文献类型：期刊文章

作　　者：王震[1,2] 褚桂坤[1] 张宏建[1] 刘双喜[1,2] 黄信诚[3] 高发瑞[3] 张春庆[4] 王金星[1,2]

Wang Zhen;Chu Guikun;Zhang Hongjian;Liu Shuangxi;Huang Xincheng;Gao Farui;Zhang Chunqing;Wang Jinxing(College of Mechanical and Electronic Engineering,Shandong Agricultural University,Taian 271018,China;Shandong Provincial Key Laboratory of Horticultural Machineries and Equipment,Taian 271018,China;Jining Agricultural Research Institute,Jining 273013,China;College of Agronomy,Shandong Agricultural University,Taian 271018,China)

机构地区：[1]山东农业大学机械与电子工程学院,泰安271018 [2]山东省园艺机械与装备重点实验室,泰安271018 [3]济宁市农业科学研究院,济宁273013 [4]山东农业大学农学院,泰安271018

出　　处：《农业工程学报》

基　　金：国家公益性行业农业科研专项(201303005);山东省现代农业产业技术体系创新项目;山东省"双一流"奖补资金资助(SYL2017XTTD14)

年　　份：2018

卷　　号：34

期　　号：20

起止页码：73-82

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：实现稻田精准植保的关键是自然环境下病变区域的准确识别。为实现大面积稻田中白穗的精确识别,该文提出一种小型多旋翼无人机水稻病害白穂识别系统,该系统以无人机平台作为图像采集、处理和识别的基础,首先对白穗图像提取Haar-like特征,其次以Adaboost算法进行白穗训练识别。以4类Haar-like特征及其组合构建弱分类器,用采集的稻田白穗和背景共700个样本点训练生成强分类器。所得强分类器对测试集中65幅图像中的423个白穗样本点进行识别验证,结果表明:白穗识别率可达93.62%,误识别率为5.44%,该方法可有效抑制一般的稻叶遮挡、稻穗黏连以及光照等复杂背景的影响,适合于自然环境下的稻田白穗现场识别。

关 键 词：无人机 算法  病害 水稻白穗  HAAR-LIKE特征

分 类 号：TP391.41]