CN103246872B - 一种基于计算机视觉技术的广谱虫情自动测报方法 - Google Patents
一种基于计算机视觉技术的广谱虫情自动测报方法 Download PDFInfo
- Publication number
- CN103246872B CN103246872B CN201310156563.5A CN201310156563A CN103246872B CN 103246872 B CN103246872 B CN 103246872B CN 201310156563 A CN201310156563 A CN 201310156563A CN 103246872 B CN103246872 B CN 103246872B
- Authority
- CN
- China
- Prior art keywords
- insect
- spot
- area
- numbers
- count value
- 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.)
- Active
Links
Abstract
本发明公开了一种基于计算机视觉技术的广谱虫情自动测报方法,定时获取捕获的目标昆虫的昆虫图像;对获取的当前昆虫图像和昨日昆虫图像进行滤波处理,分别得到当前昆虫轮廓图和昨日昆虫轮廓图;对当前昆虫轮廓图和昨日昆虫轮廓图进行做差处理,得到增量图;根据增量图建立和更新昆虫特征图谱;根据增量图计算本次昆虫数量的增量计数值;根据昆虫特征图谱计算昆虫数量的面积计数值;根据本次昆虫数量的增量计数值和昆虫数量的面积计数值取加权平均值,计算得到昆虫总数。本发明结合机器视觉、模式识别以及生物化学方法,根据需要对害虫进行自动测报,获取田间害虫虫口密度,为虫害预警和综合防治提供科学的决策依据。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于计算机视觉技术的广谱虫情自动测报方法。
背景技术
近年来,食品安全和环境保护的观念已深入人心,由于物种单一导致虫害泛滥,往往造成农业减产,或矫枉过正过度施药,甚至兼而有之。准确的虫害灾情监测是实现科学防治虫害的基础和前提,研究一种高效、广谱、自动测报害虫的方法,对农业安全生产和环境保护都有重要的意义。
传统方法往往采用虫情测报灯,利用昆虫的趋光性对昆虫进行诱杀来计数,但是存在以下三个主要问题:
1、诱捕昆虫的种类比较繁杂,不易区分虫情的种类,无法实现对单一种类的昆虫的虫情进行测报,针对性不强;
2、无法诱捕趋光性不强的昆虫,测报结果不准确;
3、计数困难,往往需要人工统计,往往误差比较大,且缺少自动测报能力,耗费大量人力物力。
除利用昆虫的趋光性之外,也有研究是利用性诱剂诱杀昆虫并称重计数或放电计数,但是昆虫质量轻微此类方法漏测率很高。
另外,还有研究是通过野外昆虫自动拍摄装置,获取处于自然状态下的昆虫数字图像,再通过图像处理方法对特定形态的昆虫进行计数,但受到外界干扰较多,在实际生产环境中识别率不高,且测报品种单一、训练模型较为复杂,无法实现昆虫的广谱测报。
发明内容
(一)要解决的技术问题
针对上述缺陷,本发明要解决的技术问题是解决现有技术中对虫情的报测结果不准确、测报昆虫种类单一、测报装置结构复杂庞大的问题。
(二)技术方案
为解决上述问题,本发明提供了一种基于计算机视觉技术的广谱虫情自动测报方法,所述方法具体包括:
S1:定时获取捕获的目标昆虫的昆虫图像,其中定时的时间间隔是N小时,N为24的因数;
S2:对获取的当前昆虫图像和昨日昆虫图像进行滤波处理,分别得到当前昆虫轮廓图和昨日昆虫轮廓图;
S3:对所述当前昆虫轮廓图和所述昨日昆虫轮廓图进行做差处理,得到增量图;
S4:根据所述增量图建立和更新昆虫特征图谱;
S5:根据所述增量图计算增加的昆虫数量,与上一次昆虫数量的增量计数值相加得到本次昆虫数量的增量计数值;
S6:根据所述昆虫特征图谱计算典型昆虫加权平均面积,进一步计算昆虫数量的面积计数值;
S7:根据所述本次昆虫数量的增量计数值和所述昆虫数量的面积计数值取加权平均值,计算得到昆虫总数。
进一步地,所述步骤S1中的所述目标昆虫是针对农田病害选择出来的,并且是能被性诱剂诱杀的飞虫,选择诱杀所述目标昆虫的性诱剂,并使用黏虫板捕获所述目标昆虫。
进一步地,所述步骤S2中滤波处理具体包括:去色、降噪、边缘加强、二值化。
进一步地,所述步骤S4中建立和更新昆虫特征图谱具体包括:
S41:对所述增量图进行分割,获取昆虫图斑,其中所述昆虫图斑为所述增量图中相互连通的像素,包含昆虫的形态特征和面积;
S42:计算所述昆虫图斑的图斑面积,并将所述图斑面积计入到面积分布表中;
S43:判断所述昆虫特征图谱是否为空,如果为空则执行步骤S54,否则执行步骤S45;
S44:判定所述昆虫图斑为新昆虫图斑,将所述新昆虫图斑直接加入到所述昆虫特征图谱中,并将所述新昆虫图斑的图斑面积权重设为1,跳转至步骤S46;
S45:将所述昆虫图斑与所述昆虫特征图谱中的昆虫图斑进行比对,如果在所述昆虫特征图谱中已经存在所述昆虫图斑,则判定所述昆虫图斑为已有昆虫图斑,将所述已有昆虫图斑的图斑面积权重增加0.3,并跳转至步骤S46,否则执行步骤S44;
S46:如果所述面积分布表记录超过20个图斑面积,计算出每个图斑面积的面积分布概率,将所述昆虫特征图谱中所述面积分布概率小于5%的昆虫图斑移除,并将移除的昆虫图斑的图斑面积加入总移除面积中。
进一步地,步骤S4之后还包括:
S47:根据所述面积分布概率归一化所述昆虫图斑为相同尺寸大小,得到归一化图斑,将所述归一化图斑作为正例,从所述增量图中不含昆虫图斑部分截取同样尺寸图像作为反例;
S48:利用所述正例的Haar特征和所述反例的Haar特征进行分类器训练,得到级联的boosted分类器。
进一步地,所述步骤S5中根据所述增量图计算增加的昆虫数量具体包括:
S51:根据所述增量图中获取的昆虫图斑的数目得到昆虫增加的数目;
S52:根据所述面积分布表从所述昆虫增加的数目中减去面积分布概率小于5%的图斑数目,得到目标昆虫增量;
S53:将上次计算获取的数量与目标昆虫增量相加得到本次昆虫数量的增量计数值。
进一步地,所述步骤S6中计算昆虫数量的面积计数值具体包括:
S61:对所述昆虫轮廓图进行分割,获取总昆虫图斑,其中所述总昆虫图斑为所述昆虫轮廓图中相互连通的像素,并计算所述昆虫轮廓图中全部的白色像素面积,记为总像素面积;
S62:使用所述boosted分类器识别所述总昆虫图斑,计算昆虫加权平均面积;
S63:如果所述总像素面积为小于所述昆虫加权平均面积,将所述总移除面积置0;
S64:所述总像素面积减去所述总移除面积,得到总昆虫面积;
S65:所述总昆虫面积除以所述昆虫加权平均面积,得到所述昆虫数量的面积计数值。
(三)有益效果
本发明提供了一种基于计算机视觉技术的广谱虫情自动测报方法,使用性诱剂以诱杀测报的方式对特定品种的昆虫成虫进行计数及测报,可对所有性诱剂可诱杀的飞虫进行诱杀测报,适用范围较广,对广谱(即多品种)昆虫都可使用本发明提供的装置和方法进行测报。由于性诱剂只诱杀特定品种害虫,因此测报结果针对性好,减少了标靶的不确定性,只需更换性诱剂和黏虫板即可通过机器视觉和模式识别的方法自动识别昆虫特征形态,无需专家干涉,无需对采集算法进行调整,大大提高了虫情测报***的准确性和普适性,同时为虫害预警和综合防治提供科学的决策依据。
附图说明
图1为本发明实施例中一种基于计算机视觉技术的广谱虫情自动测报方法的步骤流程图;
图2为本发明实施例中图像采集时使用的装置结构示意图;
图3为本发明实施例中图像采集装置工作示意图;
图4为本发明实施例中去色处理后的当前图和昨日图;
图5为本发明实施例中降噪处理后的当前图和昨日图;
图6为本发明实施例中边缘加强处理后的当前图和昨日图;
图7为本发明实施例中二值化处理后的当前图和昨日图;
图8为本发明实施例中得到的增量图;
图9为本发明实施例中步骤S4的步骤流程图;
图10为本发明实施例中步骤S5的步骤流程图;
图11为本发明实施例中步骤S6的步骤流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明实施例中提供了一种基于计算机视觉技术的广谱虫情自动测报方法,步骤流程如图1所示,具体包括以下步骤:
步骤S1:定时获取捕获的目标昆虫的昆虫图像。
本实施例中采集昆虫图像采用的是如图2所示的图像采集装置,所述装置包括诱虫盒、粘虫板、相机、图像处理终端和百叶箱。
百叶箱内包括诱虫盒、粘虫板、相机,诱虫盒在箱体靠近粘虫板一侧。粘虫板位于百叶箱内壁的一侧。
相机和图像处理终端也位于百叶箱内壁,且与粘虫板的对侧。
在诱虫盒中装有性诱剂,性诱剂吸引昆虫的成虫进百叶箱。
粘虫板将进入百叶箱的目标昆虫粘在粘虫板上,以便于对于箱体对侧的相机对粘虫板进行拍摄,拍摄的目的是获取粘虫板上的昆虫图像。
图像处理终端对昆虫图像进行一系列处理和计算得到昆虫总数。采集到的图像有图像处理终端进行处理,处理结果直接发送给服务器或者专家***,用以指导决策或虫害预警,实现虫情的自动测报。
粘虫板为单面、单色的颜色与目标昆虫的颜色有反差,粘虫板定期更换。装置还包括LED照明灯,LED照明灯为相机在百叶箱内拍摄照片提供光源。LED照明灯采用色温6500K的正白光作为光源,LED照明灯面积较大,以避免阴影对图像采集的影响。每次采集图像时开启LED照明灯1秒,之后立即采集粘虫板图像,完成采集后立即关闭LED照明灯。同时为避免昆虫在光源下运动造成虚影,相机的快门速度须大于1/100秒,为获得良好的拍摄效果,本实施例中的相机分辨率大于200万像素。
使用上述装置采集图像的工作示意图如图3所示。
其中定时的时间间隔是N小时,N为24的因数,用相机每隔N小时采集一次昆虫图像,并将每次采集的图像保存。
根据测报需要选则一种昆虫品种作为测报对象,那么该种昆虫就为本次测报的目标昆虫。目标昆虫是针对农田病害选择出来的,并且是能被性诱剂诱杀的成虫期飞虫。确定目标昆虫后选择诱杀目标昆虫的性诱剂,并使用黏虫板捕获目标昆虫。
步骤S2:对获取的当前昆虫图像和昨日昆虫图像进行滤波处理,分别得到当前昆虫轮廓图和昨日昆虫轮廓图。
昨日昆虫图像就是24小时前拍摄的昆虫图像。
其中的滤波处理具体包括:去色、降噪、边缘加强、二值化。
(1)去色:对昆虫图像按发光度获取灰阶图像,前昆虫图像和昨日昆虫图像分别进行去色处理后得到的图像如图4所示,其中图4A为去色后的当前图像,图4B是去色后的昨日图像。
按发光度获取灰阶图像,发光度(Luminosity)与RGB的计算关系为L=0.21×R+0.71×G+0.07×B。
(2)降噪:使用5*5的RLE高斯降噪处理去色后的灰阶图像,降噪处理后的图像如图5所示,其中图5A为降噪后的当前图像,图5B是降噪后的昨日图像。
为了更高地保留了边缘效果,使用高斯平滑处理灰阶图像。由于图片90%以上为单一颜色的黏虫板,因此采用RLE(run-lengthencoding,游程编码)对处理流程进行压缩,以降低处理器负荷,加快处理速度,具体计算方法如下:
其中x,y为中心点到平滑参考点的距离,σ为标准差,此处选为0.7013,以保证累加为1,卷积矩阵如下:
9.50E-052.01E-035.55E-032.01E-039.50E-05
2.01E-034.24E-021.17E-014.24E-022.01E-03
5.55E-031.17E-013.24E-011.17E-015.55E-03
2.01E-034.24E-021.17E-014.24E-022.01E-03
9.50E-052.01E-035.55E-032.01E-039.50E-05
(3)边缘加强:使用双方向Sobel算子获取灰阶图像的边缘。边缘加强处理后的图像如图6所示,其中图6A为边缘加强后的当前图像,图6B是边缘加强后的昨日图像。
为降低处理器负荷采用3x3Sobel矩阵对图像进行卷积,获取行边缘和列边缘,具体计算方法如下:
(4)二值化:对边缘加强后的图像进行二值化处理,使得背景为黑色,前景为白色。二值化处理后的图像如图7所示,其中图7A为二值化后的当前图像,图7B是二值化后的昨日图像。
步骤S3:对当前昆虫轮廓图和昨日昆虫轮廓图进行做差处理,得到增量图,如图7所示。
