CN105023272A - 农作物叶子虫害检测方法和*** - Google Patents
农作物叶子虫害检测方法和*** Download PDFInfo
- Publication number
- CN105023272A CN105023272A CN201510366570.7A CN201510366570A CN105023272A CN 105023272 A CN105023272 A CN 105023272A CN 201510366570 A CN201510366570 A CN 201510366570A CN 105023272 A CN105023272 A CN 105023272A
- Authority
- CN
- China
- Prior art keywords
- insect pest
- pixel
- image
- edge
- gray
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种农作物叶子虫害检测方法和***。其中方法包括:获取农作物叶子的虫害图像,对所述虫害图像进行灰度化得到虫害灰度图像;采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线;其中,虫害边缘轮廓线为虫害区域与背景的分界线;利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充,使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值,得到二值图像;确定所述二值图像中虫害区域的面积,根据所述虫害区域的面积大小确定农作物叶子的虫害数量。上述虫害检测方法,以自动地准确、快速确定农作物害虫叶螨在叶片上的数量,为农作物保护研究提供了一个现代化辅助方法和工具。对虫害预测、预报有着重要的意义。
Description
技术领域
本发明涉及农业科技技术领域,特别是涉及一种农作物叶子虫害检测方法和***。
背景技术
农作物的整个生长期内,受到多种有害生物危害,直接影响到农作物的产量和质量,给农业生产造成严重的破坏。在我国,每年由于病虫害所引起的损失都相当惊人。因此,农作物的病虫害防治在农作物生产和国民经济发展中占有极其重要的地位。
对叶子害虫种群数量进行抽样调查,是进行预测预报工作的一项基本任务。只有获取正确的抽样调查数据,才能对害虫的数量动态、种群密度以及害虫的危害程度进行准确的预测,进而才能对农作物进行精确喷药,并保证害虫防治工作的正确执行。
目前,病虫害发生程度在生产上仍多数采用人工肉眼观察分析的方法,该方法虽然简单易行,但需要操作人员具有一定的专业基础知识,而且由于蚜虫个体较小,长时间的人为眼睛观察不仅劳动量很大,效率极低,统计数据往往由于操作人员个体的差异而出现较大误差,使得各个调查者之间的调查结果可比性差。再者,当有害生物发生量大时,应用肉眼观察的方法将是一项繁重的工作,有些甚至不可能完成,例如有些会飞的害虫喜欢聚集在叶片背面,当翻动叶片要进行观察时,多数都已飞走。
因此,迫切需要研发一种能够针对该类小型群居性害虫的自动分析方法,以满足植物保护领域有害生物发生情况调查分析的研究需要。
发明内容
基于此,有必要针对效率低、计数误差大问题,提供一种农作物叶子虫害检测方法和***。
一种农作物叶子虫害检测方法,包括如下步骤:
获取农作物叶子的虫害图像,对所述虫害图像进行灰度化得到虫害灰度图像;
采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线;其中,虫害边缘轮廓线为虫害区域与背景的分界线;
利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充,使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值,得到二值图像;
确定所述二值图像中虫害区域的面积,根据所述虫害区域的面积大小确定农作物叶子的虫害数量。
一种农作物叶子虫害检测***,包括:
采集模块,用于获取农作物叶子的虫害图像,对所述虫害图像进行灰度化得到虫害灰度图像;
边缘检测模块,用于采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线;其中,虫害边缘轮廓线为虫害区域与背景的分界线;
第一填充模块,用于利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充,使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值,得到二值图像;
统计模块,用于确定所述二值图像中虫害区域的面积,根据所述虫害区域的面积大小确定农作物叶子的虫害数量。
上述农作物叶子虫害检测方法和***,通过获取农作物叶子的虫害图像,在灰度图下提取虫害灰度图像的虫害边缘轮廓线,然后对虫害边缘轮廓线内的虫害区域进行填充得到二值图像,再根据二值图像中虫害区域的面积确定农作物叶子的虫害数量,可以准确、快速确定农作物害虫叶螨在叶片上的数量,提高了农作物叶子虫害检测效率,对虫害预测、预报产生积极作用。
附图说明
图1为本发明的农作物叶子虫害检测方法流程图;
图2为本发明的农作物叶子虫害检测***结构示意图。
具体实施方式
下面结合附图对本发明的农作物叶子虫害检测方法和***的具体实施方式作详细描述。
参考图1所示,图1为本发明的农作物叶子虫害检测方法流程图,包括如下步骤:
步骤S10,获取农作物叶子的虫害图像,对所述虫害图像进行灰度化得到虫害灰度图像;
在本步骤中,可以通过摄像设备获得的初始农作物叶片图像为彩色图像,对初始图像进行彩色预处理得到适合分析处理的灰度图像。
由于彩色图像中的每个像素的颜色有R、G、B三个分量决定,而每个分量有255中值可取,这样一个像素点可以有1600多万(255*255*255)的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像,其一个像素点的变化范围为255种,将彩色图像转变成灰度图像以使后续的图像的计算量变得少一些。灰度图像的描述与彩色图像一样,仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。
步骤S20,采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线;其中,虫害边缘轮廓线为虫害区域与背景的分界线;
在本步骤中,是对灰度化后的虫害图像进行处理,由于虫害区域与叶片背景区域在灰度上有一定的差别,因此,通过提取出虫害边缘的轮廓线,可以将虫害区域分割出来。本步骤采用边缘检测技术来提取虫害区域与叶片背景的分界线。
在一个实施例中,步骤S20中采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线之前,还可以包括如下步骤:
根据所述虫害灰度图像的图片特征选择合适的滤波器对所述虫害灰度图像进行滤波去噪处理。
由于图像在形成过程中,会受到设备、环境、拍摄方式等因素的影响,致使引入许多噪声。所以,为了提高图像的质量以及后续的图像进行分割处理,因此,可以首先对图像进行去噪处理。可以根据实际的图片特征选择合适的滤波器对图像进行滤波以消除噪声,例如:均值滤波器、自适应滤波器、中直滤波器、小波去噪、形态学噪声滤除器、二维高斯滤波模版等。
在一个实施例中,步骤S20中采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线,可以包括步骤:
(1)利用梯度算子计算所述虫害灰度图像的梯度图像;
(2)利用阈值法对所述梯度图像进行边缘提取,得到虫害灰度图像的虫害边缘轮廓线。
作为一个优选的实施例,上述步骤(1)利用梯度算子计算所述虫害灰度图像的梯度图像,具体可以包括如下步骤:
利用导数算子计算所述虫害灰度图像在直角坐标系中水平方向和竖直方向两个方向的偏导数,并根据所述水平方向和竖直方向两个方向的偏导数计算出梯度大小和方向;比较所述虫害灰度图像设定像素的灰度值与其梯度方向上前后两个像素的灰度值的大小;若所述设定像素的灰度值大于所述梯度方向上前后两个像素的灰度值,则判定所述设定像素属于边缘像素;若所述设定像素的灰度值不大于所述梯度方向上前后两个像素的灰度值,则判定所述设定像素不属于边缘像素。
可以把边缘的梯度方向分为水平、垂直、45°方向、135°方向八个方向,各方向用不同的邻近像素进行比较,确定局部极大值,若某像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大的,则该像素不是边缘像素。
传统的边缘检测算法一般只考虑水平方向和竖直方向,对图像边缘的方向特征考虑较少,会漏检图像的一些细节,导致丢失部分边缘细节;而本发明采用多方向的边缘检测算法可以使得检测出的图像边缘较为完整,轮廓线清晰且连续性较好。
作为一个优选的实施例,上述(2)利用阈值法对所述梯度图像进行边缘提取,得到虫害灰度图像的虫害边缘轮廓线,可以包括步骤:
计算所述梯度图像的直方图,利用所述直方图确定一个高阈值和一个低阈值;判断梯度图像的像素值与所述高阈值和低阈值大小;若像素灰度值大于高阈值,则判定所述像素是边缘像素;若像素灰度值小于低阈值,则判定所述像素不是边缘像素;若像素灰度值处于高阈值和低阈值之间,则判断所述邻接像素灰度值与高阈值和低阈值的大小;若邻接像素灰度值大于高阈值,则判定所述邻接像素是边缘像素;若邻接像素灰度值不大于高阈值,则判定所述邻接像素不是边缘像素;根据确定的边缘像素获取虫害灰度图像的虫害边缘轮廓线。
采用双阈值法可以减少假边缘数量。选择两个阈值,根据高阈值得到一个边缘图像,这样一个图像含有很少的假边缘,但是由于阈值较高,产生的图像边缘可能不闭合,未解决这样一个问题采用了另外一个低阈值。在高阈值图像中把边缘链接成轮廓,当到达轮廓的端点时,在断点的邻域点中寻找满足低阈值的点,再根据此点收集新的边缘,直到整个图像边缘闭合。
上述实施例,结合梯度、直方图、阈值进行分割,能有效改善分割结果。
直方图阈值分割方法只是针对少数不同类别物体彼此灰度相差很大时,才能进行有效的分割。当原始图像的灰度直方图的双峰不明显时,分割后得不到理想的图像。因此,在对灰度虫害图像进行直方图阈值分割之前,先将虫害灰度图像转化为梯度图像,梯度不仅是一种重要的数学运算,在图像增强中也是突出细节信息的一种重要方法,图像梯度可以有效减少输入图像信号的零频和低频成分,提取或突出灰度图像的边缘和细节,从而提高图像的分辨率和识别率。因此,将梯度、直方图、阈值结合起来可以提高边缘提取的丰富度和精确性。
步骤S30,利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充,使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值,得到二值图像;
在本步骤中,对提取出虫害边缘轮廓线的虫害灰度图像进行二值化处理,利用种子点填充方法将虫害边缘轮廓线内的区域填充为轮廓线的像素值,从而形成两个区域:虫害区域和背景区域。
在一个实施例中,对于步骤S30中的利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充,使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值,得到二值图像之后,还可以包括如下步骤:
滤去所述二值图像多余的区域和边缘;利用空洞填充算法对所述二值图像进行填充。
由于虫害区域内部纹理分布不均匀,在填充区域内部后,有时会遗留下一些小的孔洞,这时,使用孔洞填充算法将其填充,得到一个完整的虫害分割二值图像,有助于提高虫害数量统计分析的精确性。
在一个实施例中,对于步骤S30中的利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充,使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值,得到二值图像,可以包括如下步骤:
输入一个种子点到所述虫害区域;获取边缘轮廓线的像素值,判断种子点邻域像素的灰度值与所述边缘轮廓线像素值的大小;若种子点邻域像素的灰度值不等于所述边缘轮廓线像素灰度值,则将所述边缘轮廓线像素值赋予所述种子点邻域像素。遍历所述虫害区域内的像素,满足上述条件,则将所述边缘轮廓像素值赋予虫害区域内的像素,得到二值图像;其中,所述二值图像由虫害区域内像素和背景区域像素组成;所述虫害区域像素的值相等,所述背景区域像素的值相等。
例如,在对虫害图像进行分割时,将提取到的虫害区域边缘像素值设为1,图像中的其他像素值设为0。此时,虫害区域内像素值和叶片背景区域内像素值均为0,则需要利用虫子点填充方法,通过遍历虫害轮廓线内的所有像素,将虫害区域内的像素重新赋为1。这样就得到虫害区域为白色,背景区域为黑色的二值图像。
步骤S40,确定所述二值图像中虫害区域的面积,根据所述虫害区域的面积大小确定农作物叶子的虫害数量。
在本步骤中,将得到的虫害二值图像进行数量统计,得到叶片上虫害的总数。确定虫害的危害程度,为做好农业虫害防治工作提供依据。
综合上述实施例的技术方案,虫害分析方法具有如下明显有点:
第一,效率高,传统方案中,需要操作人员人为眼镜观察,获得虫害的数量及危害程度。劳动量大。采用计算机视觉的方法,只需要人工拍摄照片,分析结果就可以呈现出来,大大提高了虫害分析效率。
第二,提高精确度。由于人眼观察依赖于经验,因而个体之间的观察结果差异较大,导致出现大误差。而计算机自动分析方法克服了上述缺陷,能够精确的计算出虫害的数量及危害程度。
综上所述,上述技术方案可以快速、准确地确定农作物害虫叶螨在叶片上的数量,解决了必须由研究技术人员人工进行观测和分析的问题,减轻了技术人员的人工负担,为农作物保护研究提供了一个现代化辅助方法和工具。
参考图2所示,图2为本发明的农作物叶子虫害检测***结构示意图,包括:
采集模块10,用于获取农作物叶子的虫害图像,对所述虫害图像进行灰度化得到虫害灰度图像;
边缘检测模块20,用于采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线;其中,虫害边缘轮廓线为虫害区域与背景的分界线;
第一填充模块30,用于利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充,使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值,得到二值图像;
统计模块40,用于确定所述二值图像中虫害区域的面积,根据所述虫害区域的面积大小确定农作物叶子的虫害数量。
在一个实施例中,所述农作物叶子虫害检测系还可以包括:
去噪模块,用于根据所述虫害灰度图像的图片特征选择合适的滤波器对所述虫害灰度图像进行滤波去噪处理。
在一个实施例中,所述农作物叶子虫害检测***还可以包括:
滤除模块,用于滤去所述二值图像多余的区域和边缘;
第二填充模块,用于利用空洞填充算法对所述二值图像进行填充。
在一个实施例中,所述边缘检测模块20可以包括:
梯度计算单元,用于利用梯度算子计算所述虫害灰度图像的梯度图像;
边缘提取单元,用于利用阈值法对所述梯度图像进行边缘提取,得到虫害灰度图像的虫害边缘轮廓线。
在一个实施例中,所述梯度计算单元梯度计算单元用于利用梯度算子计算所述虫害灰度图像的梯度图像的过程具体可以包括:
利用导数算子计算所述虫害灰度图像在直角坐标系中水平方向和竖直方向两个方向的偏导数,并根据所述水平方向和竖直方向两个方向的偏导数计算出梯度大小和方向;
比较所述虫害灰度图像设定像素的灰度值与其梯度方向上前后两个像素的灰度值的大小;
若所述设定像素的灰度值大于所述梯度方向上前后两个像素的灰度值,则判定所述设定像素属于边缘像素;
若所述设定像素的灰度值不大于所述梯度方向上前后两个像素的灰度值,则判定所述设定像素不属于边缘像素。
在一个实施例中,所述边缘提取单元用于利用阈值法对所述梯度图像进行边缘提取,得到虫害灰度图像的虫害边缘轮廓线的过程具体可以包括:
计算所述梯度图像的直方图,利用所述直方图确定一个高阈值和一个低阈值;
判断梯度图像的像素值与所述高阈值和低阈值大小;
若像素灰度值大于高阈值,则判定所述像素是边缘像素;
若像素灰度值小于低阈值,则判定所述像素不是边缘像素;
若像素灰度值处于高阈值和低阈值之间,则判断所述像素的邻接像素灰度值与高阈值和低阈值的大小;
若邻接像素灰度值大于高阈值,则判定所述邻接像素是边缘像素;
若邻接像素灰度值不大于高阈值,则判定所述邻接像素不是边缘像素;
根据确定的边缘像素获取虫害灰度图像的虫害边缘轮廓线。
在一个实施例中,所述第一填充模块30用于利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充,使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值,得到二值图像的过程具体可以包括:
输入一个种子点到所述虫害区域;
获取边缘轮廓线的像素值,判断种子点邻域像素的灰度值与所述边缘轮廓线像素值的大小;
若种子点邻域像素的灰度值不等于所述边缘轮廓线像素灰度值,则将所述边缘轮廓线像素值赋予所述种子点邻域像素;
遍历所述虫害区域内的像素,满足上述条件,则将所述边缘轮廓像素值赋予虫害区域内的像素,得到二值图像;其中,所述二值图像由虫害区域内像素和背景区域像素组成;所述虫害区域像素的值相等,所述背景区域像素的值相等。
本发明的农作物叶子虫害检测***与本发明的农作物叶子虫害检测方法一一对应,在上述农作物叶子虫害检测方法的实施例阐述的技术特征及其有益效果均适用于农作物叶子虫害检测***的实施例中,特此声明。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种农作物叶子虫害检测方法,其特征在于,包括如下步骤:
获取农作物叶子的虫害图像,对所述虫害图像进行灰度化得到虫害灰度图像;
采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线;其中,虫害边缘轮廓线为虫害区域与背景的分界线;
利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充,使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值,得到二值图像;
确定所述二值图像中虫害区域的面积,根据所述虫害区域的面积大小确定农作物叶子的虫害数量。
2.根据权利要求1所述的农作物叶子虫害检测方法,其特征在于,所述采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线之前,还包括如下步骤:
根据所述虫害灰度图像的图片特征选择合适的滤波器对所述虫害灰度图像进行滤波去噪处理。
3.根据权利要求1所述的农作物叶子虫害检测方法,其特征在于,所述利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充,得到二值图像之后,还包括如下步骤:
滤去所述二值图像多余的区域和边缘;
利用空洞填充算法对所述二值图像进行填充。
4.根据权利要求1所述的农作物叶子虫害检测方法,其特征在于,所述采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线包括步骤:
利用梯度算子计算所述虫害灰度图像的梯度图像;
利用阈值法对所述梯度图像进行边缘提取,得到虫害灰度图像的虫害边缘轮廓线。
5.根据权利要求4所述的农作物叶子虫害检测方法,其特征在于,所述利用梯度算子计算所述虫害灰度图像的梯度图像包括步骤:
利用导数算子计算所述虫害灰度图像在直角坐标系中水平方向和竖直方向两个方向的偏导数,并根据所述水平方向和竖直方向两个方向的偏导数计算出梯度大小和方向;
比较所述虫害灰度图像设定像素的灰度值与其梯度方向上前后两个像素的灰度值的大小;
若所述设定像素的灰度值大于所述梯度方向上前后两个像素的灰度值,则判定所述设定像素属于边缘像素;
若所述设定像素的灰度值不大于所述梯度方向上前后两个像素的灰度值,则判定所述设定像素不属于边缘像素。
6.根据权利要求4所述的农作物叶子虫害检测方法,其特征在于,所述利用阈值法对所述梯度图像进行边缘提取,得到虫害灰度图像的虫害边缘轮廓线包括步骤:
计算所述梯度图像的直方图,利用所述直方图确定一个高阈值和一个低阈值;
判断梯度图像的像素值与所述高阈值和低阈值大小;
若像素灰度值大于高阈值,则判定所述像素是边缘像素;
若像素灰度值小于低阈值,则判定所述像素不是边缘像素;
若像素灰度值处于高阈值和低阈值之间,则判断所述像素的邻接像素灰度值与高阈值和低阈值的大小;
若邻接像素灰度值大于高阈值,则判定所述邻接像素是边缘像素;
若邻接像素灰度值不大于高阈值,则判定所述邻接像素不是边缘像素;
根据确定的边缘像素获取虫害灰度图像的虫害边缘轮廓线。
7.根据权利要求1所述的农作物叶子虫害检测方法,其特征在于,所述利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充,使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值,得到二值图像,包括步骤:
输入一个种子点到所述虫害区域;
获取边缘轮廓线的像素值,判断种子点邻域像素的灰度值与所述边缘轮廓线像素值的大小;
若种子点邻域像素的灰度值不等于所述边缘轮廓线像素灰度值,则将所述边缘轮廓线像素值赋予所述种子点邻域像素;
遍历所述虫害区域内的像素,满足上述条件,则将所述边缘轮廓像素值赋予虫害区域内的像素,得到二值图像;其中,所述二值图像由虫害区域内像素和背景区域像素组成;所述虫害区域像素的值相等,所述背景区域像素的值相等。
8.一种农作物叶子虫害检测***,其特征在于,包括:
采集模块,用于获取农作物叶子的虫害图像,对所述虫害图像进行灰度化得到虫害灰度图像;
边缘检测模块,用于采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线;其中,虫害边缘轮廓线为虫害区域与背景的分界线;
第一填充模块,用于利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充,使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值,得到二值图像;
统计模块,用于确定所述二值图像中虫害区域的面积,根据所述虫害区域的面积大小确定农作物叶子的虫害数量。
9.根据权利要求8所述的农作物叶子虫害检测***,其特征在于,还包括:
去噪模块,用于根据所述虫害灰度图像的图片特征选择合适的滤波器对所述虫害灰度图像进行滤波去噪处理。
10.根据权利要求8所述的农作物叶子虫害检测***,其特征在于,还包括:
滤除模块,用于滤去所述二值图像多余的区域和边缘;
第二填充模块,用于利用空洞填充算法对所述二值图像进行填充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510366570.7A CN105023272A (zh) | 2015-06-26 | 2015-06-26 | 农作物叶子虫害检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510366570.7A CN105023272A (zh) | 2015-06-26 | 2015-06-26 | 农作物叶子虫害检测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105023272A true CN105023272A (zh) | 2015-11-04 |
Family
ID=54413213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510366570.7A Pending CN105023272A (zh) | 2015-06-26 | 2015-06-26 | 农作物叶子虫害检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105023272A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545572A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 图像中目标的处理方法和装置 |
CN108510490A (zh) * | 2018-03-30 | 2018-09-07 | 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 |
CN110036881A (zh) * | 2019-03-29 | 2019-07-23 | 河北建涛科技有限公司 | 一种智慧农业灌溉***及其控制方法 |
CN111028309A (zh) * | 2019-12-06 | 2020-04-17 | 深圳大学 | 基于LoRa节点的昆虫密度图构建方法及装置 |
CN115205194A (zh) * | 2022-04-20 | 2022-10-18 | 浙江托普云农科技股份有限公司 | 基于图像处理的粘虫板覆盖率检测方法、***及装置 |
CN116135019A (zh) * | 2021-11-17 | 2023-05-19 | 中国联合网络通信集团有限公司 | 虫害防治方法、服务器、虫害防治装置及存储介质 |
CN117743620A (zh) * | 2024-02-21 | 2024-03-22 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种大岩土数智*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353344A (zh) * | 2011-07-12 | 2012-02-15 | 浙江大学 | 检测油菜叶片边缘受害虫咬噬程度的方法 |
CN103236060A (zh) * | 2013-04-28 | 2013-08-07 | 北京农业信息技术研究中心 | 基于多特征融合的白粉虱图像分割方法 |
CN103246872A (zh) * | 2013-04-28 | 2013-08-14 | 北京农业智能装备技术研究中心 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
CN103903252A (zh) * | 2012-12-28 | 2014-07-02 | 中国农业机械化科学研究院 | 棉田虫情自动监测装置及监测方法 |
CN104680191A (zh) * | 2014-11-24 | 2015-06-03 | 海南大学 | 一种基于活动轮廓模型的植物病虫害检测方法 |
-
2015
- 2015-06-26 CN CN201510366570.7A patent/CN105023272A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353344A (zh) * | 2011-07-12 | 2012-02-15 | 浙江大学 | 检测油菜叶片边缘受害虫咬噬程度的方法 |
CN103903252A (zh) * | 2012-12-28 | 2014-07-02 | 中国农业机械化科学研究院 | 棉田虫情自动监测装置及监测方法 |
CN103236060A (zh) * | 2013-04-28 | 2013-08-07 | 北京农业信息技术研究中心 | 基于多特征融合的白粉虱图像分割方法 |
CN103246872A (zh) * | 2013-04-28 | 2013-08-14 | 北京农业智能装备技术研究中心 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
CN104680191A (zh) * | 2014-11-24 | 2015-06-03 | 海南大学 | 一种基于活动轮廓模型的植物病虫害检测方法 |
Non-Patent Citations (1)
Title |
---|
刘国成 等: "XCT图像的一种组合分割算法", 《南方职业教育学刊》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545572A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 图像中目标的处理方法和装置 |
CN108510490A (zh) * | 2018-03-30 | 2018-09-07 | 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 |
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 |
CN110036881A (zh) * | 2019-03-29 | 2019-07-23 | 河北建涛科技有限公司 | 一种智慧农业灌溉***及其控制方法 |
CN111028309A (zh) * | 2019-12-06 | 2020-04-17 | 深圳大学 | 基于LoRa节点的昆虫密度图构建方法及装置 |
CN111028309B (zh) * | 2019-12-06 | 2023-07-14 | 深圳大学 | 基于LoRa节点的昆虫密度图构建方法及装置 |
CN116135019A (zh) * | 2021-11-17 | 2023-05-19 | 中国联合网络通信集团有限公司 | 虫害防治方法、服务器、虫害防治装置及存储介质 |
CN115205194A (zh) * | 2022-04-20 | 2022-10-18 | 浙江托普云农科技股份有限公司 | 基于图像处理的粘虫板覆盖率检测方法、***及装置 |
CN115205194B (zh) * | 2022-04-20 | 2024-07-16 | 浙江托普云农科技股份有限公司 | 基于图像处理的粘虫板覆盖率检测方法、***及装置 |
CN117743620A (zh) * | 2024-02-21 | 2024-03-22 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种大岩土数智*** |
CN117743620B (zh) * | 2024-02-21 | 2024-05-03 | 中国有色金属工业昆明勘察设计研究院有限公司 | 一种大岩土数智*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105023272A (zh) | 农作物叶子虫害检测方法和*** | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN113392775B (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN109154978A (zh) | 用于检测植物疾病的***和方法 | |
CN104657706B (zh) | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 | |
CN112069985B (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
CN105005813B (zh) | 虫害分析计数方法及*** | |
CN104992439B (zh) | 农作物叶子虫害检测装置及其检测方法 | |
CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
CN102915545A (zh) | 一种基于OpenCV的视频目标跟踪算法 | |
CN105447859A (zh) | 一种田间麦蚜虫计数方法 | |
CN109886170B (zh) | 一种钉螺智能检测识别与统计*** | |
CN106709426A (zh) | 基于红外遥感图像的舰船目标检测方法 | |
CN110110732B (zh) | 一种用于餐饮后厨的智能巡查方法 | |
CN106157279A (zh) | 基于形态学分割的眼底图像病变检测方法 | |
CN112767325B (zh) | 一种癌症病理图像自动检测方法及*** | |
CN103218819B (zh) | 基于四叉树分解的超声图像最优同质区域自动选取方法 | |
CN109635717A (zh) | 一种基于深度学习的矿用行人检测方法 | |
CN113705380B (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
CN105404682B (zh) | 一种基于数字图像内容的图书检索方法 | |
CN110288616A (zh) | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、***及存储介质 | |
CN107707975A (zh) | 基于监控平台的视频智能剪辑方法 | |
Widynski et al. | A contrario edge detection with edgelets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151104 |