CN102239793A - 水稻害虫实时分类方法及*** - Google Patents
水稻害虫实时分类方法及*** Download PDFInfo
- Publication number
- CN102239793A CN102239793A CN 201110095670 CN201110095670A CN102239793A CN 102239793 A CN102239793 A CN 102239793A CN 201110095670 CN201110095670 CN 201110095670 CN 201110095670 A CN201110095670 A CN 201110095670A CN 102239793 A CN102239793 A CN 102239793A
- Authority
- CN
- China
- Prior art keywords
- image
- real
- test sample
- sample
- rice
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 24
- 235000009566 rice Nutrition 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 18
- 241000607479 Yersinia pestis Species 0.000 title abstract description 12
- 240000007594 Oryza sativa Species 0.000 title 1
- 238000012549 training Methods 0.000 claims abstract description 24
- 241000209094 Oryza Species 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 241000238631 Hexapoda Species 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 241001414720 Cicadellidae Species 0.000 description 3
- 241000008892 Cnaphalocrocis patnalis Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000665051 Chilo sacchariphagus indicus Species 0.000 description 2
- 241000426497 Chilo suppressalis Species 0.000 description 2
- 241001498622 Cixius wagneri Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 241001556089 Nilaparvata lugens Species 0.000 description 2
- 241000176086 Sogatella furcifera Species 0.000 description 2
- 235000021329 brown rice Nutrition 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 241000086608 Empoasca vitis Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 201000007094 prostatitis Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Landscapes
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种水稻害虫实时分类方法及***，该方法包括样本训练和样本检测，所述的样本训练包括：(1)收集各种水稻害虫的训练样本若干，获取它们的图像；(2)对图像进行灰度转换；(3)采用压缩感知算法抽取图像的特征值；所述的样本检测包括：获取测试样本的图像，按步骤(2)、(3)对测试样本的图像进行处理，得到测试样本的图像的特征值，利用最邻近算法，确定测试样本的类型。本发明方法采用压缩感知算法抽取图像特征值，不仅有效的抑制了噪声，而且对拍照的角度和光照强度都不做要求，更加适合田间实时识别害虫。
Description
技术领域
本发明涉及植保技术领域，尤其涉及一种水稻害虫实时分类方法及***。
背景技术
农作物病虫害是我国的主要农业灾害之一，它具有种类多、影响大、并时常暴发成灾的特点，其发生范围和严重程度对我国国民经济、特别是农业生产常造成重大损失。据资料显示，全世界每年至少有6％的农作物在生长期为害虫所吃，如果人力、物力和技术跟不上，可能会达到10％-30％，而在我国由于虫害，全国每年粮棉损失15％左右，造成这种状况的主要原因就是害虫检测预报不准确、不及时，防治错过时机。
水稻是世界主要粮食作物之一。我国水稻播种面积占全国粮食作物的1/4，而产量则占一半以上。浙江省水稻种植面积和产量也位居国内前列。所以，对水稻虫害的研究是十分有必要的。
传统的人工检测通常采用盘拍、诱集等方法，利用人工感官在现场检查害虫，借助放大镜、显微镜等工具或直接用肉眼判别害虫的种类，并统计数量。该方法是一种最直观、简便、但很粗放的方法，调查工作量大，单次检测覆盖面积小，效率较低，调查成本高。
发明内容
本发明提供了一种水稻害虫实时分类方法，该方法解决了传统方法工作量大，效率低，成本高的问题。
一种水稻害虫实时分类方法，包括样本训练和样本检测：
所述的样本训练包括：
(1)收集各种水稻害虫的训练样本若干，获取图像；
