NHẬN DẠNG CÁC BỆNH TRÊN LÁ Cây DÙNG Kỹ THUẬT Xử LÝ ...

Tải bản đầy đủ (.docx) (42 trang)

1. Trang chủ
>>
2. Kỹ Thuật - Công Nghệ
>>
3. Kĩ thuật Viễn thông

NHẬN DẠNG CÁC BỆNH TRÊN LÁ cây DÙNG kỹ THUẬT xử LÝ ẢNH (có code)

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (1.51 MB, 42 trang )

ĐỒ ÁN TỐT NGHIỆPNHẬN DẠNG CÁC BỆNH TRÊN LÁCÂY DÙNG KỸ THUẬT XỬ LÝ ẢNH1DANH MỤC CÁC TỪ VIẾT TẮTGLCMGray Level Coocurrence MatricesICAIndependent Component AnalysisKNNK-Nearest NeighborPCAPrincipal Component AnalysisSVMSupport Vector MachineSIFTThe Scale Invariant Feature Transform2ĐỒ ÁN TỐT NGHIỆPTrang 1/41CHƯƠNG 1. GIỚI THIỆU ĐỀ TÀI1.1 Giới thiệuBệnh trên lá cây được xem là bệnh phổ biến đối với người nhà nông, mỗi loạibệnh trên lá cây làm cho cây sinh trưởng phát triển kém, năng suất bị giảm sút. Vídụ bệnh vàng lá, bệnh sâu vẽ bùa….Hình 1-1 Bệnh vàng lá [4]Hình 1-2 Bệnh sâu vẽ bùa [4]Để giúp người nhà nông các nhà nghiên cứu đã tìm ra nhiều phương hướng khắcphục, một trong các giải pháp đó là phát hiện bệnh trên lá cây thông qua xử lý ảnh.Nhận dạng các loại bệnh trên lá cây thông qua xử lý ảnh là phương pháp nhận dạngmàu sắc, hình dạng, kích thước của lá cây bị bệnh so với lá cây bình thường banđầu, từ đó rút ra nguyên nhân gây ra bệnh của cây mà khắc phục.1.2 Mục tiêu đề tàiNhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 2/41Tìm hiểu được các loại bệnh trên lá của cây ăn quả có múi (cây bưởi) và xâydựng giải thuật nhận diện các loại bệnh trên lá cây thông qua kỹ thuật xử lý ảnh.Phần mềm Matlab được dùng để thực hiện tính toán, phân tích và so sánh dữ liệubệnh trên lá, từ đó xây dựng giao diện tương tác giúp đỡ cho những người trồngtrọt.1.3 Nội dung thực hiện đề tàiĐề tài được thực hiện với các nội dung cơ bản như sau: Tìm hiểu tổng quan về xử lý ảnh và nhận dạng. Tìm hiểu các loại bệnh trên lá cây ăn quả có múi, tập trung vào lá cây bưởi. Xây dựng mô hình giải thuật phát hiện các bệnh cơ bản trên lá cây bưởi.o Tập hợp cơ sở dữ liệu các ảnh lá bị bệnho Xây dựng mô hình hệ thống gồm các bước: Tiền xử lý, trích đặc trưngdựa trên mùa sắc/hình dạng bệnh trên lá, phân loại dùng thuật toánphân lớp SVM. Thực hiện đánh giá mô hình giải thuật phát hiện bệnh dựa trên tập cơ sở dữliệu đã thu thập. Xây dựng được một giao diện tương tác người dùng.Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 3/41CHƯƠNG 2. TỔNG QUAN VỀ XỬ LÝ ẢNH VÀ NHẬN DẠNG1.4 Lý thuyết xử lý ảnhXử lý ảnh và đồ họa có vai trò rất quan trọng tương tác người và máy, với việcthu nhận thông tin thông qua các giác quan, thị giác đóng vai trò quan trọng nhất.Gần đây với sự phát triển mạnh mẽ của công nghệ nói chung và xử lý ảnh nói riêng,xử lý ảnh có rất nhiều ứng dụng trong cuộc sống, góp phần làm thỏa mãn các nhucầu của con người.1.1.1 Những khái niệm cơ bản trong hệ thống xử lý ảnh Điểm ảnh (Picture Element)Điểm ảnh (Pixel) là một phần tử của ảnh số tại toạ độ (x, y) với độ xám hoặcmàu nhất định. Kích thước và khoảng cách giữa các điểm ảnh đó được chọn thíchhợp sao cho mắt người cảm nhận sự liên tục về không gian và mức xám (hoặc màu)của ảnh số gần như ảnh thật. Mỗi phần tử trong ma trận được gọi là một phần tửảnh. Độ phân giải của ảnhĐộ phân giải (Resolution) của ảnh là mật độ điểm ảnh được ấn định trên mộtảnh số được hiển thị. Theo định nghĩa, khoảng cách giữa các điểm ảnh phải đượcchọn làm sao cho mắt người vẫn thấy được sự liên tục của ảnh. Việc lựa chọnkhoảng cách thích hợp tạo nên một mật độ phân bổ, đó chính là độ phân giải vàđược phân bố theo trục x và trục y trong không gian hai chiều. Mức xám của ảnhMức xám là cường độ sáng của điểm ảnh, được gán bằng giá trị số tại điểm đó.Các thang giá trị mức xám thông thường: 16, 32, 64, 128, 256 (Mức 256 là mức phổbiến). Lý do: từ kỹ thuật máy tính dùng 1 byte (8 bit), để biểu diễn mức xám: Mứcxám dùng 1 byte biểu diễn: 28=256 mức, tức là từ 0 đến 255). Một số phân loại ảnh:Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 4/41o Ảnh đen trắng: là ảnh có hai màu đen, trắng (không chứa màu khác) vớimức xám ở các điểm ảnh có thể khác nhau.o Ảnh nhị phân: là ảnh chỉ có 2 mức đen trắng phân biệt tức dùng 1 bit môtả 21 mức khác nhau. Nói cách khác: mỗi điểm ảnh của ảnh nhị phân chỉcó thể là 0 hoặc 1.o Ảnh màu: trong khuôn khổ lý thuyết ba màu (Red, Blue, Green) để tạonên thế giới màu, người ta thường dùng 3 byte để mô tả mức màu, khi đócác giá trị màu: triệu màu.o Ảnh số: Ảnh số là tập hợp các điểm ảnh với mức xám phù hợp, dùng đểmô tả ảnh gần với ảnh thật. Không gian màu HSVKhông gian màu HSV là một không gian màu dựa trên ba số liệu:o H(Hue): Vùng màuo S(Saturation): Độ bão hòa màuo V(Value): Độ sángHình 2-1 Không gian màu HSV [6]Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 5/41 Hệ màu labHệ màu CIE L*a*b*, được xây dựng dựa trên khả năng cảm nhận màu của mắtcon người. Các giá trị Lab mô tả tất cả những màu sắc, mà mắt một con người bìnhthường có thể nhìn thấy được. Lab được coi là một mô hình màu độc lập đối vớithiết bị, thường được sử dụng như một cơ sở tham chiếu, khi chuyển đổi một màutừ một không gian màu này sang một không gian màu khác.Hình 2-2 Hệ màu Lab [6]Đối với hệ màu lab:có giá trị càng lớn, màu của ảnh nghiêng về màu trắng.có giá trị càng nhỏ, màu của ảnh nghiêng về màu đen.có giá trị càng lớn, màu của ảnh nghiêng về màu đỏ.có giá trị càng nhỏ, màu của ảnh nghiêng về màu lục.có giá trị càng lớn, màu của ảnh nghiêng về màu vàng.có giá trị càng nhỏ, màu của ảnh nghiêng về màu xanh.Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 6/411.1.2 Giới thiệu về hệ thống xử lý ảnhCác bước cơ bản trong một hệ thống xử lý ảnh được thể hiện trên hình 2.3.Thu nhânảnhTiền xử lýảnhPhânđoạn ảnhBiểu diễnvà mô tảNhân dạng vànôi suyHình 2-3 Các bước cơ bản trong xử lý ảnh Thu nhận ảnh (Image Acquisition)Ảnh có thể nhận qua camera màu hoặc đen trắng. Thường ảnh nhận qua cameralà ảnh tương tự (loại camera ống chuẩn CCIR với tần số 1/25, mỗi ảnh 25 dòng),cũng có loại camera đã số hoá (như loại CCD – Change Coupled Device) là loạiphotodiot tạo cường độ sáng tại mỗi điểm ảnh.Camera thường dùng là loại quét dòng, ảnh tạo ra có dạng hai chiều. Chất lượngmột ảnh thu nhận được phụ thuộc vào thiết bị thu, vào môi trường (ánh sáng, phongcảnh). Tiền xử lý (Image Processing)Sau bộ thu nhận, ảnh có thể nhiễu độ tương phản thấp, nên cần đưa vào bộ tiềnxử lý để nâng cao chất lượng. Chức năng chính của bộ tiền xử lý là lọc nhiễu, nângđộ tương phản để làm ảnh rõ hơn, nét hơn. Phân đoạn (Segmentation) hay phân vùng ảnhPhân vùng ảnh là tách một ảnh đầu vào, thành các vùng thành phần để biểu diễnphân tích, nhận dạng ảnh. Ví dụ: để nhận dạng chữ (hoặc mã vạch) trên phong bìthư cho mục đích phân loại bưu phẩm, cần chia các câu, chữ về địa chỉ hoặc tênngười thành các từ, các số, các chữ (hoặc các vạch), riêng biệt để nhận dạng. Đây làphần phức tạp khó khăn nhất trong xử lý ảnh và cũng dễ gây ra lỗi, làm mất độchính xác của ảnh, kết quả nhận dạng ảnh phụ thuộc rất nhiều vào công đoạn này. Biểu diễn ảnh (Image Representation)Đầu ra ảnh sau phân đoạn, chứa các điểm ảnh của vùng ảnh (ảnh đã phân đoạn),cộng với mã liên kết với các vùng lận cận. Việc biến đổi các số liệu này thành dạngthích hợp là việc cần thiết cho xử lý tiếp theo bằng máy tính. Việc chọn các tínhNhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 7/41chất để thể hiện ảnh gọi là trích chọn đặc trưng (Feature Selection), gắn với việctách các đặc tính của ảnh dưới dạng các thông tin định lượng, làm cơ sở để phânbiệt lớp đối tượng này với lớp đối tượng khác trong phạm vi ảnh nhận được. Ví dụ:trong nhận dạng ký tự trên phong bì thư, chúng ta miêu tả các đặc trưng của từng kýtự giúp phân biệt ký tự này với ký tự khác. Nhận dạng và nội suy ảnh (Image Recognition and Interpretation)Nhận dạng ảnh là quá trình xác định ảnh. Quá trình này thường thu được bằngcách so sánh với mẫu chuẩn đã được học (hoặc lưu) từ trước. Nội suy là phán đoántheo ý nghĩa trên cơ sở nhận dạng. Ví dụ: Các chữ số và các nét gạch ngang trênphong bì thư có thể được nội suy thành mã điện thoại. Có nhiều cách phân loai ảnhkhác nhau về ảnh. Theo lý thuyết về nhận dạng, các mô hình toán học về hình ảnhđược phân theo hai loại nhận dạng ảnh cơ bản:o Nhận dạng theo tham số.o Nhận dạng theo cấu trúc.Một số đối tượng nhận dạng khá phổ biến hiện nay đang được áp dụng vào khoahọc và công nghệ là: nhận dạng ký tự (chữ viết tay, chữ in, chữ ký điện tử), nhậndạng văn bản (Text), nhận dạng mã vạch, nhận dạng vân tay, nhận dạng mặtngười…1.5 Các kỹ thuật nhận dạngĐề phân lớp (Classification) và dự đoán (prediction) là hai bài toán cơ bản, córất nhiều ứng dụng trong tất cả các lĩnh vực. Có nhiều phương pháp đã được nghiêncứu và ứng dụng cho các bài toán dạng này như: mạng Nơron nhân tạo, phươngpháp học thống kê, phương pháp phân lớp SVM (support vector machines), phươngpháp phân vùng KNN (k-nearest neighbor), hoặc dựa trên thành phần chung-néttổng thể PCA (Principal Component Analysis) hay thành phần riêng ICA(Independent Component Analysis) của đối tượng…1.1.3 Phương pháp Support Vector Machines1.1.1.1 Giới thiệuNhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 8/41SVM là phương pháp học có giám sát do Vladimir N. Vapnik đề xuất vào năm1995, và ngày càng được sử dụng phổ biến trong nhiều lĩnh vực, đặc biệt là lĩnh vựcphân loại mẫu và nhận dạng mẫu.1.1.1.2 Tổng quát về SVMVí dụ, có các điểm dữ liệu như hình dưới đây với mỗi điểm thuôc1 trong 2 lớp cho trước:Lớp 1Lớp 2Hình 2-4 Các điểm dữ liệu nằm ở hai lớp [2]Môt đường thẳng phân cách có thể được vẽ như sau:Lớp 1Đường phân cáchLớp 2Hình 2-5 Đường thẳng phân chia hai lớp [2]Đường thẳng trên chia cách khá tốt 2 lớp trên mặt phẳng, tất cảnhững điểm dữ liệu nằm bên trái đường thẳng, đều thuôc về lớphình tròn, những điểm nằm ở bên phải thuôc về lớp hình vuông.Nhiệm vụ của SVM chính là tìm ra đường thẳng / siêu phẳng phâncách cách sao cho phân loại dữ liệu tốt nhất có thể.Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 9/41Mặt phân chia tôi ưuBiên co đô rông tôi đaHình 2-6 Mặt phân chia tối ưu [2]Ví dụ trên có các điểm dữ liệu thuôc 2 lớp có thể phân cách trựctiếp bằng 1 đường thẳng. Tuy nhiên, không phải dạng dữ liệu nàocũng đơn giản được như vây. Ví dụ với dạng dữ liệu như hình dưới:Hình 2-7 Các điểm dữ liệu phân bố không đều [2]Với các điểm dữ liệu thế này, không thể phân cách chỉ bằng 1 đường thẳng. Cácđiểm dữ liệu của lớp hình tròn nằm tập trung ở xung quanh gốc tọa độ và để phâncách chúng với các điểm dữ liệu của lớp hình vuông, phải sử dụng đường cong.Trong trường hợp này, đường cong đơn giản nhất có thể nghĩ đến là hình tròn. Ápdụng điều này bằng cách thêm 1 chiều không gian z = x2 + y2. Nếu để ý thì sẽthấy z chính là công thức của 1 hình tròn có tâm tại gốc tọa độ. Thử vẽ lại đồ thịcủa các điểm dữ liệu trên không gian zy:Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 10/41Hình 2-8 Các điểm dữ liệu hai lớp tách riêng biệt qua đường phân cách [2]Tại không gian này, các điểm dữ liệu đã có thể phân cách bằng1 đường thẳng. Nói môt cách khác, với chiều không gian mới z,việc phân loại đã trở nên đơn giản hơn rất nhiều.Việc sử dụng thủ thuât biến đổi đại số và thêm chiều khônggian z được gọi là phương pháp kernels, Với các tâp dữ liệu khácnhau có thể sử dụng các kernels có sẵn hoặc sẽ phải sáng tạo ra1 kernel mới để phù hợp với bài toán.Tuy nhiên công việc chưa dừng lại ở đó, giả sử rằng nếu dữ liệukhông ổn định và các điểm dữ liệu không phân cách nhau môtcách rõ ràng, thâm chí còn chồng chéo lên nhau. Xét ví dụ dướiđây:Hình 2-9 Ví dụ khác về phân lớp dữ liệu [2]Với dữ liệu như thế này, việc phân cách các lớp chỉ bằng môtđường thẳng là không khả thị, cùng xét 2 cách phân chia dưới đây:Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 11/41Hình 2-10 Không tách được hai lớp dữ liệu riêng biệt [2]Vẫn sử dụng 1 đường thẳng phân cách nhưng không thể phânloại đúng được tất cả các điểm dữ liệu.Hình 2-11 Sử dụng 3 đường thẳng phân cách để phân loại [2]Các điểm dữ liệu đã được phân loại đúng nhưng phải sử dụng tới3 đường thẳng phân cách.Cách 1 sẽ bỏ qua các điểm dữ liệu bất thường (outliner) để đổilấy tốc đô tính toán. Cách 2 sẽ không bỏ qua điểm dữ liệu nào vàđạt đô phân cách hoàn hảo nhưng bù lại sẽ đô phức tạp hơn và tốcđô tính toán sẽ châm hơn cách 1.1.1.4 Phương Pháp K-nearest neighborKNN hay K-nearest neighbor một trong những thuật toán supervised-learningđơn giản nhất (mà hiệu quả trong một vài trường hợp) trong Machine Learning, khitraining thuật toán này không học được một điều gì từ dữ liệu training (đây cũng làNhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 12/41lý do thuật toán này được xếp vào loại lazy learning). Mọi tính toán được thực hiệnkhi nó cần dự đoán kết quả của dữ liệu mới. K-nearest neighbor có thể áp dụngđượcvàocảhailoạicủabàitoánSupervisedlearninglà Classification và Regression, KNN còn được gọi là một thuật toán Instancebased hay Memory-based learning.Có một vài khái niệm tương ứng người-máy như sau:Bảng 2-1 Khái niệm tương ứng người – máy [3]Với KNN trong bài toán Classification, label của môt điểm dữ liệumới (hay kết quả của câu hỏi trong bài thi), được suy ra trực tiếptừ K điểm dữ liệu gần nhất trong training set. Label của môt testdata, có thể được quyết định bằng major voting (bầu chọn theo sốphiếu), giữa các điểm gần nhất hoặc nó có thể được suy ra bằngcách đánh trọng số khác nhau, cho mỗi trong các điểm gần nhấtđó rồi suy ra label, chi tiết sẽ được nêu trong phần tiếp theo.Trong bài toán Regresssion thì đầu ra của môt điểm dữ liệu sẽbằng chính đầu ra của điểm dữ liệu đã biết gần nhất hoặc là trungbình có trọng số của đầu ra của những điểm gần nhất, hoặc bằngmôt mối quan hệ dựa trên khoảng cách tới các điểm gần nhất đó.Nói môt cách khác thì KNN là thuât toán đi tìm đầu ra của môtđiểm dữ liệu mới, bằng cách chỉ dựa trên thông tin của K điểm dữliệu trong training set gần nó nhất (K-lân cân), không quan tâmđến việc có một vài điểm dữ liệu trong những điểm gần nhất nàyNhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 13/41là nhiễu. Hình dưới đây là môt ví dụ về KNN trong classification vớiK = 1.Hình 2-11 Các điểm dữ liệu nằm ở 3 lớp Đỏ, Lam, Lục [3]Ví dụ trên đây là một bài toán Classification với 3 classes: Đỏ, Lam, Lục. Mỗiđiểm dữ liệu mới (test data point), sẽ được gán label theo màu của điểm mà nóthuộc về. Trong hình này có một vài vùng nhỏ, xen lẫn vào các vùng lớn hơn khácmàu. Ví dụ có một điểm màu Lục ở gần góc 11 giờ, nằm giữa hai vùng lớn vớinhiều dữ liệu màu Đỏ và Lam, điểm này rất có thể là nhiễu. Dẫn đến nếu dữ liệutest rơi vào vùng này, sẽ có nhiều khả năng cho kết quả không chính xác.1.1.5 Phương pháp PCAPCA (Principal Component Analysis), là thuật toán nhận dạng ảnh dựa trên néttổng thể của đối tượng. Áp dụng thuật toán này để thực hiện 2 công việc sau: Thứ nhất là tìm một khuôn mặt giống với một khuôn mặt trước đó. Thứ hai là xác định vị trí những khuôn mặt người trong một bức ảnh.Phạm vi ứng dụng Nhận dạng một con người có phải là tội phạm truy nã hay không? Giúpcác cơ quan an ninh quản lý tốt con người. Hệ thống quan sát, theo dõi, bảo vệ. Các hệ thống camera sẽ xác định đâulà con người và theo dõi con người đó xem họ có vi phạm hay không. Lưu trữ, (rút tiền ATM để biết ai rút tiền vào thời điểm đó).Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 14/41 Thẻ căn cước, chứng minh nhân dân. An ninh sân bay, xác thực người xuất nhập cảnh, có phải là nhân vậtkhủng bố hay không.1.1.6 Phương pháp ICAĐể định nghĩa ICA (Independent Component Analysis), có thể sử dụng mô hìnhcác biến ẩn thống kê, quan sát được n biến ngẫu nhiên x1…, xn, là tổ hợp tuyến tínhcủa n biến ngẫu nhiên s1…, sn dưới dạng:(3)Trong đó (i, j = 1, …, n) là các hệ số thực. Theo định nghĩa, các biến s i là độclập thống kê với nhau, như vậy mô hình cơ bản của ICA chính là giải quyết bài toánx = As cùng với các điều kiện ràng buộc sau: Các nguồn tín hiệu gốc ban đầu độc lập thống kê với nhau. Ma trận trộn A là ma trận vuông, (số tín hiệu nguồn s và tín hiệu trộn x bằngnhau) khả nghịch. Tối đa chỉ có một nguồn tín hiệu gốc có phân bố Gauss.1.1.7 Thuật toán SIFTKhái niệm “Điểm đặc trưng cục bộ bất biến SIFT” (ScaleInvariant FeatureTransform) đã được David G. Lowe đưa ra hồi năm 2004 trong “Distinctive ImageFeatures from Scale-Invariant Keypoints”.Ý tưởng: Từ các ảnh tìm ra các điểm ảnh đặc biệt, gọi là feature point hay keypoint.Đầu vào và đầu ra của phép biến đổi SIFT: ảnh -> SIFT -> các keypoint Để có thể phân biệt các keypoint này với các keypoint khác cần tìm ra thamsố gì đó gọi là descriptor, 2 keypoint khác nhau thì phải descriptor khácnhau. Thường thì descriptor là chuỗi số gồm có 128 số (vector 128 chiều). Sau khi áp dụng biến đổi SIFT, ứng với mỗi keypoint, thu được (1) toạ độkeypoint (2) scale, orientation của keypoint (3) descriptor.Đặc điểm:Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 15/41 Keypoint phụ thuộc rất ít vào cường độ sáng, nhiễu. Che khuất (một phầnảnh bị che), góc xoay (ảnh bị xoay trong mặt phẳng 2D), thay đổi của tư thế(pose thay đổi trong không gian 3D). Rất Nhanh tốc độ xử lí gần như thời gian thực (realtime).Như vậy việc khớp ảnh mẫu với ảnh thường chính là việc khớp các keypoint trong 2ảnh với nhau: Áp dụng SIFT cho từng tấm. So sánh descriptor của các keypoint trong ảnh này với descriptor của cáckeypoint trong ảnh kia, nếu 2 keypoint có descriptor gần giống nhau thì coinhư 2 điểm trên 2 tấm ảnh, cùng thuộc về một vật (hoặc vật giống nhau). Dựa vào thương của scale và hiệu của orientation của 2 keypoint, có thể biếtđược thêm vật trong hình này to hơn vật trong hình kia bao nhiêu, vật tronghình này xoay bao nhiêu độ so với vật trong hình kia là bao nhiêu.Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 16/41CHƯƠNG 3. TÌM HIỂU CÁC BỆNH TRÊN LÁ CÂY ĂN QUẢ CÓ MÚITheo tài liệu khuyến nông, có rất nhiều bệnh trên cây ăn quả có múi, một sốbệnh thường gặp đó là: bệnh vàng lá, bệnh sâu vẽ bùa, bệnh loét vi khuẩn…1.6 Bệnh vàng lá1.1.8 Dấu hiệu nhận biếtQuan sát kỹ cây bị bệnh, sẽ thấy mặt lá có những đốm vàng, kèm với đó phầngân lá nổi rõ màu xanh (số khác lại là gân vàng), nguyên nhân là bởi các loại nấmkhuẩn, tiêu biểu nhất là Phytopthora, chúng tác động trực tiếp vào khả năng đưadưỡng chất di nuôi cây, khiến phần lá, quả bị ảnh hưởng nghiêm trọng.Hình 3-1 Bệnh vàng lá [4]Bệnh vàng lá Greening, càng có điều kiện phát triển trong những vườn bưởinhân giống theo hình thức ghép mắt. Vậy nên chọn giống bưởi thật kỹ càng, nhưphát hiện sớm, xử lý kịp thời là điều vô cùng quan trọng.1.1.9 Cách phòng ngừa và xử lýĐầu tiên cần phải cách ly và chặt bỏ những cây đã bị lây nhiễm.Làm sạch các loại cây ký sinh như: tầm gửi, tơ hồng, quế nguyệt, chúng là môitrường tuyệt vời để các loại rầy, virus sinh sôi nẩy nở. Và cẩn thận hơn có thể sửNhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 17/41dụng một số loại thuốc bảo vệ thực vật như: Chlorpyrifos Ethyl, Cypermethrin, đểphòng và diệt rầy một cách triệt để hơn.Thường xuyên chú ý quan sát xem cây có biểu hiện bất thường nào không, đặcbiệt là mùa có độ ẩm không khí cao như đầu xuân, hạ lộc non ra nhiều rất dễ bị tấncông, (đây cũng là mùa rầy sinh sản và phát triển mạnh).1.7 Bệnh ghẻ nhám1.1.10 Dấu hiệu nhận biếtTrong danh sách các bệnh hại phổ biến ở cây ăn quả có múi thì ghẻ nhám cũnglà loại rất hay gặp. Khi cây bị bệnh, sẽ thấy lá xuất hiện những chấm nhỏ có màukhác với màu lá. Tại đó còn xuất hiện hiện tượng lõm xuống. Giai đoạn tiếp theocác chấm này biến đổi thành các đốm màu nâu (trông như các vết ghẻ), sau cùng lásẽ bị vàng và rụng xuống.Hình 3-2 Bệnh ghẻ nhám [4]Bệnh ghẻ nhám có thể phát triển trên: thân, bề mặt quả, tạo ra các vết lồi và sầnsùi khiến cây nhanh chết đi, năng suất giảm, ức chế ngăn cản sự phát triển của cànhnon và lộc.Nguyên nhân chính gây ra bệnh: là do nấm Elsinoe Fawcetti, xuất hiện nhiềunhất khi mùa mưa bắt đầu, khi lộc non ra nhiều nhưng lại thiếu sự chăm sóc chu đáocủa người trồng.1.1.11Cách phòng ngừa và khắc phụcKhi bắt đầu, lên kế hoạch trồng bưởi cần có một nguồn cây giống “sạch”, khỏemạnh, tránh việc trồng mau (khoảng cách nên căn cứ giống cây nào – chất đất raNhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 18/41sao), cần thường xuyên cắt tỉa và tạo tán thường xuyên. Nên bón phân tập trungthành đợt trong năm, tránh bón đều đều khiến lộc ra liên tục rất dễ bị nấm bệnh tấncông.Phun phòng ngừa bằng: Carbenda Supper 50SC 