基于机器视觉的冬枣病害检测

被引：9

作者：

孙世鹏 ^{[1
]}

李瑞 ^{[1
]}

谢洪起 ^{[1
]}

冯亚利 ^{[1
]}

傅隆生 ^{[1
,2
]}

朱兆龙 ^{[1
]}

机构：

[1] 西北农林科技大学机械与电子工程学院

[2] 农业部农业物联网重点实验室

来源：

农机化研究 | 2018年 / 40卷 / 09期

基金：

中国博士后科学基金;

关键词：

病害检测; 机器视觉; 纹理特征; 缩果病; 冬枣;

D O I：

10.13427/j.cnki.njyi.2018.09.035

中图分类号：

S436.65 [杂果类病虫害]; TP391.41 [];

学科分类号：

090401 ; 090402 ; 080203 ;

摘要：

冬枣皮薄肉脆,富含维生素C和矿物质,深受消费者喜爱,目前冬枣的销量逐年增加,产业得到迅猛发展。但是,冬枣病害种类繁多,如日灼伤、炭疽病、轮纹病、裂纹病及缩果病等,采用人工分级方式成本高、效率低,严重制约了冬枣的产业化发展,可见研究冬枣病害的自动化检测方法具有重要意义。本研究对冬枣的轮纹病、日灼伤、炭疽病和裂纹病等黑斑类病害和缩果病病害采用机器视觉技术进行无损检测,利用单因素方差分析(one-way ANOVA)和费希尔最小显著差异检验(Fisher’s LSD)获得有效识别黑斑类病害的颜色分量为RGB模型的R分量,HSB模型的S分量和L*a*b*的b分量,建立Bayes线性判别函数得到黑斑类病害的分类正确率达到89.6%。通过计算基于灰度共生矩阵的纹理特征对缩果病进行检测,探索纹理特征最优构造参数距离d为1,灰度级为3 2,建立SVM模型得到缩果病的分类正确率达到9 9.4%。该方法为冬枣病害的自动化分级提供了基础和依据。

引用

页码：183 / 188

页数：6

共 15 条

[1] 基于高光谱成像分析的冬枣微观损伤识别 [J].

魏新华 ;

吴姝 ;

范晓冬 ;

黄嘉宝 .

农业机械学报, 2015, 46 (03) :242-246

[2]

A real-time grading method of apples based on features extracted from defects[J] . V. Leemans,M.-F. Destain. &nbspJournal of Food Engineering . 2003 (1)

[3]

Machine vision technology for agricultural applications[J] . Yud-Ren Chen,Kuanglin Chao,Moon S Kim. &nbspComputers and Electronics in Agriculture . 2002 (2)

[4] 基于机器视觉的半干枣病害和裂纹识别研究 [J].

李运志 ;

Qiang Zhang ;

陈弘毅 ;

党晓辉 ;

李新岗 ;

胡耀华 .

农机化研究, 2016, 38 (08) :120-125

[5] 基于机器视觉的采后荔枝表皮微损伤实时检测 [J].

孙宝霞 ;

汤林越 ;

何志良 ;

邹湘军 ;

熊俊涛 .

农业机械学报, 2016, 47 (07) :35-41

[6] 基于高光谱成像技术检测脐橙溃疡 [J].

李江波 ;

饶秀勤 ;

应义斌 ;

王东亭 .

农业工程学报, 2010, 26 (08) :222-228

[7]

数字图像处理与分析[M]. 电子工业出版社 , 孙明, 2013

[8]

Nondestructive evaluation of jujube quality by visible and near-infrared spectroscopy[J] . J. Wang,K. Nakano,S. Ohashi. &nbspLWT - Food Science and Technology . 2010 (4)

[9] 机器视觉在农业生产中的应用研究 [J].

刁智华 ;

王会丹 ;

魏伟 .

农机化研究, 2014, 36 (03) :206-211

[10]

Studies on banana fruit quality and maturity stages using hyperspectral imaging[J] . P. Rajkumar,N. Wang,G. EImasry,G.S.V. Raghavan,Y. Gariepy. &nbspJournal of Food Engineering . 2011 (1)

← 1 2 →