CN108510490A - 一种分析虫害趋势的方法、装置及计算机存储介质 - Google Patents

一种分析虫害趋势的方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN108510490A
CN108510490A CN201810298018.2A CN201810298018A CN108510490A CN 108510490 A CN108510490 A CN 108510490A CN 201810298018 A CN201810298018 A CN 201810298018A CN 108510490 A CN108510490 A CN 108510490A
Authority
CN
China
Prior art keywords
image
insect pest
crops
pest
period
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.)
Granted
Application number
CN201810298018.2A
Other languages
English (en)
Other versions
CN108510490B (zh
Inventor
郭靖
黄元钧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heyuan Hongjia Agricultural Technology Co ltd
Original Assignee
Shenzhen Chunmuyuan Holdings Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Chunmuyuan Holdings Co Ltd filed Critical Shenzhen Chunmuyuan Holdings Co Ltd
Priority to CN201810298018.2A priority Critical patent/CN108510490B/zh
Priority to PCT/CN2018/101687 priority patent/WO2019184212A1/zh
Publication of CN108510490A publication Critical patent/CN108510490A/zh
Application granted granted Critical
Publication of CN108510490B publication Critical patent/CN108510490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明实施例涉及大数据技术领域，公开了一种分析虫害趋势的方法及装置。本发明中，所述分析虫害趋势的方法包括：预设N个时间段，其中，所述N个时间段至少包括农作物的一个生命周期，N为大于1的常数；获取所述农作物在所述N个时间段内的M个虫害图像，其中，在每个时间段内至少有一个虫害图像，M为大于或等于N的常数；对所述M个虫害图像进行图像处理，获取用于表征所述农作物上害虫数量的M个第一特征量；根据所述N个时间段及所述M个第一特征量获取用于表征所述农作物在下个生命周期内虫害发生趋势的第二特征量。本发明提供的分析虫害趋势的方法及装置能够预测虫害的发生趋势。

Description

一种分析虫害趋势的方法、装置及计算机存储介质
技术领域
本发明实施例涉及大数据技术领域，特别涉及一种分析虫害趋势的方法、装置及计算机存储介质。
背景技术
近年来，农业部启动了一系列全国主要农作物有害生物种类与发生危害情况调查研究项目。包括对农作物有害生物系统的普查与对农作物病虫害的预警和防治。我国农业生态条件复杂，耕作制度多样，也是世界上农业有害生物灾害多发、频发和重发的国家之一，据不完全统计，我国农作物有害生物1600多种，其中，害虫830多种、病害720多种、杂草60多种、鼠害20多种。开展主要农作物有害生物种类与发生危害特点研究，对于摸清我国主要农作物有害生物发生危害家底，提高植保防灾减灾水平意义十分重大。蚜虫，又称腻虫、蜜虫，是一类植食性昆虫，包括蚜总科(又称蚜虫总科，学名：Aphidoidea)下的所有成员，目前已经发现的蚜虫总共有10个科约4400种，其中多数属于蚜科。蚜虫也是地球上最具破坏性的害虫之一，其中大约有250种是对于农林业和园艺业危害严重的害虫。在现有技术中，农作物成熟后，相关工作人员将农作物各个生长阶段的生长情况记录下来，以便于筛选出品种优良的农作物。
发明人发现现有技术中至少存在如下问题：现有技术中没有针对虫害预测的技术方案，只是单纯的记录农作物各个生长阶段的生长情况，无法从中得知虫害的发生趋势，从而提前做好对应措施。
发明内容
本发明实施方式的目的在于提供一种分析虫害趋势的方法及装置，使其能够预测虫害的发生趋势。
为解决上述技术问题，本发明的实施方式提供了一种分析虫害趋势的方法，包括以下步骤：预设N个时间段，其中，所述N个时间段至少包括农作物的一个生命周期，N为大于1的常数；获取所述农作物在所述N个时间段内的M个虫害图像，其中，在每个时间段内至少有一个虫害图像，M为大于或等于N的常数；对所述M个虫害图像进行图像处理，获取用于表征所述农作物上害虫数量的M个第一特征量；根据所述N个时间段及所述M个第一特征量获取用于表征所述农作物在下个生命周期内虫害发生趋势的第二特征量。
本发明的实施方式还提供了一种分析虫害趋势的装置，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的分析虫害趋势的方法。
本发明的实施方式还提供了一种计算机可读存储介质，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上述的分析虫害趋势的方法。
本发明实施方式相对于现有技术而言，通过预设N个时间段，且所述N个时间段至少包括农作物的一个生命周期，以确保后续步骤中能够分析到各个生长阶段的农作物上的害虫数量，从而使得预测的虫害发生趋势更加精确；然后获取所述农作物在所述N个时间段内的M个虫害图像，其中，在每个时间段内至少有一个虫害图像，M为大于或等于N的常数，以确保在各个时间段都会有虫害图像，避免因某个时间段因缺少虫害图像而无法对其进行数据分析，从而因缺少该时间段的分析数据影响到虫害发生趋势预测的精确度；再对所述M个虫害图像进行图像处理，获取用于表征所述农作物上害虫数量的M个第一特征量，最后根据所述N个时间段及所述M个第一特征量获取用于表征所述农作物在下个生命周期内虫害发生趋势的第二特征量，由于所述第一特征量可以反映所述农作物上害虫数量，根据所述N个时间段及所述M个第一特征量即可得到在每个时间段内的所述农作物上的害虫数量，通过判断每个时间段内的所述农作物上的害虫数量的多少，即可得出哪些时间段是虫害的高发期，哪些时间段是虫害的低发期，从而可以通过这些数据预测所述农作物在下个生命周期内虫害发生趋势，然后提前做好应对措施。
另外，所述根据所述N个时间段及所述M个第一特征量获取用于表征所述农作物在下个生命周期内虫害发生趋势的第二特征量，具体包括：获取所述N个时间段中各个时间段内满足预设要求的第一特征量的数量；对所述各个时间段及所述满足预设要求的第一特征量的数量进行直方图统计以获取所述用于表征农作物在下个生命周期内虫害发生趋势第二特征量。通过直方图能够更加直观的看出虫害的发生趋势。
另外，所述对所述M个虫害图像进行图像处理，获取用于表征所述农作物上害虫数量的M个第一特征量，具体包括：对所述M个虫害图像进行图像分割得到M个病斑图像；将所述M个病斑图像转化为M个灰度图像；将所述M个灰度图像转化为M个二值图像；根据所述M个二值图像获取M个病斑区域；根据所述M个病斑区域的图像特征，获取用于表征所述农作物上害虫数量的M个第一特征量。由于二值图像的灰度等级只有两种，也就是说，图像中的任何像素不是0就是1，再无其他过渡的灰度值，所以根据二值图像可以直观的看出哪些区域是病斑区域，以使所述第一特征量更加的精确。
另外，所述第一特征量为所述农作物的形状特征；所述M个病斑区域的图像特征为所述M个病斑区域的M个最小外接矩形特征；所述根据所述M个病斑区域的图像特征，获取用于表征所述农作物上害虫数量的M个第一特征量，具体包括：根据所述M个最小外接矩形特征计算所述农作形状特征参数以作为所述农作物的形状特征。
另外，所述M个最小外接矩形特征为所述M个最小外接矩形的面积、周长、内切圆半径、外接圆半径和转动惯量。
另外，所述第一特征量为所述农作物的颜色特征；所述M个病斑区域的图像特征为所述M个病斑区域的颜色组成分布；所述根据所述M个病斑区域的图像特征，获取用于表征所述农作物上害虫数量的M个第一特征量，具体包括：根据所述M个病斑区域的颜色组成分布获取用于表征所述农作物上害虫数量的所述农作物的颜色特征。
