CN117636185B - 基于图像处理的松材线虫病检测*** - Google Patents
基于图像处理的松材线虫病检测*** Download PDFInfo
- Publication number
- CN117636185B CN117636185B CN202410107688.7A CN202410107688A CN117636185B CN 117636185 B CN117636185 B CN 117636185B CN 202410107688 A CN202410107688 A CN 202410107688A CN 117636185 B CN117636185 B CN 117636185B
- Authority
- CN
- China
- Prior art keywords
- area
- image
- pest
- sub
- early warning
- 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
- 241000243771 Bursaphelenchus xylophilus Species 0.000 title claims abstract description 66
- 201000010099 disease Diseases 0.000 title claims abstract description 66
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 66
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 144
- 238000001514 detection method Methods 0.000 claims abstract description 112
- 238000012216 screening Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 120
- 239000011347 resin Substances 0.000 claims description 86
- 229920005989 resin Polymers 0.000 claims description 86
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims description 66
- 235000011613 Pinus brutia Nutrition 0.000 claims description 66
- 241000018646 Pinus brutia Species 0.000 claims description 66
- 241000238631 Hexapoda Species 0.000 claims description 28
- 238000004659 sterilization and disinfection Methods 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000002023 wood Substances 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 241000243770 Bursaphelenchus Species 0.000 description 1
- 241000244206 Nematoda Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- QDOXWKRWXJOMAK-UHFFFAOYSA-N dichromium trioxide Chemical compound O=[Cr]O[Cr]=O QDOXWKRWXJOMAK-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,本发明公开了基于图像处理的松材线虫病检测***;包括基于筛选准则获得目标图像,在目标图像中获得目标区域,采集目标区域的综合虫害数据,生成虫害检测指数,并基于虫害检测差值,判定是否生成虫害预警提示,基于虫害检测差值,生成虫害预警级别,基于虫害预警级别,制定消杀指令;本发明中,通过对卫星遥感图像的筛选识别,可以剔除掉存在干扰因素的非目标图像,并基于目标图像识别到面积小且位置精准的目标区域,一方面有效的降低了检测数据的采集量和计算量,提高了数据计算速率,另一方面也避免了无用数据对检测结果可能带来的误差影响,极大的提高了松材线虫病检测的准确度。
Description
技术领域
本发明涉及图像处理技术领域,更具体地说,本发明涉及基于图像处理的松材线虫病检测***。
背景技术
松材线虫病是一种由松材线虫引起的,具有很强破坏性的森林病害,近年来已在国内多个省市滋生蔓延,导致大量的松树枯死,对生态平衡造成严重破坏,为了有效的保护松树健康生长,需要对松树进行松材线虫病的及时且准确检测,从而在松树出现松材线虫病时及时的做出预警提示,为此,需要借助松树遥感图像对松材线虫病进行分析检测。
申请公开号为CN115841492A的中国专利公开了基于云边协同的松材线虫病变色立木遥感智能识别方法,其多个邻域增强范围计算像素点的新分量值,其次得到采集松树图像对应的增强图,多个邻域增强范围计算的新分量值能够削弱覆盖范围和图像分辨率之间相互制约,避免分辨率过大或过小造成的识别问题,增强图扩大了目标区域中像素点图像信息的显著度,使得提取的图像特征能够更加准确的对应到采集图像中的变色立木区域,完成对松树遥感图像更加可靠的线虫病变区域识别;
现有技术存在以下不足:
现有的松材线虫病检测***在对松树遥感图像进行检测时,通常需要对遥感图像包含的海量数据进行采集和检测,由于遥感图像中包含的数据较多,导致后续数据的计算量较大,降低了计算效率,同时遥感图像中也会存在大量的无用数据,当过多的无用数据参与检测计算时,容易对检测结果的准确性造成负面影响,进而降低了检测结果的准确度,不利于林业人员对松材线虫病的实际检测运用。
