CN103955938A - 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 - Google Patents
一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 Download PDFInfo
- Publication number
- CN103955938A CN103955938A CN201410206856.4A CN201410206856A CN103955938A CN 103955938 A CN103955938 A CN 103955938A CN 201410206856 A CN201410206856 A CN 201410206856A CN 103955938 A CN103955938 A CN 103955938A
- Authority
- CN
- China
- Prior art keywords
- wheat
- image
- average
- matrix
- disease
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法,其特征是按如下步骤进行:1智能手机采集小麦叶片图像,并传输至后台服务器;2后台服务器将小麦叶片图像进行消除光照影响处理后获得预处理样本图像;3对预处理样本图像通过颜色分析方法获取小麦的生长状态信息和病害结果并反馈给所述智能手机;4所述智能手机接收所述生长状态信息和病害结果并进行显示。本发明能实时获取和分析小麦叶片信息,全面反应小麦作物生长情况和病虫害情况,并提高小麦生长状态诊断的准确性。
Description
技术领域
本发明是一种涉及图像处理领域,具体地说是一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法。
背景技术
在作物生长的过程中,植物叶片作为植物自身最重要生理器官之一,叶片的颜色变化与作物的氮含量、叶绿素含量有着密不可分的关系,而氮含量、叶绿素含量又与植物光合速率、营养状况等密切相关。而叶片水分信息可以直接反映出整个植株的水分状况,从而对植物水分亏缺情况与植物生理生化反应和生长发育状况有所反映。一般情况下,使用化学方法或者专用仪器获取作物叶片氮含量、叶绿素含量等营养含量;使用烘干法或者专用仪器进行作物叶片含水率的测量;或者使用高光谱或者红外的方法对图像叶片含水率进行测量。但是这些专业方法的使用,需要专业的化学知识和实验操作技能;且检测仪器价格相对较高。
小麦常见病害的种类很多,其中普遍发生、危害严重的主要有白粉病、铁锈病、条锈病等。但是由于农作物常见病害的症状是复杂的、模糊的,而植保专家对常见病害症状的描述大多数采用语言文字,带有模糊性的叙述,不能采用精确、定量的符号对症进行描述,从而形成了作物常见病害诊断标准含糊不清,妨碍了农技人员和种植户对农作物常见病害进行正确判断。
计算机视觉的图像处理技术是一种快捷、便利的检测方法,具有无损伤和实时等特点,成为植物叶片信息获取的新手段。但现有技术中,基于图像的作物信息获取方法主要存在以下缺点:
1、对于野外田间采集的图像,受到光照强度的影响,可能对其识别的精度有一定的影响,缺少预处理消除光照的影响的过程,从而影响植物叶片信息获取的准确率;
2、现有的基于图像的作物信息获取方法,获取的作物信息比较单一,只获取作物的叶绿素含量,或者只获取作物的常见病害情况,不能全面的反应作物生长情况;
3、现有的基于图像的作物信息获取方法,大多数基于计算机与扫描仪或者数码相机连接在一起组成采集系统,对于野外大田试验的信息采集处理是有一定困难。
发明内容
本发明是为避免现技术所存在的不足之处,提出一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法,能实时获取和分析小麦叶片信息,全面反应小麦作物生长情况和病虫害情况,并提高小麦生长状态诊断的准确性。
为解决上述技术问题,本发明所采用的技术方案是:
本发明一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法的特点是按如下步骤进行:
步骤A、智能手机采集小麦叶片图像,并传输至后台服务器;
步骤B、所述后台服务器将所接收的小麦叶片图像利用双重同态滤波方法进行消除光照影响处理后获得预处理样本图像;
步骤C、对所述预处理样本图像通过颜色分析方法获取小麦的生长状态信息和病害结果并反馈给所述智能手机;
步骤D、所述智能手机接收所述生长状态信息和病害结果并进行显示。
本发明图像颜色特征的小麦生长状态诊断方法的特点也在于,
所述步骤B中的双重同态滤波方法是按如下步骤进行:
步骤B1、将所述小麦叶片图像中的R矩阵、G矩阵和B矩阵进行同态滤波分别获得色彩均衡化的R矩阵、G矩阵和B矩阵;
步骤B2、利用所述色彩均衡化的R矩阵、G矩阵和B矩阵分别获得由色度H矩阵、饱和度S矩阵和亮度I矩阵构成的HSI色彩空间矩阵,对所述亮度I矩阵进行同态滤波用于消除光照影响;
步骤B3、将所述HSI色彩空间矩阵转换成RGB色彩空间矩阵,获得所述预处理样本图像。
所述步骤C中通过颜色分析方法获取小麦生长信息和病害结果是如下步骤进行:
步骤C1、对所述预处理样本图像利用Otsu阈值分割方法进行图像分割处理获得叶片信息图像,并利用R、G、B分量值的比较法进行病害图像分割处理获得病害叶片图像;
步骤C2、对所述叶片信息图像提取R均值、G均值、B均值并计算R均值与G均值之间的差值以及绿色标准化值;
步骤C3、将所述叶片信息图像转换为灰度图像,并提取所述灰度图像的灰度均值作为灰度的特征参数;
步骤C4、由所述绿色标准化值建立氮含量的回归模型,由所述R均值与G均值之间的差值建立叶绿素含量的回归模型;并根据灰度均值和G均值建立小麦叶片含水率模型;
步骤C5、对所述病害叶片图像提取R均值、G均值、B均值并以所述G均值为参照值获得小麦病害特征参数;
步骤C6、根据所述小麦病害特征参数进行分类统计获得病害种类区域;
步骤C7、对待识别小麦叶片图像通所述步骤B、步骤C1至步骤C3处理后输入到所述氮含量的回归模型、叶绿素含量的回归模型和叶片含水率模型中分别获得待识别小麦叶片的氮含量、叶绿素含量和含水率;由所述氮含量、叶绿素含量和含水率构成小麦的生长状态信息;
步骤C8、对待识别小麦叶片图像通过所述步骤B、步骤C1和步骤C5获得所述待识别小麦叶片图像的病害特征参数,根据所述待识别小麦叶片图像的病害特征参数获得与所述病害种类区域距离最近的病害种类,从而获得病害结果。
与已有技术相比,本发明的有益效果体现在:
1.本发明通过对小麦叶片图像进行分析和诊断,并利用叶片颜色分析方法对小麦生长状态包括小麦叶片的氮含量、叶绿素含量,小麦叶片含水率,以及常见病害情况等相关作物信息分别建立相应识别模型,综合包含了小麦大多数的信息,从而更全面、细致地反应小麦的长势信息。
2.本发明使用双重同态滤波方法进行图像预处理减弱光照的影响,在保证图像色调饱和度基本不失真的情况下,实现图像亮度的不均及校正,从而为叶片识别提供了较为精准的预处理图像。
3.本发明利用手机用户普及率高的优势,通过智能手机获取小麦叶片图像,并实时传递给后台服务器,有利于用户实时了解小麦的长势和常见病害信息,指导用户及时做出相应的对应措施,利用智能手机为作物生长状态诊断系统搭载平台,大大提高了其便携性和普及性。可以将现场处理和通过网络的远程处理有机地结合,更有利于作物生长状态诊断系统的推广与应用,从而实现高效快速诊断小麦生长状态。
4.本发明使用移动物联网模式即手机-服务器模式,有别于现有的独立计算机、专用设备、独立手机等模式,兼具图像信息获取方便-快捷、可运行复杂程序-精度高、后台算法可升级-用户透明、性价比高等特点。
附图说明
图1为本发明总体结构框图;
图2为本发明光照预处理流程图;
图3为本发明图像分析整体流程图。
具体实施方式
本实施例中,一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法,如图1所示,是按如下步骤进行:
步骤A、智能手机采集小麦叶片图像,并传输至后台服务器,在本实施例中,智能手机作为前端,主要负责对小麦叶片图像进行采集和结果显示,后台服务器负责图像预处理、特征提取和状态诊断。
步骤B、后台服务器将所接收的小麦叶片图像利用双重同态滤波方法进行消除光照影响处理后获得预处理样本图像,对于前端传输到的小麦叶片图像在进行获取各种参数信息之前,需要对其进行预处理操作,使用双重同态滤波进行预处理的主要目的是消除或减弱野外大田中对小麦叶片进行采集时光照强度对图像产生的影响;首先通过中值滤波和锐化处理后,然后进行同态滤波消除或者减弱光照的影响,从而完成图像预处理操作。同态滤波是一种在频域中压缩图像亮度范围和增强图像对比度的方法,其基本思想是将图像的非可加性元素转换成可加性元素,并分别对元素进行滤波。如图2所示,使用双重同态滤波方法进行图像预处理是按如下步骤进行:
步骤B1、将小麦叶片图像(即RGB色彩空间矩阵)中的R矩阵、G矩阵和B矩阵进行同态滤波分别获得色彩均衡化的R矩阵、G矩阵和B矩阵,实现第一次同态滤波,获得的小麦叶片图像的色彩较为均匀;
步骤B2、利用色彩均衡化的R矩阵、G矩阵和B矩阵分别获得由色度H矩阵、饱和度S矩阵和亮度I矩阵构成的HSI色彩空间矩阵,对亮度I矩阵进行同态滤波用于消除光照影响,实现第二次的同态滤波过程,由于在HIS色彩空间,亮度分量与图像的彩色信息无关,所以在对图像亮度分量进行同态滤波的过程中,不会改变图像的基本色度信息;
步骤B3、将HSI色彩空间矩阵转换成新的RGB色彩空间矩阵,从而获得预处理样本图像。由此实现图像亮度的不均匀地有效校正,消除或减弱野外大田中对小麦叶片进行采集时光照强度对图像产生的影响。
步骤C、对预处理样本图像通过颜色分析方法获取小麦的生长状态信息和病害结果并反馈给智能手机,小麦生长状态信息包括小麦叶片氮含量、叶绿素含量、叶片含水率等信息,病害结果主要是小麦的常见病害,包括小麦铁锈病、条锈病和白粉病这3种常见病害的有效识别;如图3所示,基于颜色分析方法获取小麦生长状态和病害结果按如下步骤进行诊断:
步骤C1、对预处理样本图像利用Otsu阈值分割方法进行图像分割处理获得叶片信息图像,并利用R、G、B分量值的比较法进行病害图像分割处理获得病害叶片图像;
Otsu阈值分割方法是一种使类间方差最大的自动确定阈值的方法,由于其算法具有较为简单和处理速度比价快的特点,常被用于获取阈值。
在小麦的种植过程中,以铁锈病、条锈病和白粉病这3种小麦常见的常见病害为研究对象,常见病害图像分割是从图像中分离出只包含常见病害像素的图像,分割的效果直接影响特征提取和常见病害识别的准确性。通过分析小麦常见病害的图像样本发现,小麦健康叶片部位为绿色,而发生病变的部位通常为黄色、褐色、白色等非绿色。因此,基于颜色特征进行常见病害图像分割,能够有效分离出常见病害部位的图像。
利用R、G、B分量值的比较法进行病害图像分割处理的过程为:
首先加载预处理样本图像,该图像包含的像素数为M×N,然后遍历图像的所有像素点。对于预处理样本图像中行的每一个像素点所包含的R、G、B分量值,比较其R、G、B分量值的大小,当G>R且G<B时,判断为健康部位像素点,将该像素点的R、G、B值都置为0,即置为黑色;否则,当R>G或B>G时,判断为常见病害部位像素点,保持该像素点的R、G、B分量值不变,从而获得病害叶片图像。
步骤C2、对叶片信息图像提取R均值、G均值、B均值的直方图统计特征并进行R、G、B的有效组合,从而计算R均值与G均值之间的差值以及绿色标准化值
利用式(1)分别统计叶片信息图像的R均值、G均值和B均值的直方图统计特征:
式(1)中,和分别为R、G、B的3个颜色分量的平均值;Total=M×N为叶片信息图像像素点的总数;M、N分别为叶片信息图像矩阵的行数和列数;L为叶片信息图像中叶片整体的像素点数;i为在叶片信息图像矩阵中像素点的位置。
步骤C3、将叶片信息图像转换为灰度图像,并提取灰度图像的灰度均值作为灰度的特征参数;
利用式(2)将叶片信息图像从彩色图像转换成灰度图像:
Y=0.299R+0.587G+0.114B (2)
式(2)中,R、G、B即为叶片信息图像的每一个像素点所包含的分量值。
一般情况下,使用式(2)进行精确灰度转换的近似计算获得灰度图像能够满足实验的需求。
通过式(3)提取灰度直方图的灰度均值μ作为灰度图像的特征参数,灰度均值μ主要用于反映一幅图像的平均灰度值:
式(3)中,j为图片的灰度级,H(j)表示灰度级为j的点出现的频率,表示灰度图像中灰度级为j的数量;
步骤C4、由绿色标准化值建立氮含量的回归模型,由R均值与G均值之间的差值建立叶绿素含量的回归模型;并根据灰度均值μ与G均值建立小麦叶片含水率模型;
对于小麦叶片氮含量的回归模型主要是通过以下步骤进行建立:
1、采集若干小麦叶片图像,并对若干小麦叶片图像所分别对应的小麦叶片利用叶绿素测定仪获取小麦叶片的叶绿素含量;并分别计算若干小麦叶片图像的绿色标准化值
2、将绿色标准化值与专用仪器测量的叶绿素值在二维坐标中进行表示,并利用式(4)建立回归方程:
y=a1x2+b1x+c1 (4)
式(4)中,y表示小麦叶片氮含量,x表示绿色标准化值a1为x二次项的系数,b1为x的一次项系数,c1为回归方程的常数项。
对于小麦叶片叶绿素含量的回归模型主要是通过以下步骤进行建立:
1、对上述所采集的若干小麦叶片图像以及与小麦叶片图像分别相对应的小麦叶片,利用叶绿素测定仪获取小麦叶片的叶绿素含量;并分别计算小麦叶片图像的R均值R与G均值G之间的差值
2、将R均值与G均值之间的差值与专用仪器测量的叶绿素值在二维坐标中进行表示,并利用式(5)建立小麦叶片叶绿素含量与差值之间的回归方程:
y=a2x2+b2x+c2 (5)
式(5)中,y表示小麦叶片叶绿素含量,x表示R均值与G均值之间的差值a2为x二次项的系数,b2为x的一次项系数,c2为回归方程的常数项。
对于小麦叶片含水率的回归模型主要是通过以下步骤进行建立:
1、对上述所采集的若干小麦叶片图像以及与小麦叶片图像分别相对应的小麦叶片,利用烘干法获取小麦叶片的含水率;对小麦叶片图像按步骤C3获得灰度均值μ。
2、将灰度值均值μ、G均值作为自变量,叶片含水率作为因变量,利用式(6)建立回归方程:
y=ax1 2+bx1+cx2 2+dx2+ex1x2+f (6)
式(6)中,y表示小麦叶片含水率,x1表示灰度均值μ,x2表示G均值,a表示x1的二次项的系数,b表示x1的一次项系数,c表示x2的二次项的系数,d表示x2的一次项系数,e表示x1x2的系数,f表示回归方程的常数项。
经过以上步骤可以确定包含叶片氮含量、叶绿素含量及含水率在内的小麦营养状况的回归模型,为待识别的小麦叶片图像提供回归模型。
步骤C5、利用式(1)提取病害叶片图像的R均值、G均值、B均值并以G均值为参照值获得小麦病害特征参数;
拍摄常见病害图像时,环境光照强度的不同会导致R、G、B的变化幅度很大,如果直接采用颜色均值会导致误判。分析试验图像发现,R、G、B这3个分量的值会随着光照变化而成比例地增大或减小。因此,以G分量的均值为参照值,用R分量均值、B分量均值与G分量均值之比作为常见病害特征参数。通过式(7)获得小麦常见病害的特征参数;
式(7)中,r'称为红色分量均值比;b'称为蓝色分量均值比。由于r'、b'值对光照的变化不敏感,因此能有效提高算法的性能。
步骤C6、根据小麦病害特征参数进行分类统计获得病害种类区域;
根据常见病害图像确定颜色特征参数r'、b'值的范围,对预处理样本图像进行分类统计分析,获得3种小麦常见病害及健康叶片的r'、b'值的取值范围,从而确定小麦叶片常见的病害种类的区域和健康叶片区域。
步骤C7、对待识别小麦叶片图像通过步骤B、步骤C1至步骤C3处理后输入到氮含量的回归模型、叶绿素含量的回归模型和叶片含水率模型中分别获得待识别小麦叶片的氮含量、叶绿素含量和含水率;由氮含量、叶绿素含量和含水率共同构成小麦的生长状态信息,从而获得小麦的营养状况,对农户和农技人员及时获得小麦的营养状态,对农时有一定的指导意义;
步骤C8、对待识别小麦叶片图像通过步骤B、步骤C1和步骤C5获得待识别小麦叶片图像的病害特征参数,根据待识别小麦叶片图像的病害特征参数获得与病害种类区域距离最近的病害种类,从而获得病害结果。
具体的,利用式(8)分别计算待识别小麦叶片图像的病害特征参数r'和b'的数值与病害种类区域以及健康叶片区域的距离:
式(8)中,k=1表示健康叶片类中心坐标,k=2表示铁锈病类中心坐标,k=3表示条锈病类中心坐标,k=4表示白粉病类中心坐标,以距离d′的远近作为判据,确定病害种类距离d′最小的,则为待识别小麦叶片所属的病害种类,从而有利于农户和农技人员及时进行田间管理。
步骤D、智能手机接收生长状态信息和病害结果并进行显示,使农技人员或种植户及时获取小麦的生长状态及常见病害信息,若发生异常,并及时采取措施进行补救,使作物始终生长于最适宜的环境下。
以上发明只是本发明的优选的实施方式,应当指出,对于本技术领域的科技人员来说,在不脱离本发明技术原理的前提下,还可以做出若干适当的改进和替换,这些改进与替换也应视为本发明的保护范围。
Claims (3)
1.一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法,其特征是按如下步骤进行:
步骤A、智能手机采集小麦叶片图像,并传输至后台服务器;
步骤B、所述后台服务器将所接收的小麦叶片图像利用双重同态滤波方法进行消除光照影响处理后获得预处理样本图像;
步骤C、对所述预处理样本图像通过颜色分析方法获取小麦的生长状态信息和病害结果并反馈给所述智能手机;
步骤D、所述智能手机接收所述生长状态信息和病害结果并进行显示。
2.如权利要求1所述的图像颜色特征的小麦生长状态诊断方法,其特征在是,所述步骤B中的双重同态滤波方法是按如下步骤进行:
步骤B1、将所述小麦叶片图像中的R矩阵、G矩阵和B矩阵进行同态滤波分别获得色彩均衡化的R矩阵、G矩阵和B矩阵;
步骤B2、利用所述色彩均衡化的R矩阵、G矩阵和B矩阵分别获得由色度H矩阵、饱和度S矩阵和亮度I矩阵构成的HSI色彩空间矩阵,对所述亮度I矩阵进行同态滤波用于消除光照影响;
步骤B3、将所述HSI色彩空间矩阵转换成RGB色彩空间矩阵,获得所述预处理样本图像。
3.如权利要求书1所述的基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法,其特征是,所述步骤C中通过颜色分析方法获取小麦生长信息和病害结果是如下步骤进行:
步骤C1、对所述预处理样本图像利用Otsu阈值分割方法进行图像分割处理获得叶片信息图像,并利用R、G、B分量值的比较法进行病害图像分割处理获得病害叶片图像;
步骤C2、对所述叶片信息图像提取R均值、G均值、B均值并计算R均值与G均值之间的差值以及绿色标准化值;
步骤C3、将所述叶片信息图像转换为灰度图像,并提取所述灰度图像的灰度均值作为灰度的特征参数;
步骤C4、由所述绿色标准化值建立氮含量的回归模型,由所述R均值与G均值之间的差值建立叶绿素含量的回归模型;并根据灰度均值和G均值建立小麦叶片含水率模型;
步骤C5、对所述病害叶片图像提取R均值、G均值、B均值并以所述G均值为参照值获得小麦病害特征参数;
步骤C6、根据所述小麦病害特征参数进行分类统计获得病害种类区域;
步骤C7、对待识别小麦叶片图像通所述步骤B、步骤C1至步骤C3处理后输入到所述氮含量的回归模型、叶绿素含量的回归模型和叶片含水率模型中分别获得待识别小麦叶片的氮含量、叶绿素含量和含水率;由所述氮含量、叶绿素含量和含水率构成小麦的生长状态信息;
步骤C8、对待识别小麦叶片图像通过所述步骤B、步骤C1和步骤C5获得所述待识别小麦叶片图像的病害特征参数,根据所述待识别小麦叶片图像的病害特征参数获得与所述病害种类区域距离最近的病害种类,从而获得病害结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410206856.4A CN103955938B (zh) | 2014-05-15 | 2014-05-15 | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410206856.4A CN103955938B (zh) | 2014-05-15 | 2014-05-15 | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955938A true CN103955938A (zh) | 2014-07-30 |
CN103955938B CN103955938B (zh) | 2017-03-08 |
Family
ID=51333207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410206856.4A Active CN103955938B (zh) | 2014-05-15 | 2014-05-15 | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955938B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104132897A (zh) * | 2014-08-16 | 2014-11-05 | 西北农林科技大学 | 一种基于手持设备的植物叶片含氮量测量方法和装置 |
CN105261045A (zh) * | 2015-09-12 | 2016-01-20 | 黑龙江八一农垦大学 | 一种快速评估苜蓿病虫害损失程度的数字化方法 |
CN105738364A (zh) * | 2015-12-28 | 2016-07-06 | 清华大学深圳研究生院 | 基于图像处理的硅橡胶表面藻类生长程度测量方法及装置 |
CN105897920A (zh) * | 2016-05-27 | 2016-08-24 | 北京农业信息技术研究中心 | 一种农作物监测分析方法和系统 |
CN106255991A (zh) * | 2015-01-28 | 2016-12-21 | 比科利克株式会社 | 状态判定系统 |
CN107392920A (zh) * | 2017-06-30 | 2017-11-24 | 北京农业信息技术研究中心 | 一种基于可见光‑太赫兹光的植株健康辨别方法和装置 |
CN107844771A (zh) * | 2017-11-03 | 2018-03-27 | 深圳春沐源控股有限公司 | 农作物生产管理的方法、系统、计算机装置及存储介质 |
WO2018068143A1 (en) * | 2016-10-13 | 2018-04-19 | Mccain Foods Limited | Method, medium, and system for detecting potato virus in a crop image |
CN108346142A (zh) * | 2018-01-16 | 2018-07-31 | 中国农业大学 | 一种基于植物光照图像的植物生长状态识别方法 |
WO2018196168A1 (zh) * | 2017-04-28 | 2018-11-01 | 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 |
CN109446955A (zh) * | 2018-10-17 | 2019-03-08 | 南京理工大学泰州科技学院 | 一种图像处理方法、装置、无人机及服务器 |
CN109738438A (zh) * | 2018-12-29 | 2019-05-10 | 扬州大学 | 一种小麦叶片衰老程度快速测量方法 |
CN109827957A (zh) * | 2018-12-17 | 2019-05-31 | 南京邮电大学 | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 |
CN110378890A (zh) * | 2019-07-23 | 2019-10-25 | 中国科学院东北地理与农业生态研究所 | 一种林下资源植物地上器官n含量的预测方法 |
CN111553804A (zh) * | 2020-04-27 | 2020-08-18 | 无锡雪浪数制科技有限公司 | 一种农作物生长周期识别方法 |
CN111615963A (zh) * | 2020-06-30 | 2020-09-04 | 江门市三威五金有限公司 | 一种智能花房及其控制方法 |
CN117643245A (zh) * | 2023-12-26 | 2024-03-05 | 中国农业科学院烟草研究所 | 一种烤烟育苗病虫害防治方法 |
-
2014
- 2014-05-15 CN CN201410206856.4A patent/CN103955938B/zh active Active
Non-Patent Citations (4)
Title |
---|
刘连忠 等: "基于改进颜色特征的小麦病害图像识别技术研究", 《安徽农业科学》 * |
王安伟: "基于Android的手机农业专家系统的设计与实现", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
马莉莉 等: "基于机器视觉的的大豆缺超氮素叶片颜色分析", 《黑龙江省农业工程学会2011学术年会论文集》 * |
黄晓慰: "基于光照不变性的农产品(水果)图像处理", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104132897A (zh) * | 2014-08-16 | 2014-11-05 | 西北农林科技大学 | 一种基于手持设备的植物叶片含氮量测量方法和装置 |
CN104132897B (zh) * | 2014-08-16 | 2018-11-06 | 西北农林科技大学 | 一种基于手持设备的植物叶片含氮量测量方法和装置 |
CN106255991A (zh) * | 2015-01-28 | 2016-12-21 | 比科利克株式会社 | 状态判定系统 |
CN106255991B (zh) * | 2015-01-28 | 2019-03-12 | 比科利克株式会社 | 状态判定系统 |
CN105261045A (zh) * | 2015-09-12 | 2016-01-20 | 黑龙江八一农垦大学 | 一种快速评估苜蓿病虫害损失程度的数字化方法 |
CN105261045B (zh) * | 2015-09-12 | 2020-04-03 | 黑龙江八一农垦大学 | 一种快速评估苜蓿病虫害损失程度的数字化方法 |
CN105738364B (zh) * | 2015-12-28 | 2018-08-17 | 清华大学深圳研究生院 | 基于图像处理的硅橡胶表面藻类生长程度测量方法及装置 |
CN105738364A (zh) * | 2015-12-28 | 2016-07-06 | 清华大学深圳研究生院 | 基于图像处理的硅橡胶表面藻类生长程度测量方法及装置 |
CN105897920A (zh) * | 2016-05-27 | 2016-08-24 | 北京农业信息技术研究中心 | 一种农作物监测分析方法和系统 |
US11645743B2 (en) | 2016-10-13 | 2023-05-09 | Resson Aerospace Corporation | Method, medium, and system for detecting potato virus in a crop image |
CN110022674A (zh) * | 2016-10-13 | 2019-07-16 | 麦凯恩食品有限公司 | 用于在作物图像中检测马铃薯病毒的方法、介质和系统 |
CN110022674B (zh) * | 2016-10-13 | 2022-04-01 | 麦凯恩食品有限公司 | 用于在作物图像中检测马铃薯病毒的方法、介质和系统 |
WO2018068143A1 (en) * | 2016-10-13 | 2018-04-19 | Mccain Foods Limited | 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 |
WO2018196168A1 (zh) * | 2017-04-28 | 2018-11-01 | 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 |
CN107392920A (zh) * | 2017-06-30 | 2017-11-24 | 北京农业信息技术研究中心 | 一种基于可见光‑太赫兹光的植株健康辨别方法和装置 |
CN107844771A (zh) * | 2017-11-03 | 2018-03-27 | 深圳春沐源控股有限公司 | 农作物生产管理的方法、系统、计算机装置及存储介质 |
CN108346142B (zh) * | 2018-01-16 | 2020-08-14 | 中国农业大学 | 一种基于植物光照图像的植物生长状态识别方法 |
CN108346142A (zh) * | 2018-01-16 | 2018-07-31 | 中国农业大学 | 一种基于植物光照图像的植物生长状态识别方法 |
CN109446955B (zh) * | 2018-10-17 | 2020-08-25 | 南京理工大学泰州科技学院 | 一种图像处理方法、装置、无人机及服务器 |
CN109446955A (zh) * | 2018-10-17 | 2019-03-08 | 南京理工大学泰州科技学院 | 一种图像处理方法、装置、无人机及服务器 |
CN109827957A (zh) * | 2018-12-17 | 2019-05-31 | 南京邮电大学 | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 |
CN109738438A (zh) * | 2018-12-29 | 2019-05-10 | 扬州大学 | 一种小麦叶片衰老程度快速测量方法 |
CN110378890A (zh) * | 2019-07-23 | 2019-10-25 | 中国科学院东北地理与农业生态研究所 | 一种林下资源植物地上器官n含量的预测方法 |
CN111553804A (zh) * | 2020-04-27 | 2020-08-18 | 无锡雪浪数制科技有限公司 | 一种农作物生长周期识别方法 |
CN111615963A (zh) * | 2020-06-30 | 2020-09-04 | 江门市三威五金有限公司 | 一种智能花房及其控制方法 |
CN117643245A (zh) * | 2023-12-26 | 2024-03-05 | 中国农业科学院烟草研究所 | 一种烤烟育苗病虫害防治方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103955938B (zh) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955938A (zh) | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 | |
CN102721651B (zh) | 基于多光谱图像的植物叶片水分含量的检测方法及系统 | |
CN101692037B (zh) | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
CN109827957B (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 | |
Bock et al. | A phytopathometry glossary for the twenty-first century: towards consistency and precision in intra-and inter-disciplinary dialogues | |
CN102445421B (zh) | 一种用于快速诊断烤烟氮素叶色卡的制备方法 | |
CN104008551B (zh) | 一种基于可见光图像的柑橘黄龙病检测方法 | |
CN103900972B (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
CN102072885A (zh) | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 | |
CN104749134A (zh) | 一种检测叶菜类作物冠层水分含量的方法 | |
KR20200020209A (ko) | 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치 | |
Auearunyawat et al. | An automatic nitrogen estimation method in sugarcane leaves using image processing techniques | |
Zhao et al. | A novel algorithm for damage recognition on pest-infested oilseed rape leaves | |
Sunoj et al. | Digital image analysis estimates of biomass, carbon, and nitrogen uptake of winter cereal cover crops | |
Parreiras et al. | Using unmanned aerial vehicle and machine learning algorithm to monitor leaf nitrogen in coffee | |
Gurubasava et al. | Analysis of agricultural soil pH using digital image processing | |
CN205262963U (zh) | 一种用于小麦叶片叶绿素含量估算的遥感系统 | |
CN106568730A (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
Malounas et al. | Testing the suitability of automated machine learning, hyperspectral imaging and CIELAB color space for proximal in situ fertilization level classification | |
CN102788796A (zh) | 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法 | |
CN102521830A (zh) | 一种受病害胁迫农作物冠层高光谱图像的波段优选方法 | |
Yadav et al. | An automated image processing method for segmentation and quantification of rust disease in maize leaves | |
Yang et al. | Investigating the impact of hyperspectral reconstruction techniques on the quantitative inversion of rice physiological parameters: A case study using the MST++ model | |
Chen et al. | Preliminary research on total nitrogen content prediction of sandalwood using the error-in-variable models based on digital image processing |
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 |