CN103942528B - 蚜虫虫情调查方法及装置 - Google Patents
蚜虫虫情调查方法及装置 Download PDFInfo
- Publication number
- CN103942528B CN103942528B CN201410042022.4A CN201410042022A CN103942528B CN 103942528 B CN103942528 B CN 103942528B CN 201410042022 A CN201410042022 A CN 201410042022A CN 103942528 B CN103942528 B CN 103942528B
- Authority
- CN
- China
- Prior art keywords
- aphid
- insect pest
- pest situation
- blade
- aphid insect
- 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
- Catching Or Destruction (AREA)
Abstract
本发明提供一种蚜虫虫情调查方法及装置，扫描蚜虫虫情叶片样本，获取蚜虫虫情叶片图像信息；分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数；根据预设个数的所述蚜虫虫情叶片样本的蚜虫数和预设蚜虫虫情等级标准，计算蚜虫虫情等级。采用本发明的蚜虫虫情调查方法及装置，由于采用扫描方式获得蚜虫虫情叶片图像信息，对该图像信息进行分析计算后获取蚜虫虫情等级，从而避开了目测手查方法导致蚜虫虫情调查结果不准确，误差较大的问题，使得蚜虫虫情调查规范准确。
Description
技术领域
本发明涉及作物病虫害信息化调查领域，尤其涉及一种蚜虫虫情调查方法及装置。
背景技术
保障粮食安全是一个世界性的问题，近几年我国自然灾害严重，虽然经过各界共同努力，2013年粮食产量实现“十连增”。但是不可回避的问题是粮食增产越来越难，全球气候变化引发的突发性自然灾害逐年增多。尤其以2012-2013年我国东北、华北的粘虫爆发和2013年南方水稻“两迁”害虫肆虐为代表。为了便于国家职能部门及时制定虫害防治策略，适时开展虫害有效防治，急需不同地区的多点调查人员快速掌握虫情的基本情况，这有利于病虫害数据统计、上传，从而实现区域、省域、甚至全国范围的病虫害有效防控。
目前，常规的田间虫情调查仍以目测手查为主，尤其在小麦蚜虫调查中较为突出。在田间蚜虫调查时，因人为移动叶片，导致蚜虫因外界环境变化而迅速移动，给目测统计结果带来较大误差。同时，不同调查人员因个人习惯问题，也会带来统计误差。虽然数码相机可辅助调查虫情，但存在拍照角度、高度、光线不均等外界因素影响，尤其在阴天天气情况下，更会给虫情调查结果带来明显误差。
发明内容
本发明的目的在于提供一种蚜虫虫情调查方法及装置，以解决传统的通过目测手查方法导致蚜虫虫情调查结果不准确，误差较大的问题。
为了实现上述目的，本发明一方面提供一种蚜虫虫情调查方法，包括：
扫描蚜虫虫情叶片样本，获取蚜虫虫情叶片图像信息；
分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数；
根据预设个数的所述蚜虫虫情叶片样本的蚜虫数和预设蚜虫虫情等级标准，计算蚜虫虫情等级。
如上所述的蚜虫虫情调查方法，其中，所述扫描蚜虫虫情叶片样本之前，还包括：
将叶片固定膜粘贴在带蚜虫的麦类作物叶片上，以固定所述带蚜虫的麦类作物叶片上的蚜虫位置，获得所述蚜虫虫情叶片样本。
如上所述的蚜虫虫情调查方法，其中，
所述叶片固定膜由两片粘性贴膜首尾连接而成，所述两片粘性贴膜分别粘贴在所述带蚜虫的麦类作物叶片的正反面上；所述两片粘性贴膜的连接端设有便于手捏的手柄，其中一片粘性贴膜的顶端为弧形，为所述叶片固定膜的打开端；其中一片粘性贴膜的长度大于另一片粘性贴膜的长度。
如上所述的蚜虫虫情调查方法，其中，所述分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数包括：
从所述蚜虫虫情叶片图像信息中截取蚜虫虫情叶片样本所在位置的图像信息，统计所述蚜虫虫情叶片样本所在位置的图像信息中具有凸起纹理特征的像素总数，用所述像素总数除以预设的具有代表性尺寸的单个蚜虫所占像素数，获取所述蚜虫虫情叶片样本的蚜虫数。
如上所述的蚜虫虫情调查方法，其中，所述分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数之前，还包括：
扫描具有代表性尺寸的单个蚜虫样本，获得具有代表性尺寸的单个蚜虫图像信息，统计所述具有代表性尺寸的单个蚜虫图像信息中具有凸起纹理特征的像素总数，获得所述预设的具有代表性尺寸的单个蚜虫所占像素数。
本发明另一方面还提供一种蚜虫虫情调查装置，包括：
图像采集装置，用于扫描蚜虫虫情叶片样本，获取蚜虫虫情叶片图像信息；
分析计算终端，与所述图像采集装置连接，用于分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数，并用于根据预设个数的所述蚜虫虫情叶片样本的蚜虫数和预设蚜虫虫情等级标准，计算蚜虫虫情等级。
如上所述的蚜虫虫情调查装置，其中，所述蚜虫虫情叶片样本包括叶片固定膜和带蚜虫的麦类作物叶片，所述叶片固定膜粘贴在所述带蚜虫的麦类作物叶片上，用于固定所述带蚜虫的麦类作物叶片上的蚜虫位置。
如上所述的蚜虫虫情调查装置，其中，所述叶片固定膜由两片粘性贴膜首尾连接而成，所述两片粘性贴膜分别粘贴在所述带蚜虫的麦类作物叶片的正反面上；所述两片粘性贴膜的连接端设有便于手捏的手柄，其中一片粘性贴膜的顶端为弧形，为所述叶片固定膜的打开端；其中一片粘性贴膜的长度大于另一片粘性贴膜的长度。
如上所述的蚜虫虫情调查装置，其中，
所述分析计算终端具体用于从所述蚜虫虫情叶片图像信息中截取蚜虫虫情叶片样本所在位置的图像信息，统计所述蚜虫虫情叶片样本所在位置的图像信息中具有凸起纹理特征的像素总数，用所述像素总数除以预设的具有代表性尺寸的单个蚜虫所占像素数，获取所述蚜虫虫情叶片样本的蚜虫数。
如上所述的蚜虫虫情调查装置，其中，
所述图像采集装置还用于扫描具有代表性尺寸的单个蚜虫样本，获得具有代表性尺寸的单个蚜虫图像信息；
所述分析计算终端还用于统计所述具有代表性尺寸的单个蚜虫图像信息中具有凸起纹理特征的像素总数，获得所述预设的具有代表性尺寸的单个蚜虫所占像素数。
采用本发明的蚜虫虫情调查方法及装置，由于采用图像采集装置对蚜虫虫情叶片样本进行扫描，获得蚜虫虫情叶片图像信息，该图像信息由经分析计算终端分析计算后获取蚜虫虫情等级，从而避开了目测手查方法导致蚜虫虫情调查结果不准确，误差较大的问题，使得蚜虫虫情调查规范准确，解决了调查中受外界环境影响大等问题，利于不同地区调查人员快速掌握虫情基本情况，及时制定蚜虫防治措施。
附图说明
图1为本发明一实施例的蚜虫虫情调查装置的结构图；
图2为本发明一实施例的叶片固定膜的结构图；
图3为本发明一实施例的叶片固定膜与麦类作物叶片配合的示意图；
图4为本发明一实施例的叶片固定膜固定在麦类作物叶片上的示意图；
图5为本发明另一实施例的蚜虫虫情调查方法的流程图；
图6为本发明又一实施例的蚜虫虫情调查方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部实施例。
图1为本发明一实施例的蚜虫虫情调查装置的结构图，参照图1，本发明的蚜虫虫情调查装置，用于解决目测手查方法导致蚜虫虫情调查不准确，误差较大的问题。该调查装置包括：
图像采集装置1，用于扫描蚜虫虫情叶片样本，获取蚜虫虫情叶片图像信息；分析计算终端2，与所述图像采集装置1连接，用于分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数，并用于根据预设个数的所述蚜虫虫情叶片样本的蚜虫数和预设蚜虫虫情等级标准，计算蚜虫虫情等级。在本实施例中，蚜虫虫情等级分为五个等级，分别为：正常，全株无蚜虫；初发，全株有少量蚜虫（10头以下）；轻度，全株有一定量蚜虫（10-20头）；中度，全株有中等蚜虫（21-50头）；重度，全株有大量蚜虫（50头以上）。该蚜虫虫情等级采集标准参考农业部行业标准，蚜虫头数为调查面积内取样植株的平均值。
其中，分析计算终端2具体用于从所述蚜虫虫情叶片图像信息中截取蚜虫虫情叶片样本所在位置的图像信息，统计所述蚜虫虫情叶片样本所在位置的图像信息中具有凸起纹理特征的像素总数，用所述像素总数除以预设的具有代表性尺寸的单个蚜虫所占像素数，获取所述蚜虫虫情叶片样本的蚜虫数。其中，获取具有代表性尺寸的单个蚜虫所占像素数的方式为：所述图像采集装置1还用于扫描具有代表性尺寸的单个蚜虫样本，获得具有代表性尺寸的单个蚜虫图像信息；所述分析计算终端2还用于统计所述具有代表性尺寸的单个蚜虫图像信息中具有凸起纹理特征的像素总数，获得所述预设的具有代表性尺寸的单个蚜虫所占像素数。
采用本发明的蚜虫虫情调查装置，由于采用图像采集装置对蚜虫虫情叶片样本进行扫描，获得蚜虫虫情叶片图像信息，该图像信息由经分析计算终端分析后获取蚜虫虫情等级，从而避开了目测手查方法导致蚜虫虫情调查结果不准确，误差较大的问题，使得蚜虫虫情调查规范准确，解决了调查中受外界环境影响大等问题，利于不同地区调查人员快速掌握虫情基本情况，及时制定蚜虫防治措施。
在本发明的蚜虫虫情调查方法和装置中，所述蚜虫虫情叶片样本包括叶片固定膜和带蚜虫的麦类作物叶片，所述叶片固定膜粘贴在所述带蚜虫的麦类作物叶片上，用于固定所述带蚜虫的麦类作物叶片上的蚜虫位置。具体地，所述叶片固定膜可以由两片粘性贴膜首尾连接而成，所述两片粘性贴膜分别粘贴在所述带蚜虫的麦类作物叶片的正反面上；所述两片粘性贴膜的连接端设有便于手捏的手柄，其中一片粘性贴膜的顶端为弧形，为所述叶片固定膜的打开端；其中一片粘性贴膜的长度大于另一片粘性贴膜的长度。
以下通过图2至图4对叶片固定膜进行详细介绍。
图2为本发明一实施例的叶片固定膜的结构图，图3为本发明一实施例的叶片固定膜与麦类作物叶片配合的示意图，图4为本发明一实施例的叶片固定膜固定在麦类作物叶片上的示意图，请参照图2至图4，所述蚜虫虫情叶片样本包括叶片固定膜3，所述叶片固定膜3粘贴在带蚜虫的麦类作物叶片4上，用于固定蚜虫41的位置，固定蚜虫41的位置后形成蚜虫虫情叶片样本。
参照图2，所述叶片固定膜3由两片粘性贴膜首尾连接而成，两片粘性贴膜分别粘贴在带蚜虫虫情的麦类作物叶片4的正反面上。
叶片固定膜3的两片粘性贴膜连接端设有便于手捏的手柄31。在本实施例中，其中一片粘性贴膜的顶端为弧形，为所述叶片固定膜的打开端32。固定膜3中一片粘性贴膜的长度大于另一片粘性贴膜的长度，这便于手动打开叶片固定膜3，利于制作蚜虫虫情叶片样本。
所述叶片固定膜3的形状与带蚜虫的麦类作物典型生育期叶片的形状一致，便于固定叶片的同时，为后续图像处理提供识别边界（或宽度）。其中，叶片固定膜3的外形大小至少包括20mm×150mm、20mm×200mm、20mm×250mm三种。且叶片固定膜3为透明膜，透光率大于80%。
制作蚜虫虫情叶片样本过程中，首先打开叶片固定膜3的两片粘性贴膜，把被调查的麦类叶片4无需采摘放入其中，迅速闭合两片粘性贴膜而将蚜虫41固定住，从而制成蚜虫虫情叶片样本。之后在进行蚜虫虫情叶片样本图像扫描时，将蚜虫虫情叶片样本剪切下来，进行现场图像采集及虫情分析计算。由于叶片固定膜3的根部设有手捏位置31，在将蚜虫虫情叶片样本从作物植株上取下来后，该手捏位置31方便手捏,不会破坏蚜虫虫情叶片样本的整体属性。
在上述技术方案的基础上，进一步地，参照图1，作为本发明的一个优选实施例，所述图像采集装置1可以包括名片扫描仪和上传装置，名片扫描仪通过上传装置与分析计算终端2连接。该名片扫描仪用于扫描所述蚜虫虫情叶片样本，并获取蚜虫虫情叶片图像信息。名片扫描仪获取该蚜虫虫情叶片图像信息后，通过上传装置传送到所述分析计算终端2。具体地，名片扫描仪获取该蚜虫虫情叶片图像信息后，可以先将其保存在名片扫描仪的储存器中，然后，储存器中的蚜虫虫情叶片图像信息经过该上传装置上传给分析计算终端2。然后，分析计算终端2对蚜虫虫情叶片图像信息进行分析计算，得出蚜虫虫情等级。其中，该上传装置可以为一USB数据线，也可以为一无线传输装置。所述名片扫描仪的扫描分辨率为600DPI（每英寸所打印的点数，Dots Per Inch，简称DPI）。
其中，所述名片扫描仪可以为微型名片扫描仪，重量较轻，便于野外携带。同时自带电源，可直接扫描蚜虫虫情叶片样本。该微型名片扫描仪具有600DPI和1200DPI的扫描分辨率。对蚜虫虫情叶片样本进行扫描时，打开微型名片扫描仪，选择600DPI的扫描分辨率，对蚜虫虫情叶片样本进行图像数据采集。
在上述技术方案的基础上，进一步地，参照图1，该分析计算终端2还用于记录调查点的信息，调查点的信息可以包括以下信息的任意一种或几种：经纬度、高程、行政区划、作物品种、作物生育期，但并不限于上述信息。
作为本发明的一个优选实施例，所述分析计算终端2可以为任意智能终端设备，例如，可以为智能手机、平板电脑和笔记本电脑中的任意一种，显然不限于此。以下仅以智能手机为例来说明分析计算终端2的工作过程。智能手机与所述名片扫描仪连接，用于对所述蚜虫虫情叶片图像信息进行虫情指数分析计算，得出蚜虫虫情等级。该智能手机还用于记录采集点的信息，采集点的信息包括经纬度、高程、行政区划、作物品种、作物生育期等基本信息。
该智能手机通过运行麦类作物蚜虫虫情调查平台，集成作物基本信息（如品种、生育期等）、调查点、经纬度等功能模块。该智能手机运行麦类作物蚜虫虫情调查平台，该调查平台建议运行在安卓系统2.1版本以上。该麦类作物蚜虫虫情调查平台，至少包括蚜虫虫情的“基本信息”、“调查点”、“经纬度”、“虫情指数”等功能模块。其中，“基本信息”模块，用于记录作物品种、生育期等信息。其中，“调查点”模块，用于记录调查点属于省、市（县）、区、村等行政区信息。其中，“经纬度”模块，用于记录调查点经纬度和高程信息。其中，“虫情指数”模块，计算叶片正反面蚜虫的数量，并划分虫情指数。进入麦类作物蚜虫虫情调查平台，录入调查麦类作物的“基本信息”、“调查点”、“经纬度”等。
在微型名片扫描仪工作完毕后与智能手机连接，此时使智能手机可作为一个微型计算机进行工作。在其“虫情计算”模块，后台程序能计算叶片正反面蚜虫的数量，并划分虫情指数。虫情指数分为五个等级：一是正常，全株无蚜虫；二是初发，全株有少量蚜虫（10头以下）；三是轻度，全株有一定量蚜虫（10-20头）；四是中度，全株有中等蚜虫（21-50头）；五是重度，全株有大量蚜虫（50头以上）。蚜虫虫情等级采集标准参考农业部行业标准，蚜虫头数为调查面积内取样植株的平均值。
在完成上述计算后，在“属性文件生成”模块，把调查信息自动生成，便于上传或储存。该蚜虫虫情调查与发布方法具体步骤为：
图5为本发明另一实施例的蚜虫虫情调查方法的流程图。如图5所示，该方法至少包括以下步骤。
步骤501：扫描蚜虫虫情叶片样本，获取蚜虫虫情叶片图像信息。
步骤502：分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数。
步骤503：根据预设个数的所述蚜虫虫情叶片样本的蚜虫数和预设蚜虫虫情等级标准，计算蚜虫虫情等级。
图6为本发明又一实施例的蚜虫虫情调查方法的流程图。如图6所示，该方法至少包括以下过程。
步骤601：计算具有代表性尺寸的单个蚜虫所占像素数。
在本步骤中，计算具有代表性尺寸的单个蚜虫所占像素数，具体方法包括：扫描具有代表性尺寸的单个蚜虫样本，获得具有代表性尺寸的单个蚜虫图像信息，统计所述具有代表性尺寸的单个蚜虫图像信息中具有凸起纹理特征的像素总数，获得具有代表性尺寸的单个蚜虫所占像素数，在计算获得具有代表性尺寸的单个蚜虫所占像素数之后，将具有代表性尺寸的单个蚜虫所占像素数设置到分析计算终端中作为预设值。
步骤601只需在步骤604之前执行即可。
步骤602：制作蚜虫虫情叶片样本。
在本步骤中，制作蚜虫虫情叶片样本。在感染蚜虫的调查点，选择样本植株，把叶片固定膜打开，并将固定膜粘贴在带蚜虫虫情的麦类作物叶片上，将蚜虫的位置固定住，制作蚜虫虫情叶片样本。具体方法包括：将叶片固定膜粘贴在带蚜虫的麦类作物叶片上，以固定所述带蚜虫的麦类作物叶片上的蚜虫位置，获得所述蚜虫虫情叶片样本。其中，所述叶片固定膜由两片粘性贴膜首尾连接而成，所述两片粘性贴膜分别粘贴在所述带蚜虫的麦类作物叶片的正反面上，所述两片粘性贴膜的连接端设有便于手捏的手柄，其中一片粘性贴膜的顶端为弧形，为所述叶片固定膜的打开端，其中一片粘性贴膜的长度大于另一片粘性贴膜的长度。本步骤制作的蚜虫虫情叶片样本符合对图2至图4的详细描述。
步骤603：扫描蚜虫虫情叶片样本，获取蚜虫虫情叶片图像信息。
在本步骤中，扫描蚜虫虫情叶片样本，获取蚜虫虫情叶片图像信息。以采用微型名片扫描仪进行扫描为例，打开微型名片扫描仪，选择600DPI或1200DPI的扫描分辨率，对蚜虫虫情叶片样本进行图像数据采集，并获取蚜虫虫情叶片图像信息。然后，将名片扫描仪与智能手机连接，将蚜虫虫情叶片图像信息传送至该智能手机上。
步骤604：分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数。
在本步骤中，分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数，具体方法包括：从所述蚜虫虫情叶片图像信息中截取蚜虫虫情叶片样本所在位置的图像信息，统计所述蚜虫虫情叶片样本所在位置的图像信息中具有凸起纹理特征的像素总数，用所述像素总数除以预设的具有代表性尺寸的单个蚜虫所占像素数，获取所述蚜虫虫情叶片样本的蚜虫数。
步骤605：根据预设个数的所述蚜虫虫情叶片样本的蚜虫数和预设蚜虫虫情等级标准，计算蚜虫虫情等级。
根据农业调查标准的要求，设置多个调查样点，对于每一个调查样点，均采用上述步骤601至步骤604的方法，获得该调查样点蚜虫虫情叶片样本的蚜虫数，以调查样点的总数作为预设个数，获的预设个数的蚜虫虫情叶片样本的蚜虫数。在步骤605中，根据预设个数的所述蚜虫虫情叶片样本的蚜虫数和预设蚜虫虫情等级标准，计算蚜虫虫情等级。其中，预设蚜虫虫情等级标准可以采用农业部确定的行业标准。
以采用智能手机进行分析计算为例，在步骤604和步骤605中，打开智能手机，进入麦类作物蚜虫虫情调查平台，进行“虫情指数”运算并输出结果，获得蚜虫虫情等级。
采用本发明的蚜虫虫情调查方法，由于对蚜虫虫情叶片样本进行扫描，获得蚜虫虫情叶片图像信息，对该图像信息进行分析计算，获取蚜虫虫情等级，从而避开了目测手查方法导致蚜虫虫情调查结果不准确，误差较大的问题，使得蚜虫虫情调查规范准确，解决了调查中受外界环境影响大等问题，利于不同地区调查人员快速掌握虫情基本情况，及时制定蚜虫防治措施。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.一种蚜虫虫情调查方法，其特征在于，包括：
扫描蚜虫虫情叶片样本，获取蚜虫虫情叶片图像信息；
分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数；
根据预设个数的所述蚜虫虫情叶片样本的蚜虫数和预设蚜虫虫情等级标准，计算蚜虫虫情等级；
其中，所述扫描蚜虫虫情叶片样本之前，还包括：
将叶片固定膜粘贴在带蚜虫的麦类作物叶片上，以固定所述带蚜虫的麦类作物叶片上的蚜虫位置，获得所述蚜虫虫情叶片样本；所述叶片固定膜由两片粘性贴膜首尾连接而成，所述两片粘性贴膜分别粘贴在所述带蚜虫的麦类作物叶片的正反面上；所述两片粘性贴膜的连接端设有便于手捏的手柄，其中一片粘性贴膜的顶端为弧形，为所述叶片固定膜的打开端；其中一片粘性贴膜的长度大于另一片粘性贴膜的长度；
所述分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数包括：
从所述蚜虫虫情叶片图像信息中截取蚜虫虫情叶片样本所在位置的图像信息，统计所述蚜虫虫情叶片样本所在位置的图像信息中具有凸起纹理特征的像素总数，用所述像素总数除以预设的具有代表性尺寸的单个蚜虫所占像素数，获取所述蚜虫虫情叶片样本的蚜虫数；
所述分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数之前，还包括：
扫描具有代表性尺寸的单个蚜虫样本，获得具有代表性尺寸的单个蚜虫图像信息，统计所述具有代表性尺寸的单个蚜虫图像信息中具有凸起纹理特征的像素总数，获得所述预设的具有代表性尺寸的单个蚜虫所占像素数。
2.一种蚜虫虫情调查装置，其特征在于，包括：
图像采集装置，用于扫描蚜虫虫情叶片样本，获取蚜虫虫情叶片图像信息；
分析计算终端，与所述图像采集装置连接，用于分析所述蚜虫虫情叶片图像信息，获取所述蚜虫虫情叶片样本的蚜虫数，并用于根据预设个数的所述蚜虫虫情叶片样本的蚜虫数和预设蚜虫虫情等级标准，计算蚜虫虫情等级；
其中，所述蚜虫虫情叶片样本包括叶片固定膜和带蚜虫的麦类作物叶片，所述叶片固定膜粘贴在所述带蚜虫的麦类作物叶片上，用于固定所述带蚜虫的麦类作物叶片上的蚜虫位置；所述叶片固定膜由两片粘性贴膜首尾连接而成，所述两片粘性贴膜分别粘贴在所述带蚜虫的麦类作物叶片的正反面上；所述两片粘性贴膜的连接端设有便于手捏的手柄，其中一片粘性贴膜的顶端为弧形，为所述叶片固定膜的打开端；其中一片粘性贴膜的长度大于另一片粘性贴膜的长度；
所述分析计算终端具体用于从所述蚜虫虫情叶片图像信息中截取蚜虫虫情叶片样本所在位置的图像信息，统计所述蚜虫虫情叶片样本所在位置的图像信息中具有凸起纹理特征的像素总数，用所述像素总数除以预设的具有代表性尺寸的单个蚜虫所占像素数，获取所述蚜虫虫情叶片样本的蚜虫数；
所述图像采集装置还用于扫描具有代表性尺寸的单个蚜虫样本，获得具有代表性尺寸的单个蚜虫图像信息；所述分析计算终端还用于统计所述具有代表性尺寸的单个蚜虫图像信息中具有凸起纹理特征的像素总数，获得所述预设的具有代表性尺寸的单个蚜虫所占像素数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410042022.4A CN103942528B (zh) | 2014-01-28 | 2014-01-28 | 蚜虫虫情调查方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410042022.4A CN103942528B (zh) | 2014-01-28 | 2014-01-28 | 蚜虫虫情调查方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103942528A CN103942528A (zh) | 2014-07-23 |
| CN103942528B true CN103942528B (zh) | 2017-11-10 |
Family
ID=51190193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410042022.4A Expired - Fee Related CN103942528B (zh) | 2014-01-28 | 2014-01-28 | 蚜虫虫情调查方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103942528B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866897A (zh) * | 2015-06-12 | 2015-08-26 | 合肥市徽腾网络科技有限公司 | 蚜虫虫情调查方法及装置 |
| CN110338160A (zh) * | 2019-04-06 | 2019-10-18 | 云南省烟草公司大理州公司 | 一种昆虫动态监测调查法 |
| CN110503647A (zh) * | 2019-08-30 | 2019-11-26 | 北京麦飞科技有限公司 | 基于深度学习图像分割的小麦植株实时计数方法 |
Citations (4)
| 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 |
| CN101794406A (zh) * | 2010-04-06 | 2010-08-04 | 湖南省植物保护研究所 | 烟粉虱成虫密度自动计数系统 |
| CN202306551U (zh) * | 2011-06-23 | 2012-07-04 | 全国农业技术推广服务中心 | 病虫害数量采集终端及数据系统 |
| CN202435424U (zh) * | 2011-11-10 | 2012-09-12 | 许春香 | 一种农业病虫害防控物联网 |
-
2014
- 2014-01-28 CN CN201410042022.4A patent/CN103942528B/zh not_active Expired - Fee Related
Patent Citations (4)
| 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 |
| CN101794406A (zh) * | 2010-04-06 | 2010-08-04 | 湖南省植物保护研究所 | 烟粉虱成虫密度自动计数系统 |
| CN202306551U (zh) * | 2011-06-23 | 2012-07-04 | 全国农业技术推广服务中心 | 病虫害数量采集终端及数据系统 |
| CN202435424U (zh) * | 2011-11-10 | 2012-09-12 | 许春香 | 一种农业病虫害防控物联网 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103942528A (zh) | 2014-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Toscano et al. | A precision agriculture approach for durum wheat yield assessment using remote sensing data and yield mapping | |
| Turker et al. | Sequential masking classification of multi‐temporal Landsat7 ETM+ images for field‐based crop mapping in Karacabey, Turkey | |
| EP3316208A1 (en) | Correcting bias in agricultural parameter monitoring | |
| Marcinkowska-Ochtyra et al. | Classification of expansive grassland species in different growth stages based on hyperspectral and LiDAR data | |
| Simbahan et al. | Screening yield monitor data improves grain yield maps | |
| Sritarapipat et al. | Automatic rice crop height measurement using a field server and digital image processing | |
| Gil-Docampo et al. | Above-ground biomass estimation of arable crops using UAV-based SfM photogrammetry | |
| CN110926430B (zh) | 一种空地一体化红树林监测系统及控制方法 | |
| US20240257515A1 (en) | Remote Sensing Algorithms for Mapping Regenerative Agriculture | |
| Ma et al. | High-throughput phenotyping analysis of potted soybean plants using colorized depth images based on a proximal platform | |
| Roth et al. | Repeated multiview imaging for estimating seedling tiller counts of wheat genotypes using drones | |
| Hu et al. | Coupling of machine learning methods to improve estimation of ground coverage from unmanned aerial vehicle (UAV) imagery for high-throughput phenotyping of crops | |
| Shen et al. | Mapping corn and soybean phenometrics at field scales over the United States Corn Belt by fusing time series of Landsat 8 and Sentinel-2 data with VIIRS data | |
| CN109871833B (zh) | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 | |
| CN103942528B (zh) | 蚜虫虫情调查方法及装置 | |
| Jamil et al. | Evaluation of individual plant growth estimation in an intercropping field with UAV imagery | |
| CN112734083A (zh) | 一种基于机器视觉的水稻收割机路径规划控制系统 | |
| CN114581768A (zh) | 一种作物倒伏无人机监测方法及装置 | |
| Dvorak et al. | Predicting quality and yield of growing alfalfa from a UAV | |
| Aeberli et al. | Characterisation of banana plant growth using high-spatiotemporal-resolution multispectral UAV imagery | |
| Zhang et al. | High‐throughput phenotyping of canopy height in cool‐season crops using sensing techniques | |
| Böhler et al. | Optimal timing assessment for crop separation using multispectral unmanned aerial vehicle (UAV) data and textural features | |
| Yuan et al. | UAV Photogrammetry-Based Apple Orchard Blossom Density Estimation and Mapping | |
| Sánchez et al. | The Second Derivative of the NDVI Time Series as an Estimator of Fresh Biomass: A Case Study of Eight Forage Associations Monitored via UAS | |
| Waine et al. | Towards improving the accuracy of opium yield estimates with remote sensing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| 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: 20171110 Termination date: 20220128 |