CN105320970A - 一种马铃薯病害诊断装置、诊断系统及诊断方法 - Google Patents
一种马铃薯病害诊断装置、诊断系统及诊断方法 Download PDFInfo
- Publication number
- CN105320970A CN105320970A CN201510852523.3A CN201510852523A CN105320970A CN 105320970 A CN105320970 A CN 105320970A CN 201510852523 A CN201510852523 A CN 201510852523A CN 105320970 A CN105320970 A CN 105320970A
- Authority
- CN
- China
- Prior art keywords
- disease
- scab
- potato
- image
- eigenwert
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及马铃薯病害诊断的技术领域,具体涉及一种马铃薯病害诊断装置、诊断系统及诊断方法。本发明马铃薯病害诊断装置包括接收单元,用于接收来自移动终端采集模块采集的马铃薯的病害图像;预处理单元,用于对所述病害图像进行预处理,确定染病部位;以及病斑处理单元,用于对染病部位的图像进行处理,确定病斑种类及对应的防治措施。本发明马铃薯病害诊断装置预处理单元和病斑处理单元对病害图像进行双重处理,可准确确定病斑种类及对应的防治措施,及时准确。
Description
技术领域
本发明马铃薯病害诊断的技术领域,具体涉及一种马铃薯病害诊断装置、诊断系统及诊断方法。
背景技术
马铃薯皮薄、肉厚、富含淀粉,是轻工业和食品工业的重要原料,但是在马铃薯的生长过程中,由于根茎叶的病害会严重影响马铃薯的产量和质量,因此对马铃薯病害诊断十分重要。
目前的诊断方法有:(1)基于手机平台识别农作物病虫害,但是由于马铃薯病害特征多、输入参数多,在手机平台上完成特征提取和复杂分类运算速度慢,无法及时的获得当前马铃薯的病害状况;而且,由于受到手机硬件和速度的制约,识别效果较差,从而导致病害判断不准确。(2)另一种方法是根据拍摄的图像照片,并采用基于BP(BackPropagation,反向传播)神经网络的分类器进行分类运算。但是,由于马铃薯病害分布于根部、颈部和叶部,且病害特征表现多样,不同病害的不同特征在不同分类器中分类表现不同,从而使得分类结果差异较大,使用单一分类器对对马铃薯病害进行诊断和识别的准确度较差。
发明内容
本发明的目的在于提供一种马铃薯病害诊断装置及诊断方法,可提高病害诊断的准确度。
为了实现上述目的,本发明提供一种马铃薯病害诊断装置,所述诊断装置包括:接收单元,用于接收来自移动终端采集模块采集的马铃薯的病害图像;预处理单元,用于对所述病害图像进行预处理,确定染病部位;以及病斑处理单元,用于对染病部位的图像进行处理,确定病斑种类及对应的防治措施。
本发明马铃薯病害诊断装置通过接收单元接收移动终端的采集模块采集的马铃薯病害图像,可实现远程诊断;通过预处理单元对病害图像进行预处理初步确定染病部位,进一步由病斑处理单元精细处理,从而可确定病斑种类及对应的防治措施,响应迅速,准确度高。
附图说明
图1是本发明马铃薯病害诊断系统的结构示意图;
图2是预处理单元的结构示意图;
图3是病斑处理单元的结构示意图;
图4是投票表决模块的结构示意图;
图5是本发明马铃薯病害诊断方法的流程图。
附图标记说明
接收单元1预处理单元2
区域分离模块21第一特征值提取模块22
染病部位分类模块23病斑处理单元3
病斑区域分割模块31第二特征值提取模块32
染病部位识别模块33K均值分类器331
基于神经网络分类器332支持向量机分类器334
投票表决模块34。
具体实施方式
为了进一步说明本发明,下面结合实施例对本发明提供的双螺塞螺钉进行详细地描述,但不能将它们理解为对本发明保护范围的限定。
如图1所示,本发明马铃薯病害诊断装置包括接收单元1,用于接收来自移动终端采集模块采集的马铃薯的病害图像;预处理单元2,用于对所述病害图像进行预处理,确定染病部位;以及病斑处理单元3,用于对染病部位的图像进行处理,确定病斑种类及对应的防治措施。
本发明马铃薯病害诊断装置通过接收单元接收移动终端的采集模块采集的马铃薯病害图像,可实现远程诊断;通过预处理单元对病害图像进行预处理初步确定染病部位,进一步由病斑处理单元精细处理,从而可确定病斑种类及对应的防治措施,响应迅速,准确度高。
