CN110736750B - 一种基于多角度田间高清成像的小麦赤霉病检测方法 - Google Patents
一种基于多角度田间高清成像的小麦赤霉病检测方法 Download PDFInfo
- Publication number
- CN110736750B CN110736750B CN201911033059.XA CN201911033059A CN110736750B CN 110736750 B CN110736750 B CN 110736750B CN 201911033059 A CN201911033059 A CN 201911033059A CN 110736750 B CN110736750 B CN 110736750B
- Authority
- CN
- China
- Prior art keywords
- ear
- wheat
- grid
- ears
- group
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 64
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 64
- 206010039509 Scab Diseases 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000003384 imaging method Methods 0.000 title claims abstract description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 27
- 201000010099 disease Diseases 0.000 claims abstract description 26
- 241001024327 Oenanthe <Aves> Species 0.000 claims abstract description 25
- 210000005069 ears Anatomy 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 208000032625 disorder of ear Diseases 0.000 claims abstract description 4
- 241000495841 Oenanthe oenanthe Species 0.000 claims description 48
- 230000011218 segmentation Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 11
- 230000003902 lesion Effects 0.000 claims description 6
- 238000004804 winding Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 239000000725 suspension Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- LINOMUASTDIRTM-QGRHZQQGSA-N deoxynivalenol Chemical compound C([C@@]12[C@@]3(C[C@@H](O)[C@H]1O[C@@H]1C=C(C([C@@H](O)[C@@]13CO)=O)C)C)O2 LINOMUASTDIRTM-QGRHZQQGSA-N 0.000 description 2
- 229930002954 deoxynivalenol Natural products 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- LINOMUASTDIRTM-UHFFFAOYSA-N vomitoxin hydrate Natural products OCC12C(O)C(=O)C(C)=CC1OC1C(O)CC2(C)C11CO1 LINOMUASTDIRTM-UHFFFAOYSA-N 0.000 description 2
- 244000052616 bacterial pathogen Species 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明特别涉及一种基于多角度田间高清成像的小麦赤霉病检测方法,包括如下步骤:(A)将疏松架放置在田间待检测区域,让麦穗从疏松架的网格孔中穿过;(B)启动拍摄单元,采集M张多个角度的麦穗图像;(C)对M张麦穗图像进行处理,识别图像中的麦穗以及该麦穗对应的网格,得到每张麦穗图像中每株麦穗的麦穗区域和染病区域,以此计算出麦穗的病害严重度;(D)计算第n个麦穗病害严重度均值。通过多角度拍摄,可以避免某个角度下麦穗因遮挡而导致的结果不准确现象,为了匹配多角度图片中相同的麦穗,这里通过疏松架对麦穗进行分割,保证后续麦穗匹配的准确度和处理速度,同时还能让麦穗更整齐,拍摄的图片处理效果更佳。
