CN106846391B - —种基于图像技术的水稻纹枯病危害鉴别方法 - Google Patents
—种基于图像技术的水稻纹枯病危害鉴别方法 Download PDFInfo
- Publication number
- CN106846391B CN106846391B CN201611146246.5A CN201611146246A CN106846391B CN 106846391 B CN106846391 B CN 106846391B CN 201611146246 A CN201611146246 A CN 201611146246A CN 106846391 B CN106846391 B CN 106846391B
- Authority
- CN
- China
- Prior art keywords
- image
- disease
- sheath blight
- rice sheath
- blight disease
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
一种基于图像技术的水稻纹枯病危害鉴别方法,该方法设计了一调校用标尺杆,该标尺杆包括杆体,在杆体上设有红、绿、蓝三种颜色的标准颜色卡,用于对采集得到的图像进行三通道的校准;采用以上方法对田间水稻图像进行采集,用于危害鉴别;采集到的图像,采用图像增强法,进行调校,然后进行水稻纹枯病图像的特征提取,水稻纹枯病图像穴严重度等级的划分:根据得出的病情指数值,鉴别水稻纹枯病为害病级。该方法简单明了,大大降低了劳动强度,提高了工作效率,能及时、准确、快速、全面地反映病情发生情况。
Description
技术领域
本发明涉及一种植物病害的等级鉴别方法,特别是一种基于图像技术的水稻纹枯病危害鉴别方法。
背景技术
水稻是我国最重要的粮食作物之一。目前,我国水稻病害防治一直坚持“综合治理(IPM)”的植保方针,以监测预报为基础,综合应用农业、生物、物理防治和化学防治等技术措施,有效控制病害为害。准确及时监测到水稻田间病害信息(发生种类、发生时间和发生数量)是水稻病害实施IPM的前提,是病害准确预测预报的关键,是实施精准农业的必要条件。
而水稻纹枯病是水稻三大病害(纹枯病、稻瘟病和白叶枯病)之首,一般可造成10-30%的产量损失,高发病时减产50%以上,其每年所造成的损失都相当惊人,据统计全国稻作区每年因水稻纹枯病造成产量损失达1350000吨以上 ,江苏省达100000吨以上,占各类水稻病害危害损失总和的三之一以上。
目前,我国水稻纹枯病的预测预报,主要是根据农技人员通过抽样调查和目测的方法,通过持续的系统田和大田病株率、病穴率的调查,结合水稻品种、生育期、天气条件和肥水管理情况等因素,对病害的发生发展趋势进行分析和预测,来估计病害发生情况,忽略了病穴严重度(病斑高度)在预测预报中的作用;此外,病害调查过程中随机性、主观性较大,不同调查者的技术水平和经验高低决定了调查结果的差异性大小,导致预测预报的准确率不高,影响防治工作的开展。
实际上,抽样调查和目测估计往往不能给出纹枯病发病的位置、面积和等级的精确数值,而且抽样调查需要花费大量的人力和时间,目测估计则会引起较大的误差,从而造成水稻纹枯病预测预报和防治指导的准确度不高。另外,基层植保体系不够健全、力量薄弱、手段落后、技术能力差、调查任务重,效率低下的目测估算法已满足不了现代农业的发展需求。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种基于图像技术的水稻纹枯病危害鉴别方法,该方法简单明了,大大降低了劳动强度,提高了工作效率,能及时、准确、快速、全面地反映病情发生情况。
本发明解决其技术问题所采用的技术方案是:本发明是一种基于图像技术的水稻纹枯病危害鉴别方法,其特点是, 该方法包括以下步骤:
(1)水稻纹枯病的图像采集:设计了一调校用标尺杆,该标尺杆包括杆体,在杆体上设有红、绿、蓝三种颜色的标准颜色卡,用于对采集得到的图像进行三通道的校准;采用以上方法对田间水稻图像进行采集,用于危害鉴别:
A标尺杆垂直插入图像采集拍摄目标区域;
B标尺杆处在拍摄照片中目标区域的左侧或者右侧;
C采集到的图像中带有水面,且图像清晰;
D目标区域直立于所拍摄图片的中间位置;
(2)水稻纹枯病的图像处理:对步骤(1)采集到的图像,采用图像增强法,根据标尺杆上的红、绿、蓝三种颜色的标准颜色卡对图像进行红、绿、蓝三通道的调校,调校公式如下:
Vc i = V i * 255 / Ave i
式中:Vnew为校正后的像素值,Vc是校正的中间值,V是原始图像的像素值,Ave是标尺区域内像素平均值,i 是红、绿、蓝RGB中R、G或B三个通道中的某一个通道;
(3)水稻纹枯病图像的特征提取:在步骤(2)的基础上,提取绿色通道的像素,统计得到直方图,对256维的直方图进行归一化处理,得到纹枯病病斑图像的特征向量;
(4)水稻纹枯病图像穴严重度等级的划分:基于步骤(3)中获得的特征向量,采用欧式距离对待识别图像和已有的水稻纹枯病病穴严重度图像的特征向量进行距离的测度;使用最近邻分类器KNN方法,其中KNN中k选择为1,计算待识别图像和已有的水稻纹枯病病穴严重度不同为害等级的图像的相似度,判断其所属不同危害程度的可能性,并给出病穴严重度等级测算值;
(5)水稻纹枯病病级的划分:根据给出的病穴严重度等级测算值,计算其病情指数,公式为:
病情指数=
根据得出的病情指数值,划分水稻纹枯病为害病级;其病级划分为以下5级:
1级,轻发生,病情指数值为5以下;
2级,偏轻发生,病情指数值为5.1-15;
3级,中等发生,病情指数值为15.1-30;
4级,偏重发生,病情指数值为30.1-50;
5级,大发生,病情指数值为50以上;
从而实现水稻纹枯病危害鉴别。
本发明所述的基于图像技术的水稻纹枯病危害鉴别方法技术方案中:在水稻的整个生长期,将水稻纹枯病控制在2级或3级以下水平。
与现有技术相比,本发明的优点是:
本发明提出的基于图像技术的水稻纹枯病危害鉴别方法,为水稻纹枯病的智能识别和为害等级划分提供了一个检测和判断的新方法。本方法并没有利用常规的分割方法来分割去掉复杂的水稻田间环境,而是从复杂背景中检测所需目标的角度,通过设计标尺杆、设定田间水稻图像采集标准,采用图像增强法,对图像进行调校;提取像素,统计得到直方图;对直方图进行归一化处理,得到病斑图像特征向量;采用欧式距离,进行距离测度;使用最近邻分类器方法,给出病穴严重度等级测算值;进行加权平均,实现水稻纹枯病的智能识别和为害等级划分。该方法的优点是直接以纹枯病作为检测目标从复杂水稻背景中检测出来,并自动进行病穴严重度等级划分。该方法简单明了,大大降低了劳动强度,提高了工作效率,能及时、准确、快速、全面地反映病情发生情况;该方法所提出的以病穴严重度为依据的病害为害等级划分方案,兼顾了病穴率、病株率和病穴严重度在预测预报和防治技术指导中的作用,最大限度反映了病害在田间水平方向和垂直方向的发生水平,能够有效提高现有手段和方法下的预测预报准确率和防治技术指导的科学性、准确性、实效性。另外,本发明通过图像处理方法来分析水稻纹枯病为害情况,将大大减轻基层植保人员田间调查的劳动量,为水稻纹枯病的预测预报提供客观的精确的调查数据,将为精准农业的实施提供数据,减少农药施用量,达到最佳精确施药效果,从而减少对环境的污染。另外,本发明方法将为水稻纹枯病的远程诊断提供有效的分析手段和有力的技术平台,随着计算机和网络的迅速发展,用户只要发送水稻病害的图片,而为害程度等级是在后台进行,最后系统直接把结果传送到用户的页面中,从而可以进一步指导用户采取合适的防治手段;这不但避免了人为主观性引起的误差,而且实现了水稻纹枯病智能诊断,节约了时间,并提高了水稻纹枯病远程诊断能力,具有重要的研究意义和广阔的应用前景。
附图说明
图1是本发明方不吉标尺杆的一种结构示意图。
具体实施方式
下面将通过实例对本发明作进一步的描述,这些描述并不是对本发明内容作进一步的限定。本领域的技术人员应理解,对本发明内容所作的等同替换,或相应的改进,仍属于本发明的保护范围之内。
实施例1,参照图1,一种基于图像技术的水稻纹枯病危害鉴别方法,该方法包括以下步骤:
(1)水稻纹枯病的图像采集:设计了一调校用标尺杆,该标尺杆包括杆体,在杆体上设有红、绿、蓝三种颜色的标准颜色卡,用于对采集得到的图像进行三通道的校准;采用以上方法对田间水稻图像进行采集,用于危害鉴别:
A标尺杆垂直插入图像采集拍摄目标区域;
B标尺杆处在拍摄照片中目标区域的左侧或者右侧;
C采集到的图像中带有水面,且图像清晰;
D目标区域直立于所拍摄图片的中间位置;
(2)水稻纹枯病的图像处理:对步骤(1)采集到的图像,采用图像增强法,根据标尺杆上的红、绿、蓝三种颜色的标准颜色卡对图像进行红、绿、蓝三通道的调校,调校公式如下:
Vc i = V i * 255 / Ave i
式中:Vnew为校正后的像素值,Vc是校正的中间值,V是原始图像的像素值,Ave是标尺区域内像素平均值,i 是红、绿、蓝RGB中R、G或B三个通道中的某一个通道;
(3)水稻纹枯病图像的特征提取:在步骤(2)的基础上,提取绿色通道的像素,统计得到直方图,对256维的直方图进行归一化处理,得到纹枯病病斑图像的特征向量;
(4)水稻纹枯病图像穴严重度等级的划分:基于步骤(3)中获得的特征向量,采用欧式距离对待识别图像和已有的水稻纹枯病病穴严重度图像的特征向量进行距离的测度;使用最近邻分类器KNN方法,其中KNN中k选择为1,计算待识别图像和已有的水稻纹枯病病穴严重度不同为害等级的图像的相似度,判断其所属不同危害程度的可能性,并给出病穴严重度等级测算值;
(5)水稻纹枯病病级的划分:根据给出的病穴严重度等级测算值,计算其病情指数,公式为:
病情指数=
根据得出的病情指数值,划分水稻纹枯病为害病级;其病级划分为以上下5级:
1级,轻发生,病情指数值为5以下;
2级,偏轻发生,病情指数值为5.1-15;
3级,中等发生,病情指数值为15.1-30;
4级,偏重发生,病情指数值为30.1-50;
5级,大发生,病情指数值为50以上;
从而实现水稻纹枯病危害鉴别。
在水稻的整个生长期,最好将水稻纹枯病控制在2级或3级以下水平。
实施例2,水稻纹枯病为害等级划分依据:
在一块水稻田中,采用双行直线取样法,取20个点,每点拍摄5穴,共摄取100穴,100张图像,通过智能诊断系统对每一幅图像进行等级划分,该等级的划分是根据以下纹枯病病穴病斑高度的严重度分级标准来划分的,即:
0级,没有发病;
1级,一穴中少数病株发病或多数病株病斑在稻株的1/4以下;
2级,多数病株病斑在1/4-1/2之间;
3级,多数病株病斑在1/2-3/4之间;
4级,多数病株病斑在3/4以上;
5级,多数病株发病枯死。
对给出的100穴水稻穴严重度等级测算值,计算其病情指数,公式为:病情指数=
病情指数值小于5,则该稻田的水稻纹枯病病级为1级,轻发生,在水稻纹枯病控制范围内;
在5.1-15之间,则该稻田的水稻纹枯病病级为2级,中等偏轻发生,在水稻纹枯病控制范围内;
在15.1-30之间,则该稻田的水稻纹枯病病级为3级,中等发生,在水稻纹枯病控制范围内;
在30.1-50之间,则该稻田的水稻纹枯病病级为4级,偏重发生,超过水稻纹枯病控制范围;
大于50,则该稻田的水稻纹枯病病级为5级,大发生,超过水稻纹枯病控制范围。
水稻纹枯病病级划分方案,是以纹枯病病穴病斑高度的严重度分级标准为依据的;另外,在纹枯病病穴病斑高度的严重度分级标准中添加了“0”级(没有发病),确保了在为害等级划分过程中所调查样本的整体代表性,同时兼顾了病穴率在为害等级划分中的作用。在实际田间纹枯病为害等级划分过程中,只是对所调查样本的病穴严重度等级进行简单的加权平均;因此,该水稻纹枯病为害等级划分方法是可靠的,兼顾了病穴率、病株率和病穴病斑高度,依此进行的为害等级划分更具代表性和指导意义。
以上在对给出的100穴水稻穴严重度等级测算时,可以采用计算机系统进行智能诊断,这样效率更高。
实施例2,基于图像技术的水稻纹枯病危害鉴别方法的田间试验:
试验地点设在连云港市东海县植保站试验田内,水稻品种为徐稻4号,6月27日机插稻田,试验前未对纹枯病进行防治,水稻长势均衡,田间肥水管理一致。试验分5个基于图像技术的水稻纹枯病危害鉴别处理(分别为1级、2级、3级、4级和5级)、1个常规处理和1个清水对照处理(CK),共7个处理。
5个基于图像技术的水稻纹枯病危害鉴别处理,分别于病害鉴别为1级、2级、3级、4级和5级时,进行药剂防治;常规处理在病穴率达到20%时,进行药剂防治;清水对照(CK)不用药,只是在5个基于图像技术的水稻纹枯病危害鉴别处理中病害鉴别为1级的处理第一次用药和病害鉴别为5级的处理最后一次用药时,喷施清水。各重复2次,共14个小区,每个小区面积66.7平方米,随机排列。所有小区共喷药2次,所施药剂和施药方法相同,所施药剂均为11%井岗·己唑醇60g,用水量为60kg/667m2,采用手动喷雾器均匀喷施,喷药时天气晴好,微风,24小时内没有降雨,第一次施药后间隔10天再喷第二次药。
所有小区,喷药(清水)前调查发病基数,第二次喷药(清水)后10天调查防治效果。纹枯病在田间分布极不均匀,为提高试验的准确性,采用定点标记调查方法,每小区定点标记20穴,分别计算并记录病株率、病穴率和病穴病斑高度严重度分级的病情指数。
有关公式:
1、病指增长值=检查药效时病情指数-施药前病情指数
2、防治效果(%)=
3、病穴病斑高度的严重度分级标准:
1级,一穴中少数病株发病或多数病株病斑在稻株的1/4以下;
2级,多数病株病斑在1/4-1/2之间;
3级,多数病株病斑在1/2-3/4之间;
4级,多数病株病斑在3/4以上;
5级,多数病株发病枯死。
穴病斑高度病情指数=
4、根据基于图像技术的水稻纹枯病危害鉴别方法:对20穴水稻纹枯病图像的病穴严重度等级测算值进行加权平均,计算其病情指数,公式为:
病情指数=
根据得出的病情指数值,划分水稻纹枯病为害病级;其病级划分为以下5级:
1级,轻发生,病情指数值为5以下;
2级,偏轻发生,病情指数值为5.1-15;
3级,中等发生,病情指数值为15.1-30;
4级,偏重发生,病情指数值为30.1-50;
5级,大发生,病情指数值为50以上。
附表:不同处理对水稻纹枯病防治效果记录表
试验结果表明,处理1级、处理2级、处理3级在2次用药后10天防效分别为82.1%、87.2%和74.4%,与常规处理的防效84.6%接近,显著高于处理4级和处理5级的46.2%、59.0%。由此可以证明,该基于图像技术的水稻纹枯病危害鉴别方法是科学的,水稻纹枯病控制在基于该方法所提出的2级或3级以下水平是可靠的。
Claims (2)
1.一种基于图像技术的水稻纹枯病危害鉴别方法,其特征在于, 该方法包括以下步骤:
(1)水稻纹枯病的图像采集:设计了一调校用标尺杆,该标尺杆包括杆体,在杆体上设有红、绿、蓝三种颜色的标准颜色卡,用于对采集得到的图像进行三通道的校准;采用以下方法对田间水稻图像进行采集,用于危害鉴别:
A标尺杆垂直插入图像采集拍摄目标区域;
B标尺杆处在拍摄照片中目标区域的左侧或者右侧;
C采集到的图像中带有水面,且图像清晰;
D目标区域直立于所拍摄图片的中间位置;
(2)水稻纹枯病的图像处理:对步骤(1)采集到的图像,采用图像增强法,根据标尺杆上的红、绿、蓝三种颜色的标准颜色卡对图像进行红、绿、蓝三通道的调校,调校公式如下:
Vc i = V i * 255 / Ave i
式中:Vnew为校正后的像素值,Vc是校正的中间值,V是原始图像的像素值,Ave是标尺区域内像素平均值,i 是红、绿、蓝RGB中R、G或B三个通道中的某一个通道;
(3)水稻纹枯病图像的特征提取:在步骤(2)的基础上,提取绿色通道的像素,统计得到直方图,对256维的直方图进行归一化处理,得到纹枯病病斑图像的特征向量;
(4)水稻纹枯病图像穴严重度等级的划分:基于步骤(3)中获得的特征向量,采用欧式距离对待识别图像和已有的水稻纹枯病病穴严重度图像的特征向量进行距离的测度;使用最近邻分类器KNN方法,其中KNN中k选择为1,计算待识别图像和已有的水稻纹枯病病穴严重度不同危害等级的图像的相似度,判断其所属不同危害程度的可能性,并给出病穴严重度等级测算值;
(5)水稻纹枯病病级的划分:根据给出的病穴严重度等级测算值,计算其病情指数,公式为:
病情指数=;
根据得出的病情指数值,划分水稻纹枯病危害病级;其病级划分为以下5级:
1级,轻发生,病情指数值为5以下;
2级,偏轻发生,病情指数值为5.1-15;
3级,中等发生,病情指数值为15.1-30;
4级,偏重发生,病情指数值为30.1-50;
5级,大发生,病情指数值为50以上;
从而实现水稻纹枯病危害鉴别。
2.根据权利要求 1 所述的基于图像技术的水稻纹枯病危害鉴别方法,其特征在于,在水稻的整个生长期,将水稻纹枯病控制在2级或3级以下水平。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611146246.5A CN106846391B (zh) | 2016-12-13 | 2016-12-13 | —种基于图像技术的水稻纹枯病危害鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611146246.5A CN106846391B (zh) | 2016-12-13 | 2016-12-13 | —种基于图像技术的水稻纹枯病危害鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106846391A CN106846391A (zh) | 2017-06-13 |
CN106846391B true CN106846391B (zh) | 2017-09-26 |
Family
ID=59139889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611146246.5A Active CN106846391B (zh) | 2016-12-13 | 2016-12-13 | —种基于图像技术的水稻纹枯病危害鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846391B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211147B (zh) * | 2019-05-27 | 2021-01-05 | 杭州电子科技大学 | 一种基于成像高光谱分析的水稻纹枯病病斑提取方法 |
CN114166761A (zh) * | 2021-12-03 | 2022-03-11 | 郑其向 | 一种植物病害防治及预测用比色卡 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539531B (zh) * | 2009-04-09 | 2011-11-16 | 浙江大学 | 基于多光谱图像处理的水稻稻叶瘟病检测分级方法 |
CN102072885B (zh) * | 2010-12-06 | 2012-08-08 | 浙江大学 | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 |
CN103134758B (zh) * | 2013-01-29 | 2015-06-17 | 华南农业大学 | 基于多尺度高光谱图像处理的稻叶瘟病抗性鉴定分级方法 |
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 |
-
2016
- 2016-12-13 CN CN201611146246.5A patent/CN106846391B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106846391A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Maize and weed classification using color indices with support vector data description in outdoor fields | |
CN108985260B (zh) | 一种遥感及气象一体化水稻估产方法 | |
CN100416590C (zh) | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 | |
Zhou et al. | Strawberry maturity classification from UAV and near-ground imaging using deep learning | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
Lin et al. | A review on computer vision technologies applied in greenhouse plant stress detection | |
Vanclay et al. | Assessing the quality of permanent sample plot databases for growth modelling in forest plantations | |
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 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
Zhang et al. | Real-time monitoring of optimum timing for harvesting fresh tea leaves based on machine vision | |
CN106846391B (zh) | —种基于图像技术的水稻纹枯病危害鉴别方法 | |
CN105868784A (zh) | 一种基于sae-svm的病虫害检测系统 | |
Pawar et al. | Pomogranite disease detection and classification | |
AU2021105575A4 (en) | Automatic Tea Garden Identification Method Based on Cloud Platform Fusion of Multi-Source Satellite Images and Tea Phenological Period | |
CN105760871A (zh) | 一种植物叶斑类病害抗性鉴定新方法 | |
CN102663396B (zh) | 一种水稻乳熟期自动检测的方法 | |
CN102592118B (zh) | 一种玉米出苗期的自动检测方法 | |
Hennessy et al. | Evaluation of cameras and image distance for CNN-based weed detection in wild blueberry | |
Parsons et al. | Image analysis and statistical modelling for measurement and quality assessment of ornamental horticulture crops in glasshouses | |
CN110060294A (zh) | 一种果树作物的产量评估方法 | |
CN102360428B (zh) | 一种玉米三叶期与七叶期的自动检测方法 | |
CN104463173B (zh) | 一种基于概率密度比值的作物病害识别方法 | |
Watcharabutsarakham et al. | An approach for density monitoring of brown planthopper population in simulated paddy fields | |
Kumar et al. | Detection of Sugarcane Disease and Classification using Image Processing | |
CN110544237B (zh) | 基于图像分析的油茶病虫害模型训练方法和识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |