CN109858416A - 一种杀虫灯的识别病虫害的方法 - Google Patents
一种杀虫灯的识别病虫害的方法 Download PDFInfo
- Publication number
- CN109858416A CN109858416A CN201910053146.5A CN201910053146A CN109858416A CN 109858416 A CN109858416 A CN 109858416A CN 201910053146 A CN201910053146 A CN 201910053146A CN 109858416 A CN109858416 A CN 109858416A
- Authority
- CN
- China
- Prior art keywords
- image
- pest
- pixel
- disease damage
- gradient
- 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
Abstract
本发明公开了公开了一种杀虫灯的识别病虫害的方法,包括以下步骤:步骤一:防水摄像头模块采集庄稼图像;步骤二:嵌入式系统通过GPRS技术将采集的庄稼图像传送到计算机CPU中;步骤三:对庄稼进行图像处理;步骤四:对处理后的庄稼图像进行识别处理,获取图像特征;步骤五:将图像特征与特征数据库进行对比,获得虫害类型及虫害的数量。本发明能够进行病虫害的种类及其数量进行识别。基于本发明,可以针对不同的病虫害进行不同的杀虫措施,还能结合病虫害的数量,做出不同程度的预警。
Description
【技术领域】
本发明涉及杀虫技术领域,特别是杀虫灯的识别病虫害的方法的技术领域。
【背景技术】
农业虫害是主要自然灾害之一,是农作物生长过程中遭受的重大自然灾害,直接影响着农作物的产量和质量。国内外从上世纪始研究采用物理机制进行病害虫防治,即利用昆虫的趋光、色、味、性等特性吸引病害虫,再借助高压电、水淹、熏杀等方式将其杀死,其中以利用昆虫的趋光性杀虫灯,灯光诱杀技术研究最早、技术最为成熟、发展最快。杀虫灯作为一种利用害虫成虫趋光性,通过频振式LED光来诱引害虫并利用高压电网对其进行灭杀成为主要的物理防治工具。
随着自动化产业的推进,技术不断成熟,尤其是在于图像识别处理方面。为此,可以结合识别不同的病虫害,从而智能调整诱虫的光线状况或杀虫方式,从而更有效率。同时亦可结合不同的病虫害程度,进行不同的预警。为此,基于上述情况,需要一种新型杀虫灯,并能利用该杀虫灯进行病虫害识别。
【发明内容】
本发明的目的就是解决现有技术中的问题,提出一种杀虫灯的识别病虫害的方法,能够进行病虫害的种类及其数量进行识别。基于本发明,可以针对不同的病虫害进行不同的杀虫措施,还能结合病虫害的数量,做出不同程度的预警。
为实现上述目的,本发明提出了一种杀虫灯的识别病虫害的方法,包括以下步骤:
步骤一:防水摄像头模块采集庄稼图像;
步骤二:嵌入式系统通过GPRS技术将采集的庄稼图像传送到计算机CPU中;
步骤三:对庄稼进行图像处理;
步骤四:对处理后的庄稼图像进行识别处理,获取图像特征:采用模糊神经网络技术对庄稼图像进行识别处理,获得图像特征为Char=[BU WU LA OA AL1FL AL2],其中BU为体长上限、WU为翅展上限、LA为前缘角部尖锐弧度、OA为外缘平整弧度、AL1为触角长度、FL为前肢长度、AL2为后肢长度;
步骤五:将图像特征与特征数据库进行对比,获得虫害类型及虫害的数量。
作为优选,所述步骤三的图像处理的方法包括以下步骤:
步骤31:图像灰度化:对要进行分析的图像进行标定,将采集到的图像裁剪为1600×1600像素的图像,将目标保留在图像的中部待处理,对彩色图像进行灰度化处理;
步骤32:平滑去燥,采用中值滤波去除噪声:g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中,f(x,y)、g(x,y)分别为原始图像和处理后图像;W为二维模板;
步骤33:图像分割:d=d0(d1......dm)/m;
其中d为图像单个像素点的灰度、q为图像灰度的圆值、ad为像素阈值化比较后的灰度值、m为图像序号;
步骤34:形态学图像处理:通过开运算来消除目标触角、害虫留在叶面的粪便、菜叶上的沙土,通过闭运算来填补虫害内部的孔洞;所述开运算为 闭运算为其中和分别表示腐蚀和膨胀;
步骤35:害虫边界提取;
步骤36:轮廓填充。
作为优选,所述步骤五中的特征数据库的建立方法为:
步骤51:选取样本:选取常见虫害的样本;
步骤52:对虫害的图像进行提取;
步骤53:对提取到的图像进行处理,获取图像特征,将图像特征汇入特征数据库中。
作为优选,所述害虫边界提取的提取方法包括以下步骤:
步骤351:高斯平滑去噪:使用高斯滤波器与图像进行卷积,大小为(2k+1)×(2k+1)的高斯滤波器核的改进生成方程式:1≤i,j≤(2k+1),其中,σ是方差;
步骤352:计算梯度强度和方向:边缘差分算子计算水平和垂直方向的差分Gx和Gy,获得像素点的梯度方向θ=arctan(Gy/Gx):
步骤353:非极大值抑制:将其梯度方向近似为以下值中的一个(0,45,90,135,180,225,270,315);比较该像素点,和其梯度方向正负方向的像素点的梯度强度;如果该像素点梯度强度最大则保留,否则抑制,即置为0;
步骤354:双阈值检测:如果边缘像素的梯度值高于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则会被抑制;
步骤355:抑制孤立低阈值点。
作为优选,所述轮廓填充的方法为:
步骤361:首次扫描位于图片第一行,从图片最左边的像素点开始往右进行单行扫描检测;
步骤362:若所经过的某一像素点是轮廓上的一点,则开始更改此点以后的像素点的颜色为填充色;
步骤363:若遇到下一个轮廓上的像素点,停止更改像素点颜色。
步骤364:继续扫描,若遇到下一个轮廓点,重复步骤362、步骤363;若整行扫描完毕,没有点位于轮廓上,则切换至下一行重复步骤361、步骤362、步骤363;
步骤365:循环扫描填充至图片的最后一个像素点。
作为优选,所述隶属度为其中,r为带处理的图集、R为病虫害图总量、e为均值、h为标准差、j为特征序号。
本发明的有益效果:本发明能够进行病虫害的种类及其数量进行识别。基于本发明,可以针对不同的病虫害进行不同的杀虫措施,还能结合病虫害的数量,做出不同程度的预警。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明一种杀虫灯的识别病虫害的方法的方法流程图;
图2是本发明一种杀虫灯的识别病虫害的方法的杀虫灯硬件结构图。
图中:1-控制器、2-电路信息采集模块、3-光伏充电控制模块、4-外部独立时钟、5-GPRS传输模块、6-环境检测传感器模块、7-防水摄像头模块、8-杀虫灯电网驱动模块、9-电源模块。
【具体实施方式】
参阅图1、图2,本发明,包括以下步骤:
步骤一:防水摄像头模块7采集庄稼图像;
步骤二:嵌入式系统通过GPRS技术将采集的庄稼图像传送到计算机CPU中;
步骤三:对庄稼进行图像处理;
步骤四:对处理后的庄稼图像进行识别处理,获取图像特征:采用模糊神经网络技术对庄稼图像进行识别处理,获得图像特征为Char=[BU WU LA OA AL1FL AL2],其中BU为体长上限、WU为翅展上限、LA为前缘角部尖锐弧度、OA为外缘平整弧度、AL1为触角长度、FL为前肢长度、AL2为后肢长度;
步骤五:将图像特征与特征数据库进行对比,获得虫害类型及虫害的数量。
具体的,所述步骤三的图像处理的方法包括以下步骤:
步骤31:图像灰度化:对要进行分析的图像进行标定,将采集到的图像裁剪为1600×1600像素的图像,将目标保留在图像的中部待处理,对彩色图像进行灰度化处理;
步骤32:平滑去燥,采用中值滤波去除噪声:g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中,f(x,y)、g(x,y)分别为原始图像和处理后图像;W为二维模板;
步骤33:图像分割:d=d0(d1......dm)/m;其中d为图像单个像素点的灰度、q为图像灰度的圆值、ad为像素阈值化比较后的灰度值、m为图像序号;
步骤34:形态学图像处理:通过开运算来消除目标触角、害虫留在叶面的粪便、菜叶上的沙土,通过闭运算来填补虫害内部的孔洞;所述开运算为 闭运算为其中和分别表示腐蚀和膨胀;
步骤35:害虫边界提取;
步骤36:轮廓填充。
具体的,所述步骤四中的识别处理方法为:
步骤41:求出待识别虫害的图像特征属于每个目标种类的隶属度;
步骤42:使用得出的这一组隶属度中的最小值作为该虫害对这类目标的隶属度;
步骤43:作种类识别时,通过选取隶属度最大的那个目标种类作为待识别虫害的所属种类。
具体的,所述步骤五中的特征数据库的建立方法为:
步骤51:选取样本:选取常见虫害的样本;
步骤52:对虫害的图像进行提取;
步骤53:对提取到的图像进行处理,获取图像特征,将图像特征汇入特征数据库中。
具体的,所述害虫边界提取的提取方法包括以下步骤:
步骤351:高斯平滑去噪:使用高斯滤波器与图像进行卷积,大小为(2k+1)×(2k+1)的高斯滤波器核的改进生成方程式:1≤i,j≤(2k+1),其中,σ是方差;
步骤352:计算梯度强度和方向:边缘差分算子计算水平和垂直方向的差分Gx和Gy,获得像素点的梯度方向θ=arctan(Gy/Gx):
