CN102072885A - 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 - Google Patents
一种基于机器视觉的水稻穗颈瘟染病程度分级方法 Download PDFInfo
- Publication number
- CN102072885A CN102072885A CN 201010574287 CN201010574287A CN102072885A CN 102072885 A CN102072885 A CN 102072885A CN 201010574287 CN201010574287 CN 201010574287 CN 201010574287 A CN201010574287 A CN 201010574287A CN 102072885 A CN102072885 A CN 102072885A
- Authority
- CN
- China
- Prior art keywords
- illness
- catching
- paddy rice
- image
- principal component
- 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.)
- Granted
Links
Images
Abstract
一种基于机器视觉的水稻穗颈瘟染病程度分级方法,包括以下步骤:(1)建立水稻穗颈瘟染病程度分级模型;(2)对农田现场的水稻染病程序进行测试,其过程为:(2.1)、采用多光谱成像仪拍摄农田现场的水稻的图像;(2.2)、将获得的多光谱图像去除图像背景,提取图像信息;(2.3)、获得图像的12个颜色特征;(2.4)、通过对获取的12个颜色特征进行变量标准化预处理,然后进行用以对数据降维的主成分分析,根据各主成分的贡献率,得到第一主成分和第二主成分;(2.5)、将第一主成分和第二主成分作为测试模型的输入,运行所述测试模型得到农田现场的水稻的穗颈瘟染病级别。本发明省时省力、可靠性高、效率很高。
Description
技术领域
本发明涉及一种水稻穗颈瘟染病程度分级方法。
背景技术
稻瘟病是由真菌Pyricularia grisea Sacc.引起的最具毁灭性的水稻病害之一,广泛分布于世界各稻作区,在水稻的整个生育期都可发病,造成大面积的危害,其中以穗颈瘟对产量的影响最大。一旦水稻感染了穗颈瘟,轻者严重减产,重者基本绝收。目前,穗颈瘟常用的染病程度鉴定方法主要是培养稻穗离体接种,然后通过植保专家进行目测调查,参照国家稻瘟病穗瘟发病率分级标准,对病情进行分级。人工对穗颈瘟染病程度进行分析评判需要花费大量的时间和精力,效率不高。
发明内容
为了克服已有水稻穗颈瘟染病程度分级方法的人工分级、费时费力、可靠性差、效率较低的不足,本发明提供一种省时省力、可靠性高、效率很高的基于机器视觉的水稻穗颈瘟染病程度分级方法。
本发明解决其技术问题所采用的技术方案是:
一种基于机器视觉的水稻穗颈瘟染病程度分级方法,所述分级方法包括以下步骤:
(1)建立水稻穗颈瘟染病程度分级模型,其过程为:
(1.1)、盆栽水稻样本,并对水稻穗颈进行离体接种,并由水稻病虫害方面的植保专家对水稻穗颈瘟染病程度进行评判分级;
(1.2)、采用多光谱成像仪拍摄水稻穗颈样本的图像;
(1.3)、将获得的多光谱图像去除图像背景,提取图像信息;
(1.4)、将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值和方差,获得图像的12个颜色特征;
(1.5)、通过对获取的12个颜色特征进行变量标准化预处理,然后进行用以对数据降维的主成分分析,根据各主成分的贡献率,选择第一主成分和第二主成分作为后续分析的变量;
(1.6)、建立最小二乘-支持向量机分级模型,其中,核函数选用RBF核函数,最小二乘-支持向量机分级模型的输入为步骤(1.5)中的第一主成分和第二主成分,最小二乘-支持向量机分级模型的输出为水稻样本的穗颈瘟染病级别,根据水稻样本的变量输入和准确率的预设阈值,设定惩罚系数和核函数密度;
(2)对农田现场的水稻染病程序进行测试,其过程为:
(2.1)、采用多光谱成像仪拍摄农田现场的水稻的图像;
(2.2)、将获得的多光谱图像去除图像背景,提取图像信息;
(2.3)、将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值和方差,获得图像的12个颜色特征;
(2.4)、通过对获取的12个颜色特征进行变量标准化预处理,然后进行用以对数据降维的主成分分析,根据各主成分的贡献率,得到第一主成分和第二主成分;
(2.5)、将第一主成分和第二主成分作为测试模型的输入,运行所述测试模型得到农田现场的水稻的穗颈瘟染病级别。
进一步,所述多光谱成像仪具有三个电荷耦合器件图像传感器,采集的图像包括三个波段的图像分量,所述三个波段分别是:红光波段、绿光波段和近红外波段,其中,红光波段的波长范围:650nm±40nm,绿光波段的波长范围:550nm±40nm,近红外波段的波长范围为:800nm±40nm。
再进一步,所述步骤(1.1)中,穗颈瘟染病程度由水稻病虫害方面的植保专家根据国家标准评判,通过平均病情指数来表示染病程度,平均病情指数是0~9之间的一个数值;如果平均病情指数在0~3之间,认为染病程度为轻;平均病情指数在3~7之间,认为染病程度为中;平均病情指数在7~9之间,认为染病程度为重。
更进一步,所述步骤(1.1)中,水稻样本采用不同抗性类型的原丰早等籼稻和粳稻品种。
所述步骤(1.2)中,室内无日光时采用人工光源。当然,多光谱成像仪所用光源通常为自然光。
所述步骤(1.6)中,设定惩罚系数和核函数密度的过程为:
(1.6.1)依照经验值给定初始惩罚系数和核函数密度,将水稻样本的变量输入最小二乘-支持向量机分级模型,输出为水稻样本的穗颈瘟染病级别;
(1.6.2)、对建立的最小二乘-支持向量机分级模型以设定数量的样本进行测试,判定准确率是否达到预设阈值时,如果准确率已经达到预设阈值,则当前的最小二乘-支持向量机分级模型为测试模型;如果准确率未达到预设阈值,则返回步骤(1.6),重新设定惩罚系数和核函数密度。
当然,最小二乘-支持向量机分级模型的惩罚系数和核函数密度也可以通过其他优化算法获得,例如采用二步网格搜索法和留一法交叉验证相结合对两个模型参数进行全局寻优,以训练集交叉验证误差均方根为指标计算得到惩罚系数和核函数密度。
所述步骤(1.6.2)中,惩罚系数γ=10,核函数密度σ2=1。当然,根据实际需要,上述参数可以另行确定。
本发明的技术构思为:机器视觉技术,从获取的测定对象图像中得到大量的参数和信息,数据具有较好的适应性和鲁棒性。它在农业生产上的应用主要是杂草识别、植物营养预测、植物病害检测、水势测量、农产品分级等。数字图像中的多光谱图像由红、绿、近红外3个光谱分量组成的假彩色RGB图像。当植物受到病菌胁迫后,植物叶片的光合色素含量和细胞结构会发生改变,不同波段的光谱反射率随之会产生变化,可以用于全面检测和分析受害植物叶片和冠层的特征信息。
利用MS3100多光谱成像仪获取大量水稻穗颈瘟样本多光谱图像,使用Matlab R2007b对图像进行处理,提取图像特征,然后对图像特征进行变量标准化(standard normal variate,SNV)和主成分分析(principal component analysis,PCA),获取贡献率最高的两个主成分,最后根据最小二乘-支持向量机(least square-support vector machine,LS-SVM)原理建立水稻穗颈瘟染病程度分级模型。当需要判断水稻穗颈的染病程度时,只需要使用MS3100拍摄水稻穗颈的多光谱图像,然后利用已经编写的mablab程序进行图像处理和特征获取,并输入到建立的LS-SVM分级模型中,即可得到判断结果,模型的判断准确率高达80%。
选用的多光谱成像仪美国Redlake公司的MS3100 Duncan Camera,具有三个电荷耦合器件(Charge Coupled Device,CCD)图像传感器,采集的图像包括三个波段的图像分量,这三个波段分别是:红光波段(650nm±40nm)、绿光波段(6550nm±40nm),近红外波段(800nm±40nm)。利用MS3100多光谱成像仪获取水稻穗颈的多光谱图像,使用Matlab R2007b去除图像背景,提高图像信噪比,并分别在RGB颜色空间和HIS颜色空间中计算各图像分量的灰度平均值和方差,共获得12个图像特征。然后对获得的图像特征进行变量标准化(SNV)和主成分分析(PCA),选取两个贡献最大的主成分。根据最小二乘-支持向量机(LS-SVM)的原理,建立水稻穗颈瘟染病程度的最小二乘-支持向量机(LS-SVM)分级模型,其中水稻的具体染病程度的参考标准为植保专家根据国家标准作出的判断,分为轻度、中度、重度三个级别。LS-SVM分级模型判断水稻穗颈瘟染病程度的准确度可达80%。
本发明的有益效果主要表现在:
(1)操作方便,不需要植保专家到现场进行判断,只需要获取水稻图像,通过图像处理获得图像特征,然后利用建立的LS-SVM分级模型即可进行染病程度分级,其中的图像处理和特征获取的过程都已经编写成matlab程序,可直接调用,LS-SVM分级模型也被编写成matlab程序,只要将处理后获得的数据输入模型,得到的输出就是水稻穗颈瘟的染病程度。
(2)准确度高,建立的LS-SVM分级模型对100个预测样本进行染病程度判断,准确度高达80%,这在机器诊断植物病害的方法中准确度是比较高的。
(3)工具简单,检测工具包括一台MS3100多光谱成像仪、一台装有Unscrambler V9.7和Matlab R 2007b的微型计算机即可。
(4)根据诊断结果,农户可以根据水稻穗颈瘟染病程度的不同使用农药,避免大面积大量使用农药,有利于节约农药,并能有效降低环境污染,实现农业的信息化、精细化经营和管理。
附图说明
图1为本发明方法的模型建立过程。
图2为本发明方法中图像处理与特征提取的过程。
图3为使用本发明方法判断水稻穗颈瘟染病程度的过程。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于机器视觉的水稻穗颈瘟染病程度分级方法,所述分级方法包括以下步骤:
(1)建立水稻穗颈瘟染病程度分级模型,其过程为:
(1.1)、盆栽水稻样本,并对水稻穗颈进行离体接种,并由水稻病虫害方面的植保专家对水稻穗颈瘟染病程度进行评判分级;
(1.2)、采用多光谱成像仪拍摄水稻穗颈样本的图像;
(1.3)、将获得的多光谱图像去除图像背景,提取图像信息;
(1.4)、将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值和方差,获得图像的12个颜色特征;
(1.5)、通过对获取的12个颜色特征进行变量标准化预处理,然后进行用以对数据降维的主成分分析,根据各主成分的贡献率,选择第一主成分和第二主成分作为后续分析的变量,所述第一主成分的贡献率最高,所述第二主成分的贡献率次最高;
(1.6)、建立最小二乘-支持向量机分级模型,其中,核函数选用RBF核函数;最小二乘-支持向量机分级模型的输入为步骤(1.5)中的第一主成分和第二主成分,最小二乘-支持向量机分级模型的输出为水稻样本的穗颈瘟染病级别;根据变量输入和准确率的预设阈值,设定惩罚系数和核函数密度;
(2)对农田现场的水稻染病程序进行测试,其过程为:
(2.1)、采用多光谱成像仪拍摄农田现场的水稻的图像;
(2.2)、将获得的多光谱图像去除图像背景,提取图像信息;
(2.3)、将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值和方差,获得图像的12个颜色特征;
(2.4)、通过对获取的12个颜色特征进行变量标准化预处理,然后进行用以对数据降维的主成分分析,根据各主成分的贡献率,得到第一主成分和第二主成分;
(2.5)、将第一主成分和第二主成分作为测试模型的输入,运行所述测试模型得到农田现场的水稻的穗颈瘟染病级别。
所述多光谱成像仪具有三个电荷耦合器件图像传感器,采集的图像包括三个波段的图像分量,所述三个波段分别是:红光波段、绿光波段和近红外波段,其中,红光波段的波长范围:650nm±40nm,绿光波段的波长范围:550nm±40nm,近红外波段的波长范围为:800nm±40nm。
所述步骤(1.1)中,穗颈瘟染病程度由水稻病虫害方面的植保专家根据国家标准评判,通过平均病情指数来表示染病程度,平均病情指数是0~9之间的一个数值;如果平均病情指数在0~3之间,认为染病程度为轻;平均病情指数在3~7之间,认为染病程度为中;平均病情指数在7~9之间,认为染病程度为重。
所述步骤(1.1)中,水稻样本采用不同抗性类型的原丰早等籼稻和粳稻品种。
所述步骤(1.2)中,室内无日光时采用人工光源。当然,多光谱成像仪所用光源通常为自然光。
所述步骤(1.6)中,设定惩罚系数和核函数密度的过程为:
(1.6.1)依照经验值给定初始惩罚系数和核函数密度,将水稻样本的变量输入最小二乘-支持向量机分级模型,输出为水稻样本的穗颈瘟染病级别;
(1.6.2)、对建立的最小二乘-支持向量机分级模型以设定数量的样本进行测试,判定准确率是否达到预设阈值时,如果准确率已经达到预设阈值,则当前的最小二乘-支持向量机分级模型为测试模型;如果准确率未达到预设阈值,则返回步骤(1.6),重新设定惩罚系数和核函数密度。
当然,最小二乘-支持向量机分级模型的惩罚系数和核函数密度也可以通过其他优化算法获得,例如采用二步网格搜索法和留一法交叉验证相结合对两个模型参数进行全局寻优,以训练集交叉验证误差均方根为指标计算得到惩罚系数和核函数密度。
所述步骤(1.6.2)中,惩罚系数γ=10,核函数密度σ2=1。当然,根据实际需要,上述参数可以另行确定。
本实施例利用MS3100多光谱成像仪获取大量水稻穗颈瘟样本多光谱图像,使用Matlab R2007b对图像进行处理,提取图像特征,然后对图像特征进行变量标准化(standard normal variate,SNV)和主成分分析(principal component analysis,PCA),获取贡献率最高的两个主成分,最后根据最小二乘-支持向量机(least square-support vector machine,LS-SVM)原理建立水稻穗颈瘟染病程度分级模型。当需要判断水稻穗颈的染病程度时,只需要使用MS3100拍摄水稻穗颈的多光谱图像,然后利用已经编写的mablab程序进行图像处理和特征获取,并输入到建立的LS-SVM分级模型中,即可得到判断结果,模型的判断准确率高达80%。
变量标准化(standard normal variate,SNV)可以用来校正样本间因散射引起的反射率误差,它将原始数据减去数据集的平均值μ,然后除以该数据集的标准差σ,实质上是使原始数据标准正态化,即:
其中xi为原始数据,μ为数据集的平均值,σ为数据集的标准差,Zi为经过SNV处理后的数据。经过SNV预处理后,数据的信噪比大大提高,因而模型的准确性也有所提高。
主成分分析(principal component analysis,PCA)是一种将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法,又称主分量分析。主成分分析被广泛应用于统计分析、特征提取及识别、故障诊断等领域。主成分分析的过程可以分为以下几个步骤:
(1)指标标准化
为了排除数量级和量纲不同带来的影响,首先对原始数据作标准化处理,使得每个指标的平均值为0,方差为1。标准化公式为
式中,xij为第i样本的第j个指标的原始数据;和表达式的分母分别为第j个指标原始数据的平均值和标准差。
(2)计算样本相关矩阵
式中,rij(i,j=1,2,...,p)为原变量的xi与xj之间的相关系数。
(3)计算相关矩阵R的特征根及单位特征向量
解特征方程|λI-R|=0,通常用雅可比法(Jacobi)求出特征值λi(i=1,2,...,p),并使其按大小顺序排列,即λ1≥λ2≥...≥λp≥0;然后分别求出特征值λi的特征向量ei(i=1,2,..,p)。这里要求‖ei‖=1,即其中eij表示向量ei的第j个分量。
(4)计算主成分贡献率及累计贡献率
第i个主成分yi的方差贡献率为
主成分y1,y2,y3...ym的累计贡献率为
一般取累计贡献率达85%~95%的特征值λ1,λ2,...,λm所对应的第一、第二,...,第m(m≤p)个主成分。
(5)计算主成分
其计算公式为
y1=e11x1+e12x2+...+e1pxp
y2=e21x1+e22x2+...+e2pxp (6)
M
yp=ep1x1+ep2x2+...+eppxp
(6)构造综合评价函数
F=α1y1+α2y2+...+αmym (7)
将每个样本的主成分得分代入评价函数,得到每个样本的综合得分,依据一定的准则,可对样本进行排序。
主成分分析可以有效降低数据维度,减小数据量,又不损失数据的主要信息。
最小二乘支持向量机(least square-support vector machine,LS-SVM)是由Suykens提出的一种新型支持向量机。最小二乘支持向量机引入最小二乘线性系统到支持向量机中,代替传统的支持向量机采用二次规划方法解决分类问题。
用于分类的最小二乘-支持向量机算法推导如下:设训练样本集D={(xk,yk)|k=1,2,...N},xk∈Rn,yk∈(-1,+1),xk是输入数据,yk是输出数据。在权ω空间(原始空间)中最小二乘-支持向量机分类问题可以描述为求解下面问题:
为了解决式(8)的约束优化问题,定义如下拉格朗日函数:
其中拉格朗日乘子αk≥0(k=1,2,..,N)。对式(9)进行优化,即求L对w,b,ek,αk的偏导数等于0,得到:
式(10)可以化为求解下面的矩阵方程:
(1)多项式核函数
(2)RBF(径向基Radial Basis Function)核函数
(3)Sigmoid核函数
在本发明方法中,建立的最小二乘-支持向量机分级模型的核函数选用RBF核函数,惩罚系数γ=10,核函数密度σ2=1。
图1显示了水稻穗颈瘟分级模型建立过程,建立模型所用的水稻穗颈样本选用不同抗性类型的原丰早等籼稻和粳稻品种,进行离体接种,穗颈瘟染病程度由水稻病虫害方面的植保专家评判,通过平均病情指数来表示染病程度,平均病情指数是0~9之间的一个数值。为了便于分级,如果平均病情指数在0~3之间,认为染病程度为轻,平均病情指数在3~7之间,认为染病程度为中,平均病情指数在7~9之间,认为染病程度为重。这样,水稻穗颈瘟的染病程度被归为轻度、中度、重度三个级别。
水稻穗颈瘟分级模型建立的具体步骤如下:
(1.1)盆栽一定量水稻,在一定时期对水稻穗颈进行离体接种,并有水稻病虫害方面的植保专家对水稻穗颈瘟染病程度进行评判,分为轻度、中度、重度三个级别。
(1.2)使用MS3100多光谱成像仪(Duncan Tech,San Diego,CA)拍摄培养皿中水稻穗颈样本的图像,样本数为100。
(1.3)将获得的多光谱图像输入计算机,进行一定的图像处理,去除图像背景,提取图像主要信息。
(1.4)将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值和方差,获得图像的12个颜色特征。
(1.5)对获取的12个颜色特征进行变量标准化(standard normal variable,SNV)预处理,然后进行主成分分析(principal component analysis,PCA),对数据进行降维。根据各主成分的贡献率,选择第一主成分和第二主成分作为后续分析的变量。
(1.6)利用MATLAB中的LS-SVMlab工具箱建立最小二乘-支持向量机分级模型,其中核函数选用RBF核函数,惩罚系数γ=10,核函数密度σ2=1。
(1.7)建立的LS-SVM分级模型对100个预测样本进行测试,准确率达80%。
用于采集水稻穗颈图像的多光谱成像仪是美国Redlake公司的MS3100Duncan Camera,它具有三个电荷耦合器件(Charge Coupled Device,CCD)图像传感器,采集的图像包括三个波段的图像分量,这三个波段分别是:红光波段(650nm±40nm)、绿光波段(550nm±40nm),近红外波段(800nm±40nm)。图像信息通过数据线和图像采集卡输入计算机,使用计算机软件Matlab R2007b读入并处理图像信息,具体图像处理和图像特征提取的方法如图2所示。
(1)通过对多光谱图像各图像分量的运算去除图像背景,提高图像的信噪比。此过程已经编写成matlab程序。
(2)分别在RGB颜色空间和HIS颜色空间提取图像的颜色特征,主要是各图像分量的灰度平均值和方差,这样共获得12个图像特征。此过程已经编写成mablab程序。
(3)对获取的12个图像特征利用变量标准化方法(SNV)进行处理,进一步提高信噪比。此过程可以通过Unscrambler V9.7软件来完成,也可以自己编写mablab程序来完成。
(4)对图像特征进行主成分分析(PCA),根据各主成分的贡献率选取贡献率最高的两个主成分。此过程可以通过Unscrambler V9.7软件来完成,也可以自己编写mablab程序来完成。
(5)将获得的两个主成分作为输入变量建立LS-SVM模型,LS-SVM模型的核函数选用RBF核函数,惩罚系数γ=10,核函数密度σ2=1。此过程已经编写成matlab程序。
要判断水稻穗颈的穗颈瘟染病程度首先要获取待判对象,可以将水稻穗颈采到室内,在室内拍摄穗颈的图像,也可以携带MS3100多光谱成像仪到室外拍摄穗颈图像,拍摄过程中要注意防止曝光过度。
图3显示了水稻穗颈瘟的LS-SVM分级模型判断水稻穗颈瘟染病程度的过程,具体步骤如下:
(2.1)获取待判水稻穗颈,在日光(室内可用人工光源)下使用MS3100拍摄多光谱图像。
(2.2)将拍摄的多光谱图像输入计算机,在Matlab R2007b软件中利用已经编写的mablab程序进行图像预处理,去除图像背景,提取图像信息。
(2.3)将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值和方差,获得图像的12个颜色特征。
(2.4)对获得的12个图像特征使用变量标准化方法(SNV)和主成分分析方法(PCA)进行处理。此过程可以在Unscrambler V9.7软件来完成,也可以通过自己编写的matlab程序完成。
(2.5)将两个贡献率较高的主成分输入到建立的水稻穗颈瘟LS-SVM分级模型,结果将显示该待判水稻的穗颈瘟染病程度。此过程可以通过调用已经编写的matlab程序完成。
根据诊断结果,可以根据水稻穗颈瘟染病程度的不同使用农药,避免大面积大量使用农药,有利于节约农药,并能有效降低环境污染,实现农业生产的信息化,精细化管理。
Claims (7)
1.一种基于机器视觉的水稻穗颈瘟染病程度分级方法,其特征在于:所述分级方法包括以下步骤:
(1)建立水稻穗颈瘟染病程度分级模型,其过程为:
(1.1)、盆栽水稻样本,并对水稻穗颈进行离体接种,并由水稻病虫害方面的植保专家对水稻穗颈瘟染病程度进行评判分级;
(1.2)、采用多光谱成像仪拍摄水稻穗颈样本的图像;
(1.3)、将获得的多光谱图像去除图像背景,提取图像信息;
(1.4)、将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值和方差,获得图像的12个颜色特征;
(1.5)、通过对获取的12个颜色特征进行变量标准化预处理,然后进行用以对数据降维的主成分分析,根据各主成分的贡献率,选择第一主成分和第二主成分作为后续分析的变量;
(1.6)、建立最小二乘-支持向量机分级模型,其中,核函数选用RBF核函数,最小二乘-支持向量机分级模型的输入为步骤(1.5)中的第一主成分和第二主成分,最小二乘-支持向量机分级模型的输出为水稻样本的穗颈瘟染病级别;根据变量输入和准确率的预设阈值,设定惩罚系数和核函数密度;
(2)对农田现场的水稻染病程序进行测试,其过程为:
(2.1)、采用多光谱成像仪拍摄农田现场的水稻的图像;
(2.2)、将获得的多光谱图像去除图像背景,提取图像信息;
(2.3)、将多光谱图像在RGB颜色空间和HIS颜色空间中的六个分量分别计算均值和方差,获得图像的12个颜色特征;
(2.4)、通过对获取的12个颜色特征进行变量标准化预处理,然后进行用以对数据降维的主成分分析,根据各主成分的贡献率,得到第一主成分和第二主成分;
(2.5)、将第一主成分和第二主成分作为测试模型的输入,运行所述测试模型得到农田现场的水稻的穗颈瘟染病级别。
2.如权利要求1所述的一种基于机器视觉的水稻穗颈瘟染病程度分级方法,其特征在于:所述多光谱成像仪具有三个电荷耦合器件图像传感器,采集的图像包括三个波段的图像分量,所述三个波段分别是:红光波段、绿光波段和近红外波段,其中,红光波段的波长范围:650 nm±40 nm,绿光波段的波长范围:550 nm±40 nm,近红外波段的波长范围为:800 nm±40 nm。
3.如权利要求1或2所述的一种基于机器视觉的水稻穗颈瘟染病程度分级方法,其特征在于:所述步骤(1.1)中,穗颈瘟染病程度由水稻病虫害方面的植保专家根据国家标准评判,通过平均病情指数来表示染病程度,平均病情指数是0~9之间的一个数值;如果平均病情指数在0~3之间,认为染病程度为轻;平均病情指数在3~7之间,认为染病程度为中;平均病情指数在7~9之间,认为染病程度为重。
4.如权利要求3所述的一种基于机器视觉的水稻穗颈瘟染病程度分级方法,其特征在于:所述步骤(1.1)中,水稻样本采用不同抗性类型的原丰早等籼稻和粳稻品种。
5.如权利要求1或2所述的一种基于机器视觉的水稻穗颈瘟染病程度分级方法,其特征在于:所述步骤(1.2)中,室内无日光时采用人工光源。
6.如权利要求1或2所述的一种基于机器视觉的水稻穗颈瘟染病程度分级方法,其特征在于:所述步骤(1.6)中,设定惩罚系数和核函数密度的过程为:
(1.6.1)依照经验值给定初始惩罚系数和核函数密度,将水稻样本的变量输入最小二乘-支持向量机分级模型,输出为水稻样本的穗颈瘟染病级别;
(1.6.2)、对建立的最小二乘-支持向量机分级模型以设定数量的样本进行测试,判定准确率是否达到预设阈值时,如果准确率已经达到预设阈值,则当前的最小二乘-支持向量机分级模型为测试模型;如果准确率未达到预设阈值,则返回步骤(1.6),重新设定惩罚系数和核函数密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105742870A CN102072885B (zh) | 2010-12-06 | 2010-12-06 | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105742870A CN102072885B (zh) | 2010-12-06 | 2010-12-06 | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102072885A true CN102072885A (zh) | 2011-05-25 |
CN102072885B CN102072885B (zh) | 2012-08-08 |
Family
ID=44031510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105742870A Expired - Fee Related CN102072885B (zh) | 2010-12-06 | 2010-12-06 | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102072885B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706877A (zh) * | 2012-06-06 | 2012-10-03 | 石河子大学 | 便携式棉花病虫害检测系统及方法 |
CN103238493A (zh) * | 2013-05-20 | 2013-08-14 | 江苏省农业科学院 | 桃不同砧木类型对持续干旱的响应及其抗旱性评价方法 |
CN103824083A (zh) * | 2014-02-25 | 2014-05-28 | 同济大学 | 基于叶片完备局部二值特征的Web在线物种识别方法 |
CN104750734A (zh) * | 2013-12-30 | 2015-07-01 | 华为技术有限公司 | 基于线性支持向量机的分类方法及装置 |
CN105930769A (zh) * | 2016-04-13 | 2016-09-07 | 北京林业大学 | 一种基于生物生态特征的病虫害发生等级精度验证方法 |
CN105938564A (zh) * | 2016-04-29 | 2016-09-14 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及系统 |
CN106708142A (zh) * | 2017-02-21 | 2017-05-24 | 广西力拓农业开发有限公司 | 一种基于物联网的水稻管理系统 |
CN106846391A (zh) * | 2016-12-13 | 2017-06-13 | 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 |
CN107506738A (zh) * | 2017-08-30 | 2017-12-22 | 深圳云天励飞技术有限公司 | 特征提取方法、图像识别方法、装置及电子设备 |
CN108287926A (zh) * | 2018-03-02 | 2018-07-17 | 宿州学院 | 一种农业生态多源异构大数据采集、处理与分析架构 |
CN108318432A (zh) * | 2017-12-29 | 2018-07-24 | 北京农业智能装备技术研究中心 | 一种三维高光谱杂草成像装置及方法 |
CN109409440A (zh) * | 2018-11-09 | 2019-03-01 | 中国计量大学 | 一种基于颜色特征和支持向量机的蚕茧分类方法 |
CN110082298A (zh) * | 2019-05-15 | 2019-08-02 | 南京农业大学 | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 |
CN110530816A (zh) * | 2019-05-05 | 2019-12-03 | 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 |
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 |
CN111428990A (zh) * | 2020-03-20 | 2020-07-17 | 浙江大学城市学院 | 一种基于深度神经网络的水培花卉开花期花卉等级评估方法 |
CN112083128A (zh) * | 2020-09-15 | 2020-12-15 | 华南农业大学 | 一种水稻高产抗虫害性表型鉴定方法 |
CN112304947A (zh) * | 2020-10-29 | 2021-02-02 | 杭州岚达科技有限公司 | 一种稻穗品质分析仪 |
CN113109327A (zh) * | 2021-03-09 | 2021-07-13 | 杭州市林业科学研究院 | 一种山核桃树干腐病的预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201041547Y (zh) * | 2007-05-29 | 2008-03-26 | 浙江大学 | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 |
CN101718683A (zh) * | 2009-11-10 | 2010-06-02 | 中国农业大学 | 快速检测叶片叶绿素含量的装置、建模方法及检测方法 |
-
2010
- 2010-12-06 CN CN2010105742870A patent/CN102072885B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201041547Y (zh) * | 2007-05-29 | 2008-03-26 | 浙江大学 | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 |
CN101718683A (zh) * | 2009-11-10 | 2010-06-02 | 中国农业大学 | 快速检测叶片叶绿素含量的装置、建模方法及检测方法 |
Non-Patent Citations (3)
Title |
---|
《光谱学与光谱分析》 20091015 冯雷等 基于多光谱成像技术的水稻叶瘟检测分级方法研究 2730-2733 1-7 第29卷, 第10期 2 * |
《吉林大学学报(工学版)》 20090315 齐龙等 基于多光谱视觉的稻瘟病抗病性分级检测技术 356-359 1-7 第39卷, 2 * |
《湖南农业科学》 20090118 张浩等 基于多光谱图像的水稻穗颈瘟严重度识别研究 65-68 1-7 , 第01期 2 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706877A (zh) * | 2012-06-06 | 2012-10-03 | 石河子大学 | 便携式棉花病虫害检测系统及方法 |
CN103238493A (zh) * | 2013-05-20 | 2013-08-14 | 江苏省农业科学院 | 桃不同砧木类型对持续干旱的响应及其抗旱性评价方法 |
CN103238493B (zh) * | 2013-05-20 | 2015-02-25 | 江苏省农业科学院 | 桃不同砧木类型对持续干旱的响应及其抗旱性评价方法 |
CN104750734B (zh) * | 2013-12-30 | 2018-05-11 | 华为技术有限公司 | 基于线性支持向量机的分类方法及装置 |
CN104750734A (zh) * | 2013-12-30 | 2015-07-01 | 华为技术有限公司 | 基于线性支持向量机的分类方法及装置 |
CN103824083A (zh) * | 2014-02-25 | 2014-05-28 | 同济大学 | 基于叶片完备局部二值特征的Web在线物种识别方法 |
CN103824083B (zh) * | 2014-02-25 | 2017-02-22 | 同济大学 | 基于叶片完备局部二值特征的Web在线物种识别方法 |
CN105930769A (zh) * | 2016-04-13 | 2016-09-07 | 北京林业大学 | 一种基于生物生态特征的病虫害发生等级精度验证方法 |
CN105938564A (zh) * | 2016-04-29 | 2016-09-14 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及系统 |
CN106846391A (zh) * | 2016-12-13 | 2017-06-13 | 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 |
CN106708142A (zh) * | 2017-02-21 | 2017-05-24 | 广西力拓农业开发有限公司 | 一种基于物联网的水稻管理系统 |
CN107506738A (zh) * | 2017-08-30 | 2017-12-22 | 深圳云天励飞技术有限公司 | 特征提取方法、图像识别方法、装置及电子设备 |
CN108318432A (zh) * | 2017-12-29 | 2018-07-24 | 北京农业智能装备技术研究中心 | 一种三维高光谱杂草成像装置及方法 |
CN108287926A (zh) * | 2018-03-02 | 2018-07-17 | 宿州学院 | 一种农业生态多源异构大数据采集、处理与分析架构 |
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 |
CN109409440A (zh) * | 2018-11-09 | 2019-03-01 | 中国计量大学 | 一种基于颜色特征和支持向量机的蚕茧分类方法 |
CN110530816A (zh) * | 2019-05-05 | 2019-12-03 | 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 |
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 |
CN110082298A (zh) * | 2019-05-15 | 2019-08-02 | 南京农业大学 | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 |
CN110082298B (zh) * | 2019-05-15 | 2020-05-19 | 南京农业大学 | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 |
CN111428990A (zh) * | 2020-03-20 | 2020-07-17 | 浙江大学城市学院 | 一种基于深度神经网络的水培花卉开花期花卉等级评估方法 |
CN112083128A (zh) * | 2020-09-15 | 2020-12-15 | 华南农业大学 | 一种水稻高产抗虫害性表型鉴定方法 |
CN112304947A (zh) * | 2020-10-29 | 2021-02-02 | 杭州岚达科技有限公司 | 一种稻穗品质分析仪 |
CN112304947B (zh) * | 2020-10-29 | 2024-04-09 | 杭州岚达科技有限公司 | 一种稻穗品质分析仪 |
CN113109327A (zh) * | 2021-03-09 | 2021-07-13 | 杭州市林业科学研究院 | 一种山核桃树干腐病的预测方法 |
CN113109327B (zh) * | 2021-03-09 | 2023-11-17 | 杭州市林业科学研究院 | 一种山核桃树干腐病的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102072885B (zh) | 2012-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102072885B (zh) | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 | |
CN107576618B (zh) | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 | |
Di Gennaro et al. | A low-cost and unsupervised image recognition methodology for yield estimation in a vineyard | |
Fahlgren et al. | A versatile phenotyping system and analytics platform reveals diverse temporal responses to water availability in Setaria | |
CN110287944B (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
US20200141877A1 (en) | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle | |
Peña-Barragán et al. | Object-based crop identification using multiple vegetation indices, textural features and crop phenology | |
CN105825177A (zh) | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 | |
CN106355143A (zh) | 多源多时相高分遥感影像的制种玉米田识别方法及系统 | |
De Castro et al. | Applying neural networks to hyperspectral and multispectral field data for discrimination of cruciferous weeds in winter crops | |
Sun et al. | Monitoring maize canopy chlorophyll density under lodging stress based on UAV hyperspectral imagery | |
CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
Wenting et al. | Detecting maize leaf water status by using digital RGB images | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
Yeh et al. | A comparison of machine learning methods on hyperspectral plant disease assessments | |
Ban et al. | Estimating the severity of apple mosaic disease with hyperspectral images | |
Parreiras et al. | Using unmanned aerial vehicle and machine learning algorithm to monitor leaf nitrogen in coffee | |
Song et al. | Assessment of wheat chlorophyll content by the multiple linear regression of leaf image features | |
Zhang et al. | Differentiation of cotton from other crops at different growth stages using spectral properties and discriminant analysis | |
Bleasdale et al. | Feasibility of detecting apple scab infections using low-cost sensors and interpreting radiation interactions with scab lesions | |
McNish et al. | Oat crown rust disease severity estimated at many time points using multispectral aerial photos | |
Prasad et al. | Hyperspectral vegetation indices offer insights for determining economically optimal time of harvest in Mentha arvensis | |
CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
CN115049902A (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
Henry et al. | Spectral reflectance curves to distinguish soybean from common cocklebur (Xanthium strumarium) and sicklepod (Cassia obtusifolia) grown with varying soil moisture |
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: 20120808 Termination date: 20181206 |