其中,所述移动终端可为安装有马铃薯病害图像采集应用软件的手机,由于手机采集区域的限制,可获取马铃薯完整叶片、块茎等部位的图像,以便于后续染病部位的判别。
如图2所示,所述预处理单元2包括:区域分离模块21,用于对所述病害图像依次进行灰度化、阈值分割、二值化处理背景分离操作,获取马铃薯的染病区域图像;第一特征值提取模块22,用于根据所述染病区域图像,分别提取染病区域特征值,其中,所述染病区域特征值包括彩色特征和形状特征的特征值;以及染病部位分类模块23,用于分类计算所述染病区域特征值,确定染病部位。
其中,所述彩色特征的特征值为RGB图像的G分量均值。可根据如下公式统计病害部位R、G、B分量的平均值:
r=R/G—————公式④
b=B/G—————公式⑤
其中,Total为病害像素点的总数,N为病害图像的像素点数,r称为红色分量均值比,b称为蓝色分量均值比。环境光照强度的不同会导致R、G、B的变化幅度很大,因此以G分量的均值为参照值,用R、B分量均值与G分量均值之比作为病害特征参数。
形状特征采用圆形度参数C来描述染病部位接近圆形的程度,根据公式:C=4πA/L2———公式⑥确定;其中,A为病斑面积,L为病斑周长。
C的取值范围为[0,1]:当面积相同时,染病部位光滑并且为圆形,则周长最短,此时圆形度C取值最大为1;染病部位的外形越偏离圆形,其圆形度C的值越小。
在本实施例中,所述染病部位分类模块23为K均值分类器。将马铃薯染病部位的彩色特征红色分量均值比r、蓝色分量均值比b、形状特征圆形度参数C送入K均值分类器,通过K均值分类器计算判断染病部位是块茎、茎蔓或者是叶片。
K均值分类器选择标准块茎、茎蔓和叶面样本作通过归一化处理,作为块茎、茎蔓和叶面的三类簇的中心。计算分类样本到簇中心的距离并进行聚类计算,之后更新簇中心点坐标,并进行5次迭代,取最后一次迭代结果作为识别结果,从而确定染病部位。
如图3所示,所述病斑处理单元3包括:病斑区域分割模块31,用于对染病部位的图像进行灰度化处理、高斯滤波,根据处理后的染病部位的图像计算图像梯度幅值矩阵,以及根据图像梯度幅值矩阵确定病斑区域;第二特征值提取模块32,用于根据所述病斑区域,提取病斑特征值,其中,所述病斑特征值包括病斑区域的彩色特征、形状特征以及纹理特征的特征值;病害识别分类模块33,用于分别根据所述病斑特征值确定对应的病害分类结果;以及投票表决模块34,用于根据各所述病害识别分类器的权重因子以及确定的病害分类结果投票确定病害种类。
其中,病斑区域的彩色特征包括RGB颜色空间特征值和HSV颜色空间特征值。RGB颜色空间特征值包括红色分量均值比r、蓝色分量均值比b,计算方法与公式①-⑤相同,在此不再赘述。HSV颜色空间特征值包括H(Hue,色调)、S(Saturation,饱和度)、V(亮度),可根据彩色空间投影公式求解,在此不再赘述。
病斑区域的形状特征包括病斑圆形度C和离散指数。圆形度C计算与公式⑥相同。离散指数P计算公式:P=L2/A,其中L为病斑周长,A为病斑面积。
病斑区域的纹理特征为病斑的图像反差、能量、熵、相关性。其中,
图像反差Con,又称为对比度,用于反应图像的清晰度和纹理的沟纹深浅,可根据如下公式确定图像反差:———公式⑦,其中,i表示病斑像素的横坐标,j表示病斑像素的纵坐标。
能量Asm,是灰度共生矩阵各元素值的平方和,用于反应图像灰度分布均匀程度和纹理粗细度,可通过如下公式确定:———公式⑧。
熵Ent,是图像包含信息量的随机性度量。可根据如下公式确定:
—————公式⑨,其中,熵值越大,图像越复杂。
相关性Corr,也称为同质性,用来度量图像的灰度级在行或列方向上的相似程度,可根据如下公式确定:——公式⑩。
对应不同的染病部位,所述病害识别分类模块33分为叶部病害分类器、茎蔓分类器、块茎病害分类器,且各所述病害识别分类模块33均包括K均值分类器331、基于神经网络分类器332及支持向量机分类器333。
在确定染病部位后,将病斑特征值红色分量均值比r、蓝色分量均值比b、色调H、饱和度S、亮度V、圆形度C、离散指数、反差、能量、熵、相关性输入值对应染病部位的分类器中分别进行分类计算,确定对应的病害种类结果。
以叶部病害为例,经过预处理模块初步确认为染病部位为叶部。提取病斑特征值,并输入至K均值分类器、基于神经网络分类器及支持向量机分类器中进行分类计算,分别确定病斑分类结果。例如:
其中,K均值分类器输入红色分量均值比r、蓝色分量均值比b、色调H、饱和度S、亮度V、圆形度C、离散指数、能量、熵、反差、相关性等参数归一化后结果,之后得识别病害特诊送入K均值分类器,通过5次欧氏距离迭代输出分类结果。
