CN110276280A - 一种农作物害虫图像自动识别的光学处理方法 - Google Patents
一种农作物害虫图像自动识别的光学处理方法 Download PDFInfo
- Publication number
- CN110276280A CN110276280A CN201910492698.6A CN201910492698A CN110276280A CN 110276280 A CN110276280 A CN 110276280A CN 201910492698 A CN201910492698 A CN 201910492698A CN 110276280 A CN110276280 A CN 110276280A
- Authority
- CN
- China
- Prior art keywords
- image
- crop pests
- automatic identification
- processing method
- optical processing
- 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.)
- Granted
Links
Classifications
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/30—Noise filtering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Catching Or Destruction (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种农作物害虫图像自动识别的光学处理方法,包括以下步骤:S1、以监测设备定时采集的农作物害虫实拍图片作为真彩图像;S2、对所述真彩图像进行光照与色阶的平衡,作为识别的起始图像,以保持实时监测采集图像的特征基本统一;S3、依据目标害虫个体的大小差异,对所述起始图像做不同灰度图像和二值图像处理。本发明解决了农作物害虫自动识别技术在实际应用过程中识别精度过低而无法进行产业化应用的难题。
Description
技术领域
本发明涉及农作物害虫识别技术领域,更具体的说是涉及一种用于监测设备的农作物害虫图像自动识别之光学处理方法。
背景技术
伴随着我国农业现代化的发展需求,农作物害虫的自动监控工作势在必行,农作物害虫图像的自动识别技术是自动监控工作的重要手段。学术界在这一领域已经开展了多年研究,并取得了一些成果。但是这些研究成果都是在实验室条件下完成的,无法适应复杂环境干扰下农作物害虫图像自动识别的实际监测工作需要。
研究中的问题主要集中在自动识别前对图像样本的光学处理过程中,与应用于实际监测工作相对比,传统农作物害虫图像自动识别的光学处理存在的主要问题在于:①由于环境单一,没有针对不同光照、色阶等图像色彩结构的统一变换;②由于昆虫摆放拍摄,缺乏提升分离重叠昆虫效果的预处理;③由于对比环境与虫类有限,缺乏抵消复杂环境或者相似昆虫干扰的措施。只有高质量的前期光学处理,才能有效提升害虫的识别精度,实现农业害虫自动识别的产业化应用。
因此,如何提供一种抗干扰性能优良并且有助于提高识别精确度的农作物害虫图像自动识别的光学处理方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明为了解决农作物害虫自动识别技术在实际应用过程中识别精度过低而无法进行产业化应用的难题,进而提供了一种现实环境中多种复杂因素干扰条件下,为实现农作物害虫实时监测而采用的害虫图像自动识别技术的前期光学处理方法。
为了达到上述目的,本发明采用如下技术方案:
一种农作物害虫图像自动识别的光学处理方法,包括以下步骤:
S1、以监测设备定时采集的农作物害虫实拍图片作为真彩图像;
S2、对所述真彩图像进行光照与色阶的平衡,作为识别的起始图像,以保持实时监测采集图像的特征基本统一;
S3、依据目标害虫个体的大小差异,对所述起始图像做不同灰度图像和二值图像处理。
优选的,在上述一种农作物害虫图像自动识别的光学处理方法中,步骤S2包括以下步骤:
S21、对所述真彩图像分别进行匀光处理和色彩均衡处理;
S22、将处理后的真彩图像作为识别的起始图像。
上述技术方案的有益效果是:将匀光和色彩均衡处理后的真彩图像作为害虫识别的起始图像,在保持实时监测采集图像的特征基本统一的前提下,不仅是作为提取害虫颜色特征的标准图像,也作为灰度图像和二值图像转化的基础。
优选的,在上述一种农作物害虫图像自动识别的光学处理方法中,步骤S3包括以下步骤:
S31、将所述真彩图像转化为灰度图像,并依据目标害虫个体的大小差异,进行不同阈值的灰度对比度处理;
S32、对所述灰度图像进行降噪去斑处理,以削弱现实环境中干扰图像的影响度;
S33、依据目标害虫个体的大小差异,通过不同先后次序腐蚀与膨胀处理将所述灰度图像转化为二值图像,并对所述二值图像进行分割处理。
上述技术方案的有益效果是:能够有效降低农作物害虫间的重叠率,分割得到的害虫图像也更加精准。
优选的,在上述一种农作物害虫图像自动识别的光学处理方法中,步骤S31中若目标害虫为小虫做高对比度处理,若目标害虫为大虫做低对比度处理。需要注意的是,因为依据图片拍摄的实际情况,不同大小的虫子采用的对比度不同,具体数据需要按实际情况实验获得,而且在其他拍摄环境下不能通用。小虫高对比度,大虫高对比度,是作为调节对比度的指导依据。
上述技术方案的有益效果是:由于灰度图像在不同亮暗对比度的条件下,对不同害虫的识别敏感度不同,通过灰度对比度调节,进而提高了采样指标的准确性。以计算虫体面积为例,小虫整体面积偏小,其腿部的伸缩对面积计算有较大影响,而高亮度处理后会削弱肢体影像,保留虫体主干,使面积区分更加准确;大虫低对比度处理后,使整个虫体亮度尽可能接近,在计算虫体面积时减少因斑纹深浅差异而造成的面积差异。
优选的,在上述一种农作物害虫图像自动识别的光学处理方法中,步骤S33中若目标害虫为小虫,则先做腐蚀再做膨胀处理;若目标害虫为大虫,则先做膨胀再做腐蚀处理。
上述技术方案的有益效果是:腐蚀是图像边缘收缩,膨胀是图像边缘扩张,小虫先做腐蚀处理,使重叠的凸出部会消失断开,再做膨胀处理,恢复虫体的原始大小,由于膨胀处理是以凸出消失后的边缘发起的,因而原凸出部不会恢复,从而降低了小虫的重叠率,提高了小虫的独立性;大虫相反,先膨胀会加固原本可能松散的肢体,再腐蚀恢复原虫大小,强化了大虫完整性。
优选的,在上述一种农作物害虫图像自动识别的光学处理方法中,步骤S3还包括:在所述二值图像处理中采用多阈值变化,构建多个不同的二值图像群。
上述技术方案的有益效果是:可以增加昆虫间的区分度,弱化相似昆虫的识别干扰。
优选的,在上述一种农作物害虫图像自动识别的光学处理方法中,所述大虫包括但不限于螟虫类、蛾虫类、碟虫类、甲壳虫类。
优选的,在上述一种农作物害虫图像自动识别的光学处理方法中,所述小虫包括但不限于虱虫类、蚜虫类。
需要注意的是,大虫、小虫是根据要识别的害虫是大是小来决定的,而不是图片上拍到的虫子决定的。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种农作物害虫图像自动识别的光学处理方法,具有以下优势:
(1)该方法通过匀光和色彩平衡,实现农作物监测设备害虫图像光照亮度与色阶的相对统一;
(2)通过针对不同大小害虫的灰度图像和二值图像,进行不同阈值的灰度对比度处理,以及不同先后的膨胀、腐蚀处理,突出了农作物监测设备害虫图像中小虫的独立性和大虫的完整性,从而实现在大虫图像不被拆解的前提下,提升小虫分离效果,降低昆虫的重叠率;
(3)通过赋予膨胀、腐蚀操作多个不同的参数值,达到在农作物监测设备害虫图像中,对每个昆虫构建多个不同的二值图像群的目的,弱化了相似昆虫的识别干扰,从而为完成复杂的真实环境条件下农作物害虫监测图像的自动识别工作创造了必要条件。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明公开了一种用于监测设备的农作物害虫图像自动识别之光学处理方法步骤:
1、田间监测设备害虫实拍图片的匀光处理
由于在田间通过监测设备定时采集的农作物害虫真彩图像,其采光存在一定的差异,必须在识别前对这些图像进行匀光处理,使图像达到较为统一的真彩识别环境。理想的方法是对图片进行高斯滤波处理。
以图像常用的二维零均值离散高斯函数做平滑滤波器方法为例,其表达式为:
其中:σ为高斯分布参数。
2、田间监测设备害虫实拍图片的色彩均衡处理
由于在田间通过监测设备定时采集的农作物害虫真彩图像,受电压、温湿度等因素影响,往往会产生图像色阶差异(尤其是开机第一张照片一般偏黄),必须在识别前对这些图像进行色彩均衡处理。
以ACE算法为例,计算公式为:
y=∑(g(I(x0)-I(x))w(x0,x))/∑(w(x0,x))
其中,w是权重参数,离中心点像素越远,w值越小,可以直接取值欧氏距离。g()是相对对比度调节参数,非线性的,取如下计算方法:
g(x)=max(min(ax,1.0),-1.0)
这里a是控制参数,值越大,细节增强越明显。
计算完成后,还要对y进行一次归一化即可得到色彩均衡图像。
3、对不同害虫灰度图像进行不同阈值的灰度对比度处理
在害虫识别过程中,对害虫纹理等特征的提取需要将匀光以及色彩均衡后的真彩图像转化为灰度图像,但灰度图像在不同亮暗对比度的条件下,对不同害虫的识别敏感度不同,因而对小虫应做高对比度处理,对大虫应做低对比度处理。
以图像线性灰度变换为例,其表达式为:
其中,原图像亮度区间[a,b],转换图像亮度区间[c,d]。
4、二值图像的有效分割
(1)首先对灰度图像进行降噪去斑处理,消弱现实环境中如:灰尘、细小的杂虫、断裂的残肢等干扰图像的影响度。以中值滤波为例,其表达式为:
g(i,j)=Mad{f(i-k,j-l),(k,l∈W)}
其中,W为选定窗口大小,f(i-k,j-l)为窗口W的像素灰度值。
另外还可以应用维纳滤波、平滑滤波等进行多次降噪去斑处理。
(2)在进行灰度图转二值图像过程中采用不同次序的腐蚀与膨胀处理,具体为:对小虫先做腐蚀再做膨胀处理;对大虫先做膨胀再做腐蚀处理。其表达式为:
膨胀操作:
即,结构元素B移动所得到的集合与集合X产生的交集非空,可以得到集合X被结构元素B膨胀后的结果D(X)。
腐蚀操作:
即,结构元素B移动所得的集合属于集合X,可以得到集合X被结构元素B腐蚀后的结果E(X)。
(3)然后进行二值图像分割处理,将昆虫从整个图片中分割出来。这些操作可以有效降低昆虫间的重叠率,分割出的昆虫也更加精准。
5、构建多个不同的二值图像群
由于田间监测设备所采集的农作物害虫图像包含的昆虫种类过于复杂,为增加昆虫间区分度,在二值图像处理中还应采用多阈值变化,构建同一昆虫多个不同的二值图像群。即:通过赋予膨胀、腐蚀操作多个不同的参数值,达到构建多个不同的二值图像群的目的。
将上述方法应用于对水稻害虫图像的自动识别工作中,起初简单的光学处理对识别负面影响巨大,识别率普遍在50%以下,无法应用于实际监测,在进行了以上光学处理后,识别率普遍提升到了70%以上,再进行了识别方法的改进之后,水稻各类害虫(包括:白背飞虱、褐飞虱、灰飞虱、叶蝉、稻纵卷叶螟、二化螟、大螟等)的识别率都提升到了85%以上,达到了实际监测应用的需求。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种农作物害虫图像自动识别的光学处理方法,其特征在于,包括以下步骤:
S1、以监测设备定时采集的农作物害虫实拍图片作为真彩图像;
S2、对所述真彩图像进行光照与色阶的平衡,作为识别的起始图像;
S3、依据目标害虫个体的大小差异,对所述起始图像做不同灰度图像和二值图像处理。
2.根据权利要求1所述的一种农作物害虫图像自动识别的光学处理方法,其特征在于,步骤S2包括以下步骤:
S21、对所述真彩图像分别进行匀光处理和色彩均衡处理;
S22、将处理后的真彩图像作为识别的起始图像。
3.根据权利要求1所述的一种农作物害虫图像自动识别的光学处理方法,其特征在于,步骤S3包括以下步骤:
S31、将所述真彩图像转化为灰度图像,并依据目标害虫个体的大小差异,进行不同阈值的灰度对比度处理;
S32、对所述灰度图像进行降噪去斑处理;
S33、依据目标害虫个体的大小差异,通过不同次序腐蚀与膨胀处理将所述灰度图像转化为二值图像,并对所述二值图像进行分割处理。
4.根据权利要求3所述的一种农作物害虫图像自动识别的光学处理方法,其特征在于,步骤S31中若目标害虫为小虫做高对比度处理,若目标害虫为大虫做低对比度处理。
5.根据权利要求3所述的一种农作物害虫图像自动识别的光学处理方法,其特征在于,步骤S33中若目标害虫为小虫,则先做腐蚀再做膨胀处理;若目标害虫为大虫,则先做膨胀再做腐蚀处理。
6.根据权利要求1所述的一种农作物害虫图像自动识别的光学处理方法,其特征在于,步骤S3还包括:在所述二值图像处理中采用多阈值变化,构建多个不同的二值图像群。
7.根据权利要求4或5所述的一种农作物害虫图像自动识别的光学处理方法,其特征在于,所述大虫包括但不限于螟虫类、蛾虫类、碟虫类、甲壳虫类。
8.根据权利要求4或5所述的一种农作物害虫图像自动识别的光学处理方法,其特征在于,所述小虫包括但不限于虱虫类、蚜虫类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910492698.6A CN110276280B (zh) | 2019-06-06 | 2019-06-06 | 一种农作物害虫图像自动识别的光学处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910492698.6A CN110276280B (zh) | 2019-06-06 | 2019-06-06 | 一种农作物害虫图像自动识别的光学处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276280A true CN110276280A (zh) | 2019-09-24 |
CN110276280B CN110276280B (zh) | 2021-06-04 |
Family
ID=67960529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910492698.6A Active CN110276280B (zh) | 2019-06-06 | 2019-06-06 | 一种农作物害虫图像自动识别的光学处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276280B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201503590U (zh) * | 2009-10-19 | 2010-06-09 | 河海大学 | 复杂场景下图像目标提取与识别装置 |
CN102103748A (zh) * | 2010-12-14 | 2011-06-22 | 西北工业大学 | 一种复杂背景下红外弱小目标检测和跟踪方法 |
CN103530643A (zh) * | 2013-10-11 | 2014-01-22 | 中国科学院合肥物质科学研究院 | 基于农作物行间自动识别技术的农药定位喷洒方法及系统 |
CN103886579A (zh) * | 2013-12-11 | 2014-06-25 | 西安交通大学 | 面向在线铁谱图像自动识别的磨粒链自适应分割方法 |
CN104021574A (zh) * | 2014-07-04 | 2014-09-03 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
CN104102920A (zh) * | 2014-07-15 | 2014-10-15 | 中国科学院合肥物质科学研究院 | 一种基于形态学多特征融合的害虫图像分类方法及系统 |
CN105354580A (zh) * | 2015-11-09 | 2016-02-24 | 中国农业大学 | 基于机器视觉的东亚飞蝗图像特征提取方法 |
CN107292891A (zh) * | 2017-06-20 | 2017-10-24 | 华南农业大学 | 一种基于机器视觉的南方蔬菜重大害虫的检测计数方法 |
CN107563964A (zh) * | 2017-08-22 | 2018-01-09 | 长光卫星技术有限公司 | 大面阵亚米级夜景遥感影像的快速拼接方法 |
CN107578089A (zh) * | 2017-09-13 | 2018-01-12 | 中国水稻研究所 | 一种农作物灯诱测报害虫的自动识别与计数方法 |
WO2018048741A1 (en) * | 2016-09-08 | 2018-03-15 | Wal-Mart Stores, Inc. | Systems and methods for identifying pests in crop-containing areas via unmanned vehicles based on crop damage detection |
CN109034147A (zh) * | 2018-09-11 | 2018-12-18 | 上海唯识律简信息科技有限公司 | 基于深度学习和自然语言的光学字符识别优化方法和系统 |
CN109376733A (zh) * | 2018-08-13 | 2019-02-22 | 东南大学 | 一种基于车牌定位的道路救援装备正方位拖牵诱导方法 |
CN109410215A (zh) * | 2018-08-02 | 2019-03-01 | 北京三快在线科技有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
WO2019088519A1 (ko) * | 2017-10-30 | 2019-05-09 | 주식회사 엑스티엘 | 이미지 분석을 통한 해충 동정과 정보 모니터링 시스템 및 이를 이용한 모니터링 방법 |
-
2019
- 2019-06-06 CN CN201910492698.6A patent/CN110276280B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201503590U (zh) * | 2009-10-19 | 2010-06-09 | 河海大学 | 复杂场景下图像目标提取与识别装置 |
CN102103748A (zh) * | 2010-12-14 | 2011-06-22 | 西北工业大学 | 一种复杂背景下红外弱小目标检测和跟踪方法 |
CN103530643A (zh) * | 2013-10-11 | 2014-01-22 | 中国科学院合肥物质科学研究院 | 基于农作物行间自动识别技术的农药定位喷洒方法及系统 |
CN103886579A (zh) * | 2013-12-11 | 2014-06-25 | 西安交通大学 | 面向在线铁谱图像自动识别的磨粒链自适应分割方法 |
CN104021574A (zh) * | 2014-07-04 | 2014-09-03 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
CN104102920A (zh) * | 2014-07-15 | 2014-10-15 | 中国科学院合肥物质科学研究院 | 一种基于形态学多特征融合的害虫图像分类方法及系统 |
CN105354580A (zh) * | 2015-11-09 | 2016-02-24 | 中国农业大学 | 基于机器视觉的东亚飞蝗图像特征提取方法 |
WO2018048741A1 (en) * | 2016-09-08 | 2018-03-15 | Wal-Mart Stores, Inc. | Systems and methods for identifying pests in crop-containing areas via unmanned vehicles based on crop damage detection |
CN107292891A (zh) * | 2017-06-20 | 2017-10-24 | 华南农业大学 | 一种基于机器视觉的南方蔬菜重大害虫的检测计数方法 |
CN107563964A (zh) * | 2017-08-22 | 2018-01-09 | 长光卫星技术有限公司 | 大面阵亚米级夜景遥感影像的快速拼接方法 |
CN107578089A (zh) * | 2017-09-13 | 2018-01-12 | 中国水稻研究所 | 一种农作物灯诱测报害虫的自动识别与计数方法 |
WO2019088519A1 (ko) * | 2017-10-30 | 2019-05-09 | 주식회사 엑스티엘 | 이미지 분석을 통한 해충 동정과 정보 모니터링 시스템 및 이를 이용한 모니터링 방법 |
CN109410215A (zh) * | 2018-08-02 | 2019-03-01 | 北京三快在线科技有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN109376733A (zh) * | 2018-08-13 | 2019-02-22 | 东南大学 | 一种基于车牌定位的道路救援装备正方位拖牵诱导方法 |
CN109034147A (zh) * | 2018-09-11 | 2018-12-18 | 上海唯识律简信息科技有限公司 | 基于深度学习和自然语言的光学字符识别优化方法和系统 |
Non-Patent Citations (7)
Title |
---|
CHUNLEI XIA 等: "Automatic identification and counting of small size pests in greenhouse conditions with low computational cost", 《ECOLOGICAL INFORMATICS》 * |
JOHNNY L. MIRANDA 等: "Pest Detection and Extraction Using Image Processing Techniques", 《INTERNATIONAL JOURNAL OF COMPUTER AND COMMUNICATION ENGINEERING》 * |
姚畅 等: "病变视网膜图像血管网络的自动分割", 《电子学报》 * |
张晓露: "基于图像去噪技术的红外小目标检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王德发: "基于图像识别的储粮害虫检测", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
胡祝华 等: "基于图像处理技术的储粮害虫快速识别", 《安徽农业科学》 * |
马鹏鹏 等: "图像特征和样本量对水稻害虫识别结果的影响", 《中国水稻科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110276280B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11048940B2 (en) | Recognition of weed in a natural environment | |
CN109478232A (zh) | 自然环境中的杂草的识别 | |
CN109376728A (zh) | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 | |
CN103336966B (zh) | 一种应用于农业智能机械的杂草图像辨识方法 | |
CN109345491A (zh) | 一种融合梯度和灰度信息的遥感图像增强方法 | |
CN105989601A (zh) | 基于机器视觉的农业agv玉米行间导航基准线提取方法 | |
CN113192026A (zh) | 一种基于可见光图像的核桃成熟度检测与预测方法 | |
Shah et al. | Macro-nutrient deficiency identification in plants using image processing and machine learning | |
CN104504736B (zh) | 一种识别大田作物长势监控图像中绿色植物的方法及系统 | |
CN102542560A (zh) | 一种水稻移栽后密度自动检测的方法 | |
Wang et al. | Research on image capture technology of intelligent terminal and multi exposure fusion to improve the resilience of agriculture production systems | |
CN112329506A (zh) | 枸杞采摘机器人的果实识别方法及系统、定位方法及系统 | |
CN110363103A (zh) | 虫害识别方法、装置、计算机设备及存储介质 | |
CN110455201A (zh) | 基于机器视觉的茎秆作物高度测量方法 | |
CN110532935A (zh) | 一种大田作物表型信息高通量对等监测系统及监测方法 | |
CN113269690A (zh) | 一种叶片病变区域检测方法及系统 | |
CN110276280A (zh) | 一种农作物害虫图像自动识别的光学处理方法 | |
Yang et al. | Detection of maize navigation centerline based on machine vision | |
Wang et al. | A simplified pulse-coupled neural network for cucumber image segmentation | |
CN109712110B (zh) | 一种基于机器视觉的作物实时耗水量监测方法和装置 | |
CN102956032A (zh) | 一种目标模板的更新方法 | |
CN115862003A (zh) | 一种基于轻量化YOLOv5的在体苹果目标检测和分级方法 | |
CN109745220A (zh) | 一种眼科专用的眼部清洗系统及方法 | |
Di et al. | The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature | |
Santhosh Kumar et al. | Review on disease detection of plants using image processing and machine learning techniques |
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 |