CN107292891A - 一种基于机器视觉的南方蔬菜重大害虫的检测计数方法 - Google Patents
一种基于机器视觉的南方蔬菜重大害虫的检测计数方法 Download PDFInfo
- Publication number
- CN107292891A CN107292891A CN201710469618.6A CN201710469618A CN107292891A CN 107292891 A CN107292891 A CN 107292891A CN 201710469618 A CN201710469618 A CN 201710469618A CN 107292891 A CN107292891 A CN 107292891A
- Authority
- CN
- China
- Prior art keywords
- image
- insect
- target
- detection method
- counting
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的南方蔬菜重大害虫的检测计数方法,包括步骤:害虫图像预处理步骤;害虫目标分割提取步骤;害虫识别计数步骤;通过训练不同害虫的SVM分类器;对规格化后的害虫图像进行优化HOG特征提取和描述,用K‑means聚类算法对提取到的特征聚类,构造视觉词典,再用SPM生成图像的直方图表示;最后通过目标图像的形态学数据做初步分类,选用不同SVM分类器,输出识别的结果,进行害虫识别计数。本发明基于图像的害虫自动识别与计数技术,可以实现对南方蔬菜主要害虫图像数据的快速识别计数,辅助农民或基层植保人员进行蔬菜害虫监测工作,很大程度上减轻劳动强度。
Description
技术领域
本发明属于涉及机器视觉、数据挖掘与机器学习领域,特别涉及一种基于机器视觉的南方蔬菜重大害虫的检测计数方法。
背景技术
我国蔬菜已成为仅次于粮食作物的第二大作物,种植面积和总产量均居世界第一。我国蔬菜病虫害种类和发生危害程度在所有作物中也名列前茅。蔬菜害虫监测是植物保护乃至农业生产的基础性工作,蔬菜安全已成为关系人民群众身体健康和生命安全的国计民生问题,是关系社会稳定与经济健康发展的全局性重大问题。
目前,蔬菜虫害识别是采用人工检测的方法,该方法需要具有较强专业知识的人员才能具体判断虫害,存在效率低、范围小、实时性差的缺点,难以满足现代农业的要求。信息化作为先进生产力发展的重要标志,对农业发展有着长远的影响。随着机器视觉技术的飞速发展,基于图像的虫害自动识别与计数技术具有快速和只能化等特点。
因此,需要寻找一种有效的自动获取蔬菜害虫数量的方法,以提高蔬菜害虫监测和预测预报的准确性和时效性,减轻基层植保人员的劳动强度和提高效率。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于机器视觉的南方蔬菜重大害虫的检测计数方法,基于图像的害虫自动识别与计数技术,实现对南方蔬菜主要害虫图像数据的快速识别计数,可以辅助农民或基层植保人员进行蔬菜害虫监测工作,很大程度上减轻劳动强度。
本发明的目的通过以下的技术方案实现:一种基于机器视觉的南方蔬菜重大害虫的检测计数方法,包括以下步骤:
S1、害虫图像预处理步骤:对获取的基于诱捕板所诱捕的虫害原始图像进行感兴趣区域定位,所述感兴趣区域为图像中诱捕板区域;
S2、害虫目标分割提取步骤:将粘虫板位置作为感兴趣图像,对传入的粘虫板区域图像进行背景模型识别,初步提取出害虫目标;对初步提取的害虫目标,使用形态学方法处理以填补由于图像噪音导致的孔洞,最后得到待分类图像并计算该图像块的相关参数;
S3、害虫识别计数步骤:
S3-1训练不同害虫的SVM分类器;
S3-2根据不同害虫的生物学特性将害虫图像中的非目标害虫去除,对初步筛选后的害虫图像进行规格化处理;
S3-3对规格化后的图像进行优化HOG特征提取和描述,用K-means聚类算法对提取到的特征聚类,构造视觉词典,再用SPM生成图像的直方图表示;
S3-4最后通过目标图像的形态学数据做初步分类,选用不同SVM分类器,输出识别的结果。
优选的,诱捕板区域包括图像数据中的黄色粘虫板区域和蓝色粘虫板区域。
优选的,同一图像数据中可以存在多块感兴趣区域。
优选的,害虫目标分割提取具体步骤:
S2-1对图像进行中值滤波处理;
S2-1对图像进行拷贝操作,并将备份图像从RGB色彩空间转换至HSV色彩空间;
S2-3使用图形掩膜准确定位各粘虫板位置,获取感兴趣区域,并通过各图像掩膜,初步提取出害虫目标;
S2-4对初步提取的害虫目标,先进行多次图像膨胀操作,接着再进行多次图像腐蚀操作,以实现图像平滑处理,去除部分噪音点;最后得到待分类图像的相关参数包括该图像块的轮廓大小、像素点大小、RGB三通道均值和所属诱虫板种类。
具体的,针对所采集图像的特点设置滤波器大小。
具体的,使用阈值范围[91,150,135]至[96,255,255],从备份图像中获取黄色粘虫板图像掩膜;使用阈值范围[16,150,130]至[23,255,255],从备份图像中获取蓝色粘虫板图像掩膜。
具体的,先进行3次图像膨胀操作,接着再进行2次图像腐蚀操作。
优选的,步骤S3-1的具体方法是:
将从农地拍摄得到的害虫图像进行人工处理,人工获取单个害虫图像,并将害虫规格化成一定大小的图像;将规格化的图像统一命名,为所有图像分配指定标签;初始化算法的一系列路径变量,
利用优化HOG特征提取算法,对预处理后的害虫图像进行特征提取和描述,获取每张害虫图像的特征信息;
用K-Means聚类算法构造视觉词典,初始聚类质心随机选取,通过限定迭代次数收敛出最终的聚类中心,构造出视觉词典;
引入SPM对图像进行基于视觉词典的直方图表示,生成所有害虫图像的直方图表示;
使用所生成的训练数据,训练支持向量机SVM,分别得到针对不同害虫的SVM分类器。
具体的,在聚类算法过程中,初始化值选取采用“k-means++”的方式进行,考虑到规格化后的图像的稀疏度,采用“elkan”方式进行聚类操作。
优选的,优化HOG特征提取算法是指,将HOG算法过程简化为:梯度计算->梯度方向直方图->HOG特征,以调高算法运算速度。
优选的,步骤S3-2中将像素点大小小于255或大于15000和/或目标轮廓小于48或大于800的目标视为非目标害虫。
优选的,步骤S3-3中进行优化HOG特征提取和描述时,设定区域窗口大小winSize(16,16),块大小blockSize(8,8),块滑动增量blockStride(4,4),胞元大小cellSize(4,4),梯度方向数nbins为9。
优选的,步骤S3-1中训练得到黄曲条跳甲SVM分类器、小菜蛾SVM分类器、烟粉虱SVM分类器和蓟马SVM分类器。
进一步的,结合各种害虫的生物特性,将原目标害虫像素点大小大于4800的害虫目标,通过小菜蛾SVM分类器进行识别;
将原目标害虫像素点大小小于4800,且属于黄色诱虫板区域的目标,分别通过黄曲条跳甲SVM分类器和烟粉虱SVM分类器进行识别;
将原目标害虫像素点大小小于4800且属于蓝色诱虫板区域的目标,通过蓟马SVM分类器进行识别。
优选的,对于未标记诱捕板种类的害虫目标,无法对分类器进行针对性的选择,则使用不同的分类器分别进行识别。
本发明与现有技术相比,具有如下优点和有益效果:
本发明通过基于机器视觉和机器学习的害虫识别计数算法对粘虫板中的害虫进行分类计数,计数精确,减小了害虫计算的误差,同时也大大降低了人力使用强度。
本发明的扩展性强,可通过新的害虫训练集进行训练,快速应用在不同种类的害虫识别计数上。
附图说明
图1是实施例中检测计数方法的流程图。
图2是实施例中害虫目标图像BOF视觉词汇直方图表示法流程图。
图3是实施例中南方蔬菜重大害虫SVM分类器训练流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
一种基于机器视觉的南方蔬菜重大害虫的检测计数方法,如图1所示,包括害虫图像预处理步骤,害虫目标分割提取步骤以及害虫识别计数步骤。
1、害虫图像预处理步骤:定位原始图像中的粘虫板位置;对在农地中获取的基于诱捕板所诱捕的虫害原始图像进行感兴趣区域定位,所述感兴趣区域为图像中诱捕板区域,包括图像数据中的所存在的黄色粘虫板区域和蓝色粘虫板区域,同一图像数据中可能存在多块感兴趣区域(诱捕板包括多块粘虫板区域)。
2、害虫目标分割提取:对感兴趣区域中的害虫目标进行分割提取;将粘虫板位置作为感兴趣图像;对传入的粘虫板区域图像进行背景模型识别,判断其属于蓝色粘虫板背景模型或黄色粘虫板背景模型。
(1)对图像进行中值滤波处理,针对所采集图像的特点,将滤波器大小设置为5。
(2)对图像进行拷贝操作,并将备份图像从RGB色彩空间转换至HSV色彩空间。
(3)使用阈值范围[91,150,135]至[96,255,255],从备份图像中获取黄色粘虫板图像掩膜。
(4)使用阈值范围[16,150,130]至[23,255,255],从备份图像中获取蓝色粘虫板图像掩膜。
(5)使用图形掩膜准确定位各粘虫板位置,获取感兴趣区域。并通过各图像掩膜,初步提取出害虫目标。
(6)对初步提取的害虫目标,使用形态学方法处理以填补由于图像噪音导致的孔洞。先进行3次图像膨胀操作,接着再进行2次图像腐蚀操作。以实现图像平滑处理,去除部分噪音点。最后得到待分类图像并计算该图像块的轮廓大小、像素点大小、RGB三通道均值、所属诱虫板种类等;
3、害虫识别计数:基于改进BOF模型的害虫识别算法
(1)训练:首先,将从农地拍摄得到的害虫图像进行人工处理。人工获取单个害虫图像,并将害虫规格化成大小为128*128的RGB图像,统一命名,初始化算法的一系列路径变量,为所有图像分配指定标签(用数字表示),如第一类害虫的标签为1。
其次,如图2所示生成视觉词典的直方图表示,利用优化的HOG特征提取算法,对预处理后的害虫图像进行特征提取和描述,获取每张害虫图像的特征信息。标准的HOG算法流程为:颜色空间归一化—>梯度计算—>梯度方向直方图—>重叠块直方图归一化—>HOG特征。由于HOG算法计算速度较慢,时间代价大,本方法针对所研究的害虫目标图像,基于R-HOG型HOG算法,对HOG算法进行简化,以实现运算速度上的优化。由于本方法中,害虫图像已经为被规格化为128*128的RGB图像,故将HOG算法过程简化为:梯度计算->梯度方向直方图->HOG特征,以调高算法运算速度。针对本方法中的害虫图像对象,具体参数:设定区域窗口大小winSize(16,16),块大小blockSize(8,8),块滑动增量blockStride(4,4),胞元大小cellSize(4,4),梯度方向数nbins为9。
然后,用K-Means聚类算法构造视觉词典,初始聚类质心随机选取,通过限定迭代次数收敛出最终的聚类中心,构造出视觉词典。接着,引入SPM对图像进行基于视觉词典的直方图表示,生成所有害虫图像的直方图表示,结果以mat文件的格式保存在global文件夹内。针对本研究中被规格化后的害虫图像的特点,在聚类算法过程中,将k值设定为n_clusters:10,初始之心运行算法次数n_init:10,初始化值选取采用“k-means++”的方式进行,考虑到规格化后的图像的稀疏度,采用“elkan”方式进行聚类操作。
最后,如图3,使用所生成的训练数据,训练支持向量机(SVM),训练SVM分类器识别分类。针对本研究中害虫图像,选择SVM类型为C—SVC,松弛变量为200,所用核函数为直方图交叉核,最后分别得到黄曲条跳甲SVM分类器、小菜蛾SVM分类器、烟粉虱SVM分类器和蓟马SVM分类器。
(2)识别过程:首先根据对本研究的4种害虫的生物学特性,将像素点大小小于255或大于15000,或目标轮廓小于48或大于800的目标视为非目标害虫去除。
接着,对初步筛选后的害虫图像进行规格化处理,将图像规格化成大小为128*128的RBG图像。
然后,对规格化后的图像进行优化HOG特征提取和描述,针对本研究对象,经研究时候后,具体参数:设定区域窗口大小winSize(16,16),块大小blockSize(8,8),块滑动增量blockStride(4,4),胞元大小cellSize(4,4),梯度方向数nbins为9。
然后用K-means聚类算法对提取到的特征聚类,构造视觉词典,再用SPM生成图像的直方图表示,针对本研究中被规格化后的害虫图像的特点,在聚类算法过程中,将k值设定为n_clusters:10,初始之心运行算法次数n_init:10,初始化值选取采用“k-means++”的方式进行,考虑到规格化后的图像的稀疏度,采用“elkan”方式进行聚类操作。
最后通过目标图像的形态学数据做初步分类,选用不同SVM分类器分类,输出识别的结果。针对本实施例所针对的黄曲条跳甲、小菜蛾、烟粉虱和蓟马4种害虫目标,由于黄曲条跳甲成虫体长约2毫米,小菜蛾成虫体长约6-7毫米、翅长12-16毫米,烟粉虱成虫体长约0.8-0.95毫米、翅长约1.75-1.87毫米,蓟马成虫体长0.5-2毫米。另外黄曲条跳甲、小菜蛾和烟粉虱偏好黄色,可使用黄色诱虫板诱捕;蓟马偏好蓝色,可使用蓝色诱虫板诱捕。
为了提高本算法的运行效率,结合各种害虫的生物特性,将原目标害虫像素点大小大于4800的害虫目标,通过小菜蛾SVM分类器进行识别;将原目标害虫像素点大小小于4800,且属于黄色诱虫板区域的目标,分别通过黄曲条跳甲SVM分类器和烟粉虱SVM分类器进行识别;将原目标害虫像素点大小小于4800且属于蓝色诱虫板区域的目标,通过蓟马SVM分类器进行识别,算法流程如图1。由于本实施例中的害虫识别算法有较好扩展性,可使用于非诱捕板上的害虫目标的识别,故对于未标记诱捕板种类的害虫目标,则分别使用黄曲条跳甲SVM分类器、小菜蛾SVM分类器、烟粉虱SVM分类器和蓟马SVM分类器进行识别。
本方法基于图像的害虫自动识别与计数技术,实现对南方蔬菜主要害虫烟粉虱、黄曲条跳甲、小菜蛾和蓟马等图像数据的快速识别计数,可以辅助农民或基层植保人员进行蔬菜害虫监测工作,很大程度上减轻劳动强度。将为农业标准化生产、数字农业提供信息支撑,对于提高安全蔬菜监测水平和保障蔬菜质量安全,促进现代农业发展、农民增收都有重要意义。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的南方蔬菜重大害虫的检测计数方法,其特征在于,包括以下步骤:
S1、害虫图像预处理步骤:对获取的基于诱捕板所诱捕的虫害原始图像进行感兴趣区域定位,所述感兴趣区域为图像中诱捕板区域;
S2、害虫目标分割提取步骤:将粘虫板位置作为感兴趣图像,对传入的粘虫板区域图像进行背景模型识别,初步提取出害虫目标;对初步提取的害虫目标,使用形态学方法处理以填补由于图像噪音导致的孔洞,最后得到待分类图像并计算该图像块的相关参数;
S3、害虫识别计数步骤包括:
S3-1训练不同害虫的SVM分类器;
S3-2根据不同害虫的生物学特性将害虫图像中的非目标害虫去除,对初步筛选后的害虫图像进行规格化处理;
S3-3对规格化后的图像进行优化HOG特征提取和描述,用K-means聚类算法对提取到的特征聚类,构造视觉词典,再用SPM生成图像的直方图表示;
S3-4最后通过目标图像的形态学数据做初步分类,选用不同SVM分类器,输出识别的结果,进行害虫识别计数。
2.根据权利要求1所述的检测计数方法,其特征在于,步骤S2害虫目标分割提取具体步骤包括:
S2-1对图像进行中值滤波处理;
S2-1对图像进行拷贝操作,并将备份图像从RGB色彩空间转换至HSV色彩空间;
S2-3使用图形掩膜准确定位各粘虫板位置,获取感兴趣区域,并通过各图像掩膜,初步提取出害虫目标;
S2-4对初步提取的害虫目标,先进行多次图像膨胀操作,接着再进行多次图像腐蚀操作,以实现图像平滑处理,去除部分噪音点;最后得到待分类图像的相关参数包括该图像块的轮廓大小、像素点大小、RGB三通道均值和所属粘虫板种类。
3.根据权利要求2所述的检测计数方法,其特征在于,步骤S2-1中针对所采集图像的特点设置滤波器大小。
4.根据权利要求2所述的检测计数方法,其特征在于,使用阈值范围[91,150,135]至[96,255,255],从备份图像中获取黄色粘虫板图像掩膜;使用阈值范围[16,150,130]至[23,255,255],从备份图像中获取蓝色粘虫板图像掩膜。
5.根据权利要求2所述的检测计数方法,其特征在于,S2-4中先进行3次图像膨胀操作,接着再进行2次图像腐蚀操作。
6.根据权利要求1所述的检测计数方法,其特征在于,步骤S3-1的具体方法是:
将从农地拍摄得到的害虫图像进行人工处理,人工获取单个害虫图像,并将害虫规格化成一定大小的图像;将规格化的图像统一命名,为所有图像分配指定标签;初始化算法的一系列路径变量;
利用优化HOG特征提取算法,对预处理后的害虫图像进行特征提取和描述,获取每张害虫图像的特征信息;
用K-Means聚类算法构造视觉词典,初始聚类质心随机选取,通过限定迭代次数收敛出最终的聚类中心,构造出视觉词典;
引入SPM对图像进行基于视觉词典的直方图表示,生成所有害虫图像的直方图表示;
使用所生成的训练数据,训练支持向量机SVM,分别得到针对不同害虫的SVM分类器。
7.根据权利要求6所述的检测计数方法,其特征在于,在聚类算法过程中,初始化值选取采用“k-means++”的方式进行,考虑到规格化后的图像的稀疏度,采用“elkan”方式进行聚类操作。
8.根据权利要求1或权利要求6所述的检测计数方法,其特征在于,优化HOG特征提取是指,将HOG算法过程简化为:梯度计算->梯度方向直方图->HOG特征,以调高算法运算速度。
9.根据权利要求1所述的检测计数方法,其特征在于,步骤S3-1中训练得到黄曲条跳甲SVM分类器、小菜蛾SVM分类器、烟粉虱SVM分类器和蓟马SVM分类器;
结合各种害虫的生物特性,将原目标害虫像素点大小大于4800的害虫目标,通过小菜蛾SVM分类器进行识别;
将原目标害虫像素点大小小于4800,且属于黄色诱虫板区域的目标,分别通过黄曲条跳甲SVM分类器和烟粉虱SVM分类器进行识别;
将原目标害虫像素点大小小于4800且属于蓝色诱虫板区域的目标,通过蓟马SVM分类器进行识别。
10.根据权利要求1所述的检测计数方法,其特征在于,对于未标记诱捕板种类的害虫目标,无法对分类器进行针对性的选择,则使用不同的分类器分别进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710469618.6A CN107292891A (zh) | 2017-06-20 | 2017-06-20 | 一种基于机器视觉的南方蔬菜重大害虫的检测计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710469618.6A CN107292891A (zh) | 2017-06-20 | 2017-06-20 | 一种基于机器视觉的南方蔬菜重大害虫的检测计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292891A true CN107292891A (zh) | 2017-10-24 |
Family
ID=60096699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710469618.6A Pending CN107292891A (zh) | 2017-06-20 | 2017-06-20 | 一种基于机器视觉的南方蔬菜重大害虫的检测计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292891A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108271753A (zh) * | 2018-01-05 | 2018-07-13 | 广州翼鲲生物科技有限公司 | 一种害虫防治方法和系统 |
CN108875825A (zh) * | 2018-06-12 | 2018-11-23 | 河南工业大学 | 一种基于图像分块的粮仓害虫检测方法 |
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 |
CN109272103A (zh) * | 2018-08-01 | 2019-01-25 | 河南工业大学 | 一种对害虫数量进行快速统计的方法 |
WO2019126971A1 (zh) * | 2017-12-25 | 2019-07-04 | 仲恺农业工程学院 | 一种基于机器视觉的虫害监测方法 |
CN110276280A (zh) * | 2019-06-06 | 2019-09-24 | 刘嘉津 | 一种农作物害虫图像自动识别的光学处理方法 |
CN110490861A (zh) * | 2019-08-22 | 2019-11-22 | 石河子大学 | 一种用于黄板上蚜虫的识别方法及系统 |
CN110837768A (zh) * | 2018-08-16 | 2020-02-25 | 武汉大学 | 一种面向珍稀动物保护的在线检测与识别方法 |
CN111178354A (zh) * | 2019-12-23 | 2020-05-19 | 深圳市铁汉生态环境股份有限公司 | 一种红树林害虫监测方法以及系统 |
CN112241762A (zh) * | 2020-10-19 | 2021-01-19 | 吉林大学 | 一种用于病虫害图像分类的细粒度识别方法 |
CN112257730A (zh) * | 2020-11-20 | 2021-01-22 | 湖南本业绿色防控科技股份有限公司 | 植物害虫图像识别方法、装置、设备及存储介质 |
CN112686862A (zh) * | 2020-12-30 | 2021-04-20 | 浙江托普云农科技股份有限公司 | 害虫识别记数方法、系统、装置及可读存储介质 |
CN116385435A (zh) * | 2023-06-02 | 2023-07-04 | 济宁市健达医疗器械科技有限公司 | 基于图像分割的制药胶囊计数方法 |
CN116703904A (zh) * | 2023-08-04 | 2023-09-05 | 中建八局第一数字科技有限公司 | 一种基于图像的钢筋数量检测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976350A (zh) * | 2010-10-20 | 2011-02-16 | 中国农业大学 | 基于视频分析的储粮害虫检测识别方法及其系统 |
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 |
CN104102920A (zh) * | 2014-07-15 | 2014-10-15 | 中国科学院合肥物质科学研究院 | 一种基于形态学多特征融合的害虫图像分类方法及系统 |
CN106250909A (zh) * | 2016-07-11 | 2016-12-21 | 南京邮电大学 | 一种基于改进视觉词袋模型的图像分类方法 |
-
2017
- 2017-06-20 CN CN201710469618.6A patent/CN107292891A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976350A (zh) * | 2010-10-20 | 2011-02-16 | 中国农业大学 | 基于视频分析的储粮害虫检测识别方法及其系统 |
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 |
CN104102920A (zh) * | 2014-07-15 | 2014-10-15 | 中国科学院合肥物质科学研究院 | 一种基于形态学多特征融合的害虫图像分类方法及系统 |
CN106250909A (zh) * | 2016-07-11 | 2016-12-21 | 南京邮电大学 | 一种基于改进视觉词袋模型的图像分类方法 |
Non-Patent Citations (4)
Title |
---|
KARLOS ESPINOZA等: "Combination of image processing and artificial neural networks as a novel approach for the identification of Bemisia tabaci and Frankliniella occidentalis on sticky traps in greenhouse agriculture", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
李熙莹等: "基于LLC与加权SPM的车辆品牌型号识别", 《计算机工程》 * |
苏庭奕: "基于图像处理的储粮害虫检测及识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
赵虎: "基于局部特征的稻田飞虱检测方法的研究", 《中国优秀硕士学位论文全文数据库 农业科技辑(月刊)》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019126971A1 (zh) * | 2017-12-25 | 2019-07-04 | 仲恺农业工程学院 | 一种基于机器视觉的虫害监测方法 |
US10729117B2 (en) | 2017-12-25 | 2020-08-04 | Zhongkai University Of Agriculture And Engineer | Pest monitoring method based on machine vision |
CN108271753A (zh) * | 2018-01-05 | 2018-07-13 | 广州翼鲲生物科技有限公司 | 一种害虫防治方法和系统 |
CN108875825B (zh) * | 2018-06-12 | 2022-01-25 | 河南工业大学 | 一种基于图像分块的粮仓害虫检测方法 |
CN108875825A (zh) * | 2018-06-12 | 2018-11-23 | 河南工业大学 | 一种基于图像分块的粮仓害虫检测方法 |
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 |
CN109272103A (zh) * | 2018-08-01 | 2019-01-25 | 河南工业大学 | 一种对害虫数量进行快速统计的方法 |
CN110837768A (zh) * | 2018-08-16 | 2020-02-25 | 武汉大学 | 一种面向珍稀动物保护的在线检测与识别方法 |
CN110276280A (zh) * | 2019-06-06 | 2019-09-24 | 刘嘉津 | 一种农作物害虫图像自动识别的光学处理方法 |
CN110490861A (zh) * | 2019-08-22 | 2019-11-22 | 石河子大学 | 一种用于黄板上蚜虫的识别方法及系统 |
CN111178354A (zh) * | 2019-12-23 | 2020-05-19 | 深圳市铁汉生态环境股份有限公司 | 一种红树林害虫监测方法以及系统 |
CN111178354B (zh) * | 2019-12-23 | 2024-02-27 | 中节能铁汉生态环境股份有限公司 | 一种红树林害虫监测方法以及系统 |
CN112241762A (zh) * | 2020-10-19 | 2021-01-19 | 吉林大学 | 一种用于病虫害图像分类的细粒度识别方法 |
CN112257730A (zh) * | 2020-11-20 | 2021-01-22 | 湖南本业绿色防控科技股份有限公司 | 植物害虫图像识别方法、装置、设备及存储介质 |
CN112686862A (zh) * | 2020-12-30 | 2021-04-20 | 浙江托普云农科技股份有限公司 | 害虫识别记数方法、系统、装置及可读存储介质 |
CN116385435A (zh) * | 2023-06-02 | 2023-07-04 | 济宁市健达医疗器械科技有限公司 | 基于图像分割的制药胶囊计数方法 |
CN116385435B (zh) * | 2023-06-02 | 2023-09-26 | 济宁市健达医疗器械科技有限公司 | 基于图像分割的制药胶囊计数方法 |
CN116703904A (zh) * | 2023-08-04 | 2023-09-05 | 中建八局第一数字科技有限公司 | 一种基于图像的钢筋数量检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292891A (zh) | 一种基于机器视觉的南方蔬菜重大害虫的检测计数方法 | |
Arya et al. | Detection of unhealthy plant leaves using image processing and genetic algorithm with Arduino | |
Jaisakthi et al. | Grape leaf disease identification using machine learning techniques | |
Ali et al. | Symptom based automated detection of citrus diseases using color histogram and textural descriptors | |
Singh et al. | Detection of unhealthy region of plant leaves using image processing and genetic algorithm | |
Kuricheti et al. | Computer vision based turmeric leaf disease detection and classification: a step to smart agriculture | |
Raut et al. | Plant disease detection in image processing using MATLAB | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
CN111753805B (zh) | 安全帽佩戴检测方法和装置 | |
CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN108109160A (zh) | 一种基于深度学习的免交互式GrabCut舌体分割方法 | |
Jafari et al. | Weed detection in sugar beet fields using machine vision | |
CN108288033A (zh) | 一种基于随机蕨融合多特征的安全帽检测方法 | |
Renugambal et al. | Application of image processing techniques in plant disease recognition | |
CN103593652B (zh) | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 | |
Al-Badri et al. | Classification of weed using machine learning techniques: a review—challenges, current and future potential techniques | |
Leong et al. | Plant leaf diseases identification using convolutional neural network with treatment handling system | |
Verma et al. | Vision based detection and classification of disease on rice crops using convolutional neural network | |
Gavhale et al. | Identification of medicinal plant using Machine learning approach | |
Meyer | Machine vision identification of plants | |
CN110516615A (zh) | 基于卷积神经网络的人车分流控制方法 | |
Malathi et al. | A survey on plant leaf disease detection using image processing techniques | |
CN106373135A (zh) | 一种基于颜色的害虫识别计数方法 | |
Kent et al. | Early symptom detection of basal stem rot disease in oil palm trees using a deep learning approach on UAV images |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171024 |