另外，所述M个病斑区域的颜色组成分布通过以下方式获取：获取所述M个病斑区域的灰度值以及在所述灰度值下的像素的概率值；通过所述灰度值及所述概率值根据以下公式获取用于表征所述M个病斑区域的颜色组成分布的M个均值：μL＝∑b bp(b)；其中，μL为所述均值，b为所述灰度值，p(b)为所述概率值。均值可以反映图像的平均亮度，通过计算图像的均值可以准确的得知图像的颜色组成分布。
附图说明
图1是根据本发明第一实施方式提供的一种分析虫害趋势的方法的流程图；
图2是本发明第一实施方式中虫害图像处理方法的流程图；
图3是根据本发明第二实施方式提供的一种分析虫害趋势的方法的流程图；
图4是根据本发明第三实施方式提供的一种分析虫害趋势的装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本发明而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本发明所要求保护的技术方案。
本发明的第一实施方式涉及一种分析虫害趋势的方法，本实施方式在于预设N个时间段，其中，所述N个时间段至少包括农作物的一个生命周期，N为大于1的常数；获取所述农作物在所述N个时间段内的M个虫害图像，其中，在每个时间段内至少有一个虫害图像，M为大于或等于N的常数；对所述M个虫害图像进行图像处理，获取用于表征所述农作物上害虫数量的M个第一特征量；根据所述N个时间段及所述M个第一特征量获取用于表征所述农作物在下个生命周期内虫害发生趋势的第二特征量。使得可以根据第二特征量精确预测农作物在下个生命周期内虫害发生趋势，从而提前做好相应措施，提高农作物产量，提升收入，降低经营风险。下面对本实施方式的分析虫害趋势的方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
本实施方式中的分析虫害趋势的方法如图1所示，具体包括：
S101：预设N个时间段。
关于步骤S101，具体的说，所述N个时间段至少包括农作物的一个生命周期，N为大于1的常数，N个时间段的总时长可以根据实际需求自由设定，可以是一个生命周期、两个生命周期，也可以说是一年、两年等。
S102：获取农作物在N个时间段内的M个虫害图像。
关于步骤S102，具体的说，虫害图像即为农作物的图像，在每个时间段内至少有一个虫害图像，M为大于N的常数，可以在种植区域安装摄像头，摄像头实时拍摄农作物的图像，在需要获取虫害图像进行研究分析时，只需调取监控录像并从中选取符合要求的虫害图像即可。值得一提的是，由于在每个时间段内至少有一个虫害图像，避免了因某个时间段因缺少虫害图像而无法对其进行数据分析，从而因缺少该时间段的分析数据影响到虫害发生趋势预测的精确度。
本实施方式中，害虫包括蚜虫等对农林业和园艺业危害严重的害虫。蚜虫，又称腻虫、蜜虫，是一类植食性昆虫，包括蚜总科(又称蚜虫总科，学名：Aphidoidea)下的所有成员，目前已经发现的蚜虫总共有10个科约4400种，其中多数属于蚜科。蚜虫也是地球上最具破坏性的害虫之一。
需要说明的是，从摄像头的监控录像中获取虫害图像的方式有多种，如可以创建一个canvas对象用来保持摄像头的画面；获得摄像头的流数据；绑定到一个video元素上；当需要捕获某一帧画面时，使用drawImage()方法将video的数据保存到canvas对象。
S103：对M个虫害图像进行图像处理，获取用于表征农作物上害虫数量的M个形状特征。
关于步骤S103，具体的说，对所述M个虫害图像的图像处理过程如下：
1、对所述M个图像进行图像分割得到M个病斑图像。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像索赋予相同的编号。
2、将M个病斑图像转化为M个灰度图像。灰度图像通常是在单个电磁波频谱(如可见光)内测量每个像素的亮度得到的。用于显示的灰度图像通常用每个采样像素8位的非线性尺度来保存，这样可以有256级灰度。这种精度刚刚能够避免可见的条带失真，并且非常易于编程。但在医学图像与遥感图像等技术应用中，经常采用更多的级数以充分利用每个像素采样10或12位的传感器精度，并且避免计算时的近似误差，在这些应用领域每个像素采样16位即65536级得到流行。
3、将M个灰度图像转化为二值图像。图像的二值化处理就是将图像上的点的灰度值为0或255，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处理中，以二值图像处理实现而构成的系统是很多的，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像，这样子有利于在对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。
4、根据M个二值图像获取M个病斑区域。由于二值图像的灰度等级只有两种，也就是说，图像中的任何像素不是0就是1，再无其他过渡的灰度值，所以根据二值图像可以直观的看出哪些区域是病斑区域。
5、根据M个病斑区域的M个最小外接矩形特征，计算农作形状特征参数以作为所述农作物的形状特征。不变矩是图像的一种统计特性，是利用图像灰度分布的各阶矩来描述图像灰度的分布特性。实际上，不变矩的构造是利用了二元齐次多项系数的函数具有的不变性，因此可以根据代数不变性为目标图像的矩特征建立起完善的数学模型。在本实施方式中，M个最小外接矩形特征为M个最小外接矩形的面积、周长、内切圆半径、外接圆半径和转动惯量。需要说明的是，本实施方式的目的在于获取用于表征所述农作物上害虫数量的M个形状特征，而图像形状特征的提取方法有很多，除上述介绍的根据M个最小外接矩形特征，计算农作形状特征参数以作为所述农作物的形状特征外，还可以根据边界特征法、傅里叶形状描述符法、几何参数法等其他方法提取，只需能够确保提取到图像的形状特征即可。
通过将所述农作物形状特征与正常的没有受到虫害威胁的农作物的形状特征进行对比，即可推测出所述农作物上的害虫数量。
值得一提的是，在本实施方式中，为了得到更加清晰的虫害图像，以确保提取到的形状特征的准确性，从而确保最后得到的农作物在下个生命周期内虫害发生趋势的准确性，在对虫害图像进行图像分割之前，可以对所述虫害图像进行预处理(如图像压缩、图像锐化)。图像锐化(image sharpening)是补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰，分为空域处理和频域处理两类。图像锐化是为了突出图像上地物的边缘、轮廓，或某些线性目标要素的特征。这种滤波方法提高了地物边缘与周围像元之间的反差，因此也被称为边缘增强。
可以理解的是，步骤S102至步骤S103中对虫害图像的获取及处理过程可以分为以下几个步骤，具体流程图如图2所示：S1：虫害图像采集。S2：虫害图像预处理。S3：虫害图像分割。S4：虫害图像特征提取。
S104：根据N个时间段及M个形状特征获取用于表征农作物在下个生命周期内虫害发生趋势的第二特征量。
关于步骤S104，具体的说，获取所述第二特征量的步骤为：获取N个时间段中各个时间段内满足预设要求的形状特征的数量；对所述各个时间段及所述满足预设要求的形状特征的数量进行直方图统计以获取所述用于表征农作物在下个生命周期内虫害发生趋势第二特征量。
优选的，在统计上述数据的过程中，为了使最终得到的农作物在下个生命周期内虫害发生趋势更具有普遍性，在获取所述M各形状特征时，可以获取全国范围内同种农作物在不同区域的形状特征以及同种区域不同农作物的形状特征，并制成如表1(全国)及表2(区域)所示的表格，以便于后续过程的数据分析。
表1
表2
区域编号 样板1 样板2 样板3 样板4
QX001 模型A 模型B 模型C 模型D
QX002 模型A1 模型B1 模型C1 模型D1
QX003 模型A2 模型B2 模型C2 模型D2
为了便于理解，下面对本实施方式中第二特征量的获取方法进行举例说明：
假设所述N个时间段加起来的总时间为1年，每个时间段均为一周，农作物上害虫数量大于5只时判定该农作物受到虫害影响，获取一年中每一周的农作物中害虫数量大于5只时的形状特征的数量，通过判断每周内形状特征的数量即可判断哪些周是虫害的高发周，哪些周是虫害的低发周，如每周发现的形状特征的数量超过三次，则定义为高发周；小于或等于三次，则定义为低发周。同时，为了能够更加直观的看出虫害的发生趋势，可以通过柱状图的形式体现我们获取的数据：纵轴春夏秋冬分为四块，再分为52周，再将往年的柱状图，用阴影图来映射到当年的高发图表上。值得一提的是，在获取到不同区域的在一年内虫害发生的次数后，还可以针对不同的发生次数提前做好对应措施，并绘制成如图3所示的表格。
表3
区域编号 频率 高发周 低发周 对应方式
QX001 30次/年 25.28周 1-42周 提前干涉
QX002 100次/年 25.28周 1-42周 物理防治
QX003 50次/年 25.28周 1-42周 农药防治
可以理解的是，还可以将往年的所有农作物的虫害发生情况统计出来，以获得更加精确的来年的虫害发生趋势。
本发明实施方式相对于现有技术而言，通过预设N个时间段，且所述N个时间段至少包括农作物的一个生命周期，以确保后续步骤中能够分析到各个生长阶段的农作物上的害虫数量，从而使得预测的虫害发生趋势更加精确；然后获取所述农作物在所述N个时间段内的M个虫害图像，其中，在每个时间段内至少有一个虫害图像，M为大于或等于N的常数，以确保在各个时间段都会有虫害图像，避免因某个时间段因缺少虫害图像而无法对其进行数据分析，从而因缺少该时间段的分析数据影响到虫害发生趋势预测的精确度；再对所述M个虫害图像进行图像处理，获取用于表征所述农作物上害虫数量的M个第一特征量，最后根据所述N个时间段及所述M个第一特征量获取用于表征所述农作物在下个生命周期内虫害发生趋势的第二特征量，由于所述第一特征量可以反映所述农作物上害虫数量，根据所述N个时间段及所述M个第一特征量即可得到在每个时间段内的所述农作物上的害虫数量，通过判断每个时间段内的所述农作物上的害虫数量的多少，即可得出哪些时间段是虫害的高发期，哪些时间段是虫害的低发期，从而可以通过这些数据预测所述农作物在下个生命周期内虫害发生趋势，然后提前做好对应措施。
本发明的第二实施方式涉及一种分析虫害趋势的方法。第二实施方式与第一实施方式大致相同，主要区别之处在于：在第一实施方式中，第一特征量为所述农作物的形状特征。而在本发明第二实施方式中，第一特征量为所述农作物的颜色特征。
本实施方式中分析虫害趋势的方法如图3所示，具体包括：
S201：预设N个时间段。
S202：获取农作物在N个时间段内的M个虫害图像。
本实施方式中的步骤S201至步骤S202与第一实施方式中的步骤S101至步骤S102类似，为了避免重复，此处不再赘述。
S203：对M个虫害图像进行图像处理，获取用于表征农作物上害虫数量的M个颜色特征。
关于步骤S203，具体的说，对虫害图像进行图像处理的过程与第一实施例中的图像处理过程基本类似，不同之处在于，在获取到M个病斑区域后，提取所述M个病斑区域的颜色组成分布，再根据所述M个病斑区域的颜色组成分布获取用于表征所述农作物上害虫数量的所述农作物的颜色特征。颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响。通过将所述农作物颜色特征与正常的没有受到虫害威胁的农作物的颜色特征进行对比，即可推测出所述农作物上的害虫数量。
需要说明的是，在本实施方式中，所述M个病斑区域的颜色组成分布通过以下方式获取：
1、获取所述M个病斑区域的灰度值以及在所述灰度值下的像素的概率值；
2、通过所述灰度值及所述概率值根据以下公式获取用于表征所述M个病斑区域的颜色组成分布的M个均值：μL＝∑b bp(b)；其中，μL为所述均值，b为所述灰度值，p(b)为所述概率值。
另外，在获取到二值图像的均值μL，灰度值b，概率值p(b)后，还可以通过计算得出该二值图像的方差、能量以及熵。
方差反映图像灰度级分布的离散性，定义为：其中，为所述方差。
能量是灰度分布对于原点的二阶矩，定义为：LE＝∑b[p(b)]2；其中，LE为所述能量。
熵是图像中信息量多少的反映，通常在灰度值等概率分布的情况下获得最大熵，定义为：
E＝-∑bp(b)logp(b)；其中，E为所述熵。
值得一提的是，除了第一实施方式中获取所述农作物的形状特征以及本实施方式中获取所述农作物的颜色特征外，还可以获取所述农作物的纹理特征等可以体现该农作物上害虫数量多少的特征。纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。基于图像灰度共生矩阵的特征提取算法如下：
1、图像灰度变换。如果输入的是RGB图像，则需要转换为灰度图像；
2、灰度级粗量化。为了节省计算时间，通常我们会将灰度级减小到合适的数值，但要保证对纹理特征没有太大影响。一般地,会将256级量化成16级。
3、计算四个方向的共生矩阵，取距离为d＝1，方向分别为0°,45°,90°,135°；
4、归一化共生矩阵，通常选取高斯函数作为归一化函数；
5、分别求出每个共生矩阵的上述二阶统计特征量(除均匀性)；
6、计算每一个特征量的均值和标准差，这个向量就是最终所求的纹理特征向量。
优选的，还可以将所述农作物的形状特征、颜色特征、纹理特征都提取出来，并制成如表4所示的表格，以便于进行数据分析：
表4
区域编号 算法1 算法2 算法3
QX001 颜色特征1 纹理特征1 形状特征1
QX002 颜色特征2 纹理特征2 形状特征2
QX003 颜色特征3 纹理特征3 形状特征3
S204：根据N个时间段及M个颜色特征获取用于表征农作物在下个生命周期内虫害发生趋势的第二特征量。
本实施方式中的步骤S204与第一实施方式中的步骤S104类似，为了避免重复，此处不再赘述。
本发明实施方式相对于现有技术而言，通过预设N个时间段，且所述N个时间段至少包括农作物的一个生命周期，以确保后续步骤中能够分析到各个生长阶段的农作物上的害虫数量，从而使得预测的虫害发生趋势更加精确；然后获取所述农作物在所述N个时间段内的M个虫害图像，其中，在每个时间段内至少有一个虫害图像，M为大于或等于N的常数，以确保在各个时间段都会有虫害图像，避免因某个时间段因缺少虫害图像而无法对其进行数据分析，从而因缺少该时间段的分析数据影响到虫害发生趋势预测的精确度；再对所述M个虫害图像进行图像处理，获取用于表征所述农作物上害虫数量的M个第一特征量，最后根据所述N个时间段及所述M个第一特征量获取用于表征所述农作物在下个生命周期内虫害发生趋势的第二特征量，由于所述第一特征量可以反映所述农作物上害虫数量，根据所述N个时间段及所述M个第一特征量即可得到在每个时间段内的所述农作物上的害虫数量，通过判断每个时间段内的所述农作物上的害虫数量的多少，即可得出哪些时间段是虫害的高发期，哪些时间段是虫害的低发期，从而可以通过这些数据预测所述农作物在下个生命周期内虫害发生趋势，然后提前做好对应措施。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第三实施方式涉及一种分析虫害趋势的装置，如图4所示，包括：
至少一个处理器301；以及，
与至少一个处理器301通信连接的存储器302；其中，
存储器302存储有可被至少一个处理器301执行的指令，指令被至少一个处理器301执行，以使至少一个处理器301能够执行上述分析虫害趋势的方法。
其中，存储器302和处理器301采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器301和存储器302的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器301处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器301。
处理器301负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器302可以被用于存储处理器301在执行操作时所使用的数据。
本发明第四实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (9)

1.一种分析虫害趋势的方法，其特征在于，包括：
预设N个时间段，其中，所述N个时间段至少包括农作物的一个生命周期，N为大于1的常数；
获取所述农作物在所述N个时间段内的M个虫害图像，其中，在每个时间段内至少有一个虫害图像，M为大于或等于N的常数；
对所述M个虫害图像进行图像处理，获取用于表征所述农作物上害虫数量的M个第一特征量；
根据所述N个时间段及所述M个第一特征量获取用于表征所述农作物在下个生命周期内虫害发生趋势的第二特征量。
2.根据权利要求1所述的分析虫害趋势的方法，其特征在于，所述根据所述N个时间段及所述M个第一特征量获取用于表征所述农作物在下个生命周期内虫害发生趋势的第二特征量，具体包括：
获取所述N个时间段中各个时间段内满足预设要求的第一特征量的数量；
对所述各个时间段及所述满足预设要求的第一特征量的数量进行直方图统计以获取所述用于表征农作物在下个生命周期内虫害发生趋势第二特征量。
3.根据权利要求1所述的分析虫害趋势的方法，其特征在于，所述对所述M个虫害图像进行图像处理，获取用于表征所述农作物上害虫数量的M个第一特征量，具体包括：
对所述M个虫害图像进行图像分割得到M个病斑图像；
将所述M个病斑图像转化为M个灰度图像；
将所述M个灰度图像转化为M个二值图像；
根据所述M个二值图像获取M个病斑区域；
根据所述M个病斑区域的图像特征，获取用于表征所述农作物上害虫数量的M个第一特征量。
4.根据权利要求3所述的分析虫害趋势的方法，其特征在于，所述第一特征量为所述农作物的形状特征；
所述M个病斑区域的图像特征为所述M个病斑区域的M个最小外接矩形特征；
所述根据所述M个病斑区域的图像特征，获取用于表征所述农作物上害虫数量的M个第一特征量，具体包括：
根据所述M个最小外接矩形特征计算所述农作形状特征参数以作为所述农作物的形状特征。
5.根据权利要求4所述的分析虫害趋势的方法，其特征在于，所述M个最小外接矩形特征为所述M个最小外接矩形的面积、周长、内切圆半径、外接圆半径和转动惯量。
6.根据权利要求3所述的分析虫害趋势的方法，其特征在于，所述第一特征量为所述农作物的颜色特征；
所述M个病斑区域的图像特征为所述M个病斑区域的颜色组成分布；
所述根据所述M个病斑区域的图像特征，获取用于表征所述农作物上害虫数量的M个第一特征量，具体包括：
根据所述M个病斑区域的颜色组成分布获取用于表征所述农作物上害虫数量的所述农作物的颜色特征。
7.根据权利要求6所述的分析虫害趋势的方法，其特征在于，所述M个病斑区域的颜色组成分布通过以下方式获取：
获取所述M个病斑区域的灰度值以及在所述灰度值下的像素的概率值；
通过所述灰度值及所述概率值根据以下公式获取用于表征所述M个病斑区域的颜色组成分布的M个均值：
μL＝∑b bp(b)；其中，μL为所述均值，b为所述灰度值，p(b)为所述概率值。
8.一种分析虫害趋势的装置，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的分析虫害趋势的方法。
9.一种计算机可读存储介质，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权利要求1至7中任一项所述的分析虫害趋势的方法。
CN201810298018.2A 2018-03-30 2018-03-30 一种分析虫害趋势的方法、装置及计算机存储介质 Active CN108510490B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810298018.2A CN108510490B (zh) 2018-03-30 2018-03-30 一种分析虫害趋势的方法、装置及计算机存储介质
PCT/CN2018/101687 WO2019184212A1 (zh) 2018-03-30 2018-08-22 一种分析虫害趋势的方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810298018.2A CN108510490B (zh) 2018-03-30 2018-03-30 一种分析虫害趋势的方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN108510490A true CN108510490A (zh) 2018-09-07
CN108510490B CN108510490B (zh) 2021-02-19

Family

ID=63380518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810298018.2A Active CN108510490B (zh) 2018-03-30 2018-03-30 一种分析虫害趋势的方法、装置及计算机存储介质

Country Status (2)

Country Link
CN (1) CN108510490B (zh)
WO (1) WO2019184212A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109197273A (zh) * 2018-10-18 2019-01-15 广州极飞科技有限公司 害虫活动时间段的确定方法及装置、施药时间的确定方法
CN109964760A (zh) * 2019-04-25 2019-07-05 河北科技师范学院 建立玉米植食性有害蓟马预测预报模型的方法
CN112907547A (zh) * 2021-02-26 2021-06-04 海南金垦赛博信息科技有限公司 一种热带农作物病虫害风险评估方法及系统
CN116341920A (zh) * 2023-05-29 2023-06-27 成都金雅图科技有限公司 一种基于云计算的农业风险预警系统及方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1543784A (zh) * 2003-11-14 2004-11-10 中国科学院合肥智能机械研究所 一种用于农作物病虫害监测及农药处方生成装置
US20120197896A1 (en) * 2008-02-25 2012-08-02 Georgetown University System and method for detecting, collecting, analyzing, and communicating event-related information
CN102930249A (zh) * 2012-10-23 2013-02-13 四川农业大学 基于颜色和模型的农田害虫识别和计数方法
CN103559511A (zh) * 2013-11-20 2014-02-05 天津农学院 一种温室蔬菜叶部病害图像自动识别方法
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
CN105005813A (zh) * 2015-06-26 2015-10-28 广州铁路职业技术学院 虫害分析计数方法及系统
CN105023272A (zh) * 2015-06-26 2015-11-04 广州铁路职业技术学院 农作物叶子虫害检测方法和系统
CN204742292U (zh) * 2015-07-13 2015-11-11 贵州省烟草公司遵义市公司 一种烟草虫害测报系统
CN105173102A (zh) * 2015-09-18 2015-12-23 西北农林科技大学 一种基于多图像的四旋翼飞行器增稳系统与方法
CN105488536A (zh) * 2015-12-10 2016-04-13 中国科学院合肥物质科学研究院 一种基于多特征深度学习技术的农田害虫图像识别方法
CN106332855A (zh) * 2015-07-06 2017-01-18 宁波高新区鹏博科技有限公司 一种病虫害自动预警系统
CN106373135A (zh) * 2015-07-22 2017-02-01 崔胡晋 一种基于颜色的害虫识别计数方法
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
CN107103395A (zh) * 2017-05-31 2017-08-29 宁波高新区鹏博科技有限公司 一种农作物虫害短期预警方法
US20170309031A1 (en) * 2016-04-25 2017-10-26 Futurewei Technologies, Inc. Real time digital video stabilization
CN107314816A (zh) * 2017-06-08 2017-11-03 贵阳学院 农作物早期病害多层次信息监测预警方法
JP2017220019A (ja) * 2016-06-07 2017-12-14 日本電信電話株式会社 画像検索装置、方法、及びプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034910B (zh) * 2012-12-03 2016-03-09 北京农业信息技术研究中心 基于多源信息的区域尺度病虫害预测方法
CN103246872B (zh) * 2013-04-28 2016-02-10 北京农业智能装备技术研究中心 一种基于计算机视觉技术的广谱虫情自动测报方法
CN103514459A (zh) * 2013-10-11 2014-01-15 中国科学院合肥物质科学研究院 一种基于Android手机平台的识别农作物病虫害的方法及系统
CN103745087B (zh) * 2013-12-18 2018-02-09 广西生态工程职业技术学院 一种基于遥感技术的森林资源动态变化预测方法
CN105894003A (zh) * 2016-04-29 2016-08-24 无锡中科智能农业发展有限责任公司 一种基于机器视觉的大田果树病害监测预警系统
CN106780443A (zh) * 2016-11-30 2017-05-31 深圳前海弘稼科技有限公司 作物害虫的预警方法和作物害虫的预警装置

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1543784A (zh) * 2003-11-14 2004-11-10 中国科学院合肥智能机械研究所 一种用于农作物病虫害监测及农药处方生成装置
US20120197896A1 (en) * 2008-02-25 2012-08-02 Georgetown University System and method for detecting, collecting, analyzing, and communicating event-related information
CN102930249A (zh) * 2012-10-23 2013-02-13 四川农业大学 基于颜色和模型的农田害虫识别和计数方法
CN103559511A (zh) * 2013-11-20 2014-02-05 天津农学院 一种温室蔬菜叶部病害图像自动识别方法
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
CN105005813A (zh) * 2015-06-26 2015-10-28 广州铁路职业技术学院 虫害分析计数方法及系统
CN105023272A (zh) * 2015-06-26 2015-11-04 广州铁路职业技术学院 农作物叶子虫害检测方法和系统
CN106332855A (zh) * 2015-07-06 2017-01-18 宁波高新区鹏博科技有限公司 一种病虫害自动预警系统
CN204742292U (zh) * 2015-07-13 2015-11-11 贵州省烟草公司遵义市公司 一种烟草虫害测报系统
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
CN106373135A (zh) * 2015-07-22 2017-02-01 崔胡晋 一种基于颜色的害虫识别计数方法
CN105173102A (zh) * 2015-09-18 2015-12-23 西北农林科技大学 一种基于多图像的四旋翼飞行器增稳系统与方法
CN105488536A (zh) * 2015-12-10 2016-04-13 中国科学院合肥物质科学研究院 一种基于多特征深度学习技术的农田害虫图像识别方法
US20170309031A1 (en) * 2016-04-25 2017-10-26 Futurewei Technologies, Inc. Real time digital video stabilization
JP2017220019A (ja) * 2016-06-07 2017-12-14 日本電信電話株式会社 画像検索装置、方法、及びプログラム
CN107103395A (zh) * 2017-05-31 2017-08-29 宁波高新区鹏博科技有限公司 一种农作物虫害短期预警方法
CN107314816A (zh) * 2017-06-08 2017-11-03 贵阳学院 农作物早期病害多层次信息监测预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WANG SHUZHI等: "Defect detection of muskmelon based on texture features and color features", 《TRANSACTIONS OF THE CHINESE SOCIETY FOR AGRICULTURAL MACHINERY》 *
翟治芬等: "基于朴素贝叶斯分类器的棉花盲椿象危害等级识别", 《农业工程学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109197273A (zh) * 2018-10-18 2019-01-15 广州极飞科技有限公司 害虫活动时间段的确定方法及装置、施药时间的确定方法
CN109197273B (zh) * 2018-10-18 2021-10-08 广州极飞科技股份有限公司 害虫活动时间段的确定方法及装置、施药时间的确定方法
CN109964760A (zh) * 2019-04-25 2019-07-05 河北科技师范学院 建立玉米植食性有害蓟马预测预报模型的方法
CN109964760B (zh) * 2019-04-25 2021-04-27 河北科技师范学院 建立玉米植食性有害蓟马预测预报模型的方法
CN112907547A (zh) * 2021-02-26 2021-06-04 海南金垦赛博信息科技有限公司 一种热带农作物病虫害风险评估方法及系统
CN116341920A (zh) * 2023-05-29 2023-06-27 成都金雅图科技有限公司 一种基于云计算的农业风险预警系统及方法

Also Published As

Publication number Publication date
CN108510490B (zh) 2021-02-19
WO2019184212A1 (zh) 2019-10-03

Similar Documents

Publication Publication Date Title
Sadeghi-Tehran et al. DeepCount: in-field automatic quantification of wheat spikes using simple linear iterative clustering and deep convolutional neural networks
Haridasan et al. Deep learning system for paddy plant disease detection and classification
Zhao et al. Mapping rice paddies in complex landscapes with convolutional neural networks and phenological metrics
Kavzoglu et al. An experimental comparison of multi-resolution segmentation, SLIC and K-means clustering for object-based classification of VHR imagery
US10824861B2 (en) System and method using image based machine learning process for earth observation and analysis
Tan et al. Intelligent alerting for fruit-melon lesion image based on momentum deep learning
CN104008538B (zh) 基于单张图像超分辨率方法
CN108510490A (zh) 一种分析虫害趋势的方法、装置及计算机存储介质
Sampathkumar et al. An automated crop and plant disease identification scheme using cognitive fuzzy c-means algorithm
CN113609889B (zh) 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法
US10089712B2 (en) System and method providing automatic alignment of aerial/satellite imagery to known ground features
Ding et al. Brain medical image fusion based on dual-branch CNNs in NSST domain
Sulik et al. Feature extraction for Darfur: Geospatial applications in the documentation of human rights abuses
CN112419202B (zh) 基于大数据及深度学习的野生动物图像自动识别系统
WO2018073163A1 (de) Ertragsvorhersage für ein kornfeld
Sanaeifar et al. Advancing precision agriculture: The potential of deep learning for cereal plant head detection
Rezk et al. An efficient plant disease recognition system using hybrid convolutional neural networks (cnns) and conditional random fields (crfs) for smart iot applications in agriculture
WO2021133310A1 (en) Agricultural decision support system
Rahim et al. Deep learning-based accurate grapevine inflorescence and flower quantification in unstructured vineyard images acquired using a mobile sensing platform
CN115797781A (zh) 农作物识别方法、装置、计算机设备和存储介质
Zhu et al. Research on deep learning method recognition and a classification model of grassland grass species based on unmanned aerial vehicle hyperspectral remote sensing
Albert et al. Land use classification using conditional random fields for the verification of geospatial databases
Chen et al. A modified object-oriented classification algorithm and its application in high-resolution remote-sensing imagery
Ananthi Fused segmentation algorithm for the detection of nutrient deficiency in crops using SAR Images
Sharma et al. An optimal remote sensing image enhancement with weak detail preservation in wavelet domain

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
TR01 Transfer of patent right

Effective date of registration: 20220507

Address after: 517025 room 317-1, enterprise service center building, No. 8, Longling Third Road, Longling Industrial Park, Yuancheng District, Heyuan City, Guangdong Province

Patentee after: HEYUAN HONGJIA AGRICULTURAL TECHNOLOGY CO.,LTD.

Address before: 518052 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Patentee before: SHENZHEN SPRINGWOODS HOLDING Co.,Ltd.

TR01 Transfer of patent right