CN110428374A - 一种小体积害虫自动检测方法及系统 - Google Patents
一种小体积害虫自动检测方法及系统 Download PDFInfo
- Publication number
- CN110428374A CN110428374A CN201910660393.1A CN201910660393A CN110428374A CN 110428374 A CN110428374 A CN 110428374A CN 201910660393 A CN201910660393 A CN 201910660393A CN 110428374 A CN110428374 A CN 110428374A
- Authority
- CN
- China
- Prior art keywords
- image
- pest
- sub
- area
- target pest
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 216
- 238000012360 testing method Methods 0.000 title claims abstract description 33
- 230000003044 adaptive effect Effects 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims description 73
- 238000000034 method Methods 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 241000238631 Hexapoda Species 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 241001124076 Aphididae Species 0.000 description 2
- 241000409991 Mythimna separata Species 0.000 description 2
- 241001414989 Thysanoptera Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Catching Or Destruction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种小体积害虫自动检测方法及系统,首先获取粘虫板区域图像,并对所述粘虫板区域图像进行分块,得到多个子块图像;然后提取每一子块图像中的所有显著区域,确定显著区域灰度图,并基于自适应阈值算法,将显著区域灰度图转换为第一类二值图像,将第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域;最后以目标害虫区域的中心为基准对子块图像进行自动裁剪,得到子块图像中与目标害虫区域对应的方块图像,并确定方块图像对应的一维特征向量;将一维特征向量输入到预设害虫识别模型中,输出目标害虫区域内的目标害虫种类,实现对粘虫板区域图像内目标害虫的准确识别。
Description
技术领域
本发明涉及农业害虫监测技术领域,更具体地,涉及一种小体积害虫自动检测方法及系统。
背景技术
在温室或田间害虫管理过程中,种植户进行害虫种群密度估计的一个主要方法是:依据粘虫板上的害虫分布情况对温室中虫情密度进行估计,从而实施精准、高效的害虫防治。具体做法是将粘虫板悬挂在温室植株的上方,根据害虫对特定颜色的趋向性将害虫引诱并粘附在粘虫板上,然后种植户定期对粘虫板上的害虫进行查看与数量统计。
但是由于温室或田间常发害虫粉虱、蓟马、蚜虫等的体积非常小,而且获取的粘虫板区域图像可能存在反光、光照不均等现象,增加了人工现场虫情统计的难度,当存在多个采集点时更是如此。而且在害虫高发期很容易由于现场查看劳动强度大而导致无法及时获取虫情信息,从而错过害虫防治的最佳时期,给农业生产带来重大的经济损失。
随着相机分辨率的提高以及图像处理技术的发展,使得使用计算机视觉技术代替人眼进行害虫的实时自动识别成为可能,提高害虫监测和预测预报的客观性和时效性,减轻基层植保人员的劳动强度。有研究人员提出了一种温室粘虫板害虫自动识别分类方法,该方法通过颜色特征进行边缘检测,对目标进行提取。一方面,上述方法考虑的是一种理想的条件,依然无法克服实际户外光线变化对图像采集质量的影响,将导致无法准确定位害虫位置,方法泛化能力弱。另一方面,上述方法认为粘虫板图像中所有目标都是靶标害虫,但是在实际诱捕过程中,其他昆虫、杂物都会粘附于粘虫板上,该方法并没有对干扰物进行剔除和分类,导致无法在实际中进行应用。
因此,现急需提供一种小体积害虫自动检测方法及系统。
发明内容
为克服上述问题,本发明实施例提供了一种小体积害虫自动检测方法及系统。
第一方面,本发明实施例提供了一种小体积害虫自动检测方法,包括:
获取粘虫板区域图像,并对所述粘虫板区域图像进行分块,得到多个子块图像;
