CN104680191A - 一种基于活动轮廓模型的植物病虫害检测方法 - Google Patents
一种基于活动轮廓模型的植物病虫害检测方法 Download PDFInfo
- Publication number
- CN104680191A CN104680191A CN201410714599.5A CN201410714599A CN104680191A CN 104680191 A CN104680191 A CN 104680191A CN 201410714599 A CN201410714599 A CN 201410714599A CN 104680191 A CN104680191 A CN 104680191A
- Authority
- CN
- China
- Prior art keywords
- pest
- plant
- disease
- detection method
- model
- 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
本发明属于数字图像处理及模式识别技术领域,具体为一种基于活动轮廓模型的植物病虫害检测方法。本发明首先在植物监控视频中,获取植物叶片背景图像,利用叶片具有明显颜色、纹理特征的特点,为背景建立混合高斯模型,对视频中各个像素点与背景混合高斯模型进行纹理差异度计算得到差异度图像,对差异度图像进行自动分割和图像后处理得到害虫的初始轮廓,然后利用基于纹理差异度引导的活动轮廓模型演化得到精确的害虫区域和轮廓。相比于当前实际农业生产中颇费人力资源,并存在滞后性、不准确性的人工检测方法,该方法具有实时性,易实施性,并能得到精准的病虫害信息。
Description
发明领域
本发明属于数字图像处理及模式识别技术领域,具体涉及农业视频监控中植物病虫害的精准、智能检测方法。
背景技术
如何准确、实时、自动获得植物的病虫害信息是农业生产中普遍关注的问题,也是计算机技术面向农业领域研究工作的一项重要内容。将计算机视觉技术应用于植物病虫害信息的检测是一门多学科交叉的前沿技术,融合了植物保护、昆虫学、计算机视觉、模式识别和人工智能等领域的知识,具有广阔的应用前景和重要的实际意义。
植物病虫害的检测方法有人工检测、化学检测、光谱技术检测、利用计算机视觉技术检测等方法。化学检测、光谱技术检测的可操作性不强,主要用于实验室数据分析,而当前农业生产中,植物病虫害的检测主要是人工检测:依靠农民的经验,凭农民感觉来进行。而农民的知识经验有限,容易导致检测、诊断和决策错误。另外需要农民深入田间进行检测,往往在病虫害严重的时候才会被发现和检测到,存在诊断滞后性的问题,导致错失诊治良机的后果。利用计算机视觉技术对网络摄像机拍摄到的视频图像进行分析,不受天气的影响,节省大量的人力资源,可以将实现自动检测、实时检测。
利用计算机图像处理技术实现植物病虫害检测,目前已有的一种设计是:先获取大量的农业场景监控视频中的正常植物叶片和病虫害叶片,提取特征得到特征向量,对每幅图像的特征向量用SVM机器学习方法进行训练形成一个分类器。在实际检测过程中,将待检测的植物叶片图像用得到的分类器进行检测,从而检测到是否有病虫害发生。这种方法可以避免农民必须深入田间地头才能检测植物病虫害的弊端,但是该方法存在一些弊端:首先,需要训练大量的正常叶片和发生病虫害的叶片样本,计算量大,从而导致实用性不强的问题。其次,只能得到是否发生病虫害的检测结果,无法精确的得到的病虫害的数据,从而无法为后续的病虫害识别和诊断决策提供充分的数据。所以,寻求一种小样本训练的,精准、自动、实时的作物病虫害分割方法是计算机视觉技术在农业信息化、智能化中一个亟待解决的问题。
发明内容
本发明的目的是,提供一种快速、简单易行的植物病虫害精准分割方法,为植物病虫害的智能识别、诊断、决策提供充分依据。该方法利用了混合高斯模型和活动轮廓模型等智能算法,能够对不同植物检测是否有病虫害发生,还可以对不同种类的病虫害进行实时、精准的分割,得到准确的病虫害轮廓和区域信息,而且人机交互简单,对于不懂计算机视觉技术的工作人员也完全可以操作使用,具有实用性、可操作性。
技术解决方案
本发明提出的基于活动轮廓模型的植物病虫害分割方法,具体步骤如下:
1)获取少量正常的植物叶片图像,为本植物叶片的颜色和纹理特征建模
2)对待检测的植物叶片图像中每一个像素点进行模型隶属度计算,并与模型比较,得到颜色、纹理差异度和差异度图像
3)对差异度图像使用自动阈值方法分割初步得到病虫害区域
4)对病虫害区域进行后处理得到病虫害封闭初始轮廓
5)使用差异引导的活动轮廓模型演化得到病虫害精准轮廓和区域
技术效果
本发明的有益效果是:
1)精准性高:除了能准确检测是否有病虫害发生外,还能得到精准的病虫害连续轮廓、封闭区域,为植物病虫害的智能识别、诊断、决策提供充分依据。
2)智能化程度高:本发明可以配合开发相应的软件,利用安置在农田里的网络监控摄像头、网络传输设备等硬件设施,实现植物病虫害智能检测和分割系统。利用该系统,可以对监控拍摄到的植物叶片图像自动检测和分割,得到准确的数据。
3)可操作性强:无需训练大量的叶片样本,便能为植物叶片建模。农民或者相关操作人员无需关于病虫害的专家先验知识,无需懂得计算机视觉知识,利用上述的植物病虫害智能检测和分割系统提供的友好界面,只要设定几幅植物叶片图像样本,便可以完成所有的检测和分割。
附图说明
图1是基于活动轮廓模型的植物病虫害检测、分割方法的流程图。
图2是植物病虫害原图像与颜色、纹理差异度图。
图3是植物病虫害原图像与粗略的病虫害分割图。
图4是植物病虫害原图像与病虫害分割初始轮廓。
图5是植物病虫害原图像与病虫害精准轮廓和区域。
具体实施方式
植物的叶片具有很强的颜色特征和纹理特征,而在存在有病虫害的叶片上,病变区域或害虫区域的颜色、纹理跟正常的叶片不一样。利用该颜色、纹理的差异进行检测可以得到初步的病虫害区域。活动轮廓模型是一种自下而上的图像分割方法,利用颜色、纹理差异度可以引导活动轮廓模型演化到精准的病虫害区域。以下结合附图解释本发明基于活动轮廓模型的植物病虫害检测、分割方法的具体实施方式,但是应该指出,本发明的实施不限于以下的实施方式。
如图1所示,首先获取到几幅正常的植物叶片图像,作为样本图像。将样本图像每一像素点的颜色值作为样本数据,建立样本的混合高斯模型;对待检测的植物叶片图像中每一个像素点进行模型隶属度计算,并与模型比较,得到颜色、纹理差异度和差异度图像;对差异度图像使用简单分割方法初步得到病虫害区域;使用颜色、纹理差异度引导的活动轮廓模型演化得到病虫害精准轮廓和区域。
实施例1
1)为本植物叶片的颜色和纹理特征建模
高斯分布是一个在数学、物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力。如果变量X服从高斯分布,它的概率密度函数为:
式中x是维度为d的列向量,u是模型期望,∑是模型方差。
对于可能服从多个高斯分布的样本可以采用混合高斯模型(GMM,gaussian mixture model)来表征样本的分布特征。它的概率密度函数为:
式(2)中,K为高斯分布的个数,πk是权值因子。
对植物正常叶片样本的GMM建模,可以先通过K-means聚类的方法得到初始参数向量θ0,再利用EM(期望最大)等算法优化参数向量θ。
2)得到待检测图像的差异度和差异度图像
令p_sample为样本关于已建模的混合高斯模型的隶属度,待检测图像中各点关于样本模型的隶属度为p,由式(1)可以分别得到p_sample和p。
令待检测图像中各点与样本模型的差异度值为p_dif,则p_dif可通过式(3)得到,p_dif=|log(p)-log(p_sample)| (3)
对待检测图像中各像素点进行式(3)的运算,得到颜色、纹理差异度图像,如图2所示。
3)初步得到病虫害粗略区域
对差异度图像使用简单图像分割方法,例如基于熵、基于最大类间方差等方法自动得到病虫害区域,如图3所示。
4)对病虫害区域进行后处理得到病虫害封闭初始轮廓
对分割得到病虫害粗略区域进行后处理,例如,形态学膨胀、形态学开运算、去除小面积区域、合并近距离区域等,得到封闭的病虫害初始轮廓,如图4所示。
5)使用差异引导的活动轮廓模型演化得到病虫害精准轮廓和区域
活动轮廓模型是一种自下而上的问题求解方法,应用在图像分割中,可以得到连续、精准的图像轮廓和区域,活动轮廓模型能否成功应用的关键在于图像函数g的选取,本发明将待检测图像中各点与样本模型的差异度的一个反函数作为活动轮廓模型的外部能量中的图像函数,例如式(4)所示,其中n=1,2,3......
采用差异度引导活动轮廓模型的能量泛函如式(5)所示(以活动轮廓模型的一个较新优化模型一距离规则水平集演化为例),其中g如式(4)所示。
式(5)中,p为距离约束项,H(-φ)为符号函数,δ(φ)为狄利克雷函数,φ为轮廓的水平集函数表示。
对式(5)所示的能量泛函进行偏微分求解,可以得到病虫害轮廓的精准演化结果,如图5所示。
Claims (1)
1.一种基于活动轮廓模型的植物病虫害检测、分割方法,其特征在于:
(1).植物叶片具有明显的颜色和纹理特征,本发明利用正常叶片和存在有病虫害的叶片的颜色、纹理的存在有明显差异的特点进行检测、分割得到初步的病虫害区域。
(2).本发明利用混合高斯模型来表示正常植物叶片模型,在少量样本的情况下可以得到正常植物叶片模型的参数。
(3).在(1)的基础上,利用基于颜色、纹理差异度引导的活动轮廓模型演化得到连续、精准的病虫害轮廓和区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410714599.5A CN104680191B (zh) | 2014-11-24 | 2014-11-24 | 一种基于活动轮廓模型的植物病虫害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410714599.5A CN104680191B (zh) | 2014-11-24 | 2014-11-24 | 一种基于活动轮廓模型的植物病虫害检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104680191A true CN104680191A (zh) | 2015-06-03 |
CN104680191B CN104680191B (zh) | 2018-11-13 |
Family
ID=53315207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410714599.5A Active CN104680191B (zh) | 2014-11-24 | 2014-11-24 | 一种基于活动轮廓模型的植物病虫害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104680191B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950082A (zh) * | 2015-06-22 | 2015-09-30 | 黑龙江八一农垦大学 | 一种病虫害预测系统 |
CN105023272A (zh) * | 2015-06-26 | 2015-11-04 | 广州铁路职业技术学院 | 农作物叶子虫害检测方法和系统 |
CN105243390A (zh) * | 2015-09-25 | 2016-01-13 | 河南科技学院 | 昆虫图像检测方法以及昆虫分类方法 |
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 |
CN109741349A (zh) * | 2019-01-24 | 2019-05-10 | 桂林航天工业学院 | 一种缺血性脑卒中图像分割的方法 |
CN111274979A (zh) * | 2020-01-23 | 2020-06-12 | 浙江工业大学之江学院 | 植物病虫害识别方法、装置、计算机设备及可存储介质 |
CN111652090A (zh) * | 2020-05-18 | 2020-09-11 | 黑龙江省科学院智能制造研究所 | 一种用于汉麻种植的数字化管理方法 |
CN113255440A (zh) * | 2021-04-13 | 2021-08-13 | 山东农业大学 | 一种基于机器学习的农作物叶片异常检测方法及系统 |
-
2014
- 2014-11-24 CN CN201410714599.5A patent/CN104680191B/zh active Active
Non-Patent Citations (6)
Title |
---|
LI CHUNMING 等: "Distance regularized level set evolution and its application to image segmentation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
汪京京 等: "农作物病虫害图像识别技术的研究综述", 《计算机工程与科学》 * |
田杰 等: "基于高斯分布改进C-V模型的植物病斑彩色图像分割", 《农业工程学报》 * |
胡祝华 等: "基于改进DRLSE的运动目标分割方法", 《浙江大学学报(工学版)》 * |
袁媛 等: "基于水平集的作物病叶图像分割方法", 《农业工程学报》 * |
赵瑶池 等: "基于纹理差异度引导的DRLSE病虫害图像精准分割方法", 《农业机械学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950082A (zh) * | 2015-06-22 | 2015-09-30 | 黑龙江八一农垦大学 | 一种病虫害预测系统 |
CN105023272A (zh) * | 2015-06-26 | 2015-11-04 | 广州铁路职业技术学院 | 农作物叶子虫害检测方法和系统 |
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 |
CN105243390A (zh) * | 2015-09-25 | 2016-01-13 | 河南科技学院 | 昆虫图像检测方法以及昆虫分类方法 |
CN105243390B (zh) * | 2015-09-25 | 2018-09-25 | 河南科技学院 | 昆虫图像检测方法以及昆虫分类方法 |
CN109741349A (zh) * | 2019-01-24 | 2019-05-10 | 桂林航天工业学院 | 一种缺血性脑卒中图像分割的方法 |
CN109741349B (zh) * | 2019-01-24 | 2021-12-07 | 江门市中心医院 | 一种缺血性脑卒中图像分割的方法 |
CN111274979A (zh) * | 2020-01-23 | 2020-06-12 | 浙江工业大学之江学院 | 植物病虫害识别方法、装置、计算机设备及可存储介质 |
CN111652090A (zh) * | 2020-05-18 | 2020-09-11 | 黑龙江省科学院智能制造研究所 | 一种用于汉麻种植的数字化管理方法 |
CN113255440A (zh) * | 2021-04-13 | 2021-08-13 | 山东农业大学 | 一种基于机器学习的农作物叶片异常检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104680191B (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104680191A (zh) | 一种基于活动轮廓模型的植物病虫害检测方法 | |
Chu et al. | Deep learning-based apple detection using a suppression mask R-CNN | |
Amit et al. | Disaster detection from aerial imagery with convolutional neural network | |
CN104834922B (zh) | 基于混合神经网络的手势识别方法 | |
Hutter et al. | Leads and ridges in Arctic sea ice from RGPS data and a new tracking algorithm | |
CN102722712B (zh) | 基于连续度的多尺度高分辨图像目标检测方法 | |
CN102043945B (zh) | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 | |
CN102722714B (zh) | 基于目标跟踪的人工神经网络扩张式学习方法 | |
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
CN105654139B (zh) | 一种采用时间动态表观模型的实时在线多目标跟踪方法 | |
CN103854027A (zh) | 一种人群行为识别方法 | |
CN104778481A (zh) | 一种大规模人脸模式分析样本库的构建方法和装置 | |
CN102436656A (zh) | 基于计算机视觉的动物多样性监测方法 | |
CN101923652A (zh) | 一种基于肤色和特征部位联合检测的色情图片识别方法 | |
CN102254303A (zh) | 遥感图像分割方法及遥感图像检索方法 | |
Widynski et al. | A multiscale particle filter framework for contour detection | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN107292314A (zh) | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 | |
CN109948501A (zh) | 一种监控视频中人员和安全帽的检测方法 | |
CN104657717A (zh) | 一种基于分层核稀疏表示的行人检测方法 | |
CN107133607A (zh) | 基于视频监控的人群统计方法及系统 | |
Gaucherel | Wavelet analysis to detect regime shifts in animal movement | |
CN102184404A (zh) | 掌纹图像中手掌区域的获取方法及装置 | |
Moallem et al. | An explainable deep vision system for animal classification and detection in trail-camera images with automatic post-deployment retraining | |
CN110574036A (zh) | 一系列回波描记图像中的神经的检测 |
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 |