Обозначения и сокращения 9
Введение 10
1. Обзор методов и алгоритмов распознавания
болезней растений по изображениям листьев 14
1.1. Нейросетевое распознавание 14
1.2. Распознавание классическими методами ....23
1.3. Сравнение основных методов диагностики
болезней растений 25
2. Разработка метода распознавания болезней
листьев растений и исследование достижимой точности определения вида болезни
2.1. Предобработка изображений 27
2.2. Матрица GLCM 36
2.3. Построение гистограмм и аппроксимация .. 40
2.4. Классификация болезней 43
3. Реализация классификатора 48
3.1. Инструменты для разработки 48
3.2. Системный уровень разработки 49
3.3. Архитектурный уровень разработки 50
3.4. Программная реализация 51
3.5. Тестирование 54
Результаты экспериментального исследования 55
Заключение 57
Библиографический список 59
Приложение 1. Методы классификации болезней растений по изображениям листьев 61
Приложение 2. Нормализованные изображения для каждого типа болезни листьев растений 62
Приложение 3. Листинг программы моделирования для расчета доверительных интервалов в среде MatLab R2016a 63
Приложение 4. Листинг программы моделирования для диагностики 10 болезней по эталонным описаниям в среде MatLab R2016a 64
Приложение 5. Таблица эталонных описаний математических ожиданий для всех групп патологий.66
Приложение 6. Результаты программы в текстовом виде для диагностики 10 болезней по эталонным описаниям в среде MatLab R2016a 68
Приложение 7. Пример описания интерфейса класса GlcmBuilder 69
Приложение 8. Результаты тестирования методов класса GlcmBuilder
В настоящее время сельское хозяйство стало намного больше, чем просто средством для кормления постоянно растущих популяций. Растения стали ценным источником энергии, способным решить проблему глобального потепления.
Население Земли стремительно растёт и по прогнозам ООН к 2030 году достигнет восьми с половиной миллиардов человек. Территории, наиболее пригодные для сельского хозяйства, уже обрабатываются, и значительного их прироста не предвидится. Теперь перед человечеством стоит задача вырастить максимальное количество урожая, вовремя предотвращая распространение вредителей и возбудителей заболеваний.
Существует большое количество заболеваний, которые влияют на урожайность растений, что ведет к экономическим и экологическим потерям. Болезни растений приводят к потере 10-16% мирового урожая сельскохозяйственных культур каждый год, что обходится в 220 миллиардов долларов США [6]. В этом контексте диагностика заболеваний растений, дающая точный и своевременный результат, имеет первостепенное значение. Следовательно, целесообразно было бы выбрать объектом исследования наиболее значимую для человечества зерновую культуру. Такой культурой является пшеница, известная нам с глубокой древности, и, служащая основным поставщиком растительного белка для большей части человечества. Ее мировая площадь уже превысила 235 млн га. Однако, пшеница, как и все зерновые культуры подвержена многим видам заболеваний, в том числе грибками или гнилями, после чего у зараженных растений снижается зимостойкость и засухоустойчивость.
Общим подходом выявления патологий растений является использование дистанционного метода обнаружения (см. Рис. 1), который исследует фотоизображения, полученные с помощью беспилотных летательных аппаратов (БПЛА).
Беспилотные летательные аппараты оснащаются мультиспектральными камерами,
высокая четкость изображения которых позволяет точно выявлять проблемные участки поля (Рис. 2) и применить оборудование для распыления химикатов.
Применение БПЛА в сельском хозяйстве имеет огромный потенциал и с каждым годом интерес к их использованию растет. За последние 5-6 лет по развитию этой отрасли машиностроения сделано во много раз больше, чем за все предыдущие годы. Это позволяет считать эту отрасль бурно развивающейся.
Большинство заболеваний листьев растений порождают какое-то проявление в видимом спектре [2]. В подавляющем большинстве случаев, диагноз или, по крайней мере, первое предположение о заболевании, осуществляется людьми визуально. Важно учитывать, что сельскохозяйственные культуры занимают чрезвычайно большие площади, делая мониторинг сложной задачей. Проблема может быть решена за счёт использования цифровых фотоизображений, полученных с помощью БПЛА в сочетании с обработкой изображений, распознаванием образов и автоматическими инструментами классификации, один из которых и был разработан.
1. Проанализированы известные методы диагностики болезней растений по изображениям листьев.
2. Предложен метод диагностики болезней растений по нормализованным изображениям листьев, основанныйнавычислении4-хтекстурных характеристик изображений, вычисленных с использованием матриц GLCM для 6-ти цветовых компонент изображений: R, G, B, RG, RB, GB.
3. Предложен и реализован алгоритм нормализации изображений при помощи вегетативных индексов Вобекке с применением морфологических операций, поворота и масштабирования.
4. Доказано путем моделирования, что можно достигнуть достоверности распознавания около 90% за счет бинаризации результатов и мажоритарного голосования.
5. Произведена экспериментальная проверка метода диагностики на 1000 изображений листьев пшеницы 10-ти видов болезней, подтвердившая результаты , полученные при моделировании.
6. Разработано ПО для компьютерной диагностики
заболеваний растений по текстурным характеристикам изображений листьев.
