CN110120030A - 小麦病害发生图像的处理方法、应用、计算机可读介质及病害发生面积测算方法 - Google Patents
小麦病害发生图像的处理方法、应用、计算机可读介质及病害发生面积测算方法 Download PDFInfo
- Publication number
- CN110120030A CN110120030A CN201910244739.XA CN201910244739A CN110120030A CN 110120030 A CN110120030 A CN 110120030A CN 201910244739 A CN201910244739 A CN 201910244739A CN 110120030 A CN110120030 A CN 110120030A
- Authority
- CN
- China
- Prior art keywords
- image
- wheat diseases
- disease
- diseased region
- pixel
- 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
Classifications
-
- 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
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
小麦病害发生图像的处理方法、应用、计算机可读介质及病害发生面积测算方法。一种小麦病害发生面积的测算方法,以解决当下获取小麦病害发生面积的效率低的问题。它需要获取彩色的小麦病害发生图像,对图像进行处理以获取对应于该种病害的发病区域的像素点的总数,最后将图像中的发病区域的像素点总数换算为该种病害的发生面积,这样就测算出了小麦病害发生面积。小麦病害发生图像处理方法包括图像分割、图像去噪与填充和计算病害发生像素点的步骤,所述图像去噪和填充步骤包括分块扫描去噪、孤立点去噪、散点填充、方形扫描去噪、边界优化处理。在应用中,可以将小麦病害发生图像处理方法编写成计算机程序并存储于计算机可读介质内,可以获取某种小麦病害的HSL病害特征。它简化了大量人工控制过程,再现性高,效率高。
Description
技术领域
本发明涉及小麦病害统计测量技术领域,具体涉及一种小麦病害发生图像的处理方法,一种小麦病害发生图像的处理方法的应用,一种存储有小麦病害发生图像处理程序的计算机可读介质和一种小麦病灾发生面积的测算方法。
背景技术
据刊发在《植物保护》期刊上的《近10年农作物主要病虫害发生危害情况的统计和分析》(作者:刘万才、刘振东、黄冲等)记载:2006-2015年10年间,小麦主要病害平均每年造成148.87万吨的产量损失。
为了评估农作物病害的程度,需要获取农作物病害的发生面积。传统的病害调查多采用田间取样统计调查,由于农作物种植面积大、范围广,获取样本数据的过程较为费时费力,而且获取的结果多是定性,难以做到精准。随着无人机、遥感卫星等大区域数据获取技术的应用,以图像处理和高光谱监测研究小麦病害成为热点。目前,采用图像处理方法获取小麦病害的信息化研究多集中识别叶部病害种类,尚无采用图像处理方法获取小麦病害的发生面积的方法。
发明内容
本发明的发明目的是提供一种小麦病害发生面积的测算方法,以解决现有的田间取样统计调查法获取小麦病害发生面积的效率低的技术问题。
在解决小麦病害发生面积的测算方法的技术问题的过程中,需要获取彩色的小麦病害发生图像,对彩色的小麦病害发生图像进行处理以获取对应于该种病害的发病区域的像素点的总数,最后将图像中的发病区域的像素点总数换算为该种病害的发生面积,这样就测算出了小麦病害发生面积。在具体应用中,可以将小麦病害发生图像处理方法编写成计算机程序,并将该计算机程序应用于训练人工智能(AI),以获取某种小麦病害的HSL病害特征。
为解决上述技术问题,本发明采用如下技术方案:
设计一种小麦病害发生图像处理方法,包括如下步骤:
1)图像分割,包括将彩色的小麦病害发生图像调整为HSL色彩模式的小麦病害发生图像,根据对应于病害的发病分割阈值、和未发病分割阈值后,对所述HSL色彩模式的小麦病害发生图像进行区域分割,以获取小麦病害发生域值图像;
2)图像去噪和填充,包括
分块扫描去噪,对所述小麦病害发生域值图像进行分块快速扫描遍历处理,在每一分块中,当非发病区域的像素点数量大于第一阈值时,将该分块置为非发病区域对应的HSL色彩,
孤立点去噪,所述孤立点为在发病区域中,横向方向上连续出现或在纵向方向上连续出现的像素点少于第二阈值,将孤立点置为非发病区域对应的HSL色彩,
散点填充,对图像中的发病区域中的孔洞进行填充处理,
方形扫描去噪,采用固定大小的正方形块从图像的一角以逐行逐列的移动方式向另一对角逐像素推移,扫描所述正方形块的四个边界,当所述正方形块的四个边界均被发病区域、或非发病区域包围时,所述正方形块内的区域对应置为发病区域、或非发病区域,
边界优化,对图像进行处理,以使发病区域、或非发病区域的边界光滑、连续;
3)计算病害发生像素点,包括计合图像中的发病区域的像素点的总数。
优选的,对应于病害的发病分割阈值包括重度发病分割阈值、轻度发病分割阈值;在所述散点填充分步骤中,分别对图像中的重度发病区域的孔洞、轻度发病区域的孔洞进行填充处理;在所述计算病害发生像素点步骤中,所述计算病害发生面积步骤包括分别计合图像中的重度发病区域的像素点的总数和轻度发病区域的像素点的总数。
设计一种利用小麦病害发生图像处理方法获取某种小麦病害特征的应用,人工标记大量的该种小麦病害图片,以获取该种小麦病害的HSL病害特征。
优选的,所述小麦病害为小麦全蚀病;对应于小麦全蚀病重度发病的分割阈值为色调H为20~30,饱和度S为90,亮度L为80;对应于小麦全蚀病轻度发病的分割阈值为色调H为31~36,饱和度S为90,亮度L为80。
设计一种存储有小麦病害发生图像处理程序的计算机可读介质,所述小麦病害发生图像处理程序被运行以实现包含所述小麦病害发生图像处理方法的步骤。
优选的,所述对应于病害的发病分割阈值、和未发病分割阈值为用户输入或内置于所述小麦病害发生图像处理程序中。
设计一种小麦病害发生面积测算方法,包括如下步骤:
获取彩色的小麦病害发生图像,包括在同一高度上,采用镜头焦距、相机传感器尺寸一致的相机获取至少一幅小麦病害发生图像,在所述小麦病害发生图像中,所述相机的焦距为f,像距为v,物距为u,物距u对应于相机距地面的高度,当小麦病害发生图像有至少两幅时,对该些小麦病害发生图像进行拼接处理;
采用前述的小麦病害发生图像处理方法对所述彩色的小麦病害发生图像进行处理,以获取图像中的发病区域的像素点的总数;
换算获取所述病害发生面积,包括将发病区域的像素点换算成病害发生面积。
优选的,v≤0.1m,30m≤u≤70m,在所述彩色的小麦病害发生图像中,单位像素对应的实际长度L1的计算公式为:L1=(1÷f)×u,单位像素对应的实际面积为L1 2。
与现有技术相比,本发明的有益效果是:
可以利用无人机等航拍工具快速获取小麦病害发生图像,时间快,节省人力;通过小麦病害发生图像处理方法可以快速的处理彩色的小麦病害发生图像,获取某种病害的发病区域的像素点的总数;然后利用成像原理换算出该种小麦的病害发生面积,简化了大量人工控制过程,过程再现性高,效率高,且其结果精准可靠。
附图说明
图1为一种小麦病害发生面积测算方法的流程说明图。
图2为对彩色的小麦病害发生图像进行图像分割处理后的效果图。
图3为进一步对图像进行分块扫描去噪处理后的效果图。
图4为进一步对图像进行孤立点去噪处理后的效果图。
图5为进一步对图像进行散点填充处理后的效果图。
图6为进一步对图像进行方形扫描去噪处理后的效果图。
图7为进一步对图像进行边界优化处理后的效果图。
具体实施方式
下面结合附图和实施例来说明本发明的具体实施方式,但以下实施例只是用来详细说明本发明,并不以任何方式限制本发明的范围。
实施例1:一种小麦病害发生图像处理方法,包括以下步骤:
1)图像分割的步骤,
由于采集的麦田RGB色彩模式的小麦病害发生图像受颜色的差异以及受光照的影响较大,而HSL色彩模式能够克服这些颜色深浅差异对识别结果的影响,因此发明人把RGB色彩模式的小麦病害发生图像转换为HSL色彩模式的小麦病害发生图像。
所述图像分割的步骤包括将彩色的小麦病害发生图像调整为HSL色彩模式的小麦病害发生图像,具体的:RGB色彩模式转换为HSL色彩模式的算法步骤如下:
a. 计算RGB图像中R,G和B中的最大值和最小值,分别记为maxcolor和mincolor;
b. 计算亮度L。按照如下公式计算:L=(maxcolor + mincolor)/2
c. 计算饱和度S。伪代码如下 :
If maxcolor== mincolor即表示灰色,那么S=0
Else If L<120
S=(maxcolor-mincolor)/(maxcolor + mincolor)*240
Else if L>=120
S=(maxcolor-mincolor)/(2.0-maxcolor-mincolor)*240
d. 计算色调H。伪代码如下:
If R=maxcolor, H=(G-B)/(maxcolor-mincolor)*40
If G=maxcolor,
H=2.0+(B-R)/(maxcolor-mincolor)*40
If B=maxcolor,
H=4.0+(R-G)/(maxcolor-mincolor)*40
如果H为负值,则加240作为色调H的值。
根据对应于病害的发病分割阈值、和未发病分割阈值,对所述HSL色彩模式的小麦病害发生图像进行区域分割,以获取小麦病害发生域值图像;其中,可以对病害的发病程度进行区分,本实施例中,将病害发病程度分为重度发病和轻度发病,此时,根据对应于病害的重度发病分割阈值、轻度发病分割阈值和未发病分割阈值,对所述HSL色彩模式的小麦病害发生图像进行区域分割,例如重度发病区域颜色为红色,轻度发生区域设置为黄色,未发病区域设置为黑色(下文以此为例说明),以获取小麦病害发生域值图像;图像的分割采用的是自动阈值分割法。通过大量小麦病害图片人工标记和统计训练,训练小麦病害HSL病害特征,以小麦全蚀病为例:重度发病区域HSL均值为25、90、80,色调H的范围为20~30,饱和度S的范围为70~120,亮度L的范围为50~130;轻度发病区域HSL均值为31、90、80,只有色调不同,色调范围为31~36。
根据需要,用户可以指定发病区域,实现病害区域的自动分割,重度区域设置为红色,轻度发生区域设置为黄色,未发病区域设置为黑色,经过分割后的图像如图2所示。
2)图像去噪和填充步骤,
分割后的图像有很多稀疏的噪点和空隙,会影响最终面积识别结果,因此,必须尽量保持有效信息损失较小的情况下,去除噪点,填充空隙。因为散点较多,且非二值图像,因此形态学腐蚀和膨胀运算,以及开运算和闭运算,已不能满足去噪要求,本发明采用了改进的去噪和填充算法。
所述图像去噪和填充步骤包括
a. 分块扫描去噪,对所述小麦病害发生域值图像进行分块快速扫描遍历处理,在每一分块中,当非发病区域的像素点数量与该分块中所有像素数量的比例≥第一阈值时,本实施例设定第一阈值为50%,将该分块置为非发病区域对应的HSL色彩(对应于黑色)。需要注意的是为了避免造成齐边现象情况的发生,应对阈值进行控制,分块去噪处理后的图像参见图3。
b. 孤立点去噪,对于当前点是黑色(非发病区域)的,直接跳过不处理,所述孤立点为在重度发病区域、或轻病发病区域中,横向方向上连续出现或在纵向方向上连续出现的像素点小于第二阈值(本实施例中第二阈值为2像素点),将孤立点置为非发病区域对应的HSL色彩(即黑色),孤立点去噪处理后的图像参见图4。
经过去噪后的图像去除了大量的噪音信息,但因不同发病区域和田间空隙裸露土壤颜色的差异,会造成孔洞现象。另外,当对病害发病程度区分为轻度发病和重度发病后,不同发病区域颜色黄色红色相互夹杂需要归一化处理,因此对这些现象进行散点填充处理。
c. 散点填充,对轻度发病区域及重度发病区域的颜色进行归一化处理,以分别填充图像中的轻度发病区域内和重度发病区域内的孔洞,并散点填充处理后的效果参见图5。
散点填充后的图像,仍然有黄色红色相互夹杂在一起,如果继续用散点填充方法处理,会造成形状失真。
d. 方形扫描去噪,采用固定大小的正方形块(本实施例采用2×2像素的正方形块)从图像的一角以逐行逐列的移动方式向另一对角逐像素推移,扫描所述正方形块的四个边界,当所述正方形块的四个边界均被重度发病区域、轻度发病区域或非发病区域包围时,所述正方形块内的区域对应置为重度发病区域、轻度发病区域或非发病区域,例如,如果发现所有点都是黑色,则认为这块区域被黑色包围。区域内所有点背赋值为黑色。同样处理,可以将区域内所有点赋值为黄色或者红色,它的好处是不改变图像边界形状,只是去除较大的孤立色块,方形扫描去噪处理后的效果参见图6。
经过填充去噪后的图像,边界模糊不利于结果识别,需要再进行一次在横向和纵向精细扫描去噪,从而有效的使边界光滑。
e. 边界优化,对图像进行孤立点去噪处理,以使重度发病区域、轻度发病区域或非发病区域的边界光滑、连续;边界优化处理后的效果参见图7。
3)计算病害发生像素点步骤,所述计算病害发生面积步骤包括分别计合图像中的重度发病区域的像素点的总数、轻度发病区域的像素点的总数。
由于本实施例中将病害发病程度分为重度发病和轻度发病,但是,也可以分为其它形式,或仅分为发病区域和非发病区域,此时,本领域技术人员可以根据本实施例公开的内容进行稍微调整。
实施例2:一种利用小麦病害发生图像处理方法获取某种小麦病害特征的应用,人工标记大量的该种小麦病害图片,以获取该种小麦病害的HSL病害特征。
优选的,所述小麦病害为小麦全蚀病;对应于小麦全蚀病重度发病的分割阈值为色调H为20~30,饱和度S为90,亮度L为80;对应于小麦全蚀病轻度发病的分割阈值为色调H为31~36,饱和度S为90,亮度L为80。
实施例3:一种存储有小麦病害发生图像处理程序的计算机可读介质,所述小麦病害发生图像处理程序被运行以实现包含所述小麦病害发生图像处理方法的步骤。
优选的,所述对应于病害的发病分割阈值、和未发病分割阈值为用户输入或内置于所述小麦病害发生图像处理程序中。
实施例4:一种小麦病害发生面积测算方法,包括如下步骤:
获取彩色的小麦病害发生图像步骤,所述获取彩色的小麦病害发生图像步骤包括在同一高度上,采用镜头焦距、相机传感器尺寸一致的相机获取至少一幅小麦病害发生图像,在所述小麦病害发生图像中,所述相机的焦距为f,像距为v,物距为u,物距u对应于相机距地面的高度,当小麦病害发生图像有至少两幅时,对该些小麦病害发生图像进行拼接处理;例如,可以采用无人机航拍获取彩色的小麦病害发生图像。
由于无人机采集图片量大,必须用最简单、直接的方式在内存中存储处理图片,实现对像素级的高效读取,分析和处理。本文采用DIB(Device Independent Bitmap)设备无关位图文件,实现图像快速无压缩装载显示,在内存中连续存储,其图像存储结构体如下:
struct tagBITMAPINFOHEABER{
DWORD biSixe;
LONG biWidth;
LONG biHeight;
WORD biplanes;
WORD biBitCount;
DWORD biCompressinn;
DWORD biSizeImage;
LONG biXPelsPerMeter;
LONG biYPelsPerMeter;
DWORD biClrused;
DWORD biCkItnportanr
}
结构体信息头占40个字节,其中biWidth和biHeight是图像宽度和高度,biBitCount表示位图深度,本文采用24位真色彩。
在像素存储,采用的是从下到上,从左到右的方式存储像素,每个像素占3个字节,在内存中存储的顺序采用倒置的顺序B、G、R。像素的存储位置为:
L(i,j)=P+(biHeight-i)*lineByte+j*3 (1)
式中i,j分别第i行,第j列, L(i,j)为第i行,第j列的像素在内存中的地址, biHeight是图像高度,lineByte是每行的字节宽度。P是像素起始地址。
采用实施例1中的小麦病害发生图像处理方法对所述彩色的小麦病害发生图像进行处理,以获取图像中的重度发病区域的像素点的总数、轻度发病区域的像素点的总数;
换算获取所述病害发生面积步骤,所述换算病害发生面积步骤包括将重度发病区域的像素点换算成重度病害发生面积、将轻度发病区域的像素点换算成轻度病害发生面积。
依据相机透镜的成像原理:
1/f=1/v+1/u (2)
式(2)其中f是焦距,u是物距,v是像距。对于航拍时,物距u为飞行高度,一般无人机飞行高度为50m,像距一般几厘米。相对于1/v而言,1/u可以忽略不计,也即像距近似等于焦距。因此,在v≤0.1m,30m≤u≤70m时获取的所述彩色的小麦病害发生图像中,可求得单位像素实际长度L1的计算公式为:L1=(1÷f)×u。单位像素实际长度L1的平方就是单位像素的面积,将重度发病区域的像素点的总数×(单位像素实际长度L1)2 的值就是重度病害发生面积,将轻度发病区域的像素点的总数×(单位像素实际长度L1)2 的值就是轻度病害发生面积。
目前对小麦病害的调查多采用对角线5点取样或棋盘式取样调查,然后对病株数和病害程度进行分级计数来估计发病率(定性),本发明可以精确的计算出发病面积和发病率(定量),是一种快速精准的田间调查方法。
前述实施例虽然仅考虑了小麦病害的调查,但是技术过程未来可以向倒伏、冻害等自然灾害的识别与统计迁移。
上面结合附图和实施例对本发明作了详细的说明,但是,所属技术领域的技术人员能够理解,在不脱离本发明宗旨的前提下,还可以对上述实施例中的各个具体参数进行变更,形成多个具体的实施例,均为本发明的常见变化范围,在此不再一一详述。
Claims (8)
1.一种小麦病害发生图像处理方法,其特征在于,包括如下步骤:
1)图像分割,包括将彩色的小麦病害发生图像调整为HSL色彩模式的小麦病害发生图像,根据对应于病害的发病分割阈值、和未发病分割阈值后,对所述HSL色彩模式的小麦病害发生图像进行区域分割,以获取小麦病害发生域值图像;
2)图像去噪和填充,包括
分块扫描去噪,对所述小麦病害发生域值图像进行分块快速扫描遍历处理,在每一分块中,当非发病区域的像素点数量大于第一阈值时,将该分块置为非发病区域对应的HSL色彩,
孤立点去噪,所述孤立点为在发病区域中,横向方向上连续出现或在纵向方向上连续出现的像素点少于第二阈值,将孤立点置为非发病区域对应的HSL色彩,
散点填充,对图像中的发病区域中的孔洞进行填充处理,
方形扫描去噪,采用固定大小的正方形块从图像的一角以逐行逐列的移动方式向另一对角逐像素推移,扫描所述正方形块的四个边界,当所述正方形块的四个边界均被发病区域、或非发病区域包围时,所述正方形块内的区域对应置为发病区域、或非发病区域,
边界优化,对图像进行处理,以使发病区域、或非发病区域的边界光滑、连续;
3)计算病害发生像素点,包括计合图像中的发病区域的像素点的总数。
2.如权利要求1所述的小麦病害发生图像处理方法,其特征在于,对应于病害的发病分割阈值包括重度发病分割阈值、轻度发病分割阈值;在所述散点填充分步骤中,分别对图像中的重度发病区域的孔洞、轻度发病区域的孔洞进行填充处理;在所述计算病害发生像素点步骤中,所述计算病害发生面积步骤包括分别计合图像中的重度发病区域的像素点的总数和轻度发病区域的像素点的总数。
3.一种利用如权利要求1或2所述的小麦病害发生图像处理方法获取某种小麦病害特征的应用,其特征在于,人工标记大量的该种小麦病害图片,以获取该种小麦病害的HSL病害特征。
4.如权利要求3所述的应用,其特征在于,所述小麦病害为小麦全蚀病;对应于小麦全蚀病重度发病的分割阈值为色调H为20~30,饱和度S为90,亮度L为80;对应于小麦全蚀病轻度发病的分割阈值为色调H为31~36,饱和度S为90,亮度L为80。
5.一种存储有小麦病害发生图像处理程序的计算机可读介质,所述小麦病害发生图像处理程序被运行以实现包含如权利要求1或2所述小麦病害发生图像处理方法的步骤。
6.如权利要求5所述的计算机可读介质,其特征在于,所述对应于病害的发病分割阈值、和未发病分割阈值为用户输入或内置于所述小麦病害发生图像处理程序中。
7.一种小麦病害发生面积测算方法,其特征在于,包括如下步骤:
获取彩色的小麦病害发生图,包括在同一高度上,采用镜头焦距、相机传感器尺寸一致的相机获取至少一幅小麦病害发生图像,在所述小麦病害发生图像中,所述相机的焦距为f,像距为v,物距为u,物距u对应于相机距地面的高度,当小麦病害发生图像有至少两幅时,对该些小麦病害发生图像进行拼接处理;
采用如权利要求1或2所述的小麦病害发生图像处理方法对所述彩色的小麦病害发生图像进行处理,以获取图像中的发病区域的像素点的总数;
换算获取病害发生面积,包括将发病区域的像素点换算成病害发生面积。
8.如权利要求7所述的小麦病害发生面积测算方法,其特征在于,v≤0.1m,30m≤u≤70m,在所述彩色的小麦病害发生图像中,单位像素对应的实际长度L1的计算公式为:L1=(1÷f)×u,单位像素对应的实际面积为L1 2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910244739.XA CN110120030A (zh) | 2019-03-28 | 2019-03-28 | 小麦病害发生图像的处理方法、应用、计算机可读介质及病害发生面积测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910244739.XA CN110120030A (zh) | 2019-03-28 | 2019-03-28 | 小麦病害发生图像的处理方法、应用、计算机可读介质及病害发生面积测算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110120030A true CN110120030A (zh) | 2019-08-13 |
Family
ID=67520724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910244739.XA Pending CN110120030A (zh) | 2019-03-28 | 2019-03-28 | 小麦病害发生图像的处理方法、应用、计算机可读介质及病害发生面积测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110120030A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689601A (zh) * | 2019-10-07 | 2020-01-14 | 绍兴秀我家科技有限公司 | 一种适于ar虚拟软装合成的散点消除算法 |
CN112734687A (zh) * | 2020-10-21 | 2021-04-30 | 重庆中国三峡博物馆 | 文物病害图绘制方法、装置、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030072484A1 (en) * | 2001-09-17 | 2003-04-17 | Kokko Eric Gerard | Method and apparatus for identifying and quantifying characteristics of seeds and other small objects |
CN106969730A (zh) * | 2017-05-19 | 2017-07-21 | 中国农业大学 | 一种基于无人机探测技术的果树树冠体积测量方法 |
CN107527326A (zh) * | 2017-08-17 | 2017-12-29 | 安徽农业大学 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
CN107644200A (zh) * | 2017-08-30 | 2018-01-30 | 中国农业大学 | 基于安卓系统的病虫害感染程度检测方法及系统 |
CN108564021A (zh) * | 2018-04-08 | 2018-09-21 | 兰州大学 | 一种基于数码相片提取荒漠植被盖度的方法 |
-
2019
- 2019-03-28 CN CN201910244739.XA patent/CN110120030A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030072484A1 (en) * | 2001-09-17 | 2003-04-17 | Kokko Eric Gerard | Method and apparatus for identifying and quantifying characteristics of seeds and other small objects |
CN106969730A (zh) * | 2017-05-19 | 2017-07-21 | 中国农业大学 | 一种基于无人机探测技术的果树树冠体积测量方法 |
CN107527326A (zh) * | 2017-08-17 | 2017-12-29 | 安徽农业大学 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
CN107644200A (zh) * | 2017-08-30 | 2018-01-30 | 中国农业大学 | 基于安卓系统的病虫害感染程度检测方法及系统 |
CN108564021A (zh) * | 2018-04-08 | 2018-09-21 | 兰州大学 | 一种基于数码相片提取荒漠植被盖度的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689601A (zh) * | 2019-10-07 | 2020-01-14 | 绍兴秀我家科技有限公司 | 一种适于ar虚拟软装合成的散点消除算法 |
CN112734687A (zh) * | 2020-10-21 | 2021-04-30 | 重庆中国三峡博物馆 | 文物病害图绘制方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951836B (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
WO2023029373A1 (zh) | 一种高精度的农田植被信息提取方法 | |
CN112801230B (zh) | 一种配电线路无人机智能验收方法 | |
CN113920453A (zh) | 一种基于深度学习的猪只体尺体重估测方法 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及系统 | |
CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
CN115147746B (zh) | 基于无人机遥感图像的盐碱地质识别方法 | |
CN110176005B (zh) | 基于归一化指数和多尺度模型的遥感图像分割方法 | |
Sun et al. | Wheat head counting in the wild by an augmented feature pyramid networks-based convolutional neural network | |
CN115908774B (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
CN110120030A (zh) | 小麦病害发生图像的处理方法、应用、计算机可读介质及病害发生面积测算方法 | |
Li et al. | An automatic approach for detecting seedlings per hill of machine-transplanted hybrid rice utilizing machine vision | |
Ma et al. | Towards improved accuracy of UAV-based wheat ears counting: A transfer learning method of the ground-based fully convolutional network | |
CN114078218A (zh) | 一种自适应融合的森林烟火识别数据增广方法 | |
CN114627461A (zh) | 一种基于人工智能高精度识别水尺数据的方法及系统 | |
CN107103295A (zh) | 光学遥感影像云检测方法 | |
Zhu et al. | Automated chicken counting using yolo-v5x algorithm | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
CN113409255A (zh) | 一种基于Mask R-CNN的斑马鱼形态学分类方法 | |
CN112116595A (zh) | 一种端到端的植物根系特征自动分割系统 | |
CN112085725A (zh) | 基于启发式迭代算法的残膜残留量检测方法及预警系统 | |
CN106650824A (zh) | 基于支持向量机的运动目标分类方法 | |
CN108460786A (zh) | 一种无人机侦察目标的高速跟踪方法 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 |
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 |