CN104616283A - 一种基于低秩表示算法的害虫检测方法 - Google Patents
一种基于低秩表示算法的害虫检测方法 Download PDFInfo
- Publication number
- CN104616283A CN104616283A CN201410718727.3A CN201410718727A CN104616283A CN 104616283 A CN104616283 A CN 104616283A CN 201410718727 A CN201410718727 A CN 201410718727A CN 104616283 A CN104616283 A CN 104616283A
- Authority
- CN
- China
- Prior art keywords
- low
- rank
- image
- insect
- algorithm
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于低秩表示算法的害虫检测方法,其检测过程简便、从而误差较小、准确性大大提高。这种基于低秩表示算法的害虫检测方法,利用自然图像的低秩特性和农作物虫害图像的颜色信息,建立一个通用模型,通过低秩表示算法将原始图像分解为低秩图像和包含害虫的噪声部分。
Description
技术领域
本发明属于图像处理和农业信息化的技术领域,具体地涉及一种基于低秩表示算法的害虫检测方法。
背景技术
随着数字图像处理的迅速发展、计算机视觉的应用日益广泛和低秩表示及稀疏表示算法的日趋成熟,对农作物虫害图像进行处理,可以达到智能检测虫害的目的。利用计算机视觉技术对在农田中采集的植物叶片的图像进行处理,分析害虫数量,则有着诸多的优势,这种方法不仅在很大程度上解决了科技人员不足、人工识别难以完成大量昆虫检测、统计的难题,而且能够利用现有的识别系统及时的跟踪虫害的状态,从而进行及时有效的防治,降低虫害造成的损失。同时,通过照相机采集害虫聚集的叶片的图像,基本不会引起害虫的逃逸,可以增加统计的准确性。
将计算机视觉技术应用于害虫的检测,很早就引起了研究人员的兴趣。基于图像识别的机器视觉技术在作物虫害方面的研究较早的报道是Keagy等利用机器视觉技术,通过象鼻虫图像的各个部分的灰度信息识别象鼻虫。Zayas等通过对图像RGB信息的分析及模式识别技术判断谷物中的害虫。1992年,Yu D.S.等人第一次使用图像技术,通过测量统计姬蜂的翅脉特征,成功区分姬蜂的5个品种。之后Watson等在2004年首次尝试了鳞翅目昆虫野外活体情况下的自动鉴别,其平均成功识别率可达83%。近年来Paul Boissard等提出在原处扫描玫瑰叶子,对得到的图像进行自动识别。具体是结合图像处理、学习和知识库技术的一个图像识别系统,这个系统 能自动检测和计算成熟期的粉虱数量,特别是被应用到群袭情形,对农艺学的决策起到了辅助作用。Shariff等用数码相机获取了水稻田间6种常见害虫的图像,开发了基于模糊逻辑的分类识别及虫量计数算法,取得了较好的效果。邱道尹等用从粮库现场实验采集的粮虫图像对其进行分割,并对处理后的二值图像提取面积、周长、复杂度作为粮虫对象的图像特征,应用模糊决策算法进行粮虫对象的分类。但是这些方法的检测过程都比较繁琐,从而带来的误差比较大,准确性受到影响。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供一种基于低秩表示算法的害虫检测方法,其检测过程简便、从而误差较小、准确性大大提高。
本发明的技术解决方案是:这种基于低秩表示算法的害虫检测方法,利用自然图像的低秩特性和农作物虫害图像的颜色信息,建立一个通用模型,通过低秩表示算法将原始图像分解为低秩图像和包含害虫的噪声部分。
本发明利用自然图像的低秩特性和农作物虫害图像的颜色信息,通过低秩表示算法将原始图像分解为低秩图像和包含害虫的噪声部分,很好地解决原始低秩表示模型中遇到的问题,所以检测过程简便、从而误差较小、准确性大大提高。
附图说明
图1是根据本发明的基于低秩表示算法的害虫检测方法的一个优选实施例的流程图。
具体实施方式
这种基于低秩表示算法的害虫检测方法,利用自然图像的低秩特性和农作物虫害图像的颜色信息,建立一个通用模型,通过低秩表示算法将原始图像分解为低秩图像和包含害虫的噪声部分。
本发明利用自然图像的低秩特性和农作物虫害图像的颜色信息,通过低秩表示算法将原始图像分解为低秩图像和包含害虫的噪声部分,很好地解决原始低秩表示模型中遇到的问题,所以检测过程简便、从而误差较小、准确性大大提高。
优选地,该方法包括以下步骤:
(1)获取原始图像;
(2)通过中值滤波去噪;
(3)利用分水岭算法提取植物叶片;
(4)遍历处理后的图像,获得图像中植物叶片的颜色信息
(5)通过低秩表示算法将原始图像分解为低秩图像和包含害虫的噪声
部分,从而提取包含害虫的噪声部分。
优选地,该方法还包括步骤(7)对包含害虫的噪声部分进行害虫数量的计数。
优选地,所述低秩表示算法包括公式(4)-(9):
其中Q为根据先验知识求得的叶片RGB中各个颜色分量经过加权的平均值,X=DZ+E表示原始图像可以分解成DZ和E两部分,其中DZ表示图像的低秩部分,D为字典,Z为因子,E表示图像的噪声部分,通过迭代求解Z,W,E,使总误差向减小的方向变化,每次迭代求解出Z,W,E之后,更新Y1,Y2,当最终误差小于ε时迭代结束,ε是设定的迭代停止条件,λ,β,μ,为权重,D=X。
以下给出一个具体实施例:
对于一个给定的图像X,X是由低秩部分加上噪声组成的X=DZ+E。如果去除了噪声,那么X就会有一个基础的结构。通过低秩表示,可以求得原始的低秩结构。但是本文的应用不同于传统的低秩表示应用,更有意义的是分离的噪声部分E。它包含了全部的害虫信息及一些边缘信息。为了更好的将E中的非害虫信息去除,申请人注意到了害虫与叶片颜色上的差别。
通过分析带虫害的叶片的图像,可以发现叶片往往是绿色的,而害虫本身与叶片在颜色上有很大的不同,所以在RGB空间中害虫和叶片本身有着显著的差异。本文遍历图像上的所有像素,通过分别获得每个像素的RGB值,经过加权平均,求得出一个颜色的平均值矩阵,对于叶片占据了大部分内容的图像来说,这个平均值矩阵可以用来表示每个像素的颜色是否更接近于叶片的颜色,即认为这个像素属于叶片。根据这种先验知识,进行了针对害虫特征的改进,添加了基于颜色的限制项,具体见公式(4):
其中Q为根据先验知识求得的叶片RGB中各个颜色分量经过加权的平均值,通过遍历图像中叶片上的每一个像素,可以求出Q。对于一片叶子来说,这是一个常数。可以认为,如果求得的低秩图像DZ越靠近Q则它越接近叶片的颜色,即属于叶片。此时,E就更接近于害虫本身。
为了求解公式(4),引入了辅助变量W使得公式变得可分离。所以求解公式(4)等同于求解下式的最优解
将公式(5)转化为增广拉格朗日方程为:
公式(6)中,D可以用图像X自身替代。所以对于公式(6)的求解,就是对于给定的D求解Z、E。
通过更新Z、W、E对上述方程迭代求解可得:
可以通过不断的迭代求解Z,W,E。使总误差向减小的方向变化。每次迭代求解出Z,W,E之后,更新Y1,Y2。当最终误差小于ε时迭代结束。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属本发明技术方案的保护范围。
Claims (4)
1.一种基于低秩表示算法的害虫检测方法,其特征在于,利用自然图像的低秩特性和农作物虫害图像的颜色信息,建立一个通用模型,通过低秩表示算法将原始图像分解为低秩图像和包含害虫的噪声部分。
2.根据权利要求1所述的基于低秩表示算法的害虫检测方法,其特征在于,包括以下步骤:
(1)获取原始图像;
(2)通过中值滤波去噪;
(3)利用分水岭算法提取植物叶片;
(4)遍历处理后的图像,获得图像中叶片的颜色信息;
(5)通过低秩表示算法将原始图像分解为低秩图像和包含害虫的噪声部分,从而提取包含害虫的噪声部分。
3.根据权利要求2所述的基于低秩表示算法的害虫检测方法,其特征在于,还包括步骤(7)对包含害虫的噪声部分进行害虫数量的计数。
4.根据权利要求1-3任一项所述的基于低秩表示算法的害虫检测方法,其特征在于,所述低秩表示算法包括公式(4)-(9):
其中Q为根据先验知识求得的叶片RGB中各个颜色分量经过加权的平均值,X=DZ+E表示原始图像可以分解成DZ和E两部分,其中DZ表示图像的低秩部分,D为字典,Z为因子,E表示图像的噪声部分,通过迭代求解Z,W,E,使总误差向减小的方向变化,每次迭代求解出Z,W,E之后,更新Y1,Y2,当最终误差小于ε时迭代结束,ε是设定的迭代停止条件,λ,β,μ,为权重,D=X。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410718727.3A CN104616283B (zh) | 2014-12-01 | 2014-12-01 | 一种基于低秩表示算法的害虫检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410718727.3A CN104616283B (zh) | 2014-12-01 | 2014-12-01 | 一种基于低秩表示算法的害虫检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104616283A true CN104616283A (zh) | 2015-05-13 |
CN104616283B CN104616283B (zh) | 2017-08-08 |
Family
ID=53150716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410718727.3A Active CN104616283B (zh) | 2014-12-01 | 2014-12-01 | 一种基于低秩表示算法的害虫检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104616283B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106538481A (zh) * | 2016-11-11 | 2017-03-29 | 陈文革 | 金桔大实蝇发生为害规律研究系统 |
CN107451954A (zh) * | 2017-05-23 | 2017-12-08 | 南京邮电大学 | 基于图像低秩性质的迭代像素插值方法 |
CN107992449A (zh) * | 2017-12-05 | 2018-05-04 | 北京工业大学 | 一种基于低秩表示的地铁异常流量检测方法 |
WO2021203505A1 (zh) * | 2020-04-09 | 2021-10-14 | 丰疆智能软件科技(南京)有限公司 | 害虫检测模型构建方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903006A (zh) * | 2014-03-05 | 2014-07-02 | 中国科学院合肥物质科学研究院 | 一种基于Android平台的农作物害虫识别方法及系统 |
-
2014
- 2014-12-01 CN CN201410718727.3A patent/CN104616283B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903006A (zh) * | 2014-03-05 | 2014-07-02 | 中国科学院合肥物质科学研究院 | 一种基于Android平台的农作物害虫识别方法及系统 |
Non-Patent Citations (4)
Title |
---|
GUANGCAN LIU ET AL: "Robust Subspace Segmentation by Low-Rank Representation", 《PROCEEDINGS OF THE 27TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING》 * |
JINHUI CHEN AND JIAN YANG: "Robust Subspace Segmentation Via Low-Rank Representation", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
SAHAND NEGAHBAN AND MARTIN J. WAINWRIGHT: "ESTIMATION OF (NEAR) LOW-RANK MATRICES WITH NOISE AND HIGH-DIMENSIONAL SCALING", 《THE ANNALS OF STATISTICS》 * |
YANGMUZI ZHANG ET AL: "Learning Structured Low-rank Representations for Image Classification", 《CVPR 2013》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106538481A (zh) * | 2016-11-11 | 2017-03-29 | 陈文革 | 金桔大实蝇发生为害规律研究系统 |
CN107451954A (zh) * | 2017-05-23 | 2017-12-08 | 南京邮电大学 | 基于图像低秩性质的迭代像素插值方法 |
CN107992449A (zh) * | 2017-12-05 | 2018-05-04 | 北京工业大学 | 一种基于低秩表示的地铁异常流量检测方法 |
CN107992449B (zh) * | 2017-12-05 | 2021-04-30 | 北京工业大学 | 一种基于低秩表示的地铁异常流量检测方法 |
WO2021203505A1 (zh) * | 2020-04-09 | 2021-10-14 | 丰疆智能软件科技(南京)有限公司 | 害虫检测模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104616283B (zh) | 2017-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jaisakthi et al. | Grape leaf disease identification using machine learning techniques | |
Hernández-Hernández et al. | Optimal color space selection method for plant/soil segmentation in agriculture | |
Rupanagudi et al. | A novel cloud computing based smart farming system for early detection of borer insects in tomatoes | |
Bauriegel et al. | Early detection of Fusarium infection in wheat using hyper-spectral imaging | |
CN109344883A (zh) | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 | |
Shirzadifar | Automatic weed detection system and smart herbicide sprayer robot for corn fields | |
Valenzuela et al. | Quality assessment of lettuce using artificial neural network | |
Villaseñor-Aguilar et al. | Fuzzy classification of the maturity of the tomato using a vision system | |
Masood et al. | Plants disease segmentation using image processing | |
Thakur et al. | An innovative approach for fruit ripeness classification | |
CN104616283A (zh) | 一种基于低秩表示算法的害虫检测方法 | |
Pan et al. | Recognition of plants by leaves digital image and neural network | |
CN111105393A (zh) | 一种基于深度学习的葡萄病虫害识别方法及装置 | |
CN108510490B (zh) | 一种分析虫害趋势的方法、装置及计算机存储介质 | |
Kumar et al. | An identification of crop disease using image segmentation | |
Mahalakshmi et al. | RETRACTED ARTICLE: Agro Suraksha: pest and disease detection for corn field using image analysis | |
Shanmugam et al. | Disease detection in crops using remote sensing images | |
CN111767943A (zh) | 地膜识别方法、装置、电子设备及存储介质 | |
CN111539293A (zh) | 一种果树病害诊断方法及系统 | |
Shen et al. | Identifying veraison process of colored wine grapes in field conditions combining deep learning and image analysis | |
Dhingra et al. | Basil leaves disease classification and identification by incorporating survival of fittest approach | |
Sannakki et al. | SVM-DSD: SVM based diagnostic system for the detection of pomegranate leaf diseases | |
Menezes et al. | Pseudo-label semi-supervised learning for soybean monitoring | |
CN106373135A (zh) | 一种基于颜色的害虫识别计数方法 | |
Ji et al. | Apple color automatic grading method based on machine vision |
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 |