CN110135481A - 一种农作物病变检测方法以及检测装置 - Google Patents

一种农作物病变检测方法以及检测装置 Download PDF

Info

Publication number
CN110135481A
CN110135481A CN201910359630.0A CN201910359630A CN110135481A CN 110135481 A CN110135481 A CN 110135481A CN 201910359630 A CN201910359630 A CN 201910359630A CN 110135481 A CN110135481 A CN 110135481A
Authority
CN
China
Prior art keywords
lesion
image
crops
feature
input picture
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
Application number
CN201910359630.0A
Other languages
English (en)
Other versions
CN110135481B (zh
Inventor
叶大贵
陈建文
王修才
朱文博
许仁俊
施淞瀚
林浩勃
陆江南
吴徐平
黄穗龙
朱珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan University
Original Assignee
Foshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan University filed Critical Foshan University
Priority to CN201910359630.0A priority Critical patent/CN110135481B/zh
Publication of CN110135481A publication Critical patent/CN110135481A/zh
Application granted granted Critical
Publication of CN110135481B publication Critical patent/CN110135481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种农作物病变检测方法及检测装置，检测方法包括病变分类步骤以及病变识别步骤；病变分类步骤根据各个样品图像的病变种类标签以及图像特征，完成决策树分类器的训练；根据决策树分类器，生成多个特征模板图像；病变识别步骤包括利用半朴素贝叶斯分类器计算待测图像与各个特征模板图像之间的匹配程度；根据待测图像与各个特征模板图像之间的匹配程度。本发明病变检测方法在病变分类步骤中，利用决策树分类器明确各种不同病变种类所对应的农作物特征，从而生出模板图像；在病变识别步骤中利用半朴素贝叶斯分类器计算待测农作物的待测图像与各个模板图像的匹配程度，得出待测农作物的病变种类及其病变的可能性数据，可靠性高。

