使用图像处理水稻叶片检测受损

Manoj穆克吉¹泰坦,朋友¹和Debabrata Samanta²
部门BCA(荣誉)Burdwan研究所管理&计算机科学Dewandighi Katwa路,Burdwan - 713102,印度西孟加拉邦

文摘

农业领域的水稻是主要的主食之一,在亚洲国家,如中国、印度、印度尼西亚和孟加拉国等。但是水稻疾病喜欢爆炸;细菌性叶枯病;大米tungro等停止水稻的生长的树木。如果没有发现疾病早期阶段还有可能降低水稻的生产。摘要一个高尚的方法即图像处理的水稻叶片直方图,提出了避免大规模这些疾病的影响。通过这种方法可以检测出疾病处于初级阶段,因此可以采取必要的措施,减少生产损失。起初,水稻叶片捕获图像,然后对增强处理。后,图像从RGB彩色图像转换为灰度图像,然后提取直方图使用MATLAB函数。图片给出的结果作为输入来确定疾病疾病分类和分级的疾病。在完成疾病识别和检测阶段,疾病的治疗咨询模块是农业专家的帮助下准备的。

关键字

水稻;叶;检测;形象;处理

介绍

在一个第三世界国家,如印度主要的主食,“大米”,很多人的生活,国家的经济与水稻的生产。对收益率出现在不受欢迎的负面影响。水稻生产可以作为一些机械损伤的影响,阻碍营养缺乏症,遗传疾病、气候条件等,但主要问题是疾病导致macrobes和微生物。疾病保持产量损失的主要原因,在阿肯色州水稻产量较低的利润。疾病造成估计每年8 - 10%的产量和品质损失。生产成本也增加了使用化学和文化疾病控制的方法。[1]

今天的不良环境条件促进增长的许多疾病阻碍适当的水稻的生长。这种疾病很容易被他们的症状——改变植物[4]。现在一天有大量的水稻疾病,但在本文中,我们采取了三种疾病实验模型。

一个爆炸。

b。细菌性叶枯病

水稻tungro c。

传统上,水稻农民的手动识别疾病通过他们的经验,然后把发现的疾病。但在手动识别疾病有时会发生错误。然而在传统方法时间复杂度很高,它是艰苦的,因为它是不可能准确地识别疾病和估计其感染地区大规模的农业服务。这次的作者提出了一个计算机系统,提供一个缺陷的自动检测通过“图像处理”,然后相应地处理它。

PROPOSEDMETHODOLOGY

该方法旨在为植物叶片设置一个真正的疾病分级系统。为实验目的,各种叶样品被认为是。对于诊断,遵循以下步骤:(一)图像增强,(B)图像预处理,图像分割(C), (D)直方图变换,(E)水稻疾病检测。

流程图表示时间顺序的步骤,整个过程就完成了。这种方法提供了一个非常清晰的识别植物的各种疾病,并确定疾病的阶段。所有这些都是通过不同的图像处理技术。

图像增强:

图像增强是数字图像调整的过程,这样的结果是更适合显示或进一步分析。为此作者访问了和抓取的图像从几个农场Burdwan区。

图像预处理:

图像预处理可显著提高光学检测的可靠性。几个过滤器操作加大或减少某些图像细节使更容易或更快的评价。用户可以优化相机图像只需要点击几下。[5]这涉及到剪裁、旋转、正常化,对比度增强,过滤、角修正和各种图形化操作。

图像分割:

国家形象代表了图像的分割到另一个有意义的格式更容易分析。RGB彩色图像转换为灰度图像的算法的RGB值转换为灰度值形成一个加权和的R, G, B部分:0.2989 * R + 0.5870 * 0.1140 G + * B”。

直方图画:

通常,在图像处理图像的分辨率是图像中像素的总数。最初的缩放后的图像转换为灰度图像,是与叶相对应的像素图像一样。然后我们计算画出直方图的变化选择价值。

直方图方程:

让,一会儿强度水平连续量规范化区间[0,1],让子(i)表示的概率密度函数强度水平被认为是水稻图像,下标是用于区分输入和输出的pdf认为水稻图像。让我们执行以下转换输入水平获得加工强度水平,m,

其中x是一个例子是一个实例变量的集成。它可以显示PDF的加工水平是一致的,即:

认为水稻图像像素是由子(ik) k = 1, 2,……………, N,表示直方图与图像的强度水平有关。

v = 1、2、………………。,N where m v is the intensity value in the processed image corresponding value iv in the considered paddy image.

研制了一种基于直方图的系统疾病分级表即指疾病评分量表主要取决于评分系统

疾病评分值的选择值

提出工作流程DIAGRM

结果和讨论

在本文的工作中,我们已经考虑了水稻叶片图像从几个农场Burdwan区在西孟加拉邦,印度。这里显示了原始水稻叶与疾病分级基于图像和灰色图像直方图技术。

结论

在本文中,我们提出了一种新的基于直方图的概念检测水稻叶受损。从直方图中提取原始水稻叶之间的强度和疾病影响了水稻叶。我们考虑三种水稻叶疾病粘度-爆炸:Pyricularia菌(p . oryzae),细菌性叶枯病:黄oryzae pv。Oryzae、大米tungro疾病:大米tungro病毒(RTSV RTBV)。随着越来越多的没有。产生相应的图像样本,三是更确定的范围在模拟的各种错误。提出方法的主要结果表明一个强大和系统化的方法来评估疾病强度通过植物病理学更精确。初步测试结果显示疾病的更好的结果提取。

承认

感谢我们的机构、部门的BCA(荣誉)Burdwan管理学院和计算机科学,Burdwan,西孟加拉邦,印度,和Anindya破Panja先生,Asst.教授,部门的理科在生物技术和生物化学和站Nabarun萨哈,生物技术的学生,Burdwan管理学院和计算机科学,Burdwan,西孟加拉邦,印度。

引用

里克•卡特赖特和舰队李10 -管理水稻疾病,pp. - 87
http://agritech.tnau.ac。在/ c rop_protection / crop_prot_crop % 20 diseases_cereals_paddy.html # 3
小林,T。神田E。,Kitada, K., Ishiguro, K., Torigoe, Y., 2001. Detection of rice panicle Blast with multispectral radiometer and the Potential of using airborne multispectral Scanners. Phytopathology, 91(3):pp. 316-323.
一个。Senthil Rajan,图像处理技术诊断水稻疾病世界大会于2012年工程学报》卷二世WCE 2012年7月4 - 6,2012年,伦敦,英国
http://www.goepel.com/en/industrial-vision-solutions/tom-line/tom-line-software/image-pre-processing.html
至此,r . Pydipati T.F.伯克斯、李”的识别柑橘类疾病使用颜色纹理特性和歧视分析”,电脑和电子产品在农业52
http://www.forestryimages.org/browse/hostimages.cfm?host=6108&cat=16
(Sanjeev年代Sannakki1 Vijay年代Rajpurohit V B Nargund Arun Kumar R Prema Yallur,“叶病分级机器视觉和模糊逻辑”,Int。j . Comp。科技。:。,卷2(5),1709 - 1716年,2011年。
燕,Chunlei夏和Jangmyung李”,建立温室植物害虫检测和自动喷淋,“IEEE国际研讨会工业电子,2009年7月5 - 8。
Alhouse,马克低速齿轮& Chein-I Chang》2010。由局部熵图像分割方法。Proc。图像处理国际会议3:61 - 64。
南卡罗莱纳州Scardaci et al .,稻瘟病:一种新的疾病在加州,农学简报系列、农学和范围科学加州大学戴维斯。
为水稻生物技术研究重点,Robert w . Herdt 9 Khush G.H.
B.Cunha。2010年。应用图像处理技术在植物叶子的特征。Proc, IEEE Intl研讨会工业电子产品。