CN105844610B - 基于机器视觉的植物叶片锈斑自动检测系统及方法 - Google Patents

基于机器视觉的植物叶片锈斑自动检测系统及方法 Download PDF

Info

Publication number
CN105844610B
CN105844610B CN201610045839.6A CN201610045839A CN105844610B CN 105844610 B CN105844610 B CN 105844610B CN 201610045839 A CN201610045839 A CN 201610045839A CN 105844610 B CN105844610 B CN 105844610B
Authority
CN
China
Prior art keywords
blade
target
image
leaf
heterochromatic
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.)
Active
Application number
CN201610045839.6A
Other languages
English (en)
Other versions
CN105844610A (zh
Inventor
黄智勇
仲元红
陈茂建
李艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Buwei Technology Co Ltd
Original Assignee
Chongqing Buwei Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Buwei Technology Co Ltd filed Critical Chongqing Buwei Technology Co Ltd
Priority to CN201610045839.6A priority Critical patent/CN105844610B/zh
Publication of CN105844610A publication Critical patent/CN105844610A/zh
Application granted granted Critical
Publication of CN105844610B publication Critical patent/CN105844610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30181Earth observation
    • G06T2207/30188Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (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机器视觉的植物叶片锈斑自动检测系统及方法,该系统包括处理器、存储器、摄像头、服务器,所述处理器用于接收服务器下发的指令,进行参数设置,所述处理器用于控制摄像头定点采集植物叶片图像,摄像头用于将采集的植物叶片图像发送给处理器,所述处理器用于接收植物叶片图像,进行锈斑检测,并通过无线通信模块发送报警信息给服务器,所述存储器用于存储图像数据。该系统对花椒树进行定点监测处理,如产生“锈斑”,及时将情况上报,减少工作人员的工作强度。

Description

基于机器视觉的植物叶片锈斑自动检测系统及方法
技术领域
本发明涉及病虫害监控领域,特别是涉及一种基于机器视觉的植物叶片锈斑自动检测系统及方法。
背景技术
花椒树容易产生“锈斑”病虫害,如不及时处理,可能会产生较大危害。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于机器视觉的植物叶片锈斑自动检测系统及方法,该系统配合该方法对花椒树进行定点监测处理,如产生“锈斑”,及时将情况上报,减少工作人员的工作强度。
本发明的目的是这样实现的:一种基于机器视觉的植物叶片锈斑自动检测方法,采用了如下系统,该系统包括摄像头、处理器,采用该系统进行植物叶片锈斑自动检测的步骤包括:
1)安装好系统硬件后,进行系统初始化;
2)处理器接收摄像头定点采集到的叶片图像,并对叶片图像进行预处理,然后,判断是否已经确认分析目标;
21)若没有确认分析目标,则对叶片图像进行视觉显著性分析,然后根据显著性分析结果并结合叶片基本特征进行目标叶片确认、定位并进行图像存储,从而找到并确认叶片图像中要分析的目标叶片,在确认要分析的目标叶片及位置后,提取当前要分析的目标叶片的特征点并存储,进行步骤3);
22)若已经确认分析目标,则采用特征点匹配搜索叶片图像中的目标叶片,若搜索到叶片图像中的目标叶片,则进行步骤3);当没有搜索到叶片图像中的目标叶片,则返回进行步骤21),进行分析目标的确认;
3)对目标叶片进行分割,当分割出叶片图像中的目标叶片后,检测目标叶片中是否含有异色斑点,若不含有异色斑点,则返回进行步骤2),若含有异色斑点,则将目标叶片的绿色区域和异色斑点区域分割开来,计算出异色斑点区域在整个目标叶片中所占的面积比例;
4)分析异色斑点区域变化情况,判断异色斑点是否由病变引起,若异色斑点由病变引起,则根据设定的参数进行报警,否则,返回进行步骤2)。
步骤2)中的图像的预处理包括去除噪声和灰度均匀处理。
步骤1)中采用基于频域的方法对图像进行平滑滤波,去除噪声。
步骤1)中灰度均匀处理步骤包括:首先对图像进行灰度映射,然后对图像进行形态学处理,获取灰度变化均匀的叶片图像。
步骤22)的特征点匹配采用sift算法。
步骤22)的特征点匹配中采用RANSAC算法剔除误匹配点。
步骤3)中采用基于颜色的区域分割方法将目标叶片的绿色区域和异色斑点区域分割开来。
步骤3)中区域分割方法采用区域生长方法。
步骤3)中区域分割方法采用区域分离合并方法。
一种基于机器视觉的植物叶片锈斑自动检测系统,包括处理器、存储器、摄像头、服务器,所述处理器用于接收服务器下发的指令,进行参数设置,所述处理器用于控制摄像头定点采集植物叶片图像,摄像头用于将采集的植物叶片图像发送给处理器,所述处理器用于接收植物叶片图像,进行锈斑检测,并通过无线通信模块发送报警信息给服务器,所述存储器用于存储图像数据。
所述处理器设有RS232接口或/和USB接口。
本发明的有益效果为:本发明的基于机器视觉的植物叶片锈斑自动检测方法,采用了基于机器视觉的方式,对花椒树进行定点监测处理,如产生“锈斑”,及时将情况上报,减少工作人员的工作强度。且服务器可以对处理器的各参数进行配置,如图像处理时间间隔、图像分辨率以及报警阈值等,处理器可以发送图像数据、分析数据以及报警信息等给服务器,实现花椒树的远程监控。
下面结合附图和具体实施方式对本发明作进一步说明。
附图说明
图1为本发明的基于机器视觉的植物叶片锈斑自动检测系统的原理框图;
图2为本发明的基于机器视觉的植物叶片锈斑自动检测方法的流程图;
图3为SIFT特征点描述;
图4为区域分离/区域聚合;
图5为仿真中用到的第一种叶片图像;
图6为仿真中用到的第一种分割后的叶片图像;
图7为仿真中用到的第二种分割后的叶片图像;
图8为仿真中用到的第三种分割后的叶片图像。
具体实施方式
参见图1,一种基于机器视觉的植物叶片锈斑自动检测方法,采用了如下系统,该系统包括处理器、存储器、摄像头、服务器,所述处理器用于接收服务器下发的指令,进行参数设置,所述处理器用于控制摄像头定点采集植物叶片图像,摄像头用于将采集的植物叶片图像发送给处理器,所述处理器用于接收植物叶片图像,进行锈斑检测,并通过无线通信模块发送报警信息给服务器,所述存储器用于存储图像数据。所述处理器设有RS232接口或/和USB接口。处理器具有图像处理功能和告警功能。
由于系统对实时性能要求不高,所以系统采用低成本的ARM芯片作为系统的主处理器。ARM控制CMOS摄像头采集到图像数据之后,将数据送给ARM,由于图像数据较大,所以将完整的图片存于SDRAM中便于后续处理,在采集完整一张图片后,运行相关检测算法。在需要发送预警信息时,ARM通过GPRS模块向外界发送远程通知。同时为了便于安装调试,系统设计了相关接口可以将图像等信息传送到PC端。整个系统成本低廉,体积小巧。
参见图2,采用上述系统进行植物叶片锈斑自动检测的步骤包括:
1)安装好系统硬件后,开机,进行系统初始化(包含默认参数初始化、系统硬件等初始化)。
由于花椒基地属于背景复杂的情况,为了能够准确的检测花椒叶锈斑,需要尽量简化背景,方便后续的识别。因此,摄像头安装的位置是考虑的一个重要因素。首先,摄像头尽量安装在叶片较少、重叠少,相对空旷的地方;其次,摄像头的角度要合适,地面背景容易出现落叶等其他因素的影响,天空背景如果光照很强容易出现曝光情况,都不利于后续的处理,因此要避免镜头朝向地面或者天空两个极端,尽量选择与目标检测花椒叶正对或者有很小角度的方向,且目标处于中心位置。
2)处理器接收摄像头定点采集到的叶片图像,并对叶片图像进行预处理,然后,判断是否已经确认分析目标。
21)若没有确认分析目标,则对叶片图像进行视觉显著性分析,然后根据显著性分数高低并结合叶片基本特征(如绿色)进行目标叶片确认、定位并进行图像存储,从而找到并确认叶片图像中要分析的目标叶片,在确认要分析的目标叶片及位置后,提取当前要分析的目标叶片的特征点并存储,进行步骤3);
22)若已经确认分析目标,则采用特征点匹配搜索叶片图像中的目标叶片,若搜索到叶片图像中的目标叶片,则进行步骤3);当没有搜索到叶片图像中的目标叶片,则返回进行步骤21),进行分析目标的确认。步骤22)的特征点匹配采用sift算法。特征点匹配中采用RANSAC算法剔除误匹配点。
对于当前图像,由于其他因素造成叶子位置变化。对当前图像进行特征点检测。将存储的特征点和当前的特征点进行匹配,得出这两张图片的坐标映射关系。然后利用坐标映射矩阵,求出当前图像中叶子区域的范围,以实现当前图像目标叶片的定位。
1)特征提取
本实施例特征点检测采用sift算法。sift特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性。独特性好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配。多量性,即使少数的几个物体也可以产生大量sift特征向量。经过优化的sift算法可满足一定的速度需求。可扩展性,可以很方便的与其他形式的特征向量进行联合。
Sift算法流程:
A.检测尺度空间极值
尺度空间理论的主要思想是利用高斯核对原始图像进行尺度变换,获得图像多尺度下的尺度空间表示序列,再对这些序列进行尺度空间特征提取。
对于二维图像I(x,y),在不同尺度下的尺度空间表示L(x,y,σ)可由图像I(x,y)与高斯核的卷积得到:
L(x,y,σ)=G(x,y,σ)*I(x,y) (1)
为了提高在尺度空间检测稳定特征点的效率,Lowe(1998)提出了利用高斯差值(Difference of Gaussian,DoG)方程同图像的卷积求取尺度空间极值,用D(x,y,σ)表示,即用固定的系数k相乘的相邻的两个尺度的差值计算:
在实际的尺度不变特征点提取中,首先是构造高斯金字塔。在高斯金字塔中每一组内相邻的高斯图像相减,就得到了高斯差分图像,即DoG图像。对DoG尺度空间每个点与相邻尺度和相邻位置的点逐个进行比较,得到的局部极值位置即为特征点所处的位置和对应的尺度。
为了寻找尺度空间的极值点,DoG尺度空间中中间层的每个像素点都需要跟同一层的相邻8个像素点以及它上一层和下一层的9个相邻像素点总共26个相邻像素点进行比较,以确保在尺度空间和二维图像空间都检测到局部极值,如果该点的像素比相邻26个像素的DoG值都大或都小,则该点将作为一个局部极值点,记下它的位置和对应尺度。
B.精确定位特征点的位置
由于DoG值对噪声和边缘较敏感,对上一步中检测到的极值点进行三维二次函数拟和以精确确定特征点的位置和尺度。使用Taylor极数将尺度空间方程D(x,y,σ)展开:
分别对图像的行、列以及尺度三个量进行修正。在精确定位特征点的位置之后,再除去低对比度的点和不稳定的边缘相应点。
C.确定特征点的主方向
利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数,从而使算子具备旋转不变性。点(x,y)处的梯度值和方向分别为:
在以特征点为中心的邻域窗口内采样,并用梯度方向直方图来统计邻域像素的梯度方向。梯度直方图的范围是0°~360°,其中每10°一个柱,总共36个柱。梯度方向直方图的峰值则代表了该特征点处邻域梯度的主方向,即作为该特征点的主方向。在梯度方向直方图中,当存在另一个相当于主峰值80%能量的峰值时,则将这个方向认为是该特征点的辅方向。一个特征点可能会被指定具有多个方向(一个主方向,一个以上辅方向),这可以增强匹配的鲁棒性。
D.生成sift特征描述符
首先将坐标轴旋转为特征点的方向,以保证旋转不变性;接下来以特征点为中心取8×8的窗口(特征点所在的行和列不取)。在图3(a)中,中央黑点为当前特征点的位置,每个小格代表特征点邻域所在尺度空间的一个像素,箭头方向代表该像素的梯度方向,箭头长度代表梯度模值,图中圈内代表高斯加权的范围(越靠近特征点的像素,梯度方向信息贡献越大)。然后在每4×4的图像小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,形成一个种子点,如图3(b)所示。此图中一个特征点由2×2共4个种子点组成,每个种子点有8个方向向量信息,可产生2×2×8共32个数据,形成32维的SIFT特征向量即特征描述符,所需的图像数据块为8×8。这种邻域方向性信息联合的思想增强了算法抗噪声的能力,同时对于含有定位误差的特征匹配也提供了较好的容错性。
实际计算过程中,为了增强匹配的稳健性,Lowe建议对每个特征点使用4×4共16个种子点来描述,每个种子点有8个方向向量信息,这样对于一个特征点就可以产生4×4×8共128个数据,最终形成128维的sift特征向量即特征描述符,所需的图像数据块是16×16。此时,sift特征向量已去除了尺度变化、旋转等几何变形因素的影响,再继续将特征向量的长度归一化,则可以进一步去除光照变化的影响。
2)图像变换关系求解
图像间的变换关系可以用如下平面透视变换来表示。
该透视变换是刚体及仿射变换的超集,能够完整描述相邻图像间的变换关系。为了恢复H中的8个参数,需要4对匹配点来求解。
我们使用RANSAC方法来寻找两幅图像间最佳的4对匹配点,得到相应的矩阵,并剔除误配点。前面自动提取和匹配得到的初始匹配特征点对集合中难免存在误配点,此外特征点在提取时也存在一定的精度误差,因此需要一种容错能力很强的算法来过滤初始匹配特征点对集合,其具体内容可描述如下:
给定N个数据点组成的数据集合P,假设这N个数据点中的绝大部分是由一个参数未知的特定模型产生,而该模型至少需要n个数据点来求解,且N>n则可以通过下面的迭代过程求解该模型的参数。
将以下步骤运行k次:
(1)从P中随机选取n个数据点的子集S。
(2)由选取的这n个数据点计算出一个模型M。
(3)对数据集合中其余的N-n个数据点,计算它们与模型M之间的距离,
记录P中在M的某个误差允许范围内的数据点的个数c。
迭代(1)~(3)步骤k次后,对应最大c值的模型即为所求,数据集合P中的这c个数据即为内点,其余的N-c个数据即为外点。
此方法充分的利用了所有的测量数据,并根据阈值将其分成了内点和外点,利用比较准确的内点数据来进行参数估计,而将不准确的外点数据剔除,因此,得到的是一种优化的结果。
3)对目标叶片进行分割,当分割出叶片图像中的目标叶片后,检测目标叶片中是否含有异色斑点,若不含有异色斑点,则返回进行步骤2),若含有异色斑点,则采用区域分割方法将目标叶片的绿色区域和异色斑点区域分割开来,计算出异色斑点区域在整个目标叶片中所占的面积比例;
本步骤对目标叶片进行分割时采用了复杂图像分割的综合算法。首先对图像进行预处理,锁定大致目标范围,对图像进行增强,再基于阈值分割和Canny算子对图像进行初步分割。然后结合形态学处理方法及各种逻辑运算对分割结果进行优化处理,得到精确完整的目标图像。该算法对叶片重叠、叶片灰度不均匀等复杂图像都有很好的分割效果,获得了边缘清晰、平滑、定位精确的边缘图像。
图像预处理步骤:
A、由于基地采集的图像受到光线条件等因素的影响,伴随有噪声,必须对图像进行图像增强。首先,采用基于频域的方法对图像进行平滑滤波,与其它方法相比,该方法运算速度快,适用范围广。增强后的图像记为I1
B、由于许多叶片自身表面的褶皱、凹凸较为明显,再加上倾斜、光照等因素,使得叶片灰度不均匀,局部会出现一些过亮或者过暗的情况,导致阈值分割错分或边缘检测时不必要的边缘线。因此需要对其进行灰度均匀处理。首先对平滑去噪后的图像I1进行灰度映射,假设图像有L个灰度级,原灰度为s,变换后的灰度为t,相应的函数为t=E(s),该映射可以使背景区域更暗,使容易被误分的叶片凹陷区域相对变亮。为进一步增强对比度,使目标区域灰度变均匀,对图像进行以下形态学处理。
开启操作。先用结构元函数对输入图像进行腐蚀,腐蚀结果再被结构元函数膨胀。通过开启操作来去除图像中小于结构元尺寸的亮点,同时保留所有的灰度和较大的亮区域特征不变。
闭合操作。该操作先用结构元函数对输入图像进行膨胀,再用结构元函数对膨胀结果进行腐蚀。闭合操作用来去除图像中小于结构元尺寸的暗点,同时保留原来较大的亮度区域特征。
形态学重建,获取灰度变化均匀的叶片图像。
以上处理可使叶片表面灰度不均匀的情况得到较好的改善,并且有效滤除了图像中的噪声,使目标区域内部变化过渡较为平缓,改善阈值分割的效果。将至此处理完的子图记为I2
叶片分割具体步骤为:
1)图像初步分割
A、自动阈值分割。选用最大类间方差法(Otsu法)自动选取阈值,因该方法是在灰度直方图的基础上用最小二乘法原理推导出来的,具有统计意义上的最佳分割阈值。对于目标区域灰度均匀的图像,在图I1的基础上进行阈值分割,可避免由于形态学操作造成的误差。对于目标区域灰度不均匀的图像,在图I2的基础上进行阈值分割。分割后的图像记为I3
B、基于梯度图的边缘检测。由于Canny边缘检测法利用高斯函数的一阶微分,它能在噪声抑制和边缘检测之间取得较好的平衡,提取的叶片边缘最为完整,而且边缘的连续性较好。在图I1的基础上用Canny算子进行边缘检测,分割后的图像记为I4
以上阈值分割方法可以获取目标区域信息,而Canny算子可以获取目标区域的边界信息。
2)图像的精确分割
自动阈值分割后的图I3(二值图)和Canny算子分割后的图I4(二值图)都未将目标区域完整地分割出来。I3中,目标区域和其他区域有大量的粘连,获得的区域边界也不准确。I4中,存在大量的非目标区域边界曲线,且目标区域边界曲线既不封闭,也不连续,无法判断哪些是目标区域边界曲线。
A、对I3和I4进行异或操作得到I5,使得I3中某些和目标区域粘连的部分局部割断。
B、对I5进行腐蚀操作,得到I6,由于检测的目标叶片为椭圆,所以选择圆形结构元。腐蚀后可以使粘连部分进一步断开。
C、对I6进行填洞操作,得到I7。这些孔洞有些是因为I4图中目标区域内存在大量的伪边缘,经过步骤A运算造成或者来自I3自身存在的。
D、对I7进行腐蚀,得到I8,也是采用圆形结构元,使I7中的目标区域和背景粘连部分彻底断开。
E、标记I8的连通区域,统计各连通区域的面积,对其进行排序,保留面积较大的几个区域作为目标区域,令其中一个目标区域为I9
F、对目标区域I9进行膨胀得到I10,对I10进行腐蚀得到I11
G、对处理后的目标区域I11求反,再与I4进行逻辑与运算得到I12,I12为去掉目标内部的伪边缘的边缘检测图。
H、将I10和I12进行逻辑与运算,得到I13,I13为目标内部、外部伪边缘均被去除的边缘检测图。
I、对I13进行封闭操作,形成连续、封闭的目标边缘图像I14
经过以上步骤,可以得到完整、封闭、光滑、定位准确的目标边界曲线I14图像。
异色斑点检测
病变的叶面将会出现黄褐色的斑点甚至孔洞,有其他污染物附着时叶面也会出现异色斑点,这些异常斑点的颜色将明显区别于叶面绿色区域。因此检测异色斑点可以采用基于颜色的区域分割方法将叶面的绿色区域和斑点部分区域分割开来,从而分割出斑点区域。可采用的区域分割方式有如下两种:
A、区域生长方式
区域生长是一种根据事先定义的准则将像素或子区域聚合成更大区域的过程。基本方法是以一组“种子”点开始,将于种子性质相似(如:灰度级、颜色的特定范围)的相邻像素附加到生长区域的每个种子上。
这里,我们将选择目标叶面的某几个典型的绿色区域的像素点为种子,设置准则为像素点的色调为及其接近绿色的范围值。在这样的前提下目标叶面区域将增长出绿色的正常区域。用整个目标叶面区域减去生长得来的正常绿色区域便能得出颜色异常的各个斑点区域。
B、区域分离与合并方式
区域分离合并的方法是在开始时将图像分割为一系列任意不想交的区域,然后将具有相同性质的各个子区域进行聚合从而将性质各异的各个区域分割开。
这里,我们设定相邻区域具有相同性质的条件为相邻区域的边界像素的色调值之差为一个很小范围的值。假设目标叶面为R,对R进行分割的方法是反复将4等分R得到的结果图像再次划分为4个区域,直到得到的任何区域如果再次进行4区域划分得到的子区域将满足具有相同性质的条件。举例说明如下:图4,为区域分离,若分离后R1、R2、R3、R41满足具有相同性质条件,其他三个子区域也满足具有相同性质条件则该几个区域将被合并为一个如图4所示。
将整个目标叶面区域划分彻底后考察相邻区域间是否满足设定的具有相同性质的条件,若满足则将这样的相邻区域合并到一起,从而生成绿色区域和异色斑点区域。用整个目标叶面区域减去聚合得来的正常绿色区域便能得出颜色异常的各个斑点区域。
4)分析异色斑点区域变化情况,判断异色斑点是否由病变引起,若异色斑点由病变引起,则根据设定的参数进行报警,否则,返回进行步骤2)。
分析异色斑点区域变化情况需要将从前后两帧图像中提取出的各个斑点区域的大小(像素点的个数)进行逐一比较并计算出变化量。斑点变化量的计算主要用于确定斑点区域是由异物附着引起情况(如:泥浆附着)还是由病变引起。当经过较长时间的比较后发现某斑点区域并没有增长则说明该斑点并不是由于病变引起,只有当发现斑点在逐渐增长后才能确定斑点为病变引起的斑点从而根据设定的参数进行预警,本实施例,当病斑面积达到设定病斑面积阈值时,才发出预警。服务器可以对处理器中的参数进行配置,如配置是否发送分析图片,配置发出预警的病斑面积阈值等。
系统分析病斑流程如下:
首先需要检测是否有分析目标(比如拍摄图片中没有叶片,或者叶片太多,究竟是以那几张叶片作为分析对象),所以第一张图拍摄后,因为没有分析目标,进入到视觉显著性分析(专业技术词汇,但是是通用的,具体有很多方法),然后根据显著性分数高低并结合叶片基本特征(如绿色)进行目标叶片确认、定位并进行图片存储从而找到并确认要分析的目标叶片。在确认分析的叶片及位置后,用SIFT算子(其他特征算子也可以)提取当前分析叶片的特征点并存储。之后对目标叶片分割,并分析病斑是否出现及其所占叶片面积比例。最后根据服务器的参数设置进行相应处理(如服务器可以配置是否发送分析图片,配置发出预警的病斑面积阈值等)。如果已经有分析目标(第二张拍摄图,及其后续的拍摄图,拍摄处理图片的间隔可由服务器设置),那么首先寻找分析目标是否还在(比如风吹把叶片吹到不能拍摄的位置、比如叶片自然掉落,寻找方法是特征点匹配),如果分析目标不在,则跳转到显著性分析进行目标确认。如果目标还在,有可能因为风吹造成图片比例不对,对其进行校正后做叶片分割,然后做病斑变化情况分析,然后与上次检测比例进行比较,根据服务器配置做相应处理操作。
仿真实验:
本次仿真中用到的一种图片如下图5所示,设置白色背景,得到的图片如下图6所示。进一步运用算法得到分割后的图片,如图6所示,最后计算病斑区域在整个叶片中所占的面积比例为:15.04%。以下是其他叶片的结果:如图7所示,叶片2,病斑区域在整个叶片中所占的面积比例为:15.48%。如图8所示,叶片3,病斑区域在整个叶片中所占的面积比例为:6.05%。
本发明不仅仅局限于上述实施例,在不背离本发明技术方案原则精神的情况下进行些许改动的技术方案,应落入本发明的保护范围。

Claims (9)

1.一种基于机器视觉的植物叶片锈斑自动检测方法,其特征在于,采用了如下系统,该系统包括摄像头、处理器,采用该系统进行植物叶片锈斑自动检测的步骤包括:
1)安装好系统硬件后,进行系统初始化;
2)处理器接收摄像头定点采集到的叶片图像,并对叶片图像进行预处理,然后,判断是否已经确认分析目标;
21)若没有确认分析目标,则对叶片图像进行视觉显著性分析,然后根据显著性分析结果并结合叶片基本特征进行目标叶片确认、定位并进行图像存储,从而找到并确认叶片图像中要分析的目标叶片,在确认要分析的目标叶片及位置后,提取当前要分析的目标叶片的特征点并存储,进行步骤3);
22)若已经确认分析目标,则采用特征点匹配搜索叶片图像中的目标叶片,若搜索到叶片图像中的目标叶片,则进行步骤3);当没有搜索到叶片图像中的目标叶片,则返回进行步骤21),进行分析目标的确认;
3)对目标叶片进行分割,当分割出叶片图像中的目标叶片后,检测目标叶片中是否含有异色斑点,若不含有异色斑点,则返回进行步骤2),若含有异色斑点,则将目标叶片的绿色区域和异色斑点区域分割开来,计算出异色斑点区域在整个目标叶片中所占的面积比例;
4)分析异色斑点区域变化情况,判断异色斑点是否由病变引起,若异色斑点由病变引起,则根据设定的参数进行报警,否则,返回进行步骤2)。
2.根据权利要求1所述的植物叶片锈斑自动检测方法,其特征在于:步骤2)中的图像的预处理包括去除噪声和灰度均匀处理。
3.根据权利要求2所述的植物叶片锈斑自动检测方法,其特征在于:步骤2)中采用基于频域的方法对图像进行平滑滤波,去除噪声。
4.根据权利要求2所述的植物叶片锈斑自动检测方法,其特征在于:步骤2)中灰度均匀处理步骤包括:首先对图像进行灰度映射,然后对图像进行形态学处理,获取灰度变化均匀的叶片图像。
5.根据权利要求1所述的植物叶片锈斑自动检测方法,其特征在于:步骤22)的特征点匹配采用sift算法。
6.根据权利要求1或5所述的植物叶片锈斑自动检测方法,其特征在于:步骤22)的特征点匹配中采用RANSAC算法剔除误匹配点。
7.根据权利要求1所述的植物叶片锈斑自动检测方法,其特征在于:步骤3)中采用基于颜色的区域分割方法将目标叶片的绿色区域和异色斑点区域分割开来。
8.一种基于机器视觉的植物叶片锈斑自动检测系统,其特征在于:包括处理器、存储器、摄像头、服务器,所述处理器用于接收服务器下发的指令,进行参数设置,所述处理器用于控制摄像头定点采集植物叶片图像,摄像头用于将采集的植物叶片图像发送给处理器,所述处理器用于接收植物叶片图像,并对叶片图像进行预处理,然后,判断是否已经确认分析目标;若没有确认分析目标,则对叶片图像进行视觉显著性分析,然后根据显著性分析结果并结合叶片基本特征进行目标叶片确认、定位并进行图像存储,从而找到并确认叶片图像中要分析的目标叶片,在确认要分析的目标叶片及位置后,提取当前要分析的目标叶片的特征点并存储,然后对目标叶片进行分割;若已经确认分析目标,则采用特征点匹配搜索叶片图像中的目标叶片,然后对搜索到的叶片图像中的目标叶片进行分割;处理器对目标叶片进行分割时,当分割出叶片图像中的目标叶片后,检测目标叶片中是否含有异色斑点,若含有异色斑点,则将目标叶片的绿色区域和异色斑点区域分割开来,计算出异色斑点区域在整个目标叶片中所占的面积比例;然后分析异色斑点区域变化情况,判断异色斑点是否由病变引起,当发现异色斑点在逐渐增长后确定异色斑点为病变引起的斑点,然后根据设定的参数进行报警;并通过无线通信模块发送报警信息给服务器,所述存储器用于存储图像数据。
9.根据权利要求8所述的植物叶片锈斑自动检测系统,其特征在于:所述处理器设有RS232接口或/和USB接口。
CN201610045839.6A 2016-01-23 2016-01-23 基于机器视觉的植物叶片锈斑自动检测系统及方法 Active CN105844610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610045839.6A CN105844610B (zh) 2016-01-23 2016-01-23 基于机器视觉的植物叶片锈斑自动检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610045839.6A CN105844610B (zh) 2016-01-23 2016-01-23 基于机器视觉的植物叶片锈斑自动检测系统及方法

Publications (2)

Publication Number Publication Date
CN105844610A CN105844610A (zh) 2016-08-10
CN105844610B true CN105844610B (zh) 2018-08-21

Family

ID=56580533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610045839.6A Active CN105844610B (zh) 2016-01-23 2016-01-23 基于机器视觉的植物叶片锈斑自动检测系统及方法

Country Status (1)

Country Link
CN (1) CN105844610B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106688705A (zh) * 2017-01-13 2017-05-24 湖南理工学院 一种智能种植大棚及其采用的监测方法
CN106952300A (zh) * 2017-04-28 2017-07-14 深圳前海弘稼科技有限公司 基于图像识别植物病变的方法及系统、计算机设备
CN108830158A (zh) * 2018-05-16 2018-11-16 天津大学 手指轮廓和梯度分布相融合的静脉感兴趣区域提取方法
CN109255779A (zh) * 2018-08-17 2019-01-22 南京邮电大学 基于物联网的托管种植服务平台
CN110189332B (zh) * 2019-05-22 2021-03-02 中南民族大学 基于权重图设计的前列腺磁共振图像分割方法及系统
CN111406662B (zh) * 2020-03-12 2022-01-28 中国地质大学(武汉) 基于机器视觉的保育猪饲喂器料量自动检测系统及方法
CN113177911A (zh) * 2021-04-13 2021-07-27 沈阳大学 一种叶片无损评价植物臭氧敏感性的方法
CN113962994B (zh) * 2021-12-21 2022-03-15 武汉智能兴运铁路配件有限公司 基于图像处理的三连杆上锁销清洁度检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101902618A (zh) * 2010-06-11 2010-12-01 北京农业信息技术研究中心 作物病虫害信息诊断系统及方法
CN103064365A (zh) * 2012-12-11 2013-04-24 南京理工大学 农业综合信息远程无线监控与预警系统
CN103077529A (zh) * 2013-02-27 2013-05-01 电子科技大学 基于图像扫描的植物叶片特征分析系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101902618A (zh) * 2010-06-11 2010-12-01 北京农业信息技术研究中心 作物病虫害信息诊断系统及方法
CN103064365A (zh) * 2012-12-11 2013-04-24 南京理工大学 农业综合信息远程无线监控与预警系统
CN103077529A (zh) * 2013-02-27 2013-05-01 电子科技大学 基于图像扫描的植物叶片特征分析系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于物联网视觉的自动农业植物病斑远程识别;刘宝静;《科技通报》;20130430;第29卷(第4期);第86页左栏第1段-右栏第1段,第87页左栏最后一段 *
复杂背景下植物叶片图像分割算法及其应用研究;满庆奎;《中国优秀硕士学位论文全文数据库 信息科技辑》;20090915;正文全文 *
复杂背景下黄瓜病害叶片的分割方法研究;张芳 等;《浙江农业学报》;20140531;第26卷(第5期);第1346-1355页 *

Also Published As

Publication number Publication date
CN105844610A (zh) 2016-08-10

Similar Documents

Publication Publication Date Title
CN105844610B (zh) 基于机器视觉的植物叶片锈斑自动检测系统及方法
Brandtberg et al. Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis
CN110097093A (zh) 一种异源图像精确匹配方法
CN105139015B (zh) 一种遥感图像水体提取方法
CN109154978A (zh) 用于检测植物疾病的系统和方法
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
CN100373397C (zh) 一种虹膜图像预处理方法
Hassaan et al. Precision forestry: trees counting in urban areas using visible imagery based on an unmanned aerial vehicle
CN104778701A (zh) 一种基于rgb-d传感器的局部图像描述方法
CN106778742B (zh) 一种基于Gabor滤波器背景纹理抑制的车标检测方法
CN109978848A (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
Touati et al. A reliable mixed-norm-based multiresolution change detector in heterogeneous remote sensing images
JP2011113313A (ja) 姿勢推定装置
CN111199245A (zh) 油菜害虫识别方法
Liu et al. Multi-sensor image registration by combining local self-similarity matching and mutual information
CN110765993B (zh) 基于ai算法的sem图形量测方法
CN110232694B (zh) 一种红外偏振热像阈值分割方法
Liu et al. Keypoint matching by outlier pruning with consensus constraint
CN110516731A (zh) 一种基于深度学习的视觉里程计特征点检测方法及系统
CN109961012A (zh) 一种水下目标跟踪识别方法
Kovacs et al. Orientation based building outline extraction in aerial images
Zeng et al. Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding
US8005261B2 (en) Model-based object classification and target recognition
Herrera et al. Combining Support Vector Machines and simulated annealing for stereovision matching with fish eye lenses in forest environments
CN111104857A (zh) 一种基于步态能量图的身份识别方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Huang Zhiyong

Inventor after: Zhong Yuanhong

Inventor after: Chen Maojian

Inventor after: Li Yan

Inventor before: Huang Zhiyong

Inventor before: Zhong Yuanhong

Inventor before: Chen Maojian

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant