CN117975312B - 用于松材线虫病识别的无人机拍摄图像处理*** - Google Patents
用于松材线虫病识别的无人机拍摄图像处理*** Download PDFInfo
- Publication number
- CN117975312B CN117975312B CN202410361601.9A CN202410361601A CN117975312B CN 117975312 B CN117975312 B CN 117975312B CN 202410361601 A CN202410361601 A CN 202410361601A CN 117975312 B CN117975312 B CN 117975312B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- points
- model
- point
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 84
- 241000243771 Bursaphelenchus xylophilus Species 0.000 title claims abstract description 46
- 201000010099 disease Diseases 0.000 title claims abstract description 39
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 239000002023 wood Substances 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims description 6
- 235000011613 Pinus brutia Nutrition 0.000 claims description 6
- 241000018646 Pinus brutia Species 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了用于松材线虫病识别的无人机拍摄图像处理***，包括无人机采集端、图像处理***和疫木识别模块，本发明涉及图像处理技术领域。该用于松材线虫病识别的无人机拍摄图像处理***，通过设置有图像处理***，利用图像处理模块完成对图像数据的接收，并通过对图像灰度处理后进行图像中不同类别的信息进行分割操作，且对分割后的类别进行标记，以此对图像完成精准的处理后，通过该数据集训练一个模型，并通过对模型的训练、优化操作形成一个应用于实际的模型，不仅有效的避免了图像中相近相似灰度特征的干扰，而且训练后的模型能够更好的对其他区域的林木进行识别操作。
Description
技术领域
本发明涉及图像处理技术领域，具体为用于松材线虫病识别的无人机拍摄图像处理***。
背景技术
参考中国专利，专利名称为：一种基于视觉的四旋翼无人机特定目标识别与追踪***（专利公开号：CN114445467A，专利公开日：2022-05-06），包括图像采集模块、图像处理模块、目标定位模块和跟踪模块；图像采集模块的数据输出端与图像处理模块的数据输入端相连，图像处理模块的数据输出端与目标定位模块的数据输入端相连，目标定位模块的数据输出端与跟踪模块的数据输入端相连；图像采集模块用于根据无人机上设置的摄像头实时采集拍摄移动中目标的连续图像数据；图像处理模块用于对采集到的图像数据进行图像噪点消噪处理；目标定位模块用于根据图像噪点消噪处理后的图像使用目标检测方法判断目标物体形状；跟踪模块用于过滤坐标数据内的噪声，并估计目标的运动状态。
基于上述文件的表述，现有的图像在拍摄过后，在图像上会出现多种灰色而影响对林木是否害病的识别操作造成影响，而对于图像处理的过程中，其图像在进行灰度处理后，对于相似相近图像的灰色特征部分往往无法实现精准的图像分割操作，以至于在识别的结果存在误差，为此，本发明提供了用于松材线虫病识别的无人机拍摄图像处理***。
发明内容
针对现有技术的不足，本发明提供了用于松材线虫病识别的无人机拍摄图像处理***，解决了现有的图像在拍摄过后，在图像上会出现多种灰色而影响对林木是否害病的识别操作造成影响，而对于图像处理的过程中，其图像在进行灰度处理后，对于相似相近图像的灰色特征部分往往无法实现精准的图像分割操作，以至于在识别的结果存在误差的问题。
为实现以上目的，本发明通过以下技术方案予以实现：用于松材线虫病识别的无人机拍摄图像处理***，包括：
无人机采集端，利用无人机对林区松树完成图像数据采集操作，且包含有多个超清摄像头；
图像处理***，用于对采集的图像进行处理操作，且包括：
图像处理模块，完成对图像数据的接收，并通过对图像灰度处理后进行图像中不同类别的信息进行分割操作，且对分割后的类别进行标记；
模型训练模块，将处理的图像数据形成数据集，并基于带有松材线虫病树木的识别操作为目的形成初始模型，完成对初始模型的训练、优化操作；
模型构建模块，完成对初始模型评估的操作后，基于初始模型上构建图像识别模型用于对后续采集的图像进行处理操作；
疫木识别模块，通过应用图像识别模型后对不同区域的林区松树进行松材线虫病识别操作。
优选的，所述图像处理***的图像处理模块包括：
数据接收单元，用于对采集的图像进行分类，并完成对图像的筛分，保留图像中具有灰色特征部分的图像，并形成特征数据集；
图像分割单元，随机选取一个特征子集，并且进行灰度化处理，并基于灰度化处理的图像进行分割操作，得到子集中的不同区别特征；
图像标记单元，用于对子集中的不同区别特征进行标记。
优选的，所述数据接收单元中图像的筛分操作包括以下步骤：
A1、首先对采集的所有图像进行颜色识别，对完全为绿色的图像图片进行过滤，保留含有灰色特征部分的图像图片以及异色图像图片；
A2、然后对含有灰色特征部分的图像图片以及异色图像图片进行图像预处理操作，且具体如下：
a01、根据色度抠图技术完成对图像的处理操作；
a02、通过设置所需抠除的背景色为绿色，并比对图像颜色与背景颜色的相似度，且相似图像的比对结果显示为1，反之不相似图像的比对结果显示为0；
a03、将比对结果显示为1的图像过滤清除，保留去除后含有其他颜色的图像图片；
A3、将预处理完成后的图片进行整理形成特征数据集，并标记为。
优选的，所述图像分割单元进行灰度化处理的操作为：
B1、在特征数据集中随机选取一个特征子集进行处理操作；
B2、对特征子集中的像素红、绿、蓝三个颜色变量标记为，且通过图像的灰度化公式确定需灰度化处理的灰度值；
B3、按照计算得到的灰度值完成对整个特征子集的灰度化处理操作；
B4、并基于灰度化图像完成图像中特征的分割操作。
优选的，所述B2中的灰度化公式为：
；
其中，R、G、B均为颜色数值，而2.2次方和2.2次方根用于将灰度值换算成物理光功率。
优选的，所述B4中对于灰度化图像的特征分割操作为：
C1、依据灰度化图像的左下角端点为坐标原点建立平面坐标系，且向上为Y轴，向右为X轴；
C2、位于灰度化图像上以原点为基础点，从左至右依次等距设定有多个像素点，并以X轴上多个像素点为基础从下至上依次等距设定有多个像素点，并将像素点标记为；
C3、完成对各个像素点的灰度值进行计算，并根据灰度值的阶跃变化得到多个阶跃点并标记为/>，并通过对阶跃点依次连通形成图像的分割线，依据分割线完后特征的分割操作。
优选的，所述C3中对于各个像素点的灰度值计算步骤为：
c01、以一个像素点为中心，并基于这个中心划分半径为r的区域，并对此区域内的特征点进行统计，且特征点标记为/>,并根据各特征点/>的灰度值得到像素点/>的平均灰度值；
c02、对于各特征点灰度值的计算公式为：
；
c03、而基于特征点灰度值的公式得到像素点/>的平均灰度值为：
；
其中，表示特征点/>的灰度值，而表示各特征点/>灰度值的总和，而/>表示特征点/>的个数。
优选的，所述C3中关于寻找阶跃点的具体方式为：
D1、对位于X轴方向上的像素点灰度值进行依次比较，并对比较结果为的像素点/>和像素点/>进行记录；
D2、根据记录的像素点和像素点/>求得两点之间的中点为阶跃点，且该阶跃点标记为/>，并对位于Y轴方向上与阶跃点相对应个数的点找出；
D3、通过将多个位于X轴上标记个数相同的阶跃点按照相邻距离最短的阶跃点相连，并使得最后一个阶跃点与第一个阶跃点相连形成闭环分割线；
D4、依据阶跃点形成的闭环分割线对图像的各特征部分进行分割操作，并对分割后的特征进行标识。
优选的，所述模型训练模块的具体实施方式为：
F1、将处理后的图像形成数据集，并设计一个带有松材线虫病树木的识别操作为目的初始模型；
F2、将数据集引入至初始模型进行训练操作，让初始模型不断的对松材线虫病树木的灰度特征进行识别和学习；
F3、选取一个已标识的其他区域且带有松材线虫病树木的图像数据集引入训练后的初始模型中，对模型的精准度进行评估，并根据评估结果对初始模型的部分参数作出调整完成模型优化；
F4、保留训练、优化后的模型，用于实际应用。
本发明提供了用于松材线虫病识别的无人机拍摄图像处理***。与现有技术相比具备以下有益效果：
（1）、该用于松材线虫病识别的无人机拍摄图像处理***，通过设置有图像处理***，利用图像处理模块完成对图像数据的接收，并通过对图像灰度处理后进行图像中不同类别的信息进行分割操作，且对分割后的类别进行标记，以此对图像完成精准的处理后，通过该数据集训练一个模型，并通过对模型的训练、优化操作形成一个应用于实际的模型，不仅有效的避免了图像中相近相似灰度特征的干扰，而且训练后的模型能够更好的对其他区域的林木进行识别操作。
（2）、该用于松材线虫病识别的无人机拍摄图像处理***，通过数据接收单元对图像数据进行初步筛分操作，并且对含有灰色特征部分的图像图片以及异色图像图片进行图像预处理操作，最后通过图像分割单元完成对数据灰度化处理，处理后再进行像素点灰度值的计算确定不同特征部分的阶跃点，并以阶跃点完成对图像的分割操作，以此可以依据灰度值更好的区分不同特征部分的界限。
（3）、该用于松材线虫病识别的无人机拍摄图像处理***，通过设置有模型训练模块，完成对图像数据的处理操作后，形成数据集，并设计一个带有松材线虫病树木的识别操作为目的初始模型引入数据集，让初始模型不断的对松材线虫病树木的灰度特征进行识别和学习，并对模型的精准度进行评估，并根据评估结果对初始模型的部分参数作出调整完成模型优化，从而得到一个关于松材线虫病识别的模型并可用于实际应用操作中，提高后续识别的精准度。
附图说明
图1为本发明图像处理***的原理框图；
图2为本发明图像处理***的逻辑流程图。
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-图2，本发明提供两技术方案：
实施例一、用于松材线虫病识别的无人机拍摄图像处理***，包括：
无人机采集端，利用无人机对林区松树完成图像数据采集操作，且包含有多个超清摄像头；
图像处理***，用于对采集的图像进行处理操作，且包括：
图像处理模块，完成对图像数据的接收，并通过对图像灰度处理后进行图像中不同类别的信息进行分割操作，且对分割后的类别进行标记；
模型训练模块，将处理的图像数据形成数据集，并基于带有松材线虫病树木的识别操作为目的形成初始模型，完成对初始模型的训练、优化操作；
模型构建模块，完成对初始模型评估的操作后，基于初始模型上构建图像识别模型用于对后续采集的图像进行处理操作；
疫木识别模块，通过应用图像识别模型后对不同区域的林区松树进行松材线虫病识别操作。
本发明实施例中，图像处理***的图像处理模块包括：
数据接收单元，用于对采集的图像进行分类，并完成对图像的筛分，保留图像中具有灰色特征部分的图像，并形成特征数据集；
图像分割单元，随机选取一个特征子集，并且进行灰度化处理，并基于灰度化处理的图像进行分割操作，得到子集中的不同区别特征；
图像标记单元，用于对子集中的不同区别特征进行标记。
其中，通过设置有图像处理***，利用图像处理模块完成对图像数据的接收，并通过对图像灰度处理后进行图像中不同类别的信息进行分割操作，且对分割后的类别进行标记，以此对图像完成精准的处理后，通过该数据集训练一个模型，并通过对模型的训练、优化操作形成一个应用于实际的模型，不仅有效的避免了图像中相近相似灰度特征的干扰，而且训练后的模型能够更好的对其他区域的林木进行识别操作。
本发明实施例中，数据接收单元中图像的筛分操作包括以下步骤：
A1、首先对采集的所有图像进行颜色识别，对完全为绿色的图像图片进行过滤，保留含有灰色特征部分的图像图片以及异色图像图片；
A2、然后对含有灰色特征部分的图像图片以及异色图像图片进行图像预处理操作，且具体如下：
a01、根据色度抠图技术完成对图像的处理操作；
a02、通过设置所需抠除的背景色为绿色，并比对图像颜色与背景颜色的相似度，且相似图像的比对结果显示为1，反之不相似图像的比对结果显示为0；
a03、将比对结果显示为1的图像过滤清除，保留去除后含有其他颜色的图像图片；
A3、将预处理完成后的图片进行整理形成特征数据集，并标记为。
本发明实施例中，图像分割单元进行灰度化处理的操作为：
B1、在特征数据集中随机选取一个特征子集进行处理操作；
B2、对特征子集中的像素红、绿、蓝三个颜色变量标记为，且通过图像的灰度化公式确定需灰度化处理的灰度值；
B3、按照计算得到的灰度值完成对整个特征子集的灰度化处理操作；
B4、并基于灰度化图像完成图像中特征的分割操作。
本发明实施例中，B2中的灰度化公式为：
；
其中，R、G、B均为颜色数值，而2.2次方和2.2次方根用于将灰度值换算成物理光功率。
本发明实施例中，B4中对于灰度化图像的特征分割操作为：
C1、依据灰度化图像的左下角端点为坐标原点建立平面坐标系，且向上为Y轴，向右为X轴；
C2、位于灰度化图像上以原点为基础点，从左至右依次等距设定有多个像素点，并以X轴上多个像素点为基础从下至上依次等距设定有多个像素点，并将像素点标记为；
C3、完成对各个像素点的灰度值进行计算，并根据灰度值的阶跃变化得到多个阶跃点并标记为/>，并通过对阶跃点依次连通形成图像的分割线，依据分割线完后特征的分割操作。
本发明实施例中，C3中对于各个像素点的灰度值计算步骤为：
c01、以一个像素点为中心，并基于这个中心划分半径为r的区域，并对此区域内的特征点进行统计，且特征点标记为/>,并根据各特征点/>的灰度值得到像素点/>的平均灰度值；
c02、对于各特征点灰度值的计算公式为：
；
c03、而基于特征点灰度值的公式得到像素点/>的平均灰度值为：
；
其中，表示特征点/>的灰度值，而表示各特征点/>灰度值的总和，而/>表示特征点/>的个数。
本发明实施例中，C3中关于寻找阶跃点的具体方式为：
D1、对位于X轴方向上的像素点灰度值进行依次比较，并对比较结果为的像素点/>和像素点/>进行记录；
D2、根据记录的像素点和像素点/>求得两点之间的中点为阶跃点，且该阶跃点标记为/>，并对位于Y轴方向上与阶跃点相对应个数的点找出；
D3、通过将多个位于X轴上标记个数相同的阶跃点按照相邻距离最短的阶跃点相连，并使得最后一个阶跃点与第一个阶跃点相连形成闭环分割线；
D4、依据阶跃点形成的闭环分割线对图像的各特征部分进行分割操作，并对分割后的特征进行标识。
其中对分割后的特征进行标识时，例如划分分割的图像特征部分为带有松材线虫病的林木灰度显现部分，则将其标记为带有松材线虫病的特征部分，而其他与该特征部分不符的均标为背景色，以此方便于对模型训练时对带有松材线虫病的特征部分增加权重，提高模型训练、学习的质量。
其中，通过数据接收单元对图像数据进行初步筛分操作，并且对含有灰色特征部分的图像图片以及异色图像图片进行图像预处理操作，最后通过图像分割单元完成对数据灰度化处理，处理后再进行像素点灰度值的计算确定不同特征部分的阶跃点，并以阶跃点完成对图像的分割操作，以此可以依据灰度值更好的区分不同特征部分的界限。
实施例二、相较于实施例一的区别在于：本发明实施例中，模型训练模块的具体实施方式为：
F1、将处理后的图像形成数据集，并设计一个带有松材线虫病树木的识别操作为目的初始模型；
F2、将数据集引入至初始模型进行训练操作，让初始模型不断的对松材线虫病树木的灰度特征进行识别和学习；
F3、选取一个已标识的其他区域且带有松材线虫病树木的图像数据集引入训练后的初始模型中，对模型的精准度进行评估，并根据评估结果对初始模型的部分参数作出调整完成模型优化；
F4、保留训练、优化后的模型，用于实际应用。
其中，对于数据集需要对数据进行清洗和预处理，包括数据的缺失值、异常值、噪声等的处理，以及特征提取和归一化，以上操作均为现有技术；
且模型选择需要根据问题的特点和数据的情况，选择合适的机器学习算法和模型，常用的算法包括线性回归、逻辑回归、决策树、随机森林、支持向量机、神经网络等；
数据集的划分为了避免模型过拟合或欠拟合的问题，需要将数据集划分为训练集、验证集和测试集，且模型训练模块包含有模型训练单元、模型验证单元和模型测试单元，模型训练单元利用训练集用于模型的训练，模型验证单元利用验证集用于模型的调参，模型测试单元利用测试集用于模型的评估。
通过设置有模型训练模块，完成对图像数据的处理操作后，形成数据集，并设计一个带有松材线虫病树木的识别操作为目的初始模型引入数据集，让初始模型不断的对松材线虫病树木的灰度特征进行识别和学习，并对模型的精准度进行评估，并根据评估结果对初始模型的部分参数作出调整完成模型优化，从而得到一个关于松材线虫病识别的模型并可用于实际应用操作中，提高后续识别的精准度。
对比实验
通过实施例一和实施例二形成的用于松材线虫病识别的无人机拍摄图像处理***，将现有的图像处理***与本发明所提供的用于松材线虫病识别的无人机拍摄图像处理***对某A、B、C三个区域的林木进行无人机采集的图像进行处理操作，而通过图像处理后训练所得到的模型进行松材线虫病林木的识别结果与实际勘察的松材线虫病林木数进行比对，且识别的正确率如下所示：
| 识别正确率 | 林木区域A | 林木区域B | 林木区域C |
| 现有的图像处理*** | 75.55% | 72.42% | 69.73% |
| 本发明的图像处理*** | 89.31% | 93.67% | 84.69% |
综上，通过本发明所提供的用于松材线虫病识别的无人机拍摄图像处理***对某A、B、C三个区域的林木进行数据处理后，所得到的识别模型对于带有松材线虫病的林木识别正确率更高，说明本发明图像处理***处理后的图像精确度更高，降低失误率，而现有的图像处理***亦可以进行松材线虫病的林木识别操作。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
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。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.用于松材线虫病识别的无人机拍摄图像处理***，其特征在于：包括：
无人机采集端，利用无人机对林区松树完成图像数据采集操作，且包含有多个超清摄像头；
图像处理***，用于对采集的图像进行处理操作，且包括：
图像处理模块，完成对图像数据的接收，并通过对图像灰度处理后进行图像中不同类别的信息进行分割操作，且对分割后的类别进行标记；
模型训练模块，将处理的图像数据形成数据集，并基于带有松材线虫病树木的识别操作为目的形成初始模型，完成对初始模型的训练、优化操作；
模型构建模块，完成对初始模型评估的操作后，基于初始模型上构建图像识别模型用于对后续采集的图像进行处理操作；
疫木识别模块，通过应用图像识别模型后对不同区域的林区松树进行松材线虫病识别操作；
所述图像处理***的图像处理模块包括：
数据接收单元，用于对采集的图像进行分类，并完成对图像的筛分，保留图像中具有灰色特征部分的图像，并形成特征数据集；
图像分割单元，随机选取一个特征子集，并且进行灰度化处理，并基于灰度化处理的图像进行分割操作，得到子集中的不同区别特征；
图像标记单元，用于对子集中的不同区别特征进行标记；
所述数据接收单元中图像的筛分操作包括以下步骤：
A1、首先对采集的所有图像进行颜色识别，对完全为绿色的图像图片进行过滤，保留含有灰色特征部分的图像图片以及异色图像图片；
A2、然后对含有灰色特征部分的图像图片以及异色图像图片进行图像预处理操作，且具体如下：
a01、根据色度抠图技术完成对图像的处理操作；
a02、通过设置所需抠除的背景色为绿色，并比对图像颜色与背景颜色的相似度，且相似图像的比对结果显示为1，反之不相似图像的比对结果显示为0；
a03、将比对结果显示为1的图像过滤清除，保留去除后含有其他颜色的图像图片；
A3、将预处理完成后的图片进行整理形成特征数据集，并标记为；
所述图像分割单元进行灰度化处理的操作为：
B1、在特征数据集中随机选取一个特征子集进行处理操作；
B2、对特征子集中的像素红、绿、蓝三个颜色变量标记为，且通过图像的灰度化公式确定需灰度化处理的灰度值；
B3、按照计算得到的灰度值完成对整个特征子集的灰度化处理操作；
B4、并基于灰度化图像完成图像中特征的分割操作；
所述B4中对于灰度化图像的特征分割操作为：
C1、依据灰度化图像的左下角端点为坐标原点建立平面坐标系，且向上为Y轴，向右为X轴；
C2、位于灰度化图像上以原点为基础点，从左至右依次等距设定有多个像素点，并以X轴上多个像素点为基础从下至上依次等距设定有多个像素点，并将像素点标记为；
C3、完成对各个像素点的灰度值进行计算，并根据灰度值的阶跃变化得到多个阶跃点并标记为/>，并通过对阶跃点依次连通形成图像的分割线，依据分割线完后特征的分割操作；
所述C3中对于各个像素点的灰度值计算步骤为：
c01、以一个像素点为中心，并基于这个中心划分半径为r的区域，并对此区域内的特征点进行统计，且特征点标记为/>,并根据各特征点/>的灰度值得到像素点/>的平均灰度值；
c02、对于各特征点灰度值的计算公式为：
；
c03、而基于特征点灰度值的公式得到像素点/>的平均灰度值为：
；
其中，表示特征点/>的灰度值，而表示各特征点/>灰度值的总和，而/>表示特征点/>的个数；
所述C3中关于寻找阶跃点的具体方式为：
D1、对位于X轴方向上的像素点灰度值进行依次比较，并对比较结果为的像素点/>和像素点/>进行记录；
D2、根据记录的像素点和像素点/>求得两点之间的中点为阶跃点，且该阶跃点标记为/>，并对位于Y轴方向上与阶跃点/>相对应个数的点找出；
D3、通过将多个位于X轴上标记个数相同的阶跃点按照相邻距离最短的阶跃点相连，并使得最后一个阶跃点与第一个阶跃点相连形成闭环分割线；
D4、依据阶跃点形成的闭环分割线对图像的各特征部分进行分割操作，并对分割后的特征进行标识。
2.根据权利要求1所述的用于松材线虫病识别的无人机拍摄图像处理***，其特征在于：所述B2中的灰度化公式为：
；
其中，R、G、B均为颜色数值，而2.2次方和2.2次方根用于将灰度值换算成物理光功率。
3.根据权利要求1所述的用于松材线虫病识别的无人机拍摄图像处理***，其特征在于：所述模型训练模块的具体实施方式为：
F1、将处理后的图像形成数据集，并设计一个带有松材线虫病树木的识别操作为目的初始模型；
F2、将数据集引入至初始模型进行训练操作，让初始模型不断的对松材线虫病树木的灰度特征进行识别和学习；
F3、选取一个已标识的其他区域且带有松材线虫病树木的图像数据集引入训练后的初始模型中，对模型的精准度进行评估，并根据评估结果对初始模型的部分参数作出调整完成模型优化；
F4、保留训练、优化后的模型，用于实际应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410361601.9A CN117975312B (zh) | 2024-03-28 | 2024-03-28 | 用于松材线虫病识别的无人机拍摄图像处理*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410361601.9A CN117975312B (zh) | 2024-03-28 | 2024-03-28 | 用于松材线虫病识别的无人机拍摄图像处理*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117975312A CN117975312A (zh) | 2024-05-03 |
| CN117975312B true CN117975312B (zh) | 2024-06-07 |
Family
ID=90849862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410361601.9A Active CN117975312B (zh) | 2024-03-28 | 2024-03-28 | 用于松材线虫病识别的无人机拍摄图像处理*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117975312B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170139849A (ko) * | 2016-06-10 | 2017-12-20 | 주식회사 비전아이티 | 드론을 이용하여 산림의 병해충을 모니터링하는 시스템 및 그의 운영 방법 |
| CN113033520A (zh) * | 2021-05-25 | 2021-06-25 | 华中农业大学 | 一种基于深度学习的树木线虫病害木识别方法及*** |
| CN114140428A (zh) * | 2021-11-30 | 2022-03-04 | 东北林业大学 | 基于YOLOv5的落叶松毛虫虫害检测识别方法及*** |
| CN114550017A (zh) * | 2022-04-25 | 2022-05-27 | 北京林业大学 | 基于移动端的松材线虫病一体化预警及检测方法和装置 |
| CN115311588A (zh) * | 2022-09-16 | 2022-11-08 | 航天宏图信息技术股份有限公司 | 基于无人机遥感图像的松材线虫病害立木检测方法及装置 |
| CN115619719A (zh) * | 2022-09-26 | 2023-01-17 | 华南农业大学 | 一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法 |
| CN116091394A (zh) * | 2022-09-21 | 2023-05-09 | 南京字节数据科技有限公司 | 一种基于深度学习的虫子种类以及数量图像识别算法 |
-
2024
- 2024-03-28 CN CN202410361601.9A patent/CN117975312B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170139849A (ko) * | 2016-06-10 | 2017-12-20 | 주식회사 비전아이티 | 드론을 이용하여 산림의 병해충을 모니터링하는 시스템 및 그의 운영 방법 |
| CN113033520A (zh) * | 2021-05-25 | 2021-06-25 | 华中农业大学 | 一种基于深度学习的树木线虫病害木识别方法及*** |
| CN114140428A (zh) * | 2021-11-30 | 2022-03-04 | 东北林业大学 | 基于YOLOv5的落叶松毛虫虫害检测识别方法及*** |
| CN114550017A (zh) * | 2022-04-25 | 2022-05-27 | 北京林业大学 | 基于移动端的松材线虫病一体化预警及检测方法和装置 |