步骤353:非极大值抑制:将其梯度方向近似为以下值中的一个0,45,90,135,180,225,270,315;比较该像素点,和其梯度方向正负方向的像素点的梯度强度;如果该像素点梯度强度最大则保留,否则抑制,即置为0;
步骤354:双阈值检测:如果边缘像素的梯度值高于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则会被抑制;
步骤355:抑制孤立低阈值点。
具体的,所述轮廓填充的方法为:
步骤361:首次扫描位于图片第一行,从图片最左边的像素点开始往右进行单行扫描检测;
步骤362:若所经过的某一像素点是轮廓上的一点,则开始更改此点以后的像素点的颜色为填充色;
步骤363:若遇到下一个轮廓上的像素点,停止更改像素点颜色。
步骤364:继续扫描,若遇到下一个轮廓点,重复步骤362、步骤363;若整行扫描完毕,没有点位于轮廓上,则切换至下一行重复步骤361、步骤362、步骤363;
步骤365:循环扫描填充至图片的最后一个像素点。
具体的,所述隶属度为其中,r为带处理的图集、R为病虫害图总量、e为均值、h为标准差、j为特征序号。
本发明工作过程:
本发明一种杀虫灯的识别病虫害的方法在工作过程中,结合附图进行说明。
如附图2所示,本发明杀虫灯的硬件结构的连接原理图,本发明的硬件为现有硬件的组合,硬件连接方式为常规连接,杀虫灯的杀虫原理与现有技术相同,结合本发明的识别病虫害的方法,从而达到有效识别病虫害类型及数量的效果,依据此可进行预警。对于目标虫害,需要有效表示目标的图像特征Char=[BU WU LA OA AL1 FL AL2](体长上限、翅展上限、前缘角部尖锐弧度、外缘平整弧度、触角长度、前肢长度、后肢长度),存入特征数据库中,以便在进行识别过程中图像匹配,建立初步的基于计算机视觉的识别方法,其中包括昆虫种类的识别、病虫害程度的识别。(虫害主要包括螟虫、稻飞虱、稻苞虫等)。本发明的识别病虫害方法在实施过程中:
步骤一:由防水摄像头模块7采集庄稼图像。
步骤二:嵌入式系统通过GPRS技术将采集的庄稼图像传送到计算机CPU中。
步骤三:利用数字图像处理技术及数学形态学方法处理庄稼图像,包括图像的灰度化、平滑去噪、图像分割、形态学图像处理、虫害边界提取和轮廓填充。
步骤四:采用模糊神经网络技术对田间庄稼图像进行识别处理,利用模糊神经网络的并行性以提高图像识别速度和识别的可靠性。
步骤五:将图像特征与特征数据库进行对比,获得虫害类型及虫害的数量,结合虫害类型及其数量,做出相应的决策。
图像处理:图像处理所处理的工作为预处理,具体步骤如下:
步骤31:图像灰度化:
由于采集的原始图像数据较大,含有大量的无用信息,为了降低图像分割的难度,可以首先从原始图像中截取含有特征信息的部分图像区域。首先,对要进行分析的图片进行标定,将采集到的图像统一裁剪为1600×1600像素的图像,将目标保留在图像的中部待处理。为了提取分类需要的信息,去除不需要部分的干扰,需要对彩色图像进行灰度化处理,灰度化处理的好处是缩短计算时间。
采用加权平均法:将彩色图像的R、G、B三分量以不同的权重进行加权平均。人眼对绿色敏感最高,对蓝色敏感最低,故采用心理学灰度公式:
Gray(i,j)=0.299*R(i,j)+0.587*G(i,j)+0.114*B(i,j)
即是Opencv的颜色空间转换函数:CV_BGR2GRAY
步骤32:平滑去噪
由于图像采集设备的特性及外界环境的干扰会使图像产生一定的噪声,降低图片的质量。合理地消除噪声可以提高后续的阈值分割、边缘提取等步骤的准确度。去除噪声的方式有均值滤波、高斯滤波、极值滤波和中值滤波。因为经过中值滤波后的图像目标边缘不会变模糊,而在后续的特征提取时需要准确的目标边缘,所以,采用中值滤波去除噪声干扰相对于其他滤波方式较好地保护了图像的原始特征。
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中,f(x,y),g(x,y)分别为原始图像和处理后图像,W为二维模板,通常为3*3区域。
步骤33:病虫图像的分割:
将图像中有意义的特征区域或者需要应用的特征区域提取出来。灰度值大于或等于阈值的像素点,灰度值统一为255,即白色,否则这些像素点将统一为0,即黑色。使用大津法选出来的阈值比较理想,在各种情况均表现良好,分割质量有一定的保障。
d=d0(d1......dm)/m
其中
d——图像单个像素点的灰度,
q——图像灰度的圆值,
ad——像素阈值化比较后的灰度值,
m——图像序号
当像素灰度大于或等于图像灰度阈值时,认为此像素为图像中的像素点,个数用adc表示;当像素灰度小于图像灰度阈值时,则此像素点被认为是环境中的一像素点。
步骤34:形态学图像的处理:
由阈值分割后的图像可以看出,经过阈值分割后,提取了虫害图像的有用信息,去除了无效的背景信息。但是从图像上可以看出目标仍然存在孔洞和触角,背景上存在噪声干扰,这些均会对特征提取产生较大的影响。通过二值图像的基本形态学运算——开运算来消除目标触角、害虫留在叶面的粪便、菜叶上的沙土等,通过闭运算来填补虫害内部的孔洞。
开:
闭:
其中和分别表示腐蚀和膨胀。
步骤35:害虫边界提取:
图像边缘检测标志数字图像中变化明显的点,大幅度减少了数据量,且剔除了不相关的信息,保存了图像重要的结构属性。这里使用canny检测,步骤如下:
(1)高斯平滑去噪
为了尽可能减少噪声对边缘检测结果的影响,必须滤除噪声,平滑图像。这里使用高斯滤波器与图像进行卷积,该步骤将平滑图像。大小为(2k+1)×(2k+1)的高斯滤波器核的改进生成方程式由下式给出:
其中,σ是方差。
(2)计算梯度强度和方向
图像中的边缘可以指向各个方向,因此Canny算法使用四个算子来检测图像中的水平、垂直和对角边缘。但是通常都不用四个梯度算子来分别计算四个方向。常用的边缘差分算子计算水平和垂直方向的差分Gx和Gy。这样就可以如下计算像素点的梯度G和方向θ。
θ=arc tanGy/Gx)
(3)非极大值抑制
非极大值抑制是一种边缘稀疏技术,非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后,仅仅基于梯度值提取的边缘仍然很模糊。对于标准3,对边缘有且应当只有一个准确的响应。而非极大值抑制则可以帮助将局部最大值之外的所有梯度值抑制为0,对梯度图像中每个像素进行非极大值抑制的算法是:
a)将其梯度方向近似为以下值中的一个(0,45,90,135,180,225,270,315)(即上下左右和45度方向)
b)比较该像素点,和其梯度方向正负方向的像素点的梯度强度
c)如果该像素点梯度强度最大则保留,否则抑制(删除,即置为0)
(4)双阈值检测
在施加非极大值抑制之后,剩余的像素可以更准确地表示图像中的实际边缘。然而,仍然存在由于噪声变化引起的一些边缘像素。为了解决这些杂散响应,必须用弱梯度值过滤边缘像素,并保留具有高梯度值的边缘像素,可以通过选择高阈值和低阈值来实现(高阈值>低阈值)。如果边缘像素的梯度值高于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则会被抑制。
具体算法如下:
if Gp>HighThreshold
Gp Is an strong eage
else if Gp>LowThreshold
Gp is an weak edge
else
Gp should be sup pressed
(5)抑制孤立低阈值点
到目前为止,被划分为强边缘的像素点已经被确定为边缘,因为它们是从图像中的真实边缘中提取出来的。然而,对于弱边缘像素,将会有一些争论,因为这些像素可以从真实边缘提取也可以是因噪声变化引起的。为了获得准确的结果,应该抑制由后者引起的弱边缘。通常,由真实边缘引起的弱边缘像素将连接到强边缘像素,而噪声响应未连接,也即和强边界相连的弱边界认为是边界,其他的弱边界则被抑制。
评判标准为:通过查看弱边缘像素及其8个邻域像素,只要其中一个为强边缘像素,则该弱边缘点就可以保留为真实的边缘。具体算法如下:
if Gp==LowThreshold and Gp connected to a strong edge pixel
Gp is an strong edge
else
Gp should be sup pressed
步骤36:轮廓填充:
边界的提取主要是为了提取目标周长,而面积等特征则需要在填充之后获取,在后续的特征提取中把面积和周长作为基础。轮廓填充之后图像将不存在孔洞,图像特征更加精确。
扫描线段轮廓填充算法:
(1)首次扫描位于图片第一行,从图片最左边的像素点开始往右进行单行扫描检测。
(2)若所经过的某一像素点是轮廓上的一点,则开始更改此点以后的像素点的颜色为填充色。
(3)若遇到下一个轮廓上的像素点,停止更改像素点颜色。
(4)继续扫描,若遇到下一个轮廓点,重复步骤(2)(3);若整行扫描完毕,没有点位于轮廓上,则切换至下一行重复步骤(1)(2)(3)。
(5)循环扫描填充至图片的最后一个像素点。
虫害图像特征的提取:
通过选取形状特征来识别田间常见的虫害,所选取特征的标量均与图像的方向无关,所以在识别虫害时不需要固定虫害图像的方向。
提取多组样本组图像,并计算多组样本的体长上限(BU)、翅展上限(WU)、前缘角部尖锐弧度(LA)、外缘平整弧度(OA)、触角长度(AL1)、前肢长度(FL)、后肢长度(AL2)的均值和标准差,然后输入数据库中作为对照组,举例以成年螟虫为例如表1所示:
表1螟虫的诊断特征
虫害模糊识别:
灰度图像具有模棱两可的像素,而模糊分类法对于不太确定的问题识别效果较好。在分类决策的过程中,由于特征值的变化是随机噪声等因素引起的,因此,可以把特征值的波动视为一种高斯分布。根据高斯分布的δ性质,当识别一种虫害时,若某虫害属于A类,其每个特征值均落在特征库中的A类特征均值的3倍标准差以内,对于不属于A类的虫害,其它的有些特征可能落在3倍标准差以外或者更远的地方。
首先求出待识别虫害特征属于每个目标种类的隶属度,然后使用得出的这一组隶属度中的最小值作为该虫害对这类目标的隶属度。在最后作种类识别时,通过选取隶属度最大的那个目标种类作为待识别虫害的所属种类。隶属度计算公式如下:
式中:
r——带处理的图集
R——病虫害图总量
e——均值
h——标准差
g——隶属度
j——特征序号
最后,根据匹配每种虫害的数量是否达到警戒值来输出预警结果。
本发明,能够利用杀虫灯进行病虫害的种类及其数量进行识别。基于本发明,可以针对不同的病虫害进行不同的杀虫措施,还能结合病虫害的数量,做出不同程度的预警。
上述实施例是对本发明的说明,不是对本发明的限定,任何对本发明简单变换后的方案均属于本发明的保护范围。
Claims (7)
1.一种杀虫灯的识别病虫害的方法,其特征在于:包括以下步骤:
步骤一:防水摄像头模块(7)采集庄稼图像;
步骤二:嵌入式系统通过GPRS技术将采集的庄稼图像传送到计算机CPU中;
步骤三:对庄稼进行图像处理;
步骤四:对处理后的庄稼图像进行识别处理,获取图像特征:采用模糊神经网络技术对庄稼图像进行识别处理,获得图像特征为Char=[BU WU LA OA AL1 FL AL2],其中BU为体长上限、WU为翅展上限、LA为前缘角部尖锐弧度、OA为外缘平整弧度、AL1为触角长度、FL为前肢长度、AL2为后肢长度;
步骤五:将图像特征与特征数据库进行对比,获得虫害类型及虫害的数量。
2.如权利要求1所述的一种杀虫灯的识别病虫害的方法,其特征在于:所述步骤三的图像处理的方法包括以下步骤:
步骤31:图像灰度化:对要进行分析的图像进行标定,将采集到的图像裁剪为1600×1600像素的图像,将目标保留在图像的中部待处理,对彩色图像进行灰度化处理;
步骤32:平滑去燥,采用中值滤波去除噪声:g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中,f(x,y)、g(x,y)分别为原始图像和处理后图像;W为二维模板;
步骤33:图像分割:d=d0(d1......dm)/m;其中d为图像单个像素点的灰度、q为图像灰度的圆值、ad为像素阈值化比较后的灰度值、m为图像序号;
步骤34:形态学图像处理:通过开运算来消除目标触角、害虫留在叶面的粪便、菜叶上的沙土,通过闭运算来填补虫害内部的孔洞;所述开运算为 闭运算为其中和分别表示腐蚀和膨胀;
步骤35:害虫边界提取;
步骤36:轮廓填充。
3.如权利要求1所述的一种杀虫灯的识别病虫害的方法,其特征在于:所述步骤四中的识别处理方法为:
步骤41:求出待识别虫害的图像特征属于每个目标种类的隶属度;
步骤42:使用得出的这一组隶属度中的最小值作为该虫害对这类目标的隶属度;
步骤43:作种类识别时,通过选取隶属度最大的那个目标种类作为待识别虫害的所属种类。
4.如权利要求1所述的一种杀虫灯的识别病虫害的方法,其特征在于:所述步骤五中的特征数据库的建立方法为:
步骤51:选取样本:选取常见虫害的样本;
步骤52:对虫害的图像进行提取;
步骤53:对提取到的图像进行处理,获取图像特征,将图像特征汇入特征数据库中。
5.如权利要求1或2所述的一种杀虫灯的识别病虫害的方法,其特征在于:所述害虫边界提取的提取方法包括以下步骤:
步骤351:高斯平滑去噪:使用高斯滤波器与图像进行卷积,大小为(2k+1)×(2k+1)的高斯滤波器核的改进生成方程式:1≤i,j≤(2k+1),其中,σ是方差;
步骤352:计算梯度强度和方向:边缘差分算子计算水平和垂直方向的差分Gx和Gy,获得像素点的梯度方向θ=arctan(Gy/Gx):
步骤353:非极大值抑制:将其梯度方向近似为以下值中的一个(0,45,90,135,180,225,270,315);比较该像素点,和其梯度方向正负方向的像素点的梯度强度;如果该像素点梯度强度最大则保留,否则抑制,即置为0;
步骤354:双阈值检测:如果边缘像素的梯度值高于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则会被抑制;
步骤355:抑制孤立低阈值点。
6.如权利要求1或2所述的一种杀虫灯的识别病虫害的方法,其特征在于:所述轮廓填充的方法为:
步骤361:首次扫描位于图片第一行,从图片最左边的像素点开始往右进行单行扫描检测;
步骤362:若所经过的某一像素点是轮廓上的一点,则开始更改此点以后的像素点的颜色为填充色;
步骤363:若遇到下一个轮廓上的像素点,停止更改像素点颜色。
步骤364:继续扫描,若遇到下一个轮廓点,重复步骤362、步骤363;若整行扫描完毕,没有点位于轮廓上,则切换至下一行重复步骤361、步骤362、步骤363;
步骤365:循环扫描填充至图片的最后一个像素点。
7.如权利要求1或3所述的一种杀虫灯的识别病虫害的方法,其特征在于:所述隶属度为其中,r为带处理的图集、R为病虫害图总量、e为均值、h为标准差、j为特征序号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910053146.5A CN109858416A (zh) | 2019-01-21 | 2019-01-21 | 一种杀虫灯的识别病虫害的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910053146.5A CN109858416A (zh) | 2019-01-21 | 2019-01-21 | 一种杀虫灯的识别病虫害的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109858416A true CN109858416A (zh) | 2019-06-07 |
Family
ID=66895387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910053146.5A Pending CN109858416A (zh) | 2019-01-21 | 2019-01-21 | 一种杀虫灯的识别病虫害的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858416A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080069401A1 (en) * | 2005-03-22 | 2008-03-20 | Lawrence Kates | System and method for pest detection |
CN101226108A (zh) * | 2007-01-19 | 2008-07-23 | 中国农业机械化科学研究院 | 一种雾滴分布均匀度的检测方法 |
CN101847265A (zh) * | 2010-04-20 | 2010-09-29 | 上海理工大学 | 一种在公交客流统计系统中使用的运动目标提取及多目标分割方法 |
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 |
US20180334683A1 (en) * | 2017-05-18 | 2018-11-22 | Dow Agrosciences Llc | Structure specific recognition protein 1 (ssrp1) nucleic acid molecules to control insect pests |
-
2019
- 2019-01-21 CN CN201910053146.5A patent/CN109858416A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080069401A1 (en) * | 2005-03-22 | 2008-03-20 | Lawrence Kates | System and method for pest detection |
CN101226108A (zh) * | 2007-01-19 | 2008-07-23 | 中国农业机械化科学研究院 | 一种雾滴分布均匀度的检测方法 |
CN101847265A (zh) * | 2010-04-20 | 2010-09-29 | 上海理工大学 | 一种在公交客流统计系统中使用的运动目标提取及多目标分割方法 |
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 |
US20180334683A1 (en) * | 2017-05-18 | 2018-11-22 | Dow Agrosciences Llc | Structure specific recognition protein 1 (ssrp1) nucleic acid molecules to control insect pests |
Non-Patent Citations (3)
Title |
---|
周天娟,等: ""草莓采摘机器人的研究:Ⅲ .扫描线填充算法在草莓图像孔洞填充中的应用"", 《中国农业大学学报》 * |
韩敬丹: ""自然场景图像美学度评价的机器学习方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
高雄,等: ""基于图像处理的甘蓝虫害识别研究"", 《江苏农业科学》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
Sarangdhar et al. | Machine learning regression technique for cotton leaf disease detection and controlling using IoT | |
CN111369540B (zh) | 基于掩码卷积神经网络的植物叶片病害识别方法 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
Gill et al. | Monitoring and grading of tea by computer vision–A review | |
CN108875747B (zh) | 一种基于机器视觉的小麦不完善粒识别方法 | |
CN105005813B (zh) | 虫害分析计数方法及系统 | |
CN109684906A (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
CN109447945A (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
Sun et al. | Optic disc segmentation from retinal fundus images via deep object detection networks | |
Xu et al. | Recognition method for apple fruit based on SUSAN and PCNN | |
Shah et al. | Macro-nutrient deficiency identification in plants using image processing and machine learning | |
Jadhav et al. | Soybean leaf disease detection and severity measurement using multiclass SVM and KNN classifier | |
CN107610122A (zh) | 一种基于Micro‑CT的单籽粒谷物内部虫害检测方法 | |
CN115861721B (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
Raut et al. | Review on leaf disease detection using image processing techniques | |
Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm | |
Patil | Pomegranate fruit diseases detection using image processing techniques: a review | |
Sibi Chakkaravarthy et al. | Automatic leaf vein feature extraction for first degree veins | |
Zhang et al. | Recognition of greenhouse cucumber fruit using computer vision | |
CN112085032A (zh) | 基于物联网图像处理与svm结合的胡柚病虫害动态监测模型 | |
Dalai et al. | An intelligent vision based pest detection system using RCNN based deep learning mechanism | |
CN109858416A (zh) | 一种杀虫灯的识别病虫害的方法 | |
Deisy et al. | Image segmentation for feature extraction: A study on disease diagnosis in agricultural plants |
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: 20190607 |