CN107894988A - 一种植物缺素症检测方法、电子设备、存储介质及装置 - Google Patents
一种植物缺素症检测方法、电子设备、存储介质及装置 Download PDFInfo
- Publication number
- CN107894988A CN107894988A CN201710909299.6A CN201710909299A CN107894988A CN 107894988 A CN107894988 A CN 107894988A CN 201710909299 A CN201710909299 A CN 201710909299A CN 107894988 A CN107894988 A CN 107894988A
- Authority
- CN
- China
- Prior art keywords
- plant
- nutritional deficiency
- deficiency disease
- detected
- image
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Abstract
本发明公开了一种植物缺素症检测方法,包括以下步骤:获取步骤:获取待检测缺素症的植物图像;预处理步骤:对待检测缺素症的植物图像进行预处理;特征向量提取步骤:将预处理后的待检测缺素症的植物图像进行特征提取得到对应的特征向量;识别步骤:根据待检测缺素症的植物图像的特征向量与系统中的识别模型得出第一识别结果。本发明还提供了一种电子设备、计算机可读存储介质和植物缺素症检测装置。通过本发明能够快速识别出植物的缺素症类型。
Description
技术领域
本发明涉及植物检测,尤其涉及一种基于图像识别技术的植物缺素症检测方法、电子设备、存储介质及装置。
背景技术
目前,随着人们生活的逐渐提高,养几盆花美化一下居室;租一块种一些健康菜,已经成为一种时尚。但是有一些花友,特别是上班族,往往有雅趣而无闲情在植物生长过程中对其进行照顾,这样,植物就会出现很多的病症。
而对于植物来说,植物在生成过程中微量营养元素主要是促进物质构成、参与生理生化过程,是品质组成部分,其能够保证植物健康生长,与植物的抗逆、抗病密切相关,如果植物在生长的过程中缺乏必要的微量元素并且得不到补充时,植物就会出现各种病症,也称为缺素症。对于在植物生理病害诊断过程中,缺素症已经引起人们的逐步重视。但是目前针对植物等的缺素症的判断依据主要人工观察,靠积累的大量种植经验、或者查找相关文献资料、图片等进行判断,其过程繁琐、效率低下,尤其对于那些没有种植经验的人,比如上班族均是没有任何种植经验的年轻人,更是无从判断植物缺少哪些微量元素,导致种植失败。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种植物缺素症检测方法,其能够根据植物的缺素症图像快速识别出植物缺素症的类型。
本发明的目的之二在于提供一种电子设备,其能够根据植物的缺素症图像快速识别出植物缺素症的类型。
本发明的目的之三在于提供一种计算机可读存储介质,其能够根据植物的缺素症图像快速识别出植物缺素症的类型。
本发明的目的之四在于提供一种植物缺素症检测装置,其能够根据植物的缺素症图像快速识别出植物缺素症的类型。
本发明的目的之一采用如下技术方案实现:
一种植物缺素症检测方法,包括以下步骤:
第一获取步骤:获取待检测缺素症的植物图像;
预处理步骤:对待检测缺素症的植物图像进行预处理;
特征向量提取步骤:将预处理后的待检测缺素症的植物图像进行特征提取得到对应的特征向量;
识别步骤:根据待检测缺素症的植物图像的特征向量与系统中的识别模型得出第一识别结果。
进一步地,所述识别模型的建立过程如下:
S1:获取每种植物的每种缺素症的多张图像,并对每张图像进行预处理;
S2:将经过预处理的每张图像均进行特征提取得出对应的特征向量;
S3:通过对每种植物的每种缺素症的多张图像进行识别训练,提取出每种植物的每种缺素症的标准模板,为每种植物的每种缺素症建立标准特征向量模板库,进而得出每种缺素症所对应的识别模型。
进一步地,还包括显示步骤:根据第一识别结果得出待检测缺素症的植物所对应的缺素症类型并显示给用户。
进一步地,还包括第二获取步骤:获取用户递交的待检测缺素症的植物所对应的缺素症状;
匹配步骤:根据用户递交的待检测缺素症的植物所对应的缺素症状与系统中预设的缺素症状数据库得到第二识别结果;
对应地,显示步骤:根据第一识别结果和第二识别结果得出待检测缺素症的植物所对应的缺素症类型并显示给用户。
本发明的目的之二采用如下技术方案实现:
一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如前所述的植物缺素症检测方法的步骤。
本发明的目的之三采用如下技术方案实现:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述的植物缺素症检测方法的步骤。
本发明的目的之四采用如下技术方案实现:
一种植物缺素症检测装置,包括:
获取模块,用于获取待检测缺素症的植物图像;
预处理模块,用于对待检测缺素症的植物图像进行预处理;
特征向量提取模块,用于将预处理后的待检测缺素症的植物图像进行特征提取得到对应的特征向量;
识别模块,用于根据待检测缺素症的植物图像的特征向量与系统中的识别模型得出第一识别结果。
进一步地,所述识别模型的建立过程如下:
S1:获取每种植物的每种缺素症的多张图像,并对每张图像进行预处理;
S2:将经过预处理的每张图像均进行特征提取得出对应的特征向量;
S3:通过对每种植物的每种缺素症的多张图像进行识别训练,提取出每种植物的每种缺素症的标准模板,为每种植物的每种缺素症建立标准特征向量模板库,进而得出每种缺素症所对应的识别模型。
进一步地,还包括显示模块,用于根据第一识别结果得出待检测缺素症的植物所对应的缺素症类型并显示给用户。
进一步地,还包括第二获取模块,用于获取用户递交的待检测缺素症的植物所对应的缺素症状;
匹配模块,用于根据用户递交的待检测缺素症的植物所对应的缺素症状与系统中预设的缺素症状数据库得到第二识别结果;
对应地,显示模块,还用于根据第一识别结果和第二识别结果得出待检测缺素症的植物所对应的缺素症类型并显示给用户。
相比现有技术,本发明的有益效果在于:
本发明将图像识别技术运用到植物缺素症的检测中,能够快速识别出植物的缺素症的类型。本发明具有简单易操作、识别准确率高、识别效率高,能够大大减轻人工学习负担和经验积累过程,降低了种植门槛,提高了种植效率。
附图说明
图1为本发明提供的植物缺素症检测方法的方法流程图;
图2为本发明提供的植物缺素症检测装置的装置模块图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例
本发明通过将图像识别技术运用到植物缺素症的判断识别中,预先通过收集大量各种植物缺素症状的图片,进而机器学习建立识别模型库。人们只需针对可能有病害症状的植物图片上传到系统中,系统就会自动识别出该植物的缺素症状的判断结果。本发明简单易操作、准确率高、识别效率高,能大大减轻人工学习负担和经验积累过程,降低了种植的门槛,提高了种植效率。
本发明提供了一种植物缺素症检测系统,其涉及到识别模型、获取模块、识别模块和显示模块。其中,识别模型是指通过机器学习和识别训练,预先建立的各种植物缺素症状所对应的植物及叶片形态特征模型库。其是通过收集大量的各种植物对应缺素症状的图像进行预处理、特征提取,并进行识别训练,对应建立的植物缺素症的识别模型库。
其具体的建立过程如下:
A1、获取每种植物的每种缺素症的多张图像,并对每张图像进行预处理。这里的预处理包括如:通过设置合理的阈值,将图像二值化、去除干扰点;通过质心对齐和线性差值放大的方法将图片归一化,转换为统一格式等。通过预处理过程,能够提高服务器对图像的处理识别性能。另外,对于每种植物由于缺少微量元素的不同,其植物的叶片、茎等形态均会展现不同的形态,因此,在获取图像时,对于同一种缺素症时,通过采取植物的不同部位的症状图像。比如缺氮时导致叶片编程淡绿色或黄色、枝细弱、顶稍新野逐渐变小同时容易落叶;缺磷时妨碍作物花卉的形成,使作物花小而少,并且容易导致果实发育不良;缺钾时,少量缺钾导致植物茎杆纤细,严重时叶尖叶缘枯焦、叶片皱曲、老叶叶缘卷曲呈黄色及火烧色并且叶子容易脱落;缺镁时先从老叶的叶脉间发生黄化,逐渐蔓延至上部新叶,叶肉呈黄色而叶脉仍为绿色,并且在叶脉间出现各种色斑;缺铁时,其症状与缺镁相似,所不同的是缺铁时先从新叶的叶脉间出现黄化、叶脉仍为绿色,继而发展成整个叶片转黄或发白;缺锰时,其症状缺与缺铁相似,叶脉之间出现失绿斑点并逐渐形成条纹,但叶脉仍为绿色;缺錋时嫩叶失绿、叶片肥厚皱缩、叶缘向上卷曲、根系不发达等,顶芽和细根生长点死亡,落花落果;缺钙时顶芽受损伤,并引起根尖坏死,嫩叶失绿,叶缘向上卷曲枯焦,叶尖常呈钩状等。因此,本发明就是基于每种缺素症在植物的叶片、茎等上所呈现出的各种形状、颜色、纹理等的特点,根据植物图像来判断植物的缺素症的类型。
A2、将经过预处理的每张图像均进行特征提取得出对应的特征向量。根据不同缺素症状的各种植物的图像,对应采用不同植物及其叶片的形状、纹理、颜色等的组合特征,来对缺素症状图像进行特征提取。比如,对每张缺素症状的图像分为5*5的25个方格区域,计算每个方格中点的密度分布,得到对应的25为特征向量。通过特征向量的提取,可提高类型匹配和识别的存储量和运算速度。
A3、通过对每种植物的每种缺素症的多张图像进行识别训练,提取出每种植物的每种缺素症的标准模板,为每种植物的每种缺素症建立标准特征向量模板库,进而建立每种缺素症所对应的识别模型。也即是,对于每种植物的每种缺素症状所对应的植物图像都有几百个标准模板,通过预处理和特征提取后,从而能够将各类植物缺素症状的特征向量存入系统中。同时,在训练时,需要指明每种植物的各种缺素症状的植物图像的正确值,这样通过反复训练能够修正识别结果。
通过上述过程能够建立每种植物的每种缺素症状的识别模型,来用于后期对植物的缺素症状的识别。
获取模块用于获取待检测缺素症的植物图像。该图像可以是用户拍照上传的待检测缺素症的植物图像,也可以是保存在各种存储设备上已有的待检测缺素症的植物图像。在获取待检测缺素症的植物图像时,还提示用户录入待检测缺素症的植物所对应的缺素症状特性,比如叶子易落、根茎坏死等不能够从图像中获取得到的。
识别判断模块,用于根据待检测缺素症的植物图像、用户递交的缺素症状与系统中预先建立的识别模型判断得出植物为哪种缺素症,并将识别结果发送到显示模块显示给用户查看。
如图1所示,一种植物缺素症检测方法,其包括以下步骤:
S1、获取待检测缺素症的植物图像。该图像可以是用户通过摄像设备拍摄的图像,也可以是存储存储设备上的图像。
S2、对待检测缺素症的植物图像进行预处理。其预处理操作除了前述的二值化、去除干扰点、归一化等图像预处理操作,还包括植物分割,即是当用户拍摄的待检测缺素症的植物图像中有多种植物时,需要把待检测缺素症的植物图像中的植物分割成单个类型。比如,首先利用种子填充算法得到几个连通线,这样未粘连的植物即可分割。而对于粘连植物的判别主要依据植物的点数和宽高比特征,大于某一阈值则初步判断为植物粘连。其中,阈值根据植物图片特征统计分析所得。
对于初步判断为粘连的植物,为了防止判断错误,还用预识别的方法进行了进一步判断。而对于粘连植物的分割,本发明采用的是在垂直投影图中找谷点的方法。另外,对于上述采用判断植物粘连、植物分割的方法均是现有技术,本发明不做具体介绍。
S3、将预处理后的待检测缺素症的植物图像进行特征提取得到对应的特征向量。其特征提取的方法如上述建立模型时提取特征向量相同。
S4、根据待检测缺素症的植物图像的特征向量以及系统中已建立的识别模型得出第一识别结果。比如判断得出缺素症为缺铁。
S5、根据第一识别结果得出待检测缺素症的植物对应的缺素症类型并通过显示设备显示给用户。
另外,为了进一步能够准确得出待检测缺素症的植物所对应的缺素症状,还包括:S6、获取用户递交的待检测缺素症的植物所对应的缺素症状。
S7、根据用户递交的待检测缺素症的植物所对应的缺素症状与系统中的缺素症数据库得出第二识别结果。这里的缺素症数据库保存了每种缺素症的症状的文字描述。
最后综合第一识别结果和第二识别结果得出待检测缺素症的植物对应的缺素症类型并显示给用户。
由于有些缺素症状主要针对一些不容易从图像中得出的,比如叶子容易脱落、落花落果、根茎坏死等症状特性。特别是对于一些家中种植的植物来说,不可能每次判断植物是否得缺素症时,需要得知植物根茎的形态而将植物从花盆中拔出,这样显然不可能,这样的症状特性,用户可长期观察是否落花落果、通过手动触摸叶子判断叶子是否容易脱落、或者观察土壤等来得知根茎是否坏死等症状,通过手动将这些症状直接输入到系统中,可有效增加识别准确率。也即是说,可以在系统中建立一个缺素症的症状数据库,用文字来描述各种缺素症的症状,这样在进行识别时,可首先通过图像的识别模型来识别出待检测缺素症的植物的缺素症类型,然后在结合文字描述进一步来识别待检测缺素症的植物的缺素症类型,这样可进一步增加识别的准确率。
本发明还提供了一种电子设备,其包括存储器、处理器以及存储在存储器上并可在处理上运行的计算机程序,所述处理器执行所述程序时实现如文中所述的植物缺素症检测方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如文中所述的植物缺素症检测方法的步骤。
如图2所示,本发明还提供了一种植物缺素症检测装置,包括:
一种植物缺素症检测装置,包括:
获取模块,用于获取待检测缺素症的植物图像;
预处理模块,用于对待检测缺素症的植物图像进行预处理;
特征向量提取模块,用于将预处理后的待检测缺素症的植物图像进行特征提取得到对应的特征向量;
识别模块,用于根据待检测缺素症的植物图像的特征向量与系统中的识别模型得出第一识别结果。
进一步地,所述识别模型的建立过程如下:
S1:获取每种植物的每种缺素症的多张图像,并对每张图像进行预处理;
S2:将经过预处理的每张图像均进行特征提取得出对应的特征向量;
S3:通过对每种植物的每种缺素症的多张图像进行识别训练,提取出每种植物的每种缺素症的标准模板,为每种植物的每种缺素症建立标准特征向量模板库,进而得出每种缺素症所对应的识别模型。
进一步地,还包括显示模块,用于根据第一识别结果得出待检测缺素症的植物所对应的缺素症类型并显示给用户。
进一步地,还包括第二获取模块,用于获取用户递交的待检测缺素症的植物所对应的缺素症状;
匹配模块,用于根据用户递交的待检测缺素症的植物所对应的缺素症状与系统中预设的缺素症状数据库得到第二识别结果;
对应地,显示模块,还用于根据第一识别结果和第二识别结果得出待检测缺素症的植物所对应的缺素症类型并显示给用户。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种植物缺素症检测方法,其特征在于包括以下步骤:
第一获取步骤:获取待检测缺素症的植物图像;
预处理步骤:对待检测缺素症的植物图像进行预处理;
特征向量提取步骤:将预处理后的待检测缺素症的植物图像进行特征提取得到对应的特征向量;
识别步骤:根据待检测缺素症的植物图像的特征向量与系统中的识别模型得出第一识别结果。
2.如权利要求1所述的方法,其特征在于:所述识别模型的建立过程如下:
S1:获取每种植物的每种缺素症的多张图像,并对每张图像进行预处理;
S2:将经过预处理的每张图像均进行特征提取得出对应的特征向量;
S3:通过对每种植物的每种缺素症的多张图像进行识别训练,提取出每种植物的每种缺素症的标准模板,为每种植物的每种缺素症建立标准特征向量模板库,进而得出每种缺素症所对应的识别模型。
3.如权利要求1所述的方法,其特征在于:还包括显示步骤:根据第一识别结果得出待检测缺素症的植物所对应的缺素症类型并显示给用户。
4.如权利要求3所述的方法,其特征在于:还包括第二获取步骤:获取用户递交的待检测缺素症的植物所对应的缺素症状;
匹配步骤:根据用户递交的待检测缺素症的植物所对应的缺素症状与系统中预设的缺素症状数据库得到第二识别结果;
对应地,显示步骤:根据第一识别结果和第二识别结果得出待检测缺素症的植物所对应的缺素症类型并显示给用户。
5.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现如权利要求1-4中任一项所述的植物缺素症检测方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的植物缺素症检测方法的步骤。
7.一种植物缺素症检测装置,其特征在于包括:
获取模块,用于获取待检测缺素症的植物图像;
预处理模块,用于对待检测缺素症的植物图像进行预处理;
特征向量提取模块,用于将预处理后的待检测缺素症的植物图像进行特征提取得到对应的特征向量;
识别模块,用于根据待检测缺素症的植物图像的特征向量与系统中的识别模型得出第一识别结果。
8.如权利要求7所述的装置,其特征在于:所述识别模型的建立过程如下:
S1:获取每种植物的每种缺素症的多张图像,并对每张图像进行预处理;
S2:将经过预处理的每张图像均进行特征提取得出对应的特征向量;
S3:通过对每种植物的每种缺素症的多张图像进行识别训练,提取出每种植物的每种缺素症的标准模板,为每种植物的每种缺素症建立标准特征向量模板库,进而得出每种缺素症所对应的识别模型。
9.如权利要求7所述的方法,其特征在于:还包括显示模块,用于根据第一识别结果得出待检测缺素症的植物所对应的缺素症类型并显示给用户。
10.如权利要求9所述的方法,其特征在于:还包括第二获取模块,用于获取用户递交的待检测缺素症的植物所对应的缺素症状;
匹配模块,用于根据用户递交的待检测缺素症的植物所对应的缺素症状与系统中预设的缺素症状数据库得到第二识别结果;
对应地,显示模块,还用于根据第一识别结果和第二识别结果得出待检测缺素症的植物所对应的缺素症类型并显示给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710909299.6A CN107894988A (zh) | 2017-09-29 | 2017-09-29 | 一种植物缺素症检测方法、电子设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710909299.6A CN107894988A (zh) | 2017-09-29 | 2017-09-29 | 一种植物缺素症检测方法、电子设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107894988A true CN107894988A (zh) | 2018-04-10 |
Family
ID=61802750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710909299.6A Pending CN107894988A (zh) | 2017-09-29 | 2017-09-29 | 一种植物缺素症检测方法、电子设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107894988A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801275A (zh) * | 2019-01-11 | 2019-05-24 | 北京邮电大学 | 基于图像识别的马铃薯病害检测方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202939134U (zh) * | 2012-12-03 | 2013-05-15 | 黑龙江八一农垦大学 | 农作物缺素症状识别装置 |
CN105660023A (zh) * | 2015-12-31 | 2016-06-15 | 深圳市芭田生态工程股份有限公司 | 一种根据作物茎叶营养含量自动施肥的系统和设备及其方法 |
CN105787503A (zh) * | 2016-01-15 | 2016-07-20 | 四川德马克机器人科技有限公司 | 基于早期特征融合的植物叶片识别方法 |
CN105993514A (zh) * | 2016-05-30 | 2016-10-12 | 中国林业科学研究院热带林业研究所 | 一种米老排幼苗的营养元素快速诊断方法 |
CN106951832A (zh) * | 2017-02-28 | 2017-07-14 | 广东数相智能科技有限公司 | 一种基于手写字符识别的验证方法及装置 |
-
2017
- 2017-09-29 CN CN201710909299.6A patent/CN107894988A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202939134U (zh) * | 2012-12-03 | 2013-05-15 | 黑龙江八一农垦大学 | 农作物缺素症状识别装置 |
CN105660023A (zh) * | 2015-12-31 | 2016-06-15 | 深圳市芭田生态工程股份有限公司 | 一种根据作物茎叶营养含量自动施肥的系统和设备及其方法 |
CN105787503A (zh) * | 2016-01-15 | 2016-07-20 | 四川德马克机器人科技有限公司 | 基于早期特征融合的植物叶片识别方法 |
CN105993514A (zh) * | 2016-05-30 | 2016-10-12 | 中国林业科学研究院热带林业研究所 | 一种米老排幼苗的营养元素快速诊断方法 |
CN106951832A (zh) * | 2017-02-28 | 2017-07-14 | 广东数相智能科技有限公司 | 一种基于手写字符识别的验证方法及装置 |
Non-Patent Citations (4)
Title |
---|
张作贵: "自然光照条件下基于机器视觉的番茄缺素的智能诊断研究", 《中国优秀博硕士学位论文全文数据库(硕士) 农业科技辑 (月刊)》 * |
杨雪: "基于数字图像处理的植株缺素种类识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑 (月刊)》 * |
毛罕平等: "基于计算机视觉的番茄营养元素亏缺的识别", 《农业机械学报》 * |
祝锦霞: "基于水稻扫描叶片图像特征的氮素营养诊断研究", 《光谱学与光谱分析》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801275A (zh) * | 2019-01-11 | 2019-05-24 | 北京邮电大学 | 基于图像识别的马铃薯病害检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
CN108346142B (zh) | 一种基于植物光照图像的植物生长状态识别方法 | |
CN107316289A (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
CN111915332A (zh) | 一种基于大数据的农产品安全溯源追踪监测管理系统 | |
CN107909072A (zh) | 一种植物类型识别方法、电子设备、存储介质及装置 | |
CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
CN106846334A (zh) | 基于支持向量数据描述的田间玉米植株识别方法 | |
Liu et al. | A lightweight method for grape berry counting based on automated 3D bunch reconstruction from a single image | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN111291686A (zh) | 农作物根果表型参数的提取与根果表型判别方法及系统 | |
Zhao et al. | Transient multi-indicator detection for seedling sorting in high-speed transplanting based on a lightweight model | |
CN107894988A (zh) | 一种植物缺素症检测方法、电子设备、存储介质及装置 | |
CN114677033A (zh) | 一种实验室培育数据全周期流程智能监测分析管理系统 | |
CN116843493B (zh) | 一种基于物联网的油茶林种植生态数字监测管理系统 | |
CN116524279A (zh) | 一种数字农业的人工智能图像识别作物长势分析方法 | |
CN117036926A (zh) | 一种融合深度学习与图像处理的杂草识别方法 | |
CN115330868A (zh) | 一种基于深度学习与深度信息融合的葡萄采摘方法 | |
Yihang et al. | Automatic recognition of rape seeding emergence stage based on computer vision technology | |
CN115690609A (zh) | 一种作物生育期长势监测的方法 | |
CN114937030A (zh) | 一种用于智慧农业种植生菜的表型参数计算方法 | |
CN114998656B (zh) | 一种穴盘苗分类方法及系统 | |
CN116740704B (zh) | 基于深度学习的小麦叶片表型参数变化率监测方法和装置 | |
CN117456523A (zh) | 作物种类识别方法、装置、电子设备及介质 | |
Wang et al. | Machine vision based quantitative analysis method for seedling root system of maize images | |
CN115761730A (zh) | 一种甜瓜瓜蒂尺寸表型的提取方法、系统、设备及介质 |
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 |
Application publication date: 20180410 |
|
RJ01 | Rejection of invention patent application after publication |