CN109993228A - 基于机器视觉的植保无人机水稻纹枯病识别方法 - Google Patents
基于机器视觉的植保无人机水稻纹枯病识别方法 Download PDFInfo
- Publication number
- CN109993228A CN109993228A CN201910260226.8A CN201910260226A CN109993228A CN 109993228 A CN109993228 A CN 109993228A CN 201910260226 A CN201910260226 A CN 201910260226A CN 109993228 A CN109993228 A CN 109993228A
- Authority
- CN
- China
- Prior art keywords
- image
- plant
- rice
- sheath blight
- blight disease
- 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
- 241000196324 Embryophyta Species 0.000 title claims abstract description 68
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 68
- 235000009566 rice Nutrition 0.000 title claims abstract description 68
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 61
- 201000010099 disease Diseases 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 30
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 71
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 208000015181 infectious disease Diseases 0.000 claims abstract description 5
- 241001530056 Athelia rolfsii Species 0.000 claims description 22
- 229920003266 Leaf® Polymers 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 241001237160 Kallima inachus Species 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 241000607479 Yersinia pestis Species 0.000 abstract description 14
- 239000000575 pesticide Substances 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract 1
- 206010039509 Scab Diseases 0.000 description 8
- 230000006378 damage Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 244000038559 crop plants Species 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 235000007466 Corylus avellana Nutrition 0.000 description 1
- 240000003211 Corylus maxima Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Pretreatment Of Seeds And Plants (AREA)
Abstract
本发明公开了一种基于机器视觉的植保无人机水稻纹枯病识别方法,包含以下步骤:步骤一:植保无人机采集植株图像;步骤二:对采集的植株图像进行图像预处理;步骤三:对水稻纹枯病不同感病等级的叶片颜色特征分析;步骤四:利用SVM与Adaboost分类器实现无人机水稻纹枯病寻的。本发明利用机器视觉、神经网络、图像处理手段,精确识别水稻纹枯病,为水稻精准施药决策提供依据,为使用无人机精准施药、水稻病虫害防治提供了完整的技术方案与手段。
Description
技术领域
本发明涉及一种水稻纹枯病识别方法,特别是一种基于机器视觉的植保无人机水稻纹枯病识别方法。
背景技术
作为影响农作物最终产量的重要关键因素之一-----农作物病虫害的田间调查、检测、识别及病虫害危害状况进行分级、监测,却长期依赖专业的植保人才,导致作物病虫害识别诊断的主观性强、工作量大、成本高、误差大、时效差、对专业知识要求较高,已经远不能满足我国现阶段对现代农业快速发展的需求。因此,采用无损测试技术,即在不破坏植物组织结构的基础上,利用各种手段对作物的生长、病害危害状况进行监测,以便及时采取措施治理或合理安排计划。从而实现对病害进行早期预警,是控制病虫害的大范围蔓延、保护作物产量,具有深远的研究作用及社会意义。
目前,基于机器视觉技术的田间病虫害识别研究,已经成为国际农业害虫检测领域中炙手可热的发展趋势。国外在该方面的研究较早,通过近30年的探索,积累了比较多的研究成果。我国通过机器视觉技术对农业病虫害进行检测病虫尚处于起步阶段。随着数字农业的发展和农业病虫害综合治理的需要,机器视觉技术在病虫害方面的检测、识别研究应用也获得了不少的成绩。
但是,目前对于水稻纹枯病的识别,并没有非常好的解决方案,而基于机器视觉识别水稻纹枯病然后进行针对性施药是植保无人机发展必须要解决的问题,因此有必要设计一种基于及其视觉的植保无人机水稻纹枯病识别方法。
发明内容
本发明所要解决的技术问题是提供一种基于机器视觉的植保无人机水稻纹枯病识别方法,实现无人机对水稻纹枯病的自动识别。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于机器视觉的植保无人机水稻纹枯病识别方法,其特征在于包含以下步骤:
步骤一:植保无人机采集植株图像;
步骤二:对采集的植株图像进行图像预处理;
步骤三:对水稻纹枯病不同感病等级的叶片颜色特征分析;
步骤四:利用SVM与Adaboost分类器实现无人机水稻纹枯病寻的。
进一步地,所述步骤一具体为植保无人机搭载图像采集相机或摄像机采集植株图像,无人机位于植株正上方1米,采集的图像为 640*480、24位的真彩图,图像以文件格式存储在存储卡中。
进一步地,所述步骤二中图像预处理包含植株分割、光照强度影响消除、叶面积影响消除和特征数据提取。
进一步地,所述步骤三具体为
3.1提取植株图像的r、g、b分量,以及HIS模型中的色调、亮度和饱和度特征量;
3.2对水稻叶片进行颜色特征提取从而完整提取水稻叶片;
3.3通过归一化处理消除图像的光照噪声;
3.4将水稻纹枯病分为若干个等级,通过分析R值分量,确认水稻纹枯病等级。
进一步地,所述3.1具体为
通过公式(1)(2)(3)(4)提取植株图像的r、g、b分量;
r+g+b=1 (4)
其中,R、G、B分别为植株图像的红、绿、蓝的亮度值,大小限定在0-255,r,g,b分别为R、G、B总量的相对比例;
通过公式提取HIS模型中的色调、亮度和饱和度特征量;
其中,H是色调,S是饱和度,I是光强。
进一步地,所述3.2具体为
通过公式(6)对水稻叶片进行颜色特征提取;
2.2*G-1.1*B-1.1*G (6)
其中,G、B分别为植株图像的绿、蓝的亮度值。
进一步地,所述3.3具体为
通过公式(7)归一化处理消除图像的光照噪声;
Re=R/(R+G+B)
Ge=G/(R+G+B)
Be=1-Re-Ge (7)
其中,R、G、B表示红、绿、蓝三个颜色分量,Re、Ge、Be分别代表R、G、B三个颜色分量在总和中所占的比重。
进一步地,所述步骤四具体为
用两层分类器来对纹枯病进行检测与识别;
第一层基于颜色特征的Adaboost分类器对水稻图像进行处理、建立正负样本、检测纹枯病与非纹枯病;
第二层采用基于颜色特征、HOG、LBP组合特征的SVM分类器,对第一层检测结果进行非目标排除,进一步去除泥点、枯叶、杂草、水滴和反光杂质,实现对水稻植株纹枯病的自动识别与检测。
进一步地,所述第一层中,依据数据特征建立弱分类器,一个分类器通常对应—种特征,通过一个固定的特征训练一个分类器,对分类器输出的结果设定一个阈值,通过阈值的确定,来区分正、负样本;如下式所示:
其中,x为样本的数据,hj(x)为对应于第j种特征的特征值,βj为判定阈值;
Adaboost算法赋予所有的样本相同的权重,之后对样本进行训练,通过计算,得到样本分类的错误率,然后调整样本的权重,提高错误样本的权重,实现对错误样本在下一轮训练中的重视程度;不断迭代运算提高分类器正确率,当错误率达到预想值时,迭代的过程结束。
进一步地,采用基于颜色分量的级联分类器结合Adaboost算法对水稻图像进行处理、建立正负样本、检测纹枯病与非纹枯病;
基于颜色分量的级联分类器具体为:
输入:训练样本集合A={(x1,y1)(x2,y2),……(xn,yn)}xi∈X,yi∈Y,迭代次数N;其中xn和yn为图像样本,X、Y为采集的图像样本;
初始化:权重分布向量设定训练误差的期待值为σ;其中n为自认书,i为变量
执行:for i=1,2,…N
A、按照分布Dt(i)对A进行抽样,产生At;
B、训练At,返回弱分类器Wt:x→y={-1,1};
C、计算Wt对A训练的误差其中I为布尔函数,1为真,0为假;
D、更新分类器Wt权重
若εt>σ,调整分类器Wt的权重αt,对At重新进行训练,将 Dt(i)更新为Dt+1(i),返回分类器Wt+1,其中Zt是归一化因子;
若εt<σ,则输出分类器Wt。
本发明与现有技术相比,具有以下优点和效果:
1、本发明利用机器视觉、神经网络、图像处理手段,通过对象颜色特征与局部模糊特征,研究自然环境中获取的具有复杂背景的水稻叶部病虫害图像正确分割病虫害叶片的方法,并在正确分割病害叶片的基础上进行两种不同病害的病情评估,为水稻精准施药决策提供依据,并通过上述方法为使用无人机精准施药、水稻病虫害防治提供了完整的技术方案与手段;
2、创造性地在水稻基部纹枯病识别研究中,采用两层分类器来对纹枯病进行检测与识别,实现对水稻植株纹枯病的自动识别与检测;
3、本发明设计的级联分类器计算复杂度小,分类精度。
附图说明
图1是本发明的基于机器视觉的植保无人机水稻纹枯病识别方法的流程图。
图2是本发明的利用SVM与Adaboost分类器实现无人机水稻纹枯病寻的流程图。
图3是本发明的多特征级联分类器的示意图。
具体实施方式
下面通过实施例对本发明作进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
如图1所示,本发明的一种基于机器视觉的植保无人机水稻纹枯病识别方法,包含以下步骤:
步骤一:植保无人机采集植株图像;植保无人机搭载图像采集相机或摄像机采集植株图像,无人机位于植株正上方1米,采集的图像为640*480、24位的真彩图,图像以文件格式存储在存储卡中。照相多选择在上午10:00以前和下午4:30以后,以晴天光线较柔和为主。
步骤二:对采集的植株图像进行图像预处理;软件系统采用 Java+OpenCV来实现。本软件系统在基本图像处理功能的基础上,编写函数文件,实现作物植株分割模块、光照强度影响的消除模块、叶面积影响的消除模块、特征数据提取模块,对试验中采集的大量图像数据进行自动处理。
步骤三:对水稻纹枯病不同感病等级的叶片颜色特征分析;
3.1提取植株图像的r、g、b分量,以及HIS模型中的色调、亮度和饱和度特征量;
通过公式(1)(2)(3)(4)提取植株图像的r、g、b分量;
r+g+b=1 (4)
其中,R、G、B分别为植株图像的红、绿、蓝的亮度值,大小限定在0-255,r,g,b分别为R、G、B总量的相对比例;
通过公式提取HIS模型中的色调、亮度和饱和度特征量;
其中,H是色调,S是饱和度,I是光强。
颜色是发病叶片的一个重要的外观特征,也是专家进行病害判别时的重要依据之一。当水稻侵染纹枯病后,整个叶片或叶片的一部分变色,使得叶片出现病斑。病斑的颜色通常与叶片的颜色有明显的差异。同种病斑随着其生长,病斑的颜色由初期的黄化、淡褐色等颜色逐渐加深为污绿色。为了能够有效地提取水稻纹枯病颜色特征,同时避免光源对颜色系统的污染,故采用RGB与HIS两个颜色系统相结合的方式。
3.2对水稻叶片进行颜色特征提取从而完整提取水稻叶片;
通过公式(6)对水稻叶片进行颜色特征提取;
2.2*G-1.1*B-1.1*G (6)
其中,G、B分别为植株图像的绿、蓝的亮度值。
由R、G、B分量图可知土壤等非植物背景的红色分量占主导地位,而叶片部分的绿色分量占主导地位,从而为植物与非植物背景的识别提供了很好的依据。通过该公式能较完整地提取水稻叶片。
3.3通过归一化处理消除图像的光照噪声;
由于图像采集并不能完全避免光照强度的影响,因此,必须通过归一化消除光照所带来的噪声。
通过公式(7)归一化处理消除图像的光照噪声;
Re=R/(R+G+B)
Ge=G/(R+G+B)
BE=1-Re-Ge (7)
其中,R、G、B表示红、绿、蓝三个颜色分量,Re、Ge、Be分别代表R、G、B三个颜色分量在总和中所占的比重。
3.4将水稻纹枯病分为若干个等级,通过分析R值分量,确认水稻纹枯病等级。
水稻纹枯病发病部位主要在叶鞘、叶片,严重时能伸入茎秆,向上扩展至穗部。叶鞘发病,先在植株基部至水面处出现暗绿色水浸状小斑点,逐渐扩大成椭圆形病斑,病斑边缘褐色到深褐色,中部黄白色一灰白色,病斑相互连接后形成云纹状大斑,叶鞘枯死至腐烂。利用图像处理进行整株颜色特征特征提取。本文计算作物植株图像的红色分量 R、绿色分量G、蓝色分量B、归一化后的平均值,r、g、b分量以及 HIS模型中的色调、亮度、饱和度等特征量。并将水稻纹枯病分为1、 2、3、4、5五个级别,分别对应轻微、较轻、中等、较重及严重五个等级。通过大量实验研究发现,在RGB颜色体系中,随着水稻纹枯病病害等级的升高,叶片的R值表现出一定的规律呈上升趋势,1级与3级、2级与4级、1级与5级是可以较好的区分出来。G值的变化趋势也是不断增加的。1级和2级间、3级和5级间的区分效果不明显,但是2级、3级、4级间区分明显;另外,大量实验表明:无法通过B值的变化来区分纹枯病感病等级,而且B值的变化毫无规律。另一方面,在HIS颜色体系中,H值是不断减小的。H各级之间均有重叠区域,区分效果不佳。只有1级与4级、2级与4级可以通过值的变化区分出来。S值有逐渐升高的趋势。各级之间均有重叠区域。只有2级与4级可以通过值的变化区分出来;
综上所述,随着病害等级的增加,叶片的R值、G值、S值呈现逐渐升高的趋势,叶片的B值、H值呈现逐渐降低的趋势;而B值不明显,无规律可寻。因此,确定水稻纹枯病病害等级区分效果最好的是R值分量,即为红色分量值。
步骤四:利用SVM与Adaboost分类器实现无人机水稻纹枯病寻的。
用两层分类器来对纹枯病进行检测与识别;
第一层基于颜色特征的Adaboost分类器对水稻图像进行处理、建立正负样本、检测纹枯病与非纹枯病;
第二层采用基于颜色特征、HOG、LBP组合特征的SVM分类器,对第一层检测结果进行非目标排除,进一步去除泥点、枯叶、杂草、水滴和反光杂质,实现对水稻植株纹枯病的自动识别与检测。
第一层中,依据数据特征建立弱分类器,一个分类器通常对应—种特征,通过一个固定的特征训练一个分类器,对分类器输出的结果设定一个阈值,通过阈值的确定,来区分正、负样本;如下式所示:
其中,x为样本的数据,hj(x)为对应于第j种特征的特征值,βj为判定阈值;
Adaboost算法赋予所有的样本相同的权重,之后对样本进行训练,通过计算,得到样本分类的错误率,然后调整样本的权重,提高错误样本的权重,实现对错误样本在下一轮训练中的重视程度;不断迭代运算提高分类器正确率,当错误率达到预想值时,迭代的过程结束。
采用基于颜色分量的级联分类器结合Adaboost算法对水稻图像进行处理、建立正负样本、检测纹枯病与非纹枯病;
基于颜色分量的级联分类器具体为:
输入:训练样本集合A={(x1,y1)(x2,y2),……(xn,yn)}xi∈X,yi∈Y,迭代次数N;其中xn和yn为图像样本,X、Y为采集的图像样本;
初始化:权重分布向量设定训练误差的期待值为σ;其中n为自然数,i为变量
执行:for i=1,2,…N
A、按照分布Dt(i)对A进行抽样,产生At;
B、训练At,返回弱分类器Wt:x→y={-1,1};
C、计算Wt对A训练的误差其中I为布尔函数,1为真,0为假;
D、更新分类器Wt权重
若εt>σ,调整分类器Wt的权重αt,对At重新进行训练,将 Dt(i)更新为Dt+1(i),返回分类器Wt+1,其中Zt是归一化因子;
若εt<σ,则输出分类器Wt。
本发明使用5个级别测试50个样本,对区分不同危害程度的水稻纹枯病测试了准确率。利用图像处理得到的病斑距基部的距离占整个株高的百分比,根据结果可以看出,2级中有一株误判,偏大,正确率80%,3级有一株误判,偏大,正确率89%,4级中全部都检测无误,正确率100%,5级中有一株误判,偏小,正确率80%。试验结果达到预期效果,具有良好的应用前景。
本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代,只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于机器视觉的植保无人机水稻纹枯病识别方法,其特征在于包含以下步骤:
步骤一:植保无人机采集植株图像;
步骤二:对采集的植株图像进行图像预处理;
步骤三:对水稻纹枯病不同感病等级的叶片颜色特征分析;
步骤四:利用SVM与Adaboost分类器实现无人机水稻纹枯病寻的。
2.按照权利要求1所述的基于机器视觉的植保无人机水稻纹枯病识别方法,其特征在于:所述步骤一具体为植保无人机搭载图像采集相机或摄像机采集植株图像,无人机位于植株正上方1米,采集的图像为640*480、24位的真彩图,图像以文件格式存储在存储卡中。
3.按照权利要求1所述的基于机器视觉的植保无人机水稻纹枯病识别方法,其特征在于:所述步骤二中图像预处理包含植株分割、光照强度影响消除、叶面积影响消除和特征数据提取。
4.按照权利要求1所述的基于机器视觉的植保无人机水稻纹枯病识别方法,其特征在于:所述步骤三具体为
3.1提取植株图像的r、g、b分量,以及HIS模型中的色调、亮度和饱和度特征量;
3.2对水稻叶片进行颜色特征提取从而完整提取水稻叶片;
3.3通过归一化处理消除图像的光照噪声;
3.4将水稻纹枯病分为若干个等级,通过分析R值分量,确认水稻纹枯病等级。
5.按照权利要求4所述的基于机器视觉的植保无人机水稻纹枯病识别方法,其特征在于:所述3.1具体为
通过公式(1)(2)(3)(4)提取植株图像的r、g、b分量;
r+g+b=1 (4)
其中,R、G、B分别为植株图像的红、绿、蓝的亮度值,大小限定在0-255,r,g,b分别为R、G、B总量的相对比例;
通过公式提取HIS模型中的色调、亮度和饱和度特征量;
其中,H是色调,S是饱和度,I是光强。
6.按照权利要求4所述的基于机器视觉的植保无人机水稻纹枯病识别方法,其特征在于:所述3.2具体为
通过公式(6)对水稻叶片进行颜色特征提取;
2.2*G-1.1*B-1.1*G (6)
其中,G、B分别为植株图像的绿、蓝的亮度值。
7.按照权利要求4所述的基于机器视觉的植保无人机水稻纹枯病识别方法,其特征在于:所述3.3具体为
通过公式(7)归一化处理消除图像的光照噪声;
Re=R/(R+G+B)
Ge=G/(R+G+B)
Be=1-Re-Ge (7)
其中,R、G、B表示红、绿、蓝三个颜色分量,Re、Ge、Be分别代表R、G、B三个颜色分量在总和中所占的比重。
8.按照权利要求1所述的基于机器视觉的植保无人机水稻纹枯病识别方法,其特征在于:所述步骤四具体为
用两层分类器来对纹枯病进行检测与识别;
第一层基于颜色特征的Adaboost分类器对水稻图像进行处理、建立正负样本、检测纹枯病与非纹枯病;
第二层采用基于颜色特征、HOG、LBP组合特征的SVM分类器,对第一层检测结果进行非目标排除,进一步去除泥点、枯叶、杂草、水滴和反光杂质,实现对水稻植株纹枯病的自动识别与检测。
9.按照权利要求8所述的基于机器视觉的植保无人机水稻纹枯病识别方法,其特征在于:所述第一层中,依据数据特征建立弱分类器,一个分类器通常对应—种特征,通过一个固定的特征训练一个分类器,对分类器输出的结果设定一个阈值,通过阈值的确定,来区分正、负样本;如下式所示:
其中,x为样本的数据,hj(x)为对应于第j种特征的特征值,βj为判定阈值;
Adaboost算法赋予所有的样本相同的权重,之后对样本进行训练,通过计算,得到样本分类的错误率,然后调整样本的权重,提高错误样本的权重,实现对错误样本在下一轮训练中的重视程度;不断迭代运算提高分类器正确率,当错误率达到预想值时,迭代的过程结束。
10.按照权利要求9所述的基于机器视觉的植保无人机水稻纹枯病识别方法,其特征在于:采用基于颜色分量的级联分类器结合Adaboost算法对水稻图像进行处理、建立正负样本、检测纹枯病与非纹枯病;
基于颜色分量的级联分类器具体为:
输入:训练样本集合A={(x1,y1)(x2,y2),……(xn,yn)}xi∈X,yi∈Y,迭代次数N;其中xn和yn为图像样本,X、Y为采集的图像样本;
初始化:权重分布向量设定训练误差的期待值为σ;其中n为自然数,i为变量;
执行:for i=1,2,…N
A、按照分布Dt(i)对A进行抽样,产生At;
B、训练At,返回弱分类器Wi:x→y={-1,1};
C、计算Wt对A训练的误差其中l为布尔函数,1为真,0为假;
D、更新分类器Wt权重
若εt>σ,调整分类器Wt的权重αt,对At重新进行训练,将Dt(i)更新为Dt+1(i),返回分类器Wt+1,其中Zt是归一化因子;
若εt<σ,则输出分类器Wt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260226.8A CN109993228A (zh) | 2019-04-02 | 2019-04-02 | 基于机器视觉的植保无人机水稻纹枯病识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260226.8A CN109993228A (zh) | 2019-04-02 | 2019-04-02 | 基于机器视觉的植保无人机水稻纹枯病识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109993228A true CN109993228A (zh) | 2019-07-09 |
Family
ID=67132118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910260226.8A Pending CN109993228A (zh) | 2019-04-02 | 2019-04-02 | 基于机器视觉的植保无人机水稻纹枯病识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993228A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610877A (zh) * | 2021-07-08 | 2021-11-05 | 武汉工程大学 | 一种基于svm多分类模型的作物病虫害识别方法及系统 |
WO2021223607A1 (zh) * | 2020-05-07 | 2021-11-11 | 杭州睿琪软件有限公司 | 植物状态评估方法、系统及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
CN105809123A (zh) * | 2016-03-04 | 2016-07-27 | 北京智慧眼科技股份有限公司 | 人脸检测方法及装置 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
CN108563979A (zh) * | 2017-12-29 | 2018-09-21 | 南京农业大学 | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 |
US20200320682A1 (en) * | 2016-05-13 | 2020-10-08 | Basf Se | System and Method for Detecting Plant Diseases |
CN114241309A (zh) * | 2021-12-17 | 2022-03-25 | 广东工业大学 | 一种基于ShuffleNetV2-Unet的水稻纹枯病识别方法和系统 |
CN114596509A (zh) * | 2022-03-30 | 2022-06-07 | 华南农业大学 | 一种基于机器视觉的水稻秧苗叶龄期识别方法 |
-
2019
- 2019-04-02 CN CN201910260226.8A patent/CN109993228A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
CN105809123A (zh) * | 2016-03-04 | 2016-07-27 | 北京智慧眼科技股份有限公司 | 人脸检测方法及装置 |
US20200320682A1 (en) * | 2016-05-13 | 2020-10-08 | Basf Se | System and Method for Detecting Plant Diseases |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
CN108563979A (zh) * | 2017-12-29 | 2018-09-21 | 南京农业大学 | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 |
CN114241309A (zh) * | 2021-12-17 | 2022-03-25 | 广东工业大学 | 一种基于ShuffleNetV2-Unet的水稻纹枯病识别方法和系统 |
CN114596509A (zh) * | 2022-03-30 | 2022-06-07 | 华南农业大学 | 一种基于机器视觉的水稻秧苗叶龄期识别方法 |
Non-Patent Citations (2)
Title |
---|
刘庆杰: "水稻害虫图像分割与检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
赵开才: "基于支持向量机的水稻稻瘟病识别技术研究", 《中国优秀硕士学位论文全文数据库 农业科技辑(月刊)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021223607A1 (zh) * | 2020-05-07 | 2021-11-11 | 杭州睿琪软件有限公司 | 植物状态评估方法、系统及计算机可读存储介质 |
CN113610877A (zh) * | 2021-07-08 | 2021-11-05 | 武汉工程大学 | 一种基于svm多分类模型的作物病虫害识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sabzi et al. | A fast and accurate expert system for weed identification in potato crops using metaheuristic algorithms | |
Nachtigall et al. | Classification of apple tree disorders using convolutional neural networks | |
Barbedo | A new automatic method for disease symptom segmentation in digital photographs of plant leaves | |
Yang et al. | Tea diseases detection based on fast infrared thermal image processing technology | |
Kurtulmus et al. | Green citrus detection using ‘eigenfruit’, color and circular Gabor texture features under natural outdoor conditions | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
Yun et al. | PNN based crop disease recognition with leaf image features and meteorological data | |
Pydipati et al. | Identification of citrus disease using color texture features and discriminant analysis | |
Sabzi et al. | Machine vision system for the automatic segmentation of plants under different lighting conditions | |
Jeyalakshmi et al. | A REVIEW ON DIAGNOSIS OF NUTRIENT DEFICIENCY SYMPTOMS IN PLANT LEAF IMAGE USING DIGITAL IMAGE PROCESSING. | |
CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
Ansari et al. | Inspection of paddy seed varietal purity using machine vision and multivariate analysis | |
Renugambal et al. | Application of image processing techniques in plant disease recognition | |
CN105320970B (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
Shen et al. | Image recognition method based on an improved convolutional neural network to detect impurities in wheat | |
CN108764284B (zh) | 一种对松树病死木的高分辨率影像的分类去噪方法及系统 | |
Majumdar et al. | Detection & Diagnosis of Plant Leaf Disease Using Integrated Image Processing Approach | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN108197636A (zh) | 一种基于深度多视点特征的稻谷检测和分类方法 | |
CN108764285A (zh) | 一种基于高分辨率影像的松树病死木识别方法及系统 | |
Patki et al. | Cotton leaf disease detection & classification using multi SVM | |
CN109993228A (zh) | 基于机器视觉的植保无人机水稻纹枯病识别方法 | |
Kumar et al. | Apple Sweetness Measurement and Fruit Disease Prediction Using Image Processing Techniques Based on Human‐Computer Interaction for Industry 4.0 | |
Sabzi et al. | The use of soft computing to classification of some weeds based on video processing | |
Meyer | Machine vision identification of 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: 20190709 |