鉴于此,本发明提出基于图像处理的松材线虫病检测***以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,为实现上述目的,本发明提供如下技术方案:基于图像处理的松材线虫病检测***,应用于图像处理服务器,包括:
目标图像筛选模块,获取个卫星遥感图像,基于筛选准则,对/>个卫星遥感图像进行筛选,获得目标图像;
目标区域识别模块,在目标图像中标记个区域分界点,将/>个区域分界点依次连线后,获得目标区域;
数据采集模块,采集目标区域的综合虫害数据,基于综合虫害数据,生成虫害检测指数;
预警提示模块,将虫害检测指数与预设的虫害检测阈值比较,生成虫害检测差值,并判定是否生成虫害预警提示;
级别划分模块,基于虫害检测差值,生成虫害预警级别;
指令制定模块,基于虫害预警级别,制定消杀指令。
进一步的,筛选准则为:图像的实际分辨率大于额定分辨率的90%,松树的像素点占比值大于最低像素点占比值;
目标图像的获取方法包括:
通过图像数据库获取选定松树区域的个卫星遥感图像;
通过查看图像属性获得个卫星遥感图像的实际分辨率,基于筛选准则,将实际分辨率大于额定分辨率的90%的卫星遥感图像记为标记图像;
通过计算机视觉技术识别标记图像中的松树所在区域,并统计松树所在区域的像素点数量;
将松树所在区域的像素点数量与标记图像的总像素点数量比较,获得松树的像素点占比值;
基于筛选准则,筛选出松树的像素点占比值大于最低像素点占比值的个标记图像,/>小于/>;
从个标记图像中选择松树的像素点占比值的最大值对应的标记图像,即为目标图像。
进一步的,目标区域的获取方法包括:
扫描目标图像获得扫描灰度图像,并标注扫描灰度图像中每一个像素点的像素值;
标记像素值大于预设的像素阈值的像素点所在位置,获得有效位置;
沿有效位置的边界线,按照预设长度标记个点位,获得/>个区域分界点;
按照顺时针方向将个区域分界点依次连线后,获得目标区域。
进一步的,综合虫害数据包括健康面积占比值、裂缝干枯度和树脂分布密度;
健康面积占比值的获取方法包括:
扫描目标区域获得树冠扫描图像;
标记树冠扫描图像中所有像素点的像素值,并统计像素点总量;
将所有像素点的像素值一一与预设下限值和预设上限值比较;
将像素值位于预设下限值和预设上限值之间的像素点记为有效像素点,并统计有效像素点数量;
将有效像素点数量与像素点总量比较,获得健康面积占比值;
健康面积占比值的表达式为:
;
式中,为健康面积占比值,/>为有效像素点数量,/>为像素点总量。
进一步的,裂缝干枯度的获取方法包括:
扫描目标区域获得树干扫描图像,将树干扫描图像按照预设高度等分为个子图像;
通过计算机视觉技术识别个子图像上的树皮纹理信息,并沿树皮纹理所在位置画线,获得纹理线;
沿水平方向依次测量相邻两个水平分布纹理线的垂直方向延长线之间的水平距离值,将水平距离值大于预设距离阈值的相邻两个纹理线记为目标纹理线,获得组目标纹理线;
沿垂直方向依次测量位于组目标纹理线内的相邻两个垂直分布纹理线端点之间的垂直距离值,以垂直距离值的最小值所在的纹理线端点为基点水平画线,并与/>组目标纹理线接触,获得/>个裂缝区域;
一一测量个裂缝区域的长度和裂缝区域的高度,通过面积公式计算裂缝区域的面积,获得/>个裂缝面积;
裂缝面积的表达式为:
;
式中,为第/>个子图像第/>个裂缝区域的裂缝面积,/>为第/>个子图像第/>个裂缝区域的长度,/>为第/>个子图像第/>个裂缝区域的高度;
将个子图像的/>个裂缝面积累加后,获得/>个子裂缝面积;
子裂缝面积的表达式为:
;
式中,为第/>个子图像的子裂缝面积,/>为第/>个子图像的第/>个裂缝面积;
测量树干扫描图像的长度与树干扫描图像的高度,通过面积计算公式,获得树干扫描图像面积;
树干扫描图像面积的表达式为:
;
式中,为树干扫描图像面积,/>为树干扫描图像的长度,/>为树干扫描图像的高度;
去掉个子裂缝面积中的最大值和最小值,将余下的/>个子裂缝面积累加后,与树干扫描图像面积比较,获得裂缝干枯度;
裂缝干枯度的表达式为:
;
式中,为裂缝干枯度,/>为第/>个子裂缝面积。
进一步的,树脂分布密度的获取方法包括:
在树干扫描图像中获取所有像素点的像素值,将所有像素点的像素值与预设的第一树脂阈值和预设的第二树脂阈值比较;
将像素值位于预设的第一树脂阈值和预设的第二树脂阈值之间的像素点记为树脂像素点,获得个树脂像素点集合;
沿个树脂像素点集合的边界画线将树脂像素点进行最小化包围,获得/>个待识别区域;
通过计算机视觉技术识别个待识别区域,将没有出现树皮纹理信息的待识别区域标记为树脂区域,获得/>个树脂区域,/>小于/>;
分别测量个树脂区域的水平长度和垂直高度,并基于水平长度的最大值和垂直高度的最大值,获得/>个长高比例;
长高比例的表达式为:
;
式中,为第/>个树脂区域的长高比例,/>为第/>个树脂区域的水平长度的最大值,/>为第/>个树脂区域的垂直高度的最大值;
将长高比例小于预设的长高阈值的树脂区域记为第一分布区域,将长高比例大于等于预设的长高阈值的树脂区域记为第二分布区域;
在第一分布区域的边界线描绘得到矩形,并测量矩形的长度与宽度,分别记为第一分布区域的长度和第一分布区域的高度,获得个第一分布区域的面积,/>小于/>;
第一分布区域的面积的表达式为:
;
式中,为第/>个第一分布区域的面积,/>为第/>个第一分布区域的长度,为第/>个第一分布区域的高度;
将个第一分布区域的面积累加后,获得第一子面积;
第一子面积的表达式为:
;
式中,为第一子面积,/>为第/>个第一分布区域的面积;
在第二分布区域的边界线描绘得到圆形,并测量圆形的半径,记为第二分布区域的半径,获得个第二分布区域的面积,/>小于/>;
第二分布区域的面积的表达式为:
;
式中,为第/>个第二分布区域的面积,/>为圆周率,/>为第/>个第二分布区域的半径;
将个第二分布区域的面积累加后,获得第二子面积;
第二子面积的表达式为:
;
式中,为第二子面积,/>为第/>个第二分布区域的面积;
将第一子面积和第二子面积相加后,与树干扫描图像面积比较,获得树脂分布密度;
树脂分布密度的表达式为:
;
式中,为树脂分布密度。
进一步的,虫害检测指数的表达式为:
;
式中,为虫害检测指数,/>、/>、/>为权重因子。
进一步的,虫害检测差值的表达式为:
;
式中,为虫害检测差值,/>为预设的虫害检测阈值;
是否生成虫害预警提示的判定方法包括:
当大于等于0时,判定生成虫害预警提示;
当小于0时,判定不生成虫害预警提示。
进一步的,虫害预警级别包括一级预警级别和二级预警级别;
一级预警级别和二级预警级别的生成方法包括:
将虫害检测差值与预设的级别阈值/>比较,/>大于0;
当小于/>时,生成一级预警级别;
当大于等于/>时,生成二级预警级别。
进一步的,消杀指令包括一级消杀指令和二级消杀指令;
一级消杀指令和二级消杀指令的制定方法包括:
当虫害预警级别为一级预警级别时,制定一级消杀指令;
当虫害预警级别为二级预警级别时,制定二级消杀指令。
本发明基于图像处理的松材线虫病检测***的技术效果和优点:
本发明通过获取个卫星遥感图像,基于筛选准则,对/>个卫星遥感图像进行筛选,获得目标图像,在目标图像中标记区域分界点,将区域分界点依次连线后,获得目标区域,采集目标区域的综合虫害数据,基于综合虫害数据,生成虫害检测指数,将虫害检测指数与预设的虫害检测阈值比较,生成虫害检测差值,并判定是否生成虫害预警提示,基于虫害检测差值,生成虫害预警级别,基于虫害预警级别,制定消杀指令;相对于现有技术,通过对卫星遥感图像的筛选识别,可以剔除掉存在干扰因素的非目标图像,并基于目标图像识别到面积小且位置精准的目标区域,并通过目标区域可以对松树是否出现松材线虫病进行精确的检测,一方面有效的降低了检测数据的采集量和计算量,提高了数据计算速率,另一方面也避免了无用数据对检测结果可能带来的误差影响,极大的提高了松材线虫病检测的准确度。
附图说明
图1为本发明实施例1提供的基于图像处理的松材线虫病检测***的示意图;
图2为本发明实施例2提供的基于图像处理的松材线虫病检测方法的流程示意图;
图3为本发明实施例1提供的目标区域的示意图;
图4为本发明实施例1提供的裂缝区域的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:请参阅图1所示,本实施例所述基于图像处理的松材线虫病检测***,应用于图像处理服务器,包括:
目标图像筛选模块,获取个卫星遥感图像,基于筛选准则,对/>个卫星遥感图像进行筛选,获得目标图像;
筛选准则是指卫星遥感图像是否达到使用要求的标准,由于卫星拍摄的遥感图像会受到天气波动环境、拍摄角度变化等因素的影响,使得卫星遥感图像会出现模糊不清、拍摄物体不完整等情况,因此,需要借助筛选准则对卫星遥感图像进行筛选,获取到符合使用要求的图像;
筛选准则为:图像的实际分辨率大于额定分辨率的90%,松树的像素点占比值大于最低像素点占比值;
其中,额定分辨率为卫星上拍摄相机的额定分辨率,通过卫星控制***获取,由于卫星上拍摄相机在拍摄卫星遥感图像时会受到干扰因素,为了对受到干扰程度较大的图像进行剔除,就需要设置额定分辨率的90%为最低的分辨率;而最低像素点占比值是指卫星遥感图像中松树所占据图像的像素点占比最小值,只有松树所占据图像像素点占比值达到最低像素点占比值时,才能够满足后续对松材线虫病的识别检测;
目标图像的获取方法包括:
通过图像数据库获取选定松树区域的个卫星遥感图像;
通过查看图像属性获得个卫星遥感图像的实际分辨率,基于筛选准则,将实际分辨率大于额定分辨率的90%的卫星遥感图像记为标记图像;
通过计算机视觉技术识别标记图像中的松树所在区域,并统计松树所在区域的像素点数量;
将松树所在区域的像素点数量与标记图像的总像素点数量比较,获得松树的像素点占比值;
基于筛选准则,筛选出松树的像素点占比值大于最低像素点占比值的个标记图像,/>小于/>;
从个标记图像中选择松树的像素点占比值的最大值对应的标记图像,即为目标图像;
目标区域识别模块,在目标图像中标记个区域分界点,将/>个区域分界点依次连线后,获得目标区域;
目标图像根据图像中内容的不同,可以划分为松树区域和背景区域,松树区域是指用于提供松材线虫病检测数据的对应区域,而背景区域是指无法有效提供松材线虫病检测数据的对应区域,由于目标图像中的背景区域不需要参与实际松材线虫病的检测,仅需要对松树区域进行检测,所以要将背景区域剔除掉,获得目标区域,而松树区域则为目标区域;
目标区域的获取方法包括:
扫描目标图像获得扫描灰度图像,并标注扫描灰度图像中每一个像素点的像素值;
标记像素值大于预设的像素阈值的像素点所在位置,获得有效位置;预设的像素阈值是用于区分松树区域像素点的像素值与背景区域像素点的像素值大小的依据,由于松树区域为松树,松树通常情况下为绿色、黄色等颜色,背景颜色通常为灰色、白色等颜色,使得松树区域像素点的像素值与背景区域像素点的像素值不同,从而可以将松树区域和背景区域进行有效区分;预设的像素阈值通过采集历史大量的松树区域像素点的像素值后,通过系数优化后得到的;
沿有效位置的边界线,按照预设长度标记个点位,获得/>个区域分界点;预设长度是用于对区域分界点的间隔长度进行限制的依据,当区域分界点的间隔长度过大时,会导致相邻两个区域分界点的连续跨度较大,此时会将部分松树区域画出或将部分背景区域画入,进而导致目标区域的不准确;预设长度通过采集历史大量的目标区域对应的相邻两个区域分界点连线长度后,取其最小值获得的;
按照顺时针方向将个区域分界点依次连线后,获得目标区域;
请参阅图3所示,示例性的,通过上述目标区域的获取方法,获得如图3所示的目标区域,图中,A1、A2、A3、A4、A5、A6、A7、A8、A9、A10、A11、A12、A13、A14、A15均为区域分界点;
需要说明的是,通过设置区域分界点,一方面可以减小目标区域的面积,降低目标区域的数据采集和计算量,提高计算效率,另一方面也避免了背景区域的无用数据可能对后续松材线虫病检测带来的影响,进而提高了松材线虫病检测结果的准确度;
数据采集模块,采集目标区域的综合虫害数据,基于综合虫害数据,生成虫害检测指数;
综合虫害数据是指松树出现松材线虫病时松树所发生的病态变化数据,通过对综合虫害数据的采集,可以全面且准确的了解松树是否出现松材线虫病以及松材线虫病的严重程度,从而为后续的松树治理提供数据支持;
综合虫害数据包括健康面积占比值、裂缝干枯度和树脂分布密度;
