CN106650822A - 病虫害识别方法及装置 - Google Patents
病虫害识别方法及装置 Download PDFInfo
- Publication number
- CN106650822A CN106650822A CN201611259656.0A CN201611259656A CN106650822A CN 106650822 A CN106650822 A CN 106650822A CN 201611259656 A CN201611259656 A CN 201611259656A CN 106650822 A CN106650822 A CN 106650822A
- Authority
- CN
- China
- Prior art keywords
- pest
- disease damage
- worms
- small holes
- image data
- 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.)
- Pending
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Abstract
本发明提供了一种病虫害识别方法及装置。其中,一种病虫害识别方法,包括:采集病虫害图像,将病虫害图像转换成RGB图像数据;使用无监督聚类算法对RGB图像数据进行聚类分析,得到病虫害图像分类;对分类后的RGB图像数据进行虫眼统计,确定虫点数量;判断虫点数量是否大于预设虫点数量;当判断结果为是时,发出报警提示。通过本发明的技术方案,实现了有效识别农业病虫害并及时的提醒相关人员进行病虫害防治,避免由于病虫害导致的农业减产、农产品质量下降、经济损失等问题。
Description
技术领域
本发明涉及农业技术领域,具体而言,涉及一种病虫害识别方法,还涉及一种病虫害识别装置。
背景技术
在农业的可持续发展中,病虫害的识别与防治起到了非常重要的作用。农业病虫害对农业生产安全、人们身体健康及环境安全有着直接的影响,不仅能够导致农业减产,农产品质量下降,更会造成农民收入。然而,相关农业云技术中没有农业病虫害图像识别方案。
因此,如何提供一种有效的病虫害识别方法,成为目前亟待解决的技术问题。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个目的在于提出了一种病虫害识别方法。
本发明的另一个目的在于提出了一种病虫害识别装置。
有鉴于此,本发明提出了一种病虫害识别方法,包括:采集病虫害图像,将病虫害图像转换成RGB图像数据;使用无监督聚类算法对RGB图像数据进行聚类分析,得到病虫害图像分类;对分类后的RGB图像数据进行虫眼统计,确定虫点数量;判断虫点数量是否大于预设虫点数量;当判断结果为是时,发出报警提示。
根据本发明的病虫害识别方法,通过采集病虫害图像,优选的,通过摄像头拍摄粘虫板照片,并将照片解析成RGB格式(RGB格式为一种对颜色进行编码的方法,统称为“颜色空间”或“色域”)的像素数据,使用无监督聚类算法对这些像素数据进行聚类分析(聚类(Clustering)分析是无监 督式机器学习(unsupervised learning)的一个典型应用,也是探索性数据挖掘中的一种常用方法,简单地说就是把相似的东西分到一组),得到病虫害的分类,对分类后的数据进行虫眼统计,就能够确认这张图像上有多少虫点,当虫点的数量超过预设数值时,说明虫点较多,病虫害严重,发出报警提示。通过本发明的技术方案,有效识别农业病虫害并及时的提醒相关人员进行病虫害防治,避免由于病虫害导致的农业减产、农产品质量下降、经济损失等问题。
另外,根据本发明上述的病虫害识别方法,还可以具有如下附加的技术特征:
在上述技术方案中,优选地,使用无监督聚类算法对RGB图像数据进行聚类分析,得到病虫害图像分类的步骤,具体包括:对RGB图像数据进行无监督聚类学习,建立相似度模型;根据相似度模型,对RGB图像数据进行聚合分类。
在该技术方案中,将病虫害图像解析为RGB图像数据后,通过对无监督聚类算法进行训练学习,从而建立最佳相似度模型,根据相似度模型,对RGB图像数据进行聚合分类,得到带虫眼的数据组以及不带虫眼的数据组,并在分类的基础上通过对带虫眼数据的统计分析,准确确认虫点个数,从而有效识别病虫害图像。
在上述任一技术方案中,优选地,对分类后的RGB图像数据的进行虫眼统计,确定虫点数量的步骤,具体包括:统计虫眼的数量;计算虫眼的数量与预设阈值的比值,根据比值确定虫点数量;当比值为整数值时,将整数值作为虫点数量值;当比值为小数时,将小数进位取整,将取整后的整数值作为虫点数量值。
在该技术方案中,对分类后的RGB图像数据的进行虫眼统计,优选的,对带有虫眼的一组RGB图像数据进行统计,在得到虫眼数量的基础上,计算虫眼数量与预设阈值的比值,从而根据比值确定虫点的数量。当比值为整数时,将该整数值作为虫点数,当比值为小数时,将小数进位取整,将取整后的数值作为虫点数。举例来说,统计虫眼点的个数为35,预设阈值为10,那么可以判定这张图像上有4个虫点。
在上述任一技术方案中,优选地,预设阈值为10。
在该技术方案中,预设阈值为10,说明10个RGB虫眼数据构成一个虫点。本领域技术人员应该理解,预设阈值为10但不限于此,由于不同作物的种植收到多种因素的影响,如地域、季节、土壤条件、气候等,因而产生的病虫害也会大有不同,从而经过实测统计后的预设阈值也会相应变化。
在上述任一技术方案中,优选地,无监督聚类算法为K均值聚类。
在该技术方案中,K均值聚类(K-means clustering)是最典型的聚类算法(当然,除此之外,还有很多诸如属于划分法K-MEDOIDS算法、CLARANS算法;属于层次法的BIRCH算法、CURE算法、CHAMELEON算法等;基于密度的方法:DBSCAN算法、OPTICS算法、DENCLUE算法等;基于网格的方法:STING算法、CLIQUE算法、WAVE-CLUSTER算法;基于模型的方法等)。本领域技术人员应该理解,在使用无监督聚类算法进行聚类分析时,也可以选择K均值聚类以外的其它无监督聚类算法。
在上述任一技术方案中,优选地,病虫害图像分类包括:虫眼数据组和非虫眼数据组。
在该技术方案中,通过无监督聚类算法对病虫害图像进行聚类分析后,得到虫眼数据组和非虫眼数据组,从而只需对虫眼数据组进行统计,以确认虫点的个数,实现病虫害的有效识别。
本发明还提出一种病虫害识别装置,包括:图像采集与处理单元,用于采集病虫害图像,将病虫害图像转换成RGB图像数据;病虫害识别单元,用于使用无监督聚类算法对RGB图像数据进行聚类分析,得到病虫害图像分类;统计单元,用于对分类后的RGB图像数据进行虫眼统计,确定虫点数量;判断单元,用于判断虫点数量是否大于预设虫点数量;提醒单元,用于当判断结果为是时,发出报警提示。
根据本发明的病虫害识别装置,通过采集病虫害图像,优选的,通过摄像头拍摄粘虫板照片,并将照片解析成RGB格式(RGB格式为一种对颜色进行编码的方法,统称为“颜色空间”或“色域”)的像素数据,使用无监督聚类算法对这些像素数据进行聚类分析(聚类(Clustering)分析是无监 督式机器学习(unsupervised learning)的一个典型应用,也是探索性数据挖掘中的一种常用方法,简单地说就是把相似的东西分到一组),得到病虫害的分类,对分类后的数据进行虫眼统计,就能够确认这张图像上有多少虫点,当虫点的数量超过预设数值时,说明虫点较多,病虫害严重,发出报警提示。通过本发明的技术方案,有效识别农业病虫害并及时的提醒相关人员进行病虫害防治,避免由于病虫害导致的农业减产、农产品质量下降、经济损失等问题。
另外,根据本发明上述的病虫害识别装置,还可以具有如下附加的技术特征:
在上述技术方案中,优选地,病虫害识别单元使用无监督聚类算法对RGB图像数据进行聚类分析,得到病虫害图像分类的步骤,具体包括:建模单元,用于对RGB图像数据进行无监督聚类学习,建立相似度模型;分类单元,用于根据相似度模型,对RGB图像数据进行聚合分类。
在该技术方案中,将病虫害图像解析为RGB图像数据后,通过对无监督聚类算法进行训练学习,从而建立最佳相似度模型,根据相似度模型,对RGB图像数据进行聚合分类,得到带虫眼的数据组以及不带虫眼的数据组,并在分类的基础上通过对带虫眼数据的统计分析,准确确认虫点个数,从而有效识别病虫害图像。
在上述任一技术方案中,优选地,统计单元对分类后的RGB图像数据的进行虫眼统计,确定虫点数量的步骤,具体包括:计数单元,用于统计虫眼的数量;计算单元,用于计算虫眼的数量与预设阈值的比值,根据比值确定虫点数量;计算单元,具体用于当比值为整数值时,将整数值作为虫点数量值;计算单元,具体还用于当比值为小数时,将小数进位取整,将取整后的整数值作为虫点数量值。
在该技术方案中,对分类后的RGB图像数据的进行虫眼统计,优选的,对带有虫眼的一组RGB图像数据进行统计,在得到虫眼数量的基础上,计算虫眼数量与预设阈值的比值,从而根据比值确定虫点的数量。当比值为整数时,将该整数值作为虫点数,当比值为小数时,将小数进位取整,将取整后的数值作为虫点数。举例来说,统计虫眼点的个数为35,预设阈值 为10,那么可以判定这张图像上有4个虫点。
在上述任一技术方案中,优选地,预设阈值为10。
在该技术方案中,预设阈值为10,说明10个RGB虫眼数据构成一个虫点。本领域技术人员应该理解,预设阈值为10但不限于此,由于不同作物的种植收到多种因素的影响,如地域、季节、土壤条件、气候等,因而产生的病虫害也会大有不同,从而经过实测统计后的预设阈值也会相应变化。
在上述任一技术方案中,优选地,无监督聚类算法为K均值聚类。
在该技术方案中,K均值聚类(K-means clustering)是最典型的聚类算法(当然,除此之外,还有很多诸如属于划分法K-MEDOIDS算法、CLARANS算法;属于层次法的BIRCH算法、CURE算法、CHAMELEON算法等;基于密度的方法:DBSCAN算法、OPTICS算法、DENCLUE算法等;基于网格的方法:STING算法、CLIQUE算法、WAVE-CLUSTER算法;基于模型的方法等)。本领域技术人员应该理解,在使用无监督聚类算法进行聚类分析时,也可以选择K均值聚类以外的其它无监督聚类算法。
在上述任一技术方案中,优选地,病虫害图像分类包括:虫眼数据组和非虫眼数据组。
在该技术方案中,通过无监督聚类算法对病虫害图像进行聚类分析后,得到虫眼数据组和非虫眼数据组,从而只需对虫眼数据组进行统计,以确认虫点的个数,实现病虫害的有效识别。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了根据本发明一实施例的病虫害识别方法的流程示意图;
图2示出了根据本发明再一实施例的病虫害识别方法的流程示意图;
图3示出了根据本发明又一实施例的病虫害识别方法的流程示意图;
图4示出了根据本发明一实施例的病虫害识别装置的示意框图;
图5示出了根据本发明再一实施例的病虫害识别装置的示意框图;
图6示出了根据本发明又一实施例的病虫害识别装置的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,根据本发明的一个实施例的病虫害识别方法的流程示意图:
步骤102,采集病虫害图像,将病虫害图像转换成RGB图像数据;
步骤104,使用无监督聚类算法对RGB图像数据进行聚类分析,得到病虫害图像分类;
步骤106,对分类后的RGB图像数据进行虫眼统计,确定虫点数量;
步骤108,判断虫点数量是否大于预设虫点数量;
步骤110,当判断结果为是时,发出报警提示。
在该技术方案中,通过采集病虫害图像,优选的,通过摄像头拍摄粘虫板照片,并将照片解析成RGB格式(RGB格式为一种对颜色进行编码的方法,统称为“颜色空间”或“色域”)的像素数据,使用无监督聚类算法对这些像素数据进行聚类分析(聚类(Clustering)分析是无监督式机器学习(unsupervised learning)的一个典型应用,也是探索性数据挖掘中的一种常用方法,简单地说就是把相似的东西分到一组),得到病虫害的分类,对分类后的数据进行虫眼统计,就能够确认这张图像上有多少虫点,当虫点的数量超过预设数值时,说明虫点较多,病虫害严重,发出报警提示。通过本发明的实施例,有效识别农业病虫害并及时的提醒相关人员进行病虫害防治,避免由于病虫害导致的农业减产、农产品质量下降、经济损失 等问题。
如图2所示,根据本发明的再一个实施例的病虫害识别方法的流程示意图:
步骤202,采集病虫害图像,将病虫害图像转换成RGB图像数据;
使用无监督聚类算法对RGB图像数据进行聚类分析,得到病虫害图像分类的步骤,具体包括:
步骤204,对RGB图像数据进行无监督聚类学习,建立相似度模型;
步骤206,根据相似度模型,对RGB图像数据进行聚合分类;
步骤208,对分类后的RGB图像数据进行虫眼统计,确定虫点数量;
步骤210,判断虫点数量是否大于预设虫点数量;
步骤212,当判断结果为是时,发出报警提示。
在该实施例中,将病虫害图像解析为RGB图像数据后,通过对无监督聚类算法进行训练学习,从而建立最佳相似度模型,根据相似度模型,对RGB图像数据进行聚合分类,得到带虫眼的数据组以及不带虫眼的数据组,并在分类的基础上通过对带虫眼数据的统计分析,准确确认虫点个数,从而有效识别病虫害图像。
如图3所示,根据本发明的又一个实施例的病虫害识别方法的流程示意图:
步骤302,采集病虫害图像,将病虫害图像转换成RGB图像数据;
使用无监督聚类算法对RGB图像数据进行聚类分析,得到病虫害图像分类的步骤,具体包括:
步骤304,对RGB图像数据进行无监督聚类学习,建立相似度模型;
步骤306,根据相似度模型,对RGB图像数据进行聚合分类;
对分类后的RGB图像数据进行虫眼统计,确定虫点数量的步骤,具体包括:
步骤308,统计虫眼的数量;
步骤310,计算虫眼的数量与预设阈值的比值,根据比值确定虫点数量;
步骤312,当比值为整数值时,将整数值作为虫点数量值;当比值为 小数时,将小数进位取整,将取整后的整数值作为虫点数量值;
步骤314,判断虫点数量是否大于预设虫点数量;
步骤316,当判断结果为是时,发出报警提示。
在该实施例中,对分类后的RGB图像数据的进行虫眼统计,优选的,对带有虫眼的一组RGB图像数据进行统计,在得到虫眼数量的基础上,计算虫眼数量与预设阈值的比值,从而根据比值确定虫点的数量。当比值为整数时,将该整数值作为虫点数,当比值为小数时,将小数进位取整,将取整后的数值作为虫点数。举例来说,统计虫眼点的个数为35,预设阈值为10,那么可以判定这张图像上有4个虫点。
在上述任一实施例中,优选地,预设阈值为10。
在该实施例中,预设阈值为10,说明10个RGB虫眼数据构成一个虫点。本领域技术人员应该理解,预设阈值为10但不限于此,由于不同作物的种植收到多种因素的影响,如地域、季节、土壤条件、气候等,因而产生的病虫害也会大有不同,从而经过实测统计后的预设阈值也会相应变化。
在上述任一实施例中,优选地,无监督聚类算法为K均值聚类。
在该实施例中,K均值聚类(K-means clustering)是最典型的聚类算法(当然,除此之外,还有很多诸如属于划分法K-MEDOIDS算法、CLARANS算法;属于层次法的BIRCH算法、CURE算法、CHAMELEON算法等;基于密度的方法:DBSCAN算法、OPTICS算法、DENCLUE算法等;基于网格的方法:STING算法、CLIQUE算法、WAVE-CLUSTER算法;基于模型的方法等)。本领域技术人员应该理解,在使用无监督聚类算法进行聚类分析时,也可以选择K均值聚类以外的其它无监督聚类算法。
在上述任一实施例中,优选地,病虫害图像分类包括:虫眼数据组和非虫眼数据组。
在该实施例中,通过无监督聚类算法对病虫害图像进行聚类分析后,得到虫眼数据组和非虫眼数据组,从而只需对虫眼数据组进行统计,以确认虫点的个数,实现病虫害的有效识别。
如图4所示,根据本发明的一个实施例的病虫害识别装置的示意框图:
图像采集与处理单元402,用于采集病虫害图像,将病虫害图像转换 成RGB图像数据;
病虫害识别单元404,用于使用无监督聚类算法对RGB图像数据进行聚类分析,得到病虫害图像分类;
统计单元406,用于对分类后的RGB图像数据进行虫眼统计,确定虫点数量;
判断单元408,用于判断虫点数量是否大于预设虫点数量;
提醒单元410,用于当判断结果为是时,发出报警提示。
在该实施例中,通过采集病虫害图像,优选的,通过摄像头拍摄粘虫板照片,并将照片解析成RGB格式(RGB格式为一种对颜色进行编码的方法,统称为“颜色空间”或“色域”)的像素数据,使用无监督聚类算法对这些像素数据进行聚类分析(聚类(Clustering)分析是无监督式机器学习(unsupervised learning)的一个典型应用,也是探索性数据挖掘中的一种常用方法,简单地说就是把相似的东西分到一组),得到病虫害的分类,对分类后的数据进行虫眼统计,就能够确认这张图像上有多少虫点,当虫点的数量超过预设数值时,说明虫点较多,病虫害严重,发出报警提示。通过本发明的实施例,有效识别农业病虫害并及时的提醒相关人员进行病虫害防治,避免由于病虫害导致的农业减产、农产品质量下降、经济损失等问题。
如图5所示,根据本发明的一个实施例的病虫害识别装置的示意框图:
图像采集与处理单元502,用于采集病虫害图像,将病虫害图像转换成RGB图像数据;
病虫害识别单元504,用于使用无监督聚类算法对RGB图像数据进行聚类分析,得到病虫害图像分类;
统计单元506,用于对分类后的RGB图像数据进行虫眼统计,确定虫点数量;
判断单元508,用于判断虫点数量是否大于预设虫点数量;
提醒单元510,用于当判断结果为是时,发出报警提示;
病虫害识别单元504具体包括:
建模单元5042,用于对RGB图像数据进行无监督聚类学习,建立相似 度模型;分类单元5044,用于根据相似度模型,对RGB图像数据进行聚合分类。
在该实施例中,将病虫害图像解析为RGB图像数据后,通过对无监督聚类算法进行训练学习,从而建立最佳相似度模型,根据相似度模型,对RGB图像数据进行聚合分类,得到带虫眼的数据组以及不带虫眼的数据组,并在分类的基础上通过对带虫眼数据的统计分析,准确确认虫点个数,从而有效识别病虫害图像。
如图6所示,根据本发明的一个实施例的病虫害识别装置的示意框图:
图像采集与处理单元602,用于采集病虫害图像,将病虫害图像转换成RGB图像数据;
病虫害识别单元604,用于使用无监督聚类算法对RGB图像数据进行聚类分析,得到病虫害图像分类;
统计单元606,用于对分类后的RGB图像数据进行虫眼统计,确定虫点数量;
判断单元608,用于判断虫点数量是否大于预设虫点数量;
提醒单元610,用于当判断结果为是时,发出报警提示;
病虫害识别单元604具体包括:
建模单元6042,用于对RGB图像数据进行无监督聚类学习,建立相似度模型;分类单元6044,用于根据相似度模型,对RGB图像数据进行聚合分类;
统计单元606具体包括:
计数单元6062,用于统计虫眼的数量;计算单元6064,用于计算虫眼的数量与预设阈值的比值,根据比值确定虫点数量;计算单元6062,具体用于当比值为整数值时,将整数值作为虫点数量值;计算单元6064,具体还用于当比值为小数时,将小数进位取整,将取整后的整数值作为虫点数量值。
在该实施例中,对分类后的RGB图像数据的进行虫眼统计,优选的,对带有虫眼的一组RGB图像数据进行统计,在得到虫眼数量的基础上,计算虫眼数量与预设阈值的比值,从而根据比值确定虫点的数量。当比值为 整数时,将该整数值作为虫点数,当比值为小数时,将小数进位取整,将取整后的数值作为虫点数。举例来说,统计虫眼点的个数为35,预设阈值为10,那么可以判定这张图像上有4个虫点。
在上述任一实施例中,优选地,预设阈值为10。
在该实施例中,预设阈值为10,说明10个RGB虫眼数据构成一个虫点。本领域技术人员应该理解,预设阈值为10但不限于此,由于不同作物的种植收到多种因素的影响,如地域、季节、土壤条件、气候等,因而产生的病虫害也会大有不同,从而经过实测统计后的预设阈值也会相应变化。
在上述任一实施例中,优选地,无监督聚类算法为K均值聚类。
在该实施例中,K均值聚类(K-means clustering)是最典型的聚类算法(当然,除此之外,还有很多诸如属于划分法K-MEDOIDS算法、CLARANS算法;属于层次法的BIRCH算法、CURE算法、CHAMELEON算法等;基于密度的方法:DBSCAN算法、OPTICS算法、DENCLUE算法等;基于网格的方法:STING算法、CLIQUE算法、WAVE-CLUSTER算法;基于模型的方法等)。本领域技术人员应该理解,在使用无监督聚类算法进行聚类分析时,也可以选择K均值聚类以外的其它无监督聚类算法。
在上述任一实施例中,优选地,病虫害图像分类包括:虫眼数据组和非虫眼数据组。
在该实施例中,通过无监督聚类算法对病虫害图像进行聚类分析后,得到虫眼数据组和非虫眼数据组,从而只需对虫眼数据组进行统计,以确认虫点的个数,实现病虫害的有效识别。
具体实施例,通过摄像头采集到蔬菜的照片,并把照片解析成RGB数据,对这些RGB数据进行无监督聚类(K-means),这些RGB像素数据就会根据相似度聚合成一组一组的数据,然后找出相关虫点的那组数据进行统计,就能知道这张图有多少虫点。具体的步骤如下:
首先,将采集到的照片转换一张图片为RGB值,其次,进行无监督聚类学习并建立相似度模型,RGB值经过聚类后会产生2种类别,一种是虫眼RGB数据,一种是非虫眼RGB数据,其中虫眼RGB数据类别为0,非 虫眼RGB数据为1;最后,对虫眼数据进行统计,具体的为统计类别为0的个数为35,实测10像素点为一个虫点,经计算得知,这张图上有4个虫点。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种病虫害识别方法,其特征在于,包括:
采集病虫害图像,将所述病虫害图像转换成RGB图像数据;
使用无监督聚类算法对所述RGB图像数据进行聚类分析,得到病虫害图像分类;
对分类后的所述RGB图像数据进行虫眼统计,确定虫点数量;
判断所述虫点数量是否大于预设虫点数量;
当判断结果为是时,发出报警提示。
2.根据权利要求1所述的病虫害识别方法,其特征在于,所述使用无监督聚类算法对所述RGB图像数据进行聚类分析,得到病虫害图像分类的步骤,具体包括:
对所述RGB图像数据进行无监督聚类学习,建立相似度模型;
根据所述相似度模型,对所述RGB图像数据进行聚合分类。
3.根据权利要求1所述的病虫害识别方法,其特征在于,所述对分类后的所述RGB图像数据的进行虫眼统计,确定虫点数量的步骤,具体包括:
统计所述虫眼的数量;
计算所述虫眼的数量与预设阈值的比值,根据所述比值确定所述虫点数量;
当所述比值为整数值时,将所述整数值作为所述虫点数量值;
当所述比值为小数时,将所述小数进位取整,将取整后的整数值作为所述虫点数量值。
4.根据权利要求3所述的病虫害识别方法,其特征在于,
所述预设阈值为10。
5.根据权利要求1至4中任一项所述的病虫害识别方法,其特征在于,
所述无监督聚类算法为K均值聚类。
6.根据权利要求1至4中任一项所述的病虫害识别方法,其特征在于,
所述病虫害图像分类包括:虫眼数据组和非虫眼数据组。
7.一种病虫害识别装置,其特征在于,包括:
图像采集与处理单元,用于采集病虫害图像,将所述病虫害图像转换成RGB图像数据;
病虫害识别单元,用于使用无监督聚类算法对所述RGB图像数据进行聚类分析,得到病虫害图像分类;
统计单元,用于对分类后的所述RGB图像数据进行虫眼统计,确定虫点数量;
判断单元,用于判断所述虫点数量是否大于预设虫点数量;
提醒单元,用于当判断结果为是时,发出报警提示。
8.根据权利要求7所述的病虫害识别装置,其特征在于,所述病虫害识别单元使用无监督聚类算法对所述RGB图像数据进行聚类分析,得到病虫害图像分类的步骤,具体包括:
建模单元,用于对所述RGB图像数据进行无监督聚类学习,建立相似度模型;
分类单元,用于根据所述相似度模型,对所述RGB图像数据进行聚合分类。
9.根据权利要求7所述的病虫害识别装置,其特征在于,所述统计单元对分类后的所述RGB图像数据的进行虫眼统计,确定虫点数量的步骤,具体包括:
计数单元,用于统计所述虫眼的数量;
计算单元,用于计算所述虫眼的数量与预设阈值的比值,根据所述比值确定所述虫点数量;
所述计算单元,具体用于当所述比值为整数值时,将所述整数值作为所述虫点数量值;
所述计算单元,具体还用于当所述比值为小数时,将所述小数进位取整,将取整后的整数值作为所述虫点数量值。
10.根据权利要求9所述的病虫害识别装置,其特征在于,
所述预设阈值为10。
11.根据权利要求7至10中任一项所述的病虫害识别装置,其特征在于,
所述无监督聚类算法为K均值聚类。
12.根据权利要求7至10中任一项所述的病虫害识别装置,其特征在于,
所述病虫害图像分类包括:虫眼数据组和非虫眼数据组。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611259656.0A CN106650822A (zh) | 2016-12-30 | 2016-12-30 | 病虫害识别方法及装置 |
PCT/CN2017/086428 WO2018120634A1 (zh) | 2016-12-30 | 2017-05-27 | 病虫害识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611259656.0A CN106650822A (zh) | 2016-12-30 | 2016-12-30 | 病虫害识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106650822A true CN106650822A (zh) | 2017-05-10 |
Family
ID=58837473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611259656.0A Pending CN106650822A (zh) | 2016-12-30 | 2016-12-30 | 病虫害识别方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106650822A (zh) |
WO (1) | WO2018120634A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120634A1 (zh) * | 2016-12-30 | 2018-07-05 | 深圳前海弘稼科技有限公司 | 病虫害识别方法及装置 |
CN112465038A (zh) * | 2020-11-30 | 2021-03-09 | 深圳市识农智能科技有限公司 | 一种识别果树病虫害种类的方法及系统 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200057839A (ko) * | 2018-11-15 | 2020-05-27 | 한국과학기술연구원 | 작물장해 진단 시스템 및 방법 |
CN111985246B (zh) * | 2020-08-27 | 2023-08-15 | 武汉东湖大数据交易中心股份有限公司 | 一种基于主要症状与伴随症状词的疾病认知系统 |
CN113505706A (zh) * | 2021-07-14 | 2021-10-15 | 陈小义 | 一种基于ai智能的病害自动识别方法及系统 |
CN115285240A (zh) * | 2022-08-25 | 2022-11-04 | 大连海事大学 | 一种农业植保小车及控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214306A (zh) * | 2011-06-16 | 2011-10-12 | 中国农业大学 | 叶片病斑识别方法及装置 |
CN103034872A (zh) * | 2012-12-26 | 2013-04-10 | 四川农业大学 | 基于颜色和模糊聚类算法的农田害虫识别方法 |
CN103390080A (zh) * | 2013-07-12 | 2013-11-13 | 北京农业信息技术研究中心 | 一种植物病斑颜色模拟方法及装置 |
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 |
CN104598908A (zh) * | 2014-09-26 | 2015-05-06 | 浙江理工大学 | 一种农作物叶部病害识别方法 |
CN104881865A (zh) * | 2015-04-29 | 2015-09-02 | 北京林业大学 | 基于无人机图像分析的森林病虫害监测预警方法及其系统 |
CN105787446A (zh) * | 2016-02-24 | 2016-07-20 | 上海劲牛信息技术有限公司 | 一种智慧农业病虫害远程自动诊断系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9527115B2 (en) * | 2010-03-13 | 2016-12-27 | Carnegie Mellon University | Computer vision and machine learning software for grading and sorting plants |
CN102915446A (zh) * | 2012-09-20 | 2013-02-06 | 复旦大学 | 基于svm机器学习的植物病虫害检测方法 |
CN106650822A (zh) * | 2016-12-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 病虫害识别方法及装置 |
-
2016
- 2016-12-30 CN CN201611259656.0A patent/CN106650822A/zh active Pending
-
2017
- 2017-05-27 WO PCT/CN2017/086428 patent/WO2018120634A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214306A (zh) * | 2011-06-16 | 2011-10-12 | 中国农业大学 | 叶片病斑识别方法及装置 |
CN103034872A (zh) * | 2012-12-26 | 2013-04-10 | 四川农业大学 | 基于颜色和模糊聚类算法的农田害虫识别方法 |
CN103390080A (zh) * | 2013-07-12 | 2013-11-13 | 北京农业信息技术研究中心 | 一种植物病斑颜色模拟方法及装置 |
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 |
CN104598908A (zh) * | 2014-09-26 | 2015-05-06 | 浙江理工大学 | 一种农作物叶部病害识别方法 |
CN104881865A (zh) * | 2015-04-29 | 2015-09-02 | 北京林业大学 | 基于无人机图像分析的森林病虫害监测预警方法及其系统 |
CN105787446A (zh) * | 2016-02-24 | 2016-07-20 | 上海劲牛信息技术有限公司 | 一种智慧农业病虫害远程自动诊断系统 |
Non-Patent Citations (4)
Title |
---|
张佳锐: "基于物联网的农业农害智能监控系统的设计与实现", 《万方数据库》 * |
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》 * |
郑大玮 等: "《农业灾害与减灾对策》", 30 April 2013, 中国农业大学出版社 * |
颜丙生 等: "基于图像处理和光电技术的储粮虫害监测系统研究", 《粮油与油脂》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120634A1 (zh) * | 2016-12-30 | 2018-07-05 | 深圳前海弘稼科技有限公司 | 病虫害识别方法及装置 |
CN112465038A (zh) * | 2020-11-30 | 2021-03-09 | 深圳市识农智能科技有限公司 | 一种识别果树病虫害种类的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2018120634A1 (zh) | 2018-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650822A (zh) | 病虫害识别方法及装置 | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
Aquino et al. | Automated early yield prediction in vineyards from on-the-go image acquisition | |
CN106951836B (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
Liu et al. | A computer vision system for early stage grape yield estimation based on shoot detection | |
Kulkarni et al. | Applying image processing technique to detect plant diseases | |
CN110046631A (zh) | 用于自动推断时空图像的变化的系统和方法 | |
CN109816625A (zh) | 一种视频质量评分实现方法 | |
CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
CN104598908A (zh) | 一种农作物叶部病害识别方法 | |
CN103246872B (zh) | 一种基于计算机视觉技术的广谱虫情自动测报方法 | |
CN108288033A (zh) | 一种基于随机蕨融合多特征的安全帽检测方法 | |
CN107622236A (zh) | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 | |
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
CN109325431A (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
Renugambal et al. | Application of image processing techniques in plant disease recognition | |
US11210515B2 (en) | Artificial intelligence based plantable blank spot detection | |
Masood et al. | Plants disease segmentation using image processing | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN109101891A (zh) | 一种融合人工智能的水稻病虫害检测系统及其检测方法 | |
CN108734277A (zh) | 一种基于卷积神经网络的靶向药物喷洒方法 | |
CN106650823A (zh) | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 | |
Padilla et al. | Portable yellow spot disease identifier on sugarcane leaf via image processing using support vector machine | |
CN106599880A (zh) | 一种面向无人监考的同人判别方法 | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 518052 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A (located in Shenzhen Qianhai business secretary Co. Ltd.) Applicant after: Shenzhen Chun Mu source Holdings Limited Address before: 518052 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A Applicant before: Shenzhen Qianhai Hong Jia Technology Co., Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |