CN103487380B - 一种梨树叶片上梨锈病斑的识别方法 - Google Patents
一种梨树叶片上梨锈病斑的识别方法 Download PDFInfo
- Publication number
- CN103487380B CN103487380B CN201310422474.0A CN201310422474A CN103487380B CN 103487380 B CN103487380 B CN 103487380B CN 201310422474 A CN201310422474 A CN 201310422474A CN 103487380 B CN103487380 B CN 103487380B
- Authority
- CN
- China
- Prior art keywords
- rust
- spot
- scab
- image
- pears
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种梨树叶片上梨锈病斑的识别方法,包括以下步骤:(1)取梨树叶片,采集梨树叶片在550nm、565nm、575nm、623nm和655nm处的单波段图像;(2)对梨树叶片在550nm、575nm、655nm处的单波段图像进行一阶导数变换,并作为三个特征值输入经训练的高斯过程分类模型,提取得到病斑图像;(3)对梨树叶片在565nm、623nm处的单波段图像作差分运算并对结果图像二值化,提取得到锈点图像;(4)将病斑图像和锈点图像重叠合并,如果单个病斑和单个锈点合并形成新的连通区域,则该病斑为梨锈病斑。本发明不但操作简单,而且准确率高,有利于及时有效地对梨锈病进行预防及控制。
Description
技术领域
本发明涉及一种植物病害的识别方法,具体涉及一种梨树叶片上梨锈病斑的识别方法。
背景技术
梨锈病又称赤星病,主要危害植物的叶片、新梢和幼果,梨锈病除危害梨树外,还能危害山楂、棠梨和贴梗海棠等。梨锈病的病原为梨胶锈菌,属担子菌亚门胶锈菌属,性孢子器呈葫芦形,埋生于表皮下。梨锈病病菌有转主寄生的特性,必须在转主寄主如桧柏、龙柏、欧洲刺柏等树木上越冬,才能完成其生活史。若梨园周围方圆5千米范围内没有桧柏、龙柏等转主寄主,梨锈病则一般不能发生。在有桧柏、龙柏等树木存在的情况下,如在桧柏、龙柏等转主寄主树上的越冬病菌基数大,初侵染源充足,梨锈病发生就严重,反之,则发病较轻。
当叶片受到梨锈病的危害时,叶片正面会形成橙黄色圆形病斑,并密生橙黄色针头大的小点,即性孢子器(也称为锈点)。一般根据梨锈病斑的形态特征即可判别叶片是否感染梨锈病,但是当植物受到其他类型的胁迫时,可能会导致叶绿素的流失而产生淡黄色的斑点,因此对于通过形态特征来识别梨锈病斑产生一定的干扰,会导致在梨锈病斑的识别过程中错误的将叶绿素流失而产生的斑点识别为梨锈病斑,最终影响对梨锈病斑的识别。
发明内容
本发明提供了一种梨树叶片上梨锈病斑的识别方法,以解决传统方法通过肉眼观察易受到外界干扰的问题。
一种梨树叶片上梨锈病斑的识别方法,包括以下步骤:
(1)取梨树叶片,采集梨树叶片在550nm、565nm、575nm、623nm和655nm处的单波段图像;
(2)对梨树叶片在550nm、575nm、655nm处的单波段图像进行一阶导数变换,并作为三个特征值输入经训练的高斯过程分类模型,提取得到病斑图像;
(3)对梨树叶片在565nm、623nm处的单波段图像作差分运算并对结果图像二值化,提取得到锈点图像;
(4)将病斑图像和锈点图像重叠合并,如果单个病斑和单个锈点合并形成新的连通区域,则该病斑为梨锈病斑。
所述单波段图像是指单波段光谱图像,可以是吸收光谱图像,也可以是反射光谱图像,对最终识别结果没有影响,无特殊说明本发明采集的是吸收光谱图像。
本发明所述的锈点是指梨锈病斑中心橙黄色针头大的小点,性孢子器,它也是梨锈病斑的一部分。
本发明比较病斑和正常叶片的一阶导数光谱曲线,发现病斑和正常叶片在550nm、575nm、655nm处的一阶导数光谱值差异明显,因此将梨树叶片在该三处波长的一阶导数光谱图像输入高斯过程分类模型,在图像上可以将病斑像素和正常叶片像素区分开,从而提取得到病斑像素。
一阶导数变换的过程如下:
A(λ)=lnR(λ)
D(λ)=[A(λ)-A(λ+ω)]/ω
其中,λ表示波长的位置,R(λ)表示该像素在波长λ处的光谱值,D(λ)表示该像素在在波长λ处的一阶导数光谱值,ω表示微分窗口尺度。
ω的大小对信息提取的有效性起到至关重要的作用,选取较小的微分窗口尺度能够提供精细的光谱形态变化信息,但同时也会放大光谱中的高频噪声;选取较大的微分窗口尺度,对曲线有一定的平滑去噪功能,但微分窗口尺度过大会将光谱曲线上的拐点和极值点平滑,丢失一定的光谱形态信息,尤其是凹凸峰所携带的重要信息,不利于病斑像素和正常叶片像素的区分。
所述微分窗口尺度优选为50nm,因此按照上述公式,为了获得梨树叶片在550nm、575nm、655nm的一阶导数图像,还需要采集梨树叶片600nm、625nm、705nm的单波段图像。
高斯过程分类模型是基于支持向量回归(SVR)和最大空间聚类(MMC)的半监督分类方法,该算法简单且易于实现,利用该算法对像素进行分类,需要先对模型进行训练,具体为:
从梨树叶片的病斑区域以及正常叶片区域各选取若干点,获得这些点在550nm、575nm和655nm的一阶导数光谱值,输入高斯过程分类模型,并且病斑点的输出值为1,正常叶片点的输出值为2。如上所述,锈点是梨锈病斑的一部分,因此在选取病斑点时,并不考虑该病斑是否是梨锈病斑或者选择点是否在锈点区域。
因为通过高斯分类模型对病斑像素和正常叶片像素进行分类,由于光线反射差异,部分锈点像素有可能会被识别为正常叶片像素,因此形成的病斑中心可能会出现空心区域。
由于梨树叶片上的病斑并不是全部由梨锈病造成的,可能是由其它胁迫因素造成的叶绿素流失,因此还需要在这些病斑中找出那些包含锈点的病斑。
本发明通过分析正常叶片区域、除锈点外病斑区域以及锈点区域的光谱曲线,发现在565nm和623nm之间的曲线段斜率有差异,因此通过对两个波长的单波段图像进行差分运算并对结果图像二值化,可以在图像上将锈点像素和正常叶片像素、除锈点外的病斑像素区分开来,从而提取得到锈点像素。
所述二值化的阈值为0,该阈值可以在图像上把锈点像素和除锈点外的病斑像素、正常叶片像素区别开来。
以上操作仅仅是病斑像素、锈点像素从叶片图像中分离出来,如果将聚集一起的病斑像素和锈点像素各自连通,即在图像上形成病斑和锈点,反映到整个梨树叶片图像上,即得到病斑图像和锈点图像。
因为梨锈病斑一定包含有锈点,因此病斑和锈点合并后形成新的连通区域,则说明该病斑为梨锈病斑。
与现有技术相比,本发明的突出效果体现在:
本发明将梨锈病斑中心区域的橙黄色锈点作为识别的重要特征,通过图像处理的方式能够快速准确地将在多种复杂条件干扰下的梨锈病斑识别出来,不但操作简单,而且准确率高,有利于及时有效地对梨锈病进行预防及控制。
附图说明
图1本发明实施例选用的感染梨锈病的梨树叶片样本图像。
图2为正常叶片区域、除锈点外的病斑区域以及锈点区域的光谱曲线图。
图3为病斑区域和正常叶片区域的一阶导数光谱曲线图,其中(a)为病斑区域,(b)为正常叶片区域。
图4为梨树叶片在550nm处的一阶导数光谱图。
图5为梨树叶片在575nm处的一阶导数光谱图。
图6为梨树叶片在655nm处的一阶导数光谱图。
图7为预测集样本点输入高斯过程分类模型的预测结果,其中(a)为病斑样本点的预测结果,(b)为正常叶片样本点的预测结果。
图8为实施例提取的病斑图像。
图9为实施例提取的锈点图像。
图10为梨锈病斑识别结果图像。
具体实施方式
随机选取一张梨树叶片,对该叶片进行450-900nm的全波段扫描(厂家:芬兰Specim公司,型号:近红外光谱成像仪imspector V10E),然后在锈点区域、除锈点外的病斑区域、正常叶片区域上选取三个点,获得它们的光谱曲线,如图2所示,锈点与除锈点外的病斑、正常叶片在565nm和623nm之间的光谱曲线斜率有明显差异。
利用上述的全波段扫描结果,在病斑区域和正常叶片区域选择多个点,获得它们的一阶导数光谱曲线,微分窗口尺度选择50nm,如图3所示,病斑和正常叶片在550nm、575nm和655nm处的一阶导数光谱值区别最为明显,因此可以将梨树叶片在该三个波长的一阶导数光谱图像作为特征值。
为了进一步阐述本发明,本实施例选用如图1所示的叶片样本进行识别操作,该叶片为随机采取,仔细观察有4处梨锈病斑,其余病斑为其它因素造成的叶绿素缺失,识别操作具体如下:
(1)采集单波段图像
取图1所示的梨树叶片,采集梨树叶片在波长为600nm、550nm、625nm、575nm、705nm、655nm、623nm、565nm的单波段图像。
(2)提取病斑图像
采用一阶导数光谱法对梨树叶片在550nm、575nm和655nm处的单波段图像进行一阶导数变换,微分窗口尺度选择50nm,550nm、575nm和655nm处的一阶导数光谱图像如图4~6所示。
随机从病斑和正常叶片区域分别选取150个和450个点,获得它们在550nm、575nm和655nm处的一阶导数光谱值,作为三个特征值输入高斯过程分类模型,并设定病斑点的输出值为1,正常叶片点的输出值为2。
然后再从病斑和正常叶片区域分别另外选取30个和60个点,组成预测样本点集,获得它们在550nm、575nm和655nm处的一阶导数光谱值,输入经训练的高斯过程分类模型,预测集样本点的预测结果如图7所示,样本点的偏差均在±0.1的范围内,可见效果比较理想。
将样本梨树叶片在550nm、575nm和655nm处一阶导数光谱图像作为三个特征值输入经训练的高斯过程分类模型,从图像中提取得到病斑像素,将它们连通可以得到如图8所示的病斑图像。
(3)提取锈点图像
由于锈点、除锈点外的病斑以及正常叶片在565nm和623nm之间的光谱曲线斜率有明显差异,因此对梨树叶片在623nm和565nm的单波段图像进行差分运算,然后对结果图像进行二值化处理,二值化的阈值设定为0,可以提取得到锈点像素,连通后得到如图9所示的锈点图像。
(4)将提取的病斑图像和锈点图像重叠合并,当图8中的斑点与图9中的斑点合并成一个连通区域时,则该新斑点就是梨锈病斑,叶片的梨锈病斑识别结果如图10所示,因为锈点反射差异,在提取病斑像素时,个别锈点像素会被误认为正常叶片像素,因此病斑中心出现空心区域,但不影响最终识别结果。
(5)如图10所示,识别结果图像包含了4个梨锈病斑,与肉眼观察是一致的,可见本发明方法是有效的。
Claims (4)
1.一种梨树叶片上梨锈病斑的识别方法,其特征在于,包括以下步骤:
(1)取梨树叶片,采集梨树叶片在550nm、565nm、575nm、623nm和655nm处的单波段图像;
(2)对梨树叶片在550nm、575nm、655nm处的单波段图像进行一阶导数变换,并将该三处波长的一阶导数光谱图像作为三个特征值输入经训练的高斯过程分类模型,提取得到病斑图像;
(3)对梨树叶片在565nm、623nm处的单波段图像作差分运算并对结果图像二值化,提取得到锈点图像;
(4)将病斑图像和锈点图像重叠合并,如果单个病斑和单个锈点合并形成新的连通区域,则该病斑为梨锈病斑。
2.如权利要求1所述的梨锈病斑识别方法,其特征在于,所述一阶导数变换的微分窗口尺度为50nm。
3.如权利要求1所述的梨锈病斑识别方法,其特征在于,所述二值化的阈值为0。
4.如权利要求1所述的梨锈病斑识别方法,其特征在于,所述高斯过程分类模型的训练方法如下:
从梨树叶片的病斑区域以及正常叶片区域各选取若干点,获得这些点在550nm、575nm和655nm的一阶导数光谱值,输入高斯过程分类模型,并且病斑点的输出值为1,正常叶片点的输出值为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310422474.0A CN103487380B (zh) | 2013-09-16 | 2013-09-16 | 一种梨树叶片上梨锈病斑的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310422474.0A CN103487380B (zh) | 2013-09-16 | 2013-09-16 | 一种梨树叶片上梨锈病斑的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103487380A CN103487380A (zh) | 2014-01-01 |
CN103487380B true CN103487380B (zh) | 2015-08-12 |
Family
ID=49827772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310422474.0A Expired - Fee Related CN103487380B (zh) | 2013-09-16 | 2013-09-16 | 一种梨树叶片上梨锈病斑的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103487380B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106770006A (zh) * | 2016-11-29 | 2017-05-31 | 安徽财经大学 | 一种基于近红外光谱的籽棉杂质检测方法 |
CN113280919A (zh) * | 2021-05-08 | 2021-08-20 | 中国科学院长春光学精密机械与物理研究所 | 目标物体的光谱探测方法、光谱探测装置及存储介质 |
CN113269251A (zh) * | 2021-05-26 | 2021-08-17 | 安徽唯嵩光电科技有限公司 | 基于机器视觉和深度学习融合的水果瑕疵分类方法、装置、存储介质及计算机设备 |
CN114359539B (zh) * | 2022-03-17 | 2022-06-21 | 广东省农业科学院农业质量标准与监测技术研究所 | 一种生鱼片中寄生虫高光谱图像智能识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1975378A (zh) * | 2006-11-24 | 2007-06-06 | 浙江大学 | 基于可见/近红外多光谱成像的灰霉病害早期诊断系统 |
CN101539531A (zh) * | 2009-04-09 | 2009-09-23 | 浙江大学 | 基于多光谱图像处理的水稻稻叶瘟病检测分级方法 |
JP4590553B2 (ja) * | 2005-01-24 | 2010-12-01 | 国立大学法人 新潟大学 | 生籾被害粒の非破壊判定方法 |
CN102521830A (zh) * | 2011-11-30 | 2012-06-27 | 浙江大学 | 一种受病害胁迫农作物冠层高光谱图像的波段优选方法 |
CN103207989A (zh) * | 2013-03-18 | 2013-07-17 | 浙江科技学院 | 一种基于主成分分析的轻度虫害叶片的叶脉识别方法 |
-
2013
- 2013-09-16 CN CN201310422474.0A patent/CN103487380B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4590553B2 (ja) * | 2005-01-24 | 2010-12-01 | 国立大学法人 新潟大学 | 生籾被害粒の非破壊判定方法 |
CN1975378A (zh) * | 2006-11-24 | 2007-06-06 | 浙江大学 | 基于可见/近红外多光谱成像的灰霉病害早期诊断系统 |
CN101539531A (zh) * | 2009-04-09 | 2009-09-23 | 浙江大学 | 基于多光谱图像处理的水稻稻叶瘟病检测分级方法 |
CN102521830A (zh) * | 2011-11-30 | 2012-06-27 | 浙江大学 | 一种受病害胁迫农作物冠层高光谱图像的波段优选方法 |
CN103207989A (zh) * | 2013-03-18 | 2013-07-17 | 浙江科技学院 | 一种基于主成分分析的轻度虫害叶片的叶脉识别方法 |
Non-Patent Citations (5)
Title |
---|
ADVANCES IN IMAGE PROCESSING FOR DETECTION OF PLANT;1Bharti Vidyapeeth C.O.E. Kolhapur et al.;《Journal of Advanced Bioinformatics Applications and Research》;20110630;第2卷(第2期);第173–188页 * |
Automatic detection of ‘yellow rust’ in wheat using reflectance measurements and neural networks;Dimitrios Moshoua et al.;《Computers and Electronics in Agriculture》;20041231;第44卷;第135-141页 * |
Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging;Wenjiang Huang et al.;《Precision Agric》;20070825;第8卷;第187–197页 * |
基于成像高光谱的苹果树叶片病害区域提取方法研究;胡荣明等;《西北农林科技大学学报》;20120831;第40卷(第8期);第95-99页 * |
基于高光谱成像技术的水稻叶瘟病病害程度分级方法;郑志雄等;《农业工程学报》;20131031;第29卷(第19期);第138-144页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103487380A (zh) | 2014-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103487380B (zh) | 一种梨树叶片上梨锈病斑的识别方法 | |
Fuentes et al. | Automated grapevine cultivar classification based on machine learning using leaf morpho-colorimetry, fractal dimension and near-infrared spectroscopy parameters | |
CN103870808B (zh) | 一种手指静脉识别方法 | |
Wang et al. | Mobile smart device-based vegetable disease and insect pest recognition method | |
CN103279762B (zh) | 一种自然环境下果实常见生长形态判定方法 | |
Bagheri et al. | Detection of Fire Blight disease in pear trees by hyperspectral data | |
Zheng et al. | Research on tomato detection in natural environment based on RC-YOLOv4 | |
Dubey et al. | Fruit disease recognition using improved sum and difference histogram from images | |
Jiang et al. | Hyperspectral imaging for early identification of strawberry leaves diseases with machine learning and spectral fingerprint features | |
CN103488751B (zh) | 基于光谱曲线波形相似度的光谱匹配方法 | |
CN109993155A (zh) | 针对低信噪比紫外拉曼光谱的特征峰提取方法 | |
CN107314990B (zh) | 一种春玉米遥感识别方法 | |
CN103543107A (zh) | 基于机器视觉和高光谱技术的烟叶智能分级系统和方法 | |
CN115456960A (zh) | 一种柑橘黄龙病虫害的监测预警系统及方法 | |
Qian et al. | A smartphone-based apple yield estimation application using imaging features and the ANN method in mature period | |
CN112986174A (zh) | 一种基于近红外光谱的果蔬优选分拣方法、系统及可读存储介质 | |
Kumar et al. | Apple Sweetness Measurement and Fruit Disease Prediction Using Image Processing Techniques Based on Human‐Computer Interaction for Industry 4.0 | |
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 | |
Barta et al. | Characterizing forest disturbance and recovery with thermal trajectories derived from Landsat time series data | |
CN103743705A (zh) | 一种假高粱及其近似物种的快速检测方法 | |
Yang et al. | Identification of the geographic origin of peaches by VIS-NIR spectroscopy, fluorescence spectroscopy and image processing technology | |
CN106770151A (zh) | 一种快速检测拉曼光谱信号的方法及装置 | |
CN105678229B (zh) | 一种高光谱影像检索方法 | |
CN110658174B (zh) | 基于表面增强拉曼光谱检测的智能化识别方法及系统 | |
CN106568724A (zh) | 光谱曲线预处理及特征挖掘方法及装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200706 Address after: No.227, Wuning Road, Putuo District, Shanghai, 200063 Patentee after: Shanghai Mingshi Electromechanical Technology Co., Ltd Address before: 310023 Xihu District, Zhejiang Province, and the left road, No. 318, Patentee before: ZHEJIANG University OF SCIENCE AND TECHNOLOGY |
|
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: 20150812 Termination date: 20200916 |