CN116258977B - 一种基于视频图像识别森林病虫害防控方法及*** - Google Patents
一种基于视频图像识别森林病虫害防控方法及*** Download PDFInfo
- Publication number
- CN116258977B CN116258977B CN202310513053.2A CN202310513053A CN116258977B CN 116258977 B CN116258977 B CN 116258977B CN 202310513053 A CN202310513053 A CN 202310513053A CN 116258977 B CN116258977 B CN 116258977B
- Authority
- CN
- China
- Prior art keywords
- sub
- video image
- image
- images
- color temperature
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Catching Or Destruction (AREA)
Abstract
本申请提供了一种基于视频图像识别森林病虫害防控方法及***,所述方法包括:获取第一视频图像与第二视频图像,根据第一视频图像获取第一视频图像的平均色温K1,根据第二视频图像获取第二视频图像的平均色温K2;分割第一视频图像以生成若干第一子图像,并获取每个第一子图像的平均色温K1q,记录每个第一子图像的平均色温K1q与第一视频图像的平均色温K1之间的差值h1;并记录每一对相匹配的差值h1与差值h2之间的差值H,若任一对第一子图像与第二子图像的差值H与其余的多个第一子图像与多个第二子图像的多个差值H存在差异,则将对应的第一子图像或第二子图像确定为感染区域。本申请还提供了一种基于视频图像识别森林病虫害防控***。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种基于视频图像识别森林病虫害防控方法及***。
背景技术
目前,可以通过一定范围内的卫星图像上,森林颜色的的变化来识别森林中存在的病虫害区域,但是由于森林的颜色随季节的影响,整体的色温均会发生变化,若仅通过将同一位置且不同时间的图像利用计算机来识别由于病虫害而颜色发生改变的区域,计算机容易受到森林整体颜色的变化而导致识别的结果不准确,甚至无法识别。而通过人工进行图像识别,效率较低。
发明内容
本申请的目的在于提供一种基于视频图像识别森林病虫害防控方法及***,以通过视频图像识别森林病虫害,从而对森林病虫害进行及时的防护。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种基于视频图像识别森林病虫害防控方法,所述方法包括:获取第一视频图像与第二视频图像,其中,所述第二视频图像与所述第一视频图像为同一防控范围内相同位置所拍摄的图像,且所述第二视频图像的拍摄时间位于所述第一视频图像的拍摄时间之后;根据所述第一视频图像获取所述第一视频图像的平均色温K1,根据所述第二视频图像获取所述第二视频图像的平均色温K2;分割所述第一视频图像以生成若干第一子图像,并获取每个所述第一子图像的平均色温K1q,记录每个所述第一子图像的平均色温K1q与第一视频图像的平均色温K1之间的差值h1;分割所述第二视频图像以生成若干第二子图像,并获取每个所述第二子图像的平均色温K2q,记录每个所述第二子图像的平均色温K2q与第二视频图像的平均色温K2之间的差值h2;将多个所述第一子图像与多个所述第二子图像一一匹配,并记录每一对相匹配的差值h1与差值h2之间的差值H,若任一对所述第一子图像与所述第二子图像的所述差值H与其余的多个所述第一子图像与多个所述第二子图像的多个差值H存在差异,则将对应的所述第一子图像或所述第二子图像确定为感染区域。
结合第一方面,在一种可能的设计方案中,所述第二视频图像的拍摄时间与所述第一视频图像的拍摄时间间隔为t,所述方法还包括:根据所述时间间隔t与所述感染区域确定感染速度。
结合第一方面,在一种可能的设计方案中,所述根据所述时间间隔t与所述感染区域确定感染速度,包括:确定所述感染区域的的面积;根据所述感染区域的面积计算感染速度,所述感染速度包括初始感染速度C1与结束感染速度C2。
结合第一方面,在一种可能的设计方案中,所述方法还包括:获取所述第一视频图像中的所有所述感染区域,若所述第一视频图像中具有多个所述感染区域围成闭合图形,则确定所述闭合图像中,除所述感染区域以外的所有区域为原始感染区域。
结合第一方面,在一种可能的设计方案中,所述方法还包括:根据所述感染区域与所述感染速度,确定防控区域。
结合第一方面,在一种可能的设计方案中,所述所述将多个所述第一子图像与多个所述第二子图像一一匹配,并记录每一对相匹配的差值h1与差值h2之间的差值H,若任一对所述第一子图像与所述第二子图像的所述差值H与其余的多个所述第一子图像与多个所述第二子图像的多个差值H存在差异,则将对应的所述第一子图像或所述第二子图像确定为感染区域之后,还包括:显示所述感染区域。
结合第一方面,在一种可能的设计方案中,所述根据所述感染区域与所述感染速度,确定防控区域之后,还包括:显示所述防控区域。
第二方面,本申请还提出了一种基于视频图像识别森林病虫害防控***,包括:第一视频图像获取模块,所述第一视频图像获取模块用于获取第一视频图像,所述第一视频图像包括防控范围内所有植被图像;第二视频图像获取模块,所述第一视频图像获取模块用于获取第二视频图像,其中,所述第二视频图像与所述第一视频图像为同一防控范围内相同位置所拍摄的图像,且所述第二视频图像的拍摄时间位于所述第一视频图像的拍摄时间之后;图像平均色温获取模块,所述图像平均色温获取模块用于根据所述第一视频图像获取所述第一视频图像的平均色温K1,根据所述第二视频图像获取所述第二视频图像的平均色温K2; 第一差值获取模块,所述第一差值获取模块用于分割所述第一视频图像以生成若干第一子图像,并获取每个所述第一子图像的平均色温K1q,记录每个所述第一子图像的平均色温K1q与第一视频图像的平均色温K1之间的差值h1;第二差值获取模块,所述第二差值获取模块用于分割所述第二视频图像以生成若干第二子图像,并获取每个所述第二子图像的平均色温K2q,记录每个所述第二子图像的平均色温K2q与第二视频图像的平均色温K2之间的差值h2;标记模块,所述标记模块用于将多个所述第一子图像与多个所述第二子图像一一匹配,并记录每一对相匹配的差值h1与差值h2之间的差值H,若任一对所述第一子图像与所述第二子图像的所述差值H与其余的多个所述第一子图像与多个所述第二子图像的多个差值H存在差异,则将对应的所述第一子图像或所述第二子图像确定为感染区域。
结合第二方面,所述***还包括:感染速度确定模块,所述感染速度确定模块用于确定感染速度。
结合第二方面,所述***还包括:防控区域确定模块,所述防控区域确定模块用于根据所述感染区域与所述感染速度,确定防控区域。
本申请提出的基于视频图像识别森林病虫害防控方法及***,具有以下优势:
本申请提出的基于视频图像识别森林病虫害防控方法,首先获取同一片森林的具有一定时间间隔的第一视频图像与第二视频图像,第一视频图像内各个第一子图像区域的色温K1q与第一视频图像的平均色温K1之间的差值h1,每一个第一子图像对应的差值h1因为地貌、地形等因素均不同,但在第一视频图像内不具有因为病虫害而导致色温与其他区域不同时,差值h1也不会随时间发生改变。因此,随季节或时间的影响第二视频图像的平均色温K1较第一视频图像的平均色温K2有所差异,但第二视频图像的平均色温K1与第二子图像的色温K2Q,由于没有因为病虫害导致色温异常的区域产生,第二视频图像内各个第二子图像区域的色温K2Q,与第二视频图像的平均色温K2之间的差值h2,与h1相同且不会发生改变,因此当差值H出现异常,即任一对所述第一子图像与所述第二子图像的所述差值H与其余的多个所述第一子图像与多个所述第二子图像的多个差值H存在差异,可以判断该区域出现病虫害,以方便相关人员及时进行病虫害预防,较人工进行图像识别效率更高。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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它相关的附图。
图1示出了本申请实施例提供的基于视频图像识别森林病虫害防控方法流程图;
图2为本申请实施例中第一视频图像的示意图;
图3为本申请实施例中一种第二视频图像的示意图;
图4为本申请实施例中另一种第二视频图像的示意图;
图5为基于视频图像识别森林病虫害防控***的结构示意图;
图6示出了本申请实施例提供的电子设备的结构示意图;
图7示出了本申请实施例提供的计算机可读存储介质的结构框图;
图8示出了本申请实施例提供的计算机程序产品的结构框图。
图中:300-电子设备;301-处理器;302-存储器;303-通信接口;200-基于视频图像识别森林病虫害防控***;210-视频图像获取模块;220-图像平均色温获取模块;230-第一差值获取模块;240-第二差值获取模块;250-标记模块;400-计算机可读存储介质;410-程序代码;500-计算机程序产品;510-计算机程序/指令。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
下面对本申请提供的一种基于视频图像识别森林病虫害防控方法进行示例性说明:
请参阅图1,本申请提供的一种基于视频图像识别森林病虫害防控方法,可以包括步骤S110至步骤S150。
S110:获取第一视频图像与第二视频图像,其中,所述第二视频图像与所述第一视频图像为同一防控范围内相同位置所拍摄的图像,且所述第二视频图像的拍摄时间位于所述第一视频图像的拍摄时间之后。
需要说明的是,在本实施例,第一视频图像可以是一种卫星图像,通过卫星图像可以实现对较大范围内的森林进行监控。当然在另外一些实施例中,第一视频图像也可以是如森林哨塔监控图像等大范围且固定位置所拍摄的图像,具体拍摄方式在此不做限定。
在本实施例中,第一视频图像与第二视频图像之间的拍摄间隔可以为单位时间,在本实施例中的间隔时间可以为一个月,即第二视频图像与第一视频图像内场景在经过一个月后的场景。
S120:根据所述第一视频图像获取所述第一视频图像的平均色温K1,根据所述第二视频图像获取所述第二视频图像的平均色温K2。
需要说明的是,在本申请中色温的单位为一种颜色的量化单位,不同的颜色所对应的色温不同,在本申请中仅以数字来表示以供理解。
S130:分割所述第一视频图像以生成若干第一子图像,并获取每个所述第一子图像的平均色温K1q,记录每个所述第一子图像的平均色温K1q与第一视频图像的平均色温K1之间的差值h1。
可以理解的是,第一视频图像由于是范围内的森林图像,受到地形、植被茂密程度等客观因素的影响,分割后每一个第一子图像的平均色温均可能是不同的。在本实施例中,示例性的,请参阅图2,在图2中,区域a、区域b、区域c、区域d分别对应不同的第一子图像。区域a、区域b、区域c、区域所对应的第一子图像的平均色温K1q分别为100、0、0、0,第一区域的平均色温K1为25,即h1分别为75、-25、-25、-25。
S140:分割所述第二视频图像以生成若干第二子图像,并获取每个所述第二子图像的平均色温K2q,记录每个所述第二子图像的平均色温K2q与第二视频图像的平均色温K2之间的差值h2。
作为一种示例,请参阅图3,在图3中,区域a、区域b、区域c、区域分别对应不同的第二子图像。由于受到季节的影响,区域a、区域b、区域c、区域所对应的第二子图像对应的平均色温K2q分别为200、200、100、100,即h2分别为50、50、-50、-50,K2为150。
S150:将多个所述第一子图像与多个所述第二子图像一一匹配,并记录每一对相匹配的差值h1与差值h2之间的差值H,若任一对所述第一子图像与所述第二子图像的所述差值H与其余的多个所述第一子图像与多个所述第二子图像的多个差值H存在差异,则将对应的所述第一子图像或所述第二子图像确定为感染区域。
可以理解的,在本实施例中,区域a、区域b、区域c、区域d所对应的差值H分别为25、-75、25、25,区域b相对于区域a、区域c、区域d的差值H有明显的差异,即子图像区域b的平均色温并未按照森林整体颜色发生的变化而变化,及可判断区域b发生病虫害。请参阅图4,在图4中,第二视频图像的平均色温K2为125,区域a、区域b、区域c、区域d所对应的第二子图像对应的平均色温K2q分别为75、25、25、25,即h2分别为50、0、0、0。在如图4所示的第二视频图像中,区域a、区域b、区域c、区域d所对应的H分别为0、0、0、0,因此可以判断区域a、区域b、区域c、区域d均是安装森林整体颜色得我变化而变化的,即并未发生病虫害。在另外一些实施例中,为了方便森林保护人员进行更直观的观察,在步骤S150之后,还可以包括:显示所述感染区域。其中,显示的方式可以是通过显示模块进行显示,或外接显示屏,在此不做限定。
在确定森林部分区域发生病虫害后,有时还需要对病虫害进行预测,以通过设立隔离带等方式,更为精准的控制病虫害。因此,在一些实施例中,还包括步骤S160~S180。
S160:根据所述时间间隔t与所述感染区域确定感染速度。
具体的,作为一种可行的实施方式,步骤S160包括步骤S1601~S1602。
S1601:确定所述感染区域的的面积;
S1602:根据所述感染区域的面积计算感染速度,所述感染速度包括初始感染速度C1与结束感染速度C2。
在本实施方式中,所述第二视频图像的拍摄时间与所述第一视频图像的拍摄时间间隔为t,可以理解的,随着感染的面积增加,感染速度也随时间的增长而加快,感染的面积与感染速度呈正相关,同时,在监测到感染区域后,下一轮感染区域的初始感染速度C1即为上一轮感染的结束感染速度C2。
S170:获取所述第一视频图像中的所有所述感染区域,若所述第一视频图像中具有多个所述感染区域围成闭合图形,则确定所述闭合图像中,除所述感染区域以外的所有区域为原始感染区域。
可以理解的是,感染区域一般为原始感染区域的外侧,且围绕原始感染区域的外侧形成的。因此,若所述第一视频图像中具有多个所述感染区域围成闭合图形,则可以确定所述闭合图像中,除所述感染区域以外的所有区域为原始感染区域。
S180:根据所述感染区域与所述感染速度,确定防控区域。
基于与显示所述感染区域相同的理由,为了方便森林保护人员进行更直观的观察,在一些实施方式中,在步骤S180之后,还可以包括步骤:显示所述防控区域。显示的方式与显示所述感染区域相同,在此不做赘述。
请参阅图5,图5示出了本申请实施例提供的一种基于视频图像识别森林病虫害防控***200。如图5所述,该基于视频图像识别森林病虫害防控***200包括视频图像获取模块210、图像平均色温获取模块220、第一差值获取模块230、第二差值获取模块240以及标记模块250。
为了便于说明,图5仅示出了该基于视频图像识别森林病虫害防控***200的主要部件。
视频图像获取模块210,所述视频图像获取模块210用于获取第一视屏图像与第二视频图像,其中,所述第二视频图像与所述第一视频图像为同一防控范围内相同位置所拍摄的图像,且所述第二视频图像的拍摄时间位于所述第一视频图像的拍摄时间之后;
图像平均色温获取模块220,所述图像平均色温获取模块220用于根据所述第一视频图像获取所述第一视频图像的平均色温K1,根据所述第二视频图像获取所述第二视频图像的平均色温K2;
第一差值获取模块230,所述第一差值获取模块230用于分割所述第一视频图像以生成若干第一子图像,并获取每个所述第一子图像的平均色温K1q,记录每个所述第一子图像的平均色温K1q与第一视频图像的平均色温K1之间的差值h1;
第二差值获取模块240,所述第二差值获取模块240用于分割所述第二视频图像以生成若干第二子图像,并获取每个所述第二子图像的平均色温K2q,记录每个所述第二子图像的平均色温K2q与第二视频图像的平均色温K2之间的差值h2;
标记模块250,所述标记模块250用于将多个所述第一子图像与多个所述第二子图像一一匹配,并记录每一对相匹配的差值h1与差值h2之间的差值H,若任一对所述第一子图像与所述第二子图像的所述差值H与其余的多个所述第一子图像与多个所述第二子图像的多个差值H存在差异,则将对应的所述第一子图像或所述第二子图像确定为感染区域。
在一些实施方式中,所述***还包括感染速度确定模块,所述感染速度确定模块用于确定感染速度。
在一些实施方式中,所述***还包括:防控区域确定模块,所述防控区域确定模块用于根据所述感染区域与所述感染速度,确定防控区域。
此外,基于视频图像识别森林病虫害防控***200的技术效果可以参考前述任一经销商模式的价格调整方法的技术效果,此处不再赘述。
在本申请所提供的几个实施例中,模块相互之间的耦合可以是电性,机械或其它形式的耦合。另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
需要是说明的是,本申请提供的农产品供应商确定方法可以应用于电子设备300中,图6示出本申请实施例提供的电子设备300的一种示意性结构框图,电子设备300包括存储器302、处理器301和通信接口303,该存储器302、处理器301和通信接口303相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。其中,处理器301可以用于执行上述各实施例中提供的基于视频图像识别森林病虫害防控方法。
存储器302可用于存储软件程序及模块,如本申请实施例提供的农产品供应商确定装置对应的程序指令或模块,处理器301通过执行存储在存储器302内的软件程序及模块,从而执行各种功能应用以及数据处理,进而执行本申请实施例提供的基于视频图像识别森林病虫害防控方法的步骤。该通信接口303可用于与其他节点设备进行信令或数据的通信。
其中,存储器302可以是,但不限于,随机存取存储器(Random AKKess Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除可编程只读存储器(EleKtriK Erasable Programmable Read-Only Memory,EEPROM)等。
处理器301可以是一种集成电路芯片,具有信号处理能力。该处理器301可以是通用处理器,包括中央处理器(Kentral ProKessing Unit,KPU)、网络处理器(NetworkProKessor,NP)等;还可以是数字信号处理器(Digital Signal ProKessing,DSP)、专用集成电路(AppliKation SpeKifiK Integrated KirKuit,ASIK)、现场可编程门阵列(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。
可以理解,图6所示的结构仅为示意,电子设备300还可以包括比图6中所示更多或者更少的组件,或者具有与图6所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
请参考图7,其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读存储介质400中存储有程序代码,所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质400可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质400包括非易失性计算机可读存储介质(non-transitory Komputer-readable storage medium)。计算机可读存储介质400具有执行上述方法中的任何方法步骤的程序代码410的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码410可以例如以适当形式进行压缩。
请参考图8,其示出了本申请实施例提供的一种计算机程序产品500的结构框图。该计算机程序产品500中包括计算机程序/指令510,该计算机程序/指令510被处理器执行时实现上述方法的步骤。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于视频图像识别森林病虫害防控方法,其特征在于,所述方法包括:
获取第一视频图像与第二视频图像,其中,所述第二视频图像与所述第一视频图像为同一防控范围内相同位置所拍摄的图像,且所述第二视频图像的拍摄时间位于所述第一视频图像的拍摄时间之后;
根据所述第一视频图像获取所述第一视频图像的平均色温K1,根据所述第二视频图像获取所述第二视频图像的平均色温K2;
分割所述第一视频图像以生成若干第一子图像,并获取每个所述第一子图像的平均色温K1q,记录每个所述第一子图像的平均色温K1q与第一视频图像的平均色温K1之间的差值h1;
分割所述第二视频图像以生成若干第二子图像,并获取每个所述第二子图像的平均色温K2q,记录每个所述第二子图像的平均色温K2q与第二视频图像的平均色温K2之间的差值h2;
将多个所述第一子图像与多个所述第二子图像一一匹配,并记录每一对相匹配的差值h1与差值h2之间的差值H,若任一对所述第一子图像与所述第二子图像的所述差值H与其余的多个所述第一子图像与多个所述第二子图像的多个差值H存在差异,则将对应的所述第一子图像或所述第二子图像确定为感染区域。
2.根据权利要求1所述的基于视频图像识别森林病虫害防控方法,其特征在于,所述第二视频图像的拍摄时间与所述第一视频图像的拍摄时间间隔为t,所述方法还包括:
根据所述时间间隔t与所述感染区域确定感染速度。
3.根据权利要求2所述的基于视频图像识别森林病虫害防控方法,其特征在于,所述根据所述时间间隔t与所述感染区域确定感染速度,包括:
确定所述感染区域的面积;
根据所述感染区域的面积计算感染速度,所述感染速度包括初始感染速度C1与结束感染速度C2。
4.根据权利要求3所述的基于视频图像识别森林病虫害防控方法,其特征在于,所述方法还包括:
获取所述第一视频图像中的所有所述感染区域,若所述第一视频图像中具有多个所述感染区域围成闭合图形,则确定所述闭合图形中,除所述感染区域以外的所有区域为原始感染区域。
5.根据权利要求4所述的基于视频图像识别森林病虫害防控方法,其特征在于,所述方法还包括:
根据所述感染区域与所述感染速度,确定防控区域。
6.根据权利要求5所述的基于视频图像识别森林病虫害防控方法,其特征在于,所述将多个所述第一子图像与多个所述第二子图像一一匹配,并记录每一对相匹配的差值h1与差值h2之间的差值H,若任一对所述第一子图像与所述第二子图像的所述差值H与其余的多个所述第一子图像与多个所述第二子图像的多个差值H存在差异,则将对应的所述第一子图像或所述第二子图像确定为感染区域之后,还包括:
显示所述感染区域。
7.根据权利要求6所述的基于视频图像识别森林病虫害防控方法,其特征在于,所述根据所述感染区域与所述感染速度,确定防控区域之后,还包括:
显示所述防控区域。
8.一种基于视频图像识别森林病虫害防控***,其特征在于,包括:
视频图像获取模块,所述视频图像获取模块用于获取第一视频图像与第二视频图像,其中,所述第二视频图像与所述第一视频图像为同一防控范围内相同位置所拍摄的图像,且所述第二视频图像的拍摄时间位于所述第一视频图像的拍摄时间之后;
图像平均色温获取模块,所述图像平均色温获取模块用于根据所述第一视频图像获取所述第一视频图像的平均色温K1,根据所述第二视频图像获取所述第二视频图像的平均色温K2;
第一差值获取模块,所述第一差值获取模块用于分割所述第一视频图像以生成若干第一子图像,并获取每个所述第一子图像的平均色温K1q,记录每个所述第一子图像的平均色温K1q与第一视频图像的平均色温K1之间的差值h1;
第二差值获取模块,所述第二差值获取模块用于分割所述第二视频图像以生成若干第二子图像,并获取每个所述第二子图像的平均色温K2q,记录每个所述第二子图像的平均色温K2q与第二视频图像的平均色温K2之间的差值h2;
标记模块,所述标记模块用于将多个所述第一子图像与多个所述第二子图像一一匹配,并记录每一对相匹配的差值h1与差值h2之间的差值H,若任一对所述第一子图像与所述第二子图像的所述差值H与其余的多个所述第一子图像与多个所述第二子图像的多个差值H存在差异,则将对应的所述第一子图像或所述第二子图像确定为感染区域。
9.根据权利要求8所述的基于视频图像识别森林病虫害防控***,其特征在于,所述***还包括:
感染速度确定模块,所述感染速度确定模块用于确定感染速度。
10.根据权利要求9所述的基于视频图像识别森林病虫害防控***,其特征在于,所述***还包括:
防控区域确定模块,所述防控区域确定模块用于根据所述感染区域与所述感染速度,确定防控区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310513053.2A CN116258977B (zh) | 2023-05-09 | 2023-05-09 | 一种基于视频图像识别森林病虫害防控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310513053.2A CN116258977B (zh) | 2023-05-09 | 2023-05-09 | 一种基于视频图像识别森林病虫害防控方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116258977A CN116258977A (zh) | 2023-06-13 |
CN116258977B true CN116258977B (zh) | 2023-07-21 |
Family
ID=86686504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310513053.2A Active CN116258977B (zh) | 2023-05-09 | 2023-05-09 | 一种基于视频图像识别森林病虫害防控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258977B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR101545479B1 (ko) * | 2015-03-31 | 2015-08-24 | 김명준 | 무인항공기 정사영상을 이용한 산림 병해충 피해목 검출 방법 |
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别*** |
KR20170125470A (ko) * | 2016-05-04 | 2017-11-15 | 주식회사 씨에스랩 | 항공 영상을 이용한 병해충 피해목 탐지 방법 및 이를 위한 병해충 피해목 탐지 시스템 |
CN108535193A (zh) * | 2018-03-19 | 2018-09-14 | 电子科技大学 | 一种林业典型病虫害遥感监测方法 |
CN111767849A (zh) * | 2020-06-29 | 2020-10-13 | 京东数字科技控股有限公司 | 农作物病虫害识别方法、设备及存储介质 |
CN112395905A (zh) * | 2019-08-12 | 2021-02-23 | 北京林业大学 | 一种森林病虫害实时检测方法、***及模型建立方法 |
CN112906468A (zh) * | 2021-01-15 | 2021-06-04 | 扬州哈工科创机器人研究院有限公司 | 一种基于图像识别技术的森林林木资源调查方法 |
CN113822225A (zh) * | 2021-10-14 | 2021-12-21 | 李士金 | 一种森林病虫害的智能监测方法及*** |
CN114387548A (zh) * | 2021-12-31 | 2022-04-22 | 北京旷视科技有限公司 | 视频及活体检测方法、***、设备、存储介质及程序产品 |
-
2023
- 2023-05-09 CN CN202310513053.2A patent/CN116258977B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR101545479B1 (ko) * | 2015-03-31 | 2015-08-24 | 김명준 | 무인항공기 정사영상을 이용한 산림 병해충 피해목 검출 방법 |
KR20170125470A (ko) * | 2016-05-04 | 2017-11-15 | 주식회사 씨에스랩 | 항공 영상을 이용한 병해충 피해목 탐지 방법 및 이를 위한 병해충 피해목 탐지 시스템 |
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别*** |
CN108535193A (zh) * | 2018-03-19 | 2018-09-14 | 电子科技大学 | 一种林业典型病虫害遥感监测方法 |
CN112395905A (zh) * | 2019-08-12 | 2021-02-23 | 北京林业大学 | 一种森林病虫害实时检测方法、***及模型建立方法 |
CN111767849A (zh) * | 2020-06-29 | 2020-10-13 | 京东数字科技控股有限公司 | 农作物病虫害识别方法、设备及存储介质 |
CN112906468A (zh) * | 2021-01-15 | 2021-06-04 | 扬州哈工科创机器人研究院有限公司 | 一种基于图像识别技术的森林林木资源调查方法 |
CN113822225A (zh) * | 2021-10-14 | 2021-12-21 | 李士金 | 一种森林病虫害的智能监测方法及*** |
CN114387548A (zh) * | 2021-12-31 | 2022-04-22 | 北京旷视科技有限公司 | 视频及活体检测方法、***、设备、存储介质及程序产品 |
Non-Patent Citations (6)
Title |
---|
Attention Based GC-GhostNet for Forest Pests Detection;Zeyu Cai 等;《2021 IEEE 4th International Conference on Electronics and Communication Engineering (ICECE)》;113-117 * |
Pine pest detection using remote sensing satellite images combined with a multi-scale attention-UNet model;Wujian Ye 等;《Ecological Informatics》;第72卷;1-13 * |
RS在森林病虫害监测研究中的应用;郭志华 等;《自然灾害学报》(第(2003)04期);73-81 * |
基于改进型神经网络的植物病虫害预警模型的构建;曹志勇;邱靖;曹志娟;杨毅;;《安徽农业科学》(第01期);538-540 * |
基于计算机视觉技术的番茄叶部病害识别;柴阿丽 等;《园艺学报》(第09期);1423-1430 * |
基于遥感影像的闽东森林病虫害等级分类技术;毛秀华 等;《宁德师范学院学报(自然科学版)》(第01期);71-75 * |
Also Published As
Publication number | Publication date |
---|---|
CN116258977A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230148584A1 (en) | Flying insect light trap monitoring device | |
CN108073908B (zh) | 害虫识别方法及装置、计算机装置及存储介质 | |
JP6592613B2 (ja) | コンピュータシステム、植物の診断方法及びプログラム | |
CN112183212B (zh) | 一种杂草识别方法、装置、终端设备及可读存储介质 | |
CN111797835A (zh) | 一种病症识别方法、病症识别装置及终端设备 | |
CN110751116B (zh) | 一种目标识别的方法及装置 | |
CN116012720B (zh) | 基于高分遥感影像的农作物长势监测方法、设备及介质 | |
CN112633255B (zh) | 目标检测方法、装置及设备 | |
CN109711346A (zh) | 一种禽类异常识别方法及装置 | |
WO2018156970A1 (en) | Real-time detection of periodic motion systems and methods | |
CN114666473A (zh) | 耕地保护用视频监控方法、***、终端及存储介质 | |
CN108419135B (zh) | 相似度确定方法、装置及电子设备 | |
CN116258977B (zh) | 一种基于视频图像识别森林病虫害防控方法及*** | |
CN117576778A (zh) | 基于视频流的厂区异常行为监测方法及***、电子设备 | |
CN114550848A (zh) | 作物病害处理方法、装置、电子设备及计算机可读介质 | |
CN106094614A (zh) | 一种基于互联网的粮情测控远程监管*** | |
CN111626148A (zh) | 一种无人机农田核查方法、***、智能终端及存储介质 | |
KR20210053718A (ko) | 반려동물 추종 모니터링 서버 및 그 동작 방법 | |
CN112883129A (zh) | 农作物作业状态确定方法、农作物作业方法及相关装置 | |
JPWO2020136819A1 (ja) | 作物生育支援システム、作物生育支援方法及びプログラム | |
KR20200070736A (ko) | 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치 | |
CN114896653A (zh) | 一种基于bim的建筑物数据监测方法及其*** | |
EP4036856A1 (en) | Updating of annotated points in a digital image | |
Fernandez-Gallego et al. | Automatic wheat ear counting in-field conditions: Simulation and implication of lower resolution images | |
CN110191278B (zh) | 图像处理方法及装置 |
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 |