CN107833187A - 一种基于孢子计数的设施蔬菜病害预警方法及系统 - Google Patents
一种基于孢子计数的设施蔬菜病害预警方法及系统 Download PDFInfo
- Publication number
- CN107833187A CN107833187A CN201711021010.3A CN201711021010A CN107833187A CN 107833187 A CN107833187 A CN 107833187A CN 201711021010 A CN201711021010 A CN 201711021010A CN 107833187 A CN107833187 A CN 107833187A
- Authority
- CN
- China
- Prior art keywords
- spore
- air
- image
- sample
- density
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 27
- 201000010099 disease Diseases 0.000 title claims abstract description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 25
- 239000000284 extract Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000001556 precipitation Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims 1
- 239000011521 glass Substances 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000001228 spectrum Methods 0.000 description 6
- 241000233866 Fungi Species 0.000 description 5
- 208000031888 Mycoses Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 244000144987 brood Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Abstract
本发明提供一种基于孢子计数的设施蔬菜病害预警方法及系统，所述方法包括利用孢子捕捉仪采集设施空气中的孢子样本；利用电子显微镜获取孢子样本的孢子样本图像；利用Image‑Pro Plus获取孢子样本图像中的第一孢子数量；根据采集孢子样本时抽取的空气的体积、获取孢子样本图像电子显微镜的放大倍数和第一孢子数量计算设施空气的孢子密度；若判断获知孢子密度大于等于预设阈值，则发出预警信号。本发明提供的基于孢子计数的设施蔬菜病害预警方法及系统，通过图像处理技术获取孢子样本图像的孢子数量，进而计算出设施空气的孢子密度，再根据孢子密度的大小进行报警，该预警方法成本低，应用推广价值高，预警准确性高。
Description
技术领域
本发明涉及农业工程和图像处理技术领域，尤其涉及一种基于孢子计数的设施蔬菜病害预警方法及系统。
背景技术
病原微生物是引发蔬菜侵染性病害的直接原因，侵染性病害以真菌类病害为主，真菌性病害种类多，危害大。孢子作为真菌的繁殖体，侵染蔬菜后引发病害，因此，如何能够及时、准确的发现真菌性病害，并提前预防，是本领域技术人员需要解决的技术问题。
现有技术中对真菌性病害的预警主要是利用太赫兹对水分的微弱变化有较好灵敏性，而孢子有一定的含水量，且分布在植株周围，于是可以选择抽取植株附近和远处的空气，并检测其太赫兹光谱强度值来实现。具体方法为：预先建立查询数据库存储已标定的设施内植株的含水量与太赫兹光谱信息，其中，设施内植株的含水量与太赫兹光谱信息为一一对应关系。采集设施内的两个采样点的空气，并分别通过太赫兹光谱仪对这两个采样点的空气进行检测，获得两个采样点的太赫兹光谱强度值，计算这两个采样点的空气的太赫兹光谱强度差值；根据这两个采样点的太赫兹光谱强度差值与经验阈值的比较，判定植株附近空气中病害孢子含量是否超标，若超标则报警。
但是，现有技术中的方法对两个采样点的选择要求较高，需满足一个采样点位于靠近植株底部的位置，另一个采样点位于远离植株的位置，且还需要满足基于太赫兹光谱技术设施内植株病害在线预警的测量原理。另外，设施环境中的湿度和多种因素有关，因此，就导致该预警方法的准确率低，预警效果差的技术问题。
发明内容
(一)要解决的技术问题
本发明的目的是提供一种基于孢子计数的设施蔬菜病害预警方法及系统，解决了现有技术中病害预警方法的准确率低，预警效果差的技术问题。
(二)技术方案
为了解决上述技术问题，一方面，本发明提供一种基于孢子计数的设施蔬菜病害预警方法，包括：
利用孢子捕捉仪采集设施空气中的孢子样本；
利用电子显微镜获取所述孢子样本的孢子样本图像；
获取所述孢子样本图像中的第一孢子数量N0；
根据空气体积V、放大倍数K和所述第一孢子数量N0，计算所述设施空气的孢子密度M，其中，所述空气体积V为采集所述孢子样本时所述孢子捕捉仪抽取的空气体积，所述放大倍数K为获取所述孢子样本图像时所述电子显微镜的放大倍数；
若判断获知所述孢子密度M大于等于预设阈值，则发出预警信号。
进一步地，所述根据空气体积V、放大倍数K和所述第一孢子数量N0，计算所述设施空气的孢子密度M具体为：
M＝K*N0/V
其中，M为所述设施空气的孢子密度，所述放大倍数K为获取所述孢子样本图像时所述电子显微镜的放大倍数，N0为所述孢子样本图像中的第一孢子数量，所述空气体积V为采集所述孢子样本时所述孢子捕捉仪抽取的空气体积。
进一步地，在所述获取所述孢子样本图像中的第一孢子数量N0之前还包括：
对所述孢子样本图像依次进行平滑处理、图像特征提取和图像分割。
进一步地，所述平滑处理采用中值滤波法。
进一步地，通过所述图像特征提取获取所述孢子样本图像的颜色特征、形状特征和纹理特征。
进一步地，所述图像分割采用模糊C均值聚类算法。
另一方面，本发明提供一种基于孢子计数的设施蔬菜病害预警系统，包括：
孢子捕捉仪、电子显微镜和上位机；
所述孢子捕捉仪用于采集设施空气中的孢子样本；
所述电子显微镜用于获取所述孢子样本的孢子样本图像；
所述上位机用于获取所述孢子样本图像中的第一孢子数量N0，并根据空气体积V、放大倍数K和所述第一孢子数量N0，计算所述设施空气的孢子密度M，其中，所述空气体积V为采集所述孢子样本时所述孢子捕捉仪抽取的空气体积，所述放大倍数K为获取所述孢子样本图像时所述电子显微镜的放大倍数，若判断获知所述孢子密度M大于等于预设阈值，则用于发出预警信号。
进一步地，所述孢子捕捉仪包括孢子沉积装置和载玻片，所述孢子沉积装置用于抽取所述设施空气，并将所述设施空气中的孢子沉积到所述载玻片上。
进一步地，所述上位机上安装有Image-Pro Plus，通过所述Image-Pro Plus获取所述孢子样本图像中的第一孢子数量N0。
进一步地，所述上位机包括报警装置，若判断获知所述孢子密度M大于等于预设阈值，则通过所述报警装置发出预警信号。
(三)有益效果
本发明提供的基于孢子计数的设施蔬菜病害预警方法及系统，通过图像处理技术获取孢子样本图像的孢子数量，进而计算出设施空气的孢子密度，再根据孢子密度的大小进行报警，该预警方法成本低，应用推广价值高，预警准确性高。
附图说明
图1为依照本发明实施例的基于孢子计数的设施蔬菜病害预警方法示意图；
图2为依照本发明实施例的基于孢子计数的设施蔬菜病害预警系统示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
图1为依照本发明实施例的基于孢子计数的设施蔬菜病害预警方法示意图，如图1所示，本发明实施例提供一种基于孢子计数的设施蔬菜病害预警方法，包括：
步骤S10、利用孢子捕捉仪采集设施空气中的孢子样本；
步骤S20、利用电子显微镜获取所述孢子样本的孢子样本图像；
步骤S30、获取所述孢子样本图像中的第一孢子数量N0；
步骤S40、根据空气体积V、放大倍数K和所述第一孢子数量N0，计算所述设施空气的孢子密度M，其中，所述空气体积V为采集所述孢子样本时所述孢子捕捉仪抽取的空气体积，所述放大倍数K为获取所述孢子样本图像时所述电子显微镜的放大倍数；
步骤S50、若判断获知所述孢子密度M大于等于预设阈值，则发出预警信号。
具体的，在设施空气中通过孢子捕捉仪对孢子进行实地捕捉，所述的设施通常情况为温室，获得孢子玻片。
通过电子显微镜对捕捉到的孢子玻片标本进行图像采集，获得孢子样本图像。电子显微镜放大倍数可以选择为10×20，获得图片格式为jpg，RGB颜色空间模式，通过灰度转换将图像转换为灰度图像。
将RGB图像转化为灰度图像，公式如下：
Gray＝(R*299+G*587+B*114+500)/1000
其中，Gray为灰度值，R、G、B分别为红(R)、绿(G)、蓝(B)三个颜色通道的强度值。
然后，通过Image-Pro Plus对孢子样本图像进行处理，可以获得孢子样本图像中的第一孢子数量N0。
再根据孢子捕捉仪采集孢子样本时孢子捕捉仪抽取的空气的体积V，以及获取孢子样本图像时电子显微镜的放大倍数K和所述第一孢子数量N0，计算所述设施空气的孢子密度M。
然后，判断设施空气的孢子密度M与预设阈值的大小。
若判断获知所述孢子密度M大于等于预设阈值，则确定设施空气的孢子密度超标，设施蔬菜可能会受到真菌的侵染，发出预警信号，可以有效指导蔬菜病害预警工作的进行。
若判断获知所述孢子密度M小于预设阈值，则确定设施空气的孢子密度未超标，设施蔬菜不存在受到真菌的侵染的风险，不会发出预警信号。
进一步地，所述根据空气体积V、放大倍数K和所述第一孢子数量N0，计算所述设施空气的孢子密度M具体为：
M＝K*N0/V
其中，M为所述设施空气的孢子密度，所述放大倍数K为获取所述孢子样本图像时所述电子显微镜的放大倍数，N0为所述孢子样本图像中的第一孢子数量，所述空气体积V为采集所述孢子样本时所述孢子捕捉仪抽取的空气体积。
具体的，通过电子显微镜只能获得视野范围内的孢子样本图像，通过孢子样本图像获得的第一孢子数量N0，为电子显微镜视野范围内的孢子样本中的孢子数量，所以需要根据电子显微镜的放大倍数计算出，孢子样本中的所有孢子的数量，根据公式N1＝K*N0，计算孢子样本中的所有孢子的数量，即第二孢子数量，其中，N1为孢子样本中的第二孢子数量，K为获取孢子样本图像时电子显微镜的放大倍数，N0为孢子样本图像中的第一孢子数量。
然后，再根据公式M＝N1/V，计算设施空气的孢子密度，其中，M为设施空气的孢子密度，N1为孢子样本中的第二孢子数量，V为采集孢子样本时孢子捕捉仪抽取的空气的体积。
进一步地，在所述获取所述孢子样本图像中的第一孢子数量N0之前还包括：
对所述孢子样本图像依次进行平滑处理、图像特征提取和图像分割。
进一步地，所述平滑处理采用中值滤波法。
进一步地，通过所述图像特征提取获取所述孢子样本图像的颜色特征、形状特征和纹理特征。
进一步地，所述图像分割采用模糊C均值聚类算法。
具体的，在所述利用Image-Pro Plus获取所述孢子样本图像中的第一孢子数量N0之前还包括：
对所述孢子样本图像依次进行平滑处理、图像特征提取和图像分割。
通过中值滤波法对孢子样本图像进行平滑处理，中值滤波步骤如下：
a.将滤波模板在图像中遍历，并将模板中心与图中某个像素位置重合；
b.读取模板中各对应像素的灰度值；
c.将这些灰度值进行大小排序；
d.将这些数据的中间数据赋给对应模板中心位置的像素。
中值滤波公式如下：
其中f(x，y)为滤波输出，Sxy表示以(x，y)为中心滤波窗口中的所有坐标点，g(x，y)表示坐标点(x，y)处的灰度值，median表示进行中值处理。
针对孢子样本图像，提取孢子的颜色特征、形状特征和纹理特征。
a.颜色特征，将RGB颜色转换为易于机器识别的HSV颜色，公式如下：
V＝max(R,G,B)
mm＝max(R,G,B)-min(R,G,B)
令则：
b.形状特征，包括面积、周长、圆形度、矩形度、复杂度、偏心率，如下：
面积A：F(i,j)表示在点(i,j)处的二值化图像灰度级(只能取两个值：“0”或“1”)。
周长L：周长也即区域边界全部像素点之和。
圆形度：圆度用于描述孢子与圆形的偏离程度。
矩形度：矩形度用于描述孢子与矩形的偏离程度。
复杂度：F＝A2/(KA)，其中K为常数。
偏心率：EC＝p/q，偏心率在一定程度上描述了区域的紧凑性，目标长轴与短轴比值的定义方式受物体形状和噪声的影响很大，而基于惯量定义的偏心率抗干扰能力比较强。其中惯量椭圆的2个半主轴长(P和q)分别为：
其中，c1、c2、c3分别是目标的各个像素点分别绕X、Y、Z坐标轴的转动惯量，其定义为：
c.纹理特征，选取灰度共生矩阵6个纹理特征参数和灰度差分统计特征中的4个纹理特征参数作为提取特征。
对于共生矩阵，纹理特征量包括：
熵：是对图像纹理信息量的一种度量，可以定义为：当Ci,j的值分布越均匀，则熵值越大。如果只含有少量纹理信息，则熵值就小。
能量：也叫角二阶矩，是衡量图像中纹理的一种度量，可定义为：当Ci,j中各个元素的值相等时，能量值最小；若Ci,j中各个元素的值相差大时，能量值就大。
同质性：同质性描述了图像的局部平滑性，又称逆差分矩，可以定义为：当Ci,j中值集中在对角线附近时，同质性大。
对比度：对比度表示图像全部像素对待灰度差为|i-j|的平均值，灰度差即对比度大的像素对越多，这个值越大。定义为：
聚类中心趋势：其中
相关性：描述了相邻像素间灰度的线性相关度，定义为：其中t同上，
对于灰度差分统计，可以用下面的数学公式来描述：
gΔ(x,y)＝g(x,y)-g(x+Δx+Δy)
其(x,y)中其中是像素对坐标位置，g(x,y)是像素(x,y)的灰度值。可以根据统计结果做出灰度差分直方图PΔ(i)。基于此直方图，可以定义如下特征测度：
对比度：
角度方向二阶矩：
熵：
平均值：
由于病原孢子图像边缘清晰，边缘特征明显，通过基于模糊C均值聚类算法(FCM)辅助完成孢子图像分割。
FCM把n个向量xi(i＝1,2,…,n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。与引入模糊划分相适应，隶属矩阵U允许有取值在0，1间的元素。加上归一化规定，一个数据集的隶属度的和总等于1：
FCM价值函数(或目标函数)一般化形式为：
其中，uij介于0，1间；ci为模糊组I的聚类中心，dij＝||ci-xj||为第I个聚类中心与第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数。
本发明提供的基于孢子计数的设施蔬菜病害预警方法，通过图像处理技术获取孢子样本图像的孢子数量，进而计算出设施空气的孢子密度，再根据孢子密度的大小进行报警，该预警方法成本低，应用推广价值高，预警准确性高。
实施例2：
图2为依照本发明实施例的基于孢子计数的设施蔬菜病害预警系统示意图，如图2所示，本发明实施例提供一种基于孢子计数的设施蔬菜病害预警系统，包括：
孢子捕捉仪、电子显微镜和上位机；
所述孢子捕捉仪用于采集设施空气中的孢子样本；
所述电子显微镜用于获取所述孢子样本的孢子样本图像；
所述上位机用于获取所述孢子样本图像中的第一孢子数量N0，并根据空气体积V、放大倍数K和所述第一孢子数量N0，计算所述设施空气的孢子密度M，其中，所述空气体积V为采集所述孢子样本时所述孢子捕捉仪抽取的空气体积，所述放大倍数K为获取所述孢子样本图像时所述电子显微镜的放大倍数，若判断获知所述孢子密度M大于等于预设阈值，则用于发出预警信号。
进一步地，所述孢子捕捉仪包括孢子沉积装置和载玻片，所述孢子沉积装置用于抽取所述设施空气，并将所述设施空气中的孢子沉积到所述载玻片上。
进一步地，所述上位机上安装有Image-Pro Plus，通过所述Image-Pro Plus获取所述孢子样本图像中的第一孢子数量N0。
进一步地，所述上位机包括报警装置，若判断获知所述孢子密度M大于等于预设阈值，则通过所述报警装置发出预警信号。
具体的，在设施空气中通过孢子捕捉仪对孢子进行实地捕捉，所述的设施通常情况为温室，孢子捕捉仪包括孢子沉积装置和载玻片，所述孢子沉积装置用于抽取所述设施空气，并将所述设施空气中的孢子沉积到所述载玻片上，获得孢子玻片。
通过电子显微镜对捕捉到的孢子玻片标本进行图像采集，获得孢子样本图像。电子显微镜放大倍数可以选择为10×20，获得图片格式为jpg，RGB颜色空间模式，通过灰度转换将图像转换为灰度图像。
所述上位机上安装有Image-Pro Plus软件，通过Image-Pro Plus软件对孢子样本图像进行处理，可以获得孢子样本图像中的第一孢子数量N0。
再根据孢子捕捉仪采集孢子样本时孢子捕捉仪抽取的空气的体积V，以及获取孢子样本图像时电子显微镜的放大倍数K和所述第一孢子数量N0，计算所述设施空气的孢子密度M。
然后，判断设施空气的孢子密度M与预设阈值的大小。
若判断获知所述孢子密度M大于等于预设阈值，则确定设施空气的孢子密度超标，设施蔬菜可能会受到真菌的侵染，发出预警信号，可以有效指导蔬菜病害预警工作的进行。
若判断获知所述孢子密度M小于预设阈值，则确定设施空气的孢子密度未超标，设施蔬菜不存在受到真菌的侵染的风险，不会发出预警信号。
本发明提供的基于孢子计数的设施蔬菜病害预警系统，通过图像处理技术获取孢子样本图像的孢子数量，进而计算出设施空气的孢子密度，再根据孢子密度的大小进行报警，该预警方法成本低，应用推广价值高，预警准确性高。
Claims (10)
1.一种基于孢子计数的设施蔬菜病害预警方法，其特征在于，包括：
利用孢子捕捉仪采集设施空气中的孢子样本；
利用电子显微镜获取所述孢子样本的孢子样本图像；
获取所述孢子样本图像中的第一孢子数量N0；
根据空气体积V、放大倍数K和所述第一孢子数量N0，计算所述设施空气的孢子密度M，其中，所述空气体积V为采集所述孢子样本时所述孢子捕捉仪抽取的空气体积，所述放大倍数K为获取所述孢子样本图像时所述电子显微镜的放大倍数；
若判断获知所述孢子密度M大于等于预设阈值，则发出预警信号。
2.根据权利要求1所述的方法，其特征在于，所述根据空气体积V、放大倍数K和所述第一孢子数量N0，计算所述设施空气的孢子密度M具体为：
M＝K*N0/V
其中，M为所述设施空气的孢子密度，所述放大倍数K为获取所述孢子样本图像时所述电子显微镜的放大倍数，N0为所述孢子样本图像中的第一孢子数量，所述空气体积V为采集所述孢子样本时所述孢子捕捉仪抽取的空气体积。
3.根据权利要求1或2所述的方法，其特征在于，在所述获取所述孢子样本图像中的第一孢子数量N0之前还包括：
对所述孢子样本图像依次进行平滑处理、图像特征提取和图像分割。
4.根据权利要求3所述的方法，其特征在于，所述平滑处理采用中值滤波法。
5.根据权利要求3所述的方法，其特征在于，通过所述图像特征提取获取所述孢子样本图像的颜色特征、形状特征和纹理特征。
6.根据权利要求3所述的方法，其特征在于，所述图像分割采用模糊C均值聚类算法。
7.一种基于孢子计数的设施蔬菜病害预警系统，其特征在于，包括：
孢子捕捉仪、电子显微镜和上位机；
所述孢子捕捉仪用于采集设施空气中的孢子样本；
所述电子显微镜用于获取所述孢子样本的孢子样本图像；
所述上位机用于获取所述孢子样本图像中的第一孢子数量N0，并根据空气体积V、放大倍数K和所述第一孢子数量N0，计算所述设施空气的孢子密度M，其中，所述空气体积V为采集所述孢子样本时所述孢子捕捉仪抽取的空气体积，所述放大倍数K为获取所述孢子样本图像时所述电子显微镜的放大倍数，若判断获知所述孢子密度M大于等于预设阈值，则用于发出预警信号。
8.根据权利要求7所述的系统，其特征在于，所述孢子捕捉仪包括孢子沉积装置和载玻片，所述孢子沉积装置用于抽取所述设施空气，并将所述设施空气中的孢子沉积到所述载玻片上。
9.根据权利要求7所述的系统，其特征在于，所述上位机上安装有Image-Pro Plus，通过所述Image-Pro Plus获取所述孢子样本图像中的第一孢子数量N0。
10.根据权利要求7-9任一项所述的系统，其特征在于，所述上位机包括报警装置，若判断获知所述孢子密度M大于等于预设阈值，则通过所述报警装置发出预警信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711021010.3A CN107833187A (zh) | 2017-10-27 | 2017-10-27 | 一种基于孢子计数的设施蔬菜病害预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711021010.3A CN107833187A (zh) | 2017-10-27 | 2017-10-27 | 一种基于孢子计数的设施蔬菜病害预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107833187A true CN107833187A (zh) | 2018-03-23 |
Family
ID=61649883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711021010.3A Pending CN107833187A (zh) | 2017-10-27 | 2017-10-27 | 一种基于孢子计数的设施蔬菜病害预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107833187A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113888526A (zh) * | 2021-10-21 | 2022-01-04 | 北京实力伟业环保科技有限公司 | 基于微生物的废气处理方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140219538A1 (en) * | 2011-03-04 | 2014-08-07 | Lusia Halina Guthrie | Method and software for analysing microbial growth |
| CN104091179A (zh) * | 2014-07-01 | 2014-10-08 | 北京工业大学 | 小麦白粉病菌孢子图片的智能识别方法 |
-
2017
- 2017-10-27 CN CN201711021010.3A patent/CN107833187A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140219538A1 (en) * | 2011-03-04 | 2014-08-07 | Lusia Halina Guthrie | Method and software for analysing microbial growth |
| CN104091179A (zh) * | 2014-07-01 | 2014-10-08 | 北京工业大学 | 小麦白粉病菌孢子图片的智能识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 夏旭阳: "田间植物真菌孢子显微图像采集处理系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 张流波等主编: "《医学消毒学最新进展》", 31 December 2015, 人民军医出版社 * |
| 李洋: "基于孢子图像识别的马铃薯晚疫病预警系统的研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113888526A (zh) * | 2021-10-21 | 2022-01-04 | 北京实力伟业环保科技有限公司 | 基于微生物的废气处理方法及系统 |
| CN113888526B (zh) * | 2021-10-21 | 2022-09-23 | 北京实力伟业环保科技有限公司 | 基于微生物的废气处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Momin et al. | Machine vision based soybean quality evaluation | |
| CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
| Gongal et al. | Apple crop-load estimation with over-the-row machine vision system | |
| CN104651462B (zh) | 基于显微图像分析的稻瘟病菌孢子检测方法 | |
| El-Faki et al. | Weed detection using color machine vision | |
| CN101403703B (zh) | 一种皮棉中异性纤维实时检测方法 | |
| CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
| CN103308430B (zh) | 一种测量种子千粒重的方法及装置 | |
| CN106846344A (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| CN108491892A (zh) | 基于机器视觉的水果分拣系统 | |
| CN109145848B (zh) | 一种麦穗计数方法 | |
| Rothe et al. | Automated extraction of digital images features of three kinds of cotton leaf diseases | |
| Ji et al. | In-field automatic detection of maize tassels using computer vision | |
| CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
| Sarayloo et al. | Designing a classifier for automatic detection of fungal diseases in wheat plant: By pattern recognition techniques | |
| CN111007013A (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
| Wu et al. | Automatic kernel counting on maize ear using RGB images | |
| CN107833187A (zh) | 一种基于孢子计数的设施蔬菜病害预警方法及系统 | |
| CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| CN113449622A (zh) | 一种棉株和杂草的图像分类识别检测方法 | |
| Wei et al. | Multiscale hysteresis threshold detection algorithm for a small infrared target in a complex background | |
| CN110956086A (zh) | 一种基于图像识别技术的机房设备在线识别方法 | |
| CN106404779A (zh) | 基于形态分析的玉米种子纯度辅助检测的方法 | |
| CN114612794A (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
| CN107944426B (zh) | 基于纹理滤波和二维光谱特征空间判别相结合的小麦叶片白粉病斑标记方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180323 |