciences,2018,46(22):246-250.
点击复制

基于显著区域和PHOG的黄瓜病害识别方法研究(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第46卷
期数:
2018年第22期
页码:
246-250
栏目:
农业工程与信息技术
出版日期:
2018-12-01

文章信息/Info

Title:
Study on identification method of cucumber disease based on significant region and PHOG
作者:
张云龙;  张会敏;  谢泽奇;  张晴晴;  齐国红
郑州大学西亚斯国际学院，河南郑州 451150
Author(s):
Zhang Yunlong; et al
关键词:
黄瓜病害叶片图像分割; 黄瓜病害识别; 显著性; K-均值算法; 方向梯度直方图
Keywords:
-
分类号:
TP391.41；S126
DOI:
-
文献标志码:
A
摘要:
快速准确地识别黄瓜病害类型是黄瓜病害防治的前提，针对现有基于病害叶片图像的黄瓜病害识别方法中的病斑分割和特征提取难题，提出一种基于显著区域和方向梯度直方图的黄瓜病害叶片图像分割与识别方法。首先，利用叶片图像的亮度和颜色低阶特征，结合多尺度分析确定原始采用病害叶片图像的显著图；其次，利用K-均值算法分割显著图，得到病斑图像；再提取病斑图像的方向梯度直方图特征；最后利用支持向量机(support vector machine，简称SVM)进行病害识别。在4种常见黄瓜病害叶片图像数据库上进行测试，平均正确识别率大于90%。结果表明，该方法能够准确分割和识别复杂背景下的黄瓜病害叶片图像，为田间开放环境下实现黄瓜病害的快速自动识别提供了依据。
Abstract:
-

参考文献/References:

［1］Sankaran S，Mishra A，Ehsani R，et al. A review of advanced techniques for detecting plant diseases［J］. Computers and Electronics in Agriculture，2010，72(1)：1-13.
［2］Martinelli F，Scalenghe R，Davino S A，et al. Advanced methods of plant disease detection. A review［J］. Agronomy for Sustainable Development，2015，35(1)：1-25.
［3］Pujari D，Yakkundimath R，Byadgi A S. SVM and ANN based classification of plant diseases using feature reduction technique［J］. International Journal of Interactive Multimedia & Artificial Intelligence，2016，3(7)：6-14.
［4］胡维炜，张武，刘连忠，等. 利用图像处理技术计算大豆叶片相对病斑面积［J］. 江苏农业学报，2016，32(4)：774-779.
［5］Mahlein A K，Rumpf T，Welke P，et al. Development of spectral indices for detecting and identifying plant diseases［J］. Remote Sensing of Environment，2013，128(1)：21-30.
［6］Reddy P R，Divya S N，Vijayalakshmi R. Plant disease detection technique tool：a theoretical approach［C］// International Conference on Computational Systems for Health & Sustainability，2015.
［7］任守纲，陆海飞，袁培森，等. 基于显著性检测的黄瓜叶部病害图像分割算法［J］. 农业机械学报，2016，47(9)：11-16.
［8］胡敏，陈红波，许良凤，等. 基于颜色和纹理特征的黄瓜病害识别算法［J］. 电子测量与仪器学报，2015，29(7)：970-977.
［9］张芳. 复杂背景下黄瓜叶部病害识别方法研究［D］. 沈阳：沈阳农业大学，2014.
［10］张辰. 基于显著性的彩色图像分割方法研究［D］. 保定：河北大学，2014.
［11］周强强，王志成，赵卫东，等. 基于水平集和视觉显著性的植物病害叶片图像分割［J］. 同济大学学报(自然科学版)，2015，43(9)：1406-1413.
［12］朱驰，陈昌志，王宁，等. 改进图割的显著性区域检测算法［J］. 计算机工程与设计，2015，36(6)：1560-1564.
［13］王献锋，张善文，王震，等. 基于叶片图像和环境信息的黄瓜病害识别方法［J］. 农业工程学报，2014，30(14)：148-153.
［14］谢泽奇，张会敏，张善文，等. 基于颜色特征和属性约简的黄瓜病害识别方法［J］. 江苏农业学报，2015，31(3)：526-530.
［15］张芳，李晓辉，杨洪伟. 复杂背景下植物叶片病害的图像特征提取与识别技术研究［J］. 辽宁大学学报(自然科学版)，2016，43(4)：311-318.
［16］Kouakou A K，Bagui O K，Agneroh T A，et al. Cucumber Mosaic virus detection by artificial neural network using multispectral and multimodal imagery［J］. Optik，2016，127(23)：11250-11257.
［17］马浚诚，温皓杰，李鑫星，等. 基于图像处理的温室黄瓜霜霉病诊断系统［J］. 农业机械学报，2017，48(2)：195-202.
［18］白宗文，周美丽，白茹. 基于金字塔梯度方向图像特征的检索模型设计［J］. 现代电子技术，2014，37(15)：65-67.
［19］Goyal G. TEM color image segmentation using hill climbing algorithm［J］. International Journal of Computer Science and Information Technologies，2014，5(3)：3457-3459.
［20］岑喆鑫，李宝聚，石延霞，等. 基于彩色图像颜色统计特征的黄瓜炭疽病和褐斑病的识别研究［J］. 园艺学报，2007，34(6)：1425-1430.
［21］贾建楠，吉海彦. 基于病斑形状和神经网络的黄瓜病害识别［J］. 农业工程学报，2013，29(增刊1)：115-121.
［22］Bashish D A，Braik M，Bani-Ahmad S. Detection and classification of leaf diseases using K-means-based segmentation and neural-networks-based classification［J］. Information Technology Journal，2011，10(2)：267-275.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2017-06-20
基金项目：国家自然科学基金(编号：61473237)；河南省科技厅基础与前沿技术研究计划项目(编号：172102210510、172102210109)；河南省教育厅高等学校重点科研项目(编号：16A520095、16A510034)；郑州大学西亚斯国际学院校级科研项目(编号：2016KY01)。
作者简介：张云龙(1966—)，男，河南郑州人，博士，教授，硕士生导师，主要从事模式识别及其应用。E-mail：zhgbj0000@163.com。
通信作者：谢泽奇，硕士，副教授，研究方向为计算机应用、图像处理。E-mail：xzq0413@163.com。
更新日期/Last Update: 2018-11-20