0.15%, Catcat 250EC 0.08%,một cách khác là hòa Bemyl 300g 50WP với 100 lít nước.Khi cây có biểu hiện bệnh, cần tránh tưới nước vào các tán cây. Nên cắt bỏ, vàđem đốt cành lá bị bệnh ở xa vườn trồng.1.8 Bệnh sâu vẽ bùa1.1.12 Dấu hiệu gây hạiSâu vẽ bùa gây hại trên các lá non và chồi. Sâu non đục phá lá ở dưới phần biểubì, ăn phần mô mềm, sâu đi tới đâu thì biểu bì phồng lên tới đó và vẽ thành nhữngđường ngoằn ngoèo nên được gọi là vẽ bùa. Các lằn đục của sâu không bao giờ gặpnhau.Hình 3-3 Bệnh sâu vẽ bùa [4]Các lá bị sâu vẽ bùa gây hại, thường bị co rúm lại và biến dạng nhiều nhất lànhững lá non, làm giảm diện tích quang hợp, làm giảm khả năng sinh trưởng củacác chồi non.1.1.13 Cách phòng ngừa và xử lýChăm sóc cho cây sinh trưởng môt cách tốt nhất, tạo tán, tỉa cành, bón thúc cholộc non ra tập trung, hạn chế phá hại của sâu. Thu dọn lá rụng trong vườn đốt bỏcũng làm hạn chế nguồn sâu. Trường hợp bị hại nặng, có thể cắt bỏ các chồi lá bịsâu đem tập trung một chỗ để tiêu diệt.Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 19/41Biện pháp sử dụng thuốc BVTV hợp lý để bảo vệ nguồn thiên địch của sâu vẽbùa trong tự nhiên. Nhận nuôi thiên địch như nuôi kiến vàng Oecophyllasmaragdina là biện pháp có hiệu quả phòng trị sâu vẽ bùa caoSử dụng các loai thuốc như SAIRIFOS 585EC, SAIMIDA 100SL, LANCER50SP, SHERZOL 205EC, Dầu khoáng SK EnSpray 99EC… để phòng trị.Nên phun thuốc hay dầu khoáng ngay khi chồi mới nảy dài khoảng từ 2 đến4cm.1.9 Bệnh loét vi khuẩn1.1.14Dấu hiệu nhân biếtHình 3-4 Bệnh loét vi khuẩn [4]Nằm trong danh sách những bệnh hại trên cây ăn quả có múi tiếp theo đó làbệnh loét vi khuẩn, (hay còn gọi là Xanthomonas Campestris). Khi bị tấn công trênbề mặt lá sẽ xuất hiện hiện tượng có các chấm lốm đốm, các đốm này khi bị nặng sẽkết dính lại tạo thành mảng lớn.Đặc biệt là vào mùa mưa, độ ẩm không khí cao, tốc độ lây lan của bệnh loét vikhuẩn sẽ càng nhanh khiến vườn cây ăn quả có thể bị trút sạch lá sau 1 thời gianngắn...1.1.15 Cách phòng ngừa và xử lýLựa chọn giống kĩ càng, vị trí đất trồng kỹ lưỡng và có hệ thống tưới tiêu nướctiện lợi.Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 20/41Cần tiến hành bổ sung các chất dinh dưỡng nhằm tăng cường sức đề kháng chocây. Nếu thiếu kinh nghiệm trong việc bổ sung phân đơn, thì có thể dùng các loạiphân tổng hợp NPK.Kết hợp phun thuốc bảo vệ thực vật như: Boocđô nồng độ 1%, Kasuran nồng độ0,15% khi bưởi bắt đầu phát lộc 1 – 2 lần, mỗi lần cách nhau 2 tuần.Khi phát hiện nấm bệnh đã nặng cần có phương án cắt bỏ, thiêu hủy sớm nhất cóthể.1.10 Bệnh thán thư (Collectotrichum sp)1.1.16 Dấu hiệu nhận biếtKhi bệnh bắt đầu xuất hiện, các lá hoặc trái cây ăn quả có múi sẽ có màu nâuxẫm, dạng hình tròn ở giữa có chấm màu đen. Thông thường thì bệnh phát triểnmạnh trong thời kỳ trái bắt đầu ra hoa và tạo trái non, khả năng lây lan nhanh hơnnếu gặp điều kiện mưa, ẩm, sương dày kéo dài.Hình 3-5 Bệnh thán thư [4]1.1.17 Cách phòng ngừa và xử lýCần tiến hành các phương án như chọn giống chất lượng, thiết kế vườn trồngđúng quy cách.Nên tìm đến các cửa hàng bán thuốc bảo vệ thực vật để hỏi mua các loại thuốccó chứa Azoxystrobin, Carbendazim, Metalaxyl, Difenocanazole, Tebuconazole…Đặc biệt là dùng Carmanthai 80WP là loại có hiệu quả cực tốt, giúp ngăn chặn gầnnhư 100% bệnh thán thư.Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 21/41CHƯƠNG 4. XÂY DỰNG MÔ HÌNH GIẢI THUẬT PHÁT HIỆN BỆNHTRÊN LÁ CÂY ĂN QUẢ CÓ MÚIGiải thuật phát hiện bệnh trên lá cây ăn quả có múi dùng kỹ thuật xử lý ảnhđược xây dựng dựa trên hình ảnh đặc trưng bệnh trên lá đã trình bày trong chương3. Đề tài này tập trung vào việc phát hiện một số bệnh cơ bản gồm: bệnh vàng lá,bệnh sâu vẽ bùa, bệnh loét vi khuẩn.1.11 Sơ đồ khối của hệ thốngMột hệ thống phát hiện bệnh trên lá cây bưởi được xây dựng tổng quát gồm cácbước như trên sơ đồ sau:Tâp mâu huân luyện(Lá co bệnh/không bệnh)Mâu kiểm traTiền xử lý ảnhTiền xử lý ảnhTrich đặc trưng ảnhTrich đặc trưng ảnhHuân luyện hệ thông(Phân lớp với thuât toán SVM)Cơ sơ dư liệu đa đươc phânlớpChuẩn đoánKết quảHình 4-1 Sơ đồ khối hệ thống phát hiện bệnh trên lá.Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnhĐỒ ÁN TỐT NGHIỆPTrang 22/411.12 Tập ảnh huấn luyện và kiểm traCSDL ảnh tập hợp các ảnh được chụp từ camera điện thoại, máy ảnh, từ nhiềunguồn khác nhau …Hình 4-2 Một số mẫu ảnh lá bị bệnh được chụp từ máy ảnh.1.13 Tiền xử lý ảnhĐể lấy được phần ảnh bệnh của lá, hệ thống thực hiện các bước tiền xử lý sau:Ảnh gôcNâng cao đô tươngphản của ảnhChuyển ảnh RGB sangảnh CIE L*a*bTách vung bệnh sử dungthuât toán k-MeansẢnh RGB chứavung bệnhHình 4-3 Sơ đồ tiền xử lý1.1.18 Nâng cao độ tương phản của ảnhĐầu tiên để nâng cao độ tương phản của ảnh thì cần phải quan tâm độ sáng củabức ảnh.Độ sáng:Nhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnh(5)ĐỒ ÁN TỐT NGHIỆPTrang 23/41là ảnh đã được điều chỉnh độ sánglà ảnh ban đầu là hệ số chạy từ 0 đến 255Tiếp theo để điều chỉnh độ tương phản, sử dụng công thức sau.Độ tương phản:(5) Nếu : tăng độ tương phản ảnh. Nếu : độ tương phản ảnh giữ nguyên. Nếu : giảm độ tương phản ảnh.1.1.19 Chuyển không gian màu RGB sang CIE L*a*b Bước 1: Chuyển không gian màu RGB sang không gian màu CIE XYZ vàngược lại.(5)Trong đó:, Bước 2: Chuyển không gian màu CIE XYZ sang không gian màu CIEL*a*b.L* = 116Y’ – 16a* = 500(X’ – Y’)b* = 200(Y’ – Z’)Trong đó:X’ = f(X/Xref), Y’ = f(Y/Yref), Z’ = f(Z/Zref), vàVới Xref = 0.950456, Yref = 1.000000 và Zref = 1.088754. Giá trị L* là số dương nằmtrong khoảng [0, 100], các giá trị của a* và b* nằm trong khoảng từ [-127, +127].1.1.20Tách vùng bệnh sử dụng thuật toán k – MeansNhận dạng các bệnh trên lá cây dùngkỹ thuật xử lý ảnh

Tài liệu liên quan

• Quản lý hoạt động dạy học tại trường cao đẳng kỹ thuật y tế II bộ y tế
  • 25
  • 579
  • 0
• Xây dựng luận chứng kỹ thuật cho nhà máy dầu thực vật
  • 30
  • 1
  • 22
• CÔNG NGHỆ NHẬN DẠNG BẰNG SÓNG VÔ TUYẾN ppt
  • 262
  • 433
  • 0
• Bài 4: KỸ THUẬT XỬ LÝ BẢNG BIỂU pptx
  • 9
  • 257
  • 0
• BÀI 7: KỸ THUẬT XỬ LÝ ỨNG DỤNG BẢNG TÍNH potx
  • 11
  • 368
  • 1
• Kỹ thuật Xử lý ảnh số
  • 257
  • 380
  • 1
• nhận dạng chữ viết tay tiếng việt sử dụng mạng nơron
  • 57
  • 250
  • 0
• Nhận dạng các yếu tố ảnh hưởng đến sự thành công của quá trình tổ chức và sử dụng hệ thống kế toán trong điều kiện ứng dụng CNTT
  • 32
  • 460
  • 0
• Nghiên cứu giải pháp kỹ thuật xử lý hố móng trong điều kiện nền cát và mực nước ngầm cao, áp dụng cho công trình cải tạo lòng dẫn sông tích
  • 81
  • 428
  • 0
• Nghiên cứu sàng lọc phân lập và nhận dạng các hoạt chất axit béo, axit arachidonic và prostaglandin từ rong đỏ biển
  • 28
  • 404
  • 0

Tài liệu bạn tìm kiếm đã sẵn sàng tải về

(13.1 MB - 42 trang) - NHẬN DẠNG CÁC BỆNH TRÊN LÁ cây DÙNG kỹ THUẬT xử LÝ ẢNH (có code) Tải bản đầy đủ ngay ×