CN104751122B - 一种农作物病情指数的计算方法及*** - Google Patents
一种农作物病情指数的计算方法及*** Download PDFInfo
- Publication number
- CN104751122B CN104751122B CN201510098883.9A CN201510098883A CN104751122B CN 104751122 B CN104751122 B CN 104751122B CN 201510098883 A CN201510098883 A CN 201510098883A CN 104751122 B CN104751122 B CN 104751122B
- Authority
- CN
- China
- Prior art keywords
- image
- mrow
- disease
- subgraph
- area
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种农作物病情指数的计算方法及***,包括:获取农作物的图像,并对所述图像进行预处理;将预处理后的图像划分成多个子图像,提取所述子图像的颜色特征;根据所述子图像的颜色特征,通过最小距离分类器识别所述子图像的病害种类及病害级别;根据所述子图像的病害种类及病害级别,计算该农作物的病情指数。该方法解决了现有技术中病情指数计算依赖田间植保人员自身经验和病理学知识、统计结果不准确、需要人工计算等。通过该方法将有助于提高农作物病害的防治水平,进而促进了精准农业的实施,而且也为农作物病害防治领域提供了新的方法和技术。
Description
技术领域
本发明涉及农作物病害防治领域,具体涉及一种农作物病情指数的计算方法及***。
背景技术
随着农作物产业的发展,农作物受病害的危害程度日趋严重。由于病害的诊断基本上是凭借经验和病理学知识进行分析和判断,这样就使得农民在农作物生产过程中,缺乏科学合理使用农药的知识,导致了农药的误用和滥用。如果能够实现对农作物病害的自动识别,准确地计算出病情指数,就能够针对病害的具体情况,有选择性地施药,减少“地毯式”大面积农药的喷洒,极大降低了农药的使用量,从源头上确保了农作物生产的安全。
病情指数(Disease Index,DI)又叫发病指数,是全面考虑发病率与严重度的综合指标,可作为农作物作物防治病害的重要依据。传统的病情指数主要是通过田间植保人员根据自身经验和病理学知识实地调研计算得来。该方法不仅工作量大、效率低下,而且受到植保人员专业知识的限制应用范围有限。
发明内容
针对现有技术中的缺陷,本发明提供了一种农作物病情指数的计算方法及***,该方法解决了依赖田间植保人员自身经验和病理学知识计算农作物的病情指数,导致统计结果不准确,效率低等问题。
第一方面,本发明提供一种农作物病情指数的计算方法,包括:
获取农作物的图像,并对所述图像进行预处理;
将预处理后的图像划分成多个子图像,提取所述子图像的颜色特征;
根据所述子图像的颜色特征,通过最小距离分类器识别所述子图像的病害种类及病害级别;
根据所述子图像的病害种类及病害级别,计算该农作物的病情指数。
可选的,所述获取农作物的图像,并对所述图像进行预处理,包括:
获取农作物的图像,所述图像中包含农作物的叶片;
采用交互式图像分割方法提取所述图像中的叶片区域;
对提取的叶片区域的图像进行滤波、去噪和平滑预处理。
可选的,所述采用交互式图像分割方法提取所述图像中的叶片区域,包括:
在所述图像中选择图像的分割点;
利用分水岭图像分割算法对所述图像进行分割,并划分为多个区域图像;
提取每个区域图像的颜色直方图特征;
根据所述每个区域图像的颜色直方图特征以及确定的叶片区域图像和非叶片区域图像的颜色直方图特征,计算每个区域图像与叶片区域图像的第一相似度,以及该区域图像与非叶片区域图像的第二相似度,若所述第一相似度大于所述第二相似度,则将该区域图像作为目标区域的图像;
将多个目标区域的图像合并作为叶片区域的图像。
可选的,所述根据所述每个区域图像的颜色直方图特征以及确定的叶片区域图像和非叶片区域图像的颜色直方图特征,计算每个区域图像与叶片区域图像的第一相似度,以及该区域图像与非叶片区域图像的第二相似度,包括:
其中,HistC表示区域图像C的直方图,HistD表示叶片区域图像D的直方图,HistE表示非叶片区域图像E的直方图,上标u表示R、G、B三种颜色,ρ(C,D)表示区域图像C与叶片区域图像D的第一相似度,ρ(C,E)表示区域图像C与非叶片区域图像E的第二相似度,若ρ(C,D)大于ρ(C,E),则将区域图像作为目标区域的图像。
可选的,所述将预处理后的图像划分成多个子图像,提取所述子图像的颜色特征,包括:
将预处理后的图像归一化,采用平面划分算法将所述将预处理后的图像划分成多个子图像;
提取每个子图像的R、G、B颜色特征。
可选的,所述根据所述子图像的颜色特征,通过最小距离分类器识别所述子图像的病害种类及病害级别,包括:
根据所述子图像的颜色特征,获取所述子图像的颜色特征值;
将所述子图像的颜色特征值分别与病害样本库中N个病害图像的颜色特征值进行比较,并获得与所述子图像颜色特征值距离最小的病害样本库中的病害图像的颜色特征值,以及该颜色特征值对应的病害图像;
根据所述病害样本库中的病害图像的病害种类及病害级别,识别所述子图像的病害种类及病害级别。
可选的,所述将所述子图像的颜色特征值分别与病害样本库中N个病害图像的颜色特征值进行比较,并获得与所述子图像颜色特征值距离最小的病害样本库中的病害图像的颜色特征值,包括:
其中,gi(x)为子图像颜色特征值与病害样本库中N个病害图像的颜色特征值的距离,中的i表示多种已知农作物病害的第i类,k表示第i类中N个农作物病害图像样本中的第k个农作物病害图像样本,at表示第t个颜色特征值,x表示待识别的农作物病害的图像,其中,t=1,2,3,i=1,2,…,m,m表示病害种类的个数;
再从各类病害的最小值中获取最小值,如下公式:
则gj(x)所对应的病害种类和病害级别为待识别农作物图像的病害种类和病害级别。
可选的,所述根据所述子图像的病害种类及病害级别,计算该农作物的病情指数,包括:
其中,DIv为病情指数,v为农作物病害种类,z为v种类病害所对应的病害级别,m为最高病害级别,Fz是病害级别为z时的子图像个数,Num为子图像的总个数,Dmax为当前子图像的最高病害级别。
第二方面,本发明还提供了一种农作物病情指数的计算***,包括:
图像获取模块,用于获取农作物的图像,并对所述图像进行预处理;
特征提取模块,用于将预处理后的图像划分成多个子图像,提取所述子图像的颜色特征;
病害识别模块,用于根据所述子图像的颜色特征,通过最小距离分类器识别所述子图像的病害种类及病害级别;
计算模块,用于根据所述子图像的病害种类及病害级别,计算该农作物的病情指数。
可选的,所述图像获取模块,具体用于:
获取农作物的图像,所述图像中包含农作物的叶片;
采用交互式图像分割方法提取所述图像中的叶片区域;
对提取的叶片区域的图像进行滤波、去噪和平滑预处理。
由上述技术方案可知,本发明提供的一种农作物病情指数的计算方法及***,该方法解决了现有技术中病情指数计算依赖田间植保人员自身经验和病理学知识、统计结果不准确、需要人工计算等。通过该方法将有助于提高农作物病害的防治水平,进而促进了精准农业的实施,而且也为农作物病害防治领域提供了新的方法和技术。
附图说明
图1为本发明一实施例提供的一种农作物病情指数的计算方法的流程示意图;
图2为本发明一实施例提供的一种农作物病情指数的计算***的结构示意图。
具体实施方式
下面结合附图,对发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
图1示出了本发明一实施例提供的一种农作物病情指数的计算方法的流程示意图,如图1所示,该方法包括如下步骤:
101、获取农作物的图像,并对所述图像进行预处理;
举例来说,该图像可以是从图像采集设备中获取的图像,该农作物可以为蔬菜等农作物,在图像采集设备获取农作物的图像时,该图像中包含有农作物叶片的图像。该图像可以理解为彩色图像。
102、将预处理后的图像划分成多个子图像,提取所述子图像的颜色特征;
上述颜色特征可以理解为每块子图像的R、G、B颜色特征。
将预处理后的图像归一化,采用平面划分算法将所述将预处理后的图像划分成多个子图像;
可理解为,所述的图像归一化是将提取的蔬菜叶片采用平面划分算法将其划分成大小L×H大小的子图像,其中L、H分别为图像的宽度和高度,其单位为像素,其最小值可根据实际应用情况设定,如30×40、20×20等。
提取每个子图像的R、G、B颜色特征。
103、根据所述子图像的颜色特征,通过最小距离分类器识别所述子图像的病害种类及病害级别;
104、根据所述子图像的病害种类及病害级别,计算该农作物的病情指数。
上述方法解决了现有技术中病情指数计算依赖田间植保人员自身经验和病理学知识、统计结果不准确、需要人工计算等。通过该方法将有助于提高农作物病害的防治水平,进而促进了精准农业的实施,而且也为农作物病害防治领域提供了新的方法和技术。
具体的,上述步骤101具体包括以下步骤:
1011、获取农作物的图像,所述图像中包含农作物的叶片;
1012、采用交互式图像分割方法提取所述图像中的叶片区域;
上述采用交互式图像分割方法具体包括以下步骤:
1012a、在所述图像中选择图像的分割点;
1012b、利用分水岭图像分割算法对所述图像进行分割,并划分为多个区域图像;
1012c、提取每个区域图像的颜色直方图特征;
具体的,所述的提取图像颜色直方图特征是指对每一图像分别统计R、G、B颜色通道上的直方图,由三种颜色直方图组成特征向量。
1012d、根据所述每个区域图像的颜色直方图特征以及确定的叶片区域图像和非叶片区域图像的颜色直方图特征,计算每个区域图像与叶片区域图像的第一相似度,以及该区域图像与非叶片区域图像的第二相似度,若所述第一相似度大于所述第二相似度,则将该区域图像作为目标区域的图像;
上述目标区域的图像可以理解为在原始图像中通过上述方法提取的农作物叶片的图像。
具体的,通过下述公式计算相似度之后,获取区域图像中目标区域的图像。
其中,HistC表示区域图像C的直方图,HistD表示叶片区域图像D的直方图,HistE表示非叶片区域图像E的直方图,上标u表示R、G、B三种颜色,ρ(C,D)表示区域图像C与叶片区域图像D的第一相似度,ρ(C,E)表示区域图像C与非叶片区域图像E的第二相似度,若ρ(C,D)大于ρ(C,E),则将区域图像作为目标区域的图像。
1012e、将多个目标区域的图像合并作为叶片区域的图像。
1013、对提取的叶片区域的图像进行滤波、去噪和平滑预处理。
上述步骤103具体包括以下步骤:
1031、根据所述子图像的颜色特征,获取所述子图像的颜色特征值;
1032、将所述子图像的颜色特征值分别与病害样本库中N个病害图像的颜色特征值进行比较,并获得与所述子图像颜色特征值距离最小的病害样本库中的病害图像的颜色特征值,以及该颜色特征值对应的病害图像;
具体的,在m个病害种类ω1,ω2,…,ωm中,每类设置N个不同病害等级的农作物病害样本作为训练集,首先,通过上述步骤将所述待识别农作物病害的所述颜色特征值分别与所述每类病害的所述N个病害图像样本的颜色特征值进行比较,以从所述每类病害的所述N个农作物病害图像样本中获得颜色特征值的距离的最小值:
其中,gi(x)为子图像颜色特征值与病害样本库中N个病害图像的颜色特征值的距离,中的i表示多种已知农作物病害的第i类,k表示第i类中N个农作物病害图像样本中的第k个农作物病害图像样本,at表示第t个颜色特征值,x表示待识别的农作物病害的图像,其中,t=1,2,3,i=1,2,…,m,m表示病害种类的个数;
再从各类病害的最小值中获取最小值,如下公式:
则gj(x)所对应的病害种类和病害级别为待识别农作物图像的病害种类和病害级别。
当出现多个最终最小值时,即获得不止一个gj(x)时,则将多个gj(x)所对应的农作物病害种类中的任一种作为待识别农作物图像的病害种类和病害级别。
1033、根据所述病害样本库中的病害图像的病害种类及病害级别,识别所述子图像的病害种类及病害级别。
上述步骤104中根据所述子图像的病害种类及病害级别,计算该农作物的病情指数,具体包括:
其中,DIv为病情指数,v为农作物病害种类,z为v种类病害所对应的病害级别,m为最高病害级别,Fz是病害级别为z时的子图像个数,Num为子图像的总个数,Dmax为当前子图像的最高病害级别。
当采集多幅农作物图像时,可对所有子图像进行累加计算。
按照上述步骤,即可以实现蔬菜病情指数的自动计算。
根据上述病情指数的计算公式,可以计算每一种病害的病情指数,从而统计出所有病害的病情指数,为农作物病害的诊断提供依据。
上述方法与人工计算方法相比,能够实现农作物病情指数的自动计算,克服了人工计算方法中存在的效率低、过分依赖植保人员的经验和病理学知识等问题;该方法能够应用于智能手机等移动终端,适合田间操作,拓宽了该方法的应用范围。
图2示出了本发明一实施例提供的一种农作物病情指数的计算***的结构示意图,如图2所示,该***包括:
图像获取模块21,用于获取农作物的图像,并对所述图像进行预处理;
特征提取模块22,用于将预处理后的图像划分成多个子图像,提取所述子图像的颜色特征;
病害识别模块23,用于根据所述子图像的颜色特征,通过最小距离分类器识别所述子图像的病害种类及病害级别;
计算模块24,用于根据所述子图像的病害种类及病害级别,计算该农作物的病情指数。
其中,所述图像获取模块,具体用于:
获取农作物的图像,所述图像中包含农作物的叶片;
采用交互式图像分割方法提取所述图像中的叶片区域;
对提取的叶片区域的图像进行滤波、去噪和平滑预处理。
本发明的***与方法是一一对应的,因此方法中一些参数的计算过程也适用于该***中各模块中的计算的过程,在***中将不再进行详细说明。
本发明的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (6)
1.一种农作物病情指数的计算方法,其特征在于,包括:
获取农作物的图像,并对所述图像进行预处理;
将预处理后的图像划分成多个子图像,提取所述子图像的颜色特征;
根据所述子图像的颜色特征,通过最小距离分类器识别所述子图像的病害种类及病害级别;
根据所述子图像的病害种类及病害级别,计算该农作物的病情指数;
所述获取农作物的图像,并对所述图像进行预处理,包括:
获取农作物的图像,所述图像中包含农作物的叶片;
采用交互式图像分割方法提取所述图像中的叶片区域;
对提取的叶片区域的图像进行滤波、去噪和平滑预处理;
所述采用交互式图像分割方法提取所述图像中的叶片区域,包括:
在所述图像中选择图像的分割点;
利用分水岭图像分割算法对所述图像进行分割,并划分为多个区域图像;
提取每个区域图像的颜色直方图特征;
根据所述每个区域图像的颜色直方图特征以及确定的叶片区域图像和非叶片区域图像的颜色直方图特征,计算每个区域图像与叶片区域图像的第一相似度,以及该区域图像与非叶片区域图像的第二相似度,若所述第一相似度大于所述第二相似度,则将该区域图像作为目标区域的图像;
将多个目标区域的图像合并作为叶片区域的图像;
所述根据所述每个区域图像的颜色直方图特征以及确定的叶片区域图像和非叶片区域图像的颜色直方图特征,计算每个区域图像与叶片区域图像的第一相似度,以及该区域图像与非叶片区域图像的第二相似度,包括:
<mrow>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msqrt>
<mrow>
<msubsup>
<mi>Hist</mi>
<mi>C</mi>
<mi>u</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msubsup>
<mi>Hist</mi>
<mi>D</mi>
<mi>u</mi>
</msubsup>
</mrow>
</msqrt>
</mrow>
<mrow>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<mi>E</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msqrt>
<mrow>
<msubsup>
<mi>Hist</mi>
<mi>C</mi>
<mi>u</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msubsup>
<mi>Hist</mi>
<mi>E</mi>
<mi>u</mi>
</msubsup>
</mrow>
</msqrt>
</mrow>
其中,HistC表示区域图像C的直方图,HistD表示叶片区域图像D的直方图,HistE表示非叶片区域图像E的直方图,上标u表示R、G、B三种颜色,ρ(C,D)表示区域图像C与叶片区域图像D的第一相似度,ρ(C,E)表示区域图像C与非叶片区域图像E的第二相似度,若ρ(C,D)大于ρ(C,E),则将区域图像作为目标区域的图像。
2.根据权利要求1所述的方法,其特征在于,所述将预处理后的图像划分成多个子图像,提取所述子图像的颜色特征,包括:
将预处理后的图像归一化,采用平面划分算法将所述将预处理后的图像划分成多个子图像;
提取每个子图像的R、G、B颜色特征。
3.根据权利要求1所述的方法,其特征在于,所述根据所述子图像的颜色特征,通过最小距离分类器识别所述子图像的病害种类及病害级别,包括:
根据所述子图像的颜色特征,获取所述子图像的颜色特征值;
将所述子图像的颜色特征值分别与病害样本库中N个病害图像的颜色特征值进行比较,并获得与所述子图像颜色特征值距离最小的病害样本库中的病害图像的颜色特征值,以及该颜色特征值对应的病害图像;
根据所述病害样本库中的病害图像的病害种类及病害级别,识别所述子图像的病害种类及病害级别。
4.根据权利要求3所述的方法,其特征在于,所述将所述子图像的颜色特征值分别与病害样本库中N个病害图像的颜色特征值进行比较,并获得与所述子图像颜色特征值距离最小的病害样本库中的病害图像的颜色特征值,包括:
<mrow>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>k</mi>
</munder>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<msub>
<mi>a</mi>
<mi>t</mi>
</msub>
</msub>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<msub>
<mi>ia</mi>
<mi>t</mi>
</msub>
</mrow>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
</mrow>
其中,gi(x)为子图像颜色特征值与病害样本库中N个病害图像的颜色特征值的距离,中的i表示多种已知农作物病害的第i类,k表示第i类中N个农作物病害图像样本中的第k个农作物病害图像样本,at表示第t个颜色特征值,x表示待识别的农作物病害的图像,其中,t=1,2,3,i=1,2,…,m,m表示病害种类的个数;
再从各类病害的最小值中获取最小值,如下公式:
<mrow>
<msub>
<mi>g</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>i</mi>
</munder>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
</mrow>
则gj(x)所对应的病害种类和病害级别为待识别农作物图像的病害种类和病害级别。
5.根据权利要求1所述的方法,其特征在于,所述根据所述子图像的病害种类及病害级别,计算该农作物的病情指数,包括:
<mrow>
<msub>
<mi>DI</mi>
<mi>v</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>z</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>z</mi>
</msub>
<mo>&times;</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mo>&times;</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
<mo>,</mo>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
</mrow>
其中,DIv为病情指数,v为农作物病害种类,z为v种类病害所对应的病害级别,m为最高病害级别,Fz是病害级别为z时的子图像个数,Num为子图像的总个数,Dmax为当前子图像的最高病害级别。
6.一种农作物病情指数的计算***,其特征在于,包括:
图像获取模块,用于获取农作物的图像,并对所述图像进行预处理;
特征提取模块,用于将预处理后的图像划分成多个子图像,提取所述子图像的颜色特征;
病害识别模块,用于根据所述子图像的颜色特征,通过最小距离分类器识别所述子图像的病害种类及病害级别;
计算模块,用于根据所述子图像的病害种类及病害级别,计算该农作物的病情指数;
所述图像获取模块,具体用于:
获取农作物的图像,所述图像中包含农作物的叶片;
采用交互式图像分割方法提取所述图像中的叶片区域;
对提取的叶片区域的图像进行滤波、去噪和平滑预处理;
所述采用交互式图像分割方法提取所述图像中的叶片区域,包括:
在所述图像中选择图像的分割点;
利用分水岭图像分割算法对所述图像进行分割,并划分为多个区域图像;
提取每个区域图像的颜色直方图特征;
根据所述每个区域图像的颜色直方图特征以及确定的叶片区域图像和非叶片区域图像的颜色直方图特征,计算每个区域图像与叶片区域图像的第一相似度,以及该区域图像与非叶片区域图像的第二相似度,若所述第一相似度大于所述第二相似度,则将该区域图像作为目标区域的图像;
将多个目标区域的图像合并作为叶片区域的图像;
所述根据所述每个区域图像的颜色直方图特征以及确定的叶片区域图像和非叶片区域图像的颜色直方图特征,计算每个区域图像与叶片区域图像的第一相似度,以及该区域图像与非叶片区域图像的第二相似度,包括:
<mrow>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msqrt>
<mrow>
<msubsup>
<mi>Hist</mi>
<mi>C</mi>
<mi>u</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msubsup>
<mi>Hist</mi>
<mi>D</mi>
<mi>u</mi>
</msubsup>
</mrow>
</msqrt>
</mrow>
<mrow>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<mi>E</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msqrt>
<mrow>
<msubsup>
<mi>Hist</mi>
<mi>C</mi>
<mi>u</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msubsup>
<mi>Hist</mi>
<mi>E</mi>
<mi>u</mi>
</msubsup>
</mrow>
</msqrt>
</mrow>
其中,HistC表示区域图像C的直方图,HistD表示叶片区域图像D的直方图,HistE表示非叶片区域图像E的直方图,上标u表示R、G、B三种颜色,ρ(C,D)表示区域图像C与叶片区域图像D的第一相似度,ρ(C,E)表示区域图像C与非叶片区域图像E的第二相似度,若ρ(C,D)大于ρ(C,E),则将区域图像作为目标区域的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510098883.9A CN104751122B (zh) | 2015-03-05 | 2015-03-05 | 一种农作物病情指数的计算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510098883.9A CN104751122B (zh) | 2015-03-05 | 2015-03-05 | 一种农作物病情指数的计算方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104751122A CN104751122A (zh) | 2015-07-01 |
CN104751122B true CN104751122B (zh) | 2017-11-17 |
Family
ID=53590779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510098883.9A Active CN104751122B (zh) | 2015-03-05 | 2015-03-05 | 一种农作物病情指数的计算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751122B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261045B (zh) * | 2015-09-12 | 2020-04-03 | 黑龙江八一农垦大学 | 一种快速评估苜蓿病虫害损失程度的数字化方法 |
CN106504258B (zh) * | 2016-08-31 | 2019-04-02 | 北京农业信息技术研究中心 | 一种植物叶片图像提取方法及装置 |
CN106770321B (zh) * | 2016-12-08 | 2019-07-19 | 广东工业大学 | 一种基于多阈值区间的塑料零件缺陷检测方法 |
CN110135481B (zh) * | 2019-04-30 | 2023-01-24 | 佛山科学技术学院 | 一种农作物病变检测方法以及检测装置 |
CN110282135B (zh) * | 2019-06-14 | 2021-10-29 | 江苏农林职业技术学院 | 一种植保无人机农药精准喷施***及喷施方法 |
CN114092795A (zh) * | 2020-07-31 | 2022-02-25 | 中国矿业大学(北京) | 基于植被指数归一化的作物病害等级评估方法 |
CN113207511A (zh) * | 2021-03-31 | 2021-08-06 | 广西中烟工业有限责任公司 | 一种基于农药抗性监测的农药施用方法、***及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008118977A1 (en) * | 2007-03-26 | 2008-10-02 | Desert Research Institute | Data analysis process |
CN102640671A (zh) * | 2012-05-02 | 2012-08-22 | 湖北省农业科学院果树茶叶研究所 | 一种梨种质抗黑斑病鉴定的方法 |
CN104091179A (zh) * | 2014-07-01 | 2014-10-08 | 北京工业大学 | 小麦白粉病菌孢子图片的智能识别方法 |
-
2015
- 2015-03-05 CN CN201510098883.9A patent/CN104751122B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008118977A1 (en) * | 2007-03-26 | 2008-10-02 | Desert Research Institute | Data analysis process |
CN102640671A (zh) * | 2012-05-02 | 2012-08-22 | 湖北省农业科学院果树茶叶研究所 | 一种梨种质抗黑斑病鉴定的方法 |
CN104091179A (zh) * | 2014-07-01 | 2014-10-08 | 北京工业大学 | 小麦白粉病菌孢子图片的智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104751122A (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751122B (zh) | 一种农作物病情指数的计算方法及*** | |
Ribera et al. | Counting plants using deep learning | |
CN104881865A (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其*** | |
CN106951836A (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
US9064151B2 (en) | Device and method for detecting plantation rows | |
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN103839078B (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN102609726A (zh) | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 | |
CN102208099A (zh) | 一种抗光照变化的作物彩色图像分割方法 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN104217440B (zh) | 一种从遥感图像中提取建成区的方法 | |
CN110826556A (zh) | 改进深度学习的广谱农作物杂草识别与定位方法 | |
WO2018073093A1 (de) | Bestimmung des korngewichtes einer ähre | |
CN105354824B (zh) | 基于区域提取的双参数恒虚警检测方法 | |
CN109447111A (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
CN104182767A (zh) | 主动学习和邻域信息相结合的高光谱图像分类方法 | |
CN106228136A (zh) | 基于聚合通道特征的全景街景隐私保护方法 | |
CN106960196A (zh) | 基于模板匹配和svm的工业视频小数字识别方法 | |
CN102542285B (zh) | 基于谱图分析的图像集合的场景分类方法及装置 | |
Roth et al. | Automated detection of individual clove trees for yield quantification in northeastern Madagascar based on multi-spectral satellite data | |
CN108846360A (zh) | 草原盐渍化的遥感识别方法、装置及计算机可读储存介质 | |
CN106909881A (zh) | 基于无人机遥感影像提取玉米育种基地垄数的方法及*** | |
CN107121681A (zh) | 基于高分卫星遥感数据的居民地提取*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Patentee after: Information technology research center of Beijing Academy of agricultural and Forestry Sciences Address before: 100097 318b, block a, agricultural science building, 11 Shuguang Huayuan Middle Road, Haidian District, Beijing Patentee before: BEIJING RESEARCH CENTER FOR INFORMATION TECHNOLOGY IN AGRICULTURE |