Description

一种农作物病变检测方法以及检测装置
技术领域
本发明涉及农作物检测技术领域，更具体地说设计一种农作物病变检测方法以及检测装置。
背景技术
众所周之，我国是一个名副其实的农业大国，农田面积大，从事农业种植的人口基数大。目前我国农业种植的大体现状是绝大部分地区已经实现了半机械化的生产模式，生产效率依然处于较低水平。
以大葱为例，大葱作为人们日常生活中不可缺少的调味料之一，根据相关数据显示，大葱的种植面积在我国蔬菜种植中占了10％，但是其生产产量则只是占了7％，究其原因主要是由于大葱的种植主要是通过人工进行管理，当大葱种植过程中出现病变状况时，种植人员难以及时发现并作出相应的防治措施，使得大葱的产量低。
实际上不单是大葱，其他农作物由于种植过程中智能化程度较低而无法及时对农作物的病变状况作出及时的应对措施比比皆是，因此如何实现在农作物种植过程中对其进行智能化的病变检测尤为重要。
现有技术中已经存在不少的基于图像处理识别的植物病变检测方法，但是现有的病变检测方法可靠性程度不足，无法给出植物具体的病变可能性数据。
发明内容
本发明要解决的技术问题是：提供一种基于图像识别的农作物病变检测方法以及检测装置。
本发明解决其技术问题的解决方案是：
一种农作物病变检测方法，包括病变分类步骤以及病变识别步骤；
所述病变分类步骤包括：
步骤110，采集多个样品图像，对各个所述样品图像设置病变种类标签；
步骤120，对各个所述样品图像进行预处理操作；
步骤130，对各个所述样品图像进行特征提取操作；
步骤140，根据各个样品图像的病变种类标签以及图像特征，完成决策树分类器的训练；
步骤150，根据所述决策树分类器，生成多个特征模板图像，各个所述特征模板图像分别与各个病变种类相对应；
所述病变识别步骤包括：
步骤210，对待测的农作物进行图像采集，生成待测图像；
步骤220，对所述待测图像进行预处理操作；
步骤230，对所述待测图像进行特征提取操作；
步骤240，利用半朴素贝叶斯分类器计算所述待测图像与各个特征模板图像之间的匹配程度；
步骤250，根据所述待测图像与各个特征模板图像之间的匹配程度，判断待测的农作物的病变可能性。
作为上述技术方案的进一步改进，步骤120以及步骤220中，所述预处理操作包括以下步骤：
步骤A，对输入图像进行直方图修正操作；
步骤B，对输入图像采用二维中值滤波去除噪声；
步骤C，对输入图像进行灰度值调整操作；
步骤D，对输入图像进行图像分割处理。
作为上述技术方案的进一步改进，步骤130和步骤230中，所述特征提取操作包括提取输入图像的叶片颜色特征、花梗颜色特征、病变区域面积、病变区域轮廓以及植株高度。
作为上述技术方案的进一步改进，步骤130和步骤230中，提取输入图像的叶片颜色特征包括获取输入图像的叶片区域的RGB像素值，通过输入图像的叶片区域的RGB像素值计算第一色度坐标，所述第一色度坐标为输入图像的叶片颜色特征。
作为上述技术方案的进一步改进，步骤130和步骤230中，提取输入图像的花梗颜色特征包括获取输入图像的花梗区域的RGB像素值，通过输入图像的花梗区域的RGB像素值计算第二色度坐标，所述第二色度坐标为输入图像的花梗颜色特征。
作为上述技术方案的进一步改进，步骤130和步骤230中，提取输入图像的病变区域面积以及病变区域轮廓包括对输入图像进行图像分割处理后获得病变区域，将病变区域内的像素点定义为目标像素点，将病变区域外的像素点定义为背景像素点，统计目标像素点的个数，根据目标像素点的个数计算病变区域面积，通过处于相邻位置的目标像素点以及背景像素点获取病变区域轮廓。
作为上述技术方案的进一步改进，所述病变分类步骤还包括步骤160，在采集样品图像时，记录环境温湿度值以及光强值，步骤160设置在步骤140之前，步骤140中根据各个样品图像的病变种类标签、图像特征、环境温湿度值以及光强值，完成决策树分类器的训练；所述病变识别步骤还包括步骤260，在采集待测图像时，记录环境温湿度值以及光强值，步骤260设置在步骤250之前，步骤250结合中环境温湿度值以及光强值，根据所述待测图像与各个特征模板图像之间的匹配程度，判断待测的农作物的病变可能性。
本发明同时还公开了一种农作物病变检测装置，包括病变分类模块以及病变识别模块；
所述病变分类模块包括：
第一采集单元，用于采集样品图像；
标签设置单元，用于对各个所述样品图像设置病变种类标签；
第一预处理单元，用于对各个所述样品图像进行预处理操作；
第一特征提取单元，用于对各个所述样品图像进行特征提取操作；
训练单元，用于根据各个样品图像的病变种类标签以及图像特征，完成决策树分类器的训练；
模板生成单元，根据所述决策树分类器，生成多个特征模板图像，各个所述特征模板图像分别与各个病变种类相对应；
所述病变识别模块包括：
第二采集单元，对待测的农作物进行图像采集，生成待测图像；
第二预处理单元，对所述待测图像进行预处理操作；
第二特征提取单元，用于对所述样品图像进行特征提取操作；
匹配单元，利用半朴素贝叶斯分类器计算所述待测图像与各个特征模板图像之间的匹配程度；
预测单元，用于根据所述待测图像与各个特征模板图像之间的匹配程度，判断待测的农作物的病变可能性。
作为上述技术方案的进一步改进，第一特征采集单元以及第二特征采集单元中，所述特征提取操作包括提取输入图像的叶片颜色特征、花梗颜色特征、病变区域面积、病变区域轮廓以及植株高度。
作为上述技术方案的进一步改进，检测装置还包括温湿度传感器以及光照度传感器，所述训练单元根据各个样品图像的病变种类标签、图像特征、环境温湿度值以及光强值，完成决策树分类器的训练；所述预测单元结合环境温湿度值以及光强值，根据所述待测图像与各个特征模板图像之间的匹配程度，判断待测的农作物的病变可能性。
本发明的有益效果是：本发明所述的病变检测方法在病变分类步骤中，利用决策树分类器明确各种不同病变种类所对应的农作物特征，从而生出模板图像；在病变识别步骤中利用半朴素贝叶斯分类器计算待测农作物的待测图像与各个模板图像的匹配程度，得出待测农作物的病变种类及其病变的可能性数据，可靠性高。
本发明所述的病变检测装置通过病变分类模块，利用决策树分类器明确各种不同病变种类所对应的农作物特征，从而生出模板图像；通过病变识别模块，利用半朴素贝叶斯分类器计算待测农作物的待测图像与各个模板图像的匹配程度，得出待测农作物的病变种类及其病变的可能性数据，可靠性高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。
图1是本发明的病变检测方法的病变分类步骤流程示意图；
图2使本发明的病变检测方法的病变识别步骤流程示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本申请的一部分实施例，而不是全部实施例，基于本申请的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本申请保护的范围。另外，文中所提到的所有连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少连接辅件，来组成更优的连接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。最后需要说明的是，如文中术语“中心、上、下、左、右、竖直、水平、内、外”等指示的方位或位置关系则为基于附图所示的方位或位置关系，仅是为了便于描述本技术方案和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
参照图1和图2，本发明公开了一种农作物病变检测方法，所述病变检测方法的第一实施例，包括病变分类步骤以及病变识别步骤；
所述病变分类步骤包括：
步骤110，采集多个样品图像，对各个所述样品图像设置病变种类标签；
步骤120，对各个所述样品图像进行预处理操作，以提高样品图像的图像质量；
步骤130，对各个所述样品图像进行特征提取操作，通过所提取的样品图像的特征作为农作物病变分类的依据；
步骤140，根据各个样品图像的病变种类标签以及图像特征，完成决策树分类器的训练，得出每个病变种类所对应的图像特征；
步骤150，根据所述决策树分类器，生成多个特征模板图像，各个所述特征模板图像分别与各个病变种类相对应；
所述病变识别步骤包括：
步骤210，对待测的农作物进行图像采集，生成待测图像；
步骤220，对所述待测图像进行预处理操作，以提高待测图像的图像质量；
步骤230，对所述待测图像进行特征提取操作；
步骤240，利用半朴素贝叶斯分类器计算所述待测图像与各个特征模板图像之间的匹配程度；
步骤250，根据所述待测图像与各个特征模板图像之间的匹配程度，判断待测的农作物的病变可能性。
具体地，本实施例在病变分类步骤中，利用决策树分类器明确各种不同病变种类所对应的农作物特征，从而生出模板图像；在病变识别步骤中利用半朴素贝叶斯分类器计算待测农作物的待测图像与各个模板图像的匹配程度，得出待测农作物的病变种类及其病变的可能性数据，可靠性高。
进一步作为优选的实施方式，本实施例的步骤240中，还需要导入农作物的历史生长数据，所谓的历史生长数据指代的是农作物过去一个时间段内所患有的病变种类以及农作物的生长环境数据(即环境温湿度值)，本实施例结合农作物的历史生长数据，将所述历史生长数据添加到由步骤230所提取的特征组成的特征集合中，再利用半朴素贝叶斯分类器计算所述待测图像与各个特征模板图像之间的匹配程度。本实施例通过导入农作物的历史生长数据，能够更加准确的判断出农作物的病变种类及其成因。
进一步作为优选的实施方式，本实施例的步骤120以及步骤220中，所述预处理操作包括以下步骤：
步骤A，对输入图像进行直方图修正操作；
步骤B，对输入图像采用二维中值滤波去除噪声；
步骤C，对输入图像进行灰度值调整操作；
步骤D，对输入图像进行图像分割处理。
其中步骤A通过直方图均衡算法实现输入图像的直方图修正操作，以增强输入图像；步骤B中通过二维中值滤波将输入图像中的噪声去除，同时还能够保留较好的边缘信息，本实施例3*3的窗口模板对输入图像进行滤波处理，其中fij表示滤波前的输入图像，yij滤波处理后的输入图像，A表示3*3窗口模板；步骤C中利用阶梯函数对输入图像进行灰度值调整操作，其中g(x,y)表示灰度调整后输入图像的灰度值，f(x,y)表示灰度调整前输入图像的灰度值，T0至Tn-1为各个灰度值区间；步骤D中利用利用输入图像的直方图，通过基于阈值的图像分割法对输入图像进行分割操作，将输入图像中的叶片区域、花梗区域以及病变区域分割出来。
进一步作为优选的实施方式，本实施例的步骤130和步骤230中，所述特征提取操作包括提取输入图像的叶片颜色特征、花梗颜色特征、病变区域面积、病变区域轮廓以及植株高度，即本实施例具体是通过待测农作物的叶片颜色特征、花梗颜色特征、病变区域面积、病变区域轮廓以及植株高度作为病变种类的判断依据。
具体地，步骤130和步骤230中，提取输入图像的叶片颜色特征包括获取输入图像的叶片区域的RGB像素值，通过输入图像的叶片区域的RGB像素值计算第一色度坐标，所述第一色度坐标为输入图像的叶片颜色特征，通过如下公式计算第一色度坐标，(r,g,b)记为第一色度坐标。
本实施例的步骤130和步骤230中，提取输入图像的花梗颜色特征包括获取输入图像的花梗区域的RGB像素值，通过输入图像的花梗区域的RGB像素值计算第二色度坐标，所述第二色度坐标为输入图像的花梗颜色特征，其中第二色度坐标的计算与第一色度坐标的计算过程一致。
进一步作为优选的实施方式，本实施例的步骤130和步骤230中，提取输入图像的病变区域面积以及病变区域轮廓包括对输入图像进行图像分割处理后获得病变区域，将病变区域内的像素点定义为目标像素点，将病变区域外的像素点定义为背景像素点，统计目标像素点的个数，根据目标像素点的个数计算病变区域面积，即同时通过处于相邻位置的目标像素点以及背景像素点获取病变区域轮廓。
进一步作为优选的实施方式，本实施例中获取输入图像的植株高度包括以下步骤，设置一个焦距拍摄某个农作物，识别并标记农作物底部位置，捕捉并标记若干个农作物的顶端位置，取尖端标记点的平均位置作为农作物的顶部位置，则农作物的底部位置与顶部位置的竖直连线即为农作物的图像高度；再次设置另一个焦距拍摄该农作物，重复以上步骤，获得农作物的另一个图像高度，将两个农作物的图像高度进行比较得出农作物的实际高度，即为植株高度。
本申请所述农作物病变检测方法的第二实施例，与其第一实施例相比，区别在于所述病变分类步骤还包括步骤160，在采集样品图像时，记录环境温湿度值以及光强值，步骤160设置在步骤140之前，步骤140中根据各个样品图像的病变种类标签、图像特征、环境温湿度值以及光强值，完成决策树分类器的训练；所述病变识别步骤还包括步骤260，在采集待测图像时，记录环境温湿度值以及光强值，步骤260设置在步骤250之前，步骤250结合中环境温湿度值以及光强值，根据所述待测图像与各个特征模板图像之间的匹配程度，判断待测的农作物的病变可能性。具体地，由于农作物的某些病变种类在不同的环境因素下是对外显示不同的特征，即某些病变只能在特定的环境因素才有可能出现，例如大葱作物在阴雨天或者潮湿环境下灰霉病。因此本实施例通过检测环境温湿度值以及光强值，进一步提高农作物病变分类以及病变识别的准确度，有助于实现更大范围的农作物病变检测。
本申请同时还公开了一种农作物病变检测装置，其第一实施例包括病变分类模块以及病变识别模块；
所述病变分类模块包括：
第一采集单元，用于采集样品图像；
标签设置单元，用于对各个所述样品图像设置病变种类标签；
第一预处理单元，用于对各个所述样品图像进行预处理操作；
第一特征提取单元，用于对各个所述样品图像进行特征提取操作；
训练单元，用于根据各个样品图像的病变种类标签以及图像特征，完成决策树分类器的训练；
模板生成单元，根据所述决策树分类器，生成多个特征模板图像，各个所述特征模板图像分别与各个病变种类相对应；
所述病变识别模块包括：
第二采集单元，对待测的农作物进行图像采集，生成待测图像；
第二预处理单元，用于对所述待测图像进行预处理操作；
第二特征提取单元，用于对所述样品图像进行特征提取操作；
匹配单元，利用半朴素贝叶斯分类器计算所述待测图像与各个特征模板图像之间的匹配程度；
预测单元，用于根据所述待测图像与各个特征模板图像之间的匹配程度，判断待测的农作物的病变可能性。
具体地，本实施例通过病变分类模块，利用决策树分类器明确各种不同病变种类所对应的农作物特征，从而生出模板图像；通过病变识别模块，利用半朴素贝叶斯分类器计算待测农作物的待测图像与各个模板图像的匹配程度，得出待测农作物的病变种类及其病变的可能性数据，可靠性高。
进一步作为优选的实施方式，第一特征采集单元以及第二特征采集单元中，所述特征提取操作包括提取输入图像的叶片颜色特征、花梗颜色特征、病变区域面积、病变区域轮廓以及植株高度，即本实施例具体是通过待测农作物的叶片颜色特征、花梗颜色特征、病变区域面积、病变区域轮廓以及植株高度作为病变种类的判断依据。
本申请所述农作物病变检测装置的第二实施例，与第一实施例相比，区别在于检测装置还包括温湿度传感器以及光照度传感器，所述训练单元根据各个样品图像的病变种类标签、图像特征、环境温湿度值以及光强值，完成决策树分类器的训练；所述预测单元结合环境温湿度值以及光强值，根据所述待测图像与各个特征模板图像之间的匹配程度，判断待测的农作物的病变可能性。具体地，由于农作物的某些病变种类在不同的环境因素下是对外显示不同的特征，即某些疾病只能在特定的环境因素才有可能出现，例如大葱作物在阴雨天或者潮湿环境下灰霉病。因此本实施例通过检测环境温湿度值以及光强值，进一步提高农作物病变分类以及病变识别的准确度，有助于实现更大范围的农作物病变检测。
以上对本申请的较佳实施方式进行了具体说明，但本申请并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种农作物病变检测方法，其特征在于，包括病变分类步骤以及病变识别步骤；
所述病变分类步骤包括：
步骤110，采集多个样品图像，对各个所述样品图像设置病变种类标签；
步骤120，对各个所述样品图像进行预处理操作；
步骤130，对各个所述样品图像进行特征提取操作；
步骤140，根据各个样品图像的病变种类标签以及图像特征，完成决策树分类器的训练；
步骤150，根据所述决策树分类器，生成多个特征模板图像，各个所述特征模板图像分别与各个病变种类相对应；
所述病变识别步骤包括：
步骤210，对待测的农作物进行图像采集，生成待测图像；
步骤220，对所述待测图像进行预处理操作；
步骤230，对所述待测图像进行特征提取操作；
步骤240，利用半朴素贝叶斯分类器计算所述待测图像与各个特征模板图像之间的匹配程度；
步骤250，根据所述待测图像与各个特征模板图像之间的匹配程度，判断待测的农作物的病变可能性。
2.根据权利要求1所述的一种农作物病变检测方法，其特征在于，步骤120以及步骤220中，所述预处理操作包括以下步骤：
步骤A，对输入图像进行直方图修正操作；
步骤B，对输入图像采用二维中值滤波去除噪声；
步骤C，对输入图像进行灰度值调整操作；
步骤D，对输入图像进行图像分割处理。
3.根据权利要求2所述的一种农作物病变检测方法，其特征在于，步骤130和步骤230中，所述特征提取操作包括提取输入图像的叶片颜色特征、花梗颜色特征、病变区域面积、病变区域轮廓以及植株高度。
4.根据权利要求3所述的一种农作物病变检测方法，其特征在于，步骤130和步骤230中，提取输入图像的叶片颜色特征包括获取输入图像的叶片区域的RGB像素值，通过输入图像的叶片区域的RGB像素值计算第一色度坐标，所述第一色度坐标为输入图像的叶片颜色特征。
5.根据权利要求3所述的一种农作物病变检测方法，其特征在于，步骤130和步骤230中，提取输入图像的花梗颜色特征包括获取输入图像的花梗区域的RGB像素值，通过输入图像的花梗区域的RGB像素值计算第二色度坐标，所述第二色度坐标为输入图像的花梗颜色特征。
6.根据权利要求3所述的一种农作物病变检测方法，其特征在于，步骤130和步骤230中，提取输入图像的病变区域面积以及病变区域轮廓包括对输入图像进行图像分割处理后获得病变区域，将病变区域内的像素点定义为目标像素点，将病变区域外的像素点定义为背景像素点，统计目标像素点的个数，根据目标像素点的个数计算病变区域面积，通过处于相邻位置的目标像素点以及背景像素点获取病变区域轮廓。
7.根据权利要求1所述的一种农作物病变检测方法，其特征在于，所述病变分类步骤还包括步骤160，在采集样品图像时，记录环境温湿度值以及光强值，步骤160设置在步骤140之前，步骤140中根据各个样品图像的病变种类标签、图像特征、环境温湿度值以及光强值，完成决策树分类器的训练；所述病变识别步骤还包括步骤260，在采集待测图像时，记录环境温湿度值以及光强值，步骤260设置在步骤250之前，步骤250结合中环境温湿度值以及光强值，根据所述待测图像与各个特征模板图像之间的匹配程度，判断待测的农作物的病变可能性。
8.一种农作物病变检测装置，其特征在于：包括病变分类模块以及病变识别模块；
所述病变分类模块包括：
第一采集单元，用于采集样品图像；
标签设置单元，用于对各个所述样品图像设置病变种类标签；
第一预处理单元，用于对各个所述样品图像进行预处理操作；
第一特征提取单元，用于对各个所述样品图像进行特征提取操作；
训练单元，用于根据各个样品图像的病变种类标签以及图像特征，完成决策树分类器的训练；
模板生成单元，根据所述决策树分类器，生成多个特征模板图像，各个所述特征模板图像分别与各个病变种类相对应；
所述病变识别模块包括：
第二采集单元，对待测的农作物进行图像采集，生成待测图像；
第二预处理单元，对所述待测图像进行预处理操作；
第二特征提取单元，用于对所述样品图像进行特征提取操作；
匹配单元，利用半朴素贝叶斯分类器计算所述待测图像与各个特征模板图像之间的匹配程度；
预测单元，用于根据所述待测图像与各个特征模板图像之间的匹配程度，判断待测的农作物的病变可能性。
9.根据权利要求8所述的一种农作物病变检测装置，其特征在于，第一特征采集单元以及第二特征采集单元中，所述特征提取操作包括提取输入图像的叶片颜色特征、花梗颜色特征、病变区域面积、病变区域轮廓以及植株高度。
10.根据权利要求8所述的一种农作物病变检测装置，其特征在于，还包括温湿度传感器以及光照度传感器，所述训练单元根据各个样品图像的病变种类标签、图像特征、环境温湿度值以及光强值，完成决策树分类器的训练；所述预测单元结合环境温湿度值以及光强值，根据所述待测图像与各个特征模板图像之间的匹配程度，判断待测的农作物的病变可能性。
CN201910359630.0A 2019-04-30 2019-04-30 一种农作物病变检测方法以及检测装置 Active CN110135481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910359630.0A CN110135481B (zh) 2019-04-30 2019-04-30 一种农作物病变检测方法以及检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910359630.0A CN110135481B (zh) 2019-04-30 2019-04-30 一种农作物病变检测方法以及检测装置

Publications (2)

Publication Number Publication Date
CN110135481A true CN110135481A (zh) 2019-08-16
CN110135481B CN110135481B (zh) 2023-01-24

Family

ID=67575896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910359630.0A Active CN110135481B (zh) 2019-04-30 2019-04-30 一种农作物病变检测方法以及检测装置

Country Status (1)

Country Link
CN (1) CN110135481B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112882042A (zh) * 2021-01-14 2021-06-01 天津市水产研究所 一种基于声学数据的海洋牧场海床遥测与识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915446A (zh) * 2012-09-20 2013-02-06 复旦大学 基于svm机器学习的植物病虫害检测方法
CN103903013A (zh) * 2014-04-15 2014-07-02 复旦大学 一种无标记平面物体识别的优化算法
CN104636631A (zh) * 2015-03-09 2015-05-20 江苏中康软件有限责任公司 一种基于糖尿病***大数据的糖尿病概率计算方法
CN104751122A (zh) * 2015-03-05 2015-07-01 北京农业信息技术研究中心 一种农作物病情指数的计算方法及***
CN107368847A (zh) * 2017-06-26 2017-11-21 北京农业信息技术研究中心 一种作物叶部病害识别方法及***
CN108596262A (zh) * 2018-04-28 2018-09-28 北京麦飞科技有限公司 一种基于计算机视觉进行植物病斑分类的方法及***
CN109003279A (zh) * 2018-07-06 2018-12-14 东北大学 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及***
CN109041010A (zh) * 2018-07-10 2018-12-18 南京邮电大学 基于半朴素贝叶斯分类器的车载容迟网络数据转发方法
CN109658409A (zh) * 2018-12-29 2019-04-19 佛山科学技术学院 一种香蕉叶片叶斑病检测方法
US20200320682A1 (en) * 2016-05-13 2020-10-08 Basf Se System and Method for Detecting Plant Diseases

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915446A (zh) * 2012-09-20 2013-02-06 复旦大学 基于svm机器学习的植物病虫害检测方法
CN103903013A (zh) * 2014-04-15 2014-07-02 复旦大学 一种无标记平面物体识别的优化算法
CN104751122A (zh) * 2015-03-05 2015-07-01 北京农业信息技术研究中心 一种农作物病情指数的计算方法及***
CN104636631A (zh) * 2015-03-09 2015-05-20 江苏中康软件有限责任公司 一种基于糖尿病***大数据的糖尿病概率计算方法
US20200320682A1 (en) * 2016-05-13 2020-10-08 Basf Se System and Method for Detecting Plant Diseases
CN107368847A (zh) * 2017-06-26 2017-11-21 北京农业信息技术研究中心 一种作物叶部病害识别方法及***
CN108596262A (zh) * 2018-04-28 2018-09-28 北京麦飞科技有限公司 一种基于计算机视觉进行植物病斑分类的方法及***
CN109003279A (zh) * 2018-07-06 2018-12-14 东北大学 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及***
CN109041010A (zh) * 2018-07-10 2018-12-18 南京邮电大学 基于半朴素贝叶斯分类器的车载容迟网络数据转发方法
CN109658409A (zh) * 2018-12-29 2019-04-19 佛山科学技术学院 一种香蕉叶片叶斑病检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GITTALY DHINGRA ET AL.: "Study of digital image processing techniques for leaf disease detection and classification", 《MULTIMEDIA TOOLS AND APPLICATIONS》 *
赵玉霞等: "贝叶斯方法在玉米叶部病害图像识别中的应用", 《计算机工程与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112882042A (zh) * 2021-01-14 2021-06-01 天津市水产研究所 一种基于声学数据的海洋牧场海床遥测与识别方法
CN112882042B (zh) * 2021-01-14 2022-06-21 天津市水产研究所 一种基于声学数据的海洋牧场海床遥测与识别方法

Also Published As

Publication number Publication date
CN110135481B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN106951836B (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
TWI401412B (zh) Automatic measurement system, method and recording medium for plant characteristics
CN110479636B (zh) 基于神经网络自动分拣烟叶的方法及装置
Sharma et al. RETRACTED ARTICLE: SVM-based compliance discrepancies detection using remote sensing for organic farms
Zhou et al. Early detection and continuous quantization of plant disease using template matching and support vector machine algorithms
CN102663397B (zh) 一种小麦出苗的自动检测方法
CN103177445B (zh) 基于分段阈值图像分割及光斑识别的室外番茄识别方法
CN110427798B (zh) 一种青菜智能识别及叶色环境变化预测的方法
Narvekar et al. Grape leaf diseases detection & analysis using SGDM matrix method
Masood et al. Plants disease segmentation using image processing
Ji et al. In-field automatic detection of maize tassels using computer vision
CN103942555B (zh) 一种植物氮素含量丰缺图像检测方法
CN112257702A (zh) 一种基于增量学习的农作物病害识别方法
CN105067532A (zh) 一种鉴别油菜菌核病和灰霉病早期病斑的方法
CN114818909A (zh) 一种基于作物长势特征的杂草检测方法和装置
Zhou et al. Research on cucumber downy mildew detection system based on SVM classification algorithm
Loresco et al. Segmentation of lettuce plants using super pixels and thresholding methods in smart farm hydroponics setup
CN104504736B (zh) 一种识别大田作物长势监控图像中绿色植物的方法及***
Yuan et al. Sensitivity examination of YOLOv4 regarding test image distortion and training dataset attribute for apple flower bud classification
CN110135481A (zh) 一种农作物病变检测方法以及检测装置
Loresco et al. Computer vision performance metrics evaluation of object detection based on Haar-like, HOG and LBP features for scale-invariant lettuce leaf area calculation
CN103322946B (zh) 一种获取玉米冠层孔隙度的方法
CN117036926A (zh) 一种融合深度学习与图像处理的杂草识别方法
CN106951824A (zh) 基于无人机遥感影像提取玉米植株叶色的方法及***
Yang et al. Feature extraction of cotton plant height based on DSM difference method

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