一、杨树病害孢子的图像识别技术研究（论文文献综述）
焦阳[1]（2021）在《基于无透镜数字全息技术的条锈病夏孢子检测系统研究》文中研究表明条锈病因其流行频率高、爆发性强、传播范围广及其危害性大的特点,成为一种严重影响小麦安全生产的全球性重大生物灾害。小麦田间空气中的夏孢子通过气流传播是造成小麦条锈病发生和流行的主要原因,通过检测田间空气中的孢子浓度可以预测病情程度。传统孢子捕捉仪工作时需人工进行定时换取载玻片,并将载玻片带回实验室在显微镜下肉眼观察计数,效率低、费时费力;现有的CPU搭载显微镜平台的处理系统,由于其体积庞大、价格昂贵、操作复杂等缺点,限制了其进一步的推广,难以在基层生产中实现普及与应用。本文结合嵌入式技术、全息无透镜成像技术、无线网络技术、图像处理等方法,开展了小麦条锈病孢子全息图像采集装置设计及其图像处理方法研究,主要研究内容及结论包括:（1）分析了传统真菌孢子捕捉方法存在的问题,针对田间实际情况以及全息成像在微小物品检测方面的优势,并针对现有孢子捕捉设备自动化程度不高,研究并设计了一种基于无透镜原理的小麦条锈病菌夏孢子全息图像远程采集系统,其核心部件包括太阳能供电模块、无线通信模块、图像采集模块、光源模块、处理器模块等硬件。本系统可实现自动捕捉气传孢子、图像采集、数据传输等一系列功能。并根据问题导向研制了物理样机,可根据远程设定实现全息图像自动捕捉与全息图像远程传输,满足了生产实际需求。（2）针对所采集的全息图像对比度低、含有杂质,影响计数结果精度这一问题,选择了加权平均灰度法,通过中值滤波的方式对图像进行平滑处理。在对比分析菲涅尔重建算法、卷积重建算法、角谱法三种常规重建算法运行速度、算法适用条件的基础上,优选使用角谱法实现了孢子全息图像的重建,通过对60幅全息图像角谱法重建结果分析,再现后的孢子图像轮廓清晰,可进行识别出孢子形态与数量,应用角谱法可以很好地再现小麦条锈病菌孢子全息图像。（3）应用人工选择阈值分割算法进行了夏孢子全息图像的分割,并利用夏孢子的形态学因子特征,实现了单个孢子与粘连孢子的有效分割。为了进一步提升夏孢子技术结果的精度,通过平均面积法以及Harris角点检测法实现了粘连孢子的精确计数。根据50幅再现图像的测试结果表明,两种算法的准确率分别为87%和89%,两种方法均可以较好地应用于夏孢子计数研究之中。（4）基于MATLAB软件设计并开发了一套完整的夏孢子全息图像预处理、重建和图像分割、夏孢子识别及自动计数的软件系统。通过设定不同的分割与计数方法,最终以人机交互界面的形式实现小麦条锈菌孢子的计数。软件调用简单、使用便捷、界面简洁,可以大量节省用户的使用时间。
张迎[2]（2020）在《基于深度学习的真菌孢子检测算法研究》文中进行了进一步梳理稻谷作为我国的战略储备粮之一,其存储时间通常为1-3年。在稻谷储藏过程中,霉变是造成稻谷损失的原因之一。危害真菌孢子计数法是对霉变进行早期监测的一种手段,通常这种方法需要人工在显微镜下观察真菌孢子,费时费力。本文提出了一种基于深度学习的真菌孢子检测算法,实现了在显微图像中对真菌孢子的自动定位和识别。本文主要完成了以下几个方面的工作:（1）本文建立了真菌孢子显微图像数据集。数据集中包含三类真菌孢子图像:灰绿曲霉、青霉和白曲霉。利用标记软件LabelIMG对图像中真菌孢子的位置与种类进行了人工标记。运用数据增强技术,通过对图像的亮度、色度、对比度和锐度进行调整扩充了数据集。（2）本文提出了一种多层特征融合的卷积神经网络结构对真菌孢子进行特征提取。该结构选择VGG16作为主干,对高层特征图进行反卷积操作与低层特征图进行融合,并在低层引入Inception结构。（3）本文设计了一个针对聚集粘连的真菌孢子的损失函数。通过惩罚匹配到同一个ground-truth的边界框之间的IOU,推动边界框接近相关联的ground-truth,提高了定位准确度,改善了由于真菌孢子聚集粘连引起的漏检。（4）本文基于Faster R-CNN,提出了一种真菌孢子检测算法,实现了对显微图像中真菌孢子的定位和识别。利用基于多层特征融合的卷积神经网络结构提取特征图,然后通过RPN生成区域建议,针对真菌孢子的特点,调整了 RPN中anchor尺度的初始化设置及区域建议的采样策略,随后利用ROIAlign进行池化操作,最后利用分类网络进行分类和边界框回归。经过实验测试,本文方法的mAP为91.6%。
苏凌霄[3]（2020）在《基于图像处理的细胞计数系统研究与实现》文中研究说明统计病菌孢子的数量,可以判断和分析出农作物病害的病情,并进行预警防控,减少损失和节约投入成本。目前,国内外学者对小麦和水稻病害的研究较多,但对马铃薯病害孢子计数方法的研究相对较少。其中,马铃薯晚疫病因分布广、流行快、危害严重,一直是威胁我国马铃薯优质、高产的病害之一。因马铃薯晚疫病病菌孢子图像存在高粘连度、杂质与孢子差距不大和孢子自身灰度不均等特点,使得现有计数方法对其计数的结果误差很大,因此研究其计数方法具有重要的研究价值和意义。本课题主要以马铃薯晚疫病为研究对象,应用图像处理的方法对孢子图像开展计数研究。主要研究内容和工作包括:（1）搭建了细胞计数系统简易图像获取的硬件装置,用来完成对孢子样本的在线采集。针对孢子的特点对硬件的主要模块进行选择和确定,包括工业相机、显微镜头、光源等;（2）以所获得的孢子显微图像为研究对象,对孢子显微图像进行分割处理,提取出孢子并将粘连孢子分离。首先对图像进行了灰度化和滤波研究,然后根据采集到的病菌孢子显微图像的特点,使用大津阈值分割法、迭代阈值分割法、K-means聚类法和自适应阈值分割法对孢子图像进行分割实验,实验结果表明自适应阈值分割方法分割效果最优。本文对自适应阈值算法进行了改进,提出了基于积分图的自适应阈值分割算法解决了目标与背景因光照不均匀引起的灰度差异和孢子本身灰度不均造成的分割错误问题,且算法速度提高了60%左右。然后进行了形态学处理,通过对参数的对比实验得到最优参数;同时,利用距离变换和分水岭算法的结合,有效抑制过分割和假孢子区域,实现粘连孢子的分离。（3）应用连通区域标记法对分离后的病菌孢子进行统计数目,并对三种细胞计数方法进行试验分析比较,得到本课题提出的基于积分图的自适应阈值算法是最优计数方法,同时,计算了图像中孢子的面积、周长和圆形度,为农业工作者分析病害严重程度提供了数据参考。（4）利用MATLAB的GUI编译工具箱完成了基于图像处理的细胞计数系统的设计。该系统软件能够实现孢子图像的在线和离线获取,也能通过点击按钮完成孢子图像的各处理流程的结果预览和自动计数,使用直观明了,操作简单,使得一些非专业人员也能够完成细胞图像的专业性处理。最后,使用30幅病菌孢子显微图像对细胞计数系统开展测试实验。实验结果表明系统的平均计数准确率达到99.08%。系统的平均计数误差在0.92%,且最大计数误差不超过5%。
曹朔[4]（2020）在《智能虫情测报系统的研究与实现》文中认为杨树作为我国重要的树木品种之一,被普遍应用于木料、防护林以及绿化等方面,并且也在防风固沙、绿化环境以及改进农田等方面都已经发挥着重要的作用。目前青岛市的虫情测报工作还是以人工测报为主,这种人工测报无法实时的、随时随地的对杨树主要发生的害虫进行预测预报。因此,本文以杨树病虫害防治为应用背景,利用人工智能技术和信息技术研究实现了智能虫情测报系统,该系统可以有效地辅助测报人员及早发现、识别和防治害虫,进而提高杨树的质量,满足日益扩大的需求。论文主要内容如下:（1）智能虫情测报系统的研究和实现。以杨树病虫害防治为应用背景,研究并实现了智能虫情测报系统。本系统包括虫情信息、害虫识别和系统的后台管理功能等,通过系统功能的实现,有效地提高了农业植保人员和务农人员的工作效率,同时借助害虫识别这一功能对害虫进行精准而及时地识别与防治。（2）害虫图像数据集的构建。主要包括害虫图像数据获取和预处理。在青岛市平度市田庄镇观测场、金华山观测场和即墨区灵山观测场、学农基地观测场利用智能虫情测报灯对害虫进行采集,根据害虫的外观与生活习性进行人工分类,经过预处理之后,构建害虫图像数据集。（3）害虫图像识别模型分析和构建。深度学习在图像识别中应用良好,因此本文所选图像识别模型为卷积神经网络（Convolutional Neural Network,CNN）。所构建的害虫图像识别模型,能够很好地实现手机端对害虫图像的识别,效果较好。
王震[5]（2019）在《基于图像处理的稻瘟病孢子和白穗表征识别研究》文中研究表明稻田病虫害的发生是造成水稻减产,影响稻米质量的主要因素,防止稻田病虫害的发生以早期预防为主,目前早期预防手段主要是根据生产经验对稻田进行药物全覆盖式植保,虽然取得了较好的防治效果,但大量药物残留也带来了粮食食品安全和环境污染等巨大副作用。如何因病、因虫精准植保,是响应国家减肥减药农业生产战略所面临的重点研究方向。精准植保首先要识别和预测病虫害的发生,病原菌孢子是稻田真菌病害微观层面的诱发因素,白穗是病虫害宏观层面的危害表征,将病原菌孢子和白穗表征作为识别和预测稻田早期病虫害发生的指标,能够在病虫灾害发生的初期进行精准防治和有效预警,对稻田植保减少药物使用有着重要意义。本文选取病原菌孢子和白穗表征作为监测指标,从稻田病害前期的病原菌孢子识别和病虫害发生初期造成的白穗表征识别两方面研究入手,以田间孢子自动捕捉仪和小型多旋翼无人机航拍系统为数据信息采集平台,利用电子显微镜成像技术、数字图像处理技术,结合机器学习算法,对稻田病虫害初期的发生进行识别和预测,为稻田病虫害的早期预防、精准植保提供理论依据和生产指导。本文针对山东稻区病虫害,展开稻瘟病病原孢子和病虫害白穗表征图像识别研究,同时,对试验稻田进行病虫害人工调查,将稻瘟病病情指数与稻田实时识别的稻瘟病孢子数量、螟虫害危害指数与无人机识别的白穗数量建立关联,为稻田病虫害预警提供监测指标,以进行实际植保生产指导。本文开展的主要工作和取得的结论如下:1.设计一种田间孢子自动捕捉仪,实现全天候、多时间段稻田病原菌孢子连续自动采集。该装置采用间歇式静态工作方式,简易、便携,一次可携带6片载玻片,每片载玻片可自由设定采样时间,采样完毕自动切换载玻片。项目期间利用该装置共采集30970幅田间孢子图像供试。设计一种基于小型多旋翼无人机的稻田冠层图像样本采集方案,实现大面积稻田全覆盖式农情采样。该方案充分发挥小型多旋翼无人机快速、实时、远程等优点,不但破解稻田环境不适合地面机械进入的难题,而且弥补布点式采样造成数据不全面的不足。项目期间利用小型多旋翼无人机共采集11799幅稻田白穗图像供试。2.提出一种基于梯度方向直方图特征（HOG特征）的加性交叉核支持向量机（IKSVM）检测稻瘟病孢子方法。该方法首先对显微图像分析系统预处理的稻瘟病孢子图像利用Gamma校正法调节图像的对比度,抑制噪声干扰;然后提取孢子图像的HOG特征作为输入向量,输入到支持向量机中,构建加性交叉核支持向量机分类器;最后通过机器学习训练得到稻瘟病孢子分类器。为测试所提出的HOG/IKSVM方法的综合性能,分别选用HOG/线性SVM方法与HOG/径向基核SVM（HOG/RBF-SVM）方法做对比试验。试验结果表明,IKSVM在面对菌丝、杂质的干扰时总体识别效果最好,总体识别率可以达到98.2%,高于HOG/线性SVM方法的79%;在平均检测时间上,HOG/IKSVM方法的平均检测耗时仅为HOG/RBF-SVM方法的1.1%。HOG/IKSVM方法在病原孢子识别上,不但总体识别率高,而且检测速度也有大幅度提高,检测速率逼近线性SVM,符合孢子室内检测快速、准确的要求。3.提出一种基于Haar-like特征结合Adaboost学习算法的稻田白穗表征识别方法。该方法以小型多旋翼无人机为采集平台,机载图像采集设备采集稻田冠层图像,进行预处理后作为白穗识别的研究对象。方法引入4类Haar-like特征模型,为验证特征模型的性能,设计了各类Haar-like特征模型以及多类Haar-like特征模型组合的识别性能对比试验,试验结果表明4类Haar-like特征及其组合特征中,C类+D类Haarlike组合特征对分类器性能提升强于其他特征。采用C类+D类Haar-like组合特征进行Adaboost训练学习,生成白穗表征识别用的强分类器,在测试集样本容量为550的情况下（正样本190个,负样本360个）进行识别试验。经试验,稻田白穗的正确识别率和误识别率分别为94.21%和3.33%,算法可以有效的抑制绝大多数的稻田背景、稻叶遮挡、稻穗黏连等复杂情况的影响,不过对于高强度光照和严重遮挡情况下的识别,算法还有待进一步优化和提高。为验证算法性能,设计了同轮廓波特征算法的对比试验,试验结果表明,C类+D类Haar-like组合特征识别效果优于轮廓波特征识别。采用C类+D类Haar-like组合特征,经Ada Boost训练学习得到的强分类器对测试集中的65张图像,423个白穂样本进行在线识别试验,结果表明:白穗识别率可达93.62%,误识别率为5.44%。4.设计2018、2019年度稻田病虫害危害指数与稻瘟病孢子数量、白穗表征数量的拟合试验。试验从约6000m2稻田中的“圣稻13”和“圣稻19”两个品种上进行,分别分析稻瘟病病情指数与稻田空气中稻瘟病病原孢子数量、螟虫虫害指数与稻田白穗识别数量之间的关系。试验数据表明:1)稻瘟病病情指数与当前稻瘟病孢子识别数量、5-7天前稻瘟病孢子识别数量均呈正相关关系,当稻瘟病孢子综合数量多于50个/400 m2时,稻瘟病病情指数与两个时间段的孢子识别数量均具有较好的相关性。2018年度和2019年度,调查区内稻瘟病病情指数与当前稻瘟病孢子识别数量、5-7天前稻瘟病孢子识别数量相关性决定系数R2区间分别为（0.677,0.903）和（0.557,0.925）,且随着孢子识别数量的增加,相关性更为显着;5-7天前的稻瘟病孢子识别数量拟合度优于当前稻瘟病孢子识别数量,可作为稻瘟病病害发生的预警指标;2)稻田螟虫亩活虫量与当前白穗识别数量、10-12天前白穗识别数量均呈线性正相关关系。2018年度和2019年度,调查区内螟虫亩活虫量与当前白穗识别数量、10-12天前白穗识别数量相关性决定系数R2区间分别为（0.936,0.999）和（0.961,0.999）,相关性显着;10-12天前白穗识别数量的拟合度最好,故可将10-12天前的无人机识别稻田白穗数量作为预警稻田螟虫危害发生的最佳参数指标。
李文学[6]（2019）在《贺兰山东麓酿酒葡萄霜霉病流行预测方法研究》文中研究说明由葡萄生单（?）霉Plasmopara viticola引起的葡萄霜霉病是葡萄叶部重要的病害,也是贺兰山东麓酿酒葡萄种植区发生普遍且最为严重的病害,严重制约着贺兰山东麓酿酒葡萄的优质和高产。尽管国内外学者、专家对贺兰山东麓葡萄霜霉病的病原学、发生与防治做了大量研究,但对贺兰山东麓酿酒葡萄霜霉病的监测预测方法仍缺乏系统研究。为此,本研究利用孢子捕捉、实时荧光定量PCR（real-time PCR）和地理信息系统（GIS）,从时间、空间两个层面开展酿酒葡萄霜霉病监测预测技术研究,以期为贺兰山东麓酿酒葡萄霜霉病的早期预警和防控提供科学的理论依据。研究结果如下:（1）2016-2018年葡萄生长期,对贺兰山东麓酿酒葡萄种植区3个典型葡萄园的酿酒葡萄霜霉病田间自然发病情况进行了系统调查。利用Linear,Quadratic,Growth,Cubic,S,Exponential及Logistic等11种数学模型模拟了贺兰山东麓酿酒葡萄霜霉病季节流行时间动态曲线,明确Logistic增长模型能够较好反映贺兰山东麓酿酒葡萄种植区葡萄霜霉病流行时间动态情况,准确率高（R2≥0.946）。推导了贺兰山东麓酿酒葡萄种植区葡萄霜霉病指数增长期为7月22日至8月8日,最高病情指数为0.98;逻辑斯蒂增长期为8月9日至10月10日,最高病情指数为47.69;衰退期为10月11日至葡萄生育期末,但年季节流行的最高病情指数小于60。指数增长期表观侵染速率最高（r=0.1266）,为药剂防治的最佳时期。不同酿酒葡萄品种间葡萄霜霉病的发生程度有差异,但都符合Logistic增长模型。初步明确了贺兰山东麓酿酒葡萄霜霉病的发生流行动态模型,为贺兰山东麓酿酒葡萄霜霉病的早期预警提供理论依据。（2）研究贺兰山东麓酿酒葡萄霜霉病菌孢子囊的田间扩散规律,揭示葡萄霜霉病田间流行机制,为该病害的预测预报和防控提供理论依据。于2016-2018年在贺兰山东麓酿酒葡萄园,采用定量风流孢子捕捉仪捕获田间葡萄霜霉病菌孢子囊的方法,监测孢子囊田间扩散动态,并结合田间病情指数和气象因子探讨孢子囊的扩散规律,评估贺兰山东麓酿酒葡萄霜霉病的流行程度和主要气候影响因子。研究结果表明,葡萄霜霉病菌孢子囊全天有两个扩散高峰,分别为10:00和24:00;孢子囊扩散在垂直方向上主要分布在近地面冠层,在水平方向上受葡萄叶幕阻隔影响形成多个孢子囊捕获中心;孢子囊扩散季节动态曲线呈倒“U”型。田间病情、温度、湿度和叶面湿润时间与田间孢子囊扩散相关,是影响酿酒葡萄霜霉病菌孢子囊扩散的重要因素;田间孢子囊扩散数量与田间病情、前7 d平均相对湿度和前7 d平均叶面湿润时数呈极显着相关,相关系数为-0.374、-0.394、-0.473,与当日平均温度和当日叶面湿润时数呈显着相关,相关系数为-0.290、-0.305。定量风流捕孢法可用于贺兰山东麓酿酒葡萄霜霉病菌孢子囊的田间扩散规律研究,通过测定葡萄霜霉病菌孢子囊扩散数量,并结合气象数据分析,可以预测葡萄霜霉病田间发生情况,为早期预警和有效防控提供新思路。（3）构建葡萄霜霉病菌（P.viticola）的实时荧光定量PCR检测体系,为葡萄霜霉病的早期诊断和预测预报提供依据。依据GenB ank中葡萄霜霉病菌cox2基因序列设计1对特异性引物（F-cox-Pv/R-Pv）,建立并优化常规PCR和real-time PCR反应体系,利用包括葡萄霜霉病菌在内的多种葡萄及其他作物病原菌和拮抗菌的菌丝DNA进行常规PCR和real-time PCR特异性检测,并对灵敏度和可重复性进行评价,并运用已构建的real-time PCR体系对人工接种葡萄霜霉病菌的潜育期叶片内病原菌DNA进行定量检测,利用SPSS 19.0软件分析接种时间与叶片内葡萄霜霉病菌潜伏侵染量的关系。研究结果表明,设计的引物特异性高,常规PCR仅对葡萄霜霉病菌DNA有扩增条带,为139bp;real-time PCR检测结果表明该对引物对葡萄霜霉病菌有唯一的产物吸收峰,对其他供试菌株均未检测到产物吸收峰。常规PCR检测的灵敏度为10 pg·μL-1,real-time PCR的灵敏度可达到0.1 pg μL-1,是常规PCR检测灵敏度的100倍。以携带目的基因片段的重组质粒为标准品,构建real-time PCR循环阈值（Ct,x）与模板浓度（y）的线性关系,标准曲线为y=42.27-3.36x,相关系数R2=0.997,扩增效率为98.50%,线性范围达7个数量级,在2.4×103～2.4×109 copies/μL呈现良好的线性关系。对人工接种葡萄霜霉病菌的潜育期叶片内病原菌DNA进行real-time PCR检测,结果表明叶片内病原菌潜伏侵染量（y0随接种时间x）的变化呈指数关系增长,y=6.34×104·e0.084x,相关系数R2=0.936。该real-time PCR检测体系在接种6h后就可以检测到葡萄霜霉病菌DNA,检测量为5.68×104 copies/μL病原菌DNA。构建的葡萄霜霉病菌real-time PCR检测体系的灵敏度远高于常规PCR,且特异性强、重复性好,其Ct值与模板浓度呈较好的线性关系,扩增效率高,可用于定量检测葡萄霜霉病菌的潜伏侵染量,为葡萄霜霉病的早期诊断和预测预报提供依据。（4）运用地理信息系统和地统计学分析方法对2017年贺兰山东麓酿酒葡萄种植区3个尺度不同时期的葡萄霜霉病发生程度进行了空间结构分析,并基于不同模型的普通Kriging插值法模拟了3个尺度不同时期的葡萄霜霉病发生程度的空间分布。结果表明:3个尺度下,葡萄霜霉病在不同发生时期（始发期、盛发初期和盛发中期）均显示出明显不同的空间结构,其半变异函数主要为指数型和高斯型;3个尺度的葡萄霜霉病田间发生量空间格局不同,在小尺度和中尺度下,在176.8～328.9 m的范围呈较好的空间自相关,为聚集分布;大尺度的空间高变异受随机因素影响较大,空间自相关较弱;空间分布模拟较好地从时间、空间两个角度直观地展示了酿酒葡萄霜霉病田间发生程度的动态变化,呈现了贺兰山东麓酿酒葡萄霜霉病的发生程度和发生范围。利用GIS技术研究不同尺度下不同发生时期葡萄霜霉病的发生蔓延规律,能够较好地在较大区域为葡萄霜霉病的防控提供依据。（5）以贺兰山东麓酿酒葡萄种植区为研究区域,运用GIS技术,结合构建的葡萄霜霉病盛发期的预测预报模型:y=-34.40+1.82x0+0.64x1+2.37x2（y:田间病情指数;x0:前15日前葡萄霜霉病病情指数;x1:前15d的平均田间湿润时间;x2:前15d的平均温差）,利用地理信息软件平台ArcGIS 10.2对贺兰山东麓酿酒葡萄霜霉病盛发期的发生量进行了预测和实测模拟,结果表明:基于GIS的贺兰山东麓酿酒葡萄霜霉病预测预报技术,预测结果直观,预测和实测结果基本一致,随机抽样检验准确率为76.60%。基于GIS的贺兰山东麓酿酒葡萄霜霉病预测预报技术能够较好地反映贺兰山东麓酿酒葡萄种植区50.14万hm2的葡萄霜霉病不同发生程度和高效统计不同发生程度面积及其比例。
段迎[7]（2019）在《小麦白粉病害及气象信息监测管理系统的关键技术研究》文中指出小麦白粉病害一直是影响我国小麦产量的主要因素,小麦感染白粉病后病害会发生大面积的扩散,不易控制,常常会造成小麦产量大大降低甚至绝产,而气象信息与小麦白粉病害的发生密切相关。本文针对当前农业信息化监测管理方面存在的不足,结合物联网技术、图像检测技术及WEB开发技术,对小麦白粉病害及气象信息监测管理系统的关键技术进行了研究,主要研究内容包括以下几个方面:1.小麦白粉病害及气象信息监测管理系统总体设计。本文结合物联网技术原理和用户的实际需求对小麦白粉病害及气象信息监测管理系统进行了总体设计。2.设计实现了一种小麦白粉病孢子图像检测算法。本文设计了基于改进YOLOv3的小麦白粉病孢子图像检测算法,针对小数据集的特点在原网络基础上进行了改进,设计了一种减少参数量且带有密集连接的网络结构,避免了过拟合的发生并提高了特征的复用;针对小麦白粉病孢子小目标的特点,对原有的预测尺度进行了改进,使其更适合本文的小目标检测任务。经实验结果分析,本文算法检测的查准率为79.63%,查全率为83.21%。3.设计实现了用于数据获取和信息管理的信息管理子系统。数据获取模块是在不同硬件平台上分别进行了系统通信传输软件的设计,使用网络通信将采集到的小麦白粉病孢子图像数据和气象数据由采集客户端发送到接收服务端并进行存储。之后在Node.js平台下完成了B/S架构的信息管理软件开发。用户可以随时随地通过浏览器对系统软件进行访问,并进行气象信息及小麦白粉病孢子图像信息的查看查询、图像的检测以及对设备的远程控制等操作。4.对系统进行功能和性能测试。首先对系统各部分的关键功能点进行测试,然后使用系统性能分析工具来模拟虚拟用户,对系统进行了性能分析。
雷雨[8]（2019）在《小麦条锈病的高光谱检测与空气中夏孢子监测方法研究》文中研究表明小麦条锈病一直是威胁我国西北、西南、华北和淮北等冬麦区和西北春麦区的重要病害,是我国重要的农作物病害防控对象,农业农村部每年均投入大量的人力和物力用于病情调查和监测,但由于缺乏有效地对病害进行早期监测和预报的技术,造成条锈病易流行和暴发,给小麦生产带来了极大的损失。小麦条锈病是一种气传性真菌病害,真菌夏孢子菌源数通过气流传播是影响小麦条锈病发生和流行的主要原因,传统的小麦条锈病病情调查和条锈病菌夏孢子监测方法具有工作量大、效率低,且随工作时间准确性降低等缺点,导致难以把握大尺度农田病情和真菌孢子的实时和动态变化情况。为了快速、准确地对小麦条锈病病害程度进行分级评估以及实现田间空气中小麦条锈病夏孢子数量的远程实时监测,本文重点研究小麦条锈病病害程度分级方法、真菌夏孢子显微图像的分割和计数方法以及空气中的夏孢子捕捉和显微图像远程实时采集装置和软件系统方法,为最终实现基于物联网的广域范围内空气中小麦条锈病菌夏孢子数量的远程实时预测预报奠定基础。论文主要研究内容和结论如下:（1）为了快速、准确地对小麦条锈病病害程度进行分级评估,提出了一种基于高光谱成像的小麦条锈病病害程度分级方法。首先利用HyperSIS高光谱成像系统采集受条锈菌侵染后不同发病程度的小麦叶片高光谱图像,通过分析叶片区域与背景的光谱特征,对555 nm波长的特征图像进行阈值分割获得掩膜图像,并用掩膜图像对高光谱图像进行掩膜处理,提取仅含叶片的高光谱图像;然后用主成分分析法得到利于条锈病斑和健康区域分割的第2主成分PC2图像,采用最大类间方差法分割出条锈病斑区域;最后根据条锈病斑区域面积占叶片面积的比例对小麦条锈病病害程度进行分级。试验结果表明:测试的270个不同小麦条锈病病害等级的叶片样本中,265个样本可被正确分级,分级正确率为98.15%,为田间小麦条锈病病害程度评估提供了基础,也为小麦条锈病抗性鉴定方法提供了新思路。（2）为解决分水岭算法对粘连夏孢子经距离变换后常存在多个局部极小值而产生的过分割问题,研究并提出了一种基于改进分水岭的夏孢子分割计数算法。该算法首先用K-means聚类分割及形态学处理方法将夏孢子目标区域从背景中分割出来,接着对夏孢子二值图像进行距离变换,对距离变换后的夏孢子灰度图像提取局部最小值,并将局部最小值作为梯度图像的局部最小值,然后利用分水岭算法分割粘连夏孢子,对3857个夏孢子进行分割和计数试验,正确率达到了92.6%,比传统的基于距离变换的分水岭算法提高了13.0%,得到了较好的分割计数结果,很好地解决了夏孢子的过分割问题,可实现夏孢子的高效和准确计数。（3）针对多孢子粘连分割计数困难的问题,提出了一种基于凹度和轮廓段融合的夏孢子分割计数算法。该算法首先通过形状因子和面积对图像中目标区域进行粘连判定,判定为单个孢子的区域直接拟合并计数,对判定为粘连孢子的边缘轮廓,基于凹度提取出轮廓上的凹点,并通过凹点将边缘轮廓分割成多个轮廓段,用距离测量和偏移误差方法对粘连孢子轮廓段进行融合来以判别同一孢子的轮廓段,最后对同一孢子的轮廓段采用最小二乘椭圆拟合算法进行椭圆拟合,并统计椭圆的个数。对120幅夏孢子图像进行计数试验,并与改进分水岭分割计数算法进行对比,结果表明,该文算法最低计数准确率为92.7%,最高计数准确率为100%,平均计数准确率为98.6%,比改进分水岭分割计数算法高6.0个百分点,表明该文算法有效地提高了小麦条锈病夏孢子计数精度,可为田间在线式小麦条锈病夏孢子监测装备的开发提供技术支持。（4）为实现空气中夏孢子捕捉和显微图像的远程自动采集,提出了一种高放大倍数、高分辨率的小麦条锈病菌夏孢子显微图像远程采集系统的设计方案,并设计了系统软硬件。针对现有孢子捕捉设备需人工定时换取载玻片、不能自动采集等问题,基于ARK-1123C型嵌入式工控机和显微镜数字摄像头,设计实现了自动取载玻片、涂脂、空中孢子捕捉、孢子显微图像采集、载玻片回收等一系列功能,且可根据用户需求远程设置孢子捕捉和显微图像采集参数,采集的图像通过无线网络传输到远程服务器中。为了验证系统的性能,在小麦田间进行了40 d的系统综合试验测试。测试结果表明,系统可长时间稳定工作,能够远程实时采集放大400倍的4096像素×3288像素的夏孢子显微图像。该系统能够实时采集和远程传输小麦条锈病菌夏孢子显微图像,可满足野外小麦田间空气中夏孢子监测的需求,为农田空气中小麦条锈病菌夏孢子的自动计数及条锈病的监测提供重要技术支持。（5）开发了小麦条锈病菌夏孢子图像分割与计数软件。为了实现对小麦条锈病菌夏孢子的自动计数,基于MATLAB GUIDE平台和LCC编译器开发了基于图像处理的夏孢子自动计数软件。该软件独立于MATLAB环境,可在没有MATLAB软件的计算机上对夏孢子进行自动计数。利用该软件,可以实现夏孢子的K-means聚类分割和形态学预处理,对复杂的粘连孢子可以通过基于改进分水岭分割计数算法和基于凹度和轮廓段融合的分割计数算法,实现对粘连孢子的自动分割和计数。通过使用夏孢子自动计数软件对夏孢子计数测试,平均计数精度均达95%以上,可实现对显微图像中夏孢子的快速、准确地计数,为用于田间在线式小麦条锈病夏孢子监测系统提供了方便和准确的工具。
王长海[9]（2019）在《小叶杨与欧洲黑杨杂交子代苗期性状变异分析》文中指出目前我国可用于杨树造林的土地多是干旱、寒冷和盐碱等困难用地,选育速生、优质、抗旱、抗寒等杨树新品种,是满足我国杨树人工林发展节本增效需求的重要途径。本研究选用内蒙古通辽林科院小叶杨（Populus simonii Carr.）基因库内3个优良无性系（‘1-XY’、‘XY-5’、‘ZL3’）为母本,意大利杨树研究所亲本选择育种所得6个欧洲黑杨（Populus nigra L.）优良无性系（‘N188’、‘N020’、‘N139’、‘N151’、‘N429’、‘N430’）为父本,通过人工控制授粉杂交获得F1代,存活8个杂交组合共计1910株子代,对二年生苗木地径性状,以及扦插扩繁后的一年生苗木叶片数量性状（叶面积、叶周长、叶长、叶宽和叶柄长）进行测定,统计性状的变异系数、遗传力、遗传增益、配合力等参数,分析8个杂交组合子代性状的遗传变异情况。对杂交子代叶部病害发生情况进行田间调查,统计8个杂交组合子代的发病率和病情指数,比较8个杂交组合间子代病害发生情况的差异。同时,利用Leaf Analyser软件构建了8个杂交组合子代叶片标志点轮廓模型,并对杂交子代叶形态变异进行主成分分析,探究影响叶形态变异的叶片数量性状及形态表现。通过Morpho J软件基于叠印法构建了叶片的形态特征模型,分析了影响叶形态变异的主要形态特征,确定了不同形态特征在叶形态变异中的占比。主要研究结果如下:（1）地径性状的遗传变异:8个杂交组合子代二年生地径性状平均值的变化范围为2.71cm～3.60cm,子代地径均值较大的杂交组合为‘1-XY×N188’、‘ZL-3×N188’、‘ZL-3×N429’,特殊配合力最大的杂交组合是‘1-XY×N188’。杂交子代地径性状变异系数的范围是42.85%～52.38%,8个杂交组合子代的地径性状均存在很大幅度的变异。8个杂交组合子代地径性状的广义遗传力为0.81,受遗传因素影响大,可以为苗期选择的依据。杂交组合的遗传增益均在50%以上,均有较好的性状表现。（2）叶片性状的遗传变异:杂交组合‘ZL-3×N430’子代的叶面积、叶周长、叶长、叶宽、叶柄长均值最大。子代最大叶片出现在杂交组合‘ZL-3×N188’中。叶面积、叶周长、叶长、叶宽、叶柄长的变异系数范围为25.47%～39.29%、13.93%～21.72%、11.34%～18.56%、13.62%～20.95%、15.09%～26.83%,变异幅度均较大。杂交子代叶片性状在杂交组合间差异均达到极显着。杂交子代的叶片性状均值接近父本。杂交子代叶面积、周长、叶长、叶宽、叶柄长的广义遗传力分别为0.88、0.91、0.89、0.86、0.97,主要受遗传因素的控制。（3）叶部病害发生情况:杂交子代叶部病害当年只有黑斑病[Marssonina.Brunnea（Ell.et Ev.）Sacc.]出现大面积发病,症状明显,8个杂交组合发病率均在50%以上。8个杂交组合子代的黑斑病发病率存在明显差异,子代发病率较高的杂交组合为‘XY-5×N188’、‘ZL-3×N430’、‘1-XY×N139’,较低的杂交组合有‘1-XY×N151’、‘1-XY×N188’、‘ZL-3×N429’。杂交组合‘XY-5×N188’的子代黑斑病发病率为85.72%,病情指数达到54.37%,发病最为严重。而杂交组合‘1-XY×N151’、‘1-XY×N188’和‘ZL-3×N429’的子代发病率为53.11%、53.21%和55.37%,病情指数为28.82%、28.33%和30.76%,发病较轻。（4）叶形态变异分析:基于Leaf Analyser软件的叶形变异主成分分析结果表明,叶面积是影响8个杂交组合子代叶形态变异的第一主成分,贡献率均在60%以上。杂交子代叶形态变异的第一主成分图像显示,叶面积越大的子代,其叶片形态特征与父本欧洲黑杨的相似度较高,而叶面积越小的子代,其叶片形态特征与母本小叶杨的相似度较高。影响叶形变异的主要因素还有叶长宽比、叶尖和叶基的形态、叶片对称性等性状。基于Morpho J软件对杂交子代叶片形态变异分析结果表明,8个杂交组合的子代叶形态变异主要来源为叶片阔圆形、叶片三角形、叶片菱形、叶片倒卵形等形态特征,占叶形态变异的70%以上。
李晓林[10]（2018）在《设施蔬菜自动化白粉病菌孢子检测系统研究》文中研究说明植物真菌病害预防的关键是实时监测空气中病菌孢子的数量,以此为依据做出对植物发病的预警。常规的孢子检测是通过单一的孢子捕捉装置捕捉空气中的孢子,将样本取回实验室在显微镜下通过肉眼进行识别与计数,目前对于植物真菌病害检测技术还处于初步研发阶段,还没有高效准确、高集成度的病菌孢子检测系统。本课题为了实现对白粉病菌孢子高效准确的检测,基于传统的白粉病菌孢子捕捉与计数方法,设计了可以实现对空气中的白粉病菌孢子进行捕捉、通过显微镜数码成像对白粉病菌孢子进行拍照并通过上位机对白粉病菌孢子的图像进行处理,最终得出样本孢子的数量,从而对植物病害发病趋势预测做出有力的数据支撑。本论文研究内容主要包括如下几方面:1.要实现对白粉病菌孢子的检测,系统的机械结构是整个系统的重要组成部分。经过分析研究和多次实际测试,设计出样本载玻片自动更换系统、孢子捕捉装置和显微镜调焦拍照装置,完成对空气中病菌孢子的采集和拍照,为后续的图像处理和孢子计数工作打下基础。2.根据系统功能需求设计了系统的硬件电路,主要针对步进电机驱动控制模块、风扇驱动和光源驱动模块的设计,其核心为通过Arduino串口发送定义好的指令,完成对系统的控制。3.根据系统功能需求设计了图像处理的算法和孢子计数的软件界面,包括灰度化、边缘检测、闭运算、开运算和特征判别等,软件界面通过点击按钮完成白粉病菌孢子显微图像的预览和计数,其核心为用Python3+PyQt5+OpenCV3来完成对图像中白粉病菌孢子的计数,并对计数结果进行检测得准确率为87.4%。通过实际的测试表明,本系统可以完成对空气中白粉病菌孢子的捕捉和计数,并以此为依据完成对病情的预测,在发病或发病初提前采取措施,降低病情危害。
二、杨树病害孢子的图像识别技术研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、杨树病害孢子的图像识别技术研究（论文提纲范文）
（1）基于无透镜数字全息技术的条锈病夏孢子检测系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 气传病害孢子获取国内外研究现状 |
| 1.2.2 数字全息显微成像技术的研究现状 |
| 1.3 存在问题 |
| 1.4 主要研究内容 |
| 1.5 研究方法与技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 1.6 论文组织结构 |
| 第二章 无透镜全息条锈病孢子图像采集系统设计 |
| 2.1 引言 |
| 2.2 系统总体设计 |
| 2.2.1 系统需求分析 |
| 2.2.2 系统总体设计方案 |
| 2.3 影响成像质量的因素试验优选 |
| 2.3.1 孔径对成像效果的影响 |
| 2.3.2 LED波长对成像效果的影响 |
| 2.3.3 LED与待测物体距离对成像效果的影响 |
| 2.3.4 选取的最佳方案 |
| 2.4 主要模块设计 |
| 2.4.1 光源模块设计 |
| 2.4.2 图像采集模块设计 |
| 2.4.3 处理器模块设计 |
| 2.5 系统硬件安装 |
| 2.6 本章小结 |
| 第三章 全息图像重建方法与实现 |
| 3.1 图像重建流程 |
| 3.2 全息图预处理方法 |
| 3.2.1 图像灰度化处理 |
| 3.2.2 图像平滑 |
| 3.3 全息图重建方法 |
| 3.3.1 重建的原理 |
| 3.3.2 菲涅尔积分变换重建算法 |
| 3.3.3 菲涅尔卷积重建算法 |
| 3.3.4 角谱重建算法 |
| 3.3.5 重建效果试验与结果分析 |
| 3.4 本章小结 |
| 第四章 再现图像分割与计数软件设计 |
| 4.1 再现图像分割 |
| 4.1.1 边缘检测 |
| 4.1.2 阈值处理 |
| 4.1.3 形态学处理 |
| 4.1.4 孢子识别 |
| 4.2 条锈病孢子计数方法 |
| 4.2.1 平均面积法 |
| 4.2.2 基于Harris角点检测法的孢子计数 |
| 4.2.3 试验结果与分析 |
| 4.3 软件系统总体设计 |
| 4.3.1 软件功能设计及系统框图 |
| 4.3.2 系统运行及开发环境 |
| 4.3.3 软件结构与功能实现 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（2）基于深度学习的真菌孢子检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.3 研究工作 |
| 1.3.1 数据集的建立 |
| 1.3.2 特征提取网络结构的设计 |
| 1.3.3 损失函数的设计 |
| 1.3.4 目标检测算法 |
| 1.4 论文的组织结构 |
| 第二章 图像获取及数据集建立 |
| 2.1 真菌孢子洗脱 |
| 2.2 获取图像 |
| 2.3 图像标记 |
| 2.4 建立数据集 |
| 2.5 数据集扩充 |
| 2.6 本章小结 |
| 第三章 基于卷积神经网络的特征提取结构 |
| 3.1 卷积神经网络 |
| 3.1.1 原理 |
| 3.1.2 卷积运算 |
| 3.1.3 池化 |
| 3.1.4 激活函数 |
| 3.2 卷积神经网络模型 |
| 3.2.1 VGG |
| 3.2.2 ResNet |
| 3.2.3 Inception模块 |
| 3.3 多尺度特征融合 |
| 3.3.1 MS-CNN |
| 3.3.2 SSD |
| 3.3.3 FPN |
| 3.3.4 HyperNet |
| 3.4 本章小结 |
| 第四章 损失函数 |
| 4.1 损失函数原理 |
| 4.1.1 最大似然 |
| 4.1.2 输出单元 |
| 4.1.3 损失函数 |
| 4.2 Faster R-CNN损失函数 |
| 4.3 本章小结 |
| 第五章 真菌孢子显微图像检测算法 |
| 5.1 目标检测算法 |
| 5.1.1 Faster R-CNN |
| 5.1.2 RetinaNet |
| 5.1.3 实验 |
| 5.2 针对真菌孢子检测的改进 |
| 5.2.1 多层特征融合的卷积神经网络结构 |
| 5.2.2 聚集孢子损失函数 |
| 5.2.3 Anchor |
| 5.2.4 区域建议采样策略 |
| 5.2.5 ROIAlign |
| 5.3 实验与分析 |
| 5.3.1 实验 |
| 5.3.2 结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（3）基于图像处理的细胞计数系统研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 存在问题 |
| 1.3 论文研究内容和章节安排 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文章节安排 |
| 第二章 基于图像处理的细胞计数系统构建 |
| 2.1 功能需求分析 |
| 2.2 细胞计数系统的整体方案设计 |
| 2.3 细胞计数系统的硬件结构设计 |
| 2.3.1 照明系统 |
| 2.3.2 CMOS工业相机和显微镜头 |
| 2.3.3 细胞显微图像的采集 |
| 2.4 细胞计数系统的软件结构设计 |
| 2.5 本章小结 |
| 第三章 细胞计数系统的图像分割方法设计 |
| 3.1 图像预处理 |
| 3.1.1 细胞图像灰度化 |
| 3.1.2 细胞图像滤波 |
| 3.2 细胞图像分割 |
| 3.2.1 图像阈值分割算法 |
| 3.2.2 基于积分图的自适应阈值分割算法 |
| 3.2.3 Sobel边缘检测 |
| 3.2.4 小结 |
| 3.3 形态学处理 |
| 3.3.1 数学形态学运算简介 |
| 3.3.2 形态学处理优化图像 |
| 3.4 粘连细胞的分离 |
| 3.5 本章小结 |
| 第四章 细胞的特征提取与计数 |
| 4.1 细胞的特征提取 |
| 4.1.1 形状特征统计 |
| 4.1.2 特征提取 |
| 4.2 细胞计数 |
| 4.3 细胞计数方法比较 |
| 4.4 本章小结 |
| 第五章 细胞计数系统的软件设计与测试 |
| 5.1 软件设计 |
| 5.1.1 软件设计目标 |
| 5.1.2 软件总体设计 |
| 5.2 软件的使用与测试 |
| 5.2.1 细胞计数系统软件 |
| 5.2.2 图像预处理结果 |
| 5.2.3 细胞图像分割结果 |
| 5.2.4 形态学处理结果 |
| 5.2.5 粘连细胞分离结果 |
| 5.3 细胞计数系统测试 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（4）智能虫情测报系统的研究与实现（论文提纲范文）
| 中文摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能虫情测报系统的研究现状 |
| 1.2.2 深度学习在农业害虫图像识别的研究现状 |
| 1.2.3 智能手机端在害虫识别的研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 1.5 论文结构 |
| 2 关键技术 |
| 2.1 智能虫情测报灯 |
| 2.1.1 概述 |
| 2.1.2 工作原理 |
| 2.1.3 系统的组成及特点 |
| 2.2 MVC框架 |
| 2.3 SQL Server数据库 |
| 2.4 卷积神经网络 |
| 2.5 深度学习框架 |
| 2.6 本章小结 |
| 3 系统需求分析 |
| 3.1 系统建设目标 |
| 3.2 可行性分析 |
| 3.3 功能需求分析 |
| 3.4 本章小结 |
| 4 系统设计 |
| 4.1 系统设计原则 |
| 4.2 总体设计 |
| 4.3 详细设计 |
| 4.4 数据库设计 |
| 4.5 害虫图像识别模型的设计 |
| 4.6 本章小结 |
| 5 系统实现 |
| 5.1 数据采集与预处理 |
| 5.2 基于CNN的害虫图像识别模型 |
| 5.2.1 基于CNN的害虫图像识别模型的实现 |
| 5.2.2 实验结果与分析 |
| 5.3 系统功能模块 |
| 5.3.1 注册与登录 |
| 5.3.2 系统总览 |
| 5.3.3 测报数据采集 |
| 5.3.4 害虫识别 |
| 5.3.5 人工录入 |
| 5.3.6 系统后台功能 |
| 5.4 本章小结 |
| 6 系统测试 |
| 6.1 测试环境 |
| 6.2 功能测试 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所获成果情况 |
（5）基于图像处理的稻瘟病孢子和白穗表征识别研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 引言 |
| 1.1 背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于图像处理的农作物病虫害识别研究 |
| 1.2.2 农作物病菌孢子识别研究现状 |
| 1.2.3 白穗识别研究现状 |
| 1.3 主要研究内容和技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究方案和技术路线 |
| 2 试验方案、数据获取及处理 |
| 2.1 试验区概况与试验设计 |
| 2.2 采样试验设计 |
| 2.2.1 稻瘟病孢子样本采集试验设计 |
| 2.2.2 稻田白穗样本采集试验设计 |
| 2.3 试验数据获取 |
| 2.3.1 稻瘟病孢子图像数据获取 |
| 2.3.2 稻田白穗图像数据获取 |
| 2.4 本章小结 |
| 3 基于HOG特征的IKSVM稻瘟病孢子识别研究 |
| 3.1 病菌孢子特征分析 |
| 3.2 HOG特征检测算法原理 |
| 3.2.1 标准化Gamma空间和颜色空间 |
| 3.2.2 图像像素梯度计算 |
| 3.2.3 Cell单元格分割与梯度方向直方图构建 |
| 3.2.4 块内归一化梯度直方图 |
| 3.3 构建SVM支持向量机 |
| 3.3.1 线性可分支持向量机 |
| 3.3.2 非线性支持向量机和核函数 |
| 3.3.3 松弛变量 |
| 3.3.4 加性交叉核支持向量机 |
| 3.4 稻瘟病孢子识别试验与结果分析 |
| 3.4.1 试验环境和样本库的建立 |
| 3.4.2 试验过程 |
| 3.4.3 试验结果及对比分析 |
| 3.5 本章小结 |
| 4 基于小型多旋翼无人机图像的稻田白穂识别 |
| 4.1 稻田白穗特征分析 |
| 4.2 Haar-like特征提取 |
| 4.2.1 Haar-like特征简述 |
| 4.2.2 白穗Haar-like特征提取 |
| 4.3 积分图计算和Adaboost分类学习 |
| 4.3.1 积分图计算 |
| 4.3.2 Adaboost分类学习 |
| 4.4 白穗识别试验 |
| 4.4.1 白穗识别算法结构 |
| 4.4.2 识别试验环境与样本选取 |
| 4.4.3 Haar-Like特征模板性能分析试验 |
| 4.4.4 AdaBoost算法性能优化试验 |
| 4.4.5 水稻白穂在线识别试验 |
| 4.4.6 轮廓波对比试验 |
| 4.5 本章小结 |
| 5 水稻病虫害预警指标性能验证试验与分析 |
| 5.1 试验条件 |
| 5.2 试验数据获取 |
| 5.2.1 田间孢子数据采集 |
| 5.2.2 稻田冠层影像数据采集 |
| 5.3 试验数据识别处理 |
| 5.3.1 稻瘟病孢子数据识别处理 |
| 5.3.2 稻田白穗表征数据识别处理 |
| 5.4 病虫害危害指数人工调查 |
| 5.4.1 稻瘟病田间调查 |
| 5.4.2 稻田螟虫虫害调查 |
| 5.5 试验数据分析 |
| 5.5.1 稻瘟病病情与病原孢子累积量关系分析 |
| 5.5.2 螟虫虫害与稻田白穗数量关系分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 主要工作与结论 |
| 6.2 研究创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要成果 |
| 1.发表论文 |
| 2.专利 |
| 3.参与课题研究 |
（6）贺兰山东麓酿酒葡萄霜霉病流行预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 文献综述 |
| 1.1 葡萄霜霉病的分布和危害 |
| 1.2 葡萄霜霉病的症状和病原 |
| 1.3 葡萄霜霉病的侵染循环 |
| 1.3.1 初次侵染 |
| 1.3.2 再次侵染 |
| 1.3.3 越冬 |
| 1.3.4 传播 |
| 1.4 葡萄霜霉病的发生和流行规律 |
| 1.4.1 病原菌的致病性 |
| 1.4.2 品种抗性 |
| 1.4.3 气象条件 |
| 1.4.4 栽培条件 |
| 1.5 葡萄霜霉病防治 |
| 1.5.1 抗病品种的选育和利用 |
| 1.5.2 农业防治 |
| 1.5.3 化学防治 |
| 1.5.4 生物防治 |
| 1.6 葡萄霜霉病的预测测报技术 |
| 1.6.1 预测模型的建立 |
| 1.6.2 定量风流式孢子捕捉 |
| 1.6.3 实时荧光定量PCR |
| 1.6.4 地理信息系统 |
| 1.7 贺兰山东麓葡萄霜霉病的研究进展 |
| 1.7.1 贺兰山东麓酿酒葡萄种植区概况 |
| 1.7.2 贺兰山东麓葡萄霜霉病的发生与防治 |
| 1.8 目的意义 |
| 1.9 技术路线 |
| 第二章 贺兰山东麓酿酒葡萄霜霉病季节流行时间动态模型的建立 |
| 2.1 试验区概况 |
| 2.2 方法 |
| 2.2.1 葡萄霜霉病的田间病情调查 |
| 2.2.2 葡萄霜霉病季节流行时间动态模型的建立 |
| 2.2.3 葡萄霜霉病季节流行时间动态模型的验证 |
| 2.3 结果与分析 |
| 2.3.1 贺兰山东麓酿酒葡萄霜霉病季节流行曲线 |
| 2.3.2 酿酒葡萄霜霉病季节流行时间动态模型的建立与检验 |
| 2.3.3 酿酒葡萄霜霉病流行时期的推导 |
| 2.4 讨论 |
| 第三章 贺兰山东麓酿酒葡萄霜霉病菌孢子囊扩散动态及其与田间病情的相关性分析 |
| 3.1 研究区概况与试验仪器 |
| 3.1.1 研究区概况 |
| 3.1.2 试验仪器 |
| 3.2 方法 |
| 3.2.1 葡萄霜霉病菌孢子囊的捕捉与计数 |
| 3.2.2 孢子囊的空间分布观察 |
| 3.2.3 孢子囊的全天扩散动态观察 |
| 3.2.4 孢子囊的季节扩散动态 |
| 3.2.5 葡萄霜霉病的调查方法和分级标准 |
| 3.2.6 葡萄霜霉病菌孢子囊季节扩散动态与田间病情的相关性 |
| 3.2.7 气象因子与葡萄霜霉病菌孢子囊季节扩散动态和田间病情的相关性 |
| 3.2.8 数据处理 |
| 3.3 结果与分析 |
| 3.3.1 葡萄霜霉病菌孢子囊的空间分布动态 |
| 3.3.2 葡萄霜霉病菌孢子囊全天扩散动态 |
| 3.3.3 葡萄霜霉病菌孢子囊季节扩散动态 |
| 3.3.4 葡萄霜霉病菌孢子囊季节扩散动态与田间病情的相关性 |
| 3.3.5 气象因子与葡萄霜霉病菌孢子囊季节扩散动态和田间病情的相关性 |
| 3.4 讨论 |
| 第四章 葡萄霜霉病菌实时荧光定量PCR检测体系的建立与潜育期病原菌含量的测定 |
| 4.1 材料 |
| 4.1.1 仪器和试剂 |
| 4.1.2 供试材料 |
| 4.2 方法 |
| 4.2.1 样品DNA的提取 |
| 4.2.2 引物的设计与合成及特异性检查 |
| 4.2.3 优化real-time PCR反应条件及灵敏性检测 |
| 4.2.4 重组质粒的制备 |
| 4.2.5 Real-time PCR标准曲线绘制及方法有效性检验 |
| 4.2.6 Real-time PCR定量检测接种后叶片中病原菌含量 |
| 4.2.7 数据处理 |
| 4.3 结果与分析 |
| 4.3.1 引物特异性验证 |
| 4.3.2 引物灵敏度检测 |
| 4.3.3 Real-time PCR反应退火温度的优化 |
| 4.3.4 Real-time PCR标准曲线的建立及方法有效性检验 |
| 4.3.5 潜育期叶片中病原菌的real-time PCR定量测定 |
| 4.4 讨论 |
| 第五章 基于ArcGIS的贺兰山东麓酿酒葡萄霜霉病田间空间格局与分布模拟 |
| 5.1 研究区概况 |
| 5.2 方法 |
| 5.2.1 采样区域的网格化及空间地理数据库的建立 |
| 5.2.2 酿酒葡萄霜霉病的空间格局地统计分析 |
| 5.2.3 半变异函数最优模型的构建 |
| 5.2.4 酿酒葡萄霜霉病空间分布的模拟 |
| 5.3 结果与分析 |
| 5.3.1 酿酒葡萄霜霉病发生量最优模型的构建 |
| 5.3.2 酿酒葡萄霜霉病发生量的空间结构分析 |
| 5.3.3 酿酒葡萄霜霉病田间发生的空间分布模拟 |
| 5.4 讨论 |
| 第六章 基于ArcGIS的贺兰山东麓酿酒葡萄霜霉病发生流行的预测预报技术初步研究 |
| 6.1 样点布设和数据采集 |
| 6.2 方法 |
| 6.2.1 葡萄霜霉病发生程度的划分 |
| 6.2.2 酿酒葡萄霜霉病盛发期GIS预测预报模型的建立 |
| 6.2.3 贺兰山东麓酿酒葡萄霜霉病盛发期发生程度的空间模拟 |
| 6.3 结果与分析 |
| 6.3.1 样点布设和数据库的建立 |
| 6.3.2 贺兰山东麓酿酒葡萄霜霉病盛发期预测预报模型的建立 |
| 6.3.3 基于GIS的贺兰山东麓酿酒葡萄霜霉病盛发期空间分布模拟 |
| 6.3.4 贺兰山东麓酿酒葡萄霜霉病预测值和实测值符合率检验 |
| 6.4 讨论 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（7）小麦白粉病害及气象信息监测管理系统的关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题背景 |
| 1.1.2 课题研究的意义 |
| 1.2 农业信息化国内外研究现状 |
| 1.2.1 国外农业信息化研究现状 |
| 1.2.2 国内农业信息化研究现状 |
| 1.3 国内外孢子及细胞图像检测研究现状 |
| 1.4 主要研究内容 |
| 1.5 论文章节结构 |
| 第2章 系统总体方案设计 |
| 2.1 系统设计原则 |
| 2.2 系统需求分析 |
| 2.2.1 小麦白粉病孢子图像检测算法需求分析 |
| 2.2.2 信息管理子系统需求分析 |
| 2.3 系统方案设计 |
| 2.3.1 系统结构设计 |
| 2.3.2 系统功能设计 |
| 2.4 本章小结 |
| 第3章 小麦白粉病孢子图像检测算法的设计与实现 |
| 3.1 YOLOv3 网络模型 |
| 3.1.1 特征提取网络 |
| 3.1.2 多尺度检测 |
| 3.1.3 边界框计算与分类 |
| 3.1.4 损失函数 |
| 3.2 针对小麦白粉病孢子图像的YOLOv3 算法改进 |
| 3.2.1 Densenet网络介绍 |
| 3.2.2 特征金字塔网络介绍 |
| 3.2.3 针对小数据集的YOLOv3 算法改进 |
| 3.2.4 针对小尺寸目标的YOLOv3 算法改进 |
| 3.3 小麦白粉病孢子图像检测方案的设计与实现 |
| 3.3.1 数据集的构建 |
| 3.3.2 先验框尺度聚类 |
| 3.3.3 参数设置 |
| 3.4 实验结果及对比分析 |
| 3.4.1 网络训练结果对比分析 |
| 3.4.2 模型检测效果对比分析 |
| 3.5 本章小结 |
| 第4章 信息管理子系统的设计与实现 |
| 4.1 数据获取模块的设计与实现 |
| 4.1.1 软件开发平台介绍 |
| 4.1.2 数据回传软件的设计实现 |
| 4.1.3 数据接收存储软件的设计实现 |
| 4.2 信息管理软件的设计与实现 |
| 4.2.1 软件开发环境搭建 |
| 4.2.2 信息管理软件总体设计 |
| 4.2.3 软件功能模块实现 |
| 4.3 本章小结 |
| 第5章 系统测试及结果分析 |
| 5.1 系统功能测试 |
| 5.1.1 数据获取功能测试 |
| 5.1.2 信息管理软件功能测试 |
| 5.2 系统性能测试 |
| 5.3 本章小结 |
| 结论 |
| 研究成果 |
| 创新点 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（8）小麦条锈病的高光谱检测与空气中夏孢子监测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 小麦条锈病研究概况 |
| 1.2.2 光谱技术在植物病害监测上的应用 |
| 1.2.3 气传真菌孢子监测研究概况 |
| 1.2.4 显微图像采集技术研究概况 |
| 1.3 存在问题 |
| 1.4 主要研究内容 |
| 1.5 研究方法与技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 1.6 论文组织结构 |
| 第2章 基于高光谱成像的小麦条锈病病害程度分级方法研究 |
| 2.1 引言 |
| 2.2 供试材料与高光谱图像采集 |
| 2.2.1 实验材料 |
| 2.2.2 高光谱成像系统 |
| 2.2.3 高光谱图像采集与校正 |
| 2.3 小麦条锈病病害程度分级方法 |
| 2.3.1 健康与条锈病斑区域光谱曲线分析 |
| 2.3.2 高光谱图像的掩模处理 |
| 2.3.3 病斑高光谱图像的主成分分析 |
| 2.3.4 基于Otsu方法的病斑面积分割 |
| 2.3.5 小麦条锈病病害程度分级 |
| 2.4 试验结果与分析 |
| 2.5 本章小结 |
| 第3章 小麦条锈病菌夏孢子显微图像分割和计数方法研究 |
| 3.1 引言 |
| 3.2 材料与供试显微图像 |
| 3.2.1 材料与设备 |
| 3.2.2 供试夏孢子图像 |
| 3.3 夏孢子图像预处理 |
| 3.3.1 图像的缩放处理 |
| 3.3.2 基于L*a*b*模型和K-means聚类的夏孢子目标分割 |
| 3.3.3 图像形态学处理 |
| 3.4 基于改进分水岭的夏孢子分割计数算法 |
| 3.4.1 分水岭算法原理 |
| 3.4.2 基于距离变换的分水岭夏孢子计数算法 |
| 3.4.3 改进分水岭夏孢子分割计数算法 |
| 3.4.4 试验结果与分析 |
| 3.5 基于凹度和轮廓段融合的夏孢子分割计数算法 |
| 3.5.1 基于形状因子和面积的粘连孢子判别 |
| 3.5.2 基于凹度的粘连孢子轮廓分割 |
| 3.5.3 粘连孢子轮廓段融合 |
| 3.5.4 试验结果与讨论 |
| 3.6 本章小结 |
| 第4章 小麦条锈病菌夏孢子显微图像远程采集系统硬件设计 |
| 4.1 引言 |
| 4.2 系统总体方案设计 |
| 4.2.1 系统需求分析及功能确定 |
| 4.2.2 系统总体方案及结构 |
| 4.2.3 核心器件选型 |
| 4.3 系统硬件设计 |
| 4.3.1 载玻片取片机构设计 |
| 4.3.2 载物台设计 |
| 4.3.3 涂脂机构设计 |
| 4.3.4 孢子捕捉风道机构设计 |
| 4.3.5 显微图像采集机构设计 |
| 4.3.6 太阳能供电模块设计 |
| 4.3.7 箱体设计 |
| 4.4 系统硬件试制与安装 |
| 4.5 本章小结 |
| 第5章 夏孢子显微图像远程采集系统软件设计及测试 |
| 5.1 引言 |
| 5.2 系统软件设计 |
| 5.2.1 系统工作流程 |
| 5.2.2 显微图像采集与传输 |
| 5.2.3 系统应用软件 |
| 5.3 田间试验设计与试验方法 |
| 5.3.1 试验环境及仪器部署 |
| 5.3.2 系统运行稳定性测试 |
| 5.3.3 系统采集显微图像质量测试 |
| 5.3.4 能量可用性测试 |
| 5.4 本章小结 |
| 第6章 小麦条锈病菌夏孢子图像分割与计数软件设计与试验 |
| 6.1 引言 |
| 6.2 供试材料与夏孢子显微图像采集 |
| 6.2.1 实验材料 |
| 6.2.2 显微图像远程采集系统 |
| 6.2.3 夏孢子显微图像采集方法 |
| 6.3 软件系统总体设计 |
| 6.3.2 软件功能设计及系统框图 |
| 6.3.3 系统运行及开发环境 |
| 6.4 软件系统关键技术 |
| 6.4.1 基于K-means聚类的夏孢子目标提取 |
| 6.4.2 形态学预处理 |
| 6.4.3 夏孢子图像分割计数算法 |
| 6.5 软件结构与功能实现 |
| 6.5.1 自动计数系统软件界面 |
| 6.5.2 图像载入和缩放处理 |
| 6.5.3 图像处理 |
| 6.5.4 数据输出 |
| 6.6 结果和讨论 |
| 6.6.1 结果 |
| 6.6.2 讨论 |
| 6.7 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（9）小叶杨与欧洲黑杨杂交子代苗期性状变异分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景 |
| 1.3 国内外研究现状 |
| 1.3.1 杨树育种现状 |
| 1.3.2 杨树表型性状选择研究进展 |
| 1.3.3 叶片性状的相关研究进展 |
| 1.3.4 图像法研究叶片性状的进展 |
| 1.3.5 杨树抗病育种研究进展 |
| 1.4 研究目标与主要研究内容 |
| 1.4.1 研究目标 |
| 1.4.2 主要研究内容 |
| 1.5 技术路线图 |
| 第二章 材料与方法 |
| 2.1 试验材料 |
| 2.2 试验地自然概况 |
| 2.2.1 中国林科院林业所通州试验基地 |
| 2.2.2 河北省唐山市中国林科院丰南基地 |
| 2.3 试验方法 |
| 2.3.1 生长性状测定 |
| 2.3.2 叶片采集 |
| 2.3.3 叶片性状测定 |
| 2.3.4 叶形标志点确定 |
| 2.3.5 叶部病害调查 |
| 2.4 数据处理 |
| 2.4.1 参数计算 |
| 2.4.2 利用LeafAnalyser软件的叶形态变异分析 |
| 2.4.3 利用Morphoj软件的叶形态变异分析 |
| 第三章 结果和分析 |
| 3.1 杂交子代苗期性状测定和分析 |
| 3.1.1 杂交子代苗木地径性状变异分析 |
| 3.1.2 扦插成活率统计分析 |
| 3.1.3 叶片数量性状遗传变异分析 |
| 3.1.4 黑斑病发生情况调查 |
| 3.1.5 小结 |
| 3.2 基于LeafAnlyser软件和MorphoJ软件的杂交子代叶形态变异分析 |
| 3.2.1 基于LeafAnalyser软件的叶形态变异分析 |
| 3.2.2 基于MorphoJ软件的叶形态变异分析 |
| 3.2.3 小结 |
| 第四章 结论和讨论 |
| 4.1 结论 |
| 4.2 讨论 |
| 4.3 展望 |
| 参考文献 |
| 在读期间的学术研究 |
| 致谢 |
（10）设施蔬菜自动化白粉病菌孢子检测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究的意义和目的 |
| 1.3 病菌孢子检测系统的研究现状 |
| 1.4 本文主要的研究内容 |
| 第二章 系统的整体设计 |
| 2.1 系统功能需求分析 |
| 2.2 系统总体方案设计 |
| 2.3 系统工作流程设计 |
| 2.4 本章小节 |
| 第三章 系统的结构设计 |
| 3.1 制作设备材料的选取和加工方式 |
| 3.2 载玻片隔离支架的设计 |
| 3.3 载玻片储藏箱的设计 |
| 3.4 病菌孢子捕捉箱的设计 |
| 3.5 显微镜成像和调焦系统的设计 |
| 3.6 自动更换载玻片系统的设计 |
| 3.7 设备支架的设计 |
| 3.8 本章小节 |
| 第四章 系统的控制方案设计 |
| 4.1 病菌孢子检测系统控制方案的结构原理 |
| 4.2 上位机 |
| 4.3 下位机的设计 |
| 4.4 控制流程的设计 |
| 4.5 控制系统的接线设计 |
| 4.6 控制系统的性能测试 |
| 4.7 本章小节 |
| 第五章 孢子图像的识别与计数 |
| 5.1 切割图像中心区域 |
| 5.2 图像灰度化 |
| 5.3 边缘检测 |
| 5.4 形态学处理 |
| 5.5 孢子特征识别与计数 |
| 5.6 病菌孢子计数界面的设计 |
| 5.7 结果与分析 |
| 5.8 本章小节 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
四、杨树病害孢子的图像识别技术研究（论文参考文献）
- [1]基于无透镜数字全息技术的条锈病夏孢子检测系统研究[D]. 焦阳. 西北农林科技大学, 2021(01)
- [2]基于深度学习的真菌孢子检测算法研究[D]. 张迎. 北京邮电大学, 2020(05)
- [3]基于图像处理的细胞计数系统研究与实现[D]. 苏凌霄. 福建工程学院, 2020(02)
- [4]智能虫情测报系统的研究与实现[D]. 曹朔. 山东农业大学, 2020(10)
- [5]基于图像处理的稻瘟病孢子和白穗表征识别研究[D]. 王震. 山东农业大学, 2019(03)
- [6]贺兰山东麓酿酒葡萄霜霉病流行预测方法研究[D]. 李文学. 宁夏大学, 2019
- [7]小麦白粉病害及气象信息监测管理系统的关键技术研究[D]. 段迎. 北京工业大学, 2019(03)
- [8]小麦条锈病的高光谱检测与空气中夏孢子监测方法研究[D]. 雷雨. 西北农林科技大学, 2019(08)
- [9]小叶杨与欧洲黑杨杂交子代苗期性状变异分析[D]. 王长海. 中国林业科学研究院, 2019(03)
- [10]设施蔬菜自动化白粉病菌孢子检测系统研究[D]. 李晓林. 宁夏大学, 2018(01)