CN117893541B - 一种基于边缘检测的果树叶部花叶病分析方法 - Google Patents
一种基于边缘检测的果树叶部花叶病分析方法 Download PDFInfo
- Publication number
- CN117893541B CN117893541B CN202410303304.9A CN202410303304A CN117893541B CN 117893541 B CN117893541 B CN 117893541B CN 202410303304 A CN202410303304 A CN 202410303304A CN 117893541 B CN117893541 B CN 117893541B
- Authority
- CN
- China
- Prior art keywords
- leaf
- edge
- acquiring
- matching
- curve
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 44
- 238000003708 edge detection Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 201000010099 disease Diseases 0.000 claims abstract description 78
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 78
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 52
- 230000005484 gravity Effects 0.000 claims description 37
- 238000004891 communication Methods 0.000 abstract description 4
- 238000005452 bending Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 241000700605 Viruses Species 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了一种基于边缘检测的果树叶部花叶病分析方法,包括:获取果树叶部图像;对于果树叶部图像获取主边缘、次边缘以及树叶轮廓边缘;获取区域及若干连通域,获取连通域的若干匹配直线,根据匹配直线上每个像素点的灰度值获取匹配直线的叶片表面平整度,根据匹配直线的斜率、长度和叶片表面平整度获取连通域的叶茎分叉走势曲折度;获取根部点,根据根部点与所有连通域之间的距离、偏移角的角度以及叶茎分叉走势曲折度获取区域的病害系数,根据区域的病害系数获取树叶的叶片病害程度;根据叶片病害程度完成花叶病的分析检测。本发明考虑多个特征提高花叶病检测精度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于边缘检测的果树叶部花叶病分析方法。
背景技术
由于气候、地理位置的不同,种植的产物会受到各种各样的影响。其中,除了自然灾害无法避免,病害是对农作物伤害也特别巨大。如果没有及时对病害采取干预措施,轻则导致落叶落果,重则会导致整株枯死,甚至会对当年的收成造成影响。所以,实时分析检测农作物病害情况的重要性不容小觑。
果树在我国的产量较多,且其经常发生病害,导致果实的产量大大减少。在这些病害中,花叶病是世界性病毒病害,其为传染性急病,如果不及时采取措施,经过叶片摩擦以及翅蚜虫传毒,就会使得周围植物传染病害。
目前果树叶部花叶病情况在使用图像处理方法进行分析检测时,容易受到背景因素的影响,且叶部病害情况与其他干扰物体比较相似,导致检测花叶病的精度较低。
发明内容
本发明提供一种基于边缘检测的果树叶部花叶病分析方法,以解决检测花叶病的精度较低的问题,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于边缘检测的果树叶部花叶病分析方法,该方法包括以下步骤:
获取果树叶部图像;
对于果树叶部图像使用边缘检测获取主边缘、次边缘以及树叶轮廓边缘;根据主边缘获取第一区域和第二区域,对于每个区域获取若干连通域,对所得到的边缘分析获取每个连通域的第一曲线和第二曲线,根据第一曲线和第二曲线获取匹配直线,根据匹配直线上每个像素点的灰度值以及最大灰度值和最小灰度值的差异获取匹配直线的叶片表面平整度,根据所有匹配直线的斜率、长度和叶片表面平整度获取连通域的叶茎分叉走势曲折度;
获取树叶轮廓边缘上的根部点,对于每个区域,根据根部点与所有连通域之间的距离、连通域之间的偏移角的角度以及连通域的叶茎分叉走势曲折度获取每个区域的病害系数,根据第一区域和第二区域的病害系数获取树叶的叶片病害程度;
根据树叶的叶片病害程度完成花叶病的分析检测。
优选的,所述主边缘、次边缘以及树叶轮廓边缘的获取方法为:
使用Canny算子进行边缘检测,将果树叶部图像中最***的边缘线记为树叶轮廓边缘,将两个端点在树叶轮廓边缘上的边缘线记为连接边缘线,将最长的连接边缘线记为主边缘,将连接主边缘和树叶轮廓边缘的边缘线记为次边缘。
优选的,所述根据主边缘获取第一区域和第二区域的方法为:
将树叶轮廓边缘内部的区域记为树叶区域,主边缘将树叶区域分为两份,面积大的一份为第一区域,面积小的一份为第二区域。
优选的,所述对所得到的边缘分析获取每个连通域的第一曲线和第二曲线的方法为:
在连通域内部首先排除树叶轮廓边缘,若连通域内部只存在两条边缘,此时两条边缘作为第一曲线和第二曲线,若连通域内部存在多条边缘,此时排除主边缘,将剩下的两条次边缘作为第一曲线和第二曲线,所述边缘只包括主边缘和次边缘。
优选的,所述根据第一曲线和第二曲线获取匹配直线的方法为:
将第一曲线和第二曲线使用DTW算法进行匹配,第一曲线中每个像素点与第二曲线中都有最少一个匹配点,将第一曲线像素点与其匹配的像素点构成一个匹配序列对,匹配序列对对应的两个像素点的连线记为匹配直线。
优选的,所述根据匹配直线上每个像素点的灰度值以及最大灰度值和最小灰度值的差异获取匹配直线的叶片表面平整度的方法为:
获取匹配直线上每个像素点的灰度值,选取其中的最大灰度值和最小灰度值,令最大灰度值和最小灰度值的差异作为匹配直线的灰度变化基准;
获取匹配直线上所有像素点的灰度值均值,将所有像素点的灰度值与灰度值均值的差异求和获取匹配直线的灰度差距系数;
令匹配直线的灰度变化基准为底数,灰度差距系数的负数为指数获取匹配直线的叶片表面平整度。
优选的,所述根据所有匹配直线的斜率、长度和叶片表面平整度获取连通域的叶茎分叉走势曲折度的方法为:
式中,表示第j条匹配直线的长度,/>表示所有匹配直线的长度均值,/>表示第j条匹配直线在第一曲线中的端点的斜率,/>表示第j条匹配直线在第二曲线中的端点的斜率,/>表示第j条匹配直线的叶片表面平整度,/>表示连通域内匹配直线的数量,/>表示连通域内的叶茎分叉走势曲折度。
优选的,所述根部点的获取方法为:
获取次边缘与树叶边缘轮廓的交点,计算主边缘两端端点分别与所述交点的欧氏距离,获取最大的欧氏距离,最大的欧氏距离对应的主边缘的端点记为根部点。
优选的,所述根据根部点与所有连通域之间的距离、连通域之间的偏移角的角度以及连通域的叶茎分叉走势曲折度获取每个区域的病害系数的方法为:
获取每个连通域的重心,将根部点与连通域的重心相连得到重心直线,重心直线的长度为重心距离,将相邻两条重心直线的斜率作差获取对应的两个连通域的偏移角的角度,令相邻两条重心直线的长度作差获取连通域之间的重心距离差异,获取所有连通域的偏移角的均值以及重心距离差异的均值,根据所有相邻连通域之间的偏移角角度、重心距离与均值的差异以及叶茎分叉走势曲折度获取区域的病害系数。
优选的,所述根据所有相邻连通域之间的偏移角角度、重心距离与均值的差异以及叶茎分叉走势曲折度获取区域的病害系数的方法为:
式中,表示第r个连通域与第r-1个连通域之间的偏移角的角度,/>表示所有偏移角角度的均值,/>表示第r个连通域与第r-1个连通域对应的重心距离的差异,/>表示所有连通域对应的重心距离的均值,/>表示第r个连通域的叶茎分叉走势曲折度,/>表示连通域的数量,/>表示病害系数。
本发明的有益效果是:本发明通过对果树叶部图像使用边缘检测提取不同的连通域,根据每个连通域的灰度特征和曲线特征获取连通域的叶茎分叉走势曲折度,叶茎分叉走势曲折度反应了叶片的弯曲程度,弯曲程度越大,叶片越有可能具有花叶病,通过对比叶片左右两侧的病害差异获取叶片病害程度,根据花叶病对叶片的影像特征通过推向分析的方法排除其余物体的干扰,使得花叶病的检测准确率大大提高。
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,下面将对实施例或现有技术描述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为本发明一个实施例所提供的一种基于边缘检测的果树叶部花叶病分析方法的流程示意图;
图2为树叶边缘检测示意图。
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。
请参阅图1,其示出了本发明一个实施例提供的一种基于边缘检测的果树叶部花叶病分析方法流程图,该方法包括以下步骤:
步骤S001,获取果树叶部图像。
将果树叶子平整放在桌面上,果树叶子的背面朝上,在果树叶子的上方侧面放置光源,通过CCD相机拍摄果树叶子正上方的图像,所采集的图像为RGB图像,将所采集的RGB图像使用加权灰度化转换获取灰度图像,并对灰度图像使用双边滤波算法对图像去噪,以此消除噪声的影响获取果树叶部图像。
至此,获取了果树叶部图像。
步骤S002,对于果树叶部图像使用边缘检测获取主边缘、次边缘以及树叶轮廓边缘;根据主边缘获取第一区域和第二区域,对于每个区域获取若干连通域,对所得到的边缘分析获取每个连通域的第一曲线和第二曲线,根据第一曲线和第二曲线获取匹配直线,根据匹配直线上每个像素点的灰度值以及最大灰度值和最小灰度值的差异获取匹配直线的叶片表面平整度,根据所有匹配直线的斜率、长度和叶片表面平整度获取连通域的叶茎分叉走势曲折度。
果树叶部发生花叶病病害时,果树叶部表面会出现凹凸变形,在果树叶部图像中表现出叶部颜色分布不均匀;同时一些严重的花叶病会使得叶部边缘出现卷边,在果树叶部图像中表现为边缘出现凹凸圆滑形状,而不是正常情况下光滑的弧形;且叶茎的分叉之间会变得不均匀。
因此,使用Canny算子对果树叶部图像进行边缘检测,将果树叶部图像中最***的边缘线记为树叶轮廓边缘,而果树叶子中会存在一条主叶茎,主叶茎在树叶轮廓边缘内部,主叶茎所对应的边缘线的两个端点在树叶轮廓边缘上,且两个端点在树叶轮廓边缘线上的边缘线中长度最大的边缘线为主边缘,即主叶茎对应的边缘为主边缘,将连接主边缘和树叶轮廓边缘的边缘线记为次边缘,获取的边缘检测结果如图2所示。
对此时的边缘检测图像使用连通域分析获取若干连通域,主边缘将果树叶部分为了两个部分,分别记为第一区域和第二区域,其中第一区域的面积大于第二区域,由于第一区域和第二区域的操作方法相同,因此本实施例以第一区域为例进行叙述。
在每个连通域中,由于病害导致叶部表面出现凹凸变形,在果树叶部图像中表现出叶部颜色分布不均匀,即在一个连通域内像素点的灰度值也会有较大差异,对于获取的每个连通域,令每个连通域的轮廓边缘中属于树叶轮廓边缘和主边缘的边缘线排除,将剩余的两条边缘线作为每个连通域的左侧边缘和右侧边缘,若连通域的轮廓边缘中排除树叶轮廓边缘和主边缘后不足两条边缘线,那么只排除树叶轮廓边缘,保留主边缘与次边缘构成左侧边缘和右侧边缘。
将左侧边缘和右侧边缘记为第一曲线和第二曲线,并使用DTW算法进行匹配,得到第一曲线和第二曲线上每个像素点的匹配像素点,将像素点和其匹配像素点构成一个匹配序列对,为了表征连通域内的树叶的凹凸变化程度,可以通过对连通域内所有的匹配序列对分析灰度变化。
令连通域内每个匹配序列对对应的两个像素点相连得到匹配直线,获取匹配直线中每个像素点的灰度值,挑选出匹配直线上的最大灰度值和最小灰度值,令获取的最大灰度值和最小灰度值作差得到匹配直线的灰度变化基准系数。灰度变化基准系数越大,表示该直线上灰度的变化越大,越有可能出现树叶凹凸的情况,树叶凹凸现象越严重,则说明花叶病越严重。
对于每个匹配直线,计算匹配直线上所有像素点的灰度均值,根据匹配直线上每个像素点的灰度值以及匹配直线上像素点的灰度均值获取匹配直线的灰度差距系数,公式如下:
式中,表示匹配直线上第i个像素点的灰度值,/>表示匹配直线上像素点的灰度均值,/>表示匹配直线上的像素点个数,/>表示匹配直线的灰度差距系数。直线上每个像素点的灰度值与灰度均值的差值累加和越大,表示匹配直线上像素点灰度值变化浮动较大,灰度值变化浮动越大,树叶的凸凹现象越严重,花叶病越严重。
