CN117935068B - 一种农作物疾病分析方法与分析*** - Google Patents
一种农作物疾病分析方法与分析*** Download PDFInfo
- Publication number
- CN117935068B CN117935068B CN202410339267.7A CN202410339267A CN117935068B CN 117935068 B CN117935068 B CN 117935068B CN 202410339267 A CN202410339267 A CN 202410339267A CN 117935068 B CN117935068 B CN 117935068B
- Authority
- CN
- China
- Prior art keywords
- sub
- feature
- characteristic
- feature objects
- objects
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 50
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000015654 memory Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 23
- 238000000926 separation method Methods 0.000 claims description 18
- 230000004075 alteration Effects 0.000 claims description 11
- 230000000875 corresponding effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000012907 on board imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种农作物疾病分析方法与分析***,方法包括响应于获取到的指令,对指令指向的区域进行图像采集,得到图像组;识别待处理图像中的特征对象,并将特征对象从待处理图像中分离;对特征对象进行分解,得到多个子特征对象,并对子特征对象进行分组;统计子特征对象的特征参数并根据特征参数对子特征对象进行分组;比较每组中任意两个子特征对象的相似度并根据相似度结果对一组中的子特征对象进行二次分组和赋予标签以及统计指令指向区域的每一个特征对象的标签数量。本申请公开的农作物疾病分析方法与分析***,可以通过区域性的群体性分析与个体差异分析来对该区域内的农作物疾病情况进行判断,用以提高病害早期检测的发现概率。
Description
技术领域
本申请涉及数据处理技术领域,尤其是涉及一种农作物疾病分析方法与分析***。
背景技术
载有多光谱和高光谱相机的机载成像***已被广泛应用于农作物病害地图的检测与绘制工作,在实验室内,已经成功的对多种农作物的病害建立了判断模型并使用图片影像对判断模型进行了针对性训练,使判断模型具有了很高的判断率。
但是在实际的应用过程中发现,该种方式仍然存在一定的缺陷,例如实验室使用的图片影像在质量方面具有一定的要求,同时在距离、光照等实际影响参数会直接影响判断结果。在实际的种植场地得到的图像,目前的判断方式依然存在缺陷。
对于病害的早期检测仍然存在挑战,因为此时的性状表现不明显,依靠中后期的表现难以发现前期病害,尽管机载成像和卫星图像都已成功应用于检测和绘制众多作物的病害地图,在大多数情况下,当作物的病害症状在遥感影像中显示出来时,损害可能早已经发生。若病害发现得足够早,便可以及时采取防治措施以减少对作物的进一步损害;但对于部分作物而言,在当前生长季节再去阻止其感染的传播可能为时已晚。
另外,随着判断模型数量的增加,判断模型的经济价值也在受到挑战,因为在实际的使用过程中,难以针对每一类农作物的每一种病害都建立判断模型,这种方式得到判断模型在普适性上存在欠缺。
发明内容
本申请提供一种农作物疾病分析方法与分析***,可以通过区域性的群体性分析与个体差异分析来对该区域内的农作物疾病情况进行判断,用以提高病害早期检测的发现概率。
本申请的上述目的是通过以下技术方案得以实现的:
第一方面,本申请提供了一种农作物疾病分析方法,包括:
响应于获取到的指令,对指令指向的区域进行图像采集,得到图像组,图像组中包括多张图像;
根据图像的生成位置对图像进行裁切,得到待处理图像,同一个图像组中的任意两张待处理图像的对应区域不重合;
识别待处理图像中的特征对象,并将特征对象从待处理图像中分离;
对特征对象进行分解,得到多个子特征对象,并对子特征对象进行分组;
比较每组中任意两个子特征对象的相似度并根据相似度结果对一组中的子特征对象进行二次分组和赋予标签;以及
统计指令指向区域的每一个特征对象的标签数量。
在第一方面的一种可能的实现方式中,对特征对象进行分解包括:
描绘特征对象的外形轮廓,外形轮廓为一条封闭曲线;
确定外形轮廓的中心区域;
描绘特征对象的特征轮廓并根据中心区域对特征轮廓进行分割,得到多个子特征轮廓,每一个子特征轮廓对应一个子特征对象。
在第一方面的一种可能的实现方式中,还包括:
在外形轮廓上随机选取多个判断点;
使用任意两个判断点构建线段并在线段上间隔得到距离值组;
根据距离值组的变化趋势调整线段任意一端的判断点并对线段进行重构,变化趋势包括趋于增加和趋于减小;以及
得到多个线段的交点区域并将交点区域作为外形轮廓的中心区域;
其中,外形轮廓的中心区域的数量至少为一个。
在第一方面的一种可能的实现方式中,对子特征对象进行分组包括:
确定子特征对象的对称线并确定对称线的高度变化趋势;
根据高度变化趋势对子特征对象进行分组,归属于同一类的子特征对象的对称线的高度变化趋势相同;
其中,子特征对象的对称线指向外形轮廓的中心区域;
属于同一类的子特征对象的对称线的长度在要求区间范围内。
在第一方面的一种可能的实现方式中,子特征对象的相似度包括色差和边缘整齐度。
在第一方面的一种可能的实现方式中,得到子特征对象的相似度中的色差包括:
将两个子特征对象进行重合处理,得到重合区域,同时移动两个子特征对象中的任意一个,使重合区域的面积最大;
计算每一个像素点上的两个像素值的差值,差值包括正差值与负差值;
将正差值数量与负差值数量之和作为子特征对象的色差。
在第一方面的一种可能的实现方式中,得到子特征对象的相似度中的边缘整齐度包括:
得到子特征对象的边缘轮廓;
将子特征对象的边缘轮廓分段,得到多个子边缘轮廓分段,每个子边缘轮廓分段的长度相同;
计算子边缘轮廓分段的分离度,分离度的计算方式为使用子边缘轮廓分段的两端建立标准线段,在子边缘轮廓分段上随机选取多个点并计算每一个点到标准线段的最小直线距离;
将子边缘轮廓分段的分离度累加后得到子特征对象的相似度中的边缘整齐度。
第二方面,本申请提供了一种农作物疾病分析装置,包括:
图像采集单元,用于响应于获取到的指令,对指令指向的区域进行图像采集,得到图像组,图像组中包括多张图像;
图像裁切单元,用于根据图像的生成位置对图像进行裁切,得到待处理图像,同一个图像组中的任意两张待处理图像的对应区域不重合;
识别与分离单元,用于识别待处理图像中的特征对象,并将特征对象从待处理图像中分离;
分解单元,用于对特征对象进行分解,得到多个子特征对象,并对子特征对象进行分组;
第一处理单元,用于比较每组中任意两个子特征对象的相似度并根据相似度结果对一组中的子特征对象进行二次分组和赋予标签;以及
统计单元,用于统计指令指向区域的每一个特征对象的标签数量。
第三方面,本申请提供了一种农作物疾病分析***,所述***包括:
一个或多个存储器,用于存储指令;以及
一个或多个处理器,用于从所述存储器中调用并运行所述指令,执行,如第一方面及第一方面任意可能的实现方式中所述的方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质包括:
程序,当所述程序被处理器运行时,第一方面及第一方面任意可能的实现方式中所述的方法被执行。
第五方面,本申请提供了一种计算机程序产品,包括程序指令,当所述程序指令被计算设备运行时,如第一方面及第一方面任意可能的实现方式中所述的方法被执行。
第六方面,本申请提供了一种芯片***,该芯片***包括处理器,用于实现上述各方面中所涉及的功能,例如,生成,接收,发送,或处理上述方法中所涉及的数据和/或信息。
该芯片***,可以由芯片构成,也可以包括芯片和其他分立器件。
在一种可能的设计中,该芯片***还包括存储器,该存储器,用于保存必要的程序指令和数据。该处理器和该存储器可以解耦,分别设置在不同的设备上,通过有线或者无线的方式连接,或者处理器和该存储器也可以耦合在同一个设备上。
本申请的有益效果为:
本申请公开的农作物疾病分析方法与分析***,可以通过区域性的群体性分析来发现异常的个体,然后判断该区域是否发生了疾病,这种方式能够在疾病出现的早期发现患病植株,使得介入手段可以尽早介入
附图说明
图1是本申请提供的一种农作物疾病分析方法的步骤流程示意框图。
图2是本申请提供的一种进行图像采集的示意图。
图3是本申请提供的一种建立线段的过程示意图。
图4是本申请提供的一种得到距离值组的过程示意图。
图5是本申请提供的一种计算像素点上的两个像素值的差值的过程示意图。
图6是本申请提供的一种计算子边缘轮廓分段的分离度的原理性示意图。
具体实施方式
以下结合附图,对本申请中的技术方案作进一步详细说明。
本申请公开了一种农作物疾病分析方法,在一些例子中,请参阅图1,本申请公开的农作物疾病分析方法包括如下步骤:
S101,响应于获取到的指令,对指令指向的区域进行图像采集,得到图像组,图像组中包括多张图像;
S102,根据图像的生成位置对图像进行裁切,得到待处理图像,同一个图像组中的任意两张待处理图像的对应区域不重合,如2所示;
S103,识别待处理图像中的特征对象,并将特征对象从待处理图像中分离;
S104,对特征对象进行分解,得到多个子特征对象,并对子特征对象进行分组;
S105,比较每组中任意两个子特征对象的相似度并根据相似度结果对一组中的子特征对象进行二次分组和赋予标签;以及
S106,统计指令指向区域的每一个特征对象的标签数量。
本申请公开的农作物疾病分析方法,需要借助无人机等小型飞行设备来获取图像,获取到的图像发送到服务器进行分析,在本申请中,无人机和服务器作为一个整体,统一称为分析***。
在步骤S101中,根据收到的指令,分析***对指令指向的区域进行图像采集,得到图像组,图像组中包括多张图像,此处指令指向的区域参考图2中的种植区。
得到的图像在步骤S102中进行处理,在步骤S102中,会根据图像的生成位置对图像进行裁切,得到待处理图像,同一个图像组中的任意两张待处理图像的对应区域不重合。
应理解,张图像对应的区域与分析***的所在高度正相关,但是从图像质量上而言,靠近分析***位置处的图像质量高,反之则图像质量低,因为随着距离的增加,图像失真情况会愈发严重。为了解决该问题,本申请使用对图像进行裁切的处理方式来解决,分析***移动到拍摄位置时,拍摄图像,然后根据位置和尺寸对拍摄得到的图像进行裁切。
在步骤S103中,识别待处理图像中的特征对象,并将特征对象从待处理图像中分离,此处的特征对象指的是农作物。然后在步骤S104中,对特征对象进行分解,得到多个子特征对象,子特征对象指的是农作物上的各个部分,例如茎、叶等部分,得到多个子特征对象后,还需要对子特征对象进行分组,分组的目的是将同一类的子特征对象归集,然后再进行对比。
在步骤S105中,比较每组中任意两个子特征对象的相似度并根据相似度结果对一组中的子特征对象进行二次分组和赋予标签,此处的二次分组,是将归属于同一类的子特征对象进行再次划分,将具有一些共同特征的子特征对象分入到一个组中。
此处以叶子为例,步骤S104中的内容,是将全部的叶子放入到一个分组中,而在步骤S105中,则是将一些具有共同特征的叶子放入到一个组中,此时可能得到三个分组,也可能得到四个分组,分组的数量并不确定。赋予标签则是根据二次分组的结果来确定,该部分内容在后续内容中再进行介绍。
最后在步骤S106中,统计指令指向区域的每一个特征对象的标签数量,该步骤中统计的内容是指令(步骤S101中)指向区域的特征对象的标签数量,例如此时的特征对象是十个,在前述内容中对于二次分组后的子特征对象,会赋予标签,这些携带有标签的子特征对象与特征对象有直接的关联关系,因此可以据此得到特征对象的标签数量。
一个特征对象携带的标签数量越多,说明该特征对象患有疾病的概率越大,此处的疾病主要是疾病的早期性状表现。
整体而言,本申请提供的农作物疾病分析方法,通过对一个区域内的农作物的整体性分析和个体之间的对比分析来发现异常个体,该种方式的优势在于避免了针对于每一种农作物的每一种疾病都建立分析模型,具有更好的普适性。
同时对于处理过程的图像进行了约束,具有更高的准确性,能够在初期发现具有疾病或者疑似疾病的工作物,以便采取及时性的介入手段,将损失控制在有限范围内。
对特征对象进行分解的步骤如下:
S201,描绘特征对象的外形轮廓,外形轮廓为一条封闭曲线;
S202,确定外形轮廓的中心区域;
S203,描绘特征对象的特征轮廓并根据中心区域对特征轮廓进行分割,得到多个子特征轮廓,每一个子特征轮廓对应一个子特征对象。
具体而言,在步骤S201和步骤S202中,会首先确定特征对象的外形轮廓和中心区域,也就是特征对象的边缘和中心,确定特征对象的外形轮廓的目的是特征对象单独的进行分离,给后续的得到子特征对象确定明确范围。
在步骤S203中,如果子特征轮廓与中心区域之间具有明确的关系,也就是子特征对象可以延伸至外形轮廓的中心区域,那么该子特征轮廓就能够确定,当该种子特征轮廓确定后,对于剩余的特征轮廓,则会通过交点连线的方式进行分割。
具体的方式是首先确定剩余的特征轮廓上的交点(两条线段的交点),然后将交点与中心区域进行连接,得到分割线,最后将分割线作为该种子特征轮廓的边缘。
得到外形轮廓的中心区域的具体方式如下:
S301,在外形轮廓上随机选取多个判断点;
S302,使用任意两个判断点构建线段并在线段上间隔得到距离值组;
S303,根据距离值组的变化趋势调整线段任意一端的判断点并对线段进行重构,变化趋势包括趋于增加和趋于减小;以及
S304,得到多个线段的交点区域并将交点区域作为外形轮廓的中心区域;
其中,外形轮廓的中心区域的数量至少为一个。
在步骤S301至步骤S304中,是使用线段来确定外形轮廓的中心区域,具体的原理是通过建立线段(图3所示)和得到距离值组(图4所示)的方式来确定,因为对于农作物而言,存在中间部分高而边缘部分低的特点,通过构建多个线段并在线段上得到距离值(图4中的虚线)组的方式,可以确定该线段的变化趋势(包括趋于增加和趋于减小),在得到多个线段的前提下,可以将多个线段的交点区域并将交点区域作为外形轮廓的中心区域。
对子特征对象进行分组的步骤如下:
S401,确定子特征对象的对称线并确定对称线的高度变化趋势;
S402,根据高度变化趋势对子特征对象进行分组,归属于同一类的子特征对象的对称线的高度变化趋势相同;
其中,子特征对象的对称线指向外形轮廓的中心区域;
属于同一类的子特征对象的对称线的长度在要求区间范围内。
步骤S401和步骤S402中的内容是根据子特征对象的对称线的高度变化趋势来对子特征对象进行分组,这种分组方式的优势在于普适性,同时还要结合颜色和形状来进行基础分组,颜色和形状分组位于初始阶段,该阶段主要是将花、叶子等分开,花和叶子具有明显的颜色不同和形状不同。
但是对于叶子而言,存在病变的叶子和正常的叶子,其颜色和形状可能存在明显区别,此时就不能根据颜色和形状来进行分组,因为会导致分组错误。为了解决该问题,本申请使用对称线高度变化趋势的方式来解决。
子特征对象的对称线指向外形轮廓的中心区域,其高度变化有升高、降低和先升高后降低等多种情况,因此可以根据高度变化趋势对子特征对象进行分组。同时为了进一步提高分组的准确性,还需要对子特征对象的高度区域进行划分,因为叶子长度也会直接影响对称线的高度变化趋势。
步骤S105中的相似度,在本申请中包括色差和边缘整齐度,得到子特征对象的相似度中的色差的具体方式是:
将两个子特征对象进行重合处理,得到重合区域,同时移动两个子特征对象中的任意一个,使重合区域的面积最大;
计算每一个像素点上的两个像素值的差值,参考图5,差值包括正差值与负差值;
将正差值数量与负差值数量之和作为子特征对象的色差。
具体地说,就是将两个子特征对象重合,然后计算每一个像素点上的两个像素值的差值,差值有正差值与负差值两种,至于在重合是,需要子特征对象的对称线重合。
对于差值,有允许差值和异常差值两种,允许差值指的是在允许范围内的差值,此时的差值是正常的,或者说是在允许范围内的,不正常或者在允许范围外的就是异常差值。
该种情况中,对于赋予标签,指的就是子特征对象上存在颜色异常区域,甚至是更加明确的存在明确数量的颜色异常区域。在具体的过程中,一个颜色异常区域应当在多次的对比过程中均出现,至于出现次数,则需要根据灵敏度来具体设定。
对比过程中当两个子特征对象的长度不同时,则需要在一个位置对比完成后,再移动至下一个位置进行对比,直至两个子特征对象上的全部区域均参与到对比过程中,此时需要忽略子特征对象的对称线两侧的边缘区域。
该种对比方式的优势在于,不使用平均色差来作为色差,而是使用局部色差来作为色差。因为在疾病的初始阶段,色差可能以点的形式出现,这些点如果使用平均色差来计算,可能出现无法被发现的问题。
得到子特征对象的相似度中的边缘整齐度的具体方式如下:
得到子特征对象的边缘轮廓;
将子特征对象的边缘轮廓分段,得到多个子边缘轮廓分段,每个子边缘轮廓分段的长度相同;
计算子边缘轮廓分段的分离度,请参阅图6,分离度的计算方式为使用子边缘轮廓分段的两端建立标准线段,在子边缘轮廓分段上随机选取多个点并计算每一个点到标准线段的最小直线距离(图6中的虚线)。
将子边缘轮廓分段的分离度累加后得到子特征对象的相似度中的边缘整齐度。
具体而言就是将子特征对象的边缘轮廓分段后计算每一个子边缘轮廓分段的分离度,一把而言边缘轮廓分段应当是一段光滑的直线或者曲线,但是当农作物患有疾病时,叶子的边缘可能会出现变化。
此时再计算子边缘轮廓分段的分离度,得到的数值就会大于叶子在正常情况下对应位置处的子边缘轮廓分段的分离度。此时对于叶子的边缘,需要同时借助激光雷达来对叶子进行扫描,用来得到叶子的边缘数据。
至于边缘整齐度,是一个具体的数值,需要根据农作物的具体种类来给出。
本申请还提供了一种农作物疾病分析装置,包括:
图像采集单元,用于响应于获取到的指令,对指令指向的区域进行图像采集,得到图像组,图像组中包括多张图像;
图像裁切单元,用于根据图像的生成位置对图像进行裁切,得到待处理图像,同一个图像组中的任意两张待处理图像的对应区域不重合;
识别与分离单元,用于识别待处理图像中的特征对象,并将特征对象从待处理图像中分离;
分解单元,用于对特征对象进行分解,得到多个子特征对象,并对子特征对象进行分组;
第一处理单元,用于比较每组中任意两个子特征对象的相似度并根据相似度结果对一组中的子特征对象进行二次分组和赋予标签;以及
统计单元,用于统计指令指向区域的每一个特征对象的标签数量。
进一步地,还包括:
第一曲线处理单元,用于描绘特征对象的外形轮廓,外形轮廓为一条封闭曲线;
第二曲线处理单元,用于确定外形轮廓的中心区域;
第三曲线处理单元,用于描绘特征对象的特征轮廓并根据中心区域对特征轮廓进行分割,得到多个子特征轮廓,每一个子特征轮廓对应一个子特征对象。
进一步地,还包括:
第一选取单元,用于在外形轮廓上随机选取多个判断点;
第二处理单元,用于使用任意两个判断点构建线段并在线段上间隔得到距离值组;
第三处理单元,用于根据距离值组的变化趋势调整线段任意一端的判断点并对线段进行重构,变化趋势包括趋于增加和趋于减小;以及
第四处理单元,用于得到多个线段的交点区域并将交点区域作为外形轮廓的中心区域;
其中,外形轮廓的中心区域的数量至少为一个。
进一步地,还包括:
确定单元,用于确定子特征对象的对称线并确定对称线的高度变化趋势;
分组单元,用于根据高度变化趋势对子特征对象进行分组,归属于同一类的子特征对象的对称线的高度变化趋势相同;
其中,子特征对象的对称线指向外形轮廓的中心区域;
属于同一类的子特征对象的对称线的长度在要求区间范围内。
进一步地,子特征对象的相似度包括色差和边缘整齐度。
进一步地,还包括:
第五处理单元,用于将两个子特征对象进行重合处理,得到重合区域,同时移动两个子特征对象中的任意一个,使重合区域的面积最大;
第一计算单元,用于计算每一个像素点上的两个像素值的差值,差值包括正差值与负差值;
第一赋值单元,用于将正差值数量与负差值数量之和作为子特征对象的色差。
进一步地,还包括:
第六处理单元,用于得到子特征对象的边缘轮廓;
第七处理单元,用于将子特征对象的边缘轮廓分段,得到多个子边缘轮廓分段,每个子边缘轮廓分段的长度相同;
第二计算单元,用于计算子边缘轮廓分段的分离度,分离度的计算方式为使用子边缘轮廓分段的两端建立标准线段,在子边缘轮廓分段上随机选取多个点并计算每一个点到标准线段的最小直线距离;
第二赋值单元,用于将子边缘轮廓分段的分离度累加后得到子特征对象的相似度中的边缘整齐度。
在一个例子中,以上任一装置中的单元可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个专用集成电路(application specificintegratedcircuit,ASIC),或,一个或多个数字信号处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA),或这些集成电路形式中至少两种的组合。
再如,当装置中的单元可以通过处理元件调度程序的形式实现时,该处理元件可以是通用处理器,例如中央处理器(central processing unit,CPU)或其它可以调用程序的处理器。再如,这些单元可以集成在一起,以片上***(system-on-a-chip,SOC)的形式实现。
在本申请中可能出现的对各种消息/信息/设备/网元/***/装置/动作/操作/流程/概念等各类客体进行了赋名,可以理解的是,这些具体的名称并不构成对相关客体的限定,所赋名称可随着场景,语境或者使用习惯等因素而变更,对本申请中技术术语的技术含义的理解,应主要从其在技术方案中所体现/执行的功能和技术效果来确定。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
还应理解,在本申请的各个实施例中,第一、第二等只是为了表示多个对象是不同的。例如第一时间窗和第二时间窗只是为了表示出不同的时间窗。而不应该对时间窗的本身产生任何影响,上述的第一、第二等不应该对本申请的实施例造成任何限制。
还应理解,在本申请的各个实施例中,如果没有特殊说明以及逻辑冲突,不同的实施例之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种农作物疾病分析***,所述***包括:
一个或多个存储器,用于存储指令;以及
一个或多个处理器,用于从所述存储器中调用并运行所述指令,执行如上述内容中记载的方法。
本申请还提供了一种计算机程序产品,该计算机程序产品包括指令,当该指令被执行时,以使得该终端设备和该网络设备执行对应于上述方法的终端设备和网络设备的操作。
本申请还提供了一种芯片***,该芯片***包括处理器,用于实现上述内容中所涉及的功能,例如,生成,接收,发送,或处理上述方法中所涉及的数据和/或信息。
该芯片***,可以由芯片构成,也可以包括芯片和其他分立器件。
上述任一处提到的处理器,可以是一个CPU,微处理器,ASIC,或一个或多个用于控制上述的反馈信息传输的方法的程序执行的集成电路。
在一种可能的设计中,该芯片***还包括存储器,该存储器,用于保存必要的程序指令和数据。该处理器和该存储器可以解耦,分别设置在不同的设备上,通过有线或者无线的方式连接,以支持该芯片***实现上述实施例中的各种功能。或者,该处理器和该存储器也可以耦合在同一个设备上。
可选地,该计算机指令被存储在存储器中。
可选地,该存储器为该芯片内的存储单元,如寄存器、缓存等,该存储器还可以是该终端内的位于该芯片外部的存储单元,如ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM等。
可以理解,本申请中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
非易失性存储器可以是ROM、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electricallyEPROM,EEPROM)或闪存。
易失性存储器可以是RAM,其用作外部高速缓存。RAM有多种不同的类型,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)和直接内存总线随机存取存储器。
本具体实施方式的实施例均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (7)
1.一种农作物疾病分析方法,其特征在于,包括:
响应于获取到的指令,对指令指向的区域进行图像采集,得到图像组,图像组中包括多张图像;
根据图像的生成位置对图像进行裁切,得到待处理图像,同一个图像组中的任意两张待处理图像的对应区域不重合;
识别待处理图像中的特征对象,并将特征对象从待处理图像中分离;
对特征对象进行分解,得到多个子特征对象,并对子特征对象进行分组;
比较每组中任意两个子特征对象的相似度并根据相似度结果对一组中的子特征对象进行二次分组和赋予标签;以及
统计指令指向区域的每一个特征对象的标签数量,特征对象携带的标签数量与患有疾病的概率正相关;
对特征对象进行分解包括:
描绘特征对象的外形轮廓,外形轮廓为一条封闭曲线;
确定外形轮廓的中心区域;
描绘特征对象的特征轮廓并根据中心区域对特征轮廓进行分割,得到多个子特征轮廓,每一个子特征轮廓对应一个子特征对象;
还包括:
在外形轮廓上随机选取多个判断点;
使用任意两个判断点构建线段并在线段上间隔得到距离值组;
根据距离值组的变化趋势调整线段任意一端的判断点并对线段进行重构,变化趋势包括趋于增加和趋于减小;以及
得到多个线段的交点区域并将交点区域作为外形轮廓的中心区域,外形轮廓的中心区域的数量至少为一个;
对子特征对象进行分组包括:
确定子特征对象的对称线并确定对称线的高度变化趋势;
根据高度变化趋势对子特征对象进行分组,归属于同一类的子特征对象的对称线的高度变化趋势相同;
其中,子特征对象的对称线指向外形轮廓的中心区域;
属于同一类的子特征对象的对称线的长度在要求区间范围内。
2.根据权利要求1所述的农作物疾病分析方法,其特征在于,子特征对象的相似度包括色差和边缘整齐度。
3.根据权利要求2所述的农作物疾病分析方法,其特征在于,得到子特征对象的相似度中的色差包括:
将两个子特征对象进行重合处理,得到重合区域,同时移动两个子特征对象中的任意一个,使重合区域的面积最大;
计算每一个像素点上的两个像素值的差值,差值包括正差值与负差值;
将正差值数量与负差值数量之和作为子特征对象的色差。
4.根据权利要求2或3所述的农作物疾病分析方法,其特征在于,得到子特征对象的相似度中的边缘整齐度包括:
得到子特征对象的边缘轮廓;
将子特征对象的边缘轮廓分段,得到多个子边缘轮廓分段,每个子边缘轮廓分段的长度相同;
计算子边缘轮廓分段的分离度,分离度的计算方式为使用子边缘轮廓分段的两端建立标准线段,在子边缘轮廓分段上随机选取多个点并计算每一个点到标准线段的最小直线距离;
将子边缘轮廓分段的分离度累加后得到子特征对象的相似度中的边缘整齐度。
5.一种农作物疾病分析装置,其特征在于,包括:
图像采集单元,用于响应于获取到的指令,对指令指向的区域进行图像采集,得到图像组,图像组中包括多张图像;
图像裁切单元,用于根据图像的生成位置对图像进行裁切,得到待处理图像,同一个图像组中的任意两张待处理图像的对应区域不重合;
识别与分离单元,用于识别待处理图像中的特征对象,并将特征对象从待处理图像中分离;
分解单元,用于对特征对象进行分解,得到多个子特征对象,并对子特征对象进行分组;
第一处理单元,用于比较每组中任意两个子特征对象的相似度并根据相似度结果对一组中的子特征对象进行二次分组和赋予标签;
统计单元,用于统计指令指向区域的每一个特征对象的标签数量,特征对象携带的标签数量与患有疾病的概率正相关;
第一曲线处理单元,用于描绘特征对象的外形轮廓,外形轮廓为一条封闭曲线;
第二曲线处理单元,用于确定外形轮廓的中心区域;
第三曲线处理单元,用于描绘特征对象的特征轮廓并根据中心区域对特征轮廓进行分割,得到多个子特征轮廓,每一个子特征轮廓对应一个子特征对象;
第一选取单元,用于在外形轮廓上随机选取多个判断点;
第二处理单元,用于使用任意两个判断点构建线段并在线段上间隔得到距离值组;
第三处理单元,用于根据距离值组的变化趋势调整线段任意一端的判断点并对线段进行重构,变化趋势包括趋于增加和趋于减小;
第四处理单元,用于得到多个线段的交点区域并将交点区域作为外形轮廓的中心区域,外形轮廓的中心区域的数量至少为一个;
确定单元,用于确定子特征对象的对称线并确定对称线的高度变化趋势;
分组单元,用于根据高度变化趋势对子特征对象进行分组,归属于同一类的子特征对象的对称线的高度变化趋势相同;
其中,子特征对象的对称线指向外形轮廓的中心区域;
属于同一类的子特征对象的对称线的长度在要求区间范围内。
6.一种农作物疾病分析***,其特征在于,所述***包括:
一个或多个存储器,用于存储指令;以及
一个或多个处理器,用于从所述存储器中调用并运行所述指令,执行如权利要求1至4中任意一项所述的农作物疾病分析方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括:
程序,当所述程序被处理器运行时,如权利要求1至4中任意一项所述的农作物疾病分析方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410339267.7A CN117935068B (zh) | 2024-03-25 | 2024-03-25 | 一种农作物疾病分析方法与分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410339267.7A CN117935068B (zh) | 2024-03-25 | 2024-03-25 | 一种农作物疾病分析方法与分析*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117935068A CN117935068A (zh) | 2024-04-26 |
CN117935068B true CN117935068B (zh) | 2024-05-24 |
Family
ID=90761246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410339267.7A Active CN117935068B (zh) | 2024-03-25 | 2024-03-25 | 一种农作物疾病分析方法与分析*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117935068B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957063A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于多尺度加权相似性测度的ct图像肝脏分割方法及*** |
CN106932780A (zh) * | 2017-03-14 | 2017-07-07 | 北京京东尚科信息技术有限公司 | 物体定位方法、装置和*** |
WO2018176624A1 (en) * | 2017-03-28 | 2018-10-04 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for fire detection |
WO2019015477A1 (zh) * | 2017-07-18 | 2019-01-24 | Oppo广东移动通信有限公司 | 图像矫正方法、计算机可读存储介质和计算机设备 |
CN109766904A (zh) * | 2015-07-27 | 2019-05-17 | 蚌埠医学院 | 医学领域图像语义相似度矩阵的改进算法 |
CN113344055A (zh) * | 2021-05-28 | 2021-09-03 | 北京百度网讯科技有限公司 | 图像识别方法、装置、电子设备和介质 |
CN113822247A (zh) * | 2021-11-22 | 2021-12-21 | 广东泰一高新技术发展有限公司 | 基于航拍影像的违章建筑识别方法及*** |
AU2021103121A4 (en) * | 2021-06-04 | 2022-03-24 | Baba Farid College Of Engineering And Technology Bathinda | A system of roi & k-means clustering based hybrid technique for detection of yellow spot disease in crops |
CN114766041A (zh) * | 2019-12-03 | 2022-07-19 | 巴斯夫欧洲公司 | 用于确定作物损害的***和方法 |
CN115690919A (zh) * | 2021-07-23 | 2023-02-03 | 北京嘀嘀无限科技发展有限公司 | 一种活体检测方法、装置、设备、存储介质和程序产品 |
CN115995005A (zh) * | 2023-03-22 | 2023-04-21 | 航天宏图信息技术股份有限公司 | 基于单期高分辨率遥感影像的农作物的提取方法和装置 |
CN116524369A (zh) * | 2023-04-18 | 2023-08-01 | 中国地质大学(武汉) | 遥感影像分割模型构建方法、装置及遥感影像解译方法 |
WO2023242236A1 (en) * | 2022-06-14 | 2023-12-21 | Basf Se | Synthetic generation of training data |
CN117496109A (zh) * | 2023-09-23 | 2024-02-02 | 深圳市中科中天科技有限公司 | 一种图像比对分析方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190266401A1 (en) * | 2018-01-11 | 2019-08-29 | Intelinair, Inc | Change Detection System |
AU2020218573A1 (en) * | 2019-02-04 | 2021-08-05 | Farmers Edge Inc. | Shadow and cloud masking for remote sensing images in agriculture applications using multilayer perceptron |
US11425852B2 (en) * | 2020-10-16 | 2022-08-30 | Verdant Robotics, Inc. | Autonomous detection and control of vegetation |
-
2024
- 2024-03-25 CN CN202410339267.7A patent/CN117935068B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766904A (zh) * | 2015-07-27 | 2019-05-17 | 蚌埠医学院 | 医学领域图像语义相似度矩阵的改进算法 |
CN105957063A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于多尺度加权相似性测度的ct图像肝脏分割方法及*** |
CN106932780A (zh) * | 2017-03-14 | 2017-07-07 | 北京京东尚科信息技术有限公司 | 物体定位方法、装置和*** |
WO2018176624A1 (en) * | 2017-03-28 | 2018-10-04 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for fire detection |
WO2019015477A1 (zh) * | 2017-07-18 | 2019-01-24 | Oppo广东移动通信有限公司 | 图像矫正方法、计算机可读存储介质和计算机设备 |
CN114766041A (zh) * | 2019-12-03 | 2022-07-19 | 巴斯夫欧洲公司 | 用于确定作物损害的***和方法 |
CN113344055A (zh) * | 2021-05-28 | 2021-09-03 | 北京百度网讯科技有限公司 | 图像识别方法、装置、电子设备和介质 |
AU2021103121A4 (en) * | 2021-06-04 | 2022-03-24 | Baba Farid College Of Engineering And Technology Bathinda | A system of roi & k-means clustering based hybrid technique for detection of yellow spot disease in crops |
CN115690919A (zh) * | 2021-07-23 | 2023-02-03 | 北京嘀嘀无限科技发展有限公司 | 一种活体检测方法、装置、设备、存储介质和程序产品 |
CN113822247A (zh) * | 2021-11-22 | 2021-12-21 | 广东泰一高新技术发展有限公司 | 基于航拍影像的违章建筑识别方法及*** |
WO2023242236A1 (en) * | 2022-06-14 | 2023-12-21 | Basf Se | Synthetic generation of training data |
CN115995005A (zh) * | 2023-03-22 | 2023-04-21 | 航天宏图信息技术股份有限公司 | 基于单期高分辨率遥感影像的农作物的提取方法和装置 |
CN116524369A (zh) * | 2023-04-18 | 2023-08-01 | 中国地质大学(武汉) | 遥感影像分割模型构建方法、装置及遥感影像解译方法 |
CN117496109A (zh) * | 2023-09-23 | 2024-02-02 | 深圳市中科中天科技有限公司 | 一种图像比对分析方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
田蕾等."山地乔灌木斑块空间分布格局及其多样性沿海拔梯度 的变化规律".《生态学报》.2023,第43卷(第24期),10320-10333. * |
Also Published As
Publication number | Publication date |
---|---|
CN117935068A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
CN112686274B (zh) | 目标对象的检测方法及设备 | |
CN111666797B (zh) | 车辆定位方法、装置和计算机设备 | |
CN111192239B (zh) | 遥感影像变化区域检测方法、装置、存储介质及电子设备 | |
CN112084869A (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN113160183A (zh) | 一种高光谱数据处理方法、设备及介质 | |
CN113487607A (zh) | 基于多视场图像的缺陷检测方法及装置 | |
CN109034239B (zh) | 遥感影像分类方法、分布式风电场的选址方法和设备 | |
CN112101195A (zh) | 人群密度预估方法、装置、计算机设备和存储介质 | |
CN113033401A (zh) | 一种面向生态保护红线的人类活动变化识别监管方法 | |
CN117935068B (zh) | 一种农作物疾病分析方法与分析*** | |
CN114926732A (zh) | 一种多传感器融合的农作物深度学习识别方法及*** | |
US11443131B2 (en) | Systems and methods for creating a parking map | |
CN115171031A (zh) | 一种基于车辆参照物的路面积水检测方法、装置及应用 | |
CN117557924B (zh) | 一种农业环境监测方法、装置、***及存储介质 | |
CN115115542A (zh) | 一种基于云平台遥感影像镶嵌后色差条带的快速修复方法 | |
CN114359748A (zh) | 目标分类提取方法及装置 | |
CN112132215A (zh) | 一种识别物体类型的方法、装置及计算机可读存储介质 | |
CN114764905A (zh) | 用于交通环境检测的方法及设备 | |
CN112669346A (zh) | 一种路面突发状况确定方法及装置 | |
CN107330105B (zh) | 一种相似图像检索算法的鲁棒性评测方法及装置 | |
CN117557924A (zh) | 一种农业环境监测方法、装置、***及存储介质 | |
CN115546621B (zh) | 一种作物长势分析方法、装置及应用 | |
CN115546208B (zh) | 一种大田作物株高测量方法、装置及应用 | |
CN116449875B (zh) | 一种无人机巡检方法及*** |
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 |