对于每一子块图像,基于二维傅里叶变换和二维傅里叶逆变换,提取所述子块图像中的所有显著区域,确定显著区域灰度图,并基于自适应阈值算法,将所述显著区域灰度图转换为第一类二值图像,将所述第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域;
以所述目标害虫区域的中心为基准对所述子块图像进行裁剪,得到所述子块图像中与所述目标害虫区域对应的方块图像,并将所述方块图像转换为灰度图像,并确定所述方块图像对应的一维特征向量;
将所述一维特征向量输入到预设害虫识别模型中,由所述预设害虫识别模型输出所述方块图像内的目标害虫种类。
优选地,所述基于二维傅里叶变换和二维傅里叶逆变换,提取所述子块图像中的所有显著区域,并确定显著区域灰度图,具体包括:
基于二维傅里叶变换,获取所述子块图像的频率谱,并计算所述频率谱的幅值谱和相位谱;
确定所述幅值谱的对数谱并基于均值滤波器对所述幅值谱的对数谱进行滤波,获取所述子块图像中图像背景的对数谱;
基于所述幅值谱的对数谱以及所述图像背景的对数谱,确定所述子块图像中所有显著区域的对数谱;
基于所述所有显著区域的对数谱以及所述相位谱,通过二维傅里叶逆变换确定所述显著区域灰度图。
优选地,所述基于自适应阈值算法,将所述显著区域灰度图转换为第一类二值图像,具体包括:
基于自适应阈值算法,确定所述显著区域灰度图对应的最优二值化阈值;
基于所述最优二值化阈值,对所述显著区域灰度图进行二值化处理,将所述显著区域灰度图转换为第一类二值图像。
优选地,所述基于自适应阈值算法,确定所述显著区域灰度图对应的最优二值化阈值,具体用于:
绘制所述显著区域灰度图的灰度直方图,将所述灰度直方图中的峰值点与第一个零点进行连线,得到预设线段;
计算所述灰度直方图中除所述峰值点和所述第一个零点外的每一点到所述预设线段的距离;
选取到所述预设线段的距离最大的点对应的灰度值作为所述最优二值化阈值。
优选地,所述获取粘虫板区域图像,具体包括:
获取包含有粘虫板区域的源图像,并将所述源图像从RGB颜色空间转换到YCbCr空间;
提取所述源图像在所述YCbCr空间内的Cb分量图像,并将所述Cb分量图像转换为第二类二值图像;
将所述源图像与所述第二类二值图像进行数学相乘,获取所述粘虫板区域图像。
优选地,在将所述第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域之前,还包括:
基于所述第一类二值图像中每个显著区域所占的像素数,计算每个显著区域的面积。
优选地,所述预设害虫识别模型具体通过如下方法构建:
获取多个方块图像样本,所述方块图像样本中包含有不同类别的目标害虫;
将所述方块图像样本转换为灰度图像样本,并确定所述方块图像样本对应的一维特征向量;
将所述方块图像样本对应的一维特征向量作为输入、所述方块图像样本中目标害虫的类别作为输出对支持向量机分类器进行训练,得到所述预设害虫识别模型。
第二方面,本发明实施例提供了一种小体积害虫自动检测系统,包括:子块图像获取模块、目标害虫区域确定模块、一维特征向量确定模块和目标害虫种类识别模块。其中,
子块图像获取模块用于获取粘虫板区域图像,并对所述粘虫板区域图像进行分块,得到多个子块图像;
目标害虫区域确定模块,用于对于每一子块图像,基于二维傅里叶变换和二维傅里叶逆变换,提取所述子块图像中的所有显著区域,确定显著区域灰度图,并基于自适应阈值算法,将所述显著区域灰度图转换为第一类二值图像,将所述第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域;
一维特征向量确定模块,用于以所述目标害虫区域的中心为基准对所述子块图像进行裁剪,得到所述子块图像中与所述目标害虫区域对应的方块图像,并将所述方块图像转换为灰度图像,并确定所述方块图像对应的一维特征向量;
目标害虫种类识别模块,用于将所述一维特征向量输入到预设害虫识别模型中,由所述预设害虫识别模型输出所述方块图像内的目标害虫种类。
第三方面,本发明实施例提供了一种电子设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行第一方面提供的小体积害虫自动检测方法。
第四方面,本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面提供的小体积害虫自动检测方法。
本发明实施例提供的一种小体积害虫自动检测方法及系统,首先获取粘虫板区域图像,并对所述粘虫板区域图像进行分块,得到多个子块图像,设计了一种“化整为零”的图像处理方法,将粘虫板区域图像中的目标害虫放到较小的子块图像中能够提高目标害虫像素在子块图像中的面积比例,有助于提高目标害虫的探测精度。然后对于每一子块图像,基于二维傅里叶变换和二维傅里叶逆变换,提取所述子块图像中的所有显著区域,确定显著区域灰度图,并基于自适应阈值算法,将所述显著区域灰度图转换为第一类二值图像,将所述第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域,实现对目标害虫的定位。该方法独立于害虫的特征、种类以及其他的有关害虫的任何先验知识,能够对反光、光照不均等田间多样的环境条件具有很强的鲁棒性。而且针对显著区域灰度图的灰度直方图的单波峰特征,提出了一种自适应阈值算法,能够探测到灰度偏弱的目标害虫,提高目标害虫计数的准确率。最后以目标害虫区域的中心为基准对子块图像进行裁剪,得到子块图像中与目标害虫区域对应的方块图像,并将方块图像转换为灰度图像,并确定方块图像对应的一维特征向量;将一维特征向量输入到预设害虫识别模型中,由预设害虫识别模型输出方块图像内的目标害虫种类。最终可以实现对粘虫板区域图像内目标害虫的准确识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种小体积害虫自动检测方法的流程示意图;