根据所得到的每个匹配直线的灰度变化基准系数和灰度差距系数构建每个匹配直线的叶片表面平整度,公式如下:
式中,表示匹配直线的灰度变化基准系数,/>表示匹配直线的灰度差距系数,/>表示每个匹配直线的叶片表面平整度。叶片表面平整度/>表示匹配直线表现出凹凸变形的花叶病病害特征。/>越小,表示该直线处花叶病较严重。
如果发生花叶病,在该连通域内不仅叶片表面凹凸度出现差异,构成该连通域的两条边缘之间对应的匹配对的距离和斜率也及其不规律,同时叶片平整度即叶片表面凹凸程度,也会影响叶茎分叉之间的分布。
获取连通域内每条匹配直线的长度及匹配序列对对应的两个像素点之间的欧氏距离,获取连通域内所有匹配直线的长度的均值,获取第一曲线和第二曲线上每个像素点处的斜率,根据所有匹配序列对对应的两个像素点的斜率差异、匹配序列对对应的匹配直线的长度以及叶片表面平整度获取连通域内的叶茎分叉走势曲折度,公式如下:
式中,表示第j条匹配直线的长度,/>表示所有匹配直线的长度均值,/>表示第j条匹配直线在第一曲线中的端点的斜率,/>表示第j条匹配直线在第二曲线中的端点的斜率,/>表示第j条匹配直线的叶片表面平整度,/>表示连通域内匹配直线的数量,/>表示连通域内的叶茎分叉走势曲折度。
其中叶片表面平整度越小说明凹凸现象越明显,而凹凸现象会导致连通域变形,因此叶片表面平整度越小说明连通域越不规则,匹配直线的长度变化越大说明连通域越不规则,匹配直线两端的像素点的斜率差异越大,说明两条边缘弯曲程度差异越大,表明连通域越不规则,连通域越不规则,连通域的叶茎分叉走势曲折度越大。
至此,获取了每个连通域的叶茎分叉走势曲折度。
步骤S003,获取树叶轮廓边缘上的根部点,对于每个区域,根据根部点与所有连通域之间的距离、连通域之间的偏移角的角度以及连通域的叶茎分叉走势曲折度获取每个区域的病害系数,根据第一区域和第二区域的病害系数获取树叶的叶片病害程度。
若发生了花叶病,那么相邻连通域之间也会存在较大的差异;由于树叶基本呈现出上窄下宽的形状,且树叶内的叶脉从底到头慢慢会变短,基于此获取叶茎根部的像素点;获取果树叶部图像中所有的次边缘,获取次边缘与树叶边缘轮廓的交点,计算叶茎两端端点分别与这些交点的欧氏距离,获取最大距离,最大距离对应的叶茎端点即为叶茎根部的像素点记为根部点。
获取果树叶部图像中所有的连通域的重心点,将根部点与每个连通域的重心点相连得到重心直线,获取根部点和每个连通域的重心点欧氏距离记为重心距离,将相邻两条重心直线上的夹角记为偏移角,获取每个偏移角的角度,偏移角的角度通过构成其的两条重心直线的斜率作差得到,获取所有偏移角的角度的均值,根据相邻连通域的偏移角的角度、连通域重心距离的差异以及连通域叶茎分叉走势曲折度的差异获取病害系数,公式如下:
式中,表示第r个连通域与第r-1个连通域之间的偏移角的角度,/>表示所有偏移角角度的均值,/>表示第r个连通域与第r-1个连通域对应的重心距离的差异,/>表示所有连通域对应的重心距离的均值,/>表示第r个连通域的叶茎分叉走势曲折度,/>表示连通域的数量,/>表示病害系数。
若两个连通域之间的偏移角与偏移角的均值相差较大,那么说明两个连通域之间存在位置变化,可能是由于树叶的凹凸造成的,同理,若两个连通域之间的重心距离的差异与均值相差过大,则说明两个连通域的分布不均匀可能是由于树叶凹凸造成的,而连通域的叶茎分叉走势曲折度反应了连通域的形状规则与否,若该值越大说明连通域形状越不规则,树叶越有可能出现凹凸,因此式中项式越大,越容易存在花叶病。
上述获取了第一区域的病害系数,使用同样的方式获取第二区域的病害系数,根据第一区域和第二区域的病害系数获取叶片病害程度,公式如下:
式中,表示第一区域的病害系数,/>表示第二区域的病害系数,/>表示叶片病害程度。
通过计算来表征左右两边叶子之间的差异,来影响整片叶子的病害程度。/>越大,即左右两片叶子的平均病害程度越大,同时左右两片叶子病害程度差距越大,越能说明叶片患花叶病病害程度越大。
至此,获取了树叶的叶片病害程度。
步骤S004,根据树叶的叶片病害程度完成花叶病的分析检测。
获取大量训练数据使用VGG神经网络,人为将树叶进行打标,将存在花叶病的树叶标记为1,不存在花叶病的树叶标记为0,神经网络的输入为树叶的叶片病害程度,输出为是否存在花叶病,所使用的损失函数为交叉熵损失函数,训练完成神经网络后,获取每个树叶的叶片病害程度,输入到神经网络中完成果树叶部花叶病的分析检测。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (4)
1.一种基于边缘检测的果树叶部花叶病分析方法,其特征在于,该方法包括以下步骤:
获取果树叶部图像;
对于果树叶部图像使用边缘检测获取主边缘、次边缘以及树叶轮廓边缘;根据主边缘获取第一区域和第二区域,对于每个区域获取若干连通域,对所得到的边缘分析获取每个连通域的第一曲线和第二曲线,根据第一曲线和第二曲线获取匹配直线,根据匹配直线上每个像素点的灰度值以及最大灰度值和最小灰度值的差异获取匹配直线的叶片表面平整度,根据所有匹配直线的斜率、长度和叶片表面平整度获取连通域的叶茎分叉走势曲折度;
获取树叶轮廓边缘上的根部点,对于每个区域,根据根部点与所有连通域之间的距离、连通域之间的偏移角的角度以及连通域的叶茎分叉走势曲折度获取每个区域的病害系数,根据第一区域和第二区域的病害系数获取树叶的叶片病害程度;
根据树叶的叶片病害程度完成花叶病的分析检测;
所述对所得到的边缘分析获取每个连通域的第一曲线和第二曲线的方法为:
在连通域内部首先排除树叶轮廓边缘,若连通域内部只存在两条边缘,此时两条边缘作为第一曲线和第二曲线,若连通域内部存在多条边缘,此时排除主边缘,将剩下的两条次边缘作为第一曲线和第二曲线,所述边缘只包括主边缘和次边缘;
所述根据第一曲线和第二曲线获取匹配直线的方法为:
将第一曲线和第二曲线使用DTW算法进行匹配,第一曲线中每个像素点与第二曲线中都有最少一个匹配点,将第一曲线像素点与其匹配的像素点构成一个匹配序列对,匹配序列对对应的两个像素点的连线记为匹配直线;
所述根据匹配直线上每个像素点的灰度值以及最大灰度值和最小灰度值的差异获取匹配直线的叶片表面平整度的方法为:
获取匹配直线上每个像素点的灰度值,选取其中的最大灰度值和最小灰度值,令最大灰度值和最小灰度值的差异作为匹配直线的灰度变化基准;
获取匹配直线上所有像素点的灰度值均值,将所有像素点的灰度值与灰度值均值的差异求和获取匹配直线的灰度差距系数;
令匹配直线的灰度变化基准为底数,灰度差距系数的负数为指数获取匹配直线的叶片表面平整度;
所述根据所有匹配直线的斜率、长度和叶片表面平整度获取连通域的叶茎分叉走势曲折度的方法为:
式中,表示第j条匹配直线的长度,/>表示所有匹配直线的长度均值,/>表示第j条匹配直线在第一曲线中的端点的斜率,/>表示第j条匹配直线在第二曲线中的端点的斜率,/>表示第j条匹配直线的叶片表面平整度,/>表示连通域内匹配直线的数量,/>表示连通域内的叶茎分叉走势曲折度;
所述根据根部点与所有连通域之间的距离、连通域之间的偏移角的角度以及连通域的叶茎分叉走势曲折度获取每个区域的病害系数的方法为:
获取每个连通域的重心,将根部点与连通域的重心相连得到重心直线,重心直线的长度为重心距离,将相邻两条重心直线的斜率作差获取对应的两个连通域的偏移角的角度,令相邻两条重心直线的长度作差获取连通域之间的重心距离差异,获取所有连通域的偏移角的均值以及重心距离差异的均值,根据所有相邻连通域之间的偏移角角度、重心距离与均值的差异以及叶茎分叉走势曲折度获取区域的病害系数;
所述根据所有相邻连通域之间的偏移角角度、重心距离与均值的差异以及叶茎分叉走势曲折度获取区域的病害系数的方法为:
式中,表示第r个连通域与第r-1个连通域之间的偏移角的角度,/>表示所有偏移角角度的均值,/>表示第r个连通域与第r-1个连通域对应的重心距离的差异,/>表示所有连通域对应的重心距离的均值,/>表示第r个连通域的叶茎分叉走势曲折度,/>表示连通域的数量,/>表示病害系数。
2.根据权利要求1所述的一种基于边缘检测的果树叶部花叶病分析方法,其特征在于,所述主边缘、次边缘以及树叶轮廓边缘的获取方法为:
使用Canny算子进行边缘检测,将果树叶部图像中最***的边缘线记为树叶轮廓边缘,将两个端点在树叶轮廓边缘上的边缘线记为连接边缘线,将最长的连接边缘线记为主边缘,将连接主边缘和树叶轮廓边缘的边缘线记为次边缘。
3.根据权利要求1所述的一种基于边缘检测的果树叶部花叶病分析方法,其特征在于,所述根据主边缘获取第一区域和第二区域的方法为:
将树叶轮廓边缘内部的区域记为树叶区域,主边缘将树叶区域分为两份,面积大的一份为第一区域,面积小的一份为第二区域。
4.根据权利要求1所述的一种基于边缘检测的果树叶部花叶病分析方法,其特征在于,所述根部点的获取方法为:
获取次边缘与树叶边缘轮廓的交点,计算主边缘两端端点分别与所述交点的欧氏距离,获取最大的欧氏距离,最大的欧氏距离对应的主边缘的端点记为根部点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410303304.9A CN117893541B (zh) | 2024-03-18 | 2024-03-18 | 一种基于边缘检测的果树叶部花叶病分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410303304.9A CN117893541B (zh) | 2024-03-18 | 2024-03-18 | 一种基于边缘检测的果树叶部花叶病分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117893541A CN117893541A (zh) | 2024-04-16 |
CN117893541B true CN117893541B (zh) | 2024-05-28 |
Family
ID=90641684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410303304.9A Active CN117893541B (zh) | 2024-03-18 | 2024-03-18 | 一种基于边缘检测的果树叶部花叶病分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893541B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004272313A (ja) * | 2003-03-05 | 2004-09-30 | Ricoh Co Ltd | 画像解析装置 |
KR20160049117A (ko) * | 2014-10-24 | 2016-05-09 | 주식회사 포스코 | 후판 표면의 깊이 결함 및 형태 결함 탐상 장치 및 방법 |
AU2020103131A4 (en) * | 2020-10-30 | 2021-01-07 | Nanjing Forestry University | Leaf surface reconstruction and physically based deformation simulation based on the point cloud data |
CN113989689A (zh) * | 2021-11-29 | 2022-01-28 | 沈阳农业大学 | 一种基于无人机的农作物病虫害识别方法及*** |
EP3989161A1 (en) * | 2020-10-23 | 2022-04-27 | Tata Consultancy Services Limited | Method and system for leaf age estimation based on morphological features extracted from segmented leaves |
CN115908371A (zh) * | 2022-12-14 | 2023-04-04 | 南京信息工程大学 | 基于优化分割的植物叶片病虫害程度检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN116563295A (zh) * | 2023-07-12 | 2023-08-08 | 无锡康贝电子设备有限公司 | 一种切削屑缠绕状态视觉检测方法 |
CN116563282A (zh) * | 2023-07-10 | 2023-08-08 | 东莞市博思特数控机械有限公司 | 一种基于机器视觉的钻削刀具检测方法及*** |
CN116664557A (zh) * | 2023-07-28 | 2023-08-29 | 无锡市明通动力工业有限公司 | 一种风机叶片表面缺陷视觉检测方法 |
CN116740054A (zh) * | 2023-08-08 | 2023-09-12 | 天筛(聊城)生物科技有限公司 | 一种基于图像处理的舌象齿痕检测方法 |
CN116824516A (zh) * | 2023-08-30 | 2023-09-29 | 中冶路桥建设有限公司 | 一种涉路施工安全监测及管理*** |
CN116958572A (zh) * | 2023-09-18 | 2023-10-27 | 济宁市林业保护和发展服务中心 | 一种果树繁育中叶片病虫害区域分析方法 |
CN117152137A (zh) * | 2023-10-30 | 2023-12-01 | 江苏高特高金属科技有限公司 | 基于图像处理的焊管腐蚀状态检测方法 |
WO2024040856A1 (zh) * | 2022-08-24 | 2024-02-29 | 广东拓斯达科技股份有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
CN117689659A (zh) * | 2024-02-02 | 2024-03-12 | 深圳市未尔科技有限公司 | 一种基于平板电子产品的生产质量监控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI435234B (zh) * | 2011-11-24 | 2014-04-21 | Inst Information Industry | Plant disease identification method, system and record media |
-
2024
- 2024-03-18 CN CN202410303304.9A patent/CN117893541B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004272313A (ja) * | 2003-03-05 | 2004-09-30 | Ricoh Co Ltd | 画像解析装置 |
KR20160049117A (ko) * | 2014-10-24 | 2016-05-09 | 주식회사 포스코 | 후판 표면의 깊이 결함 및 형태 결함 탐상 장치 및 방법 |
EP3989161A1 (en) * | 2020-10-23 | 2022-04-27 | Tata Consultancy Services Limited | Method and system for leaf age estimation based on morphological features extracted from segmented leaves |
AU2020103131A4 (en) * | 2020-10-30 | 2021-01-07 | Nanjing Forestry University | Leaf surface reconstruction and physically based deformation simulation based on the point cloud data |
CN113989689A (zh) * | 2021-11-29 | 2022-01-28 | 沈阳农业大学 | 一种基于无人机的农作物病虫害识别方法及*** |
WO2024040856A1 (zh) * | 2022-08-24 | 2024-02-29 | 广东拓斯达科技股份有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN115908371A (zh) * | 2022-12-14 | 2023-04-04 | 南京信息工程大学 | 基于优化分割的植物叶片病虫害程度检测方法 |
CN116563282A (zh) * | 2023-07-10 | 2023-08-08 | 东莞市博思特数控机械有限公司 | 一种基于机器视觉的钻削刀具检测方法及*** |
CN116563295A (zh) * | 2023-07-12 | 2023-08-08 | 无锡康贝电子设备有限公司 | 一种切削屑缠绕状态视觉检测方法 |
CN116664557A (zh) * | 2023-07-28 | 2023-08-29 | 无锡市明通动力工业有限公司 | 一种风机叶片表面缺陷视觉检测方法 |
CN116740054A (zh) * | 2023-08-08 | 2023-09-12 | 天筛(聊城)生物科技有限公司 | 一种基于图像处理的舌象齿痕检测方法 |
CN116824516A (zh) * | 2023-08-30 | 2023-09-29 | 中冶路桥建设有限公司 | 一种涉路施工安全监测及管理*** |
CN116958572A (zh) * | 2023-09-18 | 2023-10-27 | 济宁市林业保护和发展服务中心 | 一种果树繁育中叶片病虫害区域分析方法 |
CN117152137A (zh) * | 2023-10-30 | 2023-12-01 | 江苏高特高金属科技有限公司 | 基于图像处理的焊管腐蚀状态检测方法 |
CN117689659A (zh) * | 2024-02-02 | 2024-03-12 | 深圳市未尔科技有限公司 | 一种基于平板电子产品的生产质量监控方法 |
Non-Patent Citations (1)
Title |
---|
普通光照下叶片图像特征信息抽取;赵方;石晟;闫民;;计算机工程与应用;20150531(第05期);160-170 * |
Also Published As
Publication number | Publication date |
---|---|
CN117893541A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
CN112435239B (zh) | 基于MRE-PointNet和自编码器模型的绿萝叶片外形参数估测方法 | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN110827306B (zh) | 基于自适应密度峰值聚类的紫色土图像分割提取方法 | |
CN110705468B (zh) | 基于图像分析的眼动范围识别方法和*** | |
CN113298777A (zh) | 一种基于颜色特征和超像素聚类的棉花叶枯病检测方法及*** | |
CN109408909B (zh) | 一种三维粗糙表面微凸体拟合方法 | |
CN112907545B (zh) | 基于图像处理的种子芽长与根长检测方法 | |
CN110793462B (zh) | 基于视觉技术的尼龙齿轮分度圆测量方法 | |
CN110751029B (zh) | 基于最大曲率自适应指静脉纹路提取方法 | |
CN115937151B (zh) | 一种作物叶片卷曲程度的判定方法 | |
CN114838664B (zh) | 一种基于黑皮鸡枞菌的菌盖尺寸原位测量方法 | |
CN106683098B (zh) | 一种重叠叶片图像的分割方法 | |
CN111145205B (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
CN115082477A (zh) | 一种基于去反光效果的半导体晶圆加工质量检测方法 | |
CN117893541B (zh) | 一种基于边缘检测的果树叶部花叶病分析方法 | |
CN116596879A (zh) | 基于边界样本分位数的葡萄霜霉病自适应识别方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN115393418A (zh) | 一种基于三维点云图像的马尾松部分表型参数自动测量方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN116823820B (zh) | 一种铝碳质整体塞棒轮廓弯曲检测方法 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN108447038A (zh) | 一种基于非局部全变分算子的网格去噪方法 | |
CN104764402B (zh) | 柑橘体积的视觉检测方法 |
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 |