Description
技术领域
本发明涉及农作物病害检测技术领域,特别涉及一种基于多角度田间高清成像的小麦赤霉病检测方法。
背景技术
小麦赤霉病是小麦的主要病害之一,在全世界普遍发生,主要发生在长江中下游、江淮、黄淮和华北南部等麦区,近年来发生区域呈北抬西扩的趋势。尤其气候湿润多雨的温带地区受害严重。小麦赤霉病病发年份可造成小麦产量损失10%~30%,严重病发年份可达到70%~80%,甚至绝收。该病害不仅影响小麦产量,其致病菌存留在病粒中,产生脱氧雪腐镰刀菌烯醇(Deoxynivalenol,DON)等毒素,严重影响小麦品质和人畜健康。因此,在大田环境下的小麦扬花早期检测出小麦赤霉病发病区域,进行精确位置的农药喷防,对小麦赤霉病的继续传播与病情加剧起到很好的抑制作用。
当前,除了耗时、费力、诊断结果严重滞后的人工目视手查调查方法,主要还有基于光学手段的小麦赤霉病图像、光谱等检测方法。其中,高/多光谱图像包含光谱、图像纹理和等多种信息特征,相关研究较为广泛。在实验室环境中,Bauriegel等使用主成分分析方法和光谱角度制图法(SAM)对高光谱进行建模处理,对赤霉病的诊断准确率可达87%;Dammer等利用多光谱(665~675nm和550~560nm)构建线性模型在小麦灌浆中期诊断小麦赤霉病病情情况。上述室内环境下光源与环境等因素相对稳定,光学高清成像技术用于小麦赤霉病研究达到了较高的识别精度,但在检测时需要将田间小麦麦穗摘取下来,然后拿到实验室中进行检测,这种检测方式比较繁琐且不是无损检测。为了避免这些不足,一些研究者直接在田间进行小麦麦穗的高/多光谱图像、RGB图像获取,来进行后续检测。但是,在室外大田环境下,由于太阳光照不均,小麦生长环境较复杂,采集数据时高/多光谱、数码相机的镜头与太阳光线夹角以及风速等众多不确定因素,小麦赤霉病的诊断精度仍较低,病害严重度识别效率不高。
发明内容
本发明的目的在于提供一种检测精度非常高的基于多角度田间高清成像的小麦赤霉病检测方法。
为实现以上目的,本发明采用的技术方案为:一种基于多角度田间高清成像的小麦赤霉病检测方法,包括如下步骤:(A)将疏松架放置在田间待检测区域,让麦穗从疏松架的网格孔中穿过,网格孔数量为N;(B)启动拍摄单元,采集M张多个角度的麦穗图像;(C)对M张麦穗图像进行处理,识别图像中的麦穗以及该麦穗对应的网格,得到每张麦穗图像中每株麦穗的麦穗区域和染病区域,并以此计算出麦穗的病害严重度km,n=S2mn/S1mn,式中m∈[1,M],n∈[1,N],km,n、S1mn、S2mn即第m张图像中第n个网格所对应麦穗的病害严重度、麦穗区域面积、染病区域面积;(D)计算第n个麦穗病害严重度均值
与现有技术相比,本发明存在以下技术效果:通过多角度拍摄,分别计算每个角度图片中麦穗的病害严重程度,然后对所有角度的病害严重程度求平均得到最终的病害值,这样计算的结果更准确,并且可以避免某个角度下麦穗因遮挡而导致的结果不准确现象,为了匹配多角度图片中相同的麦穗,这里通过疏松架对麦穗进行分割,保证后续麦穗匹配的准确度和处理速度,同时还能让麦穗更整齐,拍摄的图片处理效果更佳。
附图说明
图1是本发明中疏松架的结构示意图;
图2是本发明网格的实施例一结构示意图;
图3是本发明网格的实施例二结构示意图;
图4是本发明网格的实施例三框体示意图;
图5是实施例三所示的网格绕线示意图。
具体实施方式
下面结合图1至图5,对本发明做进一步详细叙述。
一种基于多角度田间高清成像的小麦赤霉病检测方法,包括如下步骤:(A)将疏松架放置在田间待检测区域,让麦穗从疏松架的网格孔中穿过,一个网格孔中穿过一株麦穗,网格孔数量为N;(B)启动拍摄单元30,采集M张多个角度的麦穗图像;(C)对M张麦穗图像进行处理,识别图像中的麦穗以及该麦穗对应的网格,得到每张麦穗图像中每株麦穗的麦穗区域和染病区域,并以此计算出麦穗的病害严重度km,n=S2mn/S1mn,式中m∈[1,M],n∈[1,N],km,n、S1mn、S2mn即第m张图像中第n个网格所对应麦穗的病害严重度、麦穗区域面积、染病区域面积;(D)计算第n个麦穗病害严重度均值通过多角度拍摄,分别计算每个角度图片中麦穗的病害严重程度,然后对所有角度的病害严重程度求平均得到最终的病害值,这样计算的结果更准确,并且可以避免某个角度下麦穗因遮挡而导致的结果不准确现象,为了匹配多角度图片中相同的麦穗,这里通过疏松架对麦穗进行分割,保证后续麦穗匹配的准确度和处理速度,同时还能让麦穗更整齐,拍摄的图片处理效果更佳。
参阅图1,所述的步骤A中,疏松架包括框体10、网格20、拍摄单元30、支架40以及支腿50;所述的支腿50将框体10支撑在麦穗位置处;网格20设置在框体10内侧用于供麦穗穿过,网格20由多条横向布置的杆或线、以及多条纵向布置的杆或线构成,杆或线的两端固定在框体20上;拍摄单元30通过支架40连接在框体10上且拍摄单元30可以围绕框体10转动从而实现圆周方向多个角度的图像拍摄,拍摄单元30为高光谱相机、多光谱相机和RGB相机中的一种或其他,只要能够实现高清成像即可。框体10主要方便固定其他单元,在框体10中设置网格20以后,可以让每个小格子中穿过一株麦穗,这样就可以将田间凌乱的麦穗变得齐整;拍摄单元30可以拍摄多个角度的照片,由于麦穗比较齐整,再通过对小格子的识别,可以方便对各角度中同一株麦穗进行识别,这样就可以通过多角度麦穗图片来进行麦穗病害检测,保证后续检测的准确性;同时,使用该疏松架,可以方便的在田间进行作业,并且无需取下麦穗,可以实现无损检测。需要注意的是,图1中为了清楚的示意出结构关系,特地将环形导轨15向上位移,实际使用中,环形导轨15是在框体10的上表面。
实际使用时,可以从多个角度来进行拍摄,本发明中具体地,所述的步骤B中,将拍摄单元30的镜头与水平面呈45°夹角,并从东南西北四个方向采集四张麦穗图像。当然,也可以有更多的拍摄角度,比如60°或者其他角度或者从顶部拍摄。从环向上来看,一般从东南西北四个方向进行拍摄,就可以完整的拍摄麦穗的图片了,此时几乎没有哪株麦穗在这四张图片中都被遮挡,基本每株麦穗都能被拍摄完全,这样后续对该麦穗进行检测时,其检测结果自然是更准确的。现有技术中,一般只拍摄麦穗的一个侧面,如果此时麦穗的患病区域都在反面,就会出现误判;或者在田间拍摄整副图片时,各个麦穗之间的遮挡非常严重,后续的处理非常不便,也很容易造成误判,这里通过疏松架疏松麦穗后,再从四个角度进行拍摄,可以避免这些不足。
进一步地,所述的步骤C中,对每张麦穗图像按如下步骤处理得到麦穗的病害严重度km,n:(C1)用田间麦穗分割模型分割麦穗图像得到麦穗区域,用小麦赤霉病分割模型分割麦穗图像得到病斑区域;(C2)采用凹点匹配法分割麦穗和病斑的粘连区域,得到麦穗图像中每株麦穗的麦穗区域和病斑区域;(C3)根据麦穗区域求得每株麦穗的中心点位置,将每株麦穗的中心点位置与网格中心点位置进行配对得到每株麦穗对应的网格;(C4)根据每株麦穗的麦穗区域、病斑区域以及其对应的网格计算得到S1mn、S2mn,取两者比值即可得到km,n;这里,通过训练模型来分割麦穗区域和病害区域,实际检测时非常快,再根据麦穗和网格位置来判定所检测的数据属于哪株麦穗,该算法所需要处理的数据少、检测速度快,非常适合田间操作。
具体地,所述的步骤C1中,按如下步骤计算麦穗区域和病斑区域:(C11)对步骤B采集到的图像边缘进行填充使得图像的长宽比为1;(C12)通过双线性插值法重采样图像大小为M*M;(C13)将步骤C12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;(C14)将步骤C12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,对病斑区域灰度图进行二值化处理后图像中值为1的像素即为病斑区域。步骤C11和C12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。
步骤C13和C14中,田间麦穗分割模型和小麦赤霉病分割模型按如下步骤建立:(S1)采集多张患有赤霉病病害的麦穗图像,将所有麦穗图像中麦穗轮廓用红色标记出来,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;(S2)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;(S3)分别将步骤S1、S2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得到训练样本一、训练样本二;(S4)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麦穗分割网络;(S5)分别将训练样本一、训练样本二代入麦穗分割网络中进行训练得到田间麦穗分割模型、小麦赤霉病分割模型。
进行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。
进行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。
由于步骤B中采集的是多株麦穗图像,故图像中会有多株麦穗粘连在一起,为了区分每一株麦穗,这里优选地,所述的步骤C2中,按如下步骤分割粘连区域:(C21)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;(C22)根据距离最近原则对分割点进行配对;(C23)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。
同样地,将麦穗与网格匹配起来,也有很多方案可以实现,本发明中优选地,所述的步骤C3中,按如下步骤实现单株麦穗和网格的匹配:(C31)按照步骤B中的拍摄位置,对应拍摄每个角度下的未放入麦穗的网格图片;(C32)对网格图片进行二值化处理、直线拟合得到网格图片中每个网格的四个顶点位置,再根据顶点位置计算每个网格的中心点位置;(C33)对任一株麦穗,计算该麦穗中心点和所有未匹配网格的中心点连线的距离,距离最小的那条连线所对应的网格即与该麦穗相匹配。需要注意的是,这里的步骤C31和C32检测前只需要测一次,然后将某个角度下每个网格的中心点位置存储起来,下次直接执行步骤C33即可,因而实际匹配时,速度会非常快。
这里的疏松架有很多种结构可以实现,本发明中提供了较为优选的实施方式供参考。
参阅图2,实施例一,所述网格20由横向和纵向布置的杆21构成,框体10的轮廓为圆形;框体10上设置有四组通孔,横向杆的两端分别插置于第一组通孔11a和第二组通孔11b中,纵向杆的两端分别插置于第三组通孔11c和第四组通孔11d中,每一组通孔中的多个通孔的轴芯平行且等间距布置,这样可以保证每个网格都是正方形且大小一致。横向杆所在的平面和纵向杆所在的平面间距大于杆21的直径,由于杆21是刚性的,如果横向杆和纵向杆在同一平面内会产生干涉,所以这里将横向杆和纵向杆错开。在使用时,根据需要,往通孔中***横向杆和纵向杆即可形成网格,网格的数量和大小可以调节。
参阅图3,实施例二,所述网格20由横向和纵向布置的线22构成,线22包括具有弹性的本体以及本体两端的圆环221,框体10的轮廓为圆形;框体10内侧设置有四组挂钩,横向线的两端圆环221分别挂在第一组挂钩12a和第二组挂钩12b上,纵向线的两端圆环221分别挂在第三组挂钩12c和第四组挂钩12d上,每一组挂钩中的多个挂钩间隔布置。通过挂钩和有弹性的线22,可以方便的实现网格20结构,只需要将线挂在挂钩上即可,同样地,这里也可以根据使用需要,调节网格的数量和大小。
参阅图4、图5,实施例三,所述网格20由横向和纵向布置的线22构成,框体10包括轮廓为圆形的外框13以及轮廓为方形的内框14,内框14的四个顶点固定在外框13上;内框14的每条边上分别设置有一组凹槽,凹槽141设置在内框14的上侧面或下侧面上,内框14外侧设置有多个绕线柱142;横向线由一根线22构成,线22的一端固定在绕线柱142上,然后按照第一组凹槽——第二组凹槽——绕线柱——第二组凹槽——第一组凹槽——绕线柱——第一组凹槽的方式进行环绕后固定在绕线柱142上,纵向线按相同方式布置;每一组凹槽中的多个凹槽141长度方向平行且等间距布置。相对于实施例一和二而言,通孔和挂钩尺寸就比较大,这样就不能设置的很多,网格大小调节性也相对小,实施例三中则不同,通过凹槽141、绕线柱142以及线22的配合,可以实现很小距离的调节,并且该结构简单、容易实现,实际加工时,凹槽141可以加工非常的多、非常密,绕线柱142间隔设置几个即可,一个绕线柱142上可以绕多次线22。
参阅图1,拍摄单元30的转动可以有很多种方案来实现,本实施例中优选地,所述的框体10上侧面安装有环形导轨15,环形导轨15上设置有可自由滑动的滑块16,滑块16上设置有锁止螺栓161用于将滑块16固定在环形导轨15上;支架40的一端固定在滑块16上,另一端呈悬伸状并固定连接拍摄单元30。为了增加可拍摄角度,这里优选地,所述的支架40由多个杆体首尾铰接而成且铰接轴为螺栓和螺母构成,螺母拧紧时相邻两个杆体夹角锁定,螺母松开时可调节相邻两个杆体的夹角。环形导轨15和滑块16的配合,可以实现拍摄单元30的周向调节,支架40上各杆体之间的转动可以实现拍摄单元30在竖直平面内位置和角度的调节,这样就可以实现任意角度的拍摄,使用非常方便。
进一步地,所述框体10下侧面安装有三个或三个以上的可伸缩状支腿50,多个支腿50按圆周方向均匀间隔布置。通过设置支腿50,可以将本装置支撑在田里,无需工作人员一直拿着,方便使用。并且,稳定支撑以后,拍摄照片会更清晰。
Claims (5)
1.一种基于多角度田间高清成像的小麦赤霉病检测方法,其特征在于:包括如下步骤:
(A)将疏松架放置在田间待检测区域,让麦穗从疏松架的网格孔中穿过,网格孔数量为N;
(B)启动拍摄单元(30),采集M张多个角度的麦穗图像;
(C)对M张麦穗图像进行处理,识别图像中的麦穗以及该麦穗对应的网格,得到每张麦穗图像中每株麦穗的麦穗区域和染病区域,并以此计算出麦穗的病害严重度km,n=S2mn/S1mn,式中m∈[1,M],n∈[1,N],km,n、S1mn、S2mn即第m张图像中第n个网格所对应麦穗的病害严重度、麦穗区域面积、染病区域面积;
所述的步骤A中,疏松架包括框体(10)、网格(20)、拍摄单元(30)、支架(40)以及支腿(50);所述的支腿(50)将框体(10)支撑在麦穗位置处;网格(20)设置在框体(10)内侧用于供麦穗穿过,网格(20)由多条横向布置的杆或线、以及多条纵向布置的杆或线构成,杆或线的两端固定在框体(10)上;拍摄单元(30)通过支架(40)连接在框体(10)上且拍摄单元(30)可以围绕框体(10)转动从而实现圆周方向多个角度的图像拍摄;
所述的步骤B中,将拍摄单元(30)的镜头与水平面呈45°夹角,并从东南西北四个方向采集四张麦穗图像;
所述的步骤C中,对每张麦穗图像按如下步骤处理得到麦穗的病害严重度km,n:
(C1)用田间麦穗分割模型分割麦穗图像得到麦穗区域,用小麦赤霉病分割模型分割麦穗图像得到病斑区域;
(C2)采用凹点匹配法分割麦穗和病斑的粘连区域,得到麦穗图像中每株麦穗的麦穗区域和病斑区域;
(C3)根据麦穗区域求得每株麦穗的中心点位置,将每株麦穗的中心点位置与网格中心点位置进行配对得到每株麦穗对应的网格;
(C4)根据每株麦穗的麦穗区域、病斑区域以及其对应的网格计算得到S1mn、S2mn,取两者比值即可得到km,n;
所述的步骤C1中,按如下步骤计算麦穗区域和病斑区域:
(C11)对步骤B采集到的图像边缘进行填充使得图像的长宽比为1;
(C12)通过双线性插值法重采样图像大小为M*M;
(C13)将步骤C12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;
(C14)将步骤C12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,对病斑区域灰度图进行二值化处理后图像中值为1的像素即为病斑区域;
步骤C13和C14中,田间麦穗分割模型和小麦赤霉病分割模型按如下步骤建立:
(S1)采集多张患有赤霉病病害的麦穗图像,将所有麦穗图像中麦穗轮廓用红色标记出来,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;
(S2)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;
(S3)分别将步骤S1、S2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得到训练样本一、训练样本二;
(S4)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麦穗分割网络;
(S5)分别将训练样本一、训练样本二代入麦穗分割网络中进行训练得到田间麦穗分割模型、小麦赤霉病分割模型;
所述的步骤C2中,按如下步骤分割粘连区域:
(C21)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;
(C22)根据距离最近原则对分割点进行配对;
(C23)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C3中,按如下步骤实现单株麦穗和网格的匹配:
(C31)按照步骤B中的拍摄位置,对应拍摄每个角度下的未放入麦穗的网格图片;
(C32)对网格图片进行二值化处理、直线拟合得到网格图片中每个网格的四个顶点位置,再根据顶点位置计算每个网格的中心点位置;
(C33)对任一株麦穗,计算该麦穗中心点和所有未匹配网格的中心点连线的距离,距离最小的那条连线所对应的网格即与该麦穗相匹配。
2.如权利要求1所述的基于多角度田间高清成像的小麦赤霉病检测方法,其特征在于:所述网格(20)由横向和纵向布置的杆(21)构成,框体(10)的轮廓为圆形;框体(10)上设置有四组通孔,横向杆的两端分别插置于第一组通孔(11a)和第二组通孔(11b)中,纵向杆的两端分别插置于第三组通孔(11c)和第四组通孔(11d)中,每一组通孔中的多个通孔的轴芯平行且等间距布置,横向杆所在的平面和纵向杆所在的平面间距大于杆(21)的直径。
3.如权利要求1所述的基于多角度田间高清成像的小麦赤霉病检测方法,其特征在于:所述网格(20)由横向和纵向布置的线(22)构成,线(22)包括具有弹性的本体以及本体两端的圆环(221),框体(10)的轮廓为圆形;框体(10)内侧设置有四组挂钩,横向线的两端圆环(221)分别挂在第一组挂钩(12a)和第二组挂钩(12b)上,纵向线的两端圆环(221)分别挂在第三组挂钩(12c)和第四组挂钩(12d)上,每一组挂钩中的多个挂钩间隔布置。
4.如权利要求1所述的基于多角度田间高清成像的小麦赤霉病检测方法,其特征在于:所述网格(20)由横向和纵向布置的线(22)构成,框体(10)包括轮廓为圆形的外框(13)以及轮廓为方形的内框(14),内框(14)的四个顶点固定在外框(13)上;内框(14)的每条边上分别设置有一组凹槽,凹槽(141)设置在内框(14)的上侧面或下侧面上,内框(14)外侧设置有多个绕线柱(142);横向线由一根线(22)构成,线(22)的一端固定在绕线柱(142)上,然后按照第一组凹槽——第二组凹槽——绕线柱——第二组凹槽——第一组凹槽——绕线柱——第一组凹槽的方式进行环绕后固定在绕线柱(142)上,纵向线按相同方式布置;每一组凹槽中的多个凹槽(141)长度方向平行且等间距布置。
5.如权利要求1所述的基于多角度田间高清成像的小麦赤霉病检测方法,其特征在于:所述的框体(10)上侧面安装有环形导轨(15),环形导轨(15)上设置有可自由滑动的滑块(16),滑块(16)上设置有锁止螺栓(161)用于将滑块(16)固定在环形导轨(15)上;支架(40)的一端固定在滑块(16)上,另一端呈悬伸状并固定连接拍摄单元(30);所述的支架(40)由多个杆体首尾铰接而成且铰接轴为螺栓和螺母构成,螺母拧紧时相邻两个杆体夹角锁定,螺母松开时可调节相邻两个杆体的夹角;所述框体(10)下侧面安装有三个或三个以上的可伸缩状支腿(50),多个支腿(50)按圆周方向均匀间隔布置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911033059.XA CN110736750B (zh) | 2019-10-28 | 2019-10-28 | 一种基于多角度田间高清成像的小麦赤霉病检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911033059.XA CN110736750B (zh) | 2019-10-28 | 2019-10-28 | 一种基于多角度田间高清成像的小麦赤霉病检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110736750A CN110736750A (zh) | 2020-01-31 |
CN110736750B true CN110736750B (zh) | 2022-03-04 |
Family
ID=69271794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911033059.XA Active CN110736750B (zh) | 2019-10-28 | 2019-10-28 | 一种基于多角度田间高清成像的小麦赤霉病检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110736750B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111637338A (zh) * | 2020-06-29 | 2020-09-08 | 贵州民族大学 | 一种用于微观表面形貌数据测量的装置 |
CN113200422B (zh) * | 2021-03-29 | 2022-11-22 | 武汉船用机械有限责任公司 | 电缆绞车 |
CN117664878B (zh) * | 2024-01-31 | 2024-04-19 | 北京市农林科学院信息技术研究中心 | 作物亩穗数测量***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109187552A (zh) * | 2018-08-30 | 2019-01-11 | 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 |
CN110031422A (zh) * | 2019-05-16 | 2019-07-19 | 河南工业大学 | 同时利用两种特定波长的红外光进行赤霉病小麦筛选 |
CN110082298A (zh) * | 2019-05-15 | 2019-08-02 | 南京农业大学 | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 |
CN110089297A (zh) * | 2019-05-18 | 2019-08-06 | 安徽大学 | 小麦赤霉病大田环境下病情严重度诊断方法及装置 |
CN110211099A (zh) * | 2019-05-18 | 2019-09-06 | 安徽大学 | 综合麦穗正反面病情的小麦赤霉病检测方法及装置 |
-
2019
- 2019-10-28 CN CN201911033059.XA patent/CN110736750B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109187552A (zh) * | 2018-08-30 | 2019-01-11 | 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 |
CN110082298A (zh) * | 2019-05-15 | 2019-08-02 | 南京农业大学 | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 |
CN110031422A (zh) * | 2019-05-16 | 2019-07-19 | 河南工业大学 | 同时利用两种特定波长的红外光进行赤霉病小麦筛选 |
CN110089297A (zh) * | 2019-05-18 | 2019-08-06 | 安徽大学 | 小麦赤霉病大田环境下病情严重度诊断方法及装置 |
CN110211099A (zh) * | 2019-05-18 | 2019-09-06 | 安徽大学 | 综合麦穗正反面病情的小麦赤霉病检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
Using Neural Network to Identify the Severity of Wheat Fusarium Head Blight in the Field Environment;Zhang, Dongyan;《REMOTE SENSING》;20191013;第11卷(第20期);第2375-1-17页 * |
一种基于卷积神经网络的小麦病害识别方法;张航;《山东农业科学》;20181231;第50卷(第3期);第137-141页 * |
基于图像处理和神经网络的小麦不完善粒识别方法研究;张玉荣;《粮油食品科技》;20141231;第22卷(第3期);第59-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110736750A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112418188B (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
Jay et al. | In-field crop row phenotyping from 3D modeling performed using Structure from Motion | |
CN104482860B (zh) | 鱼类形态参数自动测量装置和方法 | |
CN112964202B (zh) | 一种植物表型信息采集***及提取方法 | |
Nielsen et al. | Vision-based 3D peach tree reconstruction for automated blossom thinning | |
Murakami et al. | Canopy height measurement by photogrammetric analysis of aerial images: Application to buckwheat (Fagopyrum esculentum Moench) lodging evaluation | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN103808263A (zh) | 谷粒粒形参数的高通量检测方法 | |
CN109360236B (zh) | 一种向日葵花盘尺寸测量方法 | |
Yuan et al. | UAV-based heating requirement determination for frost management in apple orchard | |
Yang et al. | Airborne videography to identify spatial plant growth variability for grain sorghum | |
CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
CN105447860B (zh) | 一种麦苗计数方法 | |
CN110089297B (zh) | 小麦赤霉病大田环境下病情严重度诊断方法及装置 | |
CN117029673A (zh) | 一种基于人工智能实现的鱼类体表多尺寸测量方法 | |
Ouyang et al. | UAV and ground-based imagery analysis detects canopy structure changes after canopy management applications | |
CN105844264B (zh) | 一种基于受力的油用牡丹果实图像的识别方法 | |
CN108303427B (zh) | 基于图像处理的家居破损程度检测*** | |
CN111896045A (zh) | 温室作物三维有向感知与细粒度自动采集装置及方法 | |
CN111985472A (zh) | 基于人工智能和主动球机的食槽干草温度图像处理方法 | |
CN116883309A (zh) | 一种大豆表型获取方法 | |
CN211061403U (zh) | 田间麦穗疏松架 | |
ES2470065A1 (es) | Sistema y procedimiento para determinar automáticamente el número de flores de una inflorescencia | |
CN110823311B (zh) | 一种快速估算油菜角果体积的方法 |
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 |