健康面积占比值是指目标区域中树冠上对应的松树中绿色树叶占据的面积与目标区域总面积的比例大小,当健康面积占比值越大时,说明松树上绿色树叶的数量越多,绿色树叶占据的面积越大,则松树上松材线虫病的严重程度越低,虫害检测指数越小;反之则相反;
健康面积占比值的获取方法包括:
扫描目标区域获得树冠扫描图像;
标记树冠扫描图像中所有像素点的像素值,并统计像素点总量;
将所有像素点的像素值一一与预设下限值和预设上限值比较;预设下限值和预设上限值是用于表示松树绿色树叶对应的像素值的数值大小取值范围,由于松树树叶的绿色并不是标准的绿色,分为深绿和浅绿,所以松树绿色树叶对应的像素值大小也不一样,存在一个取值范围,预设下限值和预设上限值对应的数值通过采集历史大量的不同松树树叶绿色程度对应的像素值后,通过系数优化后得到的;
将像素值位于预设下限值和预设上限值之间的像素点记为有效像素点,并统计有效像素点数量;
将有效像素点数量与像素点总量比较,获得健康面积占比值;
健康面积占比值的表达式为:
;
式中,为健康面积占比值,/>为有效像素点数量,/>为像素点总量;
裂缝干枯度是指目标区域内松树树干上因松材线虫病枯死而出现裂缝的严重程度,可以通过松树树干上裂缝面积与树干面积的比值表示,当裂缝干枯度越大时,说明松树树干上因松材线虫病而导致的枯死现象的严重程度越大,则虫害检测指数越大;反之则相反;
裂缝干枯度的获取方法包括:
扫描目标区域获得树干扫描图像,将树干扫描图像按照预设高度等分为个子图像;预设高度是用于将树干扫描图像进行高度分割的数值,通过将树干扫描图像按照预设高度进行分割,使得分割后的子图像内能够包含至少两个完整树皮纹理信息,从而便于后续对纹理线的获取,预设高度小于等于树干扫描图像高度的五分之一;
通过计算机视觉技术识别个子图像上的树皮纹理信息,并沿树皮纹理所在位置画线,获得纹理线;
沿水平方向依次测量相邻两个水平分布纹理线的垂直方向延长线之间的水平距离值,将水平距离值大于预设距离阈值的相邻两个纹理线记为目标纹理线,获得组目标纹理线;预设距离阈值是用于区别相邻两个纹理线之间距离是否处于正常范围的依据,当相邻两个纹理线之间的距离值超过预设距离阈值时,表明相邻两个纹理线之间存在树皮裂缝缺失的现象;预设距离阈值通过采集历史大量的树皮出现裂缝缺失现象对应的相邻两个纹理线之间的距离后,通过系数优化后得到的;
沿垂直方向依次测量位于组目标纹理线内的相邻两个垂直分布纹理线端点之间的垂直距离值,以垂直距离值的最小值所在的纹理线端点为基点水平画线,并与/>组目标纹理线接触,获得/>个裂缝区域;
一一测量个裂缝区域的长度和裂缝区域的高度,通过面积公式计算裂缝区域的面积,获得/>个裂缝面积;
裂缝面积的表达式为:
;
式中,为第/>个子图像第/>个裂缝区域的裂缝面积,/>为第/>个子图像第/>个裂缝区域的长度,/>为第/>个子图像第/>个裂缝区域的高度;
将个子图像的/>个裂缝面积累加后,获得/>个子裂缝面积;
子裂缝面积的表达式为:
;
式中,为第/>个子图像的子裂缝面积,/>为第/>个子图像的第/>个裂缝面积;
测量树干扫描图像的长度与树干扫描图像的高度,通过面积计算公式,获得树干扫描图像面积;
树干扫描图像面积的表达式为:
;
式中,为树干扫描图像面积,/>为树干扫描图像的长度,/>为树干扫描图像的高度;
去掉个子裂缝面积中的最大值和最小值,将余下的/>个子裂缝面积累加后,与树干扫描图像面积比较,获得裂缝干枯度;
裂缝干枯度的表达式为:
;
式中,为裂缝干枯度,/>为第/>个子裂缝面积;
请参阅图4所示,示例性的,通过上述裂缝区域的获取方法获得如图4所示的裂缝区域,图中,O1、O2均为基点,MB1、MB2均为目标纹理线,YC为目标纹理线的垂直方向延长线;
树脂分布密度是指树干上因松材线虫病而分泌出来的树脂流出物,当树脂刚流出时,通常接近于透明,在一段时间风干后,树脂则呈现黄色,并吸附在树干上,当树脂分布密度越大时,说明树干上松材线虫病的严重程度越大,则虫害检测指数越大;反之则相反;
树脂分布密度的获取方法包括:
在树干扫描图像中获取所有像素点的像素值,将所有像素点的像素值与预设的第一树脂阈值和预设的第二树脂阈值比较;预设的第一树脂阈值和预设的第二树脂阈值是用于区分像素点对应的像素值是否处于树脂颜色对应的像素值范围,预设的第一树脂阈值和预设的第二树脂阈值分别为树脂颜色像素值的最小值和最大值,从而用来判断树干上的像素点是否属于树脂的像素点,预设的第一树脂阈值和预设的第二树脂阈值通过采集历史大量的树脂颜色对应的像素值后,分别取其最小值和最大值后,通过系数优化得到的;
将像素值位于预设的第一树脂阈值和预设的第二树脂阈值之间的像素点记为树脂像素点,获得个树脂像素点集合;
沿个树脂像素点集合的边界画线将树脂像素点进行最小化包围,获得/>个待识别区域;通过最小化包围的方式,可以相对精确地获取树脂像素点集合的区域位置,避免将树干部位也画入到待识别区域内,进而提高待识别区域的准确性;
通过计算机视觉技术识别个待识别区域,将没有出现树皮纹理信息的待识别区域标记为树脂区域,获得/>个树脂区域,/>小于/>;通过对待识别区域进行树皮纹理信息的二次识别,可以将待识别区域为接近树脂颜色的树皮区域进行识别并筛选出来,从而避免与树脂颜色相近的树皮被误识别为树脂,进一步的提高了树脂识别的准确性;
分别测量个树脂区域的水平长度和垂直高度,并基于水平长度的最大值和垂直高度的最大值,获得/>个长高比例;
长高比例的表达式为:
;
式中,为第/>个树脂区域的长高比例,/>为第/>个树脂区域的水平长度的最大值,/>为第/>个树脂区域的垂直高度的最大值;
将长高比例小于预设的长高阈值的树脂区域记为第一分布区域,将长高比例大于等于预设的长高阈值的树脂区域记为第二分布区域;预设的长高阈值是用于判断树脂区域的形状类似于矩形还是圆形的依据,当树脂区域的形状类似于矩形时,则采用矩形面积的计算方式,反之则采用圆形面积的计算方式,预设的长高阈值通过采集大量的树脂区域采用矩形面积计算方式和圆形面积计算方式对应的长度和高度后,经过系数优化得到的;
在第一分布区域的边界线描绘得到矩形,并测量矩形的长度与宽度,分别记为第一分布区域的长度和第一分布区域的高度,获得个第一分布区域的面积,/>小于/>;
第一分布区域的面积的表达式为:
;
式中,为第/>个第一分布区域的面积,/>为第/>个第一分布区域的长度,为第/>个第一分布区域的高度;
将个第一分布区域的面积累加后,获得第一子面积;
第一子面积的表达式为:
;
式中,为第一子面积,/>为第/>个第一分布区域的面积;
在第二分布区域的边界线描绘得到圆形,并测量圆形的半径,记为第二分布区域的半径,获得个第二分布区域的面积,/>小于/>;
第二分布区域的面积的表达式为:
;
式中,为第/>个第二分布区域的面积,/>为圆周率,/>为第/>个第二分布区域的半径;
将个第二分布区域的面积累加后,获得第二子面积;
第二子面积的表达式为:
;/>
式中,为第二子面积,/>为第/>个第二分布区域的面积;
将第一子面积和第二子面积相加后,与树干扫描图像面积比较,获得树脂分布密度;
树脂分布密度的表达式为:
;
式中,为树脂分布密度;
虫害检测指数是用于表示松树发生松材线虫病的严重程度,当虫害检测指数越大时,说明松树发生松材线虫病的程度越严重,反之则相反;
虫害检测指数的表达式为:
;
式中,为虫害检测指数,/>、/>、/>为权重因子,/>;示例性的,/>为0.47,/>为0.36,/>为0.17;
需要说明的是,权重因子的大小是为了将各个数据进行量化得到的一个具体的数值,便于后续比较,关于权重因子的大小,取决于综合虫害数据的多少及本领域技术人员对每一组综合虫害数据初步设定对应的权重因子;
预警提示模块,将虫害检测指数与预设的虫害检测阈值比较,生成虫害检测差值,并判定是否生成虫害预警提示;
虫害检测差值是指虫害检测指数与预设的虫害检测阈值之间的差值大小,是用于判断虫害检测指数是否达到预警提示的数值依据;
预设的虫害检测阈值是用于对虫害检测指数进行范围划分的数值依据,从而将虫害检测指数进行预警范围和非预警范围的区分,以便于对不同大小的虫害检测指数进行筛选,预设的虫害检测阈值通过采集历史大量的发出预警提示的虫害检测指数后,选择其中的最小值,并经过系数优化后得到的;
虫害检测差值的表达式为:
;
式中,为虫害检测差值,/>为预设的虫害检测阈值;
是否生成虫害预警提示的判定方法包括:
当大于等于0时,说明虫害检测指数大于等于预设的虫害检测阈值,此时松树出现了松材线虫病,则判定生成虫害预警提示;
当小于0时,说明虫害检测指数小于预设的虫害检测阈值,此时松树未出现松材线虫病,则判定不生成虫害预警提示;
级别划分模块,基于虫害检测差值,生成虫害预警级别;
虫害预警级别是用于区分松树出现松材线虫病严重程度的依据,不同的松材线虫病严重程度对应不同的预警级别,从而影响后续对松树进行虫害治理的措施;
虫害预警级别包括一级预警级别和二级预警级别,一级预警级别对应的松材线虫病严重程度小于二级预警级别对应的松材线虫病严重程度;
一级预警级别和二级预警级别的生成方法包括:
将虫害检测差值与预设的级别阈值/>比较,/>大于0;预设的级别阈值是用于将虫害检测差值进行一级预警级别和二级预警级别区分的依据,从而可以将不同大小的虫害检测差值对应不同的松材线虫病严重程度,预设的级别阈值通过采集历史大量的松材线虫病轻微程度和松材线虫病严重程度对应的虫害检测差值后,通过系数优化后得到的;
当小于/>时,说明虫害检测差值小于预设的级别阈值,此时松树出现松材线虫病的程度轻微,则生成一级预警级别;
当大于等于/>时,说明虫害检测差值大于等于预设的级别阈值,此时松树出现松材线虫病的程度严重,则生成二级预警级别;
指令制定模块,基于虫害预警级别,制定消杀指令;
消杀指令是应用于不同虫害预警级别的松材线虫病应对措施,从而对松树的松材线虫病进行合理且准确的消杀处理,且不同的虫害预警级别对应不同的消杀指令,并表示不同的消杀处理紧急程度;
消杀指令包括一级消杀指令和二级消杀指令,一级消杀指令和二级消杀指令的制定方法包括:
当虫害预警级别为一级预警级别时,此时松树需要进行消杀处理的紧急程度低,则制定一级消杀指令;
当虫害预警级别为二级预警级别时,此时松树需要进行消杀处理的紧急程度高,则制定二级消杀指令;
需要说明的是,一级消杀指令对应的消杀处理的紧急程度低于二级消杀指令对应的紧急程度,此处的紧急程度是指对松树的松材线虫病进行消杀应急措施的先后顺序,由于一级消杀指令对应的松树松材线虫病的程度轻微,此时的松树受到的危害程度没有达到需要第一时间紧急处理的程度,所以一级消杀指令对应的紧急程度较低,而二级消杀指令对应的松树松材线虫病的程度严重,此时的松树受到的危害程度达到了需要第一时间紧急处理的程度,所以二级消杀指令对应的紧急程度较低;
本实施例中,通过获取个卫星遥感图像,基于筛选准则,对/>个卫星遥感图像进行筛选,获得目标图像,在目标图像中标记区域分界点,将区域分界点依次连线后,获得目标区域,采集目标区域的综合虫害数据,基于综合虫害数据,生成虫害检测指数,将虫害检测指数与预设的虫害检测阈值比较,生成虫害检测差值,并判定是否生成虫害预警提示,基于虫害检测差值,生成虫害预警级别,基于虫害预警级别,制定消杀指令;相对于现有技术,通过对卫星遥感图像的筛选识别,可以剔除掉存在干扰因素的非目标图像,并基于目标图像识别到面积小且位置精准的目标区域,并通过目标区域可以对松树是否出现松材线虫病进行精确的检测,一方面有效的降低了检测数据的采集量和计算量,提高了数据计算速率,另一方面也避免了无用数据对检测结果可能带来的误差影响,极大的提高了松材线虫病检测的准确度。/>
实施例2:请参阅图2所示,本实施例未详细叙述部分见实施例1描述内容,提供基于图像处理的松材线虫病检测方法,应用于图像处理服务器,通过基于图像处理的松材线虫病检测***实现,包括:
S1:通过获取个卫星遥感图像,基于筛选准则,对/>个卫星遥感图像进行筛选,获得目标图像;
S2:在目标图像中标记个区域分界点,将/>个区域分界点依次连线后,获得目标区域;
S3:采集目标区域的综合虫害数据,基于综合虫害数据,生成虫害检测指数;
S4:将虫害检测指数与预设的虫害检测阈值比较,生成虫害检测差值,并判定是否生成虫害预警提示;若生成虫害预警提示,则执行S5-S6;若不生成虫害预警提示,则重复执行S1-S4;
S5:基于虫害检测差值,生成虫害预警级别;
S6:基于虫害预警级别,制定消杀指令。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.基于图像处理的松材线虫病检测***,应用于图像处理服务器,其特征在于,包括:
目标图像筛选模块,获取个卫星遥感图像,基于筛选准则,对/>个卫星遥感图像进行筛选,获得目标图像;
目标区域识别模块,在目标图像中标记个区域分界点,将/>个区域分界点依次连线后,获得目标区域;
数据采集模块,采集目标区域的综合虫害数据,基于综合虫害数据,生成虫害检测指数;
综合虫害数据包括健康面积占比值、裂缝干枯度和树脂分布密度;
健康面积占比值的获取方法包括:
扫描目标区域获得树冠扫描图像;
标记树冠扫描图像中所有像素点的像素值,并统计像素点总量;
将所有像素点的像素值一一与预设下限值和预设上限值比较;
将像素值位于预设下限值和预设上限值之间的像素点记为有效像素点,并统计有效像素点数量;
将有效像素点数量与像素点总量比较,获得健康面积占比值;
健康面积占比值的表达式为:
;
式中,为健康面积占比值,/>为有效像素点数量,/>为像素点总量;
裂缝干枯度的获取方法包括:
扫描目标区域获得树干扫描图像,将树干扫描图像按照预设高度等分为个子图像;
通过计算机视觉技术识别个子图像上的树皮纹理信息,并沿树皮纹理所在位置画线,获得纹理线;
沿水平方向依次测量相邻两个水平分布纹理线的垂直方向延长线之间的水平距离值,将水平距离值大于预设距离阈值的相邻两个纹理线记为目标纹理线,获得组目标纹理线;
沿垂直方向依次测量位于组目标纹理线内的相邻两个垂直分布纹理线端点之间的垂直距离值,以垂直距离值的最小值所在的纹理线端点为基点水平画线,并与/>组目标纹理线接触,获得/>个裂缝区域;
一一测量个裂缝区域的长度和裂缝区域的高度,通过面积公式计算裂缝区域的面积,获得/>个裂缝面积;
裂缝面积的表达式为:
;
式中,为第/>个子图像第/>个裂缝区域的裂缝面积,/>为第/>个子图像第/>个裂缝区域的长度,/>为第/>个子图像第/>个裂缝区域的高度;
将个子图像的/>个裂缝面积累加后,获得/>个子裂缝面积;
子裂缝面积的表达式为:
;
式中,为第/>个子图像的子裂缝面积,/>为第/>个子图像的第/>个裂缝面积;
测量树干扫描图像的长度与树干扫描图像的高度,通过面积计算公式,获得树干扫描图像面积;
树干扫描图像面积的表达式为:
;
式中,为树干扫描图像面积,/>为树干扫描图像的长度,/>为树干扫描图像的高度;
去掉个子裂缝面积中的最大值和最小值,将余下的/>个子裂缝面积累加后,与树干扫描图像面积比较,获得裂缝干枯度;
裂缝干枯度的表达式为:
;
式中,为裂缝干枯度,/>为第/>个子裂缝面积;
树脂分布密度的获取方法包括:
在树干扫描图像中获取所有像素点的像素值,将所有像素点的像素值与预设的第一树脂阈值和预设的第二树脂阈值比较;
将像素值位于预设的第一树脂阈值和预设的第二树脂阈值之间的像素点记为树脂像素点,获得个树脂像素点集合;
沿个树脂像素点集合的边界画线将树脂像素点进行最小化包围,获得/>个待识别区域;
通过计算机视觉技术识别个待识别区域,将没有出现树皮纹理信息的待识别区域标记为树脂区域,获得/>个树脂区域,/>小于/>;
分别测量个树脂区域的水平长度和垂直高度,并基于水平长度的最大值和垂直高度的最大值,获得/>个长高比例;
长高比例的表达式为:
;
式中,为第/>个树脂区域的长高比例,/>为第/>个树脂区域的水平长度的最大值,/>为第/>个树脂区域的垂直高度的最大值;
将长高比例小于预设的长高阈值的树脂区域记为第一分布区域,将长高比例大于等于预设的长高阈值的树脂区域记为第二分布区域;
在第一分布区域的边界线描绘得到矩形,并测量矩形的长度与宽度,分别记为第一分布区域的长度和第一分布区域的高度,获得个第一分布区域的面积,/>小于/>;
第一分布区域的面积的表达式为:
;
式中,为第/>个第一分布区域的面积,/>为第/>个第一分布区域的长度,/>为第/>个第一分布区域的高度;
将个第一分布区域的面积累加后,获得第一子面积;
第一子面积的表达式为:
;
式中,为第一子面积,/>为第/>个第一分布区域的面积;
在第二分布区域的边界线描绘得到圆形,并测量圆形的半径,记为第二分布区域的半径,获得个第二分布区域的面积,/>小于/>;
第二分布区域的面积的表达式为:
;
式中,为第/>个第二分布区域的面积,/>为圆周率,/>为第/>个第二分布区域的半径;
将个第二分布区域的面积累加后,获得第二子面积;
第二子面积的表达式为:
;
式中,为第二子面积,/>为第/>个第二分布区域的面积;
将第一子面积和第二子面积相加后,与树干扫描图像面积比较,获得树脂分布密度;
树脂分布密度的表达式为:
;
式中,为树脂分布密度;
预警提示模块,将虫害检测指数与预设的虫害检测阈值比较,生成虫害检测差值,并判定是否生成虫害预警提示;
级别划分模块,基于虫害检测差值,生成虫害预警级别;
指令制定模块,基于虫害预警级别,制定消杀指令。
2.根据权利要求1所述的基于图像处理的松材线虫病检测***,其特征在于,所述筛选准则为:图像的实际分辨率大于额定分辨率的90%,松树的像素点占比值大于最低像素点占比值;
目标图像的获取方法包括:
通过图像数据库获取选定松树区域的个卫星遥感图像;
通过查看图像属性获得个卫星遥感图像的实际分辨率,基于筛选准则,将实际分辨率大于额定分辨率的90%的卫星遥感图像记为标记图像;
通过计算机视觉技术识别标记图像中的松树所在区域,并统计松树所在区域的像素点数量;
将松树所在区域的像素点数量与标记图像的总像素点数量比较,获得松树的像素点占比值;
基于筛选准则,筛选出松树的像素点占比值大于最低像素点占比值的个标记图像,/>小于/>;
从个标记图像中选择松树的像素点占比值的最大值对应的标记图像,即为目标图像。
3.根据权利要求2所述的基于图像处理的松材线虫病检测***,其特征在于,所述目标区域的获取方法包括:
扫描目标图像获得扫描灰度图像,并标注扫描灰度图像中每一个像素点的像素值;
标记像素值大于预设的像素阈值的像素点所在位置,获得有效位置;
沿有效位置的边界线,按照预设长度标记个点位,获得/>个区域分界点;
按照顺时针方向将个区域分界点依次连线后,获得目标区域。
4.根据权利要求3所述的基于图像处理的松材线虫病检测***,其特征在于,所述虫害检测指数的表达式为:
;
式中,为虫害检测指数,/>、/>、/>为权重因子。
5.根据权利要求4所述的基于图像处理的松材线虫病检测***,其特征在于,所述虫害检测差值的表达式为:
;
式中,为虫害检测差值,/>为预设的虫害检测阈值;
是否生成虫害预警提示的判定方法包括:
当大于等于0时,判定生成虫害预警提示;
当小于0时,判定不生成虫害预警提示。
6.根据权利要求5所述的基于图像处理的松材线虫病检测***,其特征在于,所述虫害预警级别包括一级预警级别和二级预警级别;
一级预警级别和二级预警级别的生成方法包括:
将虫害检测差值与预设的级别阈值/>比较,/>大于0;
当小于/>时,生成一级预警级别;
当大于等于/>时,生成二级预警级别。
7.根据权利要求6所述的基于图像处理的松材线虫病检测***,其特征在于,所述消杀指令包括一级消杀指令和二级消杀指令;
一级消杀指令和二级消杀指令的制定方法包括:
当虫害预警级别为一级预警级别时,制定一级消杀指令;
当虫害预警级别为二级预警级别时,制定二级消杀指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410107688.7A CN117636185B (zh) | 2024-01-26 | 2024-01-26 | 基于图像处理的松材线虫病检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410107688.7A CN117636185B (zh) | 2024-01-26 | 2024-01-26 | 基于图像处理的松材线虫病检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117636185A CN117636185A (zh) | 2024-03-01 |
CN117636185B true CN117636185B (zh) | 2024-04-09 |
Family
ID=90021954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410107688.7A Active CN117636185B (zh) | 2024-01-26 | 2024-01-26 | 基于图像处理的松材线虫病检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117636185B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974633B (zh) * | 2024-03-28 | 2024-06-07 | 潍坊科技学院 | 基于图像处理的番茄病虫害智能检测方法 |
CN118072185B (zh) * | 2024-04-24 | 2024-06-28 | 四川省林业科学研究院(四川省林产工业研究设计所) | 基于图像识别的感病马尾松识别方法及*** |
CN118115903B (zh) * | 2024-04-30 | 2024-07-05 | 安徽大学 | 基于ai技术松材线虫病智能识别处理*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881865A (zh) * | 2015-04-29 | 2015-09-02 | 北京林业大学 | 基于无人机图像分析的森林病虫害监测预警方法及其*** |
CN108596104A (zh) * | 2018-04-26 | 2018-09-28 | 安徽大学 | 一种带有病害特征预处理功能的小麦白粉病遥感监测方法 |
CN111028255A (zh) * | 2018-10-10 | 2020-04-17 | 千寻位置网络有限公司 | 基于先验信息与深度学习的农田区域预筛选方法及装置 |
CN113011354A (zh) * | 2021-03-25 | 2021-06-22 | 浙江农林大学 | 基于深度学习的无人机高光谱影像松材线虫病识别方法 |
CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和*** |
CN113468964A (zh) * | 2021-05-31 | 2021-10-01 | 山东省邮电工程有限公司 | 一种基于高光谱的农业病虫害监测方法及设备 |
CN114595975A (zh) * | 2022-03-11 | 2022-06-07 | 安徽大学 | 基于深度学习模型的无人机遥感松材线虫病害监测方法 |
CN116612192A (zh) * | 2023-07-19 | 2023-08-18 | 山东艺术学院 | 一种基于数字视频的病虫害区目标定位方法 |
CN116863342A (zh) * | 2023-09-04 | 2023-10-10 | 江西啄木蜂科技有限公司 | 一种基于大尺度遥感影像的松材线虫病死木提取方法 |
CN116883847A (zh) * | 2023-07-11 | 2023-10-13 | 重庆英卡电子有限公司 | 一种松材线虫病蔓延监测预警方法及*** |
CN116912583A (zh) * | 2023-07-19 | 2023-10-20 | 久瓴(上海)智能科技有限公司 | 疫木数据的处理方法和装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018191442A1 (en) * | 2017-04-11 | 2018-10-18 | Agerpoint, Inc. | Forestry management tool for assessing risk of catastrophic tree failure due to weather events |
-
2024
- 2024-01-26 CN CN202410107688.7A patent/CN117636185B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881865A (zh) * | 2015-04-29 | 2015-09-02 | 北京林业大学 | 基于无人机图像分析的森林病虫害监测预警方法及其*** |
CN108596104A (zh) * | 2018-04-26 | 2018-09-28 | 安徽大学 | 一种带有病害特征预处理功能的小麦白粉病遥感监测方法 |
CN111028255A (zh) * | 2018-10-10 | 2020-04-17 | 千寻位置网络有限公司 | 基于先验信息与深度学习的农田区域预筛选方法及装置 |
CN113011354A (zh) * | 2021-03-25 | 2021-06-22 | 浙江农林大学 | 基于深度学习的无人机高光谱影像松材线虫病识别方法 |
CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和*** |
CN113468964A (zh) * | 2021-05-31 | 2021-10-01 | 山东省邮电工程有限公司 | 一种基于高光谱的农业病虫害监测方法及设备 |
CN114595975A (zh) * | 2022-03-11 | 2022-06-07 | 安徽大学 | 基于深度学习模型的无人机遥感松材线虫病害监测方法 |
CN116883847A (zh) * | 2023-07-11 | 2023-10-13 | 重庆英卡电子有限公司 | 一种松材线虫病蔓延监测预警方法及*** |
CN116612192A (zh) * | 2023-07-19 | 2023-08-18 | 山东艺术学院 | 一种基于数字视频的病虫害区目标定位方法 |
CN116912583A (zh) * | 2023-07-19 | 2023-10-20 | 久瓴(上海)智能科技有限公司 | 疫木数据的处理方法和装置、存储介质及电子设备 |
CN116863342A (zh) * | 2023-09-04 | 2023-10-10 | 江西啄木蜂科技有限公司 | 一种基于大尺度遥感影像的松材线虫病死木提取方法 |
Non-Patent Citations (3)
Title |
---|
UAV remote sensing monitoring of pine forest diseases based on improved Mask R-CNN;Gensheng Hu et al.;International Journal of Remote Sensing;20220307;全文 * |
基于无人机图像分形特征的油松受灾级别判定;费运巧;刘文萍;陆鹏飞;骆有庆;;计算机应用研究;20170430(第04期);全文 * |
针对卫星图像的语义分割算法研究;宋天龙;中国优秀硕士学位论文全文数据库;20190115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117636185A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117636185B (zh) | 基于图像处理的松材线虫病检测*** | |
CN108759973B (zh) | 一种水位测量方法 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
Pouliot et al. | Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration | |
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
Awrangjeb et al. | Improved building detection using texture information | |
CN106910187B (zh) | 一种用于桥梁裂缝检测定位的图像数据集人工扩增方法 | |
CN109472261B (zh) | 一种基于计算机视觉的粮仓储粮数量变化自动监测方法 | |
CN110376202B (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
Masood et al. | Plants disease segmentation using image processing | |
CN111027446A (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
Al-Tarawneh | An empirical investigation of olive leave spot disease using auto-cropping segmentation and fuzzy C-means classification | |
CN106373134A (zh) | 一种基于线结构光三维测量的公路标线检测方法 | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
CN107610122A (zh) | 一种基于Micro‑CT的单籽粒谷物内部虫害检测方法 | |
KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 | |
CN111060455B (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
Wang et al. | An automatic system for pest recognition and forecasting | |
WO2021248599A1 (zh) | 一种类型异常图斑自动识别方法及*** | |
CN110929739B (zh) | 一种自动化的不透水面范围遥感迭代提取方法 | |
CN109993071B (zh) | 基于遥感影像的变色林木自动识别及调查的方法和*** | |
Li et al. | The disease assessment of cucumber downy mildew based on image processing | |
CN114266975B (zh) | 无人机遥感图像的荔枝果实检测与计数方法 |
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 |