CN110089297B - 小麦赤霉病大田环境下病情严重度诊断方法及装置 - Google Patents
小麦赤霉病大田环境下病情严重度诊断方法及装置 Download PDFInfo
- Publication number
- CN110089297B CN110089297B CN201910414703.1A CN201910414703A CN110089297B CN 110089297 B CN110089297 B CN 110089297B CN 201910414703 A CN201910414703 A CN 201910414703A CN 110089297 B CN110089297 B CN 110089297B
- Authority
- CN
- China
- Prior art keywords
- wheat
- ear
- field
- scab
- 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
- 206010039509 Scab Diseases 0.000 title claims abstract description 93
- 241000209140 Triticum Species 0.000 title claims abstract description 87
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 87
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 57
- 201000010099 disease Diseases 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000495841 Oenanthe oenanthe Species 0.000 claims abstract description 45
- 230000003902 lesion Effects 0.000 claims abstract description 29
- 210000005069 ears Anatomy 0.000 claims abstract description 16
- 241001024327 Oenanthe <Aves> Species 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 23
- 230000003993 interaction Effects 0.000 claims description 12
- 238000012952 Resampling Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 2
- 244000235659 Rubus idaeus Species 0.000 claims description 2
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 2
- 238000011161 development Methods 0.000 claims description 2
- 230000018109 developmental process Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Biodiversity & Conservation Biology (AREA)
- Botany (AREA)
- Ecology (AREA)
- Forests & Forestry (AREA)
- Environmental Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明特别涉及一种小麦赤霉病大田环境下病情严重度诊断方法,包括以下步骤:(A)在麦田采集感染小麦赤霉病麦穗45度角图像;(B)用田间麦穗分割模型分割病害图像得到麦穗区域;用小麦赤霉病分割模型分割病害图像得到病斑区域;(C)采用凹点匹配法分割麦穗和病斑的粘连区域,得到麦田中每株麦穗的面积和病斑面积;(D)计算每株麦穗的病斑面积和麦穗面积的比值R,判断R是否大于设定阈值,若R大于设定阈值,则判定该株麦穗为病穗;(E)计算麦田中病穗数量与总穗数量的比值X,并根据比值X对病情进行分级;并公开了对应的检测装置。该方法可以实现大田环境下小麦赤霉病病情诊断,诊断速度快且精确度高。
Description
技术领域
本发明涉及小麦赤霉病检测技术领域,特别涉及一种小麦赤霉病大田环境下病情严重度诊断方法及装置。
背景技术
作为传统农业大国,小麦在我国粮食安全中占据十分重要的地位。赤霉病作为小麦的主要病害之一,在我国江淮流域发病尤为严重,由于不能准确地对病害严重程度进行判断常导致过量施药,这对农业生态环境造成极大危害,严重影响到国家粮食安全和食品安全,因此,研究小麦赤霉病病害分级方法及诊断装置尤为重要。
目前,对小麦赤霉病的诊断大多采用人工目视判断、光谱诊断、常规图像处理等方法,这些方法都存在一些不足:人工目视判断受人的主观影响较大;光谱诊断对仪器和技术要求较高,这不适用于普通植保人员或农户;常规图像处理诊断小麦赤霉病的技术很少且大多为传统方法,并且,大多处于理论阶段,且没有在田间进行应用。更重要的是,目前绝大多数赤霉病检测方法,大都是破坏性采集麦穗进行的,这种检测方法效率低下,对于大田群体麦穗目前没有好的检测方法进行检测。
发明内容
本发明的首要目的在于提供一种速度快、精度高的小麦赤霉病大田环境下病情严重度诊断方法。
为实现以上目的,本发明采用的技术方案为:一种小麦赤霉病大田环境下病情严重度诊断方法,包括以下步骤:(A)在麦田采集感染小麦赤霉病麦穗45度角图像;(B)用田间麦穗分割模型分割病害图像得到麦穗区域;用小麦赤霉病分割模型分割病害图像得到病斑区域;(C)采用凹点匹配法分割麦穗和病斑的粘连区域,得到麦田中每株麦穗的面积和病斑面积;(D)计算每株麦穗的病斑面积和麦穗面积的比值R,判断R是否大于设定阈值,若R大于设定阈值,则判定该株麦穗为病穗;(E)计算麦田中病穗数量与总穗数量的比值X,并根据比值X对病情进行分级。
与现有技术相比,本发明存在以下技术效果:本发明通过提出的一种节点式田间麦穗图像采集装置,在田间快速无损采集45度角麦穗图像,基于田间麦穗分割网络分割田间复杂环境下的麦穗图像,并用小麦赤霉病分割模型分割病斑区域,并用凹点匹配分割粘连部分,最后计算病穗数和总穗数的比值,得出该区域赤霉病发生程度,该方法可以实现大田环境下小麦赤霉病病情诊断,诊断速度快且精确度高。
本发明的另一个目的在于提供一种小麦赤霉病大田环境下病情严重度诊断装置,方便采集麦田图像并进行快速、准确的处理。
为实现以上目的,本发明采用的技术方案为:一种小麦赤霉病大田环境下病情严重度诊断装置,包括数据采集器、服务器端以及数据库,所述的数据采集器包括摄像单元、可伸缩套管、底座、伸缩臂以及处理单元;可伸缩套管的下端固定在底座上且摄像单元固定在可伸缩套管的顶部,可伸缩套管的长度可调;伸缩臂的一端固定在可伸缩套管或底座上、另一端固定安装处理单元;摄像单元包括两个扇面,扇面上安装有摄像头,扇面展开时摄像头朝向外侧用于采集田间麦穗图像;处理单元用于接收摄像单元采集到的田间麦穗图像并输出至服务器端,服务器端对接收到的田间麦穗图像按以下步骤进行处理:(B)用田间麦穗分割模型分割病害图像得到麦穗区域;用小麦赤霉病分割模型分割病害图像得到病斑区域;(C)采用凹点匹配法分割麦穗和病斑的粘连区域,得到麦田中每株麦穗的面积和病斑面积;(D)计算每株麦穗的病斑面积和麦穗面积的比值R,判断R是否大于设定阈值,若R大于设定阈值,则判定该株麦穗为病穗;(E)计算麦田中病穗数量与总穗数量的比值X,并根据比值X对病情进行分级;服务器端将病情等级输出至处理单元的人机交互模块进行显示,并将病情等级和数据采集器的位置信息存储至数据库中。
与现有技术相比,本发明存在以下技术效果:这里的数据采集器采用扇面构成摄像单元,其结构非常简单、可靠,扇面张开时可实现麦田较大范围麦穗图像采集,扇面收拢后,可以进行单个麦穗的图像采集,两种模式切换非常方便;同时,扇面在收拢后又可以当成外壳,保护在装置的外侧,大大延长了使用寿命。
附图说明
图1是本发明的流程示意图;
图2是本发明的原理框图;
图3是本发明处理单元的原理框图;
图4是数据采集器结构示意图。
具体实施方式
下面结合图1至图4,对本发明做进一步详细叙述。
参阅图1,一种小麦赤霉病大田环境下病情严重度诊断方法,包括以下步骤:(A)在麦田采集感染小麦赤霉病麦穗45度角图像;(B)用田间麦穗分割模型分割病害图像得到麦穗区域;用小麦赤霉病分割模型分割病害图像得到病斑区域;(C)采用凹点匹配法分割麦穗和病斑的粘连区域,得到麦田中每株麦穗的面积和病斑面积;(D)计算每株麦穗的病斑面积和麦穗面积的比值R,判断R是否大于设定阈值,若R大于设定阈值,则判定该株麦穗为病穗;(E)计算麦田中病穗数量与总穗数量的比值X,并根据比值X对病情进行分级。本发明通过提出的一种节点式田间麦穗图像采集装置,在田间快速无损采集45度角麦穗图像,基于田间麦穗分割网络分割田间复杂环境下的麦穗图像,并用小麦赤霉病分割模型分割病斑区域,并用凹点匹配分割粘连部分,最后计算病穗数和总穗数的比值,得出该区域赤霉病发生程度,该方法可以实现大田环境下小麦赤霉病病情诊断,诊断速度快且精确度高。
优选地,所述的步骤B中,按如下步骤计算麦穗区域和病斑区域:(B11)对步骤A采集到的图像边缘进行填充使得图像的长宽比为1;(B12)通过双线性插值法重采样图像大小为M*M;(B13)将步骤B12处理后的图像输入到田间麦穗分割模型中,得到田间麦穗分割结果灰度图像,其中黑色为背景区域,其余为麦穗区域;(B14)统计图像中非黑色的像素数即可得到麦田图像中的麦穗区域面积;(B15)将步骤B12处理后的图像输入到小麦赤霉病分割模型中,得到病斑区域灰度图;(B16)对病斑区域灰度图进行二值化处理,统计图像中值为1的像素数即可得到麦田图像中的病斑区域。步骤B11和B12主要是对采集到的图像进行预处理,因为训练模型中的输入图片尺寸一般都是确定的,而实际拍摄的图片尺寸不一定一致,所以统一为一致大小,方便后续进行处理。
田间麦穗分割模型有很多种建立方式,本实施例中采用人工智能算法进行训练得到,具体地:所述的步骤B13中,按如下步骤建立田间麦穗分割模型:(S11)采集多张患有赤霉病病害的田间麦穗图像,将所有田间麦穗图像中麦穗轮廓用红色标记出来得到训练样本一,这个步骤由人工来完成;(S12)采用形态学区域填充对麦穗轮廓进行填充,以标注出完整麦穗区域;(S13)将步骤B12得到的图像切割,并把切割出的图像用双线性插值法重采样到M*M;(S14)以UNet网络为基础、输入大小调整为M*M、卷积采用自动填充方式建立田间麦穗分割网络;(S15)将训练样本一代入田间麦穗分割网络中进行训练得到田间麦穗分割模型,训练时,可以将网络参数选择如下:learning rate=0.001,steps_per_epoch=1000,epochs=30,batch size=20。训练样本一的数量一般选择100-200张即可,因为这里的田间麦穗图像较大,后续可以切割出很多的图片。本实施例中,M的取值为256;在切割时,可以以768*768像素大小为滑块,768*0.5为步长,进行切割。该模型的分割精度可达到0.9839,能很好的用于田间麦穗的分割。
按类似的方式训练小麦赤霉病分割模型,所述的步骤B13中,按如下步骤建立小麦赤霉病分割模型:(S21)采集多张患有赤霉病病害的麦穗图像,将所有麦穗图像中病斑区域用红色标记出来得到训练样本二;(S22)以UNet网络为基础、输入大小调整为M*M、卷积采用自动填充方式建立小麦赤霉病分割网络;(S23)将训练样本代入小麦赤霉病分割网络中进行训练得到小麦赤霉病分割模型,训练时,可以将网络参数选择如下:learning rate=0.001,steps_per_epoch=500,epochs=30,batch size=20。该模型的分割精度可达到0.9756,能很好的用于小麦赤霉病的分割。
由于一开始采集的是麦田群体麦穗图像,故进行步骤B处理得到的麦穗区域中可能有多个麦穗粘连在一起。为了区分每个麦穗,本发明中优选地,所述的步骤C包括如下步骤:(C1)利用粘连目标边界轮廓上的特征信息来寻找目标边界上合适的凹点作为分割点;(C2)根据距离最近原则对分割点进行配对;(C3)连接分割点即可将粘连在一起的目标物体分离成单个不粘连的目标物体。采用这个步骤可以很方便的实现麦穗分离。
更进一步地,所述的步骤D中,设定阈值为0.3;步骤E中,以病穗数和总穗数的比值X为标准划分为5个等级,1级:0.01<X≤0.1,2级:0.1<X≤0.2,3级:0.2<X≤0.3,4级:0.3<X≤0.4,5级:0.4<X。通过这样的比较判断、分级,对麦田的等级划分更具有依据性。
本发明还公开了一种小麦赤霉病大田环境下病情严重度诊断装置,包括数据采集器10、服务器端20以及数据库30,所述的数据采集器10包括摄像单元11、可伸缩套管12、底座13、伸缩臂14以及处理单元15;所述的可伸缩套管12的下端固定在底座13上且摄像单元11固定在可伸缩套管12的顶部,可伸缩套管12的长度可调;伸缩臂14的一端固定在可伸缩套管12或底座13上、另一端固定安装处理单元15;摄像单元11包括两个扇面111,扇面111上安装有摄像头112,扇面111展开时摄像头112朝向外侧用于采集田间麦穗图像;处理单元15用于接收摄像单元11采集到的田间麦穗图像并输出至服务器端20,服务器端20对接收到的田间麦穗图像按以下步骤进行处理:(B)用田间麦穗分割模型分割病害图像得到麦穗区域;用小麦赤霉病分割模型分割病害图像得到病斑区域;(C)采用凹点匹配法分割麦穗和病斑的粘连区域,得到麦田中每株麦穗的面积和病斑面积;(D)计算每株麦穗的病斑面积和麦穗面积的比值R,判断R是否大于设定阈值,若R大于设定阈值,则判定该株麦穗为病穗;(E)计算麦田中病穗数量与总穗数量的比值X,并根据比值X对病情进行分级;服务器端20将病情等级输出至处理单元15的人机交互模块152进行显示,并将病情等级和数据采集器10的位置信息存储至数据库30中。这里的数据采集器10采用扇面111构成摄像单元11,其结构非常简单、可靠,扇面111张开时可实现较大范围的麦田麦穗图像采集,扇面111收拢后,可以进行单个麦穗的图像采集,两种模式切换非常方便;同时,扇面111在收拢后又可以当成外壳,保护在装置的外侧,大大延长了使用寿命。
进一步地,所述的扇面111为半圆形,两个扇面111收拢时呈圆筒状,摄像头112安装在朝向扇面111曲率中心一侧,也即收拢后,摄像头112位于扇面111里侧。这样设置以后,可以尽量减小收拢和收纳后装置的体积,也使得本装置收拢后各部件可以很好的配合,同时也非常美观。
优选地,为了方便对麦穗实现检测,所述的底座13内呈镂空状用于供麦穗通过,这样设置以后,既可以在底座13上方放入麦穗,可以在底座13下方放入麦穗,操作起来更为方便、快捷。底座13的下底面设置有三脚架安装孔用于连接三脚架,由于本装置在张开模式下用来采集麦田麦穗图像,一般这种情况下都是将本装置固定在麦田中或麦田旁边,无需人工操作,此时,可以通过三脚架对其进行固定。
可伸缩套管12用于调节摄像单元11和底座13之间的距离;伸缩臂14主要用于调节处理单元15和底座13之间的距离,距离调节的实现结构有很多种。本实施例中优选地,所述的可伸缩套管12由多根管径相异的套管组合而成,类似于自拍那种抽拉式,更适合这种上下长度调节。伸缩臂14由推拉式菱形单元组成,更适合这种水平式长度调节。
更进一步地,所述的处理单元15包括主控模块151、人机交互模块152、定位模块153、无线模块154以及传感器155,人机交互模块152用于接收用户指令输入和***状态数据显示,定位模块153用于获取装置的位置信息,传感器155用于采集装置所处的环境信息,主控模块151接收摄像头112、人机交互模块152、定位模块153以及传感器155输出的信息并进行处理后通过无线模块154发送至服务器端。所述的主控模块151为树莓派开发板,人机交互模块152为触摸屏,定位模块153为GPS模块,无线模块154为WIFI模块或蓝牙模块或3G/4G模块,传感器155包括温度传感器、湿度传感器、光敏传感器。设置人机交互模块152,方便操作;设置定位模块153和传感器155,方便对装置的位置信息和环境信息进行获取;设置无线模块154,可以方便的进行数据传输。
所述的步骤B中,按如下前述的步骤B11-B16计算麦穗区域和病斑区域;所述的步骤C包括前述的步骤C1-C3;所述的步骤D中,设定阈值为0.3;步骤E中,以病穗数和总穗数的比值X为标准划分为5个等级,1级:0.01<X≤0.1,2级:0.1<X≤0.2,3级:0.2<X≤0.3,4级:0.3<X≤0.4,5级:0.4<X。这些步骤或参数选择的理由和优点在之前的文字中已有详细叙述,这里不再赘述。
Claims (6)
1.一种小麦赤霉病大田环境下病情严重度诊断方法,其特征在于:包括以下步骤:
(A)在麦田采集感染小麦赤霉病麦穗45度角图像;
(B)用田间麦穗分割模型分割病害图像得到麦穗区域;用小麦赤霉病分割模型分割病害图像得到病斑区域;
(C)采用凹点匹配法分割麦穗和病斑的粘连区域,得到麦田中每株麦穗的面积和病斑面积;
(D)计算每株麦穗的病斑面积和麦穗面积的比值R,判断R是否大于设定阈值,若R大于设定阈值,则判定该株麦穗为病穗;
(E)计算麦田中病穗数量与总穗数量的比值X,并根据比值X对病情进行分级;
所述的步骤C包括如下步骤:
(C1)利用粘连目标边界轮廓上的特征信息来寻找目标边界上合适的凹点作为分割点;
(C2)根据距离最近原则对分割点进行配对;
(C3)连接分割点即可将粘连在一起的目标物体分离成单个不粘连的目标物体;
所述的步骤B中,按如下步骤计算麦穗区域和病斑区域:
(B11)对步骤A采集到的图像边缘进行填充使得图像的长宽比为1;
(B12)通过双线性插值法重采样图像大小为M*M;
(B13)将步骤B12处理后的图像输入到田间麦穗分割模型中,得到田间麦穗分割结果灰度图像,其中黑色为背景区域,其余为麦穗区域;
(B14)统计图像中非黑色的像素数即可得到麦田图像中的麦穗区域面积;
(B15)将步骤B12处理后的图像输入到小麦赤霉病分割模型中,得到病斑区域灰度图;
(B16)对病斑区域灰度图进行二值化处理,统计图像中值为1的像素数即可得到麦田图像中的病斑区域;
所述的步骤B13中,按如下步骤建立田间麦穗分割模型:
(S11)采集多张患有赤霉病病害的田间麦穗图像,将所有田间麦穗图像中麦穗轮廓用红色标记出来得到训练样本一;
(S12)采用形态学区域填充对麦穗轮廓进行填充,以标注出完整麦穗区域;
(S13)将步骤B12得到的图像切割,并把切割出的图像用双线性插值法重采样到M*M;
(S14)以UNet网络为基础、输入大小调整为M*M、卷积采用自动填充方式建立田间麦穗分割网络;
(S15)将训练样本一代入田间麦穗分割网络中进行训练得到田间麦穗分割模型;
所述的步骤B13中,按如下步骤建立小麦赤霉病分割模型:
(S21)采集多张患有赤霉病病害的麦穗图像,将所有麦穗图像中病斑区域用红色标记出来得到训练样本二;
(S22)以UNet网络为基础、输入大小调整为M*M、卷积采用自动填充方式建立小麦赤霉病分割网络;
(S23)将训练样本二代入小麦赤霉病分割网络中进行训练得到小麦赤霉病分割模型。
2.如权利要求1所述的小麦赤霉病大田环境下病情严重度诊断方法,其特征在于:所述的步骤D中,设定阈值为0.3;步骤E中,以病穗数和总穗数的比值X为标准划分为5个等级,1级:0.01<X≤0.1,2级:0.1<X≤0.2,3级:0.2<X≤0.3,4级:0.3<X≤0.4,5级:0.4<X。
3.一种小麦赤霉病大田环境下病情严重度诊断装置,其特征在于:包括数据采集器(10)、服务器端(20)以及数据库(30),所述的数据采集器(10)包括摄像单元(11)、可伸缩套管(12)、底座(13)、伸缩臂(14)以及处理单元(15);所述的可伸缩套管(12)的下端固定在底座(13)上且摄像单元(11)固定在可伸缩套管(12)的顶部,可伸缩套管(12)的长度可调;伸缩臂(14)的一端固定在可伸缩套管(12)或底座(13)上、另一端固定安装处理单元(15);摄像单元(11)包括两个扇面(111),扇面(111)上安装有摄像头(112),扇面(111)展开时摄像头(112)朝向外侧用于采集田间麦穗图像;处理单元(15)用于接收摄像单元(11)采集到的田间麦穗图像并输出至服务器端(20),服务器端(20)对接收到的田间麦穗图像按以下步骤进行处理:
(B)用田间麦穗分割模型分割病害图像得到麦穗区域;用小麦赤霉病分割模型分割病害图像得到病斑区域;
(C)采用凹点匹配法分割麦穗和病斑的粘连区域,得到麦田中每株麦穗的面积和病斑面积;
(D)计算每株麦穗的病斑面积和麦穗面积的比值R,判断R是否大于设定阈值,若R大于设定阈值,则判定该株麦穗为病穗;
(E)计算麦田中病穗数量与总穗数量的比值X,并根据比值X对病情进行分级;
服务器端(20)将病情等级输出至处理单元(15)的人机交互模块(152)进行显示,并将病情等级和数据采集器(10)的位置信息存储至数据库(30)中;
所述的步骤C包括如下步骤:(C1)利用粘连目标边界轮廓上的特征信息来寻找目标边界上合适的凹点作为分割点;(C2)根据距离最近原则对分割点进行配对;(C3)连接分割点即可将粘连在一起的目标物体分离成单个不粘连的目标物体;
所述的步骤B中,按如下步骤计算麦穗区域和病斑区域:
(B11)对步骤A采集到的图像边缘进行填充使得图像的长宽比为1;
(B12)通过双线性插值法重采样图像大小为M*M;
(B13)将步骤B12处理后的图像输入到田间麦穗分割模型中,得到田间麦穗分割结果灰度图像,其中黑色为背景区域,其余为麦穗区域;
(B14)统计图像中非黑色的像素数即可得到麦田图像中的麦穗区域面积;
(B15)将步骤B12处理后的图像输入到小麦赤霉病分割模型中,得到病斑区域灰度图;
(B16)对病斑区域灰度图进行二值化处理,统计图像中值为1的像素数即可得到麦田图像中的病斑区域;
所述的步骤B13中,按如下步骤建立田间麦穗分割模型:
(S11)采集多张患有赤霉病病害的田间麦穗图像,将所有田间麦穗图像中麦穗轮廓用红色标记出来得到训练样本一;
(S12)采用形态学区域填充对麦穗轮廓进行填充,以标注出完整麦穗区域;
(S13)将步骤B12得到的图像切割,并把切割出的图像用双线性插值法重采样到M*M;
(S14)以UNet网络为基础、输入大小调整为M*M、卷积采用自动填充方式建立田间麦穗分割网络;
(S15)将训练样本一代入田间麦穗分割网络中进行训练得到田间麦穗分割模型;
所述的步骤B13中,按如下步骤建立小麦赤霉病分割模型:
(S21)采集多张患有赤霉病病害的麦穗图像,将所有麦穗图像中病斑区域用红色标记出来得到训练样本二;
(S22)以UNet网络为基础、输入大小调整为M*M、卷积采用自动填充方式建立小麦赤霉病分割网络;
(S23)将训练样本二代入小麦赤霉病分割网络中进行训练得到小麦赤霉病分割模型。
4.如权利要求3所述的一种小麦赤霉病大田环境下病情严重度诊断装置,其特征在于:所述的扇面(111)为半圆形,两个扇面(111)收拢时呈圆筒状,摄像头(112)安装在朝向扇面(111)曲率中心一侧;所述的底座(13)内呈镂空状用于供麦穗通过,底座(13)的下底面设置有三脚架安装孔用于连接三脚架;所述的可伸缩套管(12)由多根管径相异的套管组合而成。
5.如权利要求4所述的一种小麦赤霉病大田环境下病情严重度诊断装置,其特征在于:所述的处理单元(15)包括主控模块(151)、人机交互模块(152)、定位模块(153)、无线模块(154)以及传感器(155),人机交互模块(152)用于接收用户指令输入和***状态数据显示,定位模块(153)用于获取装置的位置信息,传感器(155)用于采集装置所处的环境信息,主控模块(151)接收摄像头(112)、人机交互模块(152)、定位模块(153)以及传感器(155)输出的信息并进行处理后通过无线模块(154)发送至服务器端(20);主控模块为树莓派开发板,人机交互模块为触摸屏,定位模块为GPS模块,无线模块为WIFI模块或蓝牙模块或3G/4G模块,传感器包括温度传感器、湿度传感器、光敏传感器。
6.如权利要求5所述的一种小麦赤霉病大田环境下病情严重度诊断装置,其特征在于:所述的步骤B中,按如下步骤计算麦穗区域和病斑区域:(B11)对步骤A采集到的图像边缘进行填充使得图像的长宽比为1;(B12)通过双线性插值法重采样图像大小为M*M;(B13)将步骤B12处理后的图像输入到田间麦穗分割模型中,得到田间麦穗分割结果灰度图像,其中黑色为背景区域,其余为麦穗区域;(B14)统计图像中非黑色的像素数即可得到麦田图像中的麦穗区域面积;(B15)将步骤B12处理后的图像输入到小麦赤霉病分割模型中,得到病斑区域灰度图;(B16)对病斑区域灰度图进行二值化处理,统计图像中值为1的像素数即可得到麦田图像中的病斑区域;
所述的步骤D中,设定阈值为0.3;步骤E中,以病穗数和总穗数的比值X为标准划分为5个等级,1级:0.01<X≤0.1,2级:0.1<X≤0.2,3级:0.2<X≤0.3,4级:0.3<X≤0.4,5级:0.4<X。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910414703.1A CN110089297B (zh) | 2019-05-18 | 2019-05-18 | 小麦赤霉病大田环境下病情严重度诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910414703.1A CN110089297B (zh) | 2019-05-18 | 2019-05-18 | 小麦赤霉病大田环境下病情严重度诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110089297A CN110089297A (zh) | 2019-08-06 |
CN110089297B true CN110089297B (zh) | 2021-11-26 |
Family
ID=67448404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910414703.1A Active CN110089297B (zh) | 2019-05-18 | 2019-05-18 | 小麦赤霉病大田环境下病情严重度诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110089297B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110736750B (zh) * | 2019-10-28 | 2022-03-04 | 安徽大学 | 一种基于多角度田间高清成像的小麦赤霉病检测方法 |
CN111259925B (zh) * | 2020-01-08 | 2023-05-02 | 安徽大学 | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 |
CN113100207B (zh) * | 2021-04-14 | 2022-11-22 | 郑州轻工业大学 | 基于小麦病害信息的精准配方施药机器人***及施药方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04150680A (ja) * | 1990-10-15 | 1992-05-25 | Sharp Corp | レンズキャップ装置 |
DE202005004068U1 (de) * | 2005-03-07 | 2005-06-02 | Arnold & Richter Cine Technik Gmbh & Co Betriebs Kg | Gegenlichtblende für eine Filmkamera |
CN105759539A (zh) * | 2016-04-12 | 2016-07-13 | 武汉理工大学 | 四遮光片三热靴座多功能分体式全画幅工业相机 |
CN107527326A (zh) * | 2017-08-17 | 2017-12-29 | 安徽农业大学 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
CN206892525U (zh) * | 2017-06-28 | 2018-01-16 | 深圳市莱通光学科技有限公司 | 一种变焦镜头的保护结构 |
CN207164427U (zh) * | 2017-09-05 | 2018-03-30 | 温州冲亚电子科技有限公司 | 一种外用摄像头遮光板 |
CN108182674A (zh) * | 2017-12-14 | 2018-06-19 | 合肥金星机电科技发展有限公司 | 基于U-Net深度学习网络的粒度检测分析方法 |
CN109086823A (zh) * | 2018-08-01 | 2018-12-25 | 中国科学院合肥物质科学研究院 | 一种小麦赤霉病病穗率自动统计方法 |
CN109544538A (zh) * | 2018-11-27 | 2019-03-29 | 安徽大学 | 小麦赤霉病病害等级分级方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6806816B2 (en) * | 2001-09-24 | 2004-10-19 | Zenith Electronics Corporation | Robust system for transmitting and receiving map data |
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
CN103630651B (zh) * | 2013-11-12 | 2016-02-03 | 江苏省农业科学院 | 冬小麦扬花期赤霉病遥感监测方法 |
US11257259B2 (en) * | 2017-08-15 | 2022-02-22 | Siemens Healthcare Gmbh | Topogram prediction from surface data in medical imaging |
CN108846432A (zh) * | 2018-06-06 | 2018-11-20 | 深圳神目信息技术有限公司 | 一种基于深度学习对胸部ct影像的分类方法 |
CN109187552B (zh) * | 2018-08-30 | 2021-07-09 | 安徽农业大学 | 一种基于云模型的小麦赤霉病害等级判定方法 |
-
2019
- 2019-05-18 CN CN201910414703.1A patent/CN110089297B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04150680A (ja) * | 1990-10-15 | 1992-05-25 | Sharp Corp | レンズキャップ装置 |
DE202005004068U1 (de) * | 2005-03-07 | 2005-06-02 | Arnold & Richter Cine Technik Gmbh & Co Betriebs Kg | Gegenlichtblende für eine Filmkamera |
CN105759539A (zh) * | 2016-04-12 | 2016-07-13 | 武汉理工大学 | 四遮光片三热靴座多功能分体式全画幅工业相机 |
CN206892525U (zh) * | 2017-06-28 | 2018-01-16 | 深圳市莱通光学科技有限公司 | 一种变焦镜头的保护结构 |
CN107527326A (zh) * | 2017-08-17 | 2017-12-29 | 安徽农业大学 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
CN207164427U (zh) * | 2017-09-05 | 2018-03-30 | 温州冲亚电子科技有限公司 | 一种外用摄像头遮光板 |
CN108182674A (zh) * | 2017-12-14 | 2018-06-19 | 合肥金星机电科技发展有限公司 | 基于U-Net深度学习网络的粒度检测分析方法 |
CN109086823A (zh) * | 2018-08-01 | 2018-12-25 | 中国科学院合肥物质科学研究院 | 一种小麦赤霉病病穗率自动统计方法 |
CN109544538A (zh) * | 2018-11-27 | 2019-03-29 | 安徽大学 | 小麦赤霉病病害等级分级方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110089297A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110089297B (zh) | 小麦赤霉病大田环境下病情严重度诊断方法及装置 | |
CN108918539B (zh) | 一种隧道结构表观病害检测装置及方法 | |
CN108830144B (zh) | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 | |
CN104482860B (zh) | 鱼类形态参数自动测量装置和方法 | |
CN105021529B (zh) | 融合光谱和图像信息的作物病虫害识别和区分方法 | |
CN112465880B (zh) | 基于多源异构数据认知融合的目标检测方法 | |
CN105865326A (zh) | 实物尺寸测量方法及图像数据库数据采集方法 | |
CN109544538B (zh) | 小麦赤霉病病害等级分级方法及装置 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN108537122A (zh) | 包含气象参数的图像融合采集***及图像存储方法 | |
CN110736748A (zh) | 免疫组化核浆染色切片诊断方法及*** | |
CN109342423A (zh) | 一种基于机器视觉管道测绘的城市排水管道验收方法 | |
CN103808263A (zh) | 谷粒粒形参数的高通量检测方法 | |
CN109086763B (zh) | 一种指针式仪表读取方法及装置 | |
CN113781455B (zh) | 宫颈细胞图像异常检测方法、装置、设备及介质 | |
CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、***及装置 | |
CN112069985A (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 | |
CN111144250A (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
CN108876772A (zh) | 一种基于大数据的肺癌图像诊断***及方法 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及*** | |
CN111738229A (zh) | 一种指针表盘刻度的自动读取方法 | |
CN110689567A (zh) | 一种乔木整株总叶面积的测算方法 | |
CN110736750B (zh) | 一种基于多角度田间高清成像的小麦赤霉病检测方法 | |
CN111598955A (zh) | 一种基于摄影测量的移动终端智能基坑监测***及方法 | |
CN106780323B (zh) | 一种基于智能手机的农情采集与实时更新方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |