CN110070086A - 一种基于图像识别的猕猴桃叶片病害识别方法 - Google Patents
一种基于图像识别的猕猴桃叶片病害识别方法 Download PDFInfo
- Publication number
- CN110070086A CN110070086A CN201910369540.XA CN201910369540A CN110070086A CN 110070086 A CN110070086 A CN 110070086A CN 201910369540 A CN201910369540 A CN 201910369540A CN 110070086 A CN110070086 A CN 110070086A
- Authority
- CN
- China
- Prior art keywords
- image
- kiwi berry
- disease
- blade
- recognition
- 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.)
- Withdrawn
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/75—Circuitry for compensating brightness variation in the scene by influencing optical camera components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
一种基于图像识别的猕猴桃叶片病害识别方法,包含一种猕猴桃叶片病害识别深度神经网络训练方法和一种猕猴桃叶片病害深度神经网络识别方法,以及基于该方法的猕猴桃叶片病害自动检测系统;该方法和系统,实现猕猴桃种植过程中对猕猴桃叶片病害的快速、准确分别和分类;无需人工参与和判决,具备易复制性及复制成本低等特性;全自动化设计,实时不间断监测,远程监控,保证猕猴桃叶片病害发现的及时和有效性,极大降低人力成本、提升效率;方法上对图片进行预处理,降低了室外阳光变化带来的图像曝光变化大的缺点,同时采用深度神经网络分类方式,极大提升了病害分类的准确性,使得该系统的适用范围得到进一步扩展。
Description
技术领域
本发明涉及图像识别,具体涉及一种基于图像识别的猕猴桃叶片病害识别方法。
背景技术
猕猴桃作为一种营养丰富的水果,近年来时长需求不断提升;猕猴桃种植也是一种农村致富的有效手段;但在猕猴桃种植过程中,猕猴桃病虫害对其产量影响巨大,如猕猴桃褐斑病、猕猴桃灰霉病等,病害初期从叶片开始表现;猕猴桃病害的识别需要专业知识和培训,也需要在病害初期即进行相应处理,专业性和实时性限制了猕猴桃种植过程中,减少病害造成的影响。
发明内容
本发明的目的在于提供一种基于图像识别的猕猴桃叶片病害识别方法,通过图像识别的方法,完成猕猴桃种植过程中的叶片出现的病害的准确分类和识别。
本发明目的按如下技术方案实现:
一种基于图像识别的猕猴桃叶片病害识别方法,包含一种猕猴桃叶片病害识别深度神经网络训练方法和一种猕猴桃叶片病害深度神经网络识别方法;
所述一种猕猴桃叶片病害深度神经网络识别方法,该方法包括:
首先,对获取的高清图像进行预处理,并识别高清图像中的猕猴桃叶片区域;
其次,根据识别结果截取高清图像中的猕猴桃叶片区域,做归一化处理,得到叶片归一化图像;
然后,将叶片归一化图像输入到猕猴桃叶片病害深度神经网络中,输出猕猴桃叶片有病害的概率以及猕猴桃叶片病害类别的分类概率;
最后,根据猕猴桃叶片病害深度神经网络的输出结果:猕猴桃叶片有病害的概率以及猕猴桃叶片病害类别的分类概率进行判决,得出判决结果;
所述对获取的高清图像进行预处理,调节高清图像的曝光,调整因逆光造成高清图像的曝光过大现象或者因光线等因素造成高清图像的曝光不足现象;具体步骤如下:
首先计算图像整体亮度值;
其次若图像整体亮度值偏亮,即图像整体亮度值大于过度曝光门限值,通过调节图像的曝光,使得图像变暗,从而图像更清晰;若图像整体亮度值偏暗,即图像整体亮度值小于曝光不足门限值,通过调节图像的曝光,使得图像变量,从而图像更清晰;其余不做处理;
所述计算图像整体亮度值方法如下:
将高清图像的BGR格式转换为HSV格式;统计V通道的均值:
式中,W为高清图像的宽、H为高清图像的高、Vij为高清图像HSV格式下V通道(i,j)位置的值,为图像整体亮度值;
所述调节图像的曝光的公式为:
式中,v为高清图像BGR格式下像素点在一个通道上的像素值,取值范围为[0,255],为经过调整图像的曝光后的输出像素值;γ大于1,对高清图像曝光过大进行抑制,γ小于 1,对高清图像曝光不足进行补偿;
所述识别高清图像中的猕猴桃叶片区域,采用叶片识别模型完成猕猴桃叶片区域的识别;所述叶片识别模型为采用SSD识别框架线下训练完成;
所述猕猴桃叶片病害深度神经网络采用ResNeXt网络结构,所述ResNeXt结构输入层为卷积层,输出层为Eltwise层;在Eltwise层后连接全链接层,作为对猕猴桃叶片是否有病害的分类;在Eltwise层后接两个卷积层和一个全链接层,作为对猕猴桃叶片的病害类别的分类;
所述根据猕猴桃叶片病害深度神经网络的输出结果:
依据猕猴桃叶片有病害的概率判定是否有病害:若无,则输出无病害结果;若有病害,则依据猕猴桃叶片病害类别的分类概率进行判决,输出概率最大类别的病害类别结果;
所述一种猕猴桃叶片病害识别深度神经网络训练方法,该方法包括:
首先,对高清图像进行预处理,并识别高清图像中的猕猴桃叶片区域;
其次,根据识别结果截取高清图像中的猕猴桃叶片区域,做归一化处理,得到叶片归一化图像;
接着,标注叶片归一化图像的正确分类标签;
然后,将叶片归一化图像和其正确分类标签输入到猕猴桃叶片病害深度神经网络中,训练得到猕猴桃叶片病害深度神经网络模型;
所述叶片归一化图像的正确分类标签为数据对(L1,L2),表示对叶片有无病害的分类标签,L2表示病害类型的类别标签;当L1=1时,表示存在病害,L2标签有效,L2标签默认为0;
所述猕猴桃叶片病害深度神经网络采用ResNeXt网络结构,所述ResNeXt结构输入层为卷积层,输出层为Eltwise层;在Eltwise层后连接全链接层选择softmax损失函数,作为对猕猴桃叶片是否有病害的分类;在Eltwise层后接两个卷积层和一个全链接层选择softmax 损失函数,作为对猕猴桃叶片的病害类别的分类;
所述训练包括:
将叶片归一化图像输入到猕猴桃叶片病害深度神经网络的第一层卷积层完成卷积运算;
将得到的卷积运算结果输入到所述网络的下一级卷积层计算,至第N层卷积层完成卷积运算,由Eltwise层输出;
将Eltwise层输出特征送入全链接层,并利用正确分类标签的L1进行softmax损失函数计算,得损失函数l1;
将L1=1的叶片归一化图像的Eltwise层输出特征送入两个卷积层并连接全链接层和 softmax损失函数,得损失函数l2;
合并损失函数l1、l1,得到总损失函数lall:
lall=λ1l1+λ2l2
式中,λ1、λ2分别为损失函数l1、l2对应的权重值;
最后由总损失函数lall反向传播更新网络模型参数;
循环迭代上述过程,完成猕猴桃叶片病害深度神经网络模型训练。
优选的,所述叶片识别模型为线下训练完成,输出为猕猴桃叶片所在区域矩形框和旋转角度。
优选的,所述猕猴桃叶片区域的归一化处理为:
依据叶片识别模型输出结果,将猕猴桃叶片区域采用矩形框进行截取;
依据叶片识别模型输出旋转角度结果,将截取的矩形框图像旋正;并采用三样条差值方法resize到固定长宽尺度上得到叶片归一化图像。
优选的,所述过度曝光门限值选取为225。
优选的,所述曝光不足门限值选取为50。
根据上述方法,本发明提供了一种猕猴桃叶片病害自动检测系统,该系统由高清摄像头、中央处理器及显示器组成;
所述高清摄像头安装于猕猴桃果园内,拍摄猕猴桃叶片;每台高清摄像头具备独立的位置信息与高清摄像头在猕猴桃果园中实际位置对应;
所述中央处理器接收所有高清摄像头数据,完成对猕猴桃叶片的分析及病害自动检测;结合高清摄像头独立的位置信息与病害自动检测结果生成猕猴桃叶片病害信息;
所述对猕猴桃叶片的分析及病害自动检测采用上述一种基于图像识别的猕猴桃叶片病害识别方法;
所述显示器与中央处理器连接,用于显示猕猴桃叶片病害信息。
本发明具有如下有益效果:
本发明提供了一种基于图像识别的猕猴桃叶片病害识别方法及系统,通过图像自动识别的方式,实现猕猴桃种植过程中对猕猴桃叶片病害的快速、准确分别和分类;无需人工参与和判决,具备易复制性及复制成本低等特性,便于猕猴桃种植过程中的大面积推广;该系统采用全自动化设计,能做到在猕猴桃种植期间的实时不间断监测,保证猕猴桃叶片病害发现的及时和有效性,同时具备不疲劳性,远程监控特性,极大降低人力成本、提升效率;该系统在方法上对图片进行预处理,降低了室外阳光变化带来的图像曝光变化大的缺点,使得该系统的适用范围得到进一步扩展,同时采用深度神经网络分类方式,极大提升了病害分类的准确性,为后续处理提供强有力证据支撑,且具备回溯查证特性。方法的准确性、易复制性、复制成本低等特性;系统的全自动化、实时性、不易疲劳性、远程监控特性;降低人力成本,提升效率。
附图说明
图1:基于图像识别的猕猴桃叶片病害识别深度神经网络模型训练流程。
图2:基于猕猴桃叶片病害深度神经网络的识别流程。
图3、基于猕猴桃叶片病害深度神经网络输出结果的判决流程。
具体实施方式
下面通过实施例对本发明进行具体的描述,有必要在此指出的是以下实施例只用于对本发明进行进一步说明,不能理解为对本发明保护范围的限制,该领域的技术人员可以根据上述本发明内容对本发明作出一些非本质的改进和调整。
实施例1
一种猕猴桃叶片病害识别深度神经网络训练方法,如图1所示依次进行预处理及识别、归一化处理、图像标注、模型训练,具体为:
预处理及识别,对获取的高清图像进行预处理,并识别高清图像中的猕猴桃叶片区域;预处理的过程为:计算图像整体亮度值,并依据图像整体亮度值进行图像曝光调节,图像整体亮度值偏亮,即图像整体亮度值大于过度曝光门限值,通过调节图像的曝光,使得图像变暗,从而图像更清晰;若图像整体亮度值偏暗,即图像整体亮度值小于曝光不足门限值,通过调节图像的曝光,使得图像变量,从而图像更清晰;其余不做处理;
其中过度曝光门限值选取为225,曝光不足门限值选取为50。
计算图像整体亮度值方法如下:
将高清图像的BGR格式转换为HSV格式;统计V通道的均值:
式中,W为高清图像的宽、H为高清图像的高、Vij为高清图像HSV格式下V通道(i,j)位置的值,为图像整体亮度值;
调节图像的曝光的公式为:
式中,v为高清图像BGR格式下像素点在一个通道上的像素值,取值范围为[0,255],为经过调整图像的曝光后的输出像素值;γ大于1,对高清图像曝光过大进行抑制,γ小于 1,对高清图像曝光不足进行补偿;
识别高清图像中的猕猴桃叶片区域,采用叶片识别模型完成猕猴桃叶片区域的识别;所述叶片识别模型为采用SSD识别框架线下训练完成;叶片识别模型输出叶片区域矩形框及旋转角度;
归一化处理,根据依据叶片识别模型输出结果采用矩形框截取高清图像中的猕猴桃叶片区域,并依据叶片识别模型输出旋转角度结果,将截取的矩形框图像旋正,采用三样条差值方法resize到固定长宽尺度上得到叶片归一化图像;
图像标注,为截取的叶片归一化图像人工标注正确分类标签,用于下述模型训练过程中对模型的监督学习;正确分类标签为数据对(L1,L2)形势,表示对叶片有无病害的分类标签,L2表示病害类型的类别标签;当L1=1时,表示存在病害,L2标签有效,L2标签默认为0;
模型训练,猕猴桃叶片病害深度神经网络采用ResNeXt网络结构,所述ResNeXt结构输入层为卷积层,输出层为Eltwise层;在Eltwise层后连接全链接层选择softmax损失函数,作为对猕猴桃叶片是否有病害的分类;在Eltwise层后接两个卷积层和一个全链接层选择 softmax损失函数,作为对猕猴桃叶片的病害类别的分类;其中两个卷积层均为3x3卷积核,输入输出特征层大小不变;模型训练过程为:将叶片归一化图像输入到猕猴桃叶片病害深度神经网络的第一层卷积层完成卷积运算;
将得到的卷积运算结果输入到所述网络的下一级卷积层计算,至第N层卷积层完成卷积运算,由Eltwise层输出;
将Eltwise层输出特征送入全链接层,并利用正确分类标签的L1进行softmax损失函数计算,得损失函数l1;
将L1=1的叶片归一化图像的Eltwise层输出特征送入两个卷积层并连接全链接层和 softmax损失函数,得损失函数l2;
合并损失函数l1、l1,得到总损失函数lall:
lall=λ1l1+λ2l2
式中,λ1、λ2分别为损失函数l1、l2对应的权重值;
最后由总损失函数lall反向传播更新网络模型参数;
循环迭代上述过程,完成猕猴桃叶片病害深度神经网络模型训练。
实施例2
一种猕猴桃叶片病害深度神经网络识别方法,如图2所示依次进行预处理及识别、归一化处理、模型运算、结果判决,具体为:
预处理及识别,对获取的高清图像进行预处理,并识别高清图像中的猕猴桃叶片区域;预处理的过程为:计算图像整体亮度值,并依据图像整体亮度值进行图像曝光调节,图像整体亮度值偏亮,即图像整体亮度值大于过度曝光门限值,通过调节图像的曝光,使得图像变暗,从而图像更清晰;若图像整体亮度值偏暗,即图像整体亮度值小于曝光不足门限值,通过调节图像的曝光,使得图像变量,从而图像更清晰;其余不做处理;
其中过度曝光门限值选取为225,曝光不足门限值选取为50。
计算图像整体亮度值方法如下:
将高清图像的BGR格式转换为HSV格式;统计V通道的均值:
式中,W为高清图像的宽、H为高清图像的高、Vij为高清图像HSV格式下V通道(i,j)位置的值,为图像整体亮度值;
调节图像的曝光的公式为:
式中,v为高清图像BGR格式下像素点在一个通道上的像素值,取值范围为[0,255],为经过调整图像的曝光后的输出像素值;γ大于1,对高清图像曝光过大进行抑制,γ小于 1,对高清图像曝光不足进行补偿;
识别高清图像中的猕猴桃叶片区域,采用叶片识别模型完成猕猴桃叶片区域的识别;所述叶片识别模型为采用SSD识别框架线下训练完成;叶片识别模型输出叶片区域矩形框及旋转角度;
归一化处理,根据依据叶片识别模型输出结果采用矩形框截取高清图像中的猕猴桃叶片区域,并依据叶片识别模型输出旋转角度结果,将截取的矩形框图像旋正,采用三样条差值方法resize到固定长宽尺度上得到叶片归一化图像;
模型运算,将叶片归一化图像输入到猕猴桃叶片病害深度神经网络中,输出猕猴桃叶片有病害的概率以及猕猴桃叶片病害类别的分类概率;
结果判决,根据猕猴桃叶片病害深度神经网络的输出结果:猕猴桃叶片有病害的概率以及猕猴桃叶片病害类别的分类概率进行判决,得出判决结果;其中判决步骤如图3所示为:依据猕猴桃叶片有病害的概率判定是否有病害,即猕猴桃有病害概率是否大于门限值:若无,则输出无病害结果;若有病害,则依据猕猴桃叶片病害类别的分类概率进行判决,输出概率最大类别的病害类别结果。
实施例3
一种基于图像识别的猕猴桃叶片病害识别方法的猕猴桃叶片病害自动检测系统,由高清摄像头、中央处理器及显示器组成;
在猕猴桃果园中,按照猕猴桃种植密度安装高清摄像头,拍摄猕猴桃叶片,使得所有摄像头画面能覆盖绝大部分猕猴桃叶片;
所每台高清摄像头具备独立的位置信息与高清摄像头在猕猴桃果园中实际位置对应;
所有高清摄像头与中央处理器连接;中央处理器接收高清摄像头数据,完成对猕猴桃叶片的分析及病害自动检测;结合高清摄像头独立的位置信息与病害自动检测结果生成猕猴桃叶片病害信息;
其中对猕猴桃叶片的分析及病害自动检测采用上述一种基于图像识别的猕猴桃叶片病害识别方法;
显示器与中央处理器连接,用于显示猕猴桃叶片病害信息。
Claims (6)
1.一种基于图像识别的猕猴桃叶片病害识别方法,其特征在于:包含一种猕猴桃叶片病害识别深度神经网络训练方法和一种猕猴桃叶片病害深度神经网络识别方法;
所述一种猕猴桃叶片病害深度神经网络识别方法,具体为:
首先,对获取的高清图像进行预处理,并识别高清图像中的猕猴桃叶片区域;
其次,根据识别结果截取高清图像中的猕猴桃叶片区域,做归一化处理,得到叶片归一化图像;
然后,将叶片归一化图像输入到猕猴桃叶片病害深度神经网络中,输出猕猴桃叶片有病害的概率以及猕猴桃叶片病害类别的分类概率;
最后,根据猕猴桃叶片病害深度神经网络的输出结果:猕猴桃叶片有病害的概率以及猕猴桃叶片病害类别的分类概率进行判决,得出判决结果;
所述对获取的高清图像进行预处理,调节高清图像的曝光,具体步骤如下:
首先计算图像整体亮度值;
其次若图像整体亮度值偏亮,即图像整体亮度值大于过度曝光门限值,通过调节图像的曝光,使得图像变暗,从而图像更清晰;若图像整体亮度值偏暗,即图像整体亮度值小于曝光不足门限值,通过调节图像的曝光,使得图像变量,从而图像更清晰;其余不做处理;
所述计算图像整体亮度值方法如下:
将高清图像的BGR格式转换为HSV格式;统计V通道的均值:
式中,W为高清图像的宽、H为高清图像的高、Vij为高清图像HSV格式下V通道(i,j)位置的值,为图像整体亮度值;
所述调节图像的曝光的公式为:
式中,v为高清图像BGR格式下像素点在一个通道上的像素值,取值范围为[0,255],为经过调整图像的曝光后的输出像素值;γ大于1,对高清图像曝光过大进行抑制,γ小于1,对高清图像曝光不足进行补偿;
所述识别高清图像中的猕猴桃叶片区域,采用叶片识别模型完成猕猴桃叶片区域的识别;所述叶片识别模型为采用SSD识别框架线下训练完成;
所述猕猴桃叶片病害深度神经网络采用ResNeXt网络结构,所述ResNeXt结构输入层为卷积层,输出层为Eltwise层;在Eltwise层后连接全链接层,作为对猕猴桃叶片是否有病害的分类;在Eltwise层后接两个卷积层和一个全链接层,作为对猕猴桃叶片的病害类别的分类;
所述根据猕猴桃叶片病害深度神经网络的输出结果:依据猕猴桃叶片有病害的概率判定是否有病害:若无,则输出无病害结果;若有病害,则依据猕猴桃叶片病害类别的分类概率进行判决,输出概率最大类别的病害类别结果;
所述一种猕猴桃叶片病害识别深度神经网络训练方法,可以包括:
首先,对高清图像进行预处理,并识别高清图像中的猕猴桃叶片区域;
其次,根据识别结果截取高清图像中的猕猴桃叶片区域,做归一化处理,得到叶片归一化图像;
接着,标注叶片归一化图像的正确分类标签;
然后,将叶片归一化图像和其正确分类标签输入到猕猴桃叶片病害深度神经网络中,训练得到猕猴桃叶片病害深度神经网络模型;
所述叶片归一化图像的正确分类标签为数据对(L1,L2),表示对叶片有无病害的分类标签,L2表示病害类型的类别标签;当L1=1时,表示存在病害,L2标签有效,L2标签默认为0;
所述猕猴桃叶片病害深度神经网络采用ResNeXt网络结构,所述ResNeXt结构输入层为卷积层,输出层为Eltwise层;在Eltwise层后连接全链接层选择softmax损失函数,作为对猕猴桃叶片是否有病害的分类;在Eltwise层后接两个卷积层和一个全链接层选择softmax损失函数,作为对猕猴桃叶片的病害类别的分类;
所述训练包括:
将叶片归一化图像输入到猕猴桃叶片病害深度神经网络的第一层卷积层完成卷积运算;
将得到的卷积运算结果输入到所述网络的下一级卷积层计算,至第N层卷积层完成卷积运算,由Eltwise层输出;
将Eltwise层输出特征送入全链接层,并利用正确分类标签的L1进行softmax损失函数计算,得损失函数l1;
将L1=1的叶片归一化图像的Eltwise层输出特征送入两个卷积层并连接全链接层和softmax损失函数,得损失函数l2;
合并损失函数l1、l1,得到总损失函数lall:
lall=λ1l1+λ2l2
式中,λ1、λ2分别为损失函数l1、l2对应的权重值;
最后由总损失函数lall反向传播更新网络模型参数;
循环迭代上述过程,完成猕猴桃叶片病害深度神经网络模型训练。
2.如权利要求1所述的一种基于图像识别的猕猴桃叶片病害识别方法,其特征在于:所述叶片识别模型为线下训练完成,输出为猕猴桃叶片所在区域矩形框和旋转角度。
3.如权利要求2所述的一种基于图像识别的猕猴桃叶片病害识别方法,其特征在于:所述猕猴桃叶片区域的归一化处理为:
依据叶片识别模型输出结果,将猕猴桃叶片区域采用矩形框进行截取;
依据叶片识别模型输出旋转角度结果,将截取的矩形框图像旋正;并采用三样条差值方法resize到固定长宽尺度上得到叶片归一化图像。
4.如权利要求3所述的一种基于图像识别的猕猴桃叶片病害识别方法,其特征在于:所述过度曝光门限值选取优选为225。
5.如权利要求4所述的一种基于图像识别的猕猴桃叶片病害识别方法,其特征在于:所述曝光不足门限值选取优选为50。
6.基于如权利要求5所述的一种基于图像识别的猕猴桃叶片病害识别方法的猕猴桃叶片病害自动检测系统,其特征在于:所述系统由高清摄像头、中央处理器及显示器组成;
所述高清摄像头安装于猕猴桃果园内,拍摄猕猴桃叶片;每台高清摄像头具备独立的位置信息与高清摄像头在猕猴桃果园中实际位置对应;
所述中央处理器接收所有高清摄像头数据,完成对猕猴桃叶片的分析及病害自动检测;结合高清摄像头独立的位置信息与病害自动检测结果生成猕猴桃叶片病害信息;
所述对猕猴桃叶片的分析及病害自动检测采用上述一种基于图像识别的猕猴桃叶片病害识别方法;
所述显示器与中央处理器连接,用于显示猕猴桃叶片病害信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910369540.XA CN110070086A (zh) | 2019-05-06 | 2019-05-06 | 一种基于图像识别的猕猴桃叶片病害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910369540.XA CN110070086A (zh) | 2019-05-06 | 2019-05-06 | 一种基于图像识别的猕猴桃叶片病害识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110070086A true CN110070086A (zh) | 2019-07-30 |
Family
ID=67370170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910369540.XA Withdrawn CN110070086A (zh) | 2019-05-06 | 2019-05-06 | 一种基于图像识别的猕猴桃叶片病害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070086A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400536A (zh) * | 2020-03-11 | 2020-07-10 | 无锡太湖学院 | 一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法 |
CN112883873A (zh) * | 2021-02-22 | 2021-06-01 | 暨南大学 | 叶部病害的识别方法、装置、电子装置和存储介质 |
CN113158754A (zh) * | 2021-02-04 | 2021-07-23 | 安徽农业大学 | 一种番茄病害图像识别方法 |
-
2019
- 2019-05-06 CN CN201910369540.XA patent/CN110070086A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400536A (zh) * | 2020-03-11 | 2020-07-10 | 无锡太湖学院 | 一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法 |
CN111400536B (zh) * | 2020-03-11 | 2023-09-22 | 无锡太湖学院 | 一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法 |
CN113158754A (zh) * | 2021-02-04 | 2021-07-23 | 安徽农业大学 | 一种番茄病害图像识别方法 |
CN112883873A (zh) * | 2021-02-22 | 2021-06-01 | 暨南大学 | 叶部病害的识别方法、装置、电子装置和存储介质 |
CN112883873B (zh) * | 2021-02-22 | 2023-08-01 | 暨南大学 | 叶部病害的识别方法、装置、电子装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN110070086A (zh) | 一种基于图像识别的猕猴桃叶片病害识别方法 | |
CN110472575B (zh) | 一种基于深度学习和计算机视觉的串番茄成熟度检测方法 | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
CN110414532B (zh) | 一种基于深度学习的商品图像识别方法 | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN106951899A (zh) | 基于图像识别的异常检测方法 | |
CN108491788A (zh) | 一种用于财务报表单元格的智能提取方法及装置 | |
Thakur et al. | An innovative approach for fruit ripeness classification | |
CN113077450B (zh) | 基于深度卷积神经网络的樱桃分级检测方法及系统 | |
CN108932712A (zh) | 一种转子绕组质量检测系统及方法 | |
CN114387520A (zh) | 一种用于机器人采摘的密集李子精准检测方法及其系统 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN106570855A (zh) | 猪肉新鲜度快速判定的方法及系统 | |
CN108311411A (zh) | 一种冬虫夏草智能化分拣系统及其使用方法 | |
CN109086657B (zh) | 一种基于机器学习的耳朵检测方法、系统及模型 | |
CN102788806B (zh) | 基于类球形亮度变换的水果表面缺陷检测方法 | |
CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
CN108280516B (zh) | 一种多组卷积神经网络之间互博智能进化的优化方法 | |
Kalia et al. | Fruit quality evaluation using Machine Learning: A review | |
Ji et al. | Apple color automatic grading method based on machine vision | |
CN107886108A (zh) | 基于AlexNet网络模型的果蔬分类方法及装置 | |
CN109919235A (zh) | 一种基于人工干预样本集权重的深度学习图像分类模型训练方法 | |
Yumang et al. | Computer vision-based non-invasive sweetness assessment of mangifera indica l. fruit using k-means clustering and cnn | |
CN112775032B (zh) | 一种水果分拣方法、装置及柔性机器人 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190730 |
|
WW01 | Invention patent application withdrawn after publication |