研究目的
开发一种利用紫外诱导可见荧光和图像处理技术检测金丝雀豆虫害的算法，以区分健康豆与受虫害豆，减少分析中的主观性。
研究成果
该算法实现了高特异性（99.78%）和高灵敏度（90.70%），降低了豆类虫害分析中的主观性。未来工作应增加样本量、采用更优相机并探索不同紫外波长以提高准确性。
研究不足
使用树莓派会限制计算负荷，从而阻碍人工智能系统的开发；通过增加样本数量和使用专业相机可以提高准确性；不同的紫外线波长可能有助于提升识别效果。
1：实验设计与方法选择：
该方法通过在密闭容器中对豆类进行紫外线照射，利用图像分割和直方图分析算法检测虫害。
2：样本选择与数据来源：
1320粒颜色和虫害情况各异的金甲豆被分为30个样本，由专家和算法共同评估。
3：实验设备与材料清单：
密闭容器、网格（15×25厘米）、LifeCam Studio网络摄像头（2台）、树莓派计算机、6瓦紫外线光源（波长约400纳米）、振动器、伺服电机。
4：实验流程与操作步骤：
通过机电系统将豆类均匀铺放在网格上，在紫外线下从顶部和底部拍摄图像，提取R和G分量后，经阈值处理、标记、过滤及直方图分析识别虫害。
5：数据分析方法：
基于专家比对计算灵敏度和特异性，采用真阳性、假阴性、真阴性及假阳性的计算公式。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
LifeCam Studio
LifeCam Studio
Microsoft
Image acquisition from top and bottom of the enclosure under UV radiation.
-
Raspberry Pi
Raspberry Pi
Raspberry Pi Foundation
Executing image processing algorithms for infestation detection.
-
Ultraviolet illumination
6-W ultraviolet
Providing UV light to induce visible fluorescence in beans for better contrast in images.
-
Servomotor
Performing swinging movement to position beans on the grid.
-
Vibrator
Assisting in dosing beans onto the grid.
-
登录查看剩余3件设备及参数对照表
查看全部
