CN102915446A - 基于svm机器学习的植物病虫害检测方法 - Google Patents
基于svm机器学习的植物病虫害检测方法 Download PDFInfo
- Publication number
- CN102915446A CN102915446A CN2012103512426A CN201210351242A CN102915446A CN 102915446 A CN102915446 A CN 102915446A CN 2012103512426 A CN2012103512426 A CN 2012103512426A CN 201210351242 A CN201210351242 A CN 201210351242A CN 102915446 A CN102915446 A CN 102915446A
- Authority
- CN
- China
- Prior art keywords
- image
- plant
- feature
- characteristic
- pixel
- 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.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明属于数字图像处理及模式识别技术领域,具体为一种基于SVM机器学习的植物病虫害检测方法。本发明首先在大量农业场景的监控视频中,获取大量正常生长的植物叶片和发生病虫害的植物叶片,从正常生长的植物叶片和发生病虫害的植物叶片中各抽取部分图片作为样本,对每幅叶片图像提取特征(包括颜色特征、HSV特征、边缘特征和HOG特征),将这些特征组合成特征向量;然后对每幅叶片图像的特征向量用SVM的机器学习方法进行训练,训练后形成一个分类器,然后将大量的植物叶片图像用这个分类器进行检测,检测植物叶片是否发生病虫害。相比于生物学方面的植物病虫害检测方法,本发明具有更高的实时性和易实施性,较好解决了必须深入田间地头才能检测植物病虫害的弊端。
Description
技术领域
本发明属于数字图像处理及模式识别技术领域,具体涉及农业视频监控中的植物病虫害检测方法。
背景技术
植物病虫害检测作为一门跨学科的前沿技术,融合了农业的植物生长,计算机行业的图像处理、模式识别、人工智能等多种不同领域的理论知识。在农业场景大棚大田植物病虫害检测领域中有着广阔的应用前景,植物病虫害检测方法的研究具有重要的实际意义和理论价值。
植物病虫害检测是在农业场景的植物生长过程中检测植物的叶片是否发生病虫害。在植物病虫害检测方法的研究上,大致有两种思路:一是依赖于专家知识库,首先为专家知识库认定为发生病虫害的植物叶片建模,然后用实际的植物叶片来与之进行匹配;二是不依赖于先验知识,通过对植物叶片进行特征提取,最终检测叶片是否发生病虫害。围绕这两种思路,产生了一些植物病虫害检测的方法。但迄今为止,植物病虫害检测方法的实用性、准确性和实时性仍未得到有效的解决。植物病虫害检测有如下几种常用的方法:
1、人工检测
目前最常见的植物病虫害检测方法是人工方法,通常是农民或检测人员根据自己的实际种植经验来识别作物是否发生病虫害;当农民或检测人员熟悉或了解病虫害时,识别的速度很快;但需要人深入田间地头检测,需要的人力资源较大,而且可能覆盖面不足;现在有开发出一些专家系统来协助农户检测病虫害。
2、化学检测
化学检测主要用于实验室,利用化学成本的分析来识别病虫害,该方法准确可靠,但是对于农户来说操作较复杂,而且检测成本比较高,检测时间较长,设备也不便捷,不能实现实时检测。
3、光谱技术检测
光谱图像分析技术是光学、化学计量学、计算机技术、光谱数据处理和数据关联技术等的综合,因为光谱能够直接反映分子内部结构和运动状态,特征性强,灵敏度高,这种技术在工、农业和科学研究中广泛应用,但这种技术容易受到环境水分的影响。
4、图像处理技术检测
图像处理技术可以分析植物叶片图像的颜色、纹理等信息,从而快速和准确地检测病虫害的发生,但对于病虫害的种类区分难度比较大,在实际监控场景中光照也容易对图像质量产生影响,影响病虫害检测的准确率。
以上这些植物病虫害检测算法,是比较常用和有效的方法,但都没有特别通用的算法。对于不同的环境,光照,不同的病虫害类型,效果千差万别。在实际的病虫害检测应用中,需要特别区分和选择。
发明内容
本发明的目的是,提供一种具有较好普适性的基于SVM机器学习的植物病虫害检测方法,本发明能够对不同的植物,不同的病虫害种类,使用相同的方法进行植物病虫害检测,同时方法具有实用性、准确性和实时性。
本发明提出的基于SVM机器学习的植物病虫害检测方法,具体步骤如下:
(1)获取农业场景中大量植物叶片的图像,确定样本
首先在农业场景监控的视频数据中,获取植物叶片的图像,等概率抽样其中部分植物叶片将其分为正常生长和发生病虫害两类,作为正负样本,组成样本库。
(2)提取图像特征,组成特征向量
从植物正负样本叶片图像中提取植物的颜色特征、HSV特征、边缘特征和HOG特征。
颜色特征:获取图像每个像素点绿色分量的像素值(0-255)构造颜色直方图,然后进行归一化,从而得到图像的颜色特征。
HSV特征: HSV分别代表色调、饱和度、亮度,每个像素点色调取值范围是0度~359度,每个像素点饱和度、亮度取值范围是0.0~1.0,构造色调、饱和度、亮度直方图,并分别进行归一化,从而得到图像的HSV特征。
边缘特征:获取图像每个像素点的亮度值,采用Sobel算子计算其梯度矢量,即:
其中A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像。
根据每个像素的梯度值构造图像的边缘直方图,从而得到图像的边缘特征。
HOG特征:获取图像每个像素点的灰度值,采用一维的离散梯度模板计算其水平和垂直方向上的梯度,然后为图像的每个细胞单元(cell)构造梯度方向直方图,细胞单元中的每一个像素点都为某个基于方向的直方图通道投票,把各个细胞单元组合成大的、空间上连通的区间(block),各区间所有细胞单元的直方图组成一个向量,这些向量串联起来便构成了HOG特征。
(3)使用SVM训练分类器
将步骤(2)所述的特征进行多特征融合为一个特征向量,将正负样本图像的特征向量用SVM进行训练 ,SVM的核函数采用最常用的径向基函数-高斯核函数,即:
其中X表示空间中任一点,Xc为核函数中心,σ为函数的宽度参数。控制了函数的径向作用范围。训练效果不好时,使用libSVM工具的easy.py交叉验证寻找最优参数。寻找最优参数的过程根据样本数量、特征维度和计算机性能,可能持续数小时。
训练完成后,得到上述融合的特征的分类器模型。
(4)提取大量待检测植物叶片图像的图像特征
将需要进行病虫害检测的大量植物叶片图像按步骤(2)提取特征,组成特征向量。
(5)使用步骤(3)训练出的分类器进行分类
将每幅图像的特征向量通过步骤(3)训练出的分类器进行分类,计算植物叶片分属两类的概率,判断植物叶片是否发生病虫害。
本发明的积极效果是:
(1)效率高:在视频监控的应用中,实时性是重要的要求之一;本发明能实现对实时监控画面中设定叶片区域的连续计算,实时检测出病虫害的发生。
(2)准确度高:由于农业场景以及不同植物的差异,病虫害的表征各不相同;本发明能针对不同场景不同植物通过机器学习的方法减少上述差异对检测准确度的影响,具有较高的实用性。
(3)便于操作:本发明方法可以配合开发相应的人机界面友好的软件,结合架设在田间地头的摄像头,农户或检测人员只用通过鼠标点击即可完成病虫害检测;避免了光谱方法或化学方法复杂的操作步骤。
附图说明
图1是本发明基于SVM机器学习的植物病虫害检测方法的流程框图。
图2是正常生长的植物叶片颜色特征直方图。
图3是发生病虫害的植物叶片颜色特征直方图。
图4是HSV颜色空间模型。
图5是特征数据文件的部分内容。
图6是SVM训练分类器中的调参过程。
图7是一幅正常生长的植物叶片图像及其特征向量。
图8是一幅发生病虫害的植物叶片图像及其特征向量。
具体实施方式
以下结合附图解释本发明基于SVM机器学习的植物病虫害检测方法的具体实施方式,但是应该指出,本发明的实施不限于以下的实施方式。
实施例1:本发明方法的具体运算步骤如附图1所示,首先在大量农业场景的监控视频中,获取大量正常生长的植物叶片和发生病虫害的植物叶片,采用随机抽样的策略从正常生长的植物叶片和发生病虫害的植物叶片中各抽取部分图片作为样本,对每幅叶片图像提取特征(包括颜色特征、HSV特征、边缘特征和HOG特征),将这些特征组合成特征向量;然后对每幅叶片图像的特征向量用SVM的机器学习方法进行训练,训练后形成一个分类器,然后将大量的植物叶片图像用这个分类器进行检测,检测植物叶片是否发生病虫害。
(1)获取农业场景中大量植物叶片的图像
从农业场景中获取的大量植物叶片图像,采用随机抽样的策略选取样本,共选出1980张植物叶片图像,分为正常生长和发生病虫害两类,作为正负样本,其中负样本900张,正样本1080张。
(2)提取图像特征,组成特征向量
对于植物叶片图像,分别提取正常生长的植物叶片样本和发生病虫害的植物叶片样本的颜色特征、HSV特征、边缘特征和HOG特征。
颜色特征:获取图像每个像素点绿色分量的像素值(0-255)构造颜色直方图,然后进行归一化,从而得到图像的颜色特征,如图2、图3所示,这分别是正常生长的植物叶片和发生病虫害的植物叶片的颜色特征直方图。
HSV特征: HSV分别代表色调、饱和度、亮度,每个像素点色调取值范围是0~360度,每个像素点饱和度、亮度取值范围是0.0~1.0,构造色调、饱和度、亮度直方图,并分别进行归一化,从而得到图像的HSV特征。如图4所示,是HSV颜色空间模型。
边缘特征:获取图像每个像素点的亮度值,采用Sobel算子计算其梯度矢量,即:
其中A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像;
每个像素的梯度值构造图像的边缘直方图,从而得到图像的边缘特征。
HOG特征:获取图像每个像素点的灰度值,采用一维的离散梯度模板计算其水平和垂直方向上的梯度,然后为图像的每个细胞单元(cell)构造梯度方向直方图,细胞单元中的每一个像素点都为某个基于方向的直方图通道投票,把各个细胞单元组合成大的、空间上连通的区间(block),各区间所有细胞单元的直方图组成一个向量,这些向量串联起来便构成了HOG特征。
将上述4种特征拼接成特征向量,将所有样本图像的特征按照libSVM要求的数据格式写入特征数据文件中,特征文件如图5所示:第一个数字代表此样本的类型,1代表正样本,-1代表负样本;其后的每个数字代表此样本符合这个特征的概率(归一化后的值)。
(3)使用SVM训练分类器
SVM的核函数采用最常用的径向基函数-高斯核函数,将步骤(2)中完成的样本特征向量,使用libSVM工具中的svm-train,读取特征数据文件,最终训练得到分类器的模型文件(model文件)。
如图6所示,SVM训练分类器中的调参过程,使用libSVM工具的easy.py交叉验证寻找最优参数。找到最优参数后,需按最优参数重新训练得到分类器的模型文件。
(4)对于大量植物叶片图像,重复步骤(2)
将需要进行病虫害检测的大量植物叶片图像按步骤(2)提取特征,组成特征向量;如图7所示,为一幅正常生长的植物叶片图像及其特征向量;如图8所示,为一幅发生病虫害的植物叶片图像及其特征向量。
(5)使用步骤(3)训练出的分类器进行分类
载入步骤(3)中训练得到的分类器模型文件,将步骤(4)中需要检测的植物叶片的特征向量和模型作为svm-predict函数的参数传入进行计算,计算该植物叶片分属两类的概率,从而判断出植物叶片是否发生病虫害;图7中正常生长的植物叶片的图像属于正常生长叶片类的概率为86.47%,图8中发生病虫害的植物叶片的图像属于正常生长叶片类的概率为19.75%;所以图7是正常生长的植物叶片、图8是发生病虫害的植物叶片,检测正确。
Claims (1)
1.一种基于SVM机器学习的植物病虫害检测方法,其特征在于具体步骤如下:
(1)获取农业场景中大量植物叶片的图像
首先在农业场景监控的视频数据中,获取植物叶片的图像,等概率抽样其中部分植物叶片将其分为正常生长和发生病虫害两类,作为正负样本,组成样本库;
(2)提取图像特征,组成特征向量
对于样本库中的植物叶片图像分别提取植物叶片的颜色特征、HSV特征、边缘特征和HOG特征;
颜色特征:获取图像每个像素点绿色分量的0-255像素值构造颜色直方图,然后进行归一化,从而得到图像的颜色特征;
HSV特征: HSV分别代表色调、饱和度和亮度,每个像素点色调取值范围是0~360度,每个像素点饱和度、亮度取值范围是0.0~1.0,构造色调、饱和度和亮度直方图,并分别进行归一化,从而得到图像的HSV特征;
边缘特征:获取图像每个像素点的亮度值,采用Sobel算子计算每个像素点的梯度矢量,即:
其中A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像;
根据每个像素点的梯度矢量构造图像的边缘直方图,得到图像的边缘特征;
HOG特征:获取图像每个像素点的灰度值,采用一维的离散梯度模板计算其水平和垂直方向上的梯度,然后为图像的每个细胞单元构造梯度方向直方图,细胞单元中的每一个像素点都为某个基于方向的直方图通道投票,把各个细胞单元组合成大的、空间上连通的区间,各区间所有细胞单元的直方图组成一个向量,这些向量串联起来便构成了HOG特征;
(3)使用SVM训练分类器
将步骤(2)所述的特征进行多特征融合,将这些特征线性组合成为一个特征向量,将样本库中所有的植物叶片图像的特征向量用SVM进行训练,SVM的核函数采用径向基函数-高斯核函数,即:
其中:X表示空间中任一点,Xc为核函数中心,σ为函数的宽度参数;
训练完成后,得到上述融合的特征向量的分类器模型;
(4)对于待检测的植物叶片图像,重复步骤(2)
将待检测的植物叶片图像按步骤(2)提取特征,然后将这些特征线性组合成为一个特征向量;
(5)将步骤(4)得到的特征向量使用步骤(3)训练出的分类器模型进行分类
将待检测的每幅图像的特征向量通过步骤(3)训练出的分类器进行计算,计算植物叶片分属两类的概率,判断植物叶片是否发生病虫害。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103512426A CN102915446A (zh) | 2012-09-20 | 2012-09-20 | 基于svm机器学习的植物病虫害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103512426A CN102915446A (zh) | 2012-09-20 | 2012-09-20 | 基于svm机器学习的植物病虫害检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102915446A true CN102915446A (zh) | 2013-02-06 |
Family
ID=47613806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012103512426A Pending CN102915446A (zh) | 2012-09-20 | 2012-09-20 | 基于svm机器学习的植物病虫害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102915446A (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246893A (zh) * | 2013-03-20 | 2013-08-14 | 西交利物浦大学 | 基于拒识的随机子空间的ecoc编码分类方法 |
CN103295027A (zh) * | 2013-05-17 | 2013-09-11 | 北京康拓红外技术股份有限公司 | 一种基于支持向量机的铁路货车挡键丢失故障识别方法 |
CN103440488A (zh) * | 2013-09-03 | 2013-12-11 | 江苏物联网研究发展中心 | 一种虫害识别的方法 |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN104091175A (zh) * | 2014-07-15 | 2014-10-08 | 中国科学院合肥物质科学研究院 | 一种基于Kinect深度信息获取技术的害虫图像自动识别方法 |
CN104463232A (zh) * | 2014-12-30 | 2015-03-25 | 中山大学 | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 |
TWI490793B (zh) * | 2014-02-11 | 2015-07-01 | 亞洲大學 | 植株病蟲害之辨識方法及其系統 |
CN104899547A (zh) * | 2015-03-17 | 2015-09-09 | 黑龙江八一农垦大学 | 基于图像理解的农作物病害诊断方法 |
CN104935887A (zh) * | 2015-06-10 | 2015-09-23 | 安徽朗坤物联网有限公司 | 云视频农业监控与检测方法 |
CN105243390A (zh) * | 2015-09-25 | 2016-01-13 | 河南科技学院 | 昆虫图像检测方法以及昆虫分类方法 |
WO2016045215A1 (zh) * | 2014-09-28 | 2016-03-31 | 深圳市汇顶科技股份有限公司 | 指纹图像质量的判断方法和装置 |
CN105787503A (zh) * | 2016-01-15 | 2016-07-20 | 四川德马克机器人科技有限公司 | 基于早期特征融合的植物叶片识别方法 |
CN105868784A (zh) * | 2016-03-29 | 2016-08-17 | 安徽大学 | 一种基于sae-svm的病虫害检测系统 |
CN106331635A (zh) * | 2016-08-31 | 2017-01-11 | 吴齐仟 | 小洲头菜病虫害发生情况监控分析系统 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
WO2018120634A1 (zh) * | 2016-12-30 | 2018-07-05 | 深圳前海弘稼科技有限公司 | 病虫害识别方法及装置 |
CN108520261A (zh) * | 2018-03-01 | 2018-09-11 | 中国农业大学 | 一种花生果仁数量的识别方法和装置 |
CN108564631A (zh) * | 2018-04-03 | 2018-09-21 | 上海理工大学 | 车灯光导色差检测方法、装置及计算机可读存储介质 |
CN108596262A (zh) * | 2018-04-28 | 2018-09-28 | 北京麦飞科技有限公司 | 一种基于计算机视觉进行植物病斑分类的方法及系统 |
CN108734139A (zh) * | 2018-05-24 | 2018-11-02 | 辽宁工程技术大学 | 基于特征融合及svd自适应模型更新的相关滤波跟踪方法 |
CN109255779A (zh) * | 2018-08-17 | 2019-01-22 | 南京邮电大学 | 基于物联网的托管种植服务平台 |
JPWO2018047726A1 (ja) * | 2016-09-07 | 2019-04-18 | ボッシュ株式会社 | 情報処理装置および情報処理システム |
CN110135481A (zh) * | 2019-04-30 | 2019-08-16 | 佛山科学技术学院 | 一种农作物病变检测方法以及检测装置 |
CN110188824A (zh) * | 2019-05-31 | 2019-08-30 | 重庆大学 | 一种小样本植物病害识别方法及系统 |
CN110516686A (zh) * | 2019-07-11 | 2019-11-29 | 西安电子科技大学 | 三色rgb图像的蚊虫识别方法 |
CN110739068A (zh) * | 2019-09-03 | 2020-01-31 | 中国人民解放军联勤保障部队第九〇〇医院 | 基于机器学习的皮肤病智能问诊方法和系统 |
CN111652090A (zh) * | 2020-05-18 | 2020-09-11 | 黑龙江省科学院智能制造研究所 | 一种用于汉麻种植的数字化管理方法 |
CN111724349A (zh) * | 2020-05-29 | 2020-09-29 | 同济大学 | 一种基于hsv和svm的图像脏污识别方法 |
CN112070241A (zh) * | 2020-09-11 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 基于机器学习模型的植物生长预测方法、装置和设备 |
CN112836621A (zh) * | 2021-01-29 | 2021-05-25 | 华东理工大学青岛创新研究院 | 一种植物细胞表型检测方法及系统 |
CN113610877A (zh) * | 2021-07-08 | 2021-11-05 | 武汉工程大学 | 一种基于svm多分类模型的作物病虫害识别方法及系统 |
CN117290762A (zh) * | 2023-10-11 | 2023-12-26 | 北京邮电大学 | 害虫落入识别方法、类型识别方法、装置、捕虫器及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050025357A1 (en) * | 2003-06-13 | 2005-02-03 | Landwehr Val R. | Method and system for detecting and classifying objects in images, such as insects and other arthropods |
CN101826150A (zh) * | 2009-03-06 | 2010-09-08 | 索尼株式会社 | 头部检测方法和设备,头部检测及类别判断方法和装置 |
CN102523953A (zh) * | 2011-12-07 | 2012-07-04 | 北京农业信息技术研究中心 | 作物信息融合方法及病害监测系统 |
-
2012
- 2012-09-20 CN CN2012103512426A patent/CN102915446A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050025357A1 (en) * | 2003-06-13 | 2005-02-03 | Landwehr Val R. | Method and system for detecting and classifying objects in images, such as insects and other arthropods |
CN101826150A (zh) * | 2009-03-06 | 2010-09-08 | 索尼株式会社 | 头部检测方法和设备,头部检测及类别判断方法和装置 |
CN102523953A (zh) * | 2011-12-07 | 2012-07-04 | 北京农业信息技术研究中心 | 作物信息融合方法及病害监测系统 |
Non-Patent Citations (2)
Title |
---|
廉迎战: "一种基于图像的农作物病虫害诊断专家系统研究", 《开发案例》 * |
邓继忠 等: "基于图像识别的小麦腥黑穗病害特征提取与分类", 《农业工程学报》 * |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246893A (zh) * | 2013-03-20 | 2013-08-14 | 西交利物浦大学 | 基于拒识的随机子空间的ecoc编码分类方法 |
CN103295027A (zh) * | 2013-05-17 | 2013-09-11 | 北京康拓红外技术股份有限公司 | 一种基于支持向量机的铁路货车挡键丢失故障识别方法 |
CN103440488A (zh) * | 2013-09-03 | 2013-12-11 | 江苏物联网研究发展中心 | 一种虫害识别的方法 |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
TWI490793B (zh) * | 2014-02-11 | 2015-07-01 | 亞洲大學 | 植株病蟲害之辨識方法及其系統 |
CN104091175A (zh) * | 2014-07-15 | 2014-10-08 | 中国科学院合肥物质科学研究院 | 一种基于Kinect深度信息获取技术的害虫图像自动识别方法 |
CN104091175B (zh) * | 2014-07-15 | 2017-08-01 | 中国科学院合肥物质科学研究院 | 一种基于Kinect深度信息获取技术的害虫图像自动识别方法 |
WO2016045215A1 (zh) * | 2014-09-28 | 2016-03-31 | 深圳市汇顶科技股份有限公司 | 指纹图像质量的判断方法和装置 |
CN104463232A (zh) * | 2014-12-30 | 2015-03-25 | 中山大学 | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 |
CN104899547A (zh) * | 2015-03-17 | 2015-09-09 | 黑龙江八一农垦大学 | 基于图像理解的农作物病害诊断方法 |
CN104935887A (zh) * | 2015-06-10 | 2015-09-23 | 安徽朗坤物联网有限公司 | 云视频农业监控与检测方法 |
CN105243390B (zh) * | 2015-09-25 | 2018-09-25 | 河南科技学院 | 昆虫图像检测方法以及昆虫分类方法 |
CN105243390A (zh) * | 2015-09-25 | 2016-01-13 | 河南科技学院 | 昆虫图像检测方法以及昆虫分类方法 |
CN105787503A (zh) * | 2016-01-15 | 2016-07-20 | 四川德马克机器人科技有限公司 | 基于早期特征融合的植物叶片识别方法 |
CN105868784A (zh) * | 2016-03-29 | 2016-08-17 | 安徽大学 | 一种基于sae-svm的病虫害检测系统 |
CN106331635A (zh) * | 2016-08-31 | 2017-01-11 | 吴齐仟 | 小洲头菜病虫害发生情况监控分析系统 |
JPWO2018047726A1 (ja) * | 2016-09-07 | 2019-04-18 | ボッシュ株式会社 | 情報処理装置および情報処理システム |
WO2018120634A1 (zh) * | 2016-12-30 | 2018-07-05 | 深圳前海弘稼科技有限公司 | 病虫害识别方法及装置 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
CN108520261A (zh) * | 2018-03-01 | 2018-09-11 | 中国农业大学 | 一种花生果仁数量的识别方法和装置 |
CN108520261B (zh) * | 2018-03-01 | 2021-06-18 | 中国农业大学 | 一种花生果仁数量的识别方法和装置 |
CN108564631A (zh) * | 2018-04-03 | 2018-09-21 | 上海理工大学 | 车灯光导色差检测方法、装置及计算机可读存储介质 |
CN108564631B (zh) * | 2018-04-03 | 2021-07-09 | 上海理工大学 | 车灯光导色差检测方法、装置及计算机可读存储介质 |
CN108596262A (zh) * | 2018-04-28 | 2018-09-28 | 北京麦飞科技有限公司 | 一种基于计算机视觉进行植物病斑分类的方法及系统 |
CN108734139B (zh) * | 2018-05-24 | 2021-12-14 | 辽宁工程技术大学 | 基于特征融合及svd自适应模型更新的相关滤波跟踪方法 |
CN108734139A (zh) * | 2018-05-24 | 2018-11-02 | 辽宁工程技术大学 | 基于特征融合及svd自适应模型更新的相关滤波跟踪方法 |
CN109255779A (zh) * | 2018-08-17 | 2019-01-22 | 南京邮电大学 | 基于物联网的托管种植服务平台 |
CN110135481A (zh) * | 2019-04-30 | 2019-08-16 | 佛山科学技术学院 | 一种农作物病变检测方法以及检测装置 |
CN110188824A (zh) * | 2019-05-31 | 2019-08-30 | 重庆大学 | 一种小样本植物病害识别方法及系统 |
CN110188824B (zh) * | 2019-05-31 | 2021-05-14 | 重庆大学 | 一种小样本植物病害识别方法及系统 |
CN110516686A (zh) * | 2019-07-11 | 2019-11-29 | 西安电子科技大学 | 三色rgb图像的蚊虫识别方法 |
CN110516686B (zh) * | 2019-07-11 | 2021-03-23 | 西安电子科技大学 | 三色rgb图像的蚊虫识别方法 |
CN110739068A (zh) * | 2019-09-03 | 2020-01-31 | 中国人民解放军联勤保障部队第九〇〇医院 | 基于机器学习的皮肤病智能问诊方法和系统 |
CN111652090A (zh) * | 2020-05-18 | 2020-09-11 | 黑龙江省科学院智能制造研究所 | 一种用于汉麻种植的数字化管理方法 |
CN111724349A (zh) * | 2020-05-29 | 2020-09-29 | 同济大学 | 一种基于hsv和svm的图像脏污识别方法 |
CN111724349B (zh) * | 2020-05-29 | 2022-09-20 | 同济大学 | 一种基于hsv和svm的图像脏污识别方法 |
CN112070241A (zh) * | 2020-09-11 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 基于机器学习模型的植物生长预测方法、装置和设备 |
CN112836621A (zh) * | 2021-01-29 | 2021-05-25 | 华东理工大学青岛创新研究院 | 一种植物细胞表型检测方法及系统 |
CN112836621B (zh) * | 2021-01-29 | 2022-11-08 | 华东理工大学青岛创新研究院 | 一种植物细胞表型检测方法及系统 |
CN113610877A (zh) * | 2021-07-08 | 2021-11-05 | 武汉工程大学 | 一种基于svm多分类模型的作物病虫害识别方法及系统 |
CN117290762A (zh) * | 2023-10-11 | 2023-12-26 | 北京邮电大学 | 害虫落入识别方法、类型识别方法、装置、捕虫器及系统 |
CN117290762B (zh) * | 2023-10-11 | 2024-04-02 | 北京邮电大学 | 害虫落入识别方法、类型识别方法、装置、捕虫器及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
Hu et al. | Recognition of diseased Pinus trees in UAV images using deep learning and AdaBoost classifier | |
Sabzi et al. | A fast and accurate expert system for weed identification in potato crops using metaheuristic algorithms | |
Pang et al. | Improved crop row detection with deep neural network for early-season maize stand count in UAV imagery | |
Hernández-Hernández et al. | Optimal color space selection method for plant/soil segmentation in agriculture | |
Maldonado Jr et al. | Automatic green fruit counting in orange trees using digital images | |
US7136524B1 (en) | Robust perceptual color identification | |
CN107346434A (zh) | 一种基于多特征及支持向量机的植物病虫害检测方法 | |
CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
Goodbody et al. | Digital aerial photogrammetry for assessing cumulative spruce budworm defoliation and enhancing forest inventories at a landscape-level | |
Wang et al. | Tea picking point detection and location based on Mask-RCNN | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN102779270A (zh) | 一种针对购物图像搜索的目标衣物图像提取方法 | |
Ye et al. | An image-based approach for automatic detecting tasseling stage of maize using spatio-temporal saliency | |
Lin et al. | Identification of pumpkin powdery mildew based on image processing PCA and machine learning | |
Sood et al. | Image quality enhancement for Wheat rust diseased images using Histogram equalization technique | |
Li et al. | A novel approach for the 3D localization of branch picking points based on deep learning applied to longan harvesting UAVs | |
Shen et al. | Identifying veraison process of colored wine grapes in field conditions combining deep learning and image analysis | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
Moradi et al. | Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network | |
Math et al. | Deep learning and computer vision for leaf miner infestation severity detection on muskmelon (Cucumis melo) leaves | |
Miao et al. | Crop weed identification system based on convolutional neural network | |
Li et al. | Image processing for crop/weed discrimination in fields with high weed pressure | |
Dewangan et al. | CNN-LSTM framework to automatically detect anomalies in farmland using aerial images from UAVs | |
Balram et al. | Crop field monitoring and disease detection of plants in smart agriculture using internet of things |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130206 |