CN102945376A - 一种农作物病害的诊断方法 - Google Patents
一种农作物病害的诊断方法 Download PDFInfo
- Publication number
- CN102945376A CN102945376A CN2012103697827A CN201210369782A CN102945376A CN 102945376 A CN102945376 A CN 102945376A CN 2012103697827 A CN2012103697827 A CN 2012103697827A CN 201210369782 A CN201210369782 A CN 201210369782A CN 102945376 A CN102945376 A CN 102945376A
- Authority
- CN
- China
- Prior art keywords
- image
- disease
- crops
- color
- textural characteristics
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供农作物病害的诊断方法,该方法具体包括:采集农作物所在地的土壤温湿度信息和农作物的图像信息;从采集到的农作物的图像信息中提取图像颜色和纹理特征,并建立所述农作物的图像病害模型;根据所述图像病害模型和土壤温湿度信息在预设的病害图像关系库中寻找病害种类及防治方法。通过本发明提供的方法,克服单一图像特征无法准确描述病害特征的不足,增强了农作物病害诊断的准确性,提高了诊断效率。
Description
技术领域
本发明涉及农作物病害的诊断技术领域,特别涉及一种多特征、多参数融合的农作物病害的诊断方法。
背景技术
我国农作物,例如蔬菜的种植面积迅速扩大,品种日益增多,栽培方式多样,复种指数提高,特别是大量种植保护地和反季节蔬菜,使得多数蔬菜得以周年生产,很大程度上打破了原有蔬菜作物的生态系统的平衡,致使蔬菜病虫害的种类增多。病害图像诊断的主要技术是图像的病害特征分析与提取。例如黄瓜,病害种类多、引起的症状呈现多样性、复杂性,目前黄瓜病害诊断由植保专家、农民凭借经验和病理学知识进行分析和诊断,但由于黄瓜病害程度模糊,诊断缺乏客观定量的尺度,因此在进行黄瓜病害诊断时常常出现偏差,造成病害种类判断错误,滥用农药进行防治,导致环境污染,对人们的身体健康及生活环境造成极大的威胁。要想达到对各种病症准确无误的识别,只凭借人的视觉系统的观察和经验不足以说明识别的科学性。
随着计算机网络技术、人工智能、图像识别、决策支持系统等高新技术的发展,通过各种成像系统采集病害图像信息,结合计算机视觉技术与蔬菜病虫害诊断专家系统,由计算机利用图像处理技术提取、理解采集对象的病害特征,结合各种模式识别算法,实现对病害图像颜色、纹理特征的的定量、定性描述和分析,排除人为主观干扰,为实现我国蔬菜作物自动化管理提供一定理论依据,对确保蔬菜质量安全、农业生态环境安全和农业生产者安全具有十分重要的作用,对促进农业及农业产业化的发展,具有重大意义。
农作物病害的症状不仅体现在叶片上,在叶片正常的情况下,果实与茎部都有可能呈现较为明显的病害症状,现有技术中仅针对叶片进行诊断的农作物病害的诊断方法无法满足实际要求,亟需一种能够准确诊断农作物病害的方法。
发明内容
(一)所要解决的技术问题
本发明的目的是提出一种农作物病害的诊断方法,通过该方法克服单一图像特征无法准确描述病害特征的不足,提高病害诊断效率,增强病害诊断准确性。
(二)技术方案
本发明提供农作物病害的诊断方法,方法包括:
A、采集农作物所在地的土壤温湿度信息和农作物的图像信息;
B、从采集到的农作物的图像信息中提取图像颜色和纹理特征,并建立所述农作物的图像病害模型;
C、根据所述图像病害模型和土壤温湿度信息在预设的病害图像关系库中寻找病害种类及防治方法,所述病害图像关系库是图像病害模型和土壤温湿度与病害的对应关系库。
优选的,该方法还包括提前预警步骤:采集农作物周边环境因子,根据环境因子异常与可能发生的病害之间的关系,提前预警。
优选的,农作物周边环境因子包括:光照、CO2浓度、温度和湿度
优选的,采用传感器采集农作物所在地土壤温湿度信息、农作物的图像信息和农作物周边环境因子。
优选的,所述步骤A中采集农作物所在地土壤参数信息和农作物的图像信息具体包括:
实时采集农作物所在地土壤参数信息和农作物的图像信息。
优选的,所述从采集到的农作物的图像信息中提取图像颜色特征具体包括:
C11、将颜色量从RGB空间转换到Gaussian光谱模型,得到能量分布一级对于波长的导数;
C12、在图像平面的位置定义了反射光谱;其中包含反应物体真实颜色的物体材料反射率;
C13、对图像空间位置求导,忽略环境光照,对图像中的每一个像素得到与环境光照无关的颜色特征。
优选的,所述从采集到的农作物的图像信息中提取图像纹理特征具体包括:
C21、对黄瓜病害灰度图像进行离散Gabor小波变换;
C22、基于上述小波变换,在不同方向与尺度上计算黄瓜病害图像滤波后的系数幅度序列,分别计算出不同方向和尺度上的系数幅度序列的均值和标准差,作为黄瓜病害图像的纹理特征。
优选的,所述步骤B还进一步包括综合颜色特征和纹理特征,组成联合特征的步骤。
优选的,所述综合颜色和纹理特征具体包括:
对所述颜色和纹理特征分别进行高斯归一化处理,通过线性化关系将它们融合到一起:融合图像特征=α×归一化颜色特征+β×归一化纹理特征,其中α,β分别为颜色特征与纹理特征所占的权值,根据不同图像的颜色、纹理特征动态调整权值。
优选的,所述图像模型为D=(P,F,R,M,T),其中P是图像原始数据,F={fi,i=1,2,…,I}是图像颜色与纹理特征的集合即融合图像特征,R={rij,i=1,2,…,I;j=1,2,…,J}是fi的表达形式,而rij=[rij1,rij2,…,rijk],k表示向量的维数,M={mij}是特征间相似度算法。T为病害的病症关键词描述。
优选的,所述步骤C还包括将病害图像关系库内的病害图像模型与被诊断图像模型进行归一化,改进相似度计算方式的步骤。
所述归一化具体包括:
被诊断图像模型参数与数据库内已知典型病症图像模型参数均被归一化到[0,1]区间内,利用欧氏距离公式取被诊断图像与数据库内所有图像的相似度在[0,1]之间的,简化欧氏距离公式。取欧氏距离的最小值为与被诊断病害最匹配的病害图像,省去平方计算。
优选的,该方法还进一步包括将农作物病害种类和防治方法反馈给采集端的步骤。
(三)有益效果
通过该诊断方法,将颜色量从RGB空间转换到Gaussian光谱模型,对图像中的每一个像素得到与环境光照无关的颜色特征值,且采用Gabor小波变换并进行归一化处理提取黄瓜病害图像纹理特征,综合颜色特征与纹理特征,在每幅黄瓜病害图像上提取环境光照无关的颜色特征值与由Gabor滤波器输出的纹理特征,组成联合特征向量描述黄瓜病害图像的联合特征分布属性,定义病害模型,增强了病害诊断的准确性。
在综合颜色、纹理特征基础上,将数据库内图像与被诊断图像特征进行归一化,改进相似度计算方式,减少逐一匹配计算量,提高诊断效率。
附图说明
图1为农作物病害诊断方法的流程图;
图2为黄瓜图像建模示意图。
具体实施方式
下面结合附图和具体实施例,对本发明的具体实施方式做进一步详细的描述。
本发明提供了一种农作物病害的诊断方法,如图1所示,该方法包括:
A、采集农作物所在地的土壤温湿度信息和农作物的图像信息;
B、从采集到的农作物的图像信息中提取图像颜色和纹理特征,并建立所述农作物的图像病害模型;
C、根据所述图像病害模型和土壤温湿度信息在预设的病害图像关系库中寻找病害种类,所述病害图像关系库是图像模型和土壤温湿度与病害的对应关系库。
该方法还包括提前预警步骤:采集农作物周边环境因子,根据环境因子异常与可能发生的病害之间的关系,提前预警。
农作物周边环境因子包括对黄瓜病害有影响的光照、CO2浓度、温度和湿度。
在图像病害诊断之前,可以通过环境监测异常来提前预知作物所患病害,比如当土壤温湿度超标时,很有可能导致黄瓜患有根腐病,但是此时黄瓜根部可能还并未出现根腐病的症状,仅仅通过图像诊断并不能判断其病害种类,而通过环境监测就可以根据不同的异常与可能发生病害之间的关系,提前预警,提前防范
采用传感器采集农作物所在地土壤温湿度信息、农作物的图像信息和农作物周边环境因子。
这种方法是采用的设备少,线路部署简单,费用低。
步骤A中采集农作物所在地土壤参数信息和农作物的图像信息具体包括:
实时采集农作物所在地土壤参数信息和农作物的图像信息。这样可随时随地获得田间信息。
从采集到的农作物的图像信息中提取图像颜色特征具体包括:
C11、将颜色量从RGB空间转换到Gaussian光谱模型,得到能量分布一级对于波长的导数;
C12、在图像平面(x,y)的位置定义了反射光谱;其中包含反应物体真实颜色的物体材料反射率;
C13、对图像空间位置求导,忽略环境光照,对图像中的每一个像素得到与环境光照无关的颜色特征。
对于具有复杂背景、不同光照下采集的图像而言,这样足以体现图像的主要颜色特征。
从采集到的农作物的图像信息中提取图像纹理特征具体包括:
C21、对黄瓜病害灰度图像进行离散Gabor小波变换;
C22、基于上述小波变换,在不同方向与尺度上计算黄瓜病害图像滤波后的系数幅度序列,分别计算出不同方向和尺度上的系数幅度序列的均值和标准差,作为黄瓜病害图像的纹理特征。
这样抽取图像局部病害特征,防止背景会掩盖真实的病害特征的情况。
步骤B还进一步包括综合颜色特征和纹理特征,组成联合特征的步骤。
综合颜色和纹理特征具体包括:
对所述颜色和纹理特征分别进行高斯归一化处理,通过线性化关系将它们融合到一起:融合图像特征=α×归一化颜色特征+β×归一化纹理特征,其中α,β分别为颜色特征与纹理特征所占的权值,根据不同图像的颜色、纹理特征动态调整权值。
所述图像病害模型为D=(P,F,R,M,T),其中P是图像原始数据,F={fi,i=1,2,…,I}是图像颜色与纹理特征的集合即融合图像特征,R={rij,i=1,2,…,I;j=1,2,…,J}是fi的表达形式,而rij=[rij1,rij2,…,rijk],k表示向量的维数,M={mij}是特征间相似度算法。T为病害的病症关键词描述。
这个病害模型融合了颜色和纹理特征,同时还融合了病症关键词,既能准确刻画每种病害图像联合特征特性又能够精确描述各种病害信息,与土壤温湿度一起组成了多特征,多参数的测量,克服了单一图像特征无法准确描述病害特征的不足。
步骤C还包括将病害图像关系库内的病害图像模型与被诊断图像模型进行归一化,改进相似度计算方式的步骤。
被诊断图像模型参数与数据库内已知典型病症图像模型参数均被归一化到[0,1]区间内,利用欧氏距离公式取被诊断图像与数据库内所有图像的相似度在[0,1]之间的,简化欧氏距离公式。取欧氏距离的最小值为与被诊断病害最匹配的病害图像,省去平方计算。通过这种方法减少了计算量,提高了病害诊断的效率。
该方法还进一步包括将农作物病害种类和防治方法反馈给采集端的步骤。通过实时反馈可及时防止和治疗病害。
该方法具体的步骤为:
步骤一:现场利用移动采集设备,通过GPRS/GSM技术与处理感光阵列输出的图像传感器芯片,实时采集黄瓜病害图像信息、黄瓜所在实验田地的土壤温湿度信息和黄瓜周边的环境因子,并将采集到的病害图像信息、土壤温湿度信息和周边环境因子,通过移动通讯网络传递给远程数据中心的病害诊断系统;
黄瓜病害产生因素很多,除了种子自身因素外,在其生长发育时期,受温度、湿度、土壤、水分、光照等因素影响,同样导致黄瓜病害发生。本发明通过设计基于无线传感器网络的温湿度等环境参数监测系统提前预警,实现对影响黄瓜病害的温度、湿度、光照、CO2浓度等实时监测采集,上报监测中心,为预防和监测病害提供科学依据。目前采用电话、掌上电脑、GPRS和无线电台的数据传输,及时准确且精度高,但设备复杂、线路部署繁琐、价格昂贵、国产化水平低。为克服上述困难,根据黄瓜生长周期和季节不同,本发明利用多节点多项因子采集方法,遵循统一标准,部署无线传感器节点,同时采集影响黄瓜病害的环境因子。
整个网络由若干传感器节点和路由节点组成,各个路由节点之间是分离又是联系的,每个路由节点在采集数据时,各自形成各自的分网络,传感器节点安装温湿度等传感器将采集到的环境因子数据发送给其隶属路由节点,由于路由节点具有转发数据功能,当数据传输时,他们之间相互联系,通过多跳方式把数据传输给协调器节点,节点通过最优路径将传感器节点采集到的各种参数数据传递给协调器节点。单个节点具有小型化,不对目标特征造成影响且方便安装,各个组件可以自由组合、重复利用,在外界干扰因素存在情况下,节点能够在正常范围进行数据采集、传输和存储,使得监测数据可靠真实。监控平台是整个网络的后台管理平台,是网络的数据汇聚中心和系统的管理中心,协调器节点负责初始化和启动整个网络,协调和管理网络的通信,控制路由节点的数据传输,同时与控制平台通信。传感器节点主要是采集温室中的各种所需环境因子参数,并将各个参数发送给隶属的路由节点,通过各个路由节点相互联系将整个网络联系为一个整体。
步骤二:从采集到的黄瓜的图像信息中提取图像颜色和纹理特征,并综合颜色与纹理特征,组成融合图像特征,同时加入病害的病症关键词描述,建立所述黄瓜的图像病害模型。
为准确监测黄瓜病害信息,需探索既能准确刻画每种病害图像联合特征特性又能够精确描述各种病害信息的标准模型。黄瓜不同生长时期茎、叶、果实等变化是表征作物长势的重要信息,不同营养状况、群体结构、病害情况等因素均影响黄瓜生长发育,在植株外形的不同部位表现出不同的颜色、纹理。因此,本发明提取黄瓜病害图像中的颜色、纹理信息,并对其进行相关转化计算,对黄瓜病害图像进行建模。
如图2所示为黄瓜病害图像建模的流程图。将病害图像分为高斯Gaussian光谱模型和灰度图像,并从中提取颜色与纹理特征向量,将其归一化后综合,最终生成黄瓜病害图像病害模型。具体的方法步骤如下。
颜色特征空间是一种线性空间,黄瓜病害在不同时期不同病种下呈现的颜色特征不同,常用的颜色模型有RGB、HSV、YUV、YIQ、Lab等,这些颜色模型大多数以图像的全局颜色特征为参考数据,得到的颜色特征为病害图像全局特征,这对于具有复杂背景、不同光照下采集的黄瓜病害图像而言,不足以体现病害的主要颜色特征。本发明将颜色量从RGB空间转换到Gaussian光谱模型,得到能量分布一级对于波长的导数:
且在图像平面(x,y)的位置的反射光谱定义为
E(λ,x,y)=i(x,y)e(λ)R(λ,x,y)+e(λ)ρ(x,y)+α(λ) (2)其中,λ为波长,e(λ)为直接光源光谱亮度,α(λ)为环境光谱亮度,光通量和光通量的变化在物体表面联合产生的效果为i(x,y),镜面反射为ρ(x,y),物体材料反射率为R(λ,x,y)反映了物体真实的颜色。由于环境光亮度α(λ)与图像空间位置无关,所以对图像空间位置求导:
Eλ(λ,x,y)=i(x,y)(eλ(λ)R(λ,x,y)+e(λ)Rλ(λ,x,y))+eλ(λ)ρ(x,y)+αλ(λ)
Eλλ(λ,x,y)=i(x,y)(eλλ(λ)R(λ,x,y)+2e(λ)Rλ(λ,x,y)+e(λ)Rλλ(yλ,x,y))+eλλ(λ)ρ(x,y)+αλλ(λ) (3)环境光照可以忽略,对图像中的每一个像素得到与环境光照无关的颜色特征值E=(Ex,Ey,Eλx,Eλy,Eλλx,Eλλy)。
从图像内容语义理解与分析的角度来看,黄瓜在不同生长时期受到不同病害时所呈现出的纹理信息有所差异,本发明采用Gabor小波变换来提取黄瓜病害图像纹理特征。Gabor函数为
W=0.5为滤波器的频率带宽,σx,σy表示Gabor函数在x轴与y轴的标准差,对Gabor小波函数ψ(x,y)进行伸缩和旋转可得到一组自相似的Gabor小波基函数:
其中m=0,1,…,M-1,l=0,1,…,L-1分别是小波变换方向和尺度,M,N分别为尺度数、方向数,a>1为伸缩因子,θ=nπ/N。大小为P×Q的黄瓜病害灰度图像f(x,y)的离散Gabor小波变换为: 其中是ψmn(s,t)的共轭复数,s,t为滤波模板大小。在不同方向与尺度上计算黄瓜病害图像滤波后的系数幅度序列:
可以分别计算出不同方向和尺度上的系数幅度序列的均值μmn和标准差σmn:
μmn=E(m,n)/PQ
作为黄瓜病害图像的纹理特征向量
T=(μ00,σ00,μ01,σ01,L,μM-1,N-1,σM-1,N-1)为诊断黄瓜图像病害信息,需要探索既能准确刻画每种病害图像联合特征特性又能够精确描述各种病害信息的标准模型,本发明综合颜色特征与纹理特征,组成联合特征向量描述黄瓜病害图像的联合特征分布属性。在每幅黄瓜病害图像上提取环境光照无关的颜色特征值E与由Gabor滤波器输出的纹理特征T,由于颜色与纹理特征属于不同类型的特征向量,取值范围不同,首先采用高斯归一化方法对颜色与纹理特征进行归一化处理,对于任意的两幅黄瓜病害图像A与B,计算颜色特征与纹理特征的均值与方差分别为μcol,σcol,μtex,σtex,归一化相似度使其值均落在[0,1]区间内,
对于黄瓜病害图像,定义其病害模型D=(P,F,R,M,T),其中P是图像原始数据,F={fi,i=1,2,…,I}是图像颜色与纹理特征的融合,R={rij,i=1,2,…,I;j=1,2,…,J}是fi的表达形式,而rij=[rij1,rij2,…,rijk],k表示向量的维数,M={mij}是特征间相似度算法。为了更为全面地表达图像的丰富内容,对该模型的颜色特征与纹理特征分配动态权值,T为病害的病症关键词描述。
步骤三:根据所述图像病害模型和土壤温湿度信息在预设的病害图像关系库中寻找病害种类与防治方法,所述病害图像关系库是图像病害模型和土壤温湿度与病害的对应关系库,即病害图像库和土壤温湿度与病症关系知识库。
黄瓜病害模型D=(P,F,R,M,T)被用于病害诊断过程之中,黄瓜病害图像诊断功能可看作一个机器学习过程,通过训练分类器将图像库中的图像病害模型D1与输入图像病害模型D2进行不断匹配,求取之间的欧氏距离,以得到与病害库内病害模型最相似的病害种类以及相应的防治方法信息。但是,当数据库内图像数量较多时,病害模型内五个参数若被逐一相似度匹配将降低病害诊断的效率。本发明将数据库内病害模型参数与被诊断病害模型参数进行归一化,改进相似度计算方式,提高诊断效率。
假设已知黄瓜病害图像数据库中共有有M幅典型病症图像,m为图像的索引值,[Vm1,Vm2,…,Vmk]为第m幅图像的病害模型特征向量集合,k是特征向量V的维数,将所有特征向量叠加,得到M×K的特征矩阵v=[vmk],m=1,2,…,M;k=1,2,…,K,矩阵第k列是维数为M的一个列向量,记为vk,假设列向量vk是高斯数列,计算该数列的平均值μk与标准方差σk,将特征归一化到[0,1]区间内:
令未知黄瓜病害图像为Ia,构建其病害特征模型,并令五个特征参数在[0,1]区间归一化,此时未知黄瓜病害模型特征参数与数据库内已知典型病症图像模型特征参数均被归一化到[0,1]区间内,利用欧氏距离公式去取未知黄瓜病害图像病害模型与数据库内所有图像病害模型的相似度也在[0,1]之间,因此欧氏距离公式可简化为:取的最小值为与未知黄瓜病害最匹配的病害图像,从而省去了平方计算,提高了诊断的效率。
步骤四:将农作物病害种类和防治方法反馈给采集端的移动采集设备。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (13)
1.一种农作物病害的诊断方法,其特征在于,该方法包括:
A、采集农作物所在地的土壤温湿度信息和农作物的图像信息;
B、从采集到的农作物的图像信息中提取图像颜色和纹理特征,并建立所述农作物的图像病害模型;
C、根据所述图像病害模型和土壤温湿度信息在预设的病害图像关系库中寻找病害种类及防治方法,所述病害图像关系库是图像病害模型和土壤温湿度与病害的对应关系库。
2.如权利要求1所述方法,其特征在于,该方法还包括提前预警步骤:采集农作物周边环境因子,根据环境因子异常与可能发生的病害之间的关系,提前预警。