| CN115311588A (zh) * | 2022-09-16 | 2022-11-08 | 航天宏图信息技术股份有限公司 | 基于无人机遥感图像的松材线虫病害立木检测方法及装置 |
| CN116091394A (zh) * | 2022-09-21 | 2023-05-09 | 南京字节数据科技有限公司 | 一种基于深度学习的虫子种类以及数量图像识别算法 |
| CN115619719A (zh) * | 2022-09-26 | 2023-01-17 | 华南农业大学 | 一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于U-Net网络和无人机影像的松材线虫病变色木识别;张瑞瑞;夏浪;陈立平;谢春春;陈梅香;王维佳;;农业工程学报;20200623(第12期);69-76 * |
| 基于深度学习算法的无人机图像中病害松树检测;朱艳秋;中国优秀硕士学位论文全文数据库 农业科技辑;20220315(第3期);D046-162 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117975312A (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、***及存储介质 | |
| CN110148162B (zh) | 一种基于复合算子的异源图像匹配方法 | |
| CN111161243B (zh) | 基于样本增强的工业产品表面缺陷检测方法 | |
| CN111325764B (zh) | 一种果实图像轮廓识别方法 | |
| CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
| CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
| CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
| CN108846831B (zh) | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 | |
| CN111369605B (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和*** | |
| CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
| US7680357B2 (en) | Method and apparatus for detecting positions of center points of circular patterns | |
| CN113706490B (zh) | 一种晶片缺陷检测方法 | |
| CN112419278B (zh) | 一种基于深度学习的实木地板分类方法 | |
| CN117274702B (zh) | 一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法和*** | |
| CN117975312B (zh) | 用于松材线虫病识别的无人机拍摄图像处理*** | |
| CN112926695A (zh) | 基于模板匹配的图像识别方法和*** | |
| CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及*** | |
| CN116563609A (zh) | 一种包装缺陷分类方法 | |
| CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 | |
| JP4510562B2 (ja) | 円中心位置検出方法および装置並びにプログラム | |
| CN111815613B (zh) | 一种基于包膜线形态特征分析的肝硬化疾病分期识别方法 | |
| CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 | |
| CN111582202A (zh) | 一种智能网课*** | |
| CN113516611A (zh) | 异常物料剔除区域的确定方法及装置、物料分选方法及设备 | |
| CN111160366A (zh) | 一种彩色图像识别方法 |
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 |