CN102214306A - 叶片病斑识别方法及装置 - Google Patents
叶片病斑识别方法及装置 Download PDFInfo
- Publication number
- CN102214306A CN102214306A CN 201110162727 CN201110162727A CN102214306A CN 102214306 A CN102214306 A CN 102214306A CN 201110162727 CN201110162727 CN 201110162727 CN 201110162727 A CN201110162727 A CN 201110162727A CN 102214306 A CN102214306 A CN 102214306A
- Authority
- CN
- China
- Prior art keywords
- image
- proper vector
- leaf spot
- characteristic
- background
- 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
本发明公开了一种叶片病斑识别方法及装置,所述叶片病斑识别方法包括:获取复杂背景下含有叶片病斑信息的图像;分析整体图像的颜色特征并简化背景;提取某一颜色通道分量若干病斑区域及背景区域的膜内区,对每个膜内区进行纹理特征的提取,并与不同区域里的颜色特征分量共同构成待选特征向量;优化所述待选特征向量的权重值;对优化后的特征向量进行特征维的选择;对优化的特征空间聚类。所述叶片病斑识别装置包括:图像获取单元、图像处理识别单元以及显示单元。通过上述的叶片病斑识别方法和装置,可以对图像中病斑以外的部分更精确地剔除,实现最佳的识别效果。
Description
技术领域
本发明涉及蔬菜叶片病斑识别技术领域,尤其涉及一种叶片病斑识别方法及装置。
背景技术
温室蔬菜生产过程中,经常受到各种不良环境生物和非生物的影响,导致其发生病害,影响蔬菜的产量和良好品质。传统的病害诊断方法主要是依靠专业人员在实验室进行病原鉴定和侵染性测定,或靠人工目测获取病症信息。前者的缺点是速度慢,成本高,实时性差;后者的不足是劳动强度大、效率低、主观性强,故诊断结果往往出现偏差。在对病害的智能化防治研究中,图像处理技术作为一种智能手段成为当前研究的热点之一。由于蔬菜病害的致病病原不同使其叶部病斑呈现出各异的纹理、颜色等特征,利用这些变化结合图像处理技术成为实现对蔬菜病害快速、高效识别的重要途径。当前该领域的研究或者将病斑叶片摘下,调整其姿态,在指定背景(人工背景)下拍照,再进行后期的图像处理,属于一种离线状态的病害识别;或者在自然状态下拍照,但背景本身与目标颜色突变很明显,易用常规方法进行识别。以上的研究属于在特定情况下、对特殊情况的处理,不具有一般性。需要设计一种能够在复杂背景下在线智能化识别病害的方法。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何提供一种叶片病斑识别方法及装置,以克服现有病害识别技术中存在的不足,实现对叶部病斑区域更精确的识别。
(二)技术方案
为解决上述问题,本发明提供了一种叶片病斑识别方法,包括以下步骤:
S1:分析图像的颜色特征,得到简化背景并含有叶片病斑信息的图像;
S2:选择简化背景后图像的某一颜色通道分量,提取若干病斑区域及背景区域的膜内区,对每个膜内区进行纹理特征的提取,并与不同区域里的颜色特征分量共同构成待选特征向量;
S3:调整所述待选特征向量的权重值,优化特征向量;
S4:对优化后的特征向量进行特征维的选择,对特征向量进行降维;
S5:对优化的特征向量进行空间聚类。
优选地,步骤S1中所述分析图像的颜色特征包括:分析图像在RGB颜色空间中R分量、G分量和B分量的分布特点。
优选地,步骤S1中所述得到简化背景并含有叶片病斑信息的图像包括以下步骤:
S11:分析图像中不同物体三个分量的波动特性;
S12:将相互间波动特性区别显著的物体分属于不同层,而区别不显著的物体归为同层;
S13:针对图像中不同物体划分不同的颜色复合模型;
S14:增强图像的对比度;
S15:对图像进行二值化处理;
S16:对图像进行去噪处理,得到背景简化后归为同层并含有病斑的区域。
优选地,步骤S2中所述提取若干病斑区域及背景区域的膜内区包括:用选定大小的二维矩阵数组模板与简化背景的单分量图像进行乘运算,以控制图像处理的区域或处理的过程,使膜内区的图像值保持不变,而膜外区图像值都为0;利用同样的方法,将模板进行水平或垂直方向移动,以提取若干病斑区域及背景区域的膜内区。
优选地,步骤S3中所述调整所述待选特征向量的权重值,优化特征向量包括:
将所述纹理特征和颜色特征分量的权重构成多维权重向量;
随机选择所述多维权重向量的一组值作为人工鱼的初始位置,每一维的值用0到1间的数表示,越接近1说明该维对识别目标的所起的作用越大,而越接近0,则说明该维对识别目标所起的作用可以忽略;
人工鱼群自动选择觅食、聚群及追尾行为,将所述觅食、聚群及追尾行为的探视结果进行评比,使得正确识别率与有效维数率之差达到最大值,选出纹理特征和颜色特征量权重的优化组合。
优选地,所述人工鱼群自动选择觅食、聚群及追尾行为包括:采用自适应调整视野和步长的方法,即执行所述自动选择觅食、聚群及追尾行为初期,采用较大的视野和步长值,使人工鱼在较大的范围内搜索全局极值的位置,随着位置的变化,视野和步长逐渐减小,人工鱼变为局部搜索,当其移动到全局极值域附近时则进行更小视野和步长的精细搜索。
优选地,步骤S4中所述特征维的选择包括:通过设定阈值限制权重与0的接近程度,当权重低于阈值要求时,则权重化为零,表示对应的特征维未被选中;当权重高于阈值要求时,则保持对应的特征维。
优选地,步骤S5中所述对优化的特征空间聚类包括:
优化后的图像分为病斑区和背景区,随机从所述病斑区和背景区中各选择一个聚类中心,计算各区域中其它对象与这些中心的距离,通过最小距离原则对相应对象进行划分;当趋于替换中心时,需要计算整个替换成本,当成本小于零时,实施中心替换策略,构成新的聚类中心,然后依次进行上述循环,直到聚类不再发生变化。
一种用于实现上述的叶片病斑识别方法的叶片病斑识别装置,其特征在于,包括依次连接的图像获取单元、图像处理识别单元以及显示单元,其中:
所述图像获取单元用于获取含有叶片病斑信息的图像;
所述图像处理识别单元用于对图像获取单元获取的图像进行叶片病斑的识别;
所述显示单元用于显示所述图像处理识别单元的病斑识别效果;
优选地,所述图像处理识别单元包括:
背景简化模块,用于分析图像的颜色特征,得到简化背景并含有叶片病斑信息的图像;
特征提取模块,用于对由所述背景简化模块简化背景后图像的某一颜色通道分量进行选择,提取若干病斑区域及背景区域的膜内区,对每个膜内区进行纹理特征的提取,并与不同区域里的颜色特征分量共同构成待选特征向量;
特征向量权重调整模块,用于调整由所述特征提取模块得到的所述待选特征向量的权重值,以优化特征向量;
特征维选择模块,用于对由特征向量权重调整模块优化后的特征向量进行特征维的选择,并对特征向量进行降维;
特征空间聚类模块,用于对特征维选择模块降维后的特征向量进行空间聚类。
(三)有益效果
本发明提供了一种叶片病斑识别方法,该方法使得叶部病斑区域的识别更精确,从而能够实现复杂背景下叶片病斑的识别。本发明还提供了一种叶片病斑识别装置,用以在复杂背景下在线智能化识别病害,使得植物病虫害的识别更加快速高效。
附图说明
图1为本发明实施例所述叶片病斑识别方法对图像进行处理识别的流程图;
图2为本发明实施例所述叶片病斑识别方法的图像背景简化流程图;
图3为本发明实施例所述叶片病斑识别方法的特征向量优化流程图;
图4为本发明实施例所述叶片病斑识别方法的特征维选择流程图;
图5为本发明实施例所述叶片病斑识别装置的结构示意图。
具体实施方式
下面结合附图及实施例对本发明的详细说明如下。
图1为本发明实施例所述叶片病斑识别方法对图像进行处理识别的流程图。本实施例以染有晚疫病且背景复杂的番茄为例,来说明本发明的处理识别过程,其中获得的染有晚疫病且背景复杂的番茄叶部图像尺寸为M×N。对图像的处理识别包括以下步骤:
S1:首先分析整体图像在RGB颜色空间中R分量、G分量和B分量的分布特点,并简化复杂背景。所述简化复杂背景的步骤如图2所示,具体包括:
S11:利用线剖图技术分析图像中不同物体三个分量的波动特性,所述线剖图技术是指对图像的某颜色空间做一条剖面线,分析该线上不同颜色分量的变化。通常用波形图的形式表示,其中横坐标代表剖面线的像素序号,纵坐标代表像素在颜色空间下各分量的值;
S12:将相互间波动特性区别显著的物体分属于不同层,而区别不显著的物体归为同层;
对于本实施例染有晚疫病且背景复杂的番茄叶部图像来说,通常病斑部分的R分量与G分量比较接近,并恒定在一定范围内;正常叶片的G分量普遍大于R分量,裸露土壤部分的R分量显著高于G分量。理论上,利用R-G的值与零的接近程度,可以区别病斑与背景;利用值的正负号,可以区别正常叶片与裸露土壤;
S13:由于采集图片时,受光线变化的影响,R-G的值也会出现一些波动,另外考虑到复杂背景中可能含有成熟的番茄,同样会影响识别效果,因此难以选择理想的阈值进行分割。因此针对图像中不同物体划分不同的颜色复合模型aR+bG+cB,其中R为红色分量,G为绿色分量,B为蓝色分量,a、b、c为不同颜色模型的复合系数;
S14:通过幂律变换中的开二次方函数增强图像的对比度,具体为:以f(x,y)表示原图像的灰度,其范围为[α1,β1],g(x,y)表示变换后图像的灰度,其范围扩展至[α2,β2],灰度非线性变换可表示为g(x,y)=d[f(x,y)]1/2,其中d是正常数;
S15:利用自适应阈值分割方法对图像进行二值化处理,即将整幅图像按照一定规则划分为多个窗口,计算每个窗口的灰度直方图,利用OTSU算法求出每个窗口的灰度阈值以进行自适应的分割;
S16:通过中值滤波法对图像进行去噪处理,即将每一像素点的灰度值由该点3×3邻域窗口内的所有像素点灰度值的中值代替;得到背景简化后归为同层并含有病斑的区域。
当然,本发明还可以使用其它合适的算法来实现图像的对比度增强、二值化处理以及去噪处理的过程。
例如,在本实施例中,首先,番茄区域颜色较鲜明可将其归属为一层,其它区域为另一层,选择代表性颜色复合模型将番茄区域识别,然后为了不影响后续的病斑识别,暂将该番茄区域填充就近正常叶片的RGB值,平滑其边界处,并复原剩余图像;对剩余图像来说,病斑和土壤颜色较接近,与正常叶片颜色差异较大,将正常叶片颜色归属为一层,选择代表性颜色复合模型将正常叶片区域识别,然后将其剔除,余下病斑区域与裸露的土壤为另一层。依此类推,不断的对将复杂背景简单化,最后得到背景简化并含有叶片病斑信息的图像,以便于后期的目标识别。
S2:选择简化背景后图像的某一颜色通道分量,提取若干病斑区域及背景区域的膜内区,对每个膜内区进行纹理特征的提取,并与不同区域里的颜色特征分量共同构成待选特征向量。
提取若干病斑区域及背景区域的膜内区具体为:采用选定大小的二维矩阵模板,如内容为m×n个1的矩阵,与简化背景的单颜色分量图像进行点乘运算,使膜内区的图像值保持不变,而膜外区图像值都为0,以控制图像处理的区域。通过将模板进行水平或垂直方向移动,来提取病斑区域及背景区域的若干膜内区,对每个膜内区进行纹理特征的提取,得到纹理特征分量,然后结合不同区域里的颜色特征分量共同作为识别病斑的待选特征分量。
S3:调整所述待选特征向量的权重值,以优化特征向量。
本实施例中待选特征向量权重值的优化通过人工鱼群算法实现,具体为:将所述纹理特征和颜色特征分量的权重构成多维权重向量Xi=(xi1,xi2,…xiq),即人工鱼个体的位置i,其中xiq为预寻优的特征权重变量,取值范围是0到1间;人工鱼当前所在位置的性能评价函数为Y=P(X)-W(X),其中P(X)表示正确识别率即识别正确的膜内区个数与膜内区总个数之比,W(X)表示有效维数率即有效维数与总维数之比,Y值越大说明对应的权重向量越优;随机选择所述多维权重向量的一组值作为人工鱼的初始位置,每一维的值用0到1间的数表示,越接近1说明该维对识别目标的所起的作用越大,而越接近0,则说明该维对识别目标所起的作用可以忽略;人工鱼群自动选择觅食、聚群及追尾行为,将所述觅食、聚群及追尾行为的探视结果进行评比,使得所述性能评价函数达到最大值,选出纹理特征和颜色特征量权重的优化组合。
所述待选特征向量的权重值优化的流程图如图3所示:
S31:首先初始化公告栏信息和Q条人工鱼的状态(多维权重向量赋一定的值);
S32:然后随机选出一条人工鱼进行聚群、追尾及觅食行为的探视;
S33:然后将聚群、追尾及觅食行为的探试结果进行评比,选出最大的Y值;
在执行步骤S32和S33的过程中为了加强全局搜索能力和全局极值域附近的局部搜索能力,对人工鱼的视野和步长进行自适应调整:执行上述行为初期,采用较大的视野和步长值,使人工鱼在较大的范围内搜索全局极值的位置,随着位置的变化,视野和步长逐渐减小,人工鱼变为局部搜索,当其移动到全局极值域附近则进行精细搜索;通过以上的调整可加强人工鱼群算法的全局搜索能力,并提高其收敛速度;
S34:将选出的最大Y值与公告栏信息比较:若选出的最大Y值优于后者,则更新公告栏信息;否则,公告栏信息保持不变;
S35:判断是否已经选择过所有的人工鱼:
若是,则得到优化的结果;
若否,则继续判断是否已达到收敛次数或满足其它终止条件:如果没有达到满足终止条件,则选择另外一条人工鱼,返回到S32进行聚群、追尾及觅食行为的探视及后续步骤,直到得到优化的结果。
S4:对优化后的特征向量进行特征维的选择,以对特征向量进行降维。
图4为本发明实施例所述叶片病斑识别方法的特征维选择流程图。通过设定阈值限制权重与0的接近程度,因为各维的值用0到1间的数表示,越接近1说明该维在识别目标的作用越大;而接近0,则说明该维所起的作用较小。将上述改进人工鱼群算法得到的优化特征权重向量的各维值与设定的阈值进行比较:当权重低于阈值要求时,则权重化为零,表示对应的特征维未被选中;当权重高于阈值要求时,则保持对应的特征维。通过阈值划分,可抛弃对识别起干扰作用的不良特征以及冗余特征,保留对识别影响较大的特征,达到降维及提高识别率的效果。
S5:利用K中心点算法对优化的特征空间聚类,更精确地剔除病斑以外的部分,实现最佳的识别效果。
具体为:优化后的图像分为病斑区和背景区,使用掩膜法中使用的模板,遍历整个图像获得(M×N)/(m×n)个膜内区,随机从所述病斑区和背景区中各选择一个聚类中心,计算各区域中其它对象与这些中心的距离,通过最小距离原则对相应对象进行划分;当趋于替换中心时,需要计算整个替换成本(通过替换不合适的代表来使距离方差发生变化的累计),当成本小于零时,实施中心替换策略,构成新的聚类中心,然后依次进行上述循环,直到聚类不再发生变化。
经过以上的图像处理过程,可更精确地剔除病斑以外的部分,实现最佳的识别效果。
图5为本发明实施例所述叶片病斑识别装置的结构示意图。所述叶片病斑识别装置包括依次连接的图像获取单元、图像处理识别单元以及显示单元,其中:
所述图像获取单元用于获取含有叶片病斑信息的图像;
所述图像处理识别单元用于对图像获取单元获取的图像进行叶片病斑的识别;
所述显示单元用于显示所述图像处理识别单元的病斑识别效果。
其中,所述图像处理识别单元包括:
背景简化模块,用于分析图像的颜色特征,得到简化背景并含有叶片病斑信息的图像;
特征提取模块,用于对由所述背景简化模块简化背景后图像的某一颜色通道分量进行选择,提取若干病斑区域及背景区域的膜内区,对每个膜内区进行纹理特征的提取,并与不同区域里的颜色特征分量共同构成待选特征向量;
特征向量权重调整模块,用于调整由所述特征提取模块得到的所述待选特征向量的权重值,以优化特征向量;
特征维选择模块,用于对由特征向量权重调整模块优化后的特征向量进行特征维的选择,并对特征向量进行降维;
特征空间聚类模块,用于对特征维选择模块降维后的特征向量进行空间聚类。
在本实施例中,所述图像处理装置为便携式农业监测终端装置,所述图像获取单元为所述便携式农业监测终端装置的照相机,其具有手动拍照和自动定时拍照的模式,可获取多种尺寸的图片,图片尺寸的缺省值为640×480;所述显示单元为所述便携式农业监测终端装置的显示屏幕;所述图像处理识别单元集成在所述监测终端装置的内部,使所述监测终端装置具有自动处理获取图片指定信息以及进行识别的功能,并在屏幕上显示识别结果。所述便携式农业监测终端装置进行病害识别的处理过程为:首先选择照相机拍照模式、确定图片尺寸;然后获取图片信息;接着利用处理单元的各模块对获取的图片进行识别;最后将病斑的识别效果送往所述显示屏幕显示。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (10)
1.一种叶片病斑识别方法,其特征在于,包括以下步骤:
S1:分析图像的颜色特征,得到简化背景并含有叶片病斑信息的图像;
S2:选择简化背景后图像的某一颜色通道分量,提取若干病斑区域及背景区域的膜内区,对每个膜内区进行纹理特征的提取,并与不同区域里的颜色特征分量共同构成待选特征向量;
S3:调整所述待选特征向量的权重值,优化特征向量;
S4:对优化后的特征向量进行特征维的选择,对特征向量进行降维;
S5:对优化的特征向量进行空间聚类。
2.如权利要求1所述的叶片病斑识别方法,其特征在于,步骤S1中所述分析图像的颜色特征包括:分析图像在RGB颜色空间中R分量、G分量和B分量的分布特点。
3.如权利要求1所述的叶片病斑识别方法,其特征在于,步骤S1中所述得到简化背景并含有叶片病斑信息的图像包括以下步骤:
S11:分析图像中不同物体三个分量的波动特性;
S12:将相互间波动特性区别显著的物体分属于不同层,而区别不显著的物体归为同层;
S13:针对图像中不同物体划分不同的颜色复合模型;
S14:增强图像的对比度;
S15:对图像进行二值化处理;
S16:对图像进行去噪处理,得到背景简化后归为同层并含有病斑的区域。
4.如权利要求1所述的叶片病斑识别方法,其特征在于,步骤S2中所述提取若干病斑区域及背景区域的膜内区包括:用选定大小的二维矩阵数组模板与简化背景的单分量图像进行乘运算,以控制图 像处理的区域或处理的过程,使膜内区的图像值保持不变,而膜外区图像值都为0;利用同样的方法,将模板进行水平或垂直方向移动,以提取若干病斑区域及背景区域的膜内区。
5.如权利要求1所述的叶片病斑识别方法,其特征在于,步骤S3中所述调整所述待选特征向量的权重值,优化特征向量包括:
将所述纹理特征和颜色特征分量的权重构成多维权重向量;
随机选择所述多维权重向量的一组值作为人工鱼的初始位置,每一维的值用0到1间的数表示,越接近1说明该维对识别目标的所起的作用越大,而越接近0,则说明该维对识别目标所起的作用可以忽略;
人工鱼群自动选择觅食、聚群及追尾行为,将所述觅食、聚群及追尾行为的探视结果进行评比,使得正确识别率与有效维数率之差达到最大值,选出纹理特征和颜色特征量权重的优化组合。
6.如权利要求5所述的叶片病斑识别方法,其特征在于,所述人工鱼群自动选择觅食、聚群及追尾行为包括:采用自适应调整视野和步长的方法,即执行所述自动选择觅食、聚群及追尾行为初期,采用较大的视野和步长值,使人工鱼在较大的范围内搜索全局极值的位置,随着位置的变化,视野和步长逐渐减小,人工鱼变为局部搜索,当其移动到全局极值域附近时则进行更小视野和步长的精细搜索。
7.如权利要求1所述的叶片病斑识别方法,其特征在于,步骤S4中所述特征维的选择包括:通过设定阈值限制权重与0的接近程度,当权重低于阈值要求时,则权重化为零,表示对应的特征维未被选中;当权重高于阈值要求时,则保持对应的特征维。
8.如权利要求1所述的叶片病斑识别方法,其特征在于,步骤S5中所述对优化的特征空间聚类包括:
优化后的图像分为病斑区和背景区,随机从所述病斑区和背景区中各选择一个聚类中心,计算各区域中其它对象与这些中心的距离, 通过最小距离原则对相应对象进行划分;当趋于替换中心时,需要计算整个替换成本,当成本小于零时,实施中心替换策略,构成新的聚类中心,然后依次进行上述循环,直到聚类不再发生变化。
9.一种用于实现权利要求1-8中任一项所述的叶片病斑识别方法的叶片病斑识别装置,其特征在于,包括依次连接的图像获取单元、图像处理识别单元以及显示单元,其中:
所述图像获取单元用于获取含有叶片病斑信息的图像;
所述图像处理识别单元用于对图像获取单元获取的图像进行叶片病斑的识别;
所述显示单元用于显示所述图像处理识别单元的病斑识别效果。
10.如权利要求9所述的叶片病斑识别装置,其特征在于,所述图像处理识别单元包括:
背景简化模块,用于分析图像的颜色特征,得到简化背景并含有叶片病斑信息的图像;
特征提取模块,用于对由所述背景简化模块简化背景后图像的某一颜色通道分量进行选择,提取若干病斑区域及背景区域的膜内区,对每个膜内区进行纹理特征的提取,并与不同区域里的颜色特征分量共同构成待选特征向量;
特征向量权重调整模块,用于调整由所述特征提取模块得到的所述待选特征向量的权重值,以优化特征向量;
特征维选择模块,用于对由特征向量权重调整模块优化后的特征向量进行特征维的选择,并对特征向量进行降维;
特征空间聚类模块,用于对特征维选择模块降维后的特征向量进行空间聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110162727 CN102214306B (zh) | 2011-06-16 | 2011-06-16 | 叶片病斑识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110162727 CN102214306B (zh) | 2011-06-16 | 2011-06-16 | 叶片病斑识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102214306A true CN102214306A (zh) | 2011-10-12 |
CN102214306B CN102214306B (zh) | 2013-01-30 |
Family
ID=44745606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110162727 Expired - Fee Related CN102214306B (zh) | 2011-06-16 | 2011-06-16 | 叶片病斑识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102214306B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945376A (zh) * | 2012-09-28 | 2013-02-27 | 北京农业信息技术研究中心 | 一种农作物病害的诊断方法 |
CN103136355A (zh) * | 2013-03-05 | 2013-06-05 | 电子科技大学 | 一种基于自动阈值鱼群算法的文本聚类方法 |
CN103593652A (zh) * | 2013-10-28 | 2014-02-19 | 西京学院 | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 |
CN103778428A (zh) * | 2014-01-10 | 2014-05-07 | 北京农业信息技术研究中心 | 基于块标记的病害感兴趣区域提取方法及系统 |
CN103808265A (zh) * | 2014-02-28 | 2014-05-21 | 北京农业信息技术研究中心 | 油菜叶片及菌核病斑形态同步测量的方法、装置及系统 |
CN104463173A (zh) * | 2014-12-12 | 2015-03-25 | 西京学院 | 一种基于概率密度比值的作物病害识别方法 |
CN104680524A (zh) * | 2015-02-11 | 2015-06-03 | 中国农业大学 | 一种叶类蔬菜病害诊断方法 |
CN105761246A (zh) * | 2016-02-01 | 2016-07-13 | 苏州大学 | 一种叶片病害提取方法 |
CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
CN106650822A (zh) * | 2016-12-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 病虫害识别方法及装置 |
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 |
CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
CN116824586A (zh) * | 2023-08-31 | 2023-09-29 | 山东黑猿生物科技有限公司 | 图像处理方法及应用该方法的黑蒜生产质量在线检测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059425A (zh) * | 2007-05-29 | 2007-10-24 | 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方法和装置 |
CN102013201A (zh) * | 2010-11-17 | 2011-04-13 | 侯英翔 | 制作采煤模型 |
-
2011
- 2011-06-16 CN CN 201110162727 patent/CN102214306B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059425A (zh) * | 2007-05-29 | 2007-10-24 | 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方法和装置 |
CN102013201A (zh) * | 2010-11-17 | 2011-04-13 | 侯英翔 | 制作采煤模型 |
Non-Patent Citations (1)
Title |
---|
《中国优秀硕士学位论文全文数据库》 20071231 张洁 植物黑腐病病斑的图像处理与自动检测 第25-71页 1-10 , * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945376A (zh) * | 2012-09-28 | 2013-02-27 | 北京农业信息技术研究中心 | 一种农作物病害的诊断方法 |
CN102945376B (zh) * | 2012-09-28 | 2016-03-30 | 北京农业信息技术研究中心 | 一种农作物病害的诊断方法 |
CN103136355A (zh) * | 2013-03-05 | 2013-06-05 | 电子科技大学 | 一种基于自动阈值鱼群算法的文本聚类方法 |
CN103136355B (zh) * | 2013-03-05 | 2016-01-06 | 电子科技大学 | 一种基于自动阈值鱼群算法的文本聚类方法 |
CN103593652B (zh) * | 2013-10-28 | 2016-08-24 | 西京学院 | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 |
CN103593652A (zh) * | 2013-10-28 | 2014-02-19 | 西京学院 | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 |
CN103778428A (zh) * | 2014-01-10 | 2014-05-07 | 北京农业信息技术研究中心 | 基于块标记的病害感兴趣区域提取方法及系统 |
CN103778428B (zh) * | 2014-01-10 | 2017-04-05 | 北京农业信息技术研究中心 | 基于块标记的病害感兴趣区域提取方法及系统 |
CN103808265A (zh) * | 2014-02-28 | 2014-05-21 | 北京农业信息技术研究中心 | 油菜叶片及菌核病斑形态同步测量的方法、装置及系统 |
CN103808265B (zh) * | 2014-02-28 | 2017-04-26 | 北京农业信息技术研究中心 | 油菜叶片及菌核病斑形态同步测量的方法、装置及系统 |
CN104463173B (zh) * | 2014-12-12 | 2017-07-07 | 西京学院 | 一种基于概率密度比值的作物病害识别方法 |
CN104463173A (zh) * | 2014-12-12 | 2015-03-25 | 西京学院 | 一种基于概率密度比值的作物病害识别方法 |
CN104680524A (zh) * | 2015-02-11 | 2015-06-03 | 中国农业大学 | 一种叶类蔬菜病害诊断方法 |
CN104680524B (zh) * | 2015-02-11 | 2018-06-22 | 中国农业大学 | 一种叶类蔬菜病害诊断方法 |
CN105761246A (zh) * | 2016-02-01 | 2016-07-13 | 苏州大学 | 一种叶片病害提取方法 |
CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
CN105844285B (zh) * | 2016-02-25 | 2019-06-14 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
CN106650822A (zh) * | 2016-12-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 病虫害识别方法及装置 |
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 |
CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
CN109308697B (zh) * | 2018-09-18 | 2024-03-22 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
CN116824586A (zh) * | 2023-08-31 | 2023-09-29 | 山东黑猿生物科技有限公司 | 图像处理方法及应用该方法的黑蒜生产质量在线检测系统 |
CN116824586B (zh) * | 2023-08-31 | 2023-12-01 | 山东黑猿生物科技有限公司 | 图像处理方法及应用该方法的黑蒜生产质量在线检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102214306B (zh) | 2013-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102214306B (zh) | 叶片病斑识别方法及装置 | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
Dorj et al. | An yield estimation in citrus orchards via fruit detection and counting using image processing | |
Bai et al. | Crop segmentation from images by morphology modeling in the CIE L* a* b* color space | |
US10977494B2 (en) | Recognition of weed in a natural environment | |
CN102013021B (zh) | 基于颜色和区域生长的茶叶嫩芽分割和识别方法 | |
CN107330892A (zh) | 一种基于随机森林法的向日葵病害识别方法 | |
Liu et al. | A method of segmenting apples at night based on color and position information | |
CN108734719A (zh) | 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法 | |
CN105631903B (zh) | 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 | |
CN101726251A (zh) | 基于支持向量机的苹果采摘机器人果实自动识别方法 | |
CN106951836A (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
CN109376728A (zh) | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
CN109344699A (zh) | 基于分层深度卷积神经网络的冬枣病害识别方法 | |
CN109886267A (zh) | 一种基于最优特征选择的低对比度图像显著性检测方法 | |
CN108921817B (zh) | 一种针对皮肤病图像的数据增强方法 | |
CN113255434B (zh) | 一种融合果实特征与深度卷积神经网络的苹果识别方法 | |
CN104616026B (zh) | 一种面向智能视频监控的监控场景类型辨识方法 | |
CN110222696A (zh) | 一种利用GPCNNs和ELM进行植物叶片疾病识别的方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN102208099A (zh) | 一种抗光照变化的作物彩色图像分割方法 | |
CN110033487A (zh) | 基于深度联想感知算法的受遮挡蔬果采收方法 | |
CN107154044A (zh) | 一种中餐食物图像的分割方法 | |
CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 |
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: 20130130 Termination date: 20160616 |