(2)对图像进行灰度转换，转换前需要将图像的背景去除得到害虫的图像，灰度转换的公式为y＝0.3r+0.59g+0.11b，其中：y表示灰度化后的灰度值，r表示图像红色分量的值，g表示图像绿色分量的值，b表示图像蓝色分量的值；
(3)灰度转换后，采用压缩感知算法抽取图像的特征值；
以图像尺寸i×h为例(i为行，h为列)，以各像点的灰度值的为元素构建灰度矩阵，以行堆叠，使其成为一个行向量p(p∈R1×n，n＝i×h)，p与随机的压缩感知观测矩阵
相乘得到图像的特征值(向量)x， 
为高斯随机矩阵，n表示行数，m表示列数，且m＜＜n。
(4)所述的样本检测包括：
获取测试样本的图像，按步骤(2)、(3)对测试样本的图像进行处理，获得测试样本的图像的特征值，利用最邻近算法，确定测试样本的类型。
最邻近算法包括：计算测试样本图像的特征值与训练样本图像的特征值之间的距离，如果一类害虫包括多个训练样本，则对所有距离求平均，找到平均距离最小的训练样本，该训练样本的害虫类型即为测试样本的害虫类型。计算两个特征值之间距离的公式如下：
本发明还提供一种水稻害虫实时分类***，包括：
摄像头，拍取被测害虫的图像；
视频解码模块，将图像解码后输入处理器；
存储模块，存储图像和样本训练结果；
处理器，根据样本训练结果对被测害虫进行分类；
显示屏，显示分类结果。
优选的，上述***还包括无线传输模块。
本发明具有的有益效果是：
(1)实现了水稻害虫的实时分类，通过无线传输，将害虫图片实时传输到远端，供植保专家进行进一步统计、存档和细分；
(2)将压缩感知理论应用到害虫图像特征值获取中，采用随机矩阵抽取特征值，不仅有效的抑制了噪声，而且对拍照的角度和光照强度都不做要求，更加适合田间实时识别害虫；
(3)将压缩感知理论应用到害虫图像特征值获取中，同时大大降低了数据的维数，适合在存储、速度等有限制的下位机***使用。
本发明主要将压缩感知理论、最邻近分类算法与先进的数据处理器、3G无线传输方式结合在一起，设计出便携式水稻害虫快速识别***，能够快速的给水稻害虫分类，方便农田管理人员进行防治。
附图说明
图1为本发明***的结构示意图；
图2为实施例中具体分类害虫的图像；
图3为本发明***的操作流程图。
具体实施方式
如图1所示的水稻害虫实时分类***，包括处理器(CPU)1、以及与处理器1连接的视频解码模块2、由程序存储器和数据存储器组成的存储器3、两个控制按键4、四盏指示灯5、显示屏6和无线传输模块8，视频解码模块2的输入端连接摄像头7，电源模块9给上述装置供电。
上述***工作流程如图2所示，开启电源模块9后，指示灯A点亮，表示整个***的电压正常，本***的CPU采用ADI公司的DSP处理器，***上电后，CPU复位完成后加载程序存储器中的程序，加载程序后指示灯B点亮，表示CPU工作正常。
摄像头7可以实时拍摄害虫图像，视频解码模块2将摄像头7输出的模拟视频信号解码成符合ITU656标准协议的、YUV4:2:2格式的数字信号输入处理器1。按下按键A，CPU采集图像同时将采集的图像存储在数据存储器(SDRAM)中，同时对图像进行识别处理，对害虫进行分类，并将分类结果在显示屏6上显示。
***采用无线传输模块8实现无线传输，无线传输模块8通过USB接口与CPU相连，按下按键B后指示CPU发送采集好的图像，CPU通过无线传输模块首先和远端服务器建立连接，建立连接后进行图像传输，采用TCP传输协议，一副图像传输完成后点亮指示灯D。
以图3所示图像(150×105像素)为例，上述装置识别害虫的方法为：
1、首先将图像的背景抠除，然后对图像进行灰度转换处理，灰度转换处理的公式为y＝0.3r+0.59g+0.11b，其中：y表示灰度转换后的灰度值，r表示图像红色分量的值，g表示图像绿色分量的值，b表示图像蓝色分量的值；
2、以灰度转换后的图像各像点的灰度值为元素构建害虫图像的灰度矩阵，对该灰度矩阵的元素以行堆叠，得到行向量p(p∈R1×n，n＝15750)，p与随机高斯矩阵
相乘得到害虫图像的特征值x，
在检测前还需要进行样本训练，采集不同姿态的二化螟、三化螟、稻纵卷叶螟、大螟、灰飞虱、白背飞虱、褐飞虱、大白叶蝉、大青叶蝉成虫样本图像各20个作为训练样本，然后按照步骤1、2进行处理，得到所有害虫图像的特征值。
3、根据最邻近算法对害虫进行分类，具体过程为：
通过如下公式计算测试样本的特征值与每个训练样本图像的特征值之间的距离χ2，
图2所示害虫图像的特征值与大螟、稻纵卷叶螟、大清叶蝉、二化螟、三化螟、灰飞虱、白背飞虱、褐飞虱、大白叶蝉各20副图像的特征值之间距离的平均值分别为2499753.5、267186.9、3929645.3、2687734.8、2811369.3、4316368.1、3793615.3、4516837.5和3086334.5，可以判断该害虫为稻纵卷叶螟，与实际情况相符合，可见本发明***是切实可行的。
Claims (3)
1.一种水稻害虫实时分类方法，包括样本训练和样本检测：
所述的样本训练包括：
(1)收集各种水稻害虫的训练样本若干，获取它们的图像；
(2)对图像进行灰度转换；
(3)采用压缩感知算法抽取图像的特征值；
所述的样本检测包括：
获取测试样本的图像，按步骤(2)、(3)对测试样本的图像进行处理，得到测试样本的图像的特征值，利用最邻近算法，确定测试样本的类型。
2.一种水稻害虫实时分类***，其特征在于，包括：
摄像头，拍取被测害虫的图像；
视频解码模块，将图像解码后输入处理器；
存储模块，存储图像和样本训练结果；
处理器，根据样本训练结果对被测害虫进行分类；
显示屏，显示分类结果。
3.根据权利要求2所述的水稻害虫实时分类***，其特征在于，包括与处理器连接的无线传输模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110095670A CN102239793B (zh) | 2011-04-18 | 2011-04-18 | 水稻害虫实时分类方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110095670A CN102239793B (zh) | 2011-04-18 | 2011-04-18 | 水稻害虫实时分类方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102239793A true CN102239793A (zh) | 2011-11-16 |
