CN110084791B - 一种基于图像处理的番茄早疫病与晚疫病自动检测方法 - Google Patents

一种基于图像处理的番茄早疫病与晚疫病自动检测方法 Download PDF

Info

Publication number
CN110084791B
CN110084791B CN201910313778.0A CN201910313778A CN110084791B CN 110084791 B CN110084791 B CN 110084791B CN 201910313778 A CN201910313778 A CN 201910313778A CN 110084791 B CN110084791 B CN 110084791B
Authority
CN
China
Prior art keywords
graph
tomato
segmentation
calculating
blight
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
Application number
CN201910313778.0A
Other languages
English (en)
Other versions
CN110084791A (zh
Inventor
张军
刘珂珂
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201910313778.0A priority Critical patent/CN110084791B/zh
Publication of CN110084791A publication Critical patent/CN110084791A/zh
Application granted granted Critical
Publication of CN110084791B publication Critical patent/CN110084791B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06T7/13—Edge 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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Cultivation Of Plants (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于图像处理的番茄早疫病与晚疫病自动检测方法，包括：将工业相机安装在番茄生长侧面，通过工业相机获取生长期的番茄侧视图；通过图像预处理对番茄侧视图进行图像灰度化、以及滤波处理，获取降噪后的番茄图；对番茄图计算灰度直方图、获取小的比例值，直方图均衡化，边缘检测，最大类间方差，逻辑运算，孔洞填补，求取最大联通区域，形态学优化，获取初始分割图；对初始分割图分别计算分割图与模板图的7个Hu不变矩、边缘矩、角度矩；计算分割图与模板图不变矩向量的欧式距离、余弦相似度，通过上述计算结果衡量初始分割图的正确性；将筛选后的分割图映射至原图，并优化；计算空洞面积占分割面积的百分比，通过比例值进行番茄早疫病与晚疫病的判断。

Description

一种基于图像处理的番茄早疫病与晚疫病自动检测方法
技术领域
本发明涉及图像处理以及植物病菌检测技术领域，尤其涉及一种基于图像处理的番茄早疫病与晚疫病自动检测方法。
背景技术
番茄作为一种全球广泛种植的农作物，具有丰富的营养价值。但番茄的产量一直受到病菌的困扰，因此，及时发现番茄感染的疾病成为提高产量的有效途径。
目前与番茄病菌检测相关的研究主要包括以下几种：赵建伟、何玉仙等提出使用生物基因方法，利用特异引物建立番茄早疫病的PCR快速检测方法(公开号为CN105112413A)。王念武、翁瑞泉等提出使用锁式探针的滚环扩增计数，运用锁式探针对番茄青枯病原菌，番茄溃疡病原菌和番茄斑点病进行反向斑点杂交的高通量检测方法(公开号为CN103215357A)。这种采用生物研究的检测方法需要专业的研究人员以及精度较高的检测设备；将耗费大量的人力，财力。此外，这种检测方法不能实时的检测番茄病菌，对番茄的产量造成了一定的影响。
发明内容
本发明提供了一种基于图像处理的番茄早疫病与晚疫病自动检测方法，本发明对病菌识别快速、准确，维护成本低廉，有利于实现农业自动化，详见下文描述：
一种基于图像处理的番茄早疫病与晚疫病自动检测方法，所述方法包括以下步骤：
将工业相机安装在番茄生长侧面，通过工业相机获取生长期的番茄侧视图；
通过图像预处理对番茄侧视图进行图像灰度化、以及滤波处理，获取降噪后的番茄图；
对番茄图计算灰度直方图、获取小的比例值，直方图均衡化，边缘检测，最大类间方差，逻辑运算，孔洞填补，求取最大联通区域，形态学优化，获取初始分割图；
对初始分割图分别计算分割图与模板图的7个Hu不变矩、边缘矩、角度矩；计算分割图与模板图不变矩向量的欧式距离、余弦相似度，通过上述计算结果衡量初始分割图的正确性；
将筛选后的分割图映射至原图，并优化；计算空洞面积占分割面积的百分比，通过比例值进行番茄早疫病与晚疫病的判断。
进一步地，所述计算边缘矩、角度矩具体为：
Figure GDA0002089463420000021
Figure GDA0002089463420000022
Figure GDA0002089463420000023
其中，Mγ为边缘矩；L为参考点到质心的距离；γi表示分割后的番茄图边界上任意点与参考点之间的距离，n为参数的个数，
Figure GDA0002089463420000024
为不同以参考点到任意点和质心为边的角度的平均值，Mθ表示角度矩；θi表示以参考点为顶点，以参考点到任意点和质心为边的角度；使用余弦相似度与欧式距离，衡量分割图与模板图之间的相似度。
本发明提供的技术方案的有益效果是：
1、与传统方法相比，其检测结果更加准确，效率更高；病菌识别过程不需要人工的参与，设备维护简单，且能够达到实时检测，满足了农业自动化生产过程的要求；
2、由于视觉传感器能实时准确接收生长期的番茄信息，并通过工控机对信息进行分析和计算，实时精准判断出番茄感染的病菌，该计算过程误差小，运算速度快，而且维护成本低廉；不仅对红色番茄可以进行很好的病菌识别，对绿色番茄也能进行准确的识别。
附图说明
图1为基于图像处理的番茄早疫病与晚疫病自动检测方法的流程图；
图2是工控计算机采集生长期番茄实物图；
图3(a)至图3(b)是降噪滤波预处理图；
图4是青色番茄分割流程图；
图5是灰度直方图；
图6(a)至图6(g)是青色番茄分割图；
图7是番茄模板图；
图8(a)至图8(b)是形态学优化分割图；
图9(a)至图9(c)是分割图映射至原图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
一种基于图像处理的番茄早疫病与晚疫病自动检测方法，参见图1，该方法包括以下步骤：
101：将工业相机安装在番茄生长侧面，通过工业相机获取生长期的番茄侧视图；
102：工控计算机获取番茄侧视图，通过图像预处理获得降噪图；
其中，图像预处理包括：设备初始化、图像灰度化、以及图像滤波，最终获取预处理后的图像。
103：分割青色番茄图片；
其中，对青色番茄图片的分割包括：计算灰度直方图、获取小的比例值，直方图均衡化，边缘检测，最大类间方差，逻辑运算，孔洞填补，求取最大联通区域，形态学优化，通过上述处理后获取初始分割图。
104：对初始分割图进行判断；
其中，对分割结果进行判断包括：分别计算分割图与模板图的7个Hu不变矩、边缘矩、角度矩；计算分割图与模板图不变矩向量的欧式距离、余弦相似度，通过上述计算结果来衡量初始分割图的正确性。
105：将筛选后的分割图映射至原图，并优化；计算空洞面积占分割面积的百分比，通过比例值进行番茄早疫病与晚疫病的判断。
其中，该步骤中的优化为进行灰度化与二值化处理。
实施例2
下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：
其中，一个完整的自动检测方法包括：图像采集、图像分割、决策判断和病菌识别。
如图2所示，步骤101包括：设备初始化，获取生长期番茄侧视图；通过图像灰度化，Weiner滤波获取降噪图片，如图3(a)至3(b)所示。记降噪图为f1。
如图4所示，步骤102包括，针对处理后的图像，进行灰度直方图的计算，如图5所示。并记录前m个最小值所对应的像素值n，本例m为5。并对像素值求其两两之间的随机组合，即得到
Figure GDA0002089463420000041
对像素值。记其中一对为(n1,n2)。
如图6(a)所示，利用下式对降噪图f1进行直方图均衡化处理，得到均衡化图f2。
Figure GDA0002089463420000042
其中，(x,y)表示图像中像素点所对应的坐标值。
对f2进行Canny边缘检测处理，如图6(b)所示，记结果为f3；对f2进行最大类间方差(OTSU)计算，如图6(c)所示，记结果为f4；将f3与f4进行逻辑异或操作，如图6(d)，记结果为f5；对f5进行形态学腐蚀、膨胀运算，如图6(e)、图6(f)，记结果为f6；之后再进行孔洞区域的填充与最大联通区域选择得到f7(如图6(g))。
如图7所示，步骤103包括，形态学优化分割图(如图8(a)至图8(b))，并按如下定义，分别计算优化后的分割图与番茄模板图的7个Hu不变矩与边缘矩、以及角度矩。
计算图形的p+q阶中心距：
Figure GDA0002089463420000043
其中，
Figure GDA0002089463420000044
和
Figure GDA0002089463420000045
代表图像的重心：
Figure GDA0002089463420000046
其中，mpq代表图像的p+q阶几何矩(标准矩)：
Figure GDA0002089463420000047
计算归一化的中心距：
Figure GDA0002089463420000048
Figure GDA0002089463420000049
利用二阶和三阶归一化中心矩构造7个Hu不变矩：
Figure GDA0002089463420000051
计算边缘、角度矩：
Figure GDA0002089463420000052
其中，γi表示分割后的番茄图边界上任意点与参考点之间的距离l，表示参考点与质心之间的距离。θi表示以参考点为顶点，以参考点到任意点和质心为边的角度。使用余弦相似度与欧式距离，衡量分割图与模板图之间的相似度。
Figure GDA0002089463420000053
Figure GDA0002089463420000054
其中，Si，Ti分别表示分割图，模板图的9个不变矩。若满足：d≤dmax，c≥cmin；dmax，cmin可根据经验进行选取；本文实验中，dmax为0.1，cmin为0.9。则认为分割图与模板图相似，进行番茄病菌的判断。若不相似，则非预运算最大类间方差图(～OTSU)，使用Canny边缘检测图异或非最大类间方差图，并进行形态学优化；判断分割结果的正确性。若分割结果不正确，则重新选择均衡化的像素值对，进行分割。
如图9所示，步骤(5)包括，将分割图对原图进行映射：
Figure GDA0002089463420000061
其中，f(x,y)，g(x,y)，h(x,y)分别为分割图，原图，映射结果图。并进行灰度化与二值化，如图9(a)至9(c)所示。
步骤105包括，计算图9(c)中空洞部分占据整个番茄面积的百分比a，即可得出番茄病菌的种类。计算结果中，amin≤a≤max则认为是番茄早疫病，a≥amax则认为是番茄晚疫病。
综上所述，本发明实施例不仅可以对成熟番茄进行准确病菌检测，对生长期番茄的早疫病与晚疫病也能实现准确的检测，而且检测结果精确快速，维护成本低廉。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于图像处理的番茄早疫病与晚疫病自动检测方法，其特征在于，所述方法包括以下步骤：
将工业相机安装在番茄生长侧面，通过工业相机获取生长期的番茄侧视图；
通过图像预处理对番茄侧视图进行图像灰度化、以及滤波处理，获取降噪后的番茄图；
对番茄图计算灰度直方图、获取小的比例值，直方图均衡化，边缘检测，最大类间方差，逻辑运算，孔洞填补，求取最大联通区域，形态学优化，获取初始分割图；
对初始分割图分别计算分割图与模板图的7个Hu不变矩、边缘矩、角度矩；计算分割图与模板图不变矩向量的欧式距离、余弦相似度，通过上述计算结果衡量初始分割图的正确性；
将筛选后的分割图映射至原图，并优化；计算空洞面积占分割面积的百分比，通过比例值进行番茄早疫病与晚疫病的判断；
其中，所述计算边缘矩、角度矩具体为：
Figure FDA0002692471300000011
Figure FDA0002692471300000012
Figure FDA0002692471300000013
其中，Mγ为边缘矩；L为参考点到质心的距离；γi表示分割后的番茄图边界上任意点与参考点之间的距离，n为参数的个数，
Figure FDA0002692471300000014
为不同以参考点到任意点和质心为边的角度的平均值，Mθ表示角度矩；θi表示以参考点为顶点，以参考点到任意点和质心为边的角度；使用余弦相似度与欧式距离，衡量分割图与模板图之间的相似度。
CN201910313778.0A 2019-04-18 2019-04-18 一种基于图像处理的番茄早疫病与晚疫病自动检测方法 Expired - Fee Related CN110084791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910313778.0A CN110084791B (zh) 2019-04-18 2019-04-18 一种基于图像处理的番茄早疫病与晚疫病自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910313778.0A CN110084791B (zh) 2019-04-18 2019-04-18 一种基于图像处理的番茄早疫病与晚疫病自动检测方法

Publications (2)

Publication Number Publication Date
CN110084791A CN110084791A (zh) 2019-08-02
CN110084791B true CN110084791B (zh) 2021-01-26

Family

ID=67415600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910313778.0A Expired - Fee Related CN110084791B (zh) 2019-04-18 2019-04-18 一种基于图像处理的番茄早疫病与晚疫病自动检测方法

Country Status (1)

Country Link
CN (1) CN110084791B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110940826B (zh) * 2019-12-20 2022-02-22 中国烟草总公司郑州烟草研究院 一种水平管密相烟丝气力输送过程中烟丝运动速度检测方法
CN113128372B (zh) * 2021-04-02 2024-05-07 西安融智芙科技有限责任公司 基于图像处理的黑头识别方法、黑头识别装置及终端设备
CN115601670B (zh) * 2022-12-12 2023-03-24 合肥恒宝天择智能科技有限公司 基于人工智能和高分辨率遥感影像的松材线虫病监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101002682A (zh) * 2007-01-19 2007-07-25 哈尔滨工程大学 用于身份识别的手背静脉特征提取和匹配方法
CN107038446A (zh) * 2017-03-23 2017-08-11 中国计量大学 一种主动照明下基于重叠边缘检测的夜间双果重叠番茄识别方法
CN107909138A (zh) * 2017-11-14 2018-04-13 江苏大学 一种基于安卓平台的类圆颗粒物计数方法
CN109255795A (zh) * 2018-09-11 2019-01-22 中国计量大学 一种番茄植株边缘排序算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7298883B2 (en) * 2002-11-29 2007-11-20 University Of Chicago Automated method and system for advanced non-parametric classification of medical images and lesions

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101002682A (zh) * 2007-01-19 2007-07-25 哈尔滨工程大学 用于身份识别的手背静脉特征提取和匹配方法
CN107038446A (zh) * 2017-03-23 2017-08-11 中国计量大学 一种主动照明下基于重叠边缘检测的夜间双果重叠番茄识别方法
CN107909138A (zh) * 2017-11-14 2018-04-13 江苏大学 一种基于安卓平台的类圆颗粒物计数方法
CN109255795A (zh) * 2018-09-11 2019-01-22 中国计量大学 一种番茄植株边缘排序算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
番茄病害图像数据库构建方法研究;黄志豪;《中国优秀硕士学位论文全文数据库.农业科技辑》;20170315;第19页第3.1节，第20页第3.2.1节，第21-22页第3.2.2节，第23页第3.3节，第38页第5.1节，第29-30页第4.2.1节第1段，第38页第5.1节 *

Also Published As

Publication number Publication date
CN110084791A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN110084791B (zh) 一种基于图像处理的番茄早疫病与晚疫病自动检测方法
CN109344874B (zh) 一种基于深度学习的染色体自动分析方法及系统
CN107945200B (zh) 图像二值化分割方法
CN105069394B (zh) 二维码加权平均灰度法解码方法及系统
CN103996018B (zh) 基于4dlbp的人脸识别方法
CN108564124A (zh) 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
CN108376403B (zh) 基于霍夫圆变换的网格菌落图像分割方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN106855951A (zh) 一种基于计算机视觉的粮种品质检测方法
CN113902713B (zh) 一种基于图像分割算法的多菌落体计数方法
CN109117703A (zh) 一种基于细粒度识别的混杂细胞种类鉴定方法
CN112215865A (zh) 一种荧光显微图像下的微液滴自动检测方法
CN114648511A (zh) 一种大肠杆菌轮廓的精确提取及识别方法
CN114648806A (zh) 一种多机制自适应的眼底图像分割方法
CN114838664A (zh) 一种基于黑皮鸡枞菌的菌盖尺寸原位测量方法
CN104992448B (zh) 机器人防损伤采摘葡萄的自动定位方法
CN111292347B (zh) 一种基于图像处理技术的显微图像炭疽孢子密度计算方法
CN112465842A (zh) 基于U-net网络的多通道视网膜血管图像分割方法
CN115187852A (zh) 一种藏医尿诊悬浮物识别方法及装置
CN115035293A (zh) 一种无监督深度学习的sar影像海水养殖智能提取方法
CN116823835B (zh) 基于机器视觉的瓶装水杂质检测方法
CN110853030B (zh) 生物反应器病毒感染细胞质量评价方法
CN109165659B (zh) 一种基于超像素分割的车辆颜色识别方法
CN110349119A (zh) 基于边缘检测神经网络的路面病害检测方法和装置

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: 20210126