CN104008551A - 一种基于可见光图像的柑橘黄龙病检测方法 - Google Patents
一种基于可见光图像的柑橘黄龙病检测方法 Download PDFInfo
- Publication number
- CN104008551A CN104008551A CN201410255640.7A CN201410255640A CN104008551A CN 104008551 A CN104008551 A CN 104008551A CN 201410255640 A CN201410255640 A CN 201410255640A CN 104008551 A CN104008551 A CN 104008551A
- Authority
- CN
- China
- Prior art keywords
- image
- yellow
- neural network
- moment
- method based
- 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
Abstract
本发明公开了一种基于可见光图像的柑橘黄龙病检测方法,在训练阶段,采集大量已感染柑橘黄龙病的柑橘叶片的图像以及正常叶片的图像,提取纹理特征和颜色特征的特征值,将上述特征值与正常叶片的特征值通过BP神经网络进行训练、学习,得到最优的BP神经网络模型;在进行识别阶段,提取待识别叶片图像的特征,输入上述最优的BP神经网络模型中,即判断柑橘树是否健康。本发明还可进一步判断黄龙病的种类,以及是否是非黄龙病黄化。本发明能够对柑橘黄龙病进行早期、准确、非破坏性诊断,具有检测精度高的优点。
Description
技术领域
本发明涉及图像处理研究领域,特别涉及一种基于可见光图像的柑橘黄龙病检测方法。
背景技术
柑橘是世界上产量最大的水果之一,也是我国南方地区种植规模最大的水果之一。而柑橘黄龙病(HLB)是柑橘生产中的一种毁灭性病害,其危害大,蔓延速度快。一旦柑橘感染HLB,轻者严重影响产量和品质,重者则造成柑橘树的枯死,迄今尚无有效的药物治疗方法。
为了防止HLB病菌扩散,目前柑橘生产采用的首要措施是连根挖除病株。在我国,累计超过上百万亩的柑橘园因HLB被摧毁。因此,HLB被认为是柑橘的癌症,给果农及相关产业造成了巨大的经济损失。如何准确可靠地诊断柑橘HLB,以便及早挖除病株,对于控制疫情蔓延、提高柑橘产量和品质,具有重要意义。尽管当前已存在一些柑橘HLB的诊断方法,如目前最可靠的PCR检测方法,但是其在基层生产中难以普及应用。主要原因在于PCR检测过程较繁琐、周期较长、检测费用较高且需在特定实验室环境下进行,对检测人员也有一定的技术要求。而其他诸如田间诊断、嫁接诊断、电镜观察、血清学诊断、DNA探针杂交等方法,也因为诊断准确率低、耗时长、成本高、过程繁琐等原因而无法在实际中推广应用。
因此,亟需开展快速、无损、简易、费用低廉、准确可靠且能够被广大柑橘果农采用的HLB检测方法的研究。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于可见光图像的柑橘黄龙病检测方法,该方法以柑橘叶片作为研究对象,分析基于染病柑橘叶片的可见光图像,确定叶片的图像特征,建立能准确反映HLB的检测模型,对柑橘黄龙病进行早期、准确、非破坏性诊断。
本发明的目的通过以下的技术方案实现:一种基于可见光图像的柑橘黄龙病检测方法,在训练阶段,采集大量已感染柑橘黄龙病的柑橘叶片的图像以及正常叶片的图像,提取纹理特征和颜色特征的特征值,将上述特征值与正常叶片的特征值通过BP神经网络进行训练、学习,得到最优的BP神经网络模型;在进行识别阶段,提取待识别叶片图像的特征,输入上述最优的BP神经网络模型中,即判断柑橘树是否健康。
具体的,所述训练阶段包括如下步骤:
(1)采集已感染柑橘黄龙病的柑橘叶片的彩色图像以及正常叶片的彩色图像;
(2)将彩色图像灰度化后,采用灰色共生矩阵获取灰度图像的纹理特征,提取灰度共生矩阵的能量、熵、对比度、相关度作为灰度检测特征值;
(3)利用彩色图像的HSV颜色空间,计算该颜色空间中的一阶矩、二阶矩和三阶矩,将上述三个值作为HSV检测特征值;
(4)将灰度检测特征值和HSV检测特征值输入BP神经网络进行训练、学习,得到最优的BP神经网络模型。
由于HLB叶片的颜色特征较难分辨,仅利用HSV下的颜色特征有时候仍不能达到很好的分辨效果,故还可加入HSI空间的颜色矩,具体步骤是:利用彩色图像的HSI颜色空间,计算该颜色空间中的一阶矩、二阶矩和三阶矩,将上述三个值作为HSI检测特征值;将灰度检测特征值、HSV检测特征值、HSI检测特征值均输入BP神经网络进行训练、学习,得到最优的BP神经网络模型。
在实际应用中,不仅需要判断是否健康,有时还需要判断黄龙病的种类,即是属于均匀黄化、花叶、斑驳的哪一种,同时有可能出现叶片具有黄化的现象,但是这一黄化并不是黄龙病导致,即非黄龙病黄化,其既不属于健康的一类,也不属于黄化病,这也需要进行区分,为此,采用下述步骤进行识别,具体步骤是:
(2-1)选择已知黄龙病种类为均匀黄化的图像以及非黄龙病黄化的图像,将步骤(3)得到的HSV检测特征值输入到BP神经网络进行训练、学习,得到最优的、判断均匀黄化与非黄龙病黄化的BP神经网络模型;
(2-2)选择已知黄龙病种类为花叶的图像以及非黄龙病黄化的图像,将步骤(3)得到的HSV检测特征值输入到BP神经网络进行训练、学习,得到最优的判断花叶与非黄龙病黄化的BP神经网络模型;
(2-3)选择已知黄龙病种类为斑驳的图像以及非黄龙病黄化的图像,将步骤(3)得到的HSV检测特征值输入到BP神经网络进行训练、学习,得到最优的判断斑驳与非黄龙病黄化的BP神经网络模型;
(2-4)选择正常叶片的图像以及非黄龙病黄化的图像,将步骤(2)、(3)得到的灰度检测特征值和HSV检测特征值以及补充的HSI检测特征值输入到BP神经网络进行训练学习,得到最优的判断健康与非黄龙病黄化的BP神经网络模型。
具体的,所述步骤(2),在将彩色图像灰度化之前通过中值滤波进行图像平滑,通过Sobel算子进行图像锐化。中值滤波是一种非线性滤波方法,在一定条件下可以克服线性滤波器处理图像细节模糊的问题,其基本思想是把局部区域的像素按灰度等级进行排序,取该领域中灰度的中值作为当前像素的灰度值。其算法步骤:(1)将滤波模板在图像中漫游,并将模板中心与图像中某个像素位置重合;(2)读取模板中对应像素的灰度值;(3)将这些灰度值从小到大排列;(4)取这一列数据的中间数据赋给对应模板中心位置的像素。中值滤波器的主要功能是让与周围灰度值差别较大的像素值改取与周围像素接近的值,达到消除孤立噪声点的目的。然而,由于中值滤波的上述特点,使得平滑后的图像边缘和图像轮廓变得模糊,其实质在于图像的能量集中在低频部分,而噪声及图像边缘信息集中在高频部分。因此需要在平滑后使用图像锐化来使图像清晰。Sobel算子是典型的基于一阶导数的边缘检测算子,该算子引入了类似局部平均的运算,能很好地消除噪声的影响。实际中,常用的Sobel算子模板为[-1,0,1;-2,0,2;-1,0,1]和[1,2,1;0,0,0;-1,-2,-1],本文采用的是后一种模板,通过与图像做平面卷积运算,实现对图像边缘的增强。
具体的,所述步骤(2)中,计算灰度共生矩阵时取距离为1,角度分别为0、45、90、135,共得到4个灰度共生矩阵。
更进一步的,所述灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的,提取方法如下:取图像(N×N)中任意一点(x,y)及偏离它的另一点(x+a,y+b),a、b为距离差分值,设该点对的灰度值为(g1,g2),令点(x,y)在整个画面上移动,得到各种(g1,g2)值,设灰度值的级数为k,则(g1,g2)的组合共有k的平方种;对于整个画面,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率P(g1,g2),这样即得到灰度共生矩阵。
距离差分值(a,b)取不同的数值组合,可以得到不同情况下的联合概率矩阵。本发明中,所述距离差分值(a,b)取值根据纹理周期分布的特性来选择,对于较细的纹理,选取(1,0)、(1,1)、(2,0)等小的差分值。
当a=1,b=0时,像素对是水平的,即0度扫描;当a=0,b=1时,像素对是垂直的,即90度扫描;当a=1,b=1时,像素对是右对角线的,即45度扫描;当a=-1,b=1时,像素对是左对角线,即135度扫描。这样,两个像素灰度级同时发生的概率,就将(x,y)的空间坐标转化为“灰度对”(g1,g2)的描述,形成了灰度共生矩阵。通常用一些标量来表征灰度共生矩阵的特征。本发明选取了其中的能量、熵、对比度、相关度4个特征来表征灰度共生矩阵:
1)能量E
能量是灰度共生矩阵值(G(i,j))的平方和,所以也称能量,反映了图像灰度分布均匀程度和纹理粗细度。
2)熵H
熵是图像所具有的信息量的度量。
3)对比度I
对比度反映了图像的清晰度和纹理沟纹深浅的程度。
4)相关度C
它度量空间灰度共生矩阵在行或列方向上的相似程度。
具体的,所述步骤(3)、(4)中,一阶矩为均值,二阶矩为方差,三阶矩为斜度。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明通过提取纹理和颜色特征实现柑橘黄龙病的快速、准确、稳定、实时的诊断,并能够通过训练BP神经网络指出该病的具体种类(如均匀黄化,花叶,斑驳等),减少由于误诊而被连根挖除的感染植株,降低生产成本,为果农施肥、生产提供参考,提高果树产量,实现精细农业的积极作用。
2、本发明通过图像处理的方式检测柑橘黄龙病,做到尽早地检测病害,对于降低果农检测费用、简化检测程序、提高诊断精度、推广农业信息化、推动柑橘物联网农情监测具有重要的现实意义和研究价值。
附图说明
图1是实施例3的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
本实施例使用单反相机进行柑橘叶片的图像采集,采集到的图像为彩色图像,通过数据线与计算机相连接,把图像输入计算机(或通过网络发送给远端计算机,进行远端诊断)。通过分析叶片图像的纹理特征和颜色特征,提取有关的特征数据,判断出该叶片植株的染病情况(在Matlab软件上进行),给出最后的识别结果。
利用Matlab软件平台及采集到的柑橘叶片图像信息,实现柑橘黄龙病病情检测的可见光图像处理算法,首先对本实施例中涉及的纹理特征和颜色特征理论具体说明如下。
纹理特征:由于纹理是由灰度分布在空间位置上反复出现而形成的,因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系,即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。一幅图像的灰度共生矩阵能反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息,它是分析图像的局部模式和它们排列规则的基础。在此背景下,本实施例使用了图像的灰度特征作为纹理特征,进行图像的特征提取,具体是:首先利用彩色图像的灰度化,采用灰色共生矩阵获取可见光图像的纹理特征,计算4个灰度共生矩阵,取距离为1,角度分别为0、45、90、135,并计算出能量、熵、对比度、相关度4个特征值,从而有效地反映可见光图像中HLB的特异性信息,进行特征的识别。
颜色特征:颜色矩是一种有效的颜色特征,该方法利用线性代数中矩的概念,将图像中的颜色分布用其矩表示。利用颜色矩进行图像描述无需量化图像特征,另外,由于颜色矩的维度较少,因此常将颜色矩与其他图像特征综合使用。本实施例便是将颜色矩与灰度共生矩阵结合进行综合识别判断。
在上述描述基础上,本实施例提出基于可见光图像的柑橘黄龙病检测方法,步骤分为训练阶段和识别阶段。下面结合图1对算法进行详细表述。
一、对于训练阶段,包括如下步骤:
(1)采集已感染柑橘黄龙病的柑橘叶片的彩色图像以及正常叶片的彩色图像;对图像进行平滑、锐化,增强图像的特征。
(2)提取纹理特征:将彩色图像灰度化后,采用灰色共生矩阵获取灰度图像的纹理特征,提取灰度共生矩阵的能量、熵、对比度、相关度作为灰度检测特征值。
计算灰度共生矩阵时取距离为1,角度分别为0、45、90、35,共得到4个灰度共生矩阵。
(3)提取颜色特征,利用彩色图像的HSV颜色空间,计算该颜色空间中的一阶矩、二阶矩和三阶矩,将上述三个值作为HSV检测特征值。
(4)将灰度检测特征值、HSV检测特征值均输入BP神经网络进行训练、学习,得到最优的BP神经网络模型。
二、对于识别阶段,包括如下步骤:
提取待识别叶片图像的特征,输入上述最优的BP神经网络模型中,即判断柑橘树是否健康。
在本实施例所建立的BP神经网络模型中仅仅涉及了一种BP神经网络,用于识别和判断当前叶片是已感染柑橘黄龙病的柑橘叶片还是健康的叶片,从而判断柑橘树是否健康。
实施例2
本实施例除下述特征外其他结构同实施例1:
由于HLB叶片的颜色特征较难分辨,仅利用HSV下的颜色特征有时候仍不能达到很好的分辨效果,本实施例在判断叶片是否健康以及黄化时还加入了HSI空间的颜色矩,具体步骤是:利用彩色图像的HSI颜色空间,计算该颜色空间中的一阶矩、二阶矩和三阶矩,将上述三个值作为HSI检测特征值。最后将灰度检测特征值、HSV检测特征值、HSI检测特征值均输入BP神经网络进行训练、学习,得到最优的BP神经网络模型。实现叶片是否黄化以及健康的识别。
实施例3
本实施例除下述特征外其他结构同实施例1:
在实际操作中,叶片黄化虽然是不健康,但是它有可能不是由于感染黄龙病而造成的,同时黄龙病的种类分为均匀黄化、花叶、斑驳3种,如果能够对其作出进一步分类,对于农业检测来说更有实用价值。因此,本实施例在实施例2的基础上进一步进行补充,如图1所示,识别步骤如下。
一、训练阶段
(1)选择已知黄龙病种类为均匀黄化的图像、已知黄龙病种类为花叶的图像、已知黄龙病种类为斑驳的图像、非黄龙病黄化的图像,提取每张图像的灰度检测特征值、HSV检测特征值、HSI检测特征值。
(2)选择已知黄龙病种类为均匀黄化的图像以及非黄龙病黄化的图像,将得到的HSV检测特征值输入到BP神经网络进行训练、学习,得到最优的、判断均匀黄化与非黄龙病黄化的BP神经网络模型。
(3)选择已知黄龙病种类为花叶的图像以及非黄龙病黄化的图像,将HSV检测特征值输入到BP神经网络进行训练、学习,得到最优的判断花叶与非黄龙病黄化的BP神经网络模型。
(4)选择已知黄龙病种类为斑驳的图像以及非黄龙病黄化的图像,将HSV检测特征值输入到BP神经网络进行训练、学习,得到最优的判断斑驳与非黄龙病黄化的BP神经网络模型。
(5)选择正常叶片的图像以及非黄龙病黄化的图像,将灰度检测特征值、HSV检测特征值、HSI检测特征值输入到BP神经网络进行训练学习,得到最优的判断健康与非黄龙病黄化的BP神经网络模型。
训练完成后,得到4个两类BP神经网络,例如可以设定,输出值为1,则表示种类为均匀黄化,输出值为2,则表示种类为花叶,输出值为3,则表示种类为健康,输出值为4,则表示种类为斑驳,输出值为5,则表示种类为非黄龙病黄化。
二、识别阶段
提取待识别叶片图像的特征,输入上述完成的BP神经网络模型中,即能够判断出柑橘树是否健康,如果不健康,判断是否是非黄龙病黄化,或者是黄龙病黄化中的哪一种。
通过实验,此方法可以达到准确率90%以上的分类效果,即达到均匀黄化、花叶、健康、斑驳、非黄龙病黄化90%的诊断率。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于可见光图像的柑橘黄龙病检测方法,其特征在于,在训练阶段,采集大量已感染柑橘黄龙病的柑橘叶片的图像以及正常叶片的图像,提取纹理特征和颜色特征的特征值,将上述特征值与正常叶片的特征值通过BP神经网络进行训练、学习,得到最优的BP神经网络模型;在进行识别阶段,提取待识别叶片图像的特征,输入上述最优的BP神经网络模型中,即判断柑橘树是否健康。
2.根据权利要求1所述的基于可见光图像的柑橘黄龙病检测方法,其特征在于,所述训练阶段包括如下步骤:
(1)采集已感染柑橘黄龙病的柑橘叶片的彩色图像以及正常叶片的彩色图像;
(2)将彩色图像灰度化后,采用灰色共生矩阵获取灰度图像的纹理特征,提取灰度共生矩阵的能量、熵、对比度、相关度作为灰度检测特征值;
(3)利用彩色图像的HSV颜色空间,计算该颜色空间中的一阶矩、二阶矩和三阶矩,将上述三个值作为HSV检测特征值;
(4)将灰度检测特征值和HSV检测特征值输入BP神经网络进行训练、学习,得到最优的BP神经网络模型。
3.根据权利要求2所述的基于可见光图像的柑橘黄龙病检测方法,其特征在于,在步骤(3)后,提取HSI空间的颜色矩,具体步骤是:利用彩色图像的HSI颜色空间,计算该颜色空间中的一阶矩、二阶矩和三阶矩,将上述三个值作为HSI检测特征值;将灰度检测特征值、HSV检测特征值、HSI检测特征值均输入BP神经网络进行训练、学习,得到最优的BP神经网络模型。
4.根据权利要求3所述的基于可见光图像的柑橘黄龙病检测方法,其特征在于,还包括步骤:
(2-1)选择已知黄龙病种类为均匀黄化的图像以及非黄龙病黄化的图像,将步骤(3)得到的HSV检测特征值输入到BP神经网络进行训练、学习,得到最优的、判断均匀黄化与非黄龙病黄化的BP神经网络模型;
(2-2)选择已知黄龙病种类为花叶的图像以及非黄龙病黄化的图像,将步骤(3)得到的HSV检测特征值输入到BP神经网络进行训练、学习,得到最优的判断花叶与非黄龙病黄化的BP神经网络模型;
(2-3)选择已知黄龙病种类为斑驳的图像以及非黄龙病黄化的图像,将步骤(3)得到的HSV检测特征值输入到BP神经网络进行训练、学习,得到最优的判断斑驳与非黄龙病黄化的BP神经网络模型;
(2-4)选择正常叶片的图像以及非黄龙病黄化的图像,将步骤(2)、(3)得到的灰度检测特征值、HSV检测特征值、HSI检测特征值输入到BP神经网络进行训练学习,得到最优的判断健康与非黄龙病黄化的BP神经网络模型。
5.根据权利要求2所述的基于可见光图像的柑橘黄龙病检测方法,其特征在于,所述步骤(2),在将彩色图像灰度化之前通过中值滤波进行图像平滑,通过Sobel算子进行图像锐化。
6.根据权利要求1所述的基于可见光图像的柑橘黄龙病检测方法,其特征在于,所述步骤(2)中,计算灰度共生矩阵时取距离为1,角度分别为0、45、90、135,共得到4个灰度共生矩阵。
7.根据权利要求2所述的基于可见光图像的柑橘黄龙病检测方法,其特征在于,所述步骤(2)中,提取灰度共生矩阵的能量、熵、对比度、相关度作为灰度检测特征值,步骤如下:
(1)能量E的计算公式为:
其中,G(i,j)表示灰度共生矩阵;
(2)熵H的计算公式为:
(3)对比度I的计算公式为:
其中,n表示灰度级;
(4)相关度C的计算公式为:
8.根据权利要求2所述的基于可见光图像的柑橘黄龙病检测方法,其特征在于,所述步骤(3)、(4)中,一阶矩为均值,二阶矩为方差,三阶矩为斜度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410255640.7A CN104008551B (zh) | 2014-06-10 | 2014-06-10 | 一种基于可见光图像的柑橘黄龙病检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410255640.7A CN104008551B (zh) | 2014-06-10 | 2014-06-10 | 一种基于可见光图像的柑橘黄龙病检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104008551A true CN104008551A (zh) | 2014-08-27 |
CN104008551B CN104008551B (zh) | 2017-06-13 |
Family
ID=51369191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410255640.7A Active CN104008551B (zh) | 2014-06-10 | 2014-06-10 | 一种基于可见光图像的柑橘黄龙病检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104008551B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504007A (zh) * | 2014-12-10 | 2015-04-08 | 成都品果科技有限公司 | 一种图像相似度的获取方法及系统 |
CN104504368A (zh) * | 2014-12-10 | 2015-04-08 | 成都品果科技有限公司 | 一种图像场景识别方法及系统 |
CN107066994A (zh) * | 2017-05-15 | 2017-08-18 | 中国林业科学研究院 | 评估疏林草原树木死亡率的方法与无人机 |
CN108921814A (zh) * | 2018-05-16 | 2018-11-30 | 华南农业大学 | 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法 |
CN105684806B (zh) * | 2016-01-25 | 2018-12-21 | 广西壮族自治区农业科学院园艺研究所 | 一种田间鉴定柑橘黄龙病的方法 |
CN110135371A (zh) * | 2019-05-20 | 2019-08-16 | 华南农业大学 | 一种基于Mixup算法的柑橘黄龙病识别方法及装置 |
CN110335249A (zh) * | 2019-05-31 | 2019-10-15 | 浙江大学山东工业技术研究院 | 基于高光谱成像技术的柑橘黄龙病检测方法 |
CN110443112A (zh) * | 2019-06-14 | 2019-11-12 | 广西农业职业技术学院 | 一种沃柑病变的自动识别方法 |
CN111507940A (zh) * | 2020-03-18 | 2020-08-07 | 仲恺农业工程学院 | 一种基于图像识别的柑橘果园病虫害识别与报警的系统及方法 |
CN112184627A (zh) * | 2020-09-03 | 2021-01-05 | 华南农业大学 | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 |
CN113109269A (zh) * | 2021-04-30 | 2021-07-13 | 江苏大学 | 一种柑橘黄龙病快速检测装置及检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010069017A1 (en) * | 2008-12-15 | 2010-06-24 | Embrapa - Empresa Brasileira De Pesquisa Agropecuária | Method, apparatus and system for diagnosis of stresses and diseases in higher plants |
CN102589470A (zh) * | 2012-02-14 | 2012-07-18 | 大闽食品(漳州)有限公司 | 一种基于模糊神经网络的茶叶外观品质的量化方法 |
-
2014
- 2014-06-10 CN CN201410255640.7A patent/CN104008551B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010069017A1 (en) * | 2008-12-15 | 2010-06-24 | Embrapa - Empresa Brasileira De Pesquisa Agropecuária | Method, apparatus and system for diagnosis of stresses and diseases in higher plants |
CN102405405A (zh) * | 2008-12-15 | 2012-04-04 | 巴西农业研究公司 | 用于诊断高等植物的应激和疾病的方法、装置和系统 |
CN102589470A (zh) * | 2012-02-14 | 2012-07-18 | 大闽食品(漳州)有限公司 | 一种基于模糊神经网络的茶叶外观品质的量化方法 |
Non-Patent Citations (2)
Title |
---|
邓小玲等: "《基于主成分分析和BP神经网络的柑橘黄龙病诊断技术》", 《光子学报》 * |
邓小玲等: "《基于高光谱成像技术的柑橘黄龙病病情诊断及分类》", 《西北农林科技大学学报(自然科学版)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504007A (zh) * | 2014-12-10 | 2015-04-08 | 成都品果科技有限公司 | 一种图像相似度的获取方法及系统 |
CN104504368A (zh) * | 2014-12-10 | 2015-04-08 | 成都品果科技有限公司 | 一种图像场景识别方法及系统 |
CN104504007B (zh) * | 2014-12-10 | 2018-01-30 | 成都品果科技有限公司 | 一种图像相似度的获取方法及系统 |
CN105684806B (zh) * | 2016-01-25 | 2018-12-21 | 广西壮族自治区农业科学院园艺研究所 | 一种田间鉴定柑橘黄龙病的方法 |
CN107066994A (zh) * | 2017-05-15 | 2017-08-18 | 中国林业科学研究院 | 评估疏林草原树木死亡率的方法与无人机 |
CN108921814A (zh) * | 2018-05-16 | 2018-11-30 | 华南农业大学 | 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法 |
CN110135371A (zh) * | 2019-05-20 | 2019-08-16 | 华南农业大学 | 一种基于Mixup算法的柑橘黄龙病识别方法及装置 |
CN110335249A (zh) * | 2019-05-31 | 2019-10-15 | 浙江大学山东工业技术研究院 | 基于高光谱成像技术的柑橘黄龙病检测方法 |
CN110443112A (zh) * | 2019-06-14 | 2019-11-12 | 广西农业职业技术学院 | 一种沃柑病变的自动识别方法 |
CN111507940A (zh) * | 2020-03-18 | 2020-08-07 | 仲恺农业工程学院 | 一种基于图像识别的柑橘果园病虫害识别与报警的系统及方法 |
CN112184627A (zh) * | 2020-09-03 | 2021-01-05 | 华南农业大学 | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 |
CN113109269A (zh) * | 2021-04-30 | 2021-07-13 | 江苏大学 | 一种柑橘黄龙病快速检测装置及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104008551B (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104008551A (zh) | 一种基于可见光图像的柑橘黄龙病检测方法 | |
Smith et al. | Segmentation of roots in soil with U-Net | |
Ali et al. | Symptom based automated detection of citrus diseases using color histogram and textural descriptors | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
CN108038853A (zh) | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 | |
Corkidi et al. | Assessing mango anthracnose using a new three‐dimensional image‐analysis technique to quantify lesions on fruit | |
CN107680678A (zh) | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 | |
Jagtap et al. | Agricultural plant leaf disease detection and diagnosis using image processing based on morphological feature extraction | |
CN108169745A (zh) | 一种基于卷积神经网络的钻孔雷达目标识别方法 | |
Mishra et al. | A Deep Learning-Based Novel Approach for Weed Growth Estimation. | |
Mukherjee et al. | Damaged paddy leaf detection using image processing | |
CN103473557A (zh) | 一种空谱一体化的高光谱遥感图像分类方法 | |
CN109034269A (zh) | 一种基于计算机视觉技术的棉铃虫雌雄成虫判别方法 | |
CN107292314A (zh) | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 | |
Xiaoling et al. | Detection of citrus Huanglongbing based on image feature extraction and two-stage BPNN modeling | |
Gurubasava et al. | Analysis of agricultural soil pH using digital image processing | |
CN103279960B (zh) | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 | |
Teomete et al. | Digital image processing for pavement distress analyses | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
CN108764311A (zh) | 一种遮挡目标检测方法、电子设备、存储介质及系统 | |
CN108776968B (zh) | 基于深度森林的sar图像变化检测方法 | |
Bajaj et al. | A survey of machine vision techniques for fruit sorting and grading | |
CN104318227A (zh) | 基于Curvelet-SC玉米病害识别方法 |
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 |