| CN102239793B CN102239793B (zh) | 2012-10-10 |
Family
ID=44958186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110095670A Expired - Fee Related CN102239793B (zh) | 2011-04-18 | 2011-04-18 | 水稻害虫实时分类方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102239793B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345634A (zh) * | 2013-07-29 | 2013-10-09 | 湖南省植物保护研究所 | 一种黄板上常见蔬菜昆虫的自动识别方法 |
| CN104918007A (zh) * | 2015-05-15 | 2015-09-16 | 浙江大学 | 基于计算机视觉的大田虫情监控采样装置及采样方法 |
| CN106054844A (zh) * | 2016-07-12 | 2016-10-26 | 河海大学 | 一种农业智能远程管理*** |
| CN106203453A (zh) * | 2016-07-18 | 2016-12-07 | 清华大学深圳研究生院 | 一种基于压缩感知的生物与非生物目标识别方法及其*** |
| CN112508012A (zh) * | 2020-12-01 | 2021-03-16 | 浙大宁波理工学院 | 一种适用于小目标样本的果园害虫智能定位与识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101766106A (zh) * | 2009-12-31 | 2010-07-07 | 上海量科电子科技有限公司 | 具有提示功能的植物护理终端、***及***的实现方法 |
| CN202084060U (zh) * | 2011-04-18 | 2011-12-21 | 浙江大学 | 水稻害虫实时分类*** |
-
2011
- 2011-04-18 CN CN201110095670A patent/CN102239793B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101766106A (zh) * | 2009-12-31 | 2010-07-07 | 上海量科电子科技有限公司 | 具有提示功能的植物护理终端、***及***的实现方法 |
| CN202084060U (zh) * | 2011-04-18 | 2011-12-21 | 浙江大学 | 水稻害虫实时分类*** |
Non-Patent Citations (1)
| Title |
|---|
| 《南京农业大学硕士学位论文》 20080601 杨玲玲 水稻飞虱自动识别技术的研究 1-3 , * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345634A (zh) * | 2013-07-29 | 2013-10-09 | 湖南省植物保护研究所 | 一种黄板上常见蔬菜昆虫的自动识别方法 |
| CN103345634B (zh) * | 2013-07-29 | 2016-12-28 | 湖南省植物保护研究所 | 一种黄板上常见蔬菜昆虫的自动识别方法 |
| CN104918007A (zh) * | 2015-05-15 | 2015-09-16 | 浙江大学 | 基于计算机视觉的大田虫情监控采样装置及采样方法 |
| CN104918007B (zh) * | 2015-05-15 | 2017-10-27 | 浙江大学 | 基于计算机视觉的大田虫情监控采样装置及采样方法 |
| CN106054844A (zh) * | 2016-07-12 | 2016-10-26 | 河海大学 | 一种农业智能远程管理*** |
| CN106054844B (zh) * | 2016-07-12 | 2019-04-30 | 河海大学 | 一种农业智能远程管理*** |
| CN106203453A (zh) * | 2016-07-18 | 2016-12-07 | 清华大学深圳研究生院 | 一种基于压缩感知的生物与非生物目标识别方法及其*** |
| CN106203453B (zh) * | 2016-07-18 | 2019-05-28 | 清华大学深圳研究生院 | 一种基于压缩感知的生物与非生物目标识别方法及其*** |
| CN112508012A (zh) * | 2020-12-01 | 2021-03-16 | 浙大宁波理工学院 | 一种适用于小目标样本的果园害虫智能定位与识别方法 |
| CN112508012B (zh) * | 2020-12-01 | 2022-09-06 | 浙大宁波理工学院 | 一种适用于小目标样本的果园害虫智能定位与识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102239793B (zh) | 2012-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11048940B2 (en) | Recognition of weed in a natural environment | |
| Ma et al. | Estimating above ground biomass of winter wheat at early growth stages using digital images and deep convolutional neural network | |
| Payne et al. | Estimation of mango crop yield using image analysis–segmentation method | |
| Chen et al. | A YOLOv3-based computer vision system for identification of tea buds and the picking point | |
| Yang et al. | Tea diseases detection based on fast infrared thermal image processing technology | |
| Rasti et al. | A survey of high resolution image processing techniques for cereal crop growth monitoring | |
| CN102239793B (zh) | 水稻害虫实时分类方法及*** | |
| Zhou et al. | Qualification of soybean responses to flooding stress using UAV-based imagery and deep learning | |
| Wang et al. | Mobile smart device-based vegetable disease and insect pest recognition method | |
| Hu et al. | Estimation of leaf chlorophyll content of rice using image color analysis | |
| Kelly et al. | An opinion on imaging challenges in phenotyping field crops | |
| Beniaich et al. | Determination of vegetation cover index under different soil management systems of cover plants by using an unmanned aerial vehicle with an onboard digital photographic camera | |
| Kefauver et al. | RGB picture vegetation indexes for high-throughput phenotyping platforms (HTPPs) | |
| CN105021617A (zh) | 基于高光谱成像的整株水稻叶绿素含量测量装置及方法 | |
| Tian et al. | Assessing rice lodging using UAV visible and multispectral image | |
| Marcon et al. | Estimation of total leaf area in perennial plants using image analysis | |
| Zhang et al. | High-throughput corn ear screening method based on two-pathway convolutional neural network | |
| Sun et al. | Utilization of machine vision to monitor the dynamic responses of rice leaf morphology and colour to nitrogen, phosphorus, and potassium deficiencies | |
| Sunoj et al. | Digital image analysis estimates of biomass, carbon, and nitrogen uptake of winter cereal cover crops | |
| Li et al. | An automatic approach for detecting seedlings per hill of machine-transplanted hybrid rice utilizing machine vision | |
| Yuan et al. | YOLOv5s-CBAM-DMLHead: A lightweight identification algorithm for weedy rice (Oryza sativa f. spontanea) based on improved YOLOv5 | |
| CN202084060U (zh) | 水稻害虫实时分类*** | |
| Wijethunga et al. | Digital image analysis based automated kiwifruit counting technique | |
| Li et al. | Variety identification of delinted cottonseeds based on BP neural network | |
| Mehrubeoglu et al. | Detecting red blotch disease in grape leaves using hyperspectral imaging |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121010 Termination date: 20210418 |