3.如权利要求2所述方法,其特征在于,农作物周边环境因子包括:光照、CO2浓度、温度和湿度。
4.如权利要求3所述方法,其特征在于,采用传感器采集农作物所在地土壤温湿度信息、农作物的图像信息和农作物周边环境因子。
5.如权利要求3所述方法,其特征在于,所述步骤A中采集农作物所在地土壤温湿度信息、农作物的图像信息和农作物周边环境因子具体包括:
实时采集农作物所在地土壤温湿度信息、农作物的图像信息和农作物周边环境因子。
6.如权利要求1所述方法,其特征在于,所述从采集到的农作物的图像信息中提取图像颜色特征具体包括:
C11、将颜色量从RGB空间转换到Gaussian光谱模型,得到能量分布一级对于波长的导数;
C12、在图像平面的位置定义了反射光谱;其中包含反应物体真实颜色的物体材料反射率;
C13、对图像空间位置求导,忽略环境光照,对图像中的每一个像素得到与环境光照无关的颜色特征。
7.如权利要求1所述方法,其特征在于,所述从采集到的农作物的图像信息中提取图像纹理特征具体包括:
C21、对黄瓜病害灰度图像进行离散Gabor小波变换;
C22、基于上述小波变换,在不同方向与尺度上计算黄瓜病害图像滤波后的系数幅度序列,分别计算出不同方向和尺度上的系数幅度序列的均值和标准差,作为黄瓜病害图像的纹理特征。
8.如权利要求1所述方法,其特征在于,所述步骤B还进一步包括综合颜色特征和纹理特征,组成联合特征的步骤。
9.如权利要求8所述方法,其特征在于,所述综合颜色和纹理特征具体包括:
对所述颜色和纹理特征分别进行高斯归一化处理,通过线性化关系将它们融合到一起:融合图像特征=α×归一化颜色特征+β×归一化纹理特征;α,β分别为颜色特征与纹理特征所占的权值,根据不同图像的颜色、纹理特征动态调整权值。
10.如权利要求9所述方法,其特征在于,所述图像病害模型为D=(P,F,R,M,T),其中P是图像原始数据,F={fi,i=1,2,…,I}是图像颜色与纹理特征的综合即融合图像特征,R={rij,i=1,2,…,I;j=1,2,…,J}是fi的表达形式,而rij=[rij1,rij2,…,rijk],k表示向量的维数,M={mij}是特征间相似度算法。T为病害的病症关键词描述。
11.如权利要求1所述方法,其特征在于,所述步骤C还包括将病害图像关系库内的病害图像模型与被诊断图像模型进行参数归一化,改进相似度计算方式的步骤。
12.如权利要求11所述方法,其特征在于,所述归一化具体包括:
被诊断图像模型参数与数据库内已知典型病症图像模型参数均被归一化到[0,1]区间内,利用欧氏距离公式取被诊断图像与数据库内所有图像的相似度在[0,1]之间的,简化欧氏距离公式。取欧氏距离的最小值为与被诊断病害最匹配的病害图像,省去平方计算。
13.如权利要求1所述方法,其特征在于,该方法还进一步包括将农作物病害种类和防治方法反馈给采集端的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210369782.7A CN102945376B (zh) | 2012-09-28 | 2012-09-28 | 一种农作物病害的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210369782.7A CN102945376B (zh) | 2012-09-28 | 2012-09-28 | 一种农作物病害的诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102945376A true CN102945376A (zh) | 2013-02-27 |
CN102945376B CN102945376B (zh) | 2016-03-30 |
Family
ID=47728315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210369782.7A Active CN102945376B (zh) | 2012-09-28 | 2012-09-28 | 一种农作物病害的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102945376B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
CN103679144A (zh) * | 2013-12-05 | 2014-03-26 | 东南大学 | 一种基于计算机视觉的复杂环境下果蔬识别方法 |
CN106250899A (zh) * | 2016-07-29 | 2016-12-21 | 华东交通大学 | 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 |
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
CN106568722A (zh) * | 2016-10-19 | 2017-04-19 | 中国农业大学 | 一种基于光谱技术的设施黄瓜病害预警方法及装置 |
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 |
CN107622236A (zh) * | 2017-09-15 | 2018-01-23 | 安徽农业大学 | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 |
CN107887019A (zh) * | 2017-10-17 | 2018-04-06 | 安徽草帽网络有限公司 | 一种农作物种植专家问诊系统 |
CN108229413A (zh) * | 2018-01-16 | 2018-06-29 | 宁夏智启连山科技有限公司 | 病虫害类型识别方法及装置 |
CN109194733A (zh) * | 2018-08-28 | 2019-01-11 | 田东县文设芒果专业合作社 | 一种芒果基地的防病虫害系统 |
CN109212127A (zh) * | 2017-06-29 | 2019-01-15 | 光合未来(北京)绿植科技有限责任公司 | 植物健康状态检测仪 |
CN109883967A (zh) * | 2019-02-26 | 2019-06-14 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
US10345763B2 (en) | 2017-06-26 | 2019-07-09 | International Business Machines Corporation | Cognitive plant clinic |
CN110084145A (zh) * | 2019-04-08 | 2019-08-02 | 华北水利水电大学 | 一种基于TensorFlow的病虫害时频域多尺度识别系统及操作方法 |
US10964009B2 (en) | 2016-10-13 | 2021-03-30 | Mccain Foods Limited | Method, medium, and system for detecting potato virus in a crop image |
CN114463322A (zh) * | 2022-02-22 | 2022-05-10 | 鄂州市志超生态农业科技有限公司 | 一种蔬菜种植用病害识别及补光调节方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214306A (zh) * | 2011-06-16 | 2011-10-12 | 中国农业大学 | 叶片病斑识别方法及装置 |
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 |
CN202421078U (zh) * | 2011-12-01 | 2012-09-05 | 黑龙江八一农垦大学 | 农作物叶部病斑无损采集及测量装置 |
CN102662949A (zh) * | 2012-02-27 | 2012-09-12 | 安科智慧城市技术(中国)有限公司 | 一种基于多特征融合的指定目标检索方法及系统 |
-
2012
- 2012-09-28 CN CN201210369782.7A patent/CN102945376B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214306A (zh) * | 2011-06-16 | 2011-10-12 | 中国农业大学 | 叶片病斑识别方法及装置 |
CN202421078U (zh) * | 2011-12-01 | 2012-09-05 | 黑龙江八一农垦大学 | 农作物叶部病斑无损采集及测量装置 |
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 |
CN102662949A (zh) * | 2012-02-27 | 2012-09-12 | 安科智慧城市技术(中国)有限公司 | 一种基于多特征融合的指定目标检索方法及系统 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
CN103679144A (zh) * | 2013-12-05 | 2014-03-26 | 东南大学 | 一种基于计算机视觉的复杂环境下果蔬识别方法 |
CN106250899B (zh) * | 2016-07-29 | 2019-03-22 | 华东交通大学 | 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 |
CN106250899A (zh) * | 2016-07-29 | 2016-12-21 | 华东交通大学 | 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 |
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
US11645743B2 (en) | 2016-10-13 | 2023-05-09 | Resson Aerospace Corporation | Method, medium, and system for detecting potato virus in a crop image |
US10964009B2 (en) | 2016-10-13 | 2021-03-30 | Mccain Foods Limited | Method, medium, and system for detecting potato virus in a crop image |
CN106568722A (zh) * | 2016-10-19 | 2017-04-19 | 中国农业大学 | 一种基于光谱技术的设施黄瓜病害预警方法及装置 |
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 |
US10768584B2 (en) | 2017-06-26 | 2020-09-08 | International Business Machines Corporation | Cognitive plant clinic |
US10345763B2 (en) | 2017-06-26 | 2019-07-09 | International Business Machines Corporation | Cognitive plant clinic |
CN109212127A (zh) * | 2017-06-29 | 2019-01-15 | 光合未来(北京)绿植科技有限责任公司 | 植物健康状态检测仪 |
CN107622236B (zh) * | 2017-09-15 | 2020-12-04 | 安徽农业大学 | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 |
CN107622236A (zh) * | 2017-09-15 | 2018-01-23 | 安徽农业大学 | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 |
CN107887019A (zh) * | 2017-10-17 | 2018-04-06 | 安徽草帽网络有限公司 | 一种农作物种植专家问诊系统 |
CN108229413A (zh) * | 2018-01-16 | 2018-06-29 | 宁夏智启连山科技有限公司 | 病虫害类型识别方法及装置 |
CN109194733A (zh) * | 2018-08-28 | 2019-01-11 | 田东县文设芒果专业合作社 | 一种芒果基地的防病虫害系统 |
CN109883967A (zh) * | 2019-02-26 | 2019-06-14 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
CN109883967B (zh) * | 2019-02-26 | 2022-03-22 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
CN110084145A (zh) * | 2019-04-08 | 2019-08-02 | 华北水利水电大学 | 一种基于TensorFlow的病虫害时频域多尺度识别系统及操作方法 |
CN110084145B (zh) * | 2019-04-08 | 2023-05-12 | 华北水利水电大学 | 一种基于TensorFlow的病虫害时频域多尺度识别系统及操作方法 |
CN114463322A (zh) * | 2022-02-22 | 2022-05-10 | 鄂州市志超生态农业科技有限公司 | 一种蔬菜种植用病害识别及补光调节方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102945376B (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102945376B (zh) | 一种农作物病害的诊断方法 | |
CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 | |
Abdullahi et al. | Convolution neural network in precision agriculture for plant image recognition and classification | |
Bai et al. | Rice heading stage automatic observation by multi-classifier cascade based rice spike detection method | |
CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
Tian et al. | Application status and challenges of machine vision in plant factory—A review | |
CN110020635A (zh) | 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统 | |
WO2001033505A2 (en) | Multi-variable model for identifying crop response zones in a field | |
Li et al. | Improvement Of In-season Crop Mapping For Illinois Cropland Using Multiple Machine Learning Classifiers | |
Costa et al. | Determining leaf nutrient concentrations in citrus trees using UAV imagery and machine learning | |
Chakraborty et al. | Deep learning approaches and interventions for futuristic engineering in agriculture | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
Palei et al. | A systematic review of citrus disease perceptions and fruit grading using machine vision | |
CN108710864A (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
Arjoune et al. | Soybean cyst nematode detection and management: a review | |
Juwono et al. | Machine learning for weed–plant discrimination in agriculture 5.0: An in-depth review | |
Pandey et al. | Smart agriculture: Technological advancements on agriculture—A systematical review | |
Li et al. | Estimation of nitrogen content in wheat using indices derived from RGB and thermal infrared imaging | |
Sosa et al. | An algorithm for detection of nutritional deficiencies from digital images of coffee leaves based on descriptors and neural networks | |
Miao et al. | Crop weed identification system based on convolutional neural network | |
Zahan et al. | A deep learning-based approach for mushroom diseases classification | |
Gayathri et al. | Monitoring the soil parameters using IoT for smart agriculture | |
CN117496281B (zh) | 一种农作物遥感图像分类方法 | |
KUMAR et al. | Mapping and yield prediction of Castor bean (Ricinus communis) using sentinel-2A satellite image in a semi-arid region of India | |
Abdullahi et al. | Advances of image processing in precision agriculture |
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 |