CN101539531B - 基于多光谱图像处理的水稻稻叶瘟病检测分级方法 - Google Patents
基于多光谱图像处理的水稻稻叶瘟病检测分级方法 Download PDFInfo
- Publication number
- CN101539531B CN101539531B CN2009100973414A CN200910097341A CN101539531B CN 101539531 B CN101539531 B CN 101539531B CN 2009100973414 A CN2009100973414 A CN 2009100973414A CN 200910097341 A CN200910097341 A CN 200910097341A CN 101539531 B CN101539531 B CN 101539531B
- Authority
- CN
- China
- Prior art keywords
- withered
- yellow
- image
- blade tip
- blade face
- 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.)
- Expired - Fee Related
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 30
- 235000009566 rice Nutrition 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 29
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000000926 separation method Methods 0.000 claims description 12
- 241001330975 Magnaporthe oryzae Species 0.000 claims description 10
- 208000015220 Febrile disease Diseases 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 241001237160 Kallima inachus Species 0.000 claims description 4
- 206010038743 Restlessness Diseases 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000036285 pathological change Effects 0.000 claims description 3
- 231100000915 pathological change Toxicity 0.000 claims description 3
- 238000003707 image sharpening Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 208000015181 infectious disease Diseases 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000001066 destructive effect Effects 0.000 abstract description 2
- 206010035148 Plague Diseases 0.000 abstract 3
- 238000005507 spraying Methods 0.000 abstract 3
- 238000003672 processing method Methods 0.000 abstract 1
- 238000001228 spectrum Methods 0.000 abstract 1
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 4
- 206010039509 Scab Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 208000002720 Malnutrition Diseases 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 230000024241 parasitism Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多光谱图像处理的水稻稻叶瘟病检测分级方法。利用可见/近红外多光谱摄像机实时采集绿光波段，红光波段，近红外波段三个波段通道的单色灰度图像，然后使用Matlab软件，通过图象处理方法编写应用软件，进行图像处理。包括背景及噪声、干扰等的消除和作物病斑信息的识别分析，实现植物是否发病及病斑位置和分级的准确快速处理。每张图片的病害识别时间仅为数秒。本发明用于快速、准确、稳定、实时、非破坏性的水稻稻瘟病感染诊断并且准确地指出病斑所在的位置以及感染程度分级，减少由于全面喷洒而造成的药物用量，降低生产成本并减少污染，为变量喷药提供数据支持，提高精确喷药的决策水平，实现精细农业起到积极的作用。
Description
技术领域
本发明涉及一种基于多光谱图像处理的水稻稻叶瘟病检测分级方法。
背景技术
稻瘟病是水稻生产上最主要的病害之一，广泛分布于世界各稻作区，水稻的整个生育期都可发病，造成大面积的危害，流行年份一般减产10％～20％，严重的达40％～50％。其中，尤以稻叶瘟和稻穗瘟引起的损失最大。叶瘟的年发病率在40％至50％；重的可达80％；穗颈瘟可达50％。稻瘟病菌群体组成复杂，且变异较快，抗瘟品种推广3-5年后往往失去抗性。而在目前农药防治中，病情数据采集是依靠人眼进行病情分级测报。叶瘟病情的分级以包括病斑的显现以及病斑占叶片的面积比例为尺度，划分标准要求比较精确，不同病情级别之间的病斑危害面积与叶面积的比值指标仅相差1％，普通人很难进行准确的病情区分。即使是专家肉眼分析评判，也需要花费大量时间和精力，效率不高。
发明内容
本发明的目的在于提供一种基于多光谱图像处理的水稻稻叶瘟病检测分级方法，以稻瘟病菌作为病原物，分析基于感病水稻叶片的多光谱图像，确定稻叶稻检测的图像特征，建立能准确反映稻叶瘟病害的检测模型和病害程度的定量描述模型，对稻叶瘟进行早期、准确、非破坏性诊断。
本发明解决其技术问题所采用的技术方案是：
利用多光谱图像检测平台，采集到水稻的红色、绿色及近红外三个通道的冠层灰度图像信息，采用Matlab软件实现的稻叶瘟检测的多光谱图像处理算法，包括背景噪声的消除和枯叶的灰度分析，基于Matlab的图像处理过程，分为以下五个步骤：
1)利用在近红外图像中，冠层叶面与背景图像的灰度值差异较大的特性，将背景和冠层叶面图像分离；同时计算出冠层叶面在图像的像素点值；
2)利用在红通道图像中，枯黄部位叶面与健康部位叶面灰度值差异较大的特性，将枯黄部位叶面与健康部位叶面图像分离，标记枯黄叶面区域；
3)在红通道图像中，利用叶尖判定算法，将枯黄叶尖与其它枯黄部位叶面图像分离；
4)在红、绿通道图像中，根据稻瘟病菌侵入机理，利用枯黄叶尖边缘灰度值差异判定算法，将自然枯黄叶尖与发病枯黄叶尖图像分离；同时计算出发病叶面在图像的像素点值；
5)根据发病部位叶面积与冠层总叶面积像素点的比值，计算得出该图像中叶瘟病害的评价等级。
本发明具有的有益效果是：
本发明主要用于快速、准确、稳定、实时、非破坏性的水稻稻瘟病感染诊断并且准确地指出病斑所在的位置以及感染程度分级，减少由于全面喷洒而造成的药物用量，降低生产成本并减少污染，为变量喷药提供数据支持，提高精确喷药的决策水平，实现精细农业起到积极的作用。
附图说明
图1是枯黄叶尖的判定方法示意图。
图2是可见/近红外多光谱图像水稻稻瘟病诊断分级的流程图。
具体实施方式
本研究的多光谱图像水稻稻瘟病诊断方法的图像采集：3CCD摄相机通过可调节角度、高度、移动底座的三脚架、屋顶可沿设计轨迹移动的悬挂机构或安装有可调节机械伸展臂高度、角度的车辆固定，分别用于室内及室外使用。植物和标定板的可见/近红外多光谱的图像采集所用的灯源为日光，当室内无阳光时采用人工光源。
采集到的多光谱图像信息同时包含红色、绿色及近红外三个通道的灰度图像信息。多光谱摄像机分别通过RS-232串口线及图像采集卡数据线与计算机相连接。由RS-232串行口控制图像信息的采集，通过图像采集卡输入计算机。通过分析植物冠层图像三个通道的信息，分离土壤背景，去除泥土、枯叶等干扰因素，提取病害信息，最后诊断植物是否感染病害及病症出现的位置(标定和诊断均由Matlab编写的应用软件完成)并计算得出该图像中叶瘟病害的评价等级。
利用多光谱图像检测平台，采集到水稻的红色、绿色及近红外三个通道的冠层灰度图像信息，利用3CCD可见/近红外多光谱摄像机实时采集绿光波段(550nm±40nm)，红光波段(650nm±40nm)，近红外波段(800nm±40nm)三个波段通道的单色灰度图像，采用Matlab软件实现的稻叶瘟检测的多光谱图像处理算法，包括背景噪声的消除和枯叶的灰度分析，基于Matlab的图像处理过程，分为以下五个步骤：
1)利用在近红外图像中，冠层叶面与背景图像的灰度值差异较大的特性，将背景和冠层叶面图像分离；同时计算出冠层叶面在图像的像素点值；
2)利用在红通道图像中，枯黄部位叶面与健康部位叶面灰度值差异较大的特性，将枯黄部位叶面与健康部位叶面图像分离，标记枯黄叶面区域；
3)在红通道图像中，利用叶尖判定算法，将枯黄叶尖与其它枯黄部位叶面图像分离；
叶尖判定算法：用图像进行叶瘟分级，与苗瘟分级最显著的区别在于需要剔除因营养自然缺失造成的叶面部分图像。营养缺失造成的叶面枯黄，其表象一般是从叶尖开始发生；而属于真菌病害的稻叶瘟，可以从叶面的任何部位入侵，进行危害。因此需要从图像中预先将枯黄叶尖筛选出来。水稻叶片的形状特征是修长，且边沿光滑，因此，本研究中使用的枯黄叶尖判定算法为：如果在枯黄区域对象边沿像素点中，存在有一点，其上方、下方、左方、右方相临像素点中至少有三个被判定属于背景区域，则此对象为枯黄叶尖(如图1所示)。
4)在红、绿通道图像中，根据稻瘟病菌侵入机理，利用枯黄叶尖边缘灰度值差异判定算法，将自然枯黄叶尖与发病枯黄叶尖图像分离；同时计算出发病叶面在图像的像素点值；
枯黄叶尖边缘灰度值差异判定算法：在稻瘟病菌侵入植株过程中，稻瘟病菌形成附着胞，附着胞在细胞壁产生黑色素沉积，最终形成黑色素层。通过黑色素层，稻瘟病菌得以穿透寄主叶片表面，侵染寄生。黑色素是稻瘟菌穿透表皮侵入稻株不可缺少的物质，因此在面积较大的染病区域，可以显示出叶面健康部分与染病部分边缘交界处色差明显。而对于因为营养自然缺失造成的叶面枯黄，其边界则无上述特征。因此在自然枯黄叶尖和因稻瘟病菌侵染引起的枯黄叶尖的分离中，首先将在红、绿色通道图像锐化，使得发病和健康区域交界轮廓清晰分明。在此图像中，如果枯黄叶尖区域边沿像素点中，存在有一点，其相临叶面像素点与此点的灰度值之差大于灰度数据有效范围(0-255)的2/5，即约等于100，则此枯黄叶尖区域被判定为发病面积；否则判定为自然枯黄叶尖。
5)根据发病部位叶面积与冠层总叶面积像素点的比值，计算得出该图像中叶瘟病害的评价等级。
整个方法的流程图如图2所示
多光谱摄像机为美国Redlake公司的MS3100Duncan Camera；图像采集卡为美国National Instrument公司的PCI1424或1428数据采集卡。
Claims (1)
1.一种基于多光谱图像处理的水稻稻叶瘟病检测分级方法，其特征在于：利用多光谱图像检测平台，采集到水稻的红色(R)、绿色(G)及近红外(IR)三个通道的冠层灰度图像信息，采用Matlab软件实现的稻叶瘟检测的多光谱图像处理算法，包括背景噪声的消除和枯叶的灰度分析，基于Matlab的图像处理过程，分为以下五个步骤：
1)利用在近红外图像中，冠层叶面与背景图像的灰度值差异较大的特性，将背景和冠层叶面图像分离；同时计算出冠层叶面在图像的像素点值；
2)利用在红通道图像中，枯黄部位叶面与健康部位叶面灰度值差异较大的特性，将枯黄部位叶面与健康部位叶面图像分离，标记枯黄叶面区域；
3)在红通道图像中，利用叶尖判定算法，将枯黄叶尖与其它枯黄部位叶面图像分离；
4)在红、绿通道图像中，根据稻瘟病菌侵入机理，利用枯黄叶尖边缘灰度值差异判定算法，将自然枯黄叶尖与发病枯黄叶尖图像分离；同时计算出发病叶面在图像的像素点值；
5)根据发病部位叶面积与冠层总叶面积像素点的比值，计算得出该图像中叶瘟病害的评价等级；
所述的叶尖判定算法为：如果在枯黄区域对象边沿像素点中，存在有一点，其上方、下方、左方、右方相邻像素点中至少有三个被判定属于背景区域，则此对象为枯黄叶尖；
所述的枯黄叶尖边缘灰度值差异判定算法为：首先将在红、绿色通道图像锐化，使得发病和健康区域交界轮廓清晰分明；在此图像中，如果枯黄叶尖区域边沿像素点中，存在有一点，其相邻叶面像素点与此点的灰度值之差大于灰度数据有效范围(0-255)的2/5，则此枯黄叶尖区域被判定为发病面积；否则判定为自然枯黄叶尖。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009100973414A CN101539531B (zh) | 2009-04-09 | 2009-04-09 | 基于多光谱图像处理的水稻稻叶瘟病检测分级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009100973414A CN101539531B (zh) | 2009-04-09 | 2009-04-09 | 基于多光谱图像处理的水稻稻叶瘟病检测分级方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101539531A CN101539531A (zh) | 2009-09-23 |
| CN101539531B true CN101539531B (zh) | 2011-11-16 |
Family
ID=41122837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2009100973414A Expired - Fee Related CN101539531B (zh) | 2009-04-09 | 2009-04-09 | 基于多光谱图像处理的水稻稻叶瘟病检测分级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101539531B (zh) |
Families Citing this family (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102565168B (zh) * | 2011-12-19 | 2014-09-03 | 北京农业智能装备技术研究中心 | 利用微观动态离子流技术检测水稻稻瘟病的方法及其应用 |
| CN102972376A (zh) * | 2012-11-15 | 2013-03-20 | 北京农业信息技术研究中心 | 生物量自动识别施药控制方法及装置 |
| CN103091296B (zh) * | 2013-01-23 | 2015-06-17 | 浙江大学 | 基于光谱成像技术的植物健康状况检测方法及其装置 |
| CN103134758B (zh) * | 2013-01-29 | 2015-06-17 | 华南农业大学 | 基于多尺度高光谱图像处理的稻叶瘟病抗性鉴定分级方法 |
| CN103065061B (zh) * | 2013-01-31 | 2015-11-18 | 安徽大学 | 植物病情指数获取与发布装置 |
| CN103293106A (zh) * | 2013-05-29 | 2013-09-11 | 浙江大学 | 一种室外便携式茄科蔬菜灰霉病实时检测系统和方法 |
| CN103293120A (zh) * | 2013-05-29 | 2013-09-11 | 浙江大学 | 一种室外便携式水稻叶瘟病实时检测系统和方法 |
| CN103487380B (zh) * | 2013-09-16 | 2015-08-12 | 浙江科技学院 | 一种梨树叶片上梨锈病斑的识别方法 |
| CN104034710B (zh) * | 2014-06-25 | 2016-08-24 | 浙江大学 | 基于叶绿素荧光及成像技术的植物病害检测方法 |
| CN104766152A (zh) * | 2015-01-30 | 2015-07-08 | 安徽大学 | 一种作物病害识别与病情评估装置 |
| CN105180850B (zh) * | 2015-07-15 | 2017-09-22 | 中国农业大学 | 计算玉米叶部大斑病病斑面积比例的方法及装置 |
| CN105261045B (zh) * | 2015-09-12 | 2020-04-03 | 黑龙江八一农垦大学 | 一种快速评估苜蓿病虫害损失程度的数字化方法 |
| CN105352899B (zh) * | 2015-10-26 | 2017-12-05 | 北京农业信息技术研究中心 | 一种基于反射光谱的变量施药窗口期决策方法 |
| CN106483130B (zh) * | 2016-10-13 | 2018-12-28 | 扬州大学 | 一种水稻病害的检测方法及其自动检测装置 |
| CN106846391B (zh) * | 2016-12-13 | 2017-09-26 | 连云港市植物保护植物检疫站 | —种基于图像技术的水稻纹枯病危害鉴别方法 |
| CN106872044A (zh) * | 2017-02-07 | 2017-06-20 | 贵阳学院 | 基于红外图像监测预警农作物早期病害及感染区域的方法 |
| CN106952300A (zh) * | 2017-04-28 | 2017-07-14 | 深圳前海弘稼科技有限公司 | 基于图像识别植物病变的方法及系统、计算机设备 |
| CN107944426B (zh) * | 2017-12-14 | 2020-06-02 | 安徽大学 | 基于纹理滤波和二维光谱特征空间判别相结合的小麦叶片白粉病斑标记方法 |
| CN108563979B (zh) * | 2017-12-29 | 2021-09-07 | 南京农业大学 | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 |
| CN108669036A (zh) * | 2018-03-30 | 2018-10-19 | 合肥赛为智能有限公司 | 一种无人机对靶施药智能化调控系统 |
| CN108684282B (zh) * | 2018-04-11 | 2023-07-07 | 北京麦飞科技有限公司 | 一种农业察打一体机系统及喷洒控制方法 |
| CN108873988A (zh) * | 2018-06-13 | 2018-11-23 | 铜仁学院 | 一种基于湿敏传感器的智能花卉种植系统 |
| CN109164069B (zh) * | 2018-09-29 | 2020-12-22 | 山西省农业科学院果树研究所 | 一种果树叶面病害级别的鉴定方法 |
| CN111122453A (zh) * | 2018-11-01 | 2020-05-08 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置和系统 |
| CN110530816B (zh) * | 2019-05-05 | 2021-01-12 | 中国科学院南京土壤研究所 | 利用红外光声光谱对水稻稻瘟病进行早期诊断的方法 |
| CN110260976B (zh) * | 2019-06-12 | 2021-08-31 | 中国矿业大学(北京) | 一种利用热红外监测获取微生物am和dse真菌联合菌剂施加剂量的方法 |
| CN113177911A (zh) * | 2021-04-13 | 2021-07-27 | 沈阳大学 | 一种叶片无损评价植物臭氧敏感性的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5841883A (en) * | 1994-10-27 | 1998-11-24 | Yazaki Corporation | Method of diagnosing a plant automatically and device for executing method thereof |
| CN1793857A (zh) * | 2005-12-28 | 2006-06-28 | 浙江大学 | 油菜氮素营养多光谱图像诊断方法及诊断系统 |
| EP1724566A1 (en) * | 2004-03-12 | 2006-11-22 | Joy World Pacific Co. Ltd. | Method of measuring calorie of object and device of measuring calorie of object |
-
2009
- 2009-04-09 CN CN2009100973414A patent/CN101539531B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5841883A (en) * | 1994-10-27 | 1998-11-24 | Yazaki Corporation | Method of diagnosing a plant automatically and device for executing method thereof |
| EP1724566A1 (en) * | 2004-03-12 | 2006-11-22 | Joy World Pacific Co. Ltd. | Method of measuring calorie of object and device of measuring calorie of object |
| CN1793857A (zh) * | 2005-12-28 | 2006-06-28 | 浙江大学 | 油菜氮素营养多光谱图像诊断方法及诊断系统 |
Non-Patent Citations (1)
| Title |
|---|
| 吴迪 等.基于地面多光谱成像技术的茄子灰霉病无损检测研究.《光谱学与光谱分析》.2008,第28卷(第7期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101539531A (zh) | 2009-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101539531B (zh) | 基于多光谱图像处理的水稻稻叶瘟病检测分级方法 | |
| Fu et al. | A novel image processing algorithm to separate linearly clustered kiwifruits | |
| Pinki et al. | Content based paddy leaf disease recognition and remedy prediction using support vector machine | |
| Payne et al. | Estimation of mango crop yield using image analysis–segmentation method | |
| Dammer et al. | Detection of head blight (Fusarium ssp.) in winter wheat by color and multispectral image analyses | |
| CN102072885B (zh) | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 | |
| Watchareeruetai et al. | Identification of plant nutrient deficiencies using convolutional neural networks | |
| Bebronne et al. | In-field proximal sensing of septoria tritici blotch, stripe rust and brown rust in winter wheat by means of reflectance and textural features from multispectral imagery | |
| CN109948596A (zh) | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 | |
| Liu et al. | Development of a machine vision system for weed detection during both of off-season and in-season in broadacre no-tillage cropping lands | |
| Lin et al. | A review on computer vision technologies applied in greenhouse plant stress detection | |
| CN105427274B (zh) | 一种由青霉感染引起腐烂的柑橘图像检测方法 | |
| CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
| Samanta et al. | Scab diseases detection of potato using image processing | |
| Izzuddin et al. | Analysis of airborne hyperspectral image using vegetation indices, red edge position and continuum removal for detection of Ganoderma disease in oil palm. | |
| CN102339378A (zh) | 一种自动提取棉苗的方法及其装置 | |
| CN108764285A (zh) | 一种基于高分辨率影像的松树病死木识别方法及系统 | |
| CN108037123A (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
| CN109389581A (zh) | 基于红外热成像边缘检测处理的小麦叶锈病分级的方法 | |
| Izzuddin et al. | Analysis of multispectral imagery from unmanned aerial vehicle (UAV) using object-based image analysis for detection of ganoderma disease in oil palm | |
| Chen et al. | Detection, Counting and Maturity Assessment of Cherry Tomatoes using Multi-spectral Images and Machine Learning Techniques. | |
| Gray et al. | Utility of hyperspectral reflectance for differentiating soybean (Glycine max) and six weed species | |
| Bleasdale et al. | Feasibility of detecting apple scab infections using low-cost sensors and interpreting radiation interactions with scab lesions | |
| Jafari et al. | Early detection and classification of powdery mildew-infected rose leaves using ANFIS based on extracted features of thermal images | |
| Taujuddin et al. | Detection of plant disease on leaves using blobs detection and statistical analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111116 Termination date: 20190409 |