CN105005813A - 虫害分析计数方法及系统 - Google Patents
虫害分析计数方法及系统 Download PDFInfo
- Publication number
- CN105005813A CN105005813A CN201510366564.1A CN201510366564A CN105005813A CN 105005813 A CN105005813 A CN 105005813A CN 201510366564 A CN201510366564 A CN 201510366564A CN 105005813 A CN105005813 A CN 105005813A
- Authority
- CN
- China
- Prior art keywords
- insect
- insect pest
- gray level
- level image
- edge
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及一种虫害分析计数方法及系统,该方法包括如下步骤:获取植株的虫害叶片初始图像;对初始图像进行彩色预处理获得灰度图像;根据边缘检测法检测灰度图像中的虫害闭合边缘,获取虫害闭合区域;对虫害闭合区域进行种子填充,并运用形态学的开运算获取害虫填充区域;根据害虫填充区域害虫分割二值图像,并根据害虫分割二值图像统计害虫的数量。本发明可以快速确定农作物害虫在叶片上的数量,大幅度提高虫害叶片的检测效率和准确性,解决了必须由专业技术人员人工进行害虫量检测的问题,减轻了技术人员的劳动强度,为农作物保护研究提供了现代化工具。本发明还具备优良的可扩展性和通用性。
Description
技术领域
本发明涉及机器视觉与视频图像处理领域,特别涉及一种虫害分析计数方法及系统。
背景技术
农作物的整个生长期内,受到多种有害生物危害,有害生物直接影响到农作物的产量和质量,给农业生产造成严重的破坏。在我国,每年由于病虫害所引起的损失都相当惊人。因此,农作物的病虫害防治在农作物生产和国民经济发展中占有极其重要的地位,而病虫害发生轻重程度的判断则是病虫害的预测预报,它是判定防治时机及评价防治效果的前提。
而防治过程中首要的前提就是在农作物生长期间,对其病虫害的正确识别和危害情况的准确分析,从而进一步掌握其病害的发生动态规律,在此基础上,才能达到实时、准确的预测和防治。目前,病虫害发生程度在生产上仍多数采用人工肉眼观察分析的方法,该方法虽然简单易行,但需要操作人员具有一定的专业基础知识,统计数据往往由于操作人员个体的差异而出现较大误差。而且,当有害生物发生量大时,应用肉眼观察的方法将是一项繁重的工作,有些甚至不可能完成,例如有些会飞的害虫喜欢聚集在叶片背面,当翻动叶片要进行观察时,多数都已飞走。因此,迫切需要一种能够针对该类小型群居性害虫的自动分析方法,以满足植物保护领域有害生物发生情况调查分析的研究需要。
发明内容
基于此,为解决现有技术中存在的问题,本发明提供一种虫害分析计数方法及系统,基于计算机图像处理技术,可快速完成叶片上害虫的图像处理和计数,减轻了技术人员的人工负担,为农作物保护研究提供了现代化辅助方法和工具。
为实现上述目的,本发明实施例采用如下的技术方案:
一种虫害分析计数方法,包括如下步骤:
获取植株的虫害叶片初始图像;
对所述初始图像进行彩色预处理获得灰度图像;
根据边缘检测法检测所述灰度图像中的虫害闭合边缘,获取虫害闭合区域;
对所述虫害闭合区域进行种子填充,并运用形态学的开运算获取害虫填充区域;
根据所述害虫填充区域获取害虫分割二值图像,并根据所述害虫分割二值图像统计害虫的数量。
相应的,本发明还提供一种虫害分析计数系统,包括:
获取模块,用于获取植株的虫害叶片初始图像;
预处理模块,用于对所述初始图像进行彩色预处理获得灰度图像;
边缘检测模块,用于根据边缘检测法检测所述灰度图像中的虫害闭合边缘,获取虫害闭合区域;
种子填充模块,用于对所述虫害闭合区域进行种子填充,并运用形态学的开运算获取害虫填充区域;
统计模块,用于根据所述害虫填充区域获取害虫分割二值图像,并根据所述害虫分割二值图像统计害虫的数量。
本发明通过获取植株的虫害叶片初始图像,并经由计算机图像分析方法分离出害虫图像,实现害虫检测和计数,可以大幅度提高虫害叶片的检测效率和准确性,解决了必须由专业技术人员人工进行害虫量检测的问题,减轻了技术人员的劳动强度,为农作物保护研究提供了现代化工具。本发明还具备优良的可扩展性和通用性,可广泛适用于叶螨以及其他比叶螨体积大的害虫的检测。
附图说明
图1为本发明实施例中虫害分析计数方法的流程示意图;
图2为本发明实施例中虫害分析计数系统的结构示意图;
图3为本发明实施例中另一虫害分析计数系统的结构示意图;
图4为本发明实施例中又一虫害分析计数系统的结构示意图。
具体实施方式
下面结合附图对本发明的内容作进一步描述。
如图1所示,本实施提供一种虫害分析计数方法,包括如下步骤:
S101获取植株的虫害叶片初始图像;
S102对所述初始图像进行彩色预处理获得灰度图像;
S103根据边缘检测法检测所述灰度图像中的虫害闭合边缘,获取虫害闭合区域;
S104对所述虫害闭合区域进行种子填充,并运用形态学的开运算获取害虫填充区域;
S105根据所述害虫填充区域获取害虫分割二值图像,并根据所述害虫分割二值图像统计害虫的数量。
具体的,在本实施例中,以叶螨为例,通过摄像设备拍摄植株的虫害叶片初始图像,然后对该初始图像进行彩色预处理获得灰度图像。彩色图像中的每个像素的颜色由R、G、B三个分量决定,而每个分量有255个值可取,这样一个像素点可以有1600多万(255*255*255)的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像,其中一个像素点的变化范围为255种,在本实施例中,为了减小后续图像处理过程中的计算量,故将虫害叶片初始图像转变成灰度图像。
获得灰度图像后,使用现有技术中的边缘检测法检测灰度图像中的虫害闭合边缘,提取出虫害闭合边缘后即可得到叶片的虫害闭合区域。在一种具体实施方式中,可采用Canny边缘检测算法检测灰度图像中的虫害闭合边缘。具体的,首先利用导数算子找出所述灰度图像的灰度沿着两个方向的偏导数(Gx,Gy),并按如下公式求出梯度的大小:
按如下公式计算出梯度的方向:
考虑到灰度图像中的边缘可能会指向不同的方向,本实施例检测以下4个方向的边缘:水平方向、垂直方向、与水平方向呈45°角方向以及与水平方向呈135°夹角的方向。然后对于灰度图像中的每一个像素点,都与上述方向上的邻近像素点进行比较,确定每一个像素点生成的边缘方向,并且获取每一个像素点及其邻近像素点中的灰度最大值,该灰度最大值作为每一个像素点的局部灰度最大值。根据各个像素点的局部灰度最大值确定两个阈值:一个高阈值和一个低阈值,这两个阈值用于判断清晰的边缘像素点。
由于灰度图像中的重要边缘都是连续的曲线,这样就可以跟踪边缘曲线中的边界部分,且避免将没有组成曲线的噪声像素当成边缘。本实施方式中,选定一个起点,将灰度大于高阈值的像素点标识为比较确信的真实边缘,基于上文计算出的梯度的大小和方向,从这些比较确信的真实边缘开始在灰度图像中跟踪整个边缘曲线。在跟踪时,灰度小于低阈值的像素点不作为边缘像素点,因此可排除掉,这样就可以跟踪边缘曲线的模糊部分直到回到起点。完成上述过程后,就可以提取出虫害闭合边缘,得到二值图像形式的虫害闭合区域。
在一种具体实施方式中,如果叶片中叶螨虫害的边缘较为模糊或是受到邻近叶片杂质的影响,边缘不够清晰,边缘检测的效果会不理想,因此,在根据边缘检测法检测灰度图像中的虫害闭合边缘时,可先根据形态学腐蚀算法对灰度图像进行修正,然后再进行检测。其中,所述形态学腐蚀算法是形态学中为消除物体所有边界点而采用的算法,根据形态学腐蚀算法可以使物体边界向内部收缩。
较佳的,在根据边缘检测法检测所述灰度图像中的虫害闭合边缘之前,可根据二维高斯滤波模板对所述灰度图像进行滤波,以消除噪声。其中,高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程,本实施例中可采用二维高斯模板扫描灰度图像中的每一个像素,用二维高斯模板确定的邻域内像素的加权平均灰度值去替代二维高斯模板中心像素点的值。
在获得虫害闭合区域后,可对虫害闭合区域进行种子填充,在一种具体实施方式中,可采用种子填充算法对虫害闭合区域进行种子填充,所述种子填充算法又称为边界填充算法,其基本思想是:从多边形区域的一个内点开始,由内向外用给定的颜色画点直到边界为止。如果边界是以一种颜色指定的,则种子填充算法可逐个像素地处理直到遇到边界颜色为止。在本实施例中,种子填充算法采用四连通域技术进行填充操作,即从区域内任意一点出发,通过上、下、左、右四个方向到达区域内的任意像素。
对虫害闭合区域进行种子填充以后,再使用形态学的开运算将灰度图像中多余的区域或边缘滤去,得到虫害填充区域。其中形态学的开运算是对物体进行先腐蚀后膨胀的过程,可用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。
确定害虫填充区域后,即可根据害虫填充区域获取害虫分割二值图像,根据该害虫分割二值图像,可方便地统计出叶螨等害虫的数量。
考虑到害虫填充区域内部纹理分布不均匀,在害虫填充区域内部有时会遗留下一些小的孔洞,因此在根据害虫填充区域获取害虫分割二值图像时,可先利用现有技术中的孔洞填充算法对害虫填充区域进行孔洞填充,这样可得到一个完整的害虫分割二值图像。基于该完整的害虫分割二值图像,可精确地统计出叶螨等害虫的数量。
综上所述,本发明采用计算机图像分析方法分析拍摄的虫害叶片初始图像,分离出害虫图像,可以快速确定农作物害虫在叶片上的数量,大幅度提高虫害叶片的检测效率和准确性,解决了必须由专业技术人员人工进行害虫量检测的问题,减轻了技术人员的劳动强度,为农作物保护研究提供了现代化工具。本发明还具备优良的可扩展性和通用性,可广泛适用于叶螨以及其他比叶螨体积大的害虫的检测。
相应的,本发明还提供一种虫害分析计数系统,如图2所示,包括:
获取模块100,用于获取植株的虫害叶片初始图像;
预处理模块200,用于对所述初始图像进行彩色预处理获得灰度图像;
边缘检测模块300,用于根据边缘检测法检测所述灰度图像中的虫害闭合边缘,获取虫害闭合区域;
种子填充模块400,用于对所述虫害闭合区域进行种子填充,并运用形态学的开运算获取害虫填充区域;
统计模块500,用于根据所述害虫填充区域获取害虫分割二值图像,并根据所述害虫分割二值图像统计害虫的数量。
具体的,在本实施例中,以叶螨为例,通过获取模块100获取植株的虫害叶片初始图像,然后预处理模块200对该虫害叶片初始图像进行彩色预处理获得灰度图像。彩色图像中的每个像素的颜色由R、G、B三个分量决定,而每个分量有255个值可取,这样一个像素点可以有1600多万(255*255*255)的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像,其中一个像素点的变化范围为255种,在本实施例中,为了减小后续图像处理过程中的计算量,故将虫害叶片初始图像转变成灰度图像。
获得灰度图像后,边缘检测模块300使用现有技术中的边缘检测法检测灰度图像中的虫害闭合边缘,提取出虫害闭合边缘后即可得到叶片的虫害闭合区域。在一种具体实施方式中,边缘检测模块300可采用Canny边缘检测算法检测灰度图像中的虫害闭合边缘。具体的,边缘检测模块300首先利用导数算子找出所述灰度图像的灰度沿着两个方向的偏导数(Gx,Gy),并按如下公式求出梯度的大小:
按如下公式计算出梯度的方向:
考虑到灰度图像中的边缘可能会指向不同的方向,在一种具体实施中,边缘检测模块300检测以下4个方向的边缘:水平方向、垂直方向、与水平方向呈45°角方向以及与水平方向呈135°夹角的方向。然后边缘检测模块300对于灰度图像中的每一个像素点,都用上述方向上的邻近像素点进行比较,确定每一个像素点生成的边缘方向,并且获取每一个像素点及其邻近像素点中的灰度最大值,该灰度最大值作为每一个像素点的局部灰度最大值。根据各个像素点的局部灰度最大值确定两个阈值:一个高阈值和一个低阈值,这两个阈值用于判断清晰的边缘像素点。
由于灰度图像中的重要边缘都是连续的曲线,这样就可以跟踪边缘曲线中的边界部分,且避免将没有组成曲线的噪声像素当成边缘。本实施方式中,边缘检测模块300选定一个起点,将灰度大于高阈值的像素点标识为比较确信的真实边缘,使用上述梯度的大小和方向,从这些比较确信的真实边缘开始在灰度图像中跟踪整个边缘曲线。在跟踪时,灰度小于低阈值的像素点不作为边缘像素点,因此可排除掉,这样就可以跟踪边缘曲线的模糊部分直到回到起点。边缘检测模块300完成上述过程后,就可以提取出虫害闭合边缘,得到虫害闭合区域,该虫害闭合区域为二值图像形式。
在一种具体实施方式中,如果叶片中叶螨虫害的边缘较为模糊或是受到邻近叶片杂质的影响,边缘不够清晰,边缘检测的效果会不理想,因此,边缘检测模块300在根据边缘检测法检测灰度图像中的虫害闭合边缘时,可先根据形态学腐蚀算法对灰度图像进行修正,然后再进行检测。其中,所述形态学腐蚀算法是形态学中为消除物体所有边界点而采用的算法,根据形态学腐蚀算法可以使物体边界向内部收缩。
在边缘检测模块300获得虫害闭合区域后,种子填充模块400对虫害闭合区域进行种子填充,在一种具体实施方式中,可采用种子填充算法对虫害闭合区域进行种子填充,所述种子填充算法又称为边界填充算法,其基本思想是:从多边形区域的一个内点开始,由内向外用给定的颜色画点直到边界为止。如果边界是以一种颜色指定的,则种子填充算法可逐个像素地处理直到遇到边界颜色为止。在本实施例中,种子填充算法采用四连通域技术进行填充操作,即从区域内任意一点出发,通过上、下、左、右四个方向到达区域内的任意像素。
对虫害闭合区域进行种子填充以后,种子填充模块400再使用形态学的开运算将灰度图像中多余的区域或边缘滤去,得到虫害填充区域。其中形态学的开运算是对物体进行先腐蚀后膨胀的过程,可用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。
确定害虫填充区域后,统计模块500即可根据害虫填充区域获取害虫分割二值图像,根据该害虫分割二值图像,可方便地统计出叶螨等害虫的数量。
较佳的,如图3所示,本发明的虫害分析计数系统还包括滤波模块250,用于在根据边缘检测法检测所述灰度图像中的虫害闭合边缘之前,根据二维高斯滤波模板对所述灰度图像进行滤波,以消除噪声。其中,高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程,本实施例中可采用二维高斯模板扫描灰度图像中的每一个像素,用二维高斯模板确定的邻域内像素的加权平均灰度值去替代二维高斯模板中心像素点的值。
考虑到害虫填充区域内部纹理分布不均匀,在害虫填充区域内部有时会遗留下一些小的孔洞,因此,如图4所示,较佳地,在本发明的虫害分析计数系统中,统计模块500还包括孔洞填充模块501,用于根据孔洞填充算法对所述害虫填充区域进行孔洞填充,获取害虫分割二值图像。在根据害虫填充区域获取害虫分割二值图像时,孔洞填充模块501利用现有技术中的孔洞填充算法对害虫填充区域进行孔洞填充,这样可得到一个完整的害虫分割二值图像。基于该完整的害虫分割二值图像,统计模块500可精确地统计出叶螨等害虫的数量。
以上各个模块其具体功能的实现方法,可参照上文所述的虫害分析计数方法,此处不再一一赘述。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种虫害分析计数方法,其特征在于,包括如下步骤:
获取植株的虫害叶片初始图像;
对所述初始图像进行彩色预处理获得灰度图像;
根据边缘检测法检测所述灰度图像中的虫害闭合边缘,获取虫害闭合区域;
对所述虫害闭合区域进行种子填充,并运用形态学的开运算获取害虫填充区域;
根据所述害虫填充区域获取害虫分割二值图像,并根据所述害虫分割二值图像统计害虫的数量。
2.根据权利要求1所述的虫害分析计数方法,其特征在于,在根据边缘检测法检测所述灰度图像中的虫害闭合边缘时,先根据形态学腐蚀算法对所述灰度图像进行修正。
3.根据权利要求1所述的虫害分析计数方法,其特征在于,在根据边缘检测法检测所述灰度图像中的虫害闭合边缘之前,根据二维高斯滤波模板对所述灰度图像进行滤波。
4.根据权利要求1至3中任一项所述的虫害分析计数方法,其特征在于,所述边缘检测法为Canny边缘检测算法。
5.根据权利要求1至3中任一项所述的虫害分析计数方法,其特征在于,根据所述害虫填充区域获取害虫分割二值图像的过程包括如下步骤:
根据孔洞填充算法对所述害虫填充区域进行孔洞填充,获取害虫分割二值图像。
6.一种虫害分析计数系统,其特征在于,包括:
获取模块,用于获取植株的虫害叶片初始图像;
预处理模块,用于对所述初始图像进行彩色预处理获得灰度图像;
边缘检测模块,用于根据边缘检测法检测所述灰度图像中的虫害闭合边缘,获取虫害闭合区域;
种子填充模块,用于对所述虫害闭合区域进行种子填充,并运用形态学的开运算获取害虫填充区域;
统计模块,用于根据所述害虫填充区域获取害虫分割二值图像,并根据所述害虫分割二值图像统计害虫的数量。
7.根据权利要求6所述的虫害分析计数系统,其特征在于,所述边缘检测模块在根据边缘检测法检测所述灰度图像中的虫害闭合边缘时,先根据形态学腐蚀算法对所述灰度图像进行修正。
8.根据权利要求7所述的虫害分析计数系统,其特征在于,还包括滤波模块,用于在根据边缘检测法检测所述灰度图像中的虫害闭合边缘之前,根据二维高斯滤波模板对所述灰度图像进行滤波。
9.根据权利要求6至8中任一项所述的虫害分析计数系统,其特征在于,所述统计模块还包括孔洞填充模块,用于根据孔洞填充算法对所述害虫填充区域进行孔洞填充,获取害虫分割二值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510366564.1A CN105005813B (zh) | 2015-06-26 | 2015-06-26 | 虫害分析计数方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510366564.1A CN105005813B (zh) | 2015-06-26 | 2015-06-26 | 虫害分析计数方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105005813A true CN105005813A (zh) | 2015-10-28 |
CN105005813B CN105005813B (zh) | 2017-11-10 |
Family
ID=54378476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510366564.1A Expired - Fee Related CN105005813B (zh) | 2015-06-26 | 2015-06-26 | 虫害分析计数方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105005813B (zh) |
Cited By (9)
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 |
CN106780443A (zh) * | 2016-11-30 | 2017-05-31 | 深圳前海弘稼科技有限公司 | 作物害虫的预警方法和作物害虫的预警装置 |
CN107545572A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 图像中目标的处理方法和装置 |
CN108510490A (zh) * | 2018-03-30 | 2018-09-07 | 深圳春沐源控股有限公司 | 一种分析虫害趋势的方法、装置及计算机存储介质 |
CN108921067A (zh) * | 2018-06-22 | 2018-11-30 | 三明学院 | 一种统计农业害虫的方法、装置、设备和系统 |
WO2020047738A1 (zh) * | 2018-09-04 | 2020-03-12 | 安徽中科智能感知大数据产业技术研究院有限责任公司 | 多尺度特征融合网络结合定位模型的害虫自动计数方法 |
CN112950557A (zh) * | 2021-02-08 | 2021-06-11 | 福建省农业科学院植物保护研究所 | 小型虫类数量的快速统计方法 |
CN115953776A (zh) * | 2023-03-09 | 2023-04-11 | 聊城市检验检测中心 | 基于机器学习的食品检测系统 |
CN116135019A (zh) * | 2021-11-17 | 2023-05-19 | 中国联合网络通信集团有限公司 | 虫害防治方法、服务器、虫害防治装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003304788A (ja) * | 2002-04-17 | 2003-10-28 | Hiroyuki Takahashi | 害虫計数装置 |
CN103198298A (zh) * | 2013-03-18 | 2013-07-10 | 浙江大学 | 一种基于导数光谱法的轻度虫害叶片的叶脉识别方法 |
CN103236060A (zh) * | 2013-04-28 | 2013-08-07 | 北京农业信息技术研究中心 | 基于多特征融合的白粉虱图像分割方法 |
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
-
2015
- 2015-06-26 CN CN201510366564.1A patent/CN105005813B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003304788A (ja) * | 2002-04-17 | 2003-10-28 | Hiroyuki Takahashi | 害虫計数装置 |
CN103198298A (zh) * | 2013-03-18 | 2013-07-10 | 浙江大学 | 一种基于导数光谱法的轻度虫害叶片的叶脉识别方法 |
CN103236060A (zh) * | 2013-04-28 | 2013-08-07 | 北京农业信息技术研究中心 | 基于多特征融合的白粉虱图像分割方法 |
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
Non-Patent Citations (2)
Title |
---|
刘国成等: "XCT图像的一种组合分割算法", 《南方职业教育学刊》 * |
荆晓冉: "基于图像的害虫自动计数与识别系统的研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545572A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 图像中目标的处理方法和装置 |
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 |
CN106780443A (zh) * | 2016-11-30 | 2017-05-31 | 深圳前海弘稼科技有限公司 | 作物害虫的预警方法和作物害虫的预警装置 |
CN108510490A (zh) * | 2018-03-30 | 2018-09-07 | 深圳春沐源控股有限公司 | 一种分析虫害趋势的方法、装置及计算机存储介质 |
CN108510490B (zh) * | 2018-03-30 | 2021-02-19 | 深圳春沐源控股有限公司 | 一种分析虫害趋势的方法、装置及计算机存储介质 |
CN108921067A (zh) * | 2018-06-22 | 2018-11-30 | 三明学院 | 一种统计农业害虫的方法、装置、设备和系统 |
WO2020047738A1 (zh) * | 2018-09-04 | 2020-03-12 | 安徽中科智能感知大数据产业技术研究院有限责任公司 | 多尺度特征融合网络结合定位模型的害虫自动计数方法 |
CN112950557A (zh) * | 2021-02-08 | 2021-06-11 | 福建省农业科学院植物保护研究所 | 小型虫类数量的快速统计方法 |
CN112950557B (zh) * | 2021-02-08 | 2023-06-27 | 福建省农业科学院植物保护研究所 | 小型虫类数量的快速统计方法 |
CN116135019A (zh) * | 2021-11-17 | 2023-05-19 | 中国联合网络通信集团有限公司 | 虫害防治方法、服务器、虫害防治装置及存储介质 |
CN115953776A (zh) * | 2023-03-09 | 2023-04-11 | 聊城市检验检测中心 | 基于机器学习的食品检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105005813B (zh) | 2017-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105005813A (zh) | 虫害分析计数方法及系统 | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
Ranjan et al. | Detection and classification of leaf disease using artificial neural network | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN103336966B (zh) | 一种应用于农业智能机械的杂草图像辨识方法 | |
Zabawa et al. | Detection of single grapevine berries in images using fully convolutional neural networks | |
Tong et al. | Skewness correction and quality evaluation of plug seedling images based on Canny operator and Hough transform | |
CN106485708B (zh) | 一种基于图像识别的圆木计数方法 | |
CN103246872B (zh) | 一种基于计算机视觉技术的广谱虫情自动测报方法 | |
CN105651776A (zh) | 基于计算机视觉的牛胴体产肉量自动分级装置与方法 | |
CN107179272B (zh) | 一种显微镜下急性分离神经细胞捕捉方法 | |
Jafari et al. | Weed detection in sugar beet fields using machine vision | |
CN116935327B (zh) | 基于ai视觉的水产养殖监控方法、装置、设备及存储介质 | |
CN108491807B (zh) | 一种奶牛发情行为实时监测方法及系统 | |
CN105023272A (zh) | 农作物叶子虫害检测方法和系统 | |
CN104239886A (zh) | 基于图像分析的草坪与背景分界线的提取方法 | |
CN109785321A (zh) | 基于深度学习和Gabor滤波器的睑板腺区域提取方法 | |
Phoulady et al. | An approach for overlapping cell segmentation in multi-layer cervical cell volumes | |
CN111008563B (zh) | 一种暗光场景种子发芽检测方法、装置及可读存储介质 | |
CN115861721A (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
CN113484867B (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
CN102680488B (zh) | 一种基于pca的块状农产品在线识别装置及方法 | |
CN110455201A (zh) | 基于机器视觉的茎秆作物高度测量方法 | |
CN105225228B (zh) | 田间自然背景下甘蔗宿根图像分割方法 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 |
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: 20180626 |