CN108563979B - 一种基于航拍农田图像判别水稻稻瘟病病情的方法 - Google Patents
一种基于航拍农田图像判别水稻稻瘟病病情的方法 Download PDFInfo
- Publication number
- CN108563979B CN108563979B CN201711479812.9A CN201711479812A CN108563979B CN 108563979 B CN108563979 B CN 108563979B CN 201711479812 A CN201711479812 A CN 201711479812A CN 108563979 B CN108563979 B CN 108563979B
- Authority
- CN
- China
- Prior art keywords
- image
- rice blast
- aerial
- spots
- lesion
- 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.)
- Expired - Fee Related
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 53
- 235000009566 rice Nutrition 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 51
- 201000010099 disease Diseases 0.000 title claims abstract description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 30
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 52
- 230000003902 lesion Effects 0.000 claims abstract description 33
- 206010039509 Scab Diseases 0.000 claims abstract description 25
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002189 fluorescence spectrum Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
-
- 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
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于航拍农田图像判别水稻稻瘟病病情的方法，包括图像预处理、图像分割、病斑提取识别和受害率计算。所述的图像分割根据图像的背景和病斑颜色特征采用最大类间方差法对彩色分量组合图像进行分割；病斑提取识别：所述的病斑提取识别用于识别病斑是稻瘟病病斑或是自然枯黄斑；最终根据叶片上的稻瘟病病斑的面积比例，并结合国家分级标准判定稻瘟病灾情等级。本发明所提供的方法不仅能够很好的处理采集到的具有复杂背景的图片，减少干扰，而且能够准确的区分病斑的类型，对稻瘟病的灾害等级有着准确的判定。
Description
技术领域
本发明属于利用图像处理分析技术进行监控领域，具体涉及一种基于航拍农田图像判别水稻稻瘟病病情的方法。
背景技术
稻瘟病是水稻三大病害之一，严重影响水稻的生产，不但造成水稻减产10～30％，而且还降低水稻品质。目前稻瘟病的病害程度分类主要是通过人工目测完成，这种分类主观性强，对工人专业素质要求比较高，且分类效率低，还存在一定的误差。
马德贵等利用椭圆模型检测水稻稻瘟病与纹枯病的危害程度,分类准确率在80％～100％；冯雷等利用多光谱成像技术提取水稻叶面和冠层信息，建立病情检测模型，叶瘟分类准确率达90％；周丽娜等借助叶绿素荧光光谱分析技术，建立PCA-MLP的稻瘟病害预测模型，分类准确率达到91.7％；郑姣等研究了一款基于Android的水稻病害图像识别系统。目前利用图像处理技术对叶瘟病病害分级的研究仍比较少，同时根据病斑面积占叶片面积进行病害分级存在一些不足，在同时存在自然枯黄叶和染病枯黄叶的情况下，病害分类精度还不够。据此提出一种结合图像处理与逐步回归的叶瘟病病害程度分级方法。
该系统具有智能化程度高，灾害等级分类正确率高的特点。能快速有效的处理水稻图片，处理效果明显。对采集得到的背景复杂的图片也能得到较好的处理，系统抗干扰性强。
发明内容
针对上述问题，本发明提出一种基于航拍农田图像判别水稻稻瘟病病情的方法。
实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
一种基于航拍农田图像判别水稻稻瘟病病情的方法，包括：
图像预处理步骤：将航拍的彩色图转换成灰度图像，对灰度图像进行平滑处理去除图像噪声，之后将图像还原成彩色图；
图像分割步骤：根据图像的背景和病斑颜色特征采用最大类间方差法对彩色分量组合图像进行分割；
病斑提取识别步骤：根据稻瘟病病斑的形态学特征提取形态特征参数，采用迭代法提取同一区域的病斑的形态特征参数的实际值和采用逐步回归法确立病斑形态特征参数的预测值，通过比较实际值与预测值之间的差值识别病斑的类型；
受害率计算：计算叶片上的稻瘟病病斑的面积比例，并结合国家分级标准判定稻瘟病灾情等级。
作为本发明的进一步改进，所述的图像预处理步骤，对图像选用小于3×3窗口进行平滑处理。
作为本发明的进一步改进，采用中值滤波法、均值滤波法或维纳滤波法对图像进行平滑处理，优选中值滤波法。
作为本发明的进一步改进，所述的图像分割步骤，采用R-G分量组合法分割图像的背景和病斑部分。
作为本发明的进一步改进，所述的图像分割步骤所分割的病斑包括稻瘟病病斑和自然枯黄斑，所述的稻瘟病病斑为椭圆形。
作为本发明的进一步改进，采用逐步回归法确定形态特征参数离心率与椭圆的扁平呈显著的线性关系。
作为本发明的进一步改进，所述的离心率实际值与离心率预测值之间的差值的绝对值超出所确定的阈值时，判别所需区分的病斑为自然枯黄斑并设置为背景色；小于所设定的阈值时，判定为稻瘟病病斑。
作为本发明的进一步改进，所述的阈值时通过统计法所得到的，所述的阈值小于0.08。
作为本发明的进一步改进，所计算的面积对应于图像的像素面积。
本发明的有益效果：本发明所提供的方法不仅能够很好的处理采集到的具有复杂背景的图片，减少干扰，而且能够准确的区分病斑的类型，对稻瘟病的灾害等级有着准确的判定，同时能快速有效的处理大量水稻图片，效果明显。
附图说明
图1为本发明通过图像判别稻瘟病病情的步骤流程图；
图2为采用三种不同的彩色图像分量组合法对图形进行处理后所得到的去除背景后的图像；
图3为图像中的病斑经提取和区分处理后的图像变化过程。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
一种基于航拍农田图像判别水稻稻瘟病病情的方法，包括以下步骤：
图像预处理，去除图像的噪声，增强图像的效果；
图像分割：结合图像背景和病斑颜色特征区分，对图像的背景和病斑进行分割；
病斑提取识别：区分出所述的病斑是自然枯黄斑或稻瘟病导致的枯黄斑；
受害率计算：根据所计算叶片上的稻瘟病病斑的面积比例，并结合国家分级标准判定稻瘟病的受灾情况。
以上步骤实现的具有过程如下：
1.图像预处理：
使用MATLAB将航拍的农田彩色图像转换成灰度图形，之后根据图像中噪声的多少采用小于3×3不同矩形区域对图像进行平滑处理。通过对比均值滤波、中值滤波和维纳滤波对叶瘟病样本处理后的效果，发现中值滤波效果最佳，在去除噪声后还能较好的保护图像边缘和纹理。中值滤波变换公式
g(x,y)＝median{f(x-k,y-l),(k,l)∈W}
其中g(x,y)为中值滤波后输出的像素值，f(x,y)为中间像素的灰度值，W为m×n的矩形区域，其中所述的m≤3，n≤3。
对灰度图进行图像预处理后图像的清晰度得到增强，为了便于图像的后续处理，将灰度图还原成RGB彩色图。
2.图像分割：
由于通过航拍所拍摄的图片的背景复杂，为了准确的识别病斑，需要将病斑和背景部分区分开来。本研究根据现有图像分割算法，结合图像背景和病斑颜色特征，采用最大类间方差法对彩色分量组合图像进行分割。针对滤波平滑，退化还原后的图像，提取彩色图各分量，绘制相应的直方图。本发明所述的彩色图像分量组合方法包括(R-G)、(G-B)和(2R-G-B)三种方法。表1示出通过对比(R-G)、(G-B)、(2R-G-B)三种组合方法分割背景和病斑所获得的病斑的准确率，从表1可以看出(R-G)能较好的分割水稻稻瘟病的病斑和背景。
表1：三种组合方法分割背景和病斑所获得的病斑的准确率
3.病斑提取识别：
通过以上对图像的处理能够图像中的病斑部分提取出来，但是所提取的病斑中包括自然枯黄的病斑和由于因为稻瘟病所导致的病斑，因此需要对病斑进行识别以区分病斑的种类。该步骤包括对病斑的形状特征参数进行提取和根据所提取的形状特征参数对病斑进行识别。
本发明通过采用迭代法提取病斑的形状特征参数，由于所述的稻瘟病病斑为近圆形或者椭圆形，因此所提取的病斑的形状特征参数包括像素点面积、椭圆长轴、椭圆短轴、离心率、目标区域最小外接圆面积、目标区域周长等参数，得到了椭圆度、离心率、矩形度和复杂度等形态特征，具体的如表2所示。
表2：特征参数符号说明
其中，特征参数A、a、b、SMER、P为椭圆的固有参数，其余的参数是通过固有参数计算而得到的：
椭圆度(E):
矩形度(Rsq)：
复杂度(C):
由于椭圆度可以用来描述椭圆的扁平程度，通过建立其它特征参数与椭圆度的线性关系模型，用来区分病斑与枯黄叶。通过选取120个病斑特征参数(A，P，E，C，Rsq)建立与离心率(e)的3个逐步回归方程，如表3所示，可以看出离心率与椭圆度相关性最显著，除此之外对椭圆度有影响的参数依次为复杂度和矩形度，三者对椭圆度的决定系数为R2＝0.932234，呈极显著性。因此可采用离心率作为识别病斑的特征参数。
表3：数字图像处理后提取病斑参数建立的逐步回归方程
提取病斑或者枯黄区域的特征参数的过程中，需要进行区域标记，即将同一区域标的像素连在一起附上相同的标记，不同的区域附上不同的标记的处理，之后计算出各个区域中的特征参数，并计算出该区域离心率的实际值。
将病斑原始数据代入建立的逐步回归方程中，得到离心率的预测值。经统计|预测值-实际值|<0.08占比95％，而枯黄叶的|预测值-实际值|<0.08，不足5％，可以认为该区域为稻瘟病形成的病斑。对于不满足该设置的阈值目标时，将该区域判别为由于自然原因所形成的枯黄区。
4.受害率计算：
通过以上将步骤通过对图像的处理将病斑区域提取出来，并采用逐步回归的方法将病斑与自然枯黄斑分开后，计算病斑面积占叶面面积的百分比。
式中S为病斑区域占叶面积百分比，A1和A2分别在图像像素条件下统计的叶面积和病斑面积。
之后参照国家标准对叶瘟病所划分的6个级别，根据所计算的病斑区域占叶面积百分确定稻田叶瘟病的等级。
如表4所示的本发明的一种实施例中，通过对160张图片进行件检验所得到的准确率。
表4：准确率验证结果
由此可以看出本发明所提供图像处理的方法能够准确的判定稻田的稻瘟病的灾害情况。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于航拍农田图像判别水稻稻瘟病病情的方法，包括：
图像预处理步骤：将航拍的彩色图转换成灰度图像，对灰度图像进行平滑处理去除图像噪声，之后将图像还原成彩色图；
图像分割步骤：根据图像的背景和病斑颜色特征，采用R-G分量组合法分割图像的背景和病斑部分，其中，所分割的病斑包括稻瘟病病斑和自然枯黄斑；
病斑提取识别步骤：
根据稻瘟病病斑椭圆形的形态学特征提取形态特征参数离心率；
采用迭代法提取同一区域的病斑离心率的实际值和采用逐步回归法确立病斑离心率的预测值；
通过比较所述离心率的实际值与所述离心率的预测值之间的差值识别病斑的类型：当所述离心率的实际值与所述离心率的预测值之间的差值的绝对值超出所确定的阈值时，判别所需区分的病斑为自然枯黄斑并设置为背景色；当所述离心率的实际值与离心率的预测值之间的差值的绝对值小于所设定的阈值时，判定为稻瘟病病斑；
受害率计算：计算叶片上的稻瘟病病斑的面积比例，并结合国家分级标准判定稻瘟病灾情等级。
2.根据权利要求1所述的一种基于航拍农田图像判别水稻稻瘟病病情的方法，其特征在于：所述的图像预处理步骤，对图像选用小于3×3窗口进行平滑处理。
3.根据权利要求2所述的一种基于航拍农田图像判别水稻稻瘟病病情的方法，其特征在于：采用中值滤波法、均值滤波法或维纳滤波法对图像进行平滑处理。
4.根据权利要求3所述的一种基于航拍农田图像判别水稻稻瘟病病情的方法，其特征在于：采用中值滤波法对图像进行平滑处理。
5.根据权利要求1所述的一种基于航拍农田图像判别水稻稻瘟病病情的方法，其特征在于：采用逐步回归法确定形态特征参数离心率与椭圆的扁平呈显著的线性关系。
6.根据权利要求1所述的一种基于航拍农田图像判别水稻稻瘟病病情的方法，其特征在于：所述的阈值通过统计法得到，所述的阈值小于0.08。
7.根据权利要求1所述的一种基于航拍农田图像判别水稻稻瘟病病情的方法，其特征在于：所计算的面积对应于图像的像素面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711479812.9A CN108563979B (zh) | 2017-12-29 | 2017-12-29 | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711479812.9A CN108563979B (zh) | 2017-12-29 | 2017-12-29 | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108563979A CN108563979A (zh) | 2018-09-21 |
| CN108563979B true CN108563979B (zh) | 2021-09-07 |
Family
ID=63530441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711479812.9A Expired - Fee Related CN108563979B (zh) | 2017-12-29 | 2017-12-29 | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108563979B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446955B (zh) * | 2018-10-17 | 2020-08-25 | 南京理工大学泰州科技学院 | 一种图像处理方法、装置、无人机及服务器 |
| CN109993228A (zh) * | 2019-04-02 | 2019-07-09 | 南通科技职业学院 | 基于机器视觉的植保无人机水稻纹枯病识别方法 |
| CN110033464B (zh) * | 2019-04-15 | 2023-03-10 | 齐齐哈尔医学院 | 一种基于水平集算法的乳腺肿瘤超声图像分割方法 |
| CN110310291A (zh) * | 2019-06-25 | 2019-10-08 | 四川省农业科学院农业信息与农村经济研究所 | 一种稻瘟病分级系统及其方法 |
| CN113269690A (zh) * | 2021-05-27 | 2021-08-17 | 山东大学 | 一种叶片病变区域检测方法及系统 |
| CN113763319B (zh) * | 2021-06-10 | 2024-01-05 | 中国农业科学院茶叶研究所 | 茶叶成条率检测方法、装置及计算机可读存储介质 |
| CN113940263B (zh) * | 2021-11-15 | 2023-04-07 | 中国农业科学院都市农业研究所 | 一种用于植物生产的照护装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1936541A (zh) * | 2006-10-12 | 2007-03-28 | 中国林业科学研究院木材工业研究所 | 木材生物败坏的早期检测方法 |
| CN101539531A (zh) * | 2009-04-09 | 2009-09-23 | 浙江大学 | 基于多光谱图像处理的水稻稻叶瘟病检测分级方法 |
| CN102523953A (zh) * | 2011-12-07 | 2012-07-04 | 北京农业信息技术研究中心 | 作物信息融合方法及病害监测系统 |
| CN103134758A (zh) * | 2013-01-29 | 2013-06-05 | 华南农业大学 | 基于多尺度高光谱图像处理的稻叶瘟病抗性鉴定分级方法 |
| 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 |
| CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
| CN106483130A (zh) * | 2016-10-13 | 2017-03-08 | 扬州大学 | 一种水稻病害的检测方法及其自动检测装置 |
-
2017
- 2017-12-29 CN CN201711479812.9A patent/CN108563979B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1936541A (zh) * | 2006-10-12 | 2007-03-28 | 中国林业科学研究院木材工业研究所 | 木材生物败坏的早期检测方法 |
| CN101539531A (zh) * | 2009-04-09 | 2009-09-23 | 浙江大学 | 基于多光谱图像处理的水稻稻叶瘟病检测分级方法 |
| CN102523953A (zh) * | 2011-12-07 | 2012-07-04 | 北京农业信息技术研究中心 | 作物信息融合方法及病害监测系统 |
| CN103134758A (zh) * | 2013-01-29 | 2013-06-05 | 华南农业大学 | 基于多尺度高光谱图像处理的稻叶瘟病抗性鉴定分级方法 |
| 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 |
| CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
| CN106483130A (zh) * | 2016-10-13 | 2017-03-08 | 扬州大学 | 一种水稻病害的检测方法及其自动检测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108563979A (zh) | 2018-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
| CN108319973B (zh) | 一种树上柑橘果实检测方法 | |
| CN107665324B (zh) | 一种图像识别方法及终端 | |
| CN110009638B (zh) | 基于局部统计特征的桥梁拉索图像外观缺陷检测方法 | |
| CN102426649A (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
| CN104732235B (zh) | 一种消除夜间道路反光干扰的车辆检测方法 | |
| CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
| AU2020103260A4 (en) | Rice blast grading system and method | |
| CN111666834A (zh) | 一种基于图像识别技术的森林火灾自动监测识别系统及方法 | |
| CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| CN102496016B (zh) | 一种基于时空协同框架的红外目标检测方法 | |
| CN107610114A (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
| CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
| CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
| CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
| CN104299234B (zh) | 视频数据中雨场去除的方法和系统 | |
| CN103680145B (zh) | 一种基于局部图像特征的人车自动识别方法 | |
| CN111768455A (zh) | 一种基于图像的木材区域和主色提取方法 | |
| Shi et al. | Urban feature shadow extraction based on high-resolution satellite remote sensing images | |
| CN110047064B (zh) | 一种马铃薯疮痂检测方法 | |
| CN111611940A (zh) | 一种基于大数据处理的快速视频人脸识别方法 | |
| CN115063375B (zh) | 一种对排卵试纸检测结果进行自动分析的图像识别方法 | |
| KR100488014B1 (ko) | ＹＣｒＣｂ 칼라 기반 얼굴 영역 추출 방법 | |
| CN114022753B (zh) | 基于显著性和边缘分析的对空小目标检测算法 | |
| Khan et al. | Shadow removal from digital images using multi-channel binarization and shadow matting |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210907 |