CN108376402A - 一种离线状态下的白粉虱群落生长状态分析装置及方法 - Google Patents
一种离线状态下的白粉虱群落生长状态分析装置及方法 Download PDFInfo
- Publication number
- CN108376402A CN108376402A CN201810393303.2A CN201810393303A CN108376402A CN 108376402 A CN108376402 A CN 108376402A CN 201810393303 A CN201810393303 A CN 201810393303A CN 108376402 A CN108376402 A CN 108376402A
- Authority
- CN
- China
- Prior art keywords
- image
- trialeurodes vaporariorum
- ovum
- carried out
- community
- 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
- 241000018137 Trialeurodes vaporariorum Species 0.000 title claims abstract description 39
- 230000012010 growth Effects 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title abstract description 13
- 102000002322 Egg Proteins Human genes 0.000 claims abstract description 33
- 108010000912 Egg Proteins Proteins 0.000 claims abstract description 33
- 210000004681 ovum Anatomy 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 9
- 241000607479 Yersinia pestis Species 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 8
- 241000382353 Pupa Species 0.000 claims description 7
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000013011 mating Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 3
- 241000196324 Embryophyta Species 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 241000819999 Nymphes Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000002917 insecticide Substances 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 206010059866 Drug resistance Diseases 0.000 description 1
- 241001468872 Fumagospora capnodioides Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种离线状态下的白粉虱群落生长状态分析装置及方法，包括有支架，在支架的底板上设有载物台，在支架的顶部设有安装板，在安装板的下面安装有相机采集系统，在安装板上还安装有光源系统，所述的相机采集系统依次通过控制接口、传输线和DMA控制器与工控机连接所述的工控机内置有图像处理分析软件，打开光源系统，将农作物叶片放在载物台上，相机采集系统采集载物台上的农作物叶片的图像，并将采集的图像发送到工控机内，通过图像处理分析软件对图像进行处理分析。本发明主要是对于温室、大棚内的白粉虱的群落生长状态进行分析，识别出早期虫卵的分布区域和密度，并通过相应算法为白粉虱的防治提供理论基础。
Description
技术领域
本发明涉及数字图像处理技术领域，尤其涉及一种离线状态下的白粉虱群落生长状态分析装置及方法。
背景技术
白粉虱是七十年代传入国内，是一种世界性害虫，我国各地均有发生，是温室、大棚内种植作物的重要害虫。成虫大量吸食植物汁液会导致叶片退色、萎缩，若虫的分泌物亦经常诱发煤污病而使叶片蒙上一层黑色霉状物，导致叶片正常光合作用与呼吸作用受到干扰，植株衰弱、枯死。白粉虱世代重叠和温室越冬的特点使其难以防治，危害巨大。
为了解决此类问题，很多农民选择了全面喷洒农药的方法，这一做法一方面影响了生态环境和人体健康，另一方面由于白粉虱抗药性的增强起到的效果越来越小，形成了极其严重的恶性循环。
近年来，早期预防治理和局部喷洒农药成为治理白粉虱的有效措施。该方法的关键点在于及时、准确地检测识别病虫卵。由于害虫虫卵较小，成虫后又在谷类农作物内部寄生，这为我们消灭害虫带来了很大困难。在现今精准农业的发展过程中，农作物的白粉虱检测仪器几乎都是以样本抽取、离线检测方式来实现的。该方法最大的问题是采样样本点数有限、检测及时性差、误判率高并且没有直接获得农作物的实时数据。
数字图像处理技术为农作物病虫害的识别提供了新思路。目前，计算机技术已应用于杂草识别等方面，对于农作物病虫卵的识别还处于起步阶段，国内外专家也在这方面做了大量的研究，在图像分割、特征提取、模式识别等方面取得了重大的进展，图像处理技术将会在未来有更大的突破进展。
发明内容
本发明目的就是为了弥补已有技术的缺陷，提供一种离线状态下的白粉虱群落生长状态分析装置及方法。
本发明是通过以下技术方案实现的：
一种离线状态下的白粉虱群落生长状态分析装置，包括有支架，在支架的底板上设有载物台，在支架的顶部设有安装板，在安装板的下面安装有相机采集系统，在安装板上还安装有光源系统，所述的相机采集系统依次通过控制接口、传输线和DMA控制器与工控机连接，所述的工控机内置有图像处理分析软件，打开光源系统，将农作物叶片放在载物台上，相机采集系统采集载物台上的农作物叶片的图像，并将采集的图像发送到工控机内，通过图像处理分析软件对图像进行处理分析。
所述的光源系统由LED阵列环组成，分布安装在安装板上。
所述的相机采集系统包括有两个焦距不同的摄像头，两个摄像头相隔一定距离且间距可调，其中摄像头一采集农作物叶片的整体图像，摄像头二采集农作物叶片的局部图像，两摄像头采集的叶片为同一叶片。通过调整焦距使得摄像头二采集到微米级的虫卵图像，并且通过摄像头一在采集图像的同时保证对采集对象的精准定位。
所述的DMA控制器采用存储器直接访问方式进行数据传输。由CPU对DMA控制器进行配置，设置相应参数，主要包括DMA工作方式，读、写数据的起始地址，待传输数据的长度等，之后DMA开始独立控制数据传输。
一种离线状态下的白粉虱群落生长状态分析方法，包括有以下内容：
通过DMA控制器将双摄像头采集的图像分别传输至工控机，通过工控机内图像处理分析软件对图像进行处理，具体处理步骤如下：
(1)基于白粉虱虫卵与观察叶片之间颜色特征上的差异，在不同的颜色模型中，使用各分量对彩色图像进行灰度化处理，得到灰度化图像；所采用的公式为：f1i,j＝Ri,j,f2i,j＝Gi,j,f3i,j＝Bi,j其中fKi,j(K＝1,2,3)为转换后的灰度图像在(i,j)处的灰度值，i图像的横坐标值，j为图像的纵坐标值，R(i，j)、G(i，j).和B(i，j)分别代表i,j这个坐标处的红色、绿色和蓝色的值；
(2)对灰度化图像进行平滑滤波消噪处理；
(3)对消噪后的灰度化图像进行第一次图像分割即二值化处理，将图像分为目标对象和背景对象，所采用的公式为：其中fK(i,j)为点(i,j)的灰度值，gi,j为分割后的图像，T为全局阈值；
为选取合适的阈值将图像的灰度级划分为几个部分，通过分析有病虫害区域和无病虫害区域的灰度直方图直观地找出最合适的阈值；
(4)对得到的二值图像进行数学形态学开运算，分离粘连在一起的目标图像，并平滑目标图像边缘；所采用的公式为其中A为目标图像，B为结构元素；
(5)对开运算后的图像进行第二次图像分割，即利用Sobel算子对目标对象进行边缘检测，从而提取虫卵和虫体与背景对象之间的边缘，然后再统计图像中封闭区域的边界个数和面积大小成为白粉虱群落参数的特征参数，所用Sobel算子模板如下：和分别代表图像的垂直提取和水平提取；
(6)基于得到的群落分布参数对于白粉虱生长状态进行联通、统计，根据形态大小分为卵、蛹、成虫三个阶段，卵个数为C、蛹个数为D、成虫个数为E，C远大于D+E时，属于群落初生期；C<10*D时，属于群落生长中期；C<D+E时，属于群落多代繁殖时期。
所述的滤波消噪处理包括现有图像处理技术中值滤波和拉普拉斯图像锐化两个步骤。
所述边缘提取包括以下方面：
1)对虫卵图像进行形态特征提取，将图像的轮廓特征和区域特征提取出来，针对二值化图像提取周长、面积、圆形度、突起数、最大半径、伸长量6个最优特征；
2)基于图像像素点的全局特征对虫卵图像进行颜色特征提取，并且对于处理过的灰度直方图进行不同颜色空间的模型构建，颜色空间包括RGB和HIS两种颜色空间；
3)对虫卵图像进行纹理特征提取，将图像中的排列规律和反复出现的局部特征进行提取，识别出病态区域白粉虱的纹理特征。
本发明的优点是：(1)本发明能够对白粉虱的生长状态进行分析，识别出早期虫卵的分布区域和密度，并通过相应算法为白粉虱的防治提供理论基础。图像采集方面，本发明采用的双摄像头可以采集到微米级的虫卵图像，并且在采集图像的同时保证对采集对象的精准定位。
(2)图像处理方面，本发明通过图像分割、边缘提取、联通统计三个步骤对虫卵图像进行了科学的分析处理，突破了同类产品识别率低、准确率差的缺点。
(3)虫卵治理方面，本发明将白粉虱群落生长状态分为卵、若虫、蛹、成虫四个阶段，对于每个成长状态采取相应的治理措施，克服了传统农业全面施药危害大和局部施药效果差的缺点。
附图说明
图1为本发明装置的结构示意图。
图2为本发明工作原理框图。
图3为工控机处理方法流程图。
图4成虫统计图。
图5为成虫与虫卵识别图。
具体实施方式
如图1所示，一种离线状态下的白粉虱群落生长状态分析装置，包括有支架1，在支架1的底板上设有载物台2，在支架1的顶部设有安装板3，在安装板3的下面安装有相机采集系统，在安装板3上还安装有光源系统，所述的相机采集系统依次通过控制接口、传输线和DMA控制器与工控机连接，所述的工控机内置有图像处理分析软件，打开光源系统，将农作物叶片放在载物台上，相机采集系统采集载物台上的农作物叶片的图像，并将采集的图像发送到工控机内，通过图像处理分析软件对图像进行处理分析。
所述的光源系统由LED阵列环组成，分布安装在安装板3上。
所述的相机采集系统包括有两个焦距不同的摄像头4，两个摄像头4相隔一定距离且间距可调，其中摄像头一采集农作物叶片的整体图像，摄像头二采集农作物叶片的局部图像，两摄像头采集的叶片为同一叶片。通过调整焦距使得摄像头二采集到微米级的虫卵图像，并且通过摄像头一在采集图像的同时保证对采集对象的精准定位。
所述的DMA控制器采用存储器直接访问方式进行数据传输。由CPU对DMA控制器进行配置，设置相应参数，主要包括DMA工作方式，读、写数据的起始地址，待传输数据的长度等，之后DMA开始独立控制数据传输。
如图2、3所示，一种离线状态下的白粉虱群落生长状态分析方法，包括有以下内容：
通过DMA控制器将双摄像头采集的图像分别传输至工控机，通过工控机内图像处理分析软件对图像进行处理，具体处理步骤如下：
(1)基于白粉虱虫卵与观察叶片之间颜色特征上的差异，在不同的颜色模型中，使用各分量对彩色图像进行灰度化处理，得到灰度化图像；所采用的公式为：f1i,j＝Ri,j,f2i,j＝Gi,j,f3i,j＝Bi,j其中fKi,j(K＝1,2,3)为转换后的灰度图像在(i,j)处的灰度值，i图像的横坐标值，j为图像的纵坐标值，R(i，j)、G(i，j).和B(i，j)分别代表i,j这个坐标处的红色、绿色和蓝色的值；
(2)对灰度化图像进行平滑滤波消噪处理；
(3)对消噪后的灰度化图像进行第一次图像分割即二值化处理，将图像分为目标对象和背景对象，所采用的公式为：其中fK(i,j)为点(i,j)的灰度值，gi,j为分割后的图像，T为全局阈值；
为选取合适的阈值将图像的灰度级划分为几个部分，通过分析有病虫害区域和无病虫害区域的灰度直方图直观地找出最合适的阈值；
(4)对得到的二值图像进行数学形态学开运算，分离粘连在一起的目标图像，并平滑目标图像边缘；所采用的公式为其中A为目标图像，B为结构元素；
(5)对开运算后的图像进行第二次图像分割，即利用Sobel算子对目标对象进行边缘检测，从而提取虫卵和虫体与背景对象之间的边缘，然后再统计图像中封闭区域的边界个数和面积大小成为白粉虱群落参数的特征参数，所用Sobel算子模板如下：和分别代表图像的垂直提取和水平提取；
(6)基于得到的群落分布参数对于白粉虱生长状态进行联通、统计，根据形态大小分为卵、蛹、成虫三个阶段，卵个数为C、蛹个数为D、成虫个数为E，C远大于D+E时，属于群落初生期；C<10*D时，属于群落生长中期；C<D+E时，属于群落多代繁殖时期。
所述的滤波消噪处理包括现有图像处理技术中值滤波和拉普拉斯图像锐化两个步骤。
如图4、5所示，所述边缘提取包括以下方面：
1)对虫卵图像进行形态特征提取，将图像的轮廓特征和区域特征提取出来，针对二值化图像提取周长、面积、圆形度、突起数、最大半径、伸长量6个最优特征；
2)基于图像像素点的全局特征对虫卵图像进行颜色特征提取，并且对于处理过的灰度直方图进行不同颜色空间的模型构建，颜色空间包括RGB和HIS两种颜色空间；
3)对虫卵图像进行纹理特征提取，将图像中的排列规律和反复出现的局部特征进行提取，识别出病态区域白粉虱的纹理特征。
Claims (7)
1.一种离线状态下的白粉虱群落生长状态分析装置，其特征在于：包括有支架，在支架的底板上设有载物台，在支架的顶部设有安装板，在安装板的下面安装有相机采集系统，在安装板上还安装有光源系统，所述的相机采集系统依次通过控制接口、传输线和DMA控制器与工控机连接，所述的工控机内置有图像处理分析软件，打开光源系统，将农作物叶片放在载物台上，相机采集系统采集载物台上的农作物叶片的图像，并将采集的图像发送到工控机内，通过图像处理分析软件对图像进行处理分析。
2.根据权利要求1所述的一种离线状态下的白粉虱群落生长状态分析装置，其特征在于：所述的光源系统由LED阵列环组成，分布安装在安装板上。
3.根据权利要求2所述的一种离线状态下的白粉虱群落生长状态分析装置，其特征在于：所述的相机采集系统包括有两个焦距不同的摄像头，两个摄像头相隔一定距离且间距可调，两摄像头采集的叶片为同一叶片，其中第一个摄像头采集完整的叶片图像一，然后寻找并标定图像上白粉虱分布密集的区域，第二个摄像头根据图像一中标定的区域利用更高分辨率采集图一中的感兴趣区域标记为图像二；图像二的结果用来对于图像一中较小的虫卵分析数据的修正。
4.根据权利要求3所述的一种离线状态下的白粉虱群落生长状态分析装置，其特征在于：所述的DMA控制器采用存储器直接访问方式进行数据传输。
5.一种离线状态下的白粉虱群落生长状态分析方法，其特征在于：包括有以下内容：
通过DMA控制器将双摄像头采集的图像分别传输至工控机，通过工控机内图像处理分析软件对图像进行处理，具体处理步骤如下：
(1)基于白粉虱虫卵与观察叶片之间颜色特征上的差异，在不同的颜色模型中，使用各分量对彩色图像进行灰度化处理，得到灰度化图像；所采用的公式为：f1(i,j)＝R(i,j),f2(i,j)＝G(i,j),f3(i,j)＝B(i,j)其中fK(i,j)(K＝1,2,3)为转换后的灰度图像在(i,j)处的灰度值，i图像的横坐标值，j为图像的纵坐标值，R(i，j)、G(i，j)和B(i，j)分别代表i,j这个坐标处的红色、绿色和蓝色的值；
(2)对灰度化图像进行平滑滤波消噪处理；
(3)对消噪后的灰度化图像进行第一次图像分割即二值化处理，将图像分为目标对象和背景对象，所采用的公式为：其中fK(i,j)为点(i,j)的灰度值，g(i,j)为分割后的图像，T为全局阈值；
为选取合适的阈值将图像的灰度级划分为几个部分，通过分析有病虫害区域和无病虫害区域的灰度直方图直观地找出最合适的阈值；
(4)对得到的二值图像进行数学形态学开运算，分离粘连在一起的目标图像，并平滑目标图像边缘；所采用的公式为其中A为目标图像，B为结构元素；
(5)对开运算后的图像进行第二次图像分割，即利用Sobel算子对目标对象进行边缘检测，从而提取虫卵和虫体与背景对象之间的边缘，然后再统计图像中封闭区域的边界个数和面积大小成为白粉虱群落参数的特征参数，所用Sobel算子模板如下：和分别代表图像的垂直提取和水平提取；
(6)基于得到的群落分布参数对于白粉虱生长状态进行联通、统计，根据形态大小分为卵、蛹、成虫三个阶段，卵个数为C、蛹个数为D、成虫个数为E，C远大于D+E时，属于群落初生期；C<10*D时，属于群落生长中期；C<D+E时，属于群落多代繁殖时期。
6.根据权利要求5所述的一种离线状态下的白粉虱群落生长状态分析方法，其特征在于：所述的滤波消噪处理包括现有图像处理技术中值滤波和拉普拉斯图像锐化两个步骤。
7.根据权利要求5所述的一种离线状态下的白粉虱群落生长状态分析方法，其特征在于：所述边缘提取包括以下方面：
1)对虫卵图像进行形态特征提取，将图像的轮廓特征和区域特征提取出来，针对二值化图像提取周长、面积、圆形度、突起数、最大半径、伸长量6个最优特征；
2)基于图像像素点的全局特征对虫卵图像进行颜色特征提取，并且对于处理过的灰度直方图进行不同颜色空间的模型构建，颜色空间包括RGB和HIS两种颜色空间；
3)对虫卵图像进行纹理特征提取，将图像中的排列规律和反复出现的局部特征进行提取，识别出病态区域白粉虱的纹理特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810393303.2A CN108376402A (zh) | 2018-04-27 | 2018-04-27 | 一种离线状态下的白粉虱群落生长状态分析装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810393303.2A CN108376402A (zh) | 2018-04-27 | 2018-04-27 | 一种离线状态下的白粉虱群落生长状态分析装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108376402A true CN108376402A (zh) | 2018-08-07 |
Family
ID=63032820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810393303.2A Pending CN108376402A (zh) | 2018-04-27 | 2018-04-27 | 一种离线状态下的白粉虱群落生长状态分析装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108376402A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112614062A (zh) * | 2020-12-17 | 2021-04-06 | 北京陆桥技术股份有限公司 | 菌落计数方法、装置及计算机存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101794406A (zh) * | 2010-04-06 | 2010-08-04 | 湖南省植物保护研究所 | 烟粉虱成虫密度自动计数系统 |
| CN101977282A (zh) * | 2010-08-04 | 2011-02-16 | 南京农业大学 | 野外昆虫图像自动采集装置及其图像采集方法 |
| CN103235935A (zh) * | 2013-04-18 | 2013-08-07 | 北京农业信息技术研究中心 | 一种白粉虱种群密度的估计方法 |
| CN103903006A (zh) * | 2014-03-05 | 2014-07-02 | 中国科学院合肥物质科学研究院 | 一种基于Android平台的农作物害虫识别方法及系统 |
| CN103903252A (zh) * | 2012-12-28 | 2014-07-02 | 中国农业机械化科学研究院 | 棉田虫情自动监测装置及监测方法 |
| CN104392240A (zh) * | 2014-10-28 | 2015-03-04 | 中国疾病预防控制中心寄生虫病预防控制所 | 一种基于多特征融合的寄生虫虫卵识别方法 |
| CN104992439A (zh) * | 2015-06-26 | 2015-10-21 | 广州铁路职业技术学院 | 农作物叶子虫害检测装置及其检测方法 |
| CN205506659U (zh) * | 2016-01-25 | 2016-08-24 | 无锡中科富农物联科技有限公司 | 一种虫害样本图像采集箱 |
| CN106373136A (zh) * | 2015-07-22 | 2017-02-01 | 崔胡晋 | 一种基于颜色和特征的害虫识别计数方法 |
| US20170103504A1 (en) * | 2015-10-09 | 2017-04-13 | Universidad Nacional Autónoma de México | System for the identification and quantification of helminth eggs in environmental samples |
| CN106570534A (zh) * | 2016-11-15 | 2017-04-19 | 福建农林大学 | 全自动微小昆虫诱集检测方法及其系统 |
| CN107463958A (zh) * | 2017-08-04 | 2017-12-12 | 成都东谷利农农业科技有限公司 | 昆虫识别预警方法及系统 |
| CN107610122A (zh) * | 2017-09-30 | 2018-01-19 | 华北水利水电大学 | 一种基于Micro‑CT的单籽粒谷物内部虫害检测方法 |
-
2018
- 2018-04-27 CN CN201810393303.2A patent/CN108376402A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101794406A (zh) * | 2010-04-06 | 2010-08-04 | 湖南省植物保护研究所 | 烟粉虱成虫密度自动计数系统 |
| CN101977282A (zh) * | 2010-08-04 | 2011-02-16 | 南京农业大学 | 野外昆虫图像自动采集装置及其图像采集方法 |
| CN103903252A (zh) * | 2012-12-28 | 2014-07-02 | 中国农业机械化科学研究院 | 棉田虫情自动监测装置及监测方法 |
| CN103235935A (zh) * | 2013-04-18 | 2013-08-07 | 北京农业信息技术研究中心 | 一种白粉虱种群密度的估计方法 |
| CN103903006A (zh) * | 2014-03-05 | 2014-07-02 | 中国科学院合肥物质科学研究院 | 一种基于Android平台的农作物害虫识别方法及系统 |
| CN104392240A (zh) * | 2014-10-28 | 2015-03-04 | 中国疾病预防控制中心寄生虫病预防控制所 | 一种基于多特征融合的寄生虫虫卵识别方法 |
| CN104992439A (zh) * | 2015-06-26 | 2015-10-21 | 广州铁路职业技术学院 | 农作物叶子虫害检测装置及其检测方法 |
| CN106373136A (zh) * | 2015-07-22 | 2017-02-01 | 崔胡晋 | 一种基于颜色和特征的害虫识别计数方法 |
| US20170103504A1 (en) * | 2015-10-09 | 2017-04-13 | Universidad Nacional Autónoma de México | System for the identification and quantification of helminth eggs in environmental samples |
| CN205506659U (zh) * | 2016-01-25 | 2016-08-24 | 无锡中科富农物联科技有限公司 | 一种虫害样本图像采集箱 |
| CN106570534A (zh) * | 2016-11-15 | 2017-04-19 | 福建农林大学 | 全自动微小昆虫诱集检测方法及其系统 |
| CN107463958A (zh) * | 2017-08-04 | 2017-12-12 | 成都东谷利农农业科技有限公司 | 昆虫识别预警方法及系统 |
| CN107610122A (zh) * | 2017-09-30 | 2018-01-19 | 华北水利水电大学 | 一种基于Micro‑CT的单籽粒谷物内部虫害检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 毛文华;郑永军;苑严伟;张小超;: "基于色度和形态特征的蝗虫信息提取技术", 农业机械学报, no. 09 * |
| 沈佐锐,于新文: "温室白粉虱自动计数技术研究初报", 生态学报, no. 01 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112614062A (zh) * | 2020-12-17 | 2021-04-06 | 北京陆桥技术股份有限公司 | 菌落计数方法、装置及计算机存储介质 |
| CN112614062B (zh) * | 2020-12-17 | 2024-04-26 | 北京陆桥技术股份有限公司 | 菌落计数方法、装置及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tripathi et al. | Recent machine learning based approaches for disease detection and classification of agricultural products | |
| CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
| CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
| Tong et al. | Skewness correction and quality evaluation of plug seedling images based on Canny operator and Hough transform | |
| CN103323455A (zh) | 基于反射、透视和显微图像的烟叶分级方法 | |
| Jafari et al. | Weed detection in sugar beet fields using machine vision | |
| CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
| CN107610122B (zh) | 一种基于Micro-CT的单籽粒谷物内部虫害检测方法 | |
| Rahamathunnisa et al. | Vegetable disease detection using k-means clustering and svm | |
| Ji et al. | In-field automatic detection of maize tassels using computer vision | |
| CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
| CN115861721B (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
| CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
| de Castro Pereira et al. | Detection and classification of whiteflies and development stages on soybean leaves images using an improved deep learning strategy | |
| CN108376402A (zh) | 一种离线状态下的白粉虱群落生长状态分析装置及方法 | |
| Ashok Kumar et al. | A review on crop and weed segmentation based on digital images | |
| Watcharabutsarakham et al. | An approach for density monitoring of brown planthopper population in simulated paddy fields | |
| CN208547973U (zh) | 一种离线状态下的白粉虱群落生长状态分析装置 | |
| Ibaraki et al. | Image analysis for plants: basic procedures and techniques | |
| CN110598516A (zh) | 基于随机森林的多方位分层采集组合稻田杂草识别方法 | |
| Joshi et al. | Detection and classification of plant diseases using soft computing techniques | |
| Di et al. | The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature | |
| Singh et al. | A novel algorithm for segmentation of diseased apple leaf images | |
| CN110135481B (zh) | 一种农作物病变检测方法以及检测装置 | |
| Rangarajan et al. | A vision based crop monitoring system using segmentation techniques |
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: 20180807 |