CN110598732A - 一种基于图像识别的植物健康检测方法及装置 - Google Patents
一种基于图像识别的植物健康检测方法及装置 Download PDFInfo
- Publication number
- CN110598732A CN110598732A CN201910711693.8A CN201910711693A CN110598732A CN 110598732 A CN110598732 A CN 110598732A CN 201910711693 A CN201910711693 A CN 201910711693A CN 110598732 A CN110598732 A CN 110598732A
- Authority
- CN
- China
- Prior art keywords
- image
- features
- plant
- gray level
- infrared
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及植物健康信息化检测技术领域,具体涉及一种基于图像识别的植物健康检测方法及装置,首先实时采集待检测植物的红外图像;进而通过灰度增强方法预处理所述红外图像获得灰度增强图像;接着提取所述灰度增强图像的纹理特征;最后将所述纹理特征与专家库图像特征比对,检测出植物健康状况,本发明通过提高植物图像比对的准确率,从而提高植物健康检测的准确度。
Description
技术领域
本发明涉及植物健康信息化检测技术领域,具体涉及一种基于图像识别的植物健康检测方法及装置。
背景技术
在农业生产上,对于植物的管理上没有过多的资源,只能靠经验进行健康监测,判断植物的病虫害状况。
现有技术也有通过视觉图像识别技术进行检测的,在图像处理技术检测植物病变的相关技术中,通常采用对植物叶片进行特征提取的技术手段,来判断植物是否发生病变,然而,由于对图像的特征提取不够理想,往往对检测的结果带来很大不确定性。因此,如何提高植物图像比对的准确率,从而提高植物健康检测的准确度成为一个值得深入研究的问题。
发明内容
为解决上述问题,本发明提供一种基于图像识别的植物健康检测方法及装置,通过提高植物图像比对的准确率,从而提高植物健康检测的准确度。
本发明提供的一种基于图像识别的植物健康检测方法,包括:
实时采集待检测植物的红外图像;
通过灰度增强方法预处理所述红外图像获得灰度增强图像;
提取所述灰度增强图像的纹理特征;
将所述纹理特征与专家库图像特征比对,检测出植物健康状况。
进一步,所述红外图像为获取红外摄像机拍摄的植物图像,所述植物图像包括植物的根、茎、叶图像信息。
进一步,所述通过灰度增强方法预处理所述红外图像获得灰度增强图像包括:
令所述红外图像的像素总数为N,其中,N=Nx×Ny,Nx为所述红外图像的横坐标像素总数,Ny为所述红外图像的纵坐标像素总数,灰度级总数为M,灰度级为Mi的像素的数目为Ni,将第i个灰度级出现的概率表示为:
P(Mi)=Ni/N,其中,0≤Mi≤1,i=0,1,...,M-1;
采用增强处理函数对所述红外图像进行灰度增强,所述增强处理函数为:
将Q(M)作为各像素的灰度值增强后的灰度增强图像。
进一步,所述提取所述灰度增强图像的纹理特征包括:
建立如下所示的纹理特征函数模型:
其中,k,l均为正整数,k表示横坐标的移动步长,l表示纵坐标的移动步长;
将所述纹理特征函数模型作为所述灰度增强图像的纹理特征。
进一步,所述将所述纹理特征与专家库图像特征比对,检测出植物健康状况包括:
提取专家库图像特征中的正常图像特征,计算所述纹理特征与所述正常图像特征的相关值,判断所述相关值是否大于阈值,若是,输出植物健康的结果,若否,则提取专家库图像特征中的病变图像特征,计算所述纹理特征与病变图像特征的相关值,筛选相关值大于阈值的病变图像;
将所述病变图像对应的病症作为植物的病症。
一种基于图像识别的植物健康检测装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下装置的模块中:
红外图像采集模块,用于实时采集待检测植物的红外图像;
灰度增强图像获得模块,用于通过灰度增强方法预处理所述红外图像获得灰度增强图像;
纹理特征提取模块,用于提取所述灰度增强图像的纹理特征;
健康状况检测模块,用于将所述纹理特征与专家库图像特征比对,检测出植物健康状况。
进一步,所述红外图像为获取红外摄像机拍摄的植物图像,所述植物图像包括植物的根、茎、叶图像信息。
进一步,所述灰度增强图像获得模块具体用于:
令所述红外图像的像素总数为N,其中,N=Nx×Ny,Nx为所述红外图像的横坐标像素总数,Ny为所述红外图像的纵坐标像素总数,灰度级总数为M,灰度级为Mi的像素的数目为Ni,将第i个灰度级出现的概率表示为:
P(Mi)=Ni/N,其中,0≤Mi≤1,i=0,1,...,M-1;
采用增强处理函数对所述红外图像进行灰度增强,所述增强处理函数为:
将Q(M)作为各像素的灰度值增强后的灰度增强图像。
进一步,所述纹理特征提取模块具体用于:
建立如下所示的纹理特征函数模型:
其中,k,l均为正整数,k表示横坐标的移动步长,l表示纵坐标的移动步长;
将所述纹理特征函数模型作为所述灰度增强图像的纹理特征。
进一步,所述健康状况检测模块具体用于:
提取专家库图像特征中的正常图像特征,计算所述纹理特征与所述正常图像特征的相关值,判断所述相关值是否大于阈值,若是,输出植物健康的结果,若否,则提取专家库图像特征中的病变图像特征,计算所述纹理特征与病变图像特征的相关值,筛选相关值大于阈值的病变图像;
将所述病变图像对应的病症作为植物的病症。
本发明的有益效果是:本发明公开一种基于图像识别的植物健康检测方法及装置,首先实时采集待检测植物的红外图像;进而通过灰度增强方法预处理所述红外图像获得灰度增强图像;接着提取所述灰度增强图像的纹理特征;最后将所述纹理特征与专家库图像特征比对,检测出植物健康状况。本发明通过提高植物图像比对的准确率,从而提高植物健康检测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种基于图像识别的植物健康检测方法的流程示意图;
图2是本发明实施例步骤S400的流程示意图;
图3是本发明实施例一种基于图像识别的植物健康检测装置的结构示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种基于图像识别的植物健康检测方法,包括以下步骤;
步骤S100、实时采集待检测植物的红外图像;
步骤S200、通过灰度增强方法预处理所述红外图像获得灰度增强图像;
步骤S300、提取所述灰度增强图像的纹理特征;
步骤S400、将所述纹理特征与专家库图像特征比对,检测出植物健康状况。
本实施例首先通过将实时采集的红外图像转换为灰度增强图像,便于提取纹理特征,进而将所述纹理特征与专家库图像特征比对,可以准确的检测出植物健康状况,本实施例提供的技术方案自动化程度高,提高灰度处理和纹理特征,可提高植物图像比对的准确率,从而提高植物健康检测的准确度。
本实施例中,所述红外图像为获取红外摄像机拍摄的植物图像,所述植物图像包括植物的根、茎、叶图像信息。
例如,可通过BL-CM701A、BL-701AMC、BL-702AMC、BL-704AMC、BL-705AMC、BL-7518PMC和BL-7526PMC中任意一种型号的红外摄像机进行实时图像数据采集。
在一个优选的实施例中,所述步骤S200包括:
令所述红外图像的像素总数为N,其中,N=Nx×Ny,Nx为所述红外图像的横坐标像素总数,Ny为所述红外图像的纵坐标像素总数,灰度级总数为M,灰度级为Mi的像素的数目为Ni,将第i个灰度级出现的概率表示为:
P(Mi)=Ni/N,其中,0≤Mi≤1,i=0,1,...,M-1;
采用增强处理函数对所述红外图像进行灰度增强,所述增强处理函数为:
将Q(M)作为各像素的灰度值增强后的灰度增强图像。
本实施例提供的增强处理函数基于概率分布,根据概率高低有效进行度增强,为后期特征提取提供了极大的便利性。
在一个优选的实施例中,所述步骤S300包括:
建立如下所示的纹理特征函数模型:
其中,k,l均为正整数,k表示横坐标的移动步长,l表示纵坐标的移动步长;
将所述纹理特征函数模型作为所述灰度增强图像的纹理特征。
本实施例采用相关性来描述所述灰度增强图像的纹理特征,方便比对横坐标和纵坐标方向上的相似程度。当矩阵元素值均匀相等时,相关值就大;相反,如果矩阵像素值相差很大则相关值小。如果图像中有横坐标方向纹理,则横坐标方向矩阵的相关值大于其余矩阵的相关值,同样,如果图像中有纵坐标方向纹理,则纵坐标方向矩阵的相关值大于其余矩阵的相关值。
参考图2,在一个优选的实施例中,所述步骤S400包括:
步骤S410、提取专家库图像特征中的正常图像特征,计算所述纹理特征与所述正常图像特征的相关值;
步骤S420、判断所述相关值是否大于阈值,若是,执行步骤S430,若否,执行步骤S440;
步骤S430、输出植物健康的结果;
步骤S440、提取专家库图像特征中的病变图像特征,计算所述纹理特征与病变图像特征的相关值,筛选相关值大于阈值的病变图像;
步骤S450、将所述病变图像对应的病症作为植物的病症。
本实施例所述的专家库图像特征中预存有各个植物品种的图像特征,以及所述图像特征对应的推荐治疗药剂,所述图像特征包括正常图像特征、病变图像特征。所述相关值大于阈值的病变图像可以为一个或多个,多个所述病变图像对应的病症可以为一个或多个,相应的,所述植物的病症也可以为一个或多个。
本实施例所述的阈值为预先设置,可根据实际检测结果与人工判断结果比对,从而选取一个合理的区间范围,优选的,所述阈值的取值范围可以为80%~90%。
在一个可选的实施例中,在步骤S430之后,还包括:根据所述病症获取相对应的推荐治疗药剂,将所述推荐治疗药剂发送给移动终端。
参考图3,本发明还提供一种基于图像识别的植物健康检测装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下装置的模块中:
红外图像采集模块100,用于实时采集待检测植物的红外图像;
灰度增强图像获得模块200,用于通过灰度增强方法预处理所述红外图像获得灰度增强图像;
纹理特征提取模块300,用于提取所述灰度增强图像的纹理特征;
健康状况检测模块400,用于将所述纹理特征与专家库图像特征比对,检测出植物健康状况。
本实施例中,所述红外图像为获取红外摄像机拍摄的植物图像,所述植物图像包括植物的根、茎、叶图像信息。
在一个优选的实施例中,所述灰度增强图像获得模块200具体用于:
令所述红外图像的像素总数为N,其中,N=Nx×Ny,Nx为所述红外图像的横坐标像素总数,Ny为所述红外图像的纵坐标像素总数,灰度级总数为M,灰度级为Mi的像素的数目为Ni,将第i个灰度级出现的概率表示为:
P(Mi)=Ni/N,其中,0≤Mi≤1,i=0,1,...,M-1;
采用增强处理函数对所述红外图像进行灰度增强,所述增强处理函数为:
将Q(M)作为各像素的灰度值增强后的灰度增强图像。
在一个优选的实施例中,所述纹理特征提取模块300具体用于:
建立如下所示的纹理特征函数模型:
其中,k,l均为正整数,k表示横坐标的移动步长,l表示纵坐标的移动步长;
将所述纹理特征函数模型作为所述灰度增强图像的纹理特征。
在一个优选的实施例中,所述健康状况检测模块400具体用于:
提取专家库图像特征中的正常图像特征,计算所述纹理特征与所述正常图像特征的相关值,判断所述相关值是否大于阈值,若是,输出植物健康的结果,若否,提取专家库图像特征中的病变图像特征,计算所述纹理特征与病变图像特征的相关值,筛选相关值大于阈值的病变图像;将所述病变图像对应的病症作为植物的病症。
所述基于图像识别的植物健康检测装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述基于图像识别的植物健康检测装置,可运行的装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是基于图像识别的植物健康检测装置的示例,并不构成对基于图像识别的植物健康检测装置的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于图像识别的植物健康检测装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现成可编程门阵列(Field-Programmable-Gate-Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于图像识别的植物健康检测装置运行装置的控制中心,利用各种接口和线路连接整个基于图像识别的植物健康检测装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于图像识别的植物健康检测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (10)
1.一种基于图像识别的植物健康检测方法,其特征在于,包括:
实时采集待检测植物的红外图像;
通过灰度增强方法预处理所述红外图像获得灰度增强图像;
提取所述灰度增强图像的纹理特征;
将所述纹理特征与专家库图像特征比对,检测出植物健康状况。
2.根据权利要求1所述的基于图像识别的植物健康检测方法,其特征在于,所述红外图像为获取红外摄像机拍摄的植物图像,所述植物图像包括植物的根、茎、叶图像信息。
3.根据权利要求2所述的基于图像识别的植物健康检测方法,其特征在于,所述通过灰度增强方法预处理所述红外图像获得灰度增强图像包括:
令所述红外图像的像素总数为N,其中,N=Nx×Ny,Nx为所述红外图像的横坐标像素总数,Ny为所述红外图像的纵坐标像素总数,灰度级总数为M,灰度级为Mi的像素的数目为Ni,将第i个灰度级出现的概率表示为:
P(Mi)=Ni/N,其中,0≤Mi≤1,i=0,1,...,M-1;
采用增强处理函数对所述红外图像进行灰度增强,所述增强处理函数为:
将Q(M)作为各像素的灰度值增强后的灰度增强图像。
4.根据权利要求3所述的基于图像识别的植物健康检测方法,其特征在于,所述提取所述灰度增强图像的纹理特征包括:
建立如下所示的纹理特征函数模型:
其中,k,l均为正整数,k表示横坐标的移动步长,l表示纵坐标的移动步长;
将所述纹理特征函数模型作为所述灰度增强图像的纹理特征。
5.根据权利要求1所述的基于图像识别的植物健康检测方法,其特征在于,所述将所述纹理特征与专家库图像特征比对,检测出植物健康状况包括:
提取专家库图像特征中的正常图像特征,计算所述纹理特征与所述正常图像特征的相关值,判断所述相关值是否大于阈值,若是,输出植物健康的结果,若否,则提取专家库图像特征中的病变图像特征,计算所述纹理特征与病变图像特征的相关值,筛选相关值大于阈值的病变图像;
将所述病变图像对应的病症作为植物的病症。
6.一种基于图像识别的植物健康检测装置,其特征在于,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下装置的模块中:
红外图像采集模块,用于实时采集待检测植物的红外图像;
灰度增强图像获得模块,用于通过灰度增强方法预处理所述红外图像获得灰度增强图像;
纹理特征提取模块,用于提取所述灰度增强图像的纹理特征;
健康状况检测模块,用于将所述纹理特征与专家库图像特征比对,检测出植物健康状况。
7.根据权利要求6所述的基于图像识别的植物健康检测装置,其特征在于,所述红外图像为获取红外摄像机拍摄的植物图像,所述植物图像包括植物的根、茎、叶图像信息。
8.根据权利要求7所述的基于图像识别的植物健康检测装置,其特征在于,所述灰度增强图像获得模块具体用于:
令所述红外图像的像素总数为N,其中,N=Nx×Ny,Nx为所述红外图像的横坐标像素总数,Ny为所述红外图像的纵坐标像素总数,灰度级总数为M,灰度级为Mi的像素的数目为Ni,将第i个灰度级出现的概率表示为:
P(Mi)=Ni/N,其中,0≤Mi≤1,i=0,1,...,M-1;
采用增强处理函数对所述红外图像进行灰度增强,所述增强处理函数为:
将Q(M)作为各像素的灰度值增强后的灰度增强图像。
9.根据权利要求8所述的基于图像识别的植物健康检测装置,其特征在于,所述纹理特征提取模块具体用于:
建立如下所示的纹理特征函数模型:
其中,k,l均为正整数,k表示横坐标的移动步长,l表示纵坐标的移动步长;
将所述纹理特征函数模型作为所述灰度增强图像的纹理特征。
10.根据权利要求6所述的基于图像识别的植物健康检测装置,其特征在于,所述健康状况检测模块具体用于:
提取专家库图像特征中的正常图像特征,计算所述纹理特征与所述正常图像特征的相关值,判断所述相关值是否大于阈值,若是,输出植物健康的结果,若否,则提取专家库图像特征中的病变图像特征,计算所述纹理特征与病变图像特征的相关值,筛选相关值大于阈值的病变图像;
将所述病变图像对应的病症作为植物的病症。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910711693.8A CN110598732B (zh) | 2019-08-02 | 2019-08-02 | 一种基于图像识别的植物健康检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910711693.8A CN110598732B (zh) | 2019-08-02 | 2019-08-02 | 一种基于图像识别的植物健康检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598732A true CN110598732A (zh) | 2019-12-20 |
CN110598732B CN110598732B (zh) | 2023-04-28 |
Family
ID=68853362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910711693.8A Active CN110598732B (zh) | 2019-08-02 | 2019-08-02 | 一种基于图像识别的植物健康检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598732B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274979A (zh) * | 2020-01-23 | 2020-06-12 | 浙江工业大学之江学院 | 植物病虫害识别方法、装置、计算机设备及可存储介质 |
CN115190538A (zh) * | 2022-09-09 | 2022-10-14 | 朔至美(南通)科技有限公司 | 一种基于无线通信技术的健康数据传输***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760877A (zh) * | 2016-02-19 | 2016-07-13 | 天纺标检测科技有限公司 | 一种基于灰度共生矩阵模型的羊毛羊绒识别算法 |
CN106952300A (zh) * | 2017-04-28 | 2017-07-14 | 深圳前海弘稼科技有限公司 | 基于图像识别植物病变的方法及***、计算机设备 |
CN107392920A (zh) * | 2017-06-30 | 2017-11-24 | 北京农业信息技术研究中心 | 一种基于可见光‑太赫兹光的植株健康辨别方法和装置 |
CN108519346A (zh) * | 2018-03-22 | 2018-09-11 | 江苏大学 | 红外热像与近红外光谱结合检测潜育期番茄花叶病的方法 |
CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
CN109330566A (zh) * | 2018-11-21 | 2019-02-15 | 佛山市第人民医院(中山大学附属佛山医院) | 一种伤口监测方法及装置 |
-
2019
- 2019-08-02 CN CN201910711693.8A patent/CN110598732B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760877A (zh) * | 2016-02-19 | 2016-07-13 | 天纺标检测科技有限公司 | 一种基于灰度共生矩阵模型的羊毛羊绒识别算法 |
CN106952300A (zh) * | 2017-04-28 | 2017-07-14 | 深圳前海弘稼科技有限公司 | 基于图像识别植物病变的方法及***、计算机设备 |
CN107392920A (zh) * | 2017-06-30 | 2017-11-24 | 北京农业信息技术研究中心 | 一种基于可见光‑太赫兹光的植株健康辨别方法和装置 |
CN108519346A (zh) * | 2018-03-22 | 2018-09-11 | 江苏大学 | 红外热像与近红外光谱结合检测潜育期番茄花叶病的方法 |
CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
CN109330566A (zh) * | 2018-11-21 | 2019-02-15 | 佛山市第人民医院(中山大学附属佛山医院) | 一种伤口监测方法及装置 |
Non-Patent Citations (1)
Title |
---|
孙华魁: "《数字图像处理与识别技术研究》", 31 May 2019 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274979A (zh) * | 2020-01-23 | 2020-06-12 | 浙江工业大学之江学院 | 植物病虫害识别方法、装置、计算机设备及可存储介质 |
CN115190538A (zh) * | 2022-09-09 | 2022-10-14 | 朔至美(南通)科技有限公司 | 一种基于无线通信技术的健康数据传输***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110598732B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109671020B (zh) | 图像处理方法、装置、电子设备和计算机存储介质 | |
CN110672323B (zh) | 一种基于神经网络的轴承健康状态评估方法及装置 | |
CN110765860A (zh) | 摔倒判定方法、装置、计算机设备及存储介质 | |
CN110532413B (zh) | 基于图片匹配的信息检索方法、装置、计算机设备 | |
CN110378245B (zh) | 基于深度学习的足球比赛行为识别方法、装置及终端设备 | |
CN111382616B (zh) | 视频分类方法、装置及存储介质、计算机设备 | |
CN112419202B (zh) | 基于大数据及深度学习的野生动物图像自动识别*** | |
CN112580668B (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
CN110148117B (zh) | 基于电力图像的电力设备缺陷识别方法、装置与存储介质 | |
CN112037254B (zh) | 目标跟踪方法及相关装置 | |
CN110598732B (zh) | 一种基于图像识别的植物健康检测方法及装置 | |
CN111126254A (zh) | 图像识别方法、装置、设备及存储介质 | |
CN112529149B (zh) | 一种数据处理方法及相关装置 | |
CN112381071A (zh) | 一种视频流中目标的行为分析方法、终端设备及介质 | |
CN111274999A (zh) | 数据处理、图像处理方法、装置及电子设备 | |
CN112116567A (zh) | 一种无参考图像质量评价方法、装置及存储介质 | |
CN110672324B (zh) | 一种基于有监督lle算法的轴承故障诊断方法及装置 | |
CN113688785A (zh) | 基于多监督的人脸识别方法、装置、计算机设备及存储介质 | |
CN113516006A (zh) | 一种用于智能机器人的高效信息处理方法及*** | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN112085926A (zh) | 一种河道水污染预警方法及*** | |
Hipiny et al. | Towards Automated Biometric Identification of Sea Turtles (Chelonia mydas) | |
CN117218356A (zh) | 图像识别方法及装置 | |
CN110489592B (zh) | 视频分类方法、装置、计算机设备和存储介质 | |
CN110674949A (zh) | 一种基于大数据的工件故障智能补偿方法及装置 |
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 |