虽然测报工作是在一个相对密封的百叶箱中进行的,但是外界光照对昆虫的生活习性的影响和对箱内光照的略微影响,为了避免误差就要测报昆虫每天同一时刻采集到的昆虫轮廓图进行做差处理,即用当前获取的昆虫轮廓图和24小时之前的昆虫轮廓图进行做差,得到的就是在当前时刻之前的24小时内捕获的昆虫图像,用图8中的增量图表示。
步骤S4:根据增量图建立和更新昆虫特征图谱。
步骤S4的具体流程如图9所示,具体包括以下步骤:
步骤S41:对增量图进行分割,获取昆虫图斑。
其中昆虫图斑为增量图中相互连通的像素,包含昆虫的形态特征和面积。将增量图中相互连通的像素分割为一个昆虫图斑,根据昆虫图斑可以得到昆虫的形态特征和在增量图中占用的面积。
步骤S42:计算昆虫图斑的图斑面积,并将图斑面积计入到面积分布表中。在面积分布表中记录每一个昆虫图斑的图斑面积,以便进行后续处理。
步骤S43:判断昆虫特征图谱是否为空,如果为空则执行步骤S54,否则执行步骤S45。
步骤S44:判定昆虫图斑为新昆虫图斑,将新昆虫图斑直接加入到昆虫特征图谱中,并将新昆虫图斑的图斑面积权重设为1,跳转至步骤S46。
步骤S45:将昆虫图斑与昆虫特征图谱中的昆虫图斑进行比对,如果在昆虫特征图谱中已经存在昆虫图斑,则判定昆虫图斑为已有昆虫图斑,将已有昆虫图斑的图斑面积权重增加0.3,并跳转至步骤S46,否则执行步骤S44。
昆虫特征图谱就是所有昆虫图斑的集合,当集合为空时就要建立昆虫特征图谱,将昆虫图斑添加到昆虫特征图谱中,即步骤S43;而步骤S44-S45是更新昆虫特征图谱,与原来的昆虫图斑作对比,如果有相同的则只需要增加对应的昆虫图斑的权重,没有相同的才将昆虫图斑添加到昆虫特征图谱中,并且第一次出现的权重设为1,以后再出现一次就增加0.3的权重。
步骤S46:如果面积分布表记录超过20个图斑面积,计算出每个图斑面积的面积分布概率,将昆虫特征图谱中面积分布概率小于5%的昆虫图斑移除,并将移除的昆虫图斑的图斑面积加入总移除面积中。对增量图中的白色区域(即目标昆虫)进行分块,每个独立的连续白色区域为一种昆虫的形态,由于拍摄角度和昆虫不同的飞行状态导致抓拍瞬间的昆虫图像中即便是同一品种的昆虫也有不同的形态特征。要将这些不同的形态图都保存下来,用于作为判定其它昆虫图斑是否计数在内的依据。
在对昆虫图斑的图斑面积进行计算的过程中,还要考虑到的情况就是在相机的角度观察,两只昆虫发生了重叠或部分重叠的情况,如果两只昆虫是部分重叠的,则经过对昆虫图像的一系列处理就能将这两只昆虫区别出来。而对于完全重叠的两只昆虫由于视觉技术平面性的缺陷还无法完全克服。
由于使用性诱剂诱杀的昆虫均为成虫,所以面积过大或过小都为误报,可能是图像处理产生的噪音、昆虫重叠的一部分或误捕昆虫,因此需将之过滤。方法是根据各个昆虫图斑的图斑面积计算面积分布概率,假定昆虫面积分布符合正态分布根据方差和均值计算图斑分布概率,在本实施例中将面积分布概率小于5%的昆虫图斑过滤掉,以滤除小概率图谱。该步骤将面积分布概率很小的昆虫图斑移除,以减少误差。公式如下:
步骤S4还包括:
步骤S47:根据面积分布概率归一化昆虫图斑为相同尺寸大小,得到归一化图斑,将归一化图斑作为正例,从增量图中不含昆虫图斑部分截取同样尺寸图像作为反例。
步骤S48:利用正例的Haar特征和反例的Haar特征进行分类器训练,得到级联的boosted分类器。
利用样本(大约几百幅样本图片)的Haar特征进行分类器训练,得到一个级联的boosted分类器。训练样本分为正例样本和反例样本,所以要分别提取正例和反例的Haar特征。正例样本是指待检目标样本(例如人脸或汽车等),在本实施例中就是指归一化的昆虫图斑,反例样本指其它任意图片,在本实施例中就是增量图中除去正例样本的其余部分,所有的样本图片都被归一化为同样的尺寸大小(例如,20x20)。
分类器训练完以后,就可以应用于输入图像中的感兴趣区域(与训练样本相同的尺寸)的检测,如果检测到目标区域则boosted分类器输出为1,否则输出为0。为了检测整副图像,可以在图像中移动搜索窗口,检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体,分类器被设计为可以进行尺寸改变,这样比改变待检图像的尺寸大小更为有效。
步骤S5:根据增量图计算增加的昆虫数量,与上一次昆虫数量的增量计数值相加得到本次昆虫数量的增量计数值。
其中根据所述增量图计算增加的昆虫数量的流程如图10所示,具体包括以下步骤:
步骤S51:根据增量图中获取的昆虫图斑的数目得到昆虫增加的数目。
步骤S52:根据面积分布表从昆虫增加的数目中减去面积分布概率小于5%的图斑数目,得到目标昆虫增量。
步骤S53:将上次计算获取的数量与目标昆虫增量相加得到本次昆虫数量的增量计数值。
将增加的昆虫数量加上上一次(即24小时前)的昆虫数量值得到本次通过增量计数方式得到的昆虫数的增量计数值N增。
步骤S6:根据昆虫特征图谱计算典型昆虫加权平均面积,进一步计算昆虫数量的面积计数值。
其中计算昆虫数量的面积计数值的流程如图11所示,具体包括以下步骤:
步骤S61:对昆虫轮廓图进行分割,获取总昆虫图斑。
其中总昆虫图斑为昆虫轮廓图中相互连通的像素,并计算昆虫轮廓图中全部的白色像素面积,记为总像素面积。
步骤S62:使用boosted分类器识别总昆虫图斑,计算昆虫加权平均面积。
平均加权面积S计算公式为S平=(N1*S1+N2*S2+……+Nn*Sn)/n,其中S1,S2,Sn为添加到昆虫特征图谱图斑的面积,N1,N2,Nn为图斑面积分别对应的权重,n表示取n只昆虫的图斑面积来计算平均加权值。
步骤S63:如果总像素面积为小于昆虫加权平均面积,将总移除面积置0。
步骤S64:总像素面积减去总移除面积,得到总昆虫面积。
步骤S65:总昆虫面积除以昆虫加权平均面积,得到昆虫数量的面积计数值。
用公式表示为N面=S总÷S平,N面为根据面积计算出的昆虫数量面积计数值,S总为总昆虫面积,S平为昆虫加权平均面积。
步骤S7:根据本次昆虫数量的增量计数值和昆虫数量的面积计数值取加权平均值,计算得到昆虫总数。
求加权平均值可以有效地减少使用一种方式计算数量时产生的误差。
通过上述方法,定时获取昆虫图像,对相隔一天的图像进行滤波和做差处理,得到增量图,并对计算得到的昆虫数量的增量计数值和面积计数值求加权平均值得到昆虫的总数。无需专家干涉,也无需对采集算法进行调整,大大提高了虫情测报***的准确性和普适性,尽可能的减小误差,同时为虫害预警和综合防治提供科学的决策依据。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (7)
1.一种基于计算机视觉技术的广谱虫情自动测报方法,其特征在于,所述方法具体包括:
S1:定时获取捕获的目标昆虫的昆虫图像,其中定时的时间间隔是N小时,N为24的因数;
S2:对获取的当前昆虫图像和昨日昆虫图像进行滤波处理,分别得到当前昆虫轮廓图和昨日昆虫轮廓图;
S3:对所述当前昆虫轮廓图和所述昨日昆虫轮廓图进行做差处理,得到增量图;
S4:根据所述增量图建立和更新昆虫特征图谱;
S5:根据所述增量图计算增加的昆虫数量,与上一次昆虫数量的增量计数值相加得到本次昆虫数量的增量计数值;
S6:根据所述昆虫特征图谱计算典型昆虫加权平均面积,进一步计算昆虫数量的面积计数值;
S7:根据所述本次昆虫数量的增量计数值和所述昆虫数量的面积计数值取加权平均值,计算得到昆虫总数。
2.如权利要求1所述的方法,其特征在于,所述步骤S1中的所述目标昆虫是针对农田病害选择出来的,并且是能被性诱剂诱杀的飞虫,选择诱杀所述目标昆虫的性诱剂,并使用黏虫板捕获所述目标昆虫。
3.如权利要求1所述的方法,其特征在于,所述步骤S2中滤波处理具体包括:去色、降噪、边缘加强、二值化。
4.如权利要求1所述的方法,其特征在于,所述步骤S4中建立和更新昆虫特征图谱具体包括:
S41:对所述增量图进行分割,获取昆虫图斑,其中所述昆虫图斑为所述增量图中相互连通的像素,包含昆虫的形态特征和面积;
S42:计算所述昆虫图斑的图斑面积,并将所述图斑面积计入到面积分布表中;
S43:判断所述昆虫特征图谱是否为空,如果为空则执行步骤S54,否则执行步骤S45;
S44:判定所述昆虫图斑为新昆虫图斑,将所述新昆虫图斑直接加入到所述昆虫特征图谱中,并将所述新昆虫图斑的图斑面积权重设为1,跳转至步骤S46;
S45:将所述昆虫图斑与所述昆虫特征图谱中的昆虫图斑进行比对,如果在所述昆虫特征图谱中已经存在所述昆虫图斑,则判定所述昆虫图斑为已有昆虫图斑,将所述已有昆虫图斑的图斑面积权重增加0.3,并跳转至步骤S46,否则执行步骤S44;
S46:如果所述面积分布表记录超过20个图斑面积,计算出每个图斑面积的面积分布概率,将所述昆虫特征图谱中所述面积分布概率小于5%的昆虫图斑移除,并将移除的昆虫图斑的图斑面积加入总移除面积中。
5.如权利要求4所述的方法,其特征在于,步骤S4还包括:
S47:根据所述面积分布概率归一化所述昆虫图斑为相同尺寸大小,得到归一化图斑,将所述归一化图斑作为正例,从所述增量图中不含昆虫图斑部分截取同样尺寸图像作为反例;
S48:利用所述正例的Haar特征和所述反例的Haar特征进行分类器训练,得到级联的boosted分类器。
6.如权利要求1所述的方法,其特征在于,所述步骤S5中根据所述增量图计算增加的昆虫数量具体包括:
S51:根据所述增量图中获取的昆虫图斑的数目得到昆虫增加的数目;
S52:根据所述面积分布表从所述昆虫增加的数目中减去面积分布概率小于5%的图斑数目,得到目标昆虫增量;
S53:将上次计算获取的数量与目标昆虫增量相加得到本次昆虫数量的增量计数值。
7.如权利要求5所述的方法,其特征在于,所述步骤S6中计算昆虫数量的面积计数值具体包括:
S61:对所述昆虫轮廓图进行分割,获取总昆虫图斑,其中所述总昆虫图斑为所述昆虫轮廓图中相互连通的像素,并计算所述昆虫轮廓图中全部的白色像素面积,记为总像素面积;
S62:使用所述boosted分类器识别所述总昆虫图斑,计算昆虫加权平均面积;
S63:如果所述总像素面积为小于所述昆虫加权平均面积,将所述总移除面积置0;
S64:所述总像素面积减去所述总移除面积,得到总昆虫面积;
S65:所述总昆虫面积除以所述昆虫加权平均面积,得到所述昆虫数量的面积计数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310156563.5A CN103246872B (zh) | 2013-04-28 | 2013-04-28 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310156563.5A CN103246872B (zh) | 2013-04-28 | 2013-04-28 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103246872A CN103246872A (zh) | 2013-08-14 |
CN103246872B true CN103246872B (zh) | 2016-02-10 |
Family
ID=48926385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310156563.5A Active CN103246872B (zh) | 2013-04-28 | 2013-04-28 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103246872B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104410812A (zh) * | 2014-10-10 | 2015-03-11 | 江苏省农业科学院 | 基于Web Service的温室虫害预警方法 |
CN104751450B (zh) * | 2015-03-05 | 2017-10-27 | 中国农业大学 | 温室粘贴色板上的害虫数量辨识方法及装置 |
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 |
CN105023272A (zh) * | 2015-06-26 | 2015-11-04 | 广州铁路职业技术学院 | 农作物叶子虫害检测方法和*** |
CN107292314A (zh) * | 2016-03-30 | 2017-10-24 | 浙江工商大学 | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 |
CN108241840A (zh) * | 2016-12-26 | 2018-07-03 | 河南农业大学 | 一种刺吸电位图谱(epg)波形自动识别方法 |
WO2019126971A1 (zh) * | 2017-12-25 | 2019-07-04 | 仲恺农业工程学院 | 一种基于机器视觉的虫害监测方法 |
CN108040997B (zh) * | 2017-12-25 | 2020-09-11 | 仲恺农业工程学院 | 一种基于机器视觉的虫害监测方法 |
CN108305270B (zh) * | 2018-03-19 | 2022-11-01 | 河南工业大学 | 一种基于手机拍照的仓储粮虫计数***及方法 |
CN108510490B (zh) * | 2018-03-30 | 2021-02-19 | 深圳春沐源控股有限公司 | 一种分析虫害趋势的方法、装置及计算机存储介质 |
CN109784239A (zh) * | 2018-12-29 | 2019-05-21 | 上海媒智科技有限公司 | 飞虫数量识别方法和装置 |
CN110850045A (zh) * | 2019-11-27 | 2020-02-28 | 上海秒针网络科技有限公司 | 咖啡豆的气味识别方法及装置、存储介质和电子装置 |
CN116258977B (zh) * | 2023-05-09 | 2023-07-21 | 凉山州现代林业产业发展指导服务中心 | 一种基于视频图像识别森林病虫害防控方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1442786A (zh) * | 2003-04-09 | 2003-09-17 | 沈佐锐 | 微小昆虫自动计数*** |
CN102148012A (zh) * | 2009-12-28 | 2011-08-10 | Nec液晶技术株式会社 | 图像显示控制装置、图像显示装置及其控制方法和程序 |
CN102592454A (zh) * | 2012-02-29 | 2012-07-18 | 北京航空航天大学 | 一种基于车辆侧面与路面交线检测的交叉口车辆运动参数测量方法 |
CN102930249A (zh) * | 2012-10-23 | 2013-02-13 | 四川农业大学 | 基于颜色和模型的农田害虫识别和计数方法 |
-
2013
- 2013-04-28 CN CN201310156563.5A patent/CN103246872B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1442786A (zh) * | 2003-04-09 | 2003-09-17 | 沈佐锐 | 微小昆虫自动计数*** |
CN102148012A (zh) * | 2009-12-28 | 2011-08-10 | Nec液晶技术株式会社 | 图像显示控制装置、图像显示装置及其控制方法和程序 |
CN102592454A (zh) * | 2012-02-29 | 2012-07-18 | 北京航空航天大学 | 一种基于车辆侧面与路面交线检测的交叉口车辆运动参数测量方法 |
CN102930249A (zh) * | 2012-10-23 | 2013-02-13 | 四川农业大学 | 基于颜色和模型的农田害虫识别和计数方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103246872A (zh) | 2013-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103246872B (zh) | 一种基于计算机视觉技术的广谱虫情自动测报方法 | |
Aquino et al. | Automated early yield prediction in vineyards from on-the-go image acquisition | |
Yadav et al. | Identification of disease using deep learning and evaluation of bacteriosis in peach leaf | |
CN108986064B (zh) | 一种人流量统计方法、设备及*** | |
Nuske et al. | Yield estimation in vineyards by visual grape detection | |
Miranda et al. | Pest detection and extraction using image processing techniques | |
CN101701906B (zh) | 基于近红外超光谱成像技术的仓储害虫检测方法和装置 | |
Arakeri et al. | Computer vision based robotic weed control system for precision agriculture | |
Kodama et al. | Development of classification system of rice disease using artificial intelligence | |
CN101794406B (zh) | 烟粉虱成虫密度自动计数*** | |
CN106332855A (zh) | 一种病虫害自动预警*** | |
CN103344583B (zh) | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测***及方法 | |
CN101701915A (zh) | 基于可见光—近红外双目机器视觉的粮虫检测装置和方法 | |
CN111062938B (zh) | 基于机器学习的板材涨塞检测***和检测方法 | |
CN105005813A (zh) | 虫害分析计数方法及*** | |
US20230106933A1 (en) | Method And Apparatus For Determining An Index Of Insect Biodiversity, An Insect Sensor And A System Of Insect Sensors | |
CN107273799A (zh) | 一种室内定位方法及定位*** | |
CN113409362B (zh) | 高空抛物检测方法和装置、设备及计算机存储介质 | |
CN106650822A (zh) | 病虫害识别方法及装置 | |
Kumar et al. | Robust insect classification applied to real time greenhouse infestation monitoring | |
CN108133491A (zh) | 一种实现动态目标跟踪的方法 | |
CN109255360A (zh) | 一种目标分类方法、装置及*** | |
CN103530988A (zh) | 一种草坪践踏及危害程度的预警方法 | |
CN104616283B (zh) | 一种基于低秩表示算法的害虫检测方法 | |
Cándido-Mireles et al. | Detecting vineyard plants stress in situ using deep learning |
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 |