图2为本发明实施例提供的一种害虫自动捕获装置的结构示意图;
图3为本发明实施例提供的一种小体积害虫自动检测方法中显著区域灰度图的灰度直方图;
图4为本发明实施例提供的一种小体积害虫自动检测系统的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,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作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。
如图1所示,本发明实施例提供了一种小体积害虫自动检测方法,包括:
S1,获取粘虫板区域图像,并对所述粘虫板区域图像进行分块,得到多个子块图像;
S2,对于每一子块图像,基于二维傅里叶变换和二维傅里叶逆变换,提取所述子块图像中的所有显著区域,确定显著区域灰度图,并基于自适应阈值算法,将所述显著区域灰度图转换为第一类二值图像,将所述第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域;
S3,以所述目标害虫区域的中心为基准对所述子块图像进行裁剪,得到所述子块图像中与所述目标害虫区域对应的方块图像,并将所述方块图像转换为灰度图像,并确定所述方块图像对应的一维特征向量;
S4,将所述一维特征向量输入到预设害虫识别模型中,由所述预设害虫识别模型输出所述方块图像内的目标害虫种类。
具体地,本发明实施例中提供的小体积害虫自动检测方法,主要是针对于小体积害虫进行自动检测,可以应用于田间以及温室内小体积害虫的自动检测,主要包括确定目标害虫区域以及对目标害虫区域内的目标害虫类别进行确定。其中,目标害虫可以是一类体积与其他害虫有较明显差异的害虫,目标害虫具体可以指小体积的害虫,小体积的害虫可以是粉虱、蓟马或蚜虫等。
本发明实施例中提供的小体积害虫自动检测方法中,需要获取的是粘虫板区域图像,即需要事先在目标区域内设置粘虫板,使粘虫板可以充分发挥捕获害虫的作用,在此基础上,采用本发明实施例中提供的小体积害虫自动检测方法,从粘虫板区域图像中确定出目标害虫种类,并进一步确定每一种类的目标害虫的数量,为后续对各种目标害虫的分析研究提供依据。
首先,本发明实施例中为实现小体积害虫的自动检测,提供了一种害虫自动捕获装置,如图2所示。害虫自动捕获装置包括:害虫诱捕单元21和机械单元;机械单元包括立式结构和横向伸缩杆22,立式结构包括立式伸缩杆23和支撑杆24,立式伸缩杆23和支撑杆24可伸缩连接,立式伸缩杆23和支撑杆24中心线重合。图2中立式伸缩杆23和支撑杆24通过伸缩结构25实现可伸缩连接,伸缩结构25的具体结构可以根据需要进行设计,本发明实施例中对此不作具体限定。横向伸缩杆22固定在立式伸缩杆23上,害虫诱捕单元21垂直固定在横向伸缩杆22的一端。害虫诱捕单元21包括透明背景板和粘虫板,透明背景板可以通过螺丝和螺母固定在横向伸缩杆22上,粘虫板通过铁夹子与透明背景板固定。
害虫自动捕获装置还包括:图像采集单元26和供电模块,图像采集单元26包括相机和通信模块。图像采集单元26通过螺母与立式伸缩杆23固定,图像采集单元26与粘虫板相对而立,相机定时对粘虫板进行图像采集,并通过通信模块传输到服务器。供电模块包括太阳能板271和蓄电池272,太阳能板271和蓄电池272连接,蓄电池272与图像采集单元26连接。太阳能板271固定在支撑杆24的最顶端,并可以通过弧形结构28调整其仰角度,保证太阳能板271与太阳光照角度保持90度,接收最强太阳能量。太阳能板271接收太阳光照,将太阳能转换为电能,持续为蓄电池272进行充电。蓄电池272作为能量池为图像采集单元进行电源供应。
立式结构可采用单柱钢材料设计,通过底座29固定于地面,单柱设计占用空间少,不影响在目标区域内作物行株之间进行农事操作;伸缩结构25可用于调整太阳能板271的高度,使太阳能板271在不同高度温室中最大限度地接收太阳能,立式伸缩杆23可以调节横向伸缩杆22的高度,使害虫诱捕单元21可以根据作物的生长高度作适应性调整,保证虫诱捕单元21处于诱捕目标害虫的最佳高度。横向伸缩杆22可以调节害虫诱捕单元21与图像采集单元26之间的距离,保证适用于不同大小的粘虫板以及使害虫诱捕单元21处于相机最佳焦距位置处,获取高质量图像。
本发明实施例中提供的害虫自动捕获装置,可以灵活地调节纵向高度与横向长度,保证太阳能板、害虫诱捕单元处于最佳的高度,保证图像采集单元与害虫诱捕单元处于最佳距离,获取高质量图像;另外该装置可以持续进行田间或温室害虫的自动捕获,适用于大规模田间作物的害虫实时监测,以及温室作物的害虫实时监测,缓解人工劳动强度,为小体积害虫自动检测提供源图像。
本发明实施例中提供的小体积害虫自动检测方法中,执行主体为服务器,服务器获取到粘虫板区域图像后,由于目标害虫在大尺度的粘虫板区域图像中容易被大面积的光照不均所淹没,降低目标害虫的探测精度。因此,本发明实施例中需要将粘虫板区域图像进行分块,将粘虫板区域图像进行均匀的小正方形分块,得到多个子块图像。把目标害虫放到小尺度的子块图像中,可以增加目标害虫像素的占有率,提高视觉清晰度与探测精度。
对于分块得到的每一子块图像,基于二维傅里叶变换和二维傅里叶逆变换,提取所述子块图像中的所有显著区域,确定显著区域灰度图。在子块图像中,与平缓变化的背景相比,害虫区域是一种新奇、突出的区域,即显著区域。因此,可以认为子块图像是由背景冗余信息和显著区域组成。基于二维傅里叶变换,可以实现子块图像从空间域转换到频率域,使子块图像的频谱减去背景信息频谱,即可获得显著区域频谱图,再基于二维傅里叶逆变换可以实现子块图像从频率域变换回空间域,即可获得显著区域灰度图。由于该方法无需提取的目标特征、类别和其他先验知识,能够适应于任何质量的子块图像,因此可以对田间复杂环境具有良好的鲁棒性。
得到子块图像中显著区域灰度图后,通过自适应阈值选取方法,将显著区域灰度图转换为第一类二值图像,将第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域。二值图像(Binary Image)是指将显著区域灰度图上的每一个像素变成只有两种可能的取值或灰度等级状态,即灰度等级只有两种,二值图像中的任何像素灰度值只能是0或者255,再无其他过渡的灰度值。本发明实施例中可以采用黑白、B&W、单色图像表示二值图像。作为优选方案,可以采用黑白图像表示二值图像。需要说明的是,第一类二值图像是指显著区域灰度图经二值化处理后转换得到的二值图像,目的仅仅是为了与后面Cb分量图像经二值化处理后转换得到的二值图像进行区分。
由于第一类二值图像中的所有显著区域表示的害虫不仅包括目标害虫,还包括一些大体积的干扰物以及比目标害虫体积小的噪声点。因此本发明实施例中可以基于目标害虫的预设面积,确定第一类二值图像中面积处于包含预设面积在内的预设范围内的显著区域,并将其作为目标害虫区域。具体可以将第一类二值图像中在预设范围外的显著区域滤除,即可确定出目标害虫区域,得到目标害虫的位置。
需要说明的是,此处的预设面积是目标害虫在粘虫板区域图像中所占的面积,可以根据经验值或实验数据确定,本发明实施例中对此不作具体限定。由于目标害虫具有多种,而且在不同的生产期其体积可能发生轻微的变化,因此,本发明实施例中设置预设范围,预设范围中包含有预设面积,该预设范围用于表征目标害虫的预设面积可能发生的变化范围。当某一显著区域的面积处于预设范围内,则表明该显著区域表示目标害虫区域;当某一显著区域的面积处于预设范围外,则表明该显著区域表示为除目标害虫外的其他害虫区域。
然后,以得到的每个目标害虫区域的中心为基准对子块图像进行裁剪,得到子块图像中与每个目标害虫区域对应的方块图像,并将每个方块图像转换为灰度图像,将灰度图像中所有像素的灰度值转换为一维特征向量,即确定出每个方块图像对应的一维特征向量。需要说明的是,在对子块图像进行裁剪时可以进行自动裁剪,以提高裁剪的准确性。
最后,将粘虫板区域图像中包含的所有方块图像对应的一维特征向量分别输入到预设害虫识别模型中,由预设害虫识别模型输出每个方块图像内的目标害虫种类。其中,预设害虫识别模型通过方块图像样本训练得到,方块图像样本中包含有已知类别的目标害虫。预设害虫识别模块具体可以采用支持向量机分类器实现。
本发明实施例中提供的小体积害虫自动检测方法,首先获取粘虫板区域图像,并对所述粘虫板区域图像进行分块,得到多个子块图像,设计了一种“化整为零”的图像处理方法,将粘虫板区域图像中的目标害虫放到较小的子块图像中能够提高目标害虫像素在子块图像中的面积比例,有助于提高目标害虫的探测精度。然后对于每一子块图像,基于二维傅里叶变换和二维傅里叶逆变换,提取所述子块图像中的所有显著区域,确定显著区域灰度图,并基于自适应阈值算法,将所述显著区域灰度图转换为第一类二值图像,将所述第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域,实现对目标害虫的定位。该方法独立于害虫的特征、种类以及其他的有关害虫的任何先验知识,能够对反光、光照不均等田间多样的环境条件具有很强的鲁棒性。而且针对显著区域灰度图的灰度直方图的单波峰特征,提出了一种自适应阈值算法,能够探测到灰度偏弱的目标害虫,提高目标害虫计数的准确率。最后以目标害虫区域的中心为基准对子块图像进行裁剪,得到子块图像中与目标害虫区域对应的方块图像,并将方块图像转换为灰度图像,并确定方块图像对应的一维特征向量;将一维特征向量输入到预设害虫识别模型中,由预设害虫识别模型输出目标害虫区域内的目标害虫种类。最终可以实现对粘虫板区域图像内目标害虫的准确识别。
在上述实施例的基础上,本发明实施例中提供的小体积害虫自动检测方法,所述基于二维傅里叶变换和二维傅里叶逆变换,提取所述子块图像中的所有显著区域,并确定显著区域灰度图,具体包括:
基于二维傅里叶变换,获取所述子块图像的频率谱,并计算所述频率谱的幅值谱和相位谱;
确定所述幅值谱的对数谱并基于均值滤波器对所述幅值谱的对数谱进行滤波,获取所述子块图像中图像背景的对数谱;
基于所述幅值谱的对数谱以及所述图像背景的对数谱,确定所述子块图像中所有显著区域的对数谱;
基于所述所有显著区域的对数谱以及所述相位谱,通过二维傅里叶逆变换确定所述显著区域灰度图。
具体地,本发明实施例中,在确定显著区域灰度图时,执行如下步骤:
1)首先通过二维傅里叶变换,将每一子块图像从空间域变换为频率域,获取每一子块图像的频率谱,并计算频率谱的幅值谱和相位谱,如公式(1)所示。
其中,I(r)为空间域的子块图像,表示位置r处的像素值,F为二维傅里叶变换,F[I(r)]为子块图像的频率谱,即频率域的子块图像,A(f)为频率谱的幅值谱,P(f)为频率谱的相位谱,f为频率域的频率。
2),通过公式(2)计算幅值谱的对数,得到幅值谱的对数谱。
L(f)=log(A(f)); (2)
其中,L(f)为幅值谱的对数谱。
3),基于均值滤波器,通过公式(3)对幅值谱的对数谱进行滤波,计算每一子块图像中图像背景的对数谱。
V(f)=hn(f)*L(f); (3)
其中,V(f)为每一子块图像中图像背景的对数谱,hn(f)为均值滤波器,具体可以是3×3的均值滤波器。
4),采用幅值谱的对数谱减去图像背景的对数谱,获得每一子块图像中显著区域的对数谱,如公式(4)所示。
R(f)=L(f)-V(f); (4)
其中,R(f)为每一子块图像中显著区域的对数谱。
5),基于所有显著区域的对数谱以及相位谱,通过二维傅里叶逆变换,将子块图像从频率域变换回空间域,得到子块图像中的显著区域灰度图,如公式(5)所示。
S(x)=F-1[exp(R(f)+iP(f))]2; (5)
其中,S(x)为每一子块图像中的显著区域灰度图,F-1为二维傅里叶逆变换。
在上述实施例的基础上,本发明实施例中提供的小体积害虫自动检测方法,所述基于自适应阈值算法,将所述显著区域灰度图转换为第一类二值图像,具体包括:
基于自适应阈值算法,确定所述显著区域灰度图对应的最优二值化阈值;
基于所述最优二值化阈值,对所述显著区域灰度图进行二值化处理,将所述显著区域灰度图转换为第一类二值图像。
在上述实施例的基础上,本发明实施例中提供的目标害虫自动识别分类方法,所述基于自适应阈值算法,确定所述显著区域灰度图对应的最优二值化阈值,具体用于:
绘制所述显著区域灰度图的灰度直方图,将所述灰度直方图中的峰值点与第一个零点进行连线,得到预设线段;
计算所述灰度直方图中除所述峰值点和所述第一个零点外的每一点到所述预设线段的距离;
选取到所述预设线段的距离最大的点对应的灰度值作为所述最优二值化阈值。
具体地,本发明实施例中,首先绘制显著区域灰度图的灰度直方图,如图3所示。显著区域灰度图的灰度直方图的横坐标为灰度值,用于表征灰度级,纵坐标为像素个数,用于表征显著区域灰度图中某一灰度级出现的频率。
然后,将灰度直方图中的峰值点与第一个零点进行连线,得到预设线段。峰值点即为像素个数的最大值对应的点,第一个零点即为像素个数第一次取零时对应的灰度值。如图3中的斜虚线所示。
然后,计算灰度直方图中除峰值点和第一个零点外的每一点到预设线段的距离。
最后,选取到预设线段的距离最大的点对应的灰度值作为最优二值化阈值。如图3所示,与预设线段最大的距离为d,对应的点的灰度值即为最优二值化阈值,即竖直虚线所示。
在上述实施例的基础上,本发明实施例中提供的小体积害虫自动检测方法,基于所述最优二值化阈值,对所述显著区域灰度图进行二值化处理,将所述显著区域灰度图转换为第一类二值图像时,所有显著区域以白色前景像素表示。
在上述实施例的基础上,本发明实施例中提供的小体积害虫自动检测方法,所述获取粘虫板区域图像,具体包括:
获取包含有粘虫板区域的源图像,并将所述源图像从RGB颜色空间转换到YCbCr空间;
提取所述源图像在所述YCbCr空间内的Cb分量图像,并将所述Cb分量图像转换为第二类二值图像;
将所述源图像与所述第二类二值图像进行数学相乘,获取所述粘虫板区域图像。
具体地,本发明实施例中,由于直接从图像采集单元获取的源图像中并不一定只有粘虫板区域,可能还包含部分背景,因此为了剔除背景对探测结果的影响,首先需要对源图像中的粘虫板区域进行分割提取,得到粘虫板区域图像。具体方法为:
1)获取包含有粘虫板区域的源图像,将源图像从RGB颜色空间转换到YCbCr空间;
2)提取源图像在YCbCr空间中的Cb分量图像;
3)将Cb分量图像转换为第二类二值图像;其中,转换方法可以选择大津法,得到的第二类二值图像可以为黑白二值图像;
4)通过得到的第二类二值图像与采集的源图像进行数学相乘处理,即可实现粘虫板区域图像的精确分割,得到粘虫板区域图像。
在上述实施例的基础上,本发明实施例中提供的小体积害虫自动检测方法,在将所述第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域之前,还包括:
基于所述第一类二值图像中每个显著区域所占的像素数,计算每个显著区域的面积。
具体地,本发明实施例中,在计算每个显著区域的面积时,可以先确定出第一类二值图像中每个像素的面积,以及每个显著区域中包含的像素数,然后将二者相乘即可得到每个显著区域的面积。
本发明实施例中提供的小体积害虫自动检测方法,通过将图像分解为背景冗余信息与图像显著信息,利用频谱变换方法,获取小体积目标害虫的位置,不需要知道和提取目标的颜色、形状特征、目标害虫类别以及其他先验知识,因此不受图像质量的影响,能够应对反光、光照不均等多样性环境下的目标害虫自动检测。
在上述实施例的基础上,本发明实施例中提供的小体积害虫自动检测方法,所述预设害虫识别模型具体通过如下方法构建:
获取多个方块图像样本,所述方块图像样本中包含有不同类别的目标害虫;
将所述方块图像样本转换为灰度图像样本,并确定所述方块图像样本对应的一维特征向量;
将所述方块图像样本对应的一维特征向量作为输入、所述方块图像样本中目标害虫的类别作为输出对支持向量机分类器进行训练,得到所述预设害虫识别模型。
具体地,本发明实施例中,在获取多个方块图像样本时,可以先采集多个源图像样本,源图像样本为RGB彩色图像。通过人工以每个源图像样本中的目标害虫为中心点对采集到的每个源图像样本分别进行裁剪,裁剪出的方块图像样本的尺寸均相同,且与上述对子块图像进行裁剪得到的方块图像的尺寸相同。每个源图像样本中均包括不同种类的目标害虫,因此裁剪得到的方块图像样本中的目标害虫种类可相同也可不同。然后,将裁剪得到的所有方块图像样本分别转换为灰度图像样本,并将灰度图像样本中所有像素的灰度值转换为一维特征向量,确定出每个方块图像样本对应的一维特征向量。最后将方块图像样本对应的一维特征向量作为输入、方块图像样本中目标害虫的类别作为输出对支持向量机分类器进行训练,得到预设害虫识别模型。得到预设害虫识别模型时,训练结束,结束的条件可以是支持向量机分类器达到预设分类准确率,预设分类准确率可以根据需要进行设定,本发明实施例中对此不作具体限定。
如图4,在上述实施例的基础上,本发明实施例中提供了一种小体积害虫自动检测系统,包括:子块图像获取模块41、目标害虫区域确定模块42、一维特征向量确定模块43和目标害虫种类识别模块44。其中,
子块图像获取模块41用于获取粘虫板区域图像,并对所述粘虫板区域图像进行分块,得到多个子块图像;
目标害虫区域确定模块42用于对于每一子块图像,基于二维傅里叶变换和二维傅里叶逆变换,提取所述子块图像中的所有显著区域,确定显著区域灰度图,并基于自适应阈值算法,将所述显著区域灰度图转换为第一类二值图像,将所述第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域;
一维特征向量确定模块43用于以所述目标害虫区域的中心为基准对所述子块图像进行裁剪,得到所述子块图像中与所述目标害虫区域对应的方块图像,并将所述方块图像转换为灰度图像,并确定所述方块图像对应的一维特征向量;
目标害虫种类识别模块44用于将所述一维特征向量输入到预设害虫识别模型中,由所述预设害虫识别模型输出所述方块图像内的目标害虫种类。
具体地,本发明实施例中提供的小体积害虫自动检测系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,本发明实施例中对此不再赘述。
如图5所示,在上述实施例的基础上,本发明实施例中提供了一种电子设备,包括:处理器(processor)501、存储器(memory)502、通信接口(Communications Interface)503和总线504;其中,
所述处理器501、存储器502、通信接口503通过总线504完成相互间的通信。所述存储器502存储有可被所述处理器501执行的程序指令,处理器501用于调用存储器502中的程序指令,以执行上述各方法实施例所提供的方法。
存储器502中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例的基础上,本发明实施例中提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于上述理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种小体积害虫自动检测方法,其特征在于,包括:
获取粘虫板区域图像,并对所述粘虫板区域图像进行分块,得到多个子块图像;
对于每一子块图像,基于二维傅里叶变换和二维傅里叶逆变换,提取所述子块图像中的所有显著区域,确定显著区域灰度图,并基于自适应阈值算法,将所述显著区域灰度图转换为第一类二值图像,将所述第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域;
以所述目标害虫区域的中心为基准对所述子块图像进行裁剪,得到所述子块图像中与所述目标害虫区域对应的方块图像,并将所述方块图像转换为灰度图像,并确定所述方块图像对应的一维特征向量;
将所述一维特征向量输入到预设害虫识别模型中,由所述预设害虫识别模型输出所述方块图像内的目标害虫种类。
2.根据权利要求1所述的小体积害虫自动检测方法,其特征在于,所述基于二维傅里叶变换和二维傅里叶逆变换,提取所述子块图像中的所有显著区域,并确定显著区域灰度图,具体包括:
基于二维傅里叶变换,获取所述子块图像的频率谱,并计算所述频率谱的幅值谱和相位谱;
确定所述幅值谱的对数谱并基于均值滤波器对所述幅值谱的对数谱进行滤波,获取所述子块图像中图像背景的对数谱;
基于所述幅值谱的对数谱以及所述图像背景的对数谱,确定所述子块图像中所有显著区域的对数谱;
基于所述所有显著区域的对数谱以及所述相位谱,通过二维傅里叶逆变换确定所述显著区域灰度图。
3.根据权利要求1所述的小体积害虫自动检测方法,其特征在于,所述基于自适应阈值算法,将所述显著区域灰度图转换为第一类二值图像,具体包括:
基于自适应阈值算法,确定所述显著区域灰度图对应的最优二值化阈值;
基于所述最优二值化阈值,对所述显著区域灰度图进行二值化处理,将所述显著区域灰度图转换为第一类二值图像。
4.根据权利要求3所述的小体积害虫自动检测方法,其特征在于,所述基于自适应阈值算法,确定所述显著区域灰度图对应的最优二值化阈值,具体用于:
绘制所述显著区域灰度图的灰度直方图,将所述灰度直方图中的峰值点与第一个零点进行连线,得到预设线段;
计算所述灰度直方图中除所述峰值点和所述第一个零点外的每一点到所述预设线段的距离;
选取到所述预设线段的距离最大的点对应的灰度值作为所述最优二值化阈值。
5.根据权利要求1所述的小体积害虫自动检测方法,其特征在于,所述获取粘虫板区域图像,具体包括:
获取包含有粘虫板区域的源图像,并将所述源图像从RGB颜色空间转换到YCbCr空间;
提取所述源图像在所述YCbCr空间内的Cb分量图像,并将所述Cb分量图像转换为第二类二值图像;
将所述源图像与所述第二类二值图像进行数学相乘,获取所述粘虫板区域图像。
6.根据权利要求1-5中任一项所述的小体积害虫自动检测方法,其特征在于,在将所述第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域之前,还包括:
基于所述第一类二值图像中每个显著区域所占的像素数,计算每个显著区域的面积。
7.根据权利要求1-5中任一项所述的小体积害虫自动检测方法,其特征在于,所述预设害虫识别模型具体通过如下方法构建:
获取多个方块图像样本,所述方块图像样本中包含有不同类别的目标害虫;
将所述方块图像样本转换为灰度图像样本,并确定所述方块图像样本对应的一维特征向量;
将所述方块图像样本对应的一维特征向量作为输入、所述方块图像样本中目标害虫的类别作为输出对支持向量机分类器进行训练,得到所述预设害虫识别模型。
8.一种小体积害虫自动检测系统,其特征在于,包括:
子块图像获取模块,用于获取粘虫板区域图像,并对所述粘虫板区域图像进行分块,得到多个子块图像;
目标害虫区域确定模块,用于对于每一子块图像,基于二维傅里叶变换和二维傅里叶逆变换,提取所述子块图像中的所有显著区域,确定显著区域灰度图,并基于自适应阈值算法,将所述显著区域灰度图转换为第一类二值图像,将所述第一类二值图像中面积处于预设范围内的显著区域作为目标害虫区域;
一维特征向量确定模块,用于以所述目标害虫区域的中心为基准对所述子块图像进行裁剪,得到所述子块图像中与所述目标害虫区域对应的方块图像,并将所述方块图像转换为灰度图像,并确定所述方块图像对应的一维特征向量;
目标害虫种类识别模块,用于将所述一维特征向量输入到预设害虫识别模型中,由所述预设害虫识别模型输出所述方块图像内的目标害虫种类。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行如权利要求1-7中任一项所述的小体积害虫自动检测方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1-7中任一项所述的小体积害虫自动检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910660393.1A CN110428374B (zh) | 2019-07-22 | 2019-07-22 | 一种小体积害虫自动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910660393.1A CN110428374B (zh) | 2019-07-22 | 2019-07-22 | 一种小体积害虫自动检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110428374A true CN110428374A (zh) | 2019-11-08 |
CN110428374B CN110428374B (zh) | 2021-08-03 |
Family
ID=68411513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910660393.1A Active CN110428374B (zh) | 2019-07-22 | 2019-07-22 | 一种小体积害虫自动检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428374B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178354A (zh) * | 2019-12-23 | 2020-05-19 | 深圳市铁汉生态环境股份有限公司 | 一种红树林害虫监测方法以及系统 |
CN112861767A (zh) * | 2021-02-26 | 2021-05-28 | 北京农业信息技术研究中心 | 一种粘虫板图像上小体积害虫检测方法及系统 |
CN114782682A (zh) * | 2022-06-20 | 2022-07-22 | 西安道法数器信息科技有限公司 | 基于神经网络的农业害虫图像智能识别方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968782A (zh) * | 2012-09-12 | 2013-03-13 | 苏州大学 | 一种彩色图像中显著对象的自动抠取方法 |
CN103034865A (zh) * | 2012-12-13 | 2013-04-10 | 南京航空航天大学 | 一种基于多尺度相对熵的视觉显著区域提取方法 |
CN103729848A (zh) * | 2013-12-28 | 2014-04-16 | 北京工业大学 | 基于光谱显著性的高光谱遥感图像小目标检测方法 |
CN104573699A (zh) * | 2015-01-21 | 2015-04-29 | 中国计量学院 | 基于中等场强磁共振解剖成像的实蝇识别方法 |
CN105809632A (zh) * | 2014-12-31 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 从预定农作物的雷达影像去除噪声的方法 |
CN105938564A (zh) * | 2016-04-29 | 2016-09-14 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及系统 |
CN105954281A (zh) * | 2016-04-21 | 2016-09-21 | 南京农业大学 | 一种稻谷霉变真菌菌落无损识别的方法 |
CN106056115A (zh) * | 2016-05-25 | 2016-10-26 | 西安科技大学 | 一种非均匀背景下的红外小目标检测方法 |
WO2016170180A1 (en) * | 2015-04-24 | 2016-10-27 | Université Libre de Bruxelles | Analysis method of blood platelets aggregate |
CN106373135A (zh) * | 2015-07-22 | 2017-02-01 | 崔胡晋 | 一种基于颜色的害虫识别计数方法 |
CN106971160A (zh) * | 2017-03-23 | 2017-07-21 | 西京学院 | 基于深度卷积神经网络和病害图像的冬枣病害识别方法 |
CN107316297A (zh) * | 2017-07-07 | 2017-11-03 | 山东商务职业学院 | 食用油杂质的视觉检测方法 |
CN107403433A (zh) * | 2016-05-20 | 2017-11-28 | 南京理工大学 | 一种复杂云背景下红外小目标检测方法 |
CN107609600A (zh) * | 2017-09-27 | 2018-01-19 | 北京农业信息技术研究中心 | 一种温室粘虫板害虫自动识别分类方法及系统 |
CN107644210A (zh) * | 2017-09-22 | 2018-01-30 | 哈尔滨工业大学(威海) | 基于图像处理的微生物数量估算方法 |
-
2019
- 2019-07-22 CN CN201910660393.1A patent/CN110428374B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968782A (zh) * | 2012-09-12 | 2013-03-13 | 苏州大学 | 一种彩色图像中显著对象的自动抠取方法 |
CN103034865A (zh) * | 2012-12-13 | 2013-04-10 | 南京航空航天大学 | 一种基于多尺度相对熵的视觉显著区域提取方法 |
CN103729848A (zh) * | 2013-12-28 | 2014-04-16 | 北京工业大学 | 基于光谱显著性的高光谱遥感图像小目标检测方法 |
CN105809632A (zh) * | 2014-12-31 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 从预定农作物的雷达影像去除噪声的方法 |
CN104573699A (zh) * | 2015-01-21 | 2015-04-29 | 中国计量学院 | 基于中等场强磁共振解剖成像的实蝇识别方法 |
WO2016170180A1 (en) * | 2015-04-24 | 2016-10-27 | Université Libre de Bruxelles | Analysis method of blood platelets aggregate |
CN106373135A (zh) * | 2015-07-22 | 2017-