支持向量机分类器采用基于径向基核函数,径向基函数公式为:———公式其中参数δ2取值一般为2.6,输入病斑特征值:红色分量均值比r、蓝色分量均值比b、色调H、饱和度S、亮度V、圆形度C、离散指数、反差、能量、熵、相关性归一化后结果,分类计算确定病斑分类结果。
神经网络分类器采用3隐含层BP神经网络分类器,输入病斑特征值:红色分量均值比r、蓝色分量均值比b、色调H、饱和度S、亮度V、圆形度C、离散指数、反差、能量、熵、相关性归一化后结果,分类器计算分类结果。
本发明马铃薯病害诊断装置通过使用多个分类器,可避免因单一分类器的局限性,提高辨识的准确率。
各分类器的分类结果送入投票表决模块34(如图4所示)进行投票表决。在相乘器中,各分类器的分类结果与对应的权重因子相乘,各个分类结果的数值分别输入至计票器中,在计票器中将相同分类结果的数值累加,在比较器中比较各个分类结果的最终数值,最大数值对应的分类结果为病害识别结果。例如,各分类器的分类器分类结果按1票计,票数1与各自的分类器权重因子μ相乘,其中,权重因子μ的取值范围为0.6~1,之后将结果投入对应的计票器,如叶片部位支持向量机分类器识别结果为早疫病,则其早疫病票数1,对应权重因子μ为0.9,则1×0.9=0.90分送入早疫病计票器,以此类推,叶片、块茎、茎蔓部位分类分数进入相应计票器做求和运算。
此外,为提高投票表决模块投票的准确度,所述投票表决模块还用于根据所述病害种类修正各所述病害识别分类器的权重因子。
本发明马铃薯病害诊断装置还包括数据存储单元(图中未示出),用于存储各分类器的病害图像、地理位置、时间、染病区域特征值、病害分类结果、病斑特征值、投票表决的病害种类,以及对应多个病害种类的防止措施等,在确定当前马铃薯的病害种类后,可直接从数据存储单元中调取对应的防止措施,及时、准确。
本发明还提供一种马铃薯病害诊断系统,所述诊断系统包括:上述马铃薯病害诊断装置;以及移动终端,用于接收所述马铃薯病害诊断装置确定病斑种类及对应的防治措施。
本发明还提供一种马铃薯病害诊断方法,所述诊断方法包括(如图5所示):步骤100:接收来自移动终端采集模块采集的马铃薯的病害图像;步骤200:对所述病害图像进行预处理,确定染病部位;步骤300:对染病部位的图像进行处理,确定病斑种类及对应的防治措施。
其中,步骤200中所述进行预处理的方法包括:对所述病害图像依次进行灰度化、阈值分割、二值化处理背景分离操作,获取马铃薯的染病区域图像;根据所述染病区域图像,分别提取染病区域特征值,其中,所述染病区域特征值包括彩色特征和形状特征的特征值;以及分类计算所述染病区域特征值,确定染病部位。
其中,所述彩色特征的特征值为RGB图像的G分量均值。可根据如下公式统计病害部位R、G、B分量的平均值:
r=R/G—————公式④
b=B/G—————公式⑤
其中,Total为病害像素点的总数,N为病害图像的像素点数,r称为红色分量均值比,b称为蓝色分量均值比。环境光照强度的不同会导致R、G、B的变化幅度很大,因此以G分量的均值为参照值,用R、B分量均值与G分量均值之比作为病害特征参数。
形状特征采用圆形度参数C来描述染病部位接近圆形的程度,根据公式:C=4πA/L2———公式⑥确定;其中,A为病斑面积,L为病斑周长。
C的取值范围为[0,1]:当面积相同时,染病部位光滑并且为圆形,则周长最短,此时圆形度C取值最大为1;染病部位的外形越偏离圆形,其圆形度C的值越小。
在本实施例中,所述染病部位分类模块23为K均值分类器。将马铃薯染病部位的彩色特征红色分量均值比r、蓝色分量均值比b、形状特征圆形度参数C送入K均值分类器,通过K均值分类器计算判断染病部位是块茎、茎蔓或者是叶片。
K均值分类器选择标准块茎、茎蔓和叶面样本作通过归一化处理,作为块茎、茎蔓和叶面的三类簇的中心,见表1,值分别为:块茎簇中心:(1,0.25,1)、茎蔓簇中心:(0,0,0)、叶面簇中心:(0.75,1,0.02)。
表1块茎、茎蔓、叶面特征值表
计算分类样本到簇中心的距离并进行聚类计算,之后更新簇中心点坐标,并进行5次迭代,取最后一次迭代结果作为识别结果,从而确定染病部位。
步骤300中所述确定病斑种类的方法包括:对染病部位的图像进行灰度化处理、高斯滤波,根据处理后的染病部位的图像计算图像梯度幅值矩阵,以及根据图像梯度幅值矩阵确定病斑区域;根据所述病斑区域,提取病斑特征值,其中,所述病斑特征值包括病斑区域的彩色特征、形状特征以及纹理特征的特征值;通过病害识别分类模块分别根据所述病斑特征值确定对应的病害分类结果;以及根据各所述病害识别分类器的权重因子以及确定的病害分类结果投票确定病害种类。
其中,病斑区域的确定方法的详细步骤如下:
根据公式Gray=0.299R+0.587G+0.114B,对染病部位的图像进行灰度化处理,其中,Gray为灰度值、R、G、B分别为图像红、绿、蓝的分量值。对灰度图像进行高斯滤波,采用二维高斯函数计算二维核向量。计算边缘检测(Canny)算子,求解图像梯度幅值矩阵。对比找寻图像梯度幅值矩阵中的局部最大值,得到病斑轮廓,将病斑区域分离。
其中,病斑区域的彩色特征包括RGB颜色空间特征值和HSV颜色空间特征值。RGB颜色空间特征值包括红色分量均值比r、蓝色分量均值比b,计算方法与公式①-⑤相同,在此不再赘述。HSV颜色空间特征值包括H、S、V,可根据彩色空间投影公式求解,在此不再赘述。
病斑区域的形状特征包括病斑圆形度C和离散指数。圆形度C计算与公式⑥相同。离散指数P计算公式:P=L2/A,其中L为病斑周长,A为病斑面积。
病斑区域的纹理特征为病斑的图像反差、能量、熵、相关性。其中,
图像反差Con,又称为对比度,用于反应图像的清晰度和纹理的沟纹深浅,可根据如下公式确定图像反差:———公式⑦,其中,i表示病斑像素的横坐标,j表示病斑像素的纵坐标。
能量Asm,是灰度共生矩阵各元素值的平方和,用于反应图像灰度分布均匀程度和纹理粗细度,可通过如下公式确定:———公式⑧。
熵Ent,是图像包含信息量的随机性度量。可根据如下公式确定:
—————公式⑨,其中,熵值越大,图像越复杂。
相关性Corr,也称为同质性,用来度量图像的灰度级在行或列方向上的相似程度,可根据如下公式确定:——公式⑩。
对应不同的染病部位,所述病害识别分类模块分为叶部病害分类器、茎蔓分类器、块茎病害分类器,且各所述病害识别分类模块均包括K均值分类器、基于神经网络分类器及支持向量机分类器。
在确定染病部位后,将病斑特征值红色分量均值比r、蓝色分量均值比b、色调H、饱和度S、亮度V、圆形度C、离散指数、反差、能量、熵、相关性输入值对应染病部位的分类器中分别进行分类计算,确定对应的病害种类结果。
以叶部病害为例,经过预处理模块初步确认为染病部位为叶部。提取病斑特征值,并输入至K均值分类器、基于神经网络分类器及支持向量机分类器中进行分类计算,分别确定病斑分类结果。例如:
其中,K均值分类器输入红色分量均值比r、蓝色分量均值比b、色调H、饱和度S、亮度V、圆形度C、离散指数、能量、熵、反差、相关性等参数归一化后结果,见表2-4,病害种类簇的中心分别为:
表2病斑彩色特征值
表3病斑形状特征值
表4病斑纹理特征值
K均值分类器病害簇的中心为:
早疫病簇中心(0,1,0.91,0.61,0.38,0.35,0.21,0.33,0.68,0.10,0.12),
晚疫病簇中心(0.76,0,0,0,0.13,0.02,0.17,1,0,0,1),
炭疽病簇中心(1,0.32,0.18,0.14,0,1,0,0.94,0.13,0.13,0.12),
灰霉病簇中心(0.98,0.12,1,1,1,0,1,0,1,1,0)。
之后得识别病害特诊送入K均值分类器,通过5次欧氏距离迭代输出分类结果。
支持向量机分类器采用基于径向基核函数,径向基函数公式为:———公式其中参数δ2取值一般为2.6,输入病斑特征值:红色分量均值比r、蓝色分量均值比b、色调H、饱和度S、亮度V、圆形度C、离散指数、反差、能量、熵、相关性归一化后结果,分类计算确定病斑分类结果。
神经网络分类器采用3隐含层BP神经网络分类器,输入病斑特征值:红色分量均值比r、蓝色分量均值比b、色调H、饱和度S、亮度V、圆形度C、离散指数、反差、能量、熵、相关性归一化后结果,分类器计算分类结果。
其中,根据各所述病害识别分类器的权重因子以及确定的病害分类结果投票确定病害种类的方法包括:各分类器的分类结果与对应的权重因子相乘,将相同分类结果的数值累加,比较各个分类结果的最终数值,最大数值对应的分类结果为病害识别结果。其中,权重因子μ的取值范围为0.6~1。例如:如叶片部位支持向量机分类器识别结果为早疫病,则其早疫病票数1,对应权重因子μ为0.9,则1*0.9=0.90为早疫病的数值。
此外,为提高投票表决模块投票的准确度,所述投票表决模块还用于根据所述病害种类修正各所述病害识别分类器的权重因子。
其中,分类器权重因子μ的计算公式为其中,i表示计算的次数,bi为不同分类器得分。各分类器基础分80分,每正确分类一次加1分,错误分类一次减1分,满分100分,最低分60分,为避免分类器被恶意淘汰或增强,如果是最低分不再减分,如果是最高分不再加分,从而逐渐修正各所述病害识别分类器的权重因子,提高辨识的准确度。
此外,本发明马铃薯病害诊断方法还包括存储各分类器的病害图像、地理位置、时间、染病区域特征值、病害分类结果、病斑特征值、投票表决的病害种类,以及对应多个病害种类的防止措施等,在确定当前马铃薯的病害种类后,可直接从数据存储单元中调取对应的防止措施,及时、准确。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种马铃薯病害诊断装置,其特征在于,所述诊断装置包括:
接收单元,用于接收来自移动终端采集模块采集的马铃薯的病害图像;
预处理单元,用于对所述病害图像进行预处理,确定染病部位;以及
病斑处理单元,用于对染病部位的图像进行处理,确定病斑种类及对应的防治措施。
2.根据权利要求1所述的马铃薯病害诊断装置,其特征在于,所述预处理单元包括:
区域分离模块,用于对所述病害图像依次进行灰度化、阈值分割、二值化处理背景分离操作,获取马铃薯的染病区域图像;
第一特征值提取模块,用于根据所述染病区域图像,分别提取染病区域特征值,其中,所述染病区域特征值包括彩色特征和形状特征的特征值;以及
染病部位分类模块,用于分类计算所述染病区域特征值,确定染病部位。
3.根据权利要求1所述的马铃薯病害诊断装置,其特征在于,所述病斑处理单元包括:
病斑区域分割模块,用于对染病部位的图像进行灰度化处理、高斯滤波,根据处理后的染病部位的图像计算图像梯度幅值矩阵,以及根据图像梯度幅值矩阵确定病斑区域;
第二特征值提取模块,用于根据所述病斑区域,提取病斑特征值,其中,所述病斑特征值包括病斑区域的彩色特征、形状特征以及纹理特征的特征值;
对应染病部位的病害识别分类模块,用于分别根据所述病斑特征值确定对应的病害分类结果;以及
投票表决模块,用于根据各所述病害识别分类器的权重因子以及确定的病害分类结果投票确定病害种类。
4.根据权利要求3所述的马铃薯病害诊断装置,其特征在于,各所述病害识别分类模块分别包括K均值分类器、基于神经网络分类器及支持向量机分类器。
5.根据权利要求3或4所述的马铃薯病害诊断装置,其特征在于,所述投票表决模块还用于根据所述病害种类修正各所述病害识别分类器的权重因子。
6.一种马铃薯病害诊断系统,其特征在于,所述诊断系统包括:
根据权利要求1-5中任一项所述的马铃薯病害诊断装置;以及
移动终端,用于接收所述马铃薯病害诊断装置确定病斑种类及对应的防治措施。
7.一种马铃薯病害诊断方法,其特征在于,所述诊断方法包括:
接收来自移动终端采集模块采集的马铃薯的病害图像;
对所述病害图像进行预处理,确定染病部位;以及
对染病部位的图像进行处理,确定病斑种类及对应的防治措施。
8.根据权利要求7所述的马铃薯病害诊断方法,其特征在于,所述进行预处理的方法包括:
对所述病害图像依次进行灰度化、阈值分割、二值化处理背景分离操作,获取马铃薯的染病区域图像;
根据所述染病区域图像,分别提取染病区域特征值,其中,所述染病区域特征值包括彩色特征和形状特征的特征值;以及
分类计算所述染病区域的彩色和形状特征的特征值,确定染病部位。
9.根据权利要求7所述的马铃薯病害诊断方法,其特征在于,所述确定病斑种类的方法包括:
对染病部位的图像进行灰度化处理、高斯滤波,根据处理后的染病部位的图像计算图像梯度幅值矩阵,以及根据图像梯度幅值矩阵确定病斑区域;
根据所述病斑区域,提取病斑特征值,其中,所述病斑特征值包括病斑区域的彩色特征、形状特征以及纹理特征的特征值;
通过病害识别分类模块分别根据所述病斑特征值确定对应的病害分类结果;以及
根据各所述病害识别分类器的权重因子以及确定的病害分类结果投票确定病害种类。
10.根据权利要求9所述的马铃薯病害诊断方法,其特征在于,所述诊断方法还包括:
根据所述病害种类修正各所述病害识别分类器的权重因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510852523.3A CN105320970B (zh) | 2015-11-25 | 2015-11-25 | 一种马铃薯病害诊断装置、诊断系统及诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510852523.3A CN105320970B (zh) | 2015-11-25 | 2015-11-25 | 一种马铃薯病害诊断装置、诊断系统及诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105320970A true CN105320970A (zh) | 2016-02-10 |
CN105320970B CN105320970B (zh) | 2019-04-02 |
Family
ID=55248324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510852523.3A Active CN105320970B (zh) | 2015-11-25 | 2015-11-25 | 一种马铃薯病害诊断装置、诊断系统及诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105320970B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355615A (zh) * | 2016-08-31 | 2017-01-25 | 惠州学院 | 一种基于hog与svm的马铃薯定位方法 |
CN109344738A (zh) * | 2018-09-12 | 2019-02-15 | 杭州睿琪软件有限公司 | 农作物病虫草害识别方法及装置 |
CN109801275A (zh) * | 2019-01-11 | 2019-05-24 | 北京邮电大学 | 基于图像识别的马铃薯病害检测方法和系统 |
CN111797781A (zh) * | 2020-07-08 | 2020-10-20 | 广西大学 | 一种基于图像识别与bp神经网络的病虫害识别系统 |
CN112699805A (zh) * | 2020-12-31 | 2021-04-23 | 上海市崇明区蔬菜科学技术推广站 | 蔬菜病虫害防治智能识别系统 |
CN112749766A (zh) * | 2021-02-02 | 2021-05-04 | 上海第二工业大学 | 一种双孢蘑菇褐斑病的识别与分类方法 |
CN115170542A (zh) * | 2022-07-26 | 2022-10-11 | 中国农业科学院农业信息研究所 | 一种基于glcm特征提取的马铃薯早晚疫病分类模型构建方法 |
CN117953491A (zh) * | 2024-03-27 | 2024-04-30 | 泰安市农业科学院(山东省农业科学院泰安市分院) | 一种叶类蔬菜病害诊断方法及系统 |
-
2015
- 2015-11-25 CN CN201510852523.3A patent/CN105320970B/zh active Active
Non-Patent Citations (3)
Title |
---|
濮永仙 等: ""基于双编码遗传算法的支持向量机作物病害图像识别方法"", 《贵州农业科学》 * |
胡根生 等: ""基于加权支持向量数据描述的遥感图像病害松树识别"", 《农业机械学报》 * |
许良凤 等: ""基于多分类器融合的玉米叶部病害识别"", 《农业工程学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355615A (zh) * | 2016-08-31 | 2017-01-25 | 惠州学院 | 一种基于hog与svm的马铃薯定位方法 |
CN109344738A (zh) * | 2018-09-12 | 2019-02-15 | 杭州睿琪软件有限公司 | 农作物病虫草害识别方法及装置 |
CN109801275A (zh) * | 2019-01-11 | 2019-05-24 | 北京邮电大学 | 基于图像识别的马铃薯病害检测方法和系统 |
CN109801275B (zh) * | 2019-01-11 | 2021-09-10 | 北京邮电大学 | 基于图像识别的马铃薯病害检测方法和系统 |
CN111797781A (zh) * | 2020-07-08 | 2020-10-20 | 广西大学 | 一种基于图像识别与bp神经网络的病虫害识别系统 |
CN112699805A (zh) * | 2020-12-31 | 2021-04-23 | 上海市崇明区蔬菜科学技术推广站 | 蔬菜病虫害防治智能识别系统 |
CN112749766A (zh) * | 2021-02-02 | 2021-05-04 | 上海第二工业大学 | 一种双孢蘑菇褐斑病的识别与分类方法 |
CN112749766B (zh) * | 2021-02-02 | 2024-07-02 | 上海第二工业大学 | 一种双孢蘑菇褐斑病的识别与分类方法 |
CN115170542A (zh) * | 2022-07-26 | 2022-10-11 | 中国农业科学院农业信息研究所 | 一种基于glcm特征提取的马铃薯早晚疫病分类模型构建方法 |
CN115170542B (zh) * | 2022-07-26 | 2023-02-28 | 中国农业科学院农业信息研究所 | 一种基于glcm特征提取的马铃薯早晚疫病分类模型构建方法 |
CN117953491A (zh) * | 2024-03-27 | 2024-04-30 | 泰安市农业科学院(山东省农业科学院泰安市分院) | 一种叶类蔬菜病害诊断方法及系统 |
CN117953491B (zh) * | 2024-03-27 | 2024-06-04 | 泰安市农业科学院(山东省农业科学院泰安市分院) | 一种叶类蔬菜病害诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105320970B (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
CN109271991B (zh) | 一种基于深度学习的车牌检测方法 | |
Yun et al. | PNN based crop disease recognition with leaf image features and meteorological data | |
EP2681715B1 (en) | Method and software for analysing microbial growth | |
Sadeghi-Tehran et al. | Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping | |
Agrawal et al. | Grape leaf disease detection and classification using multi-class support vector machine | |
CN104598908A (zh) | 一种农作物叶部病害识别方法 | |
Renugambal et al. | Application of image processing techniques in plant disease recognition | |
CN106951899A (zh) | 基于图像识别的异常检测方法 | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
Niu et al. | Image segmentation algorithm for disease detection of wheat leaves | |
Safdar et al. | Intelligent microscopic approach for identification and recognition of citrus deformities | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
Galsgaard et al. | Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement | |
CN103246894A (zh) | 一种解决光照不敏感问题的地基云图识别方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN110503140A (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
Sivaranjani et al. | Real-time identification of medicinal plants using machine learning techniques | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
Wu et al. | Automatic kernel counting on maize ear using RGB images | |
CN113989536A (zh) | 一种基于布谷鸟搜索算法的番茄病害识别方法 | |
CN104732246B (zh) | 一种半监督协同训练高光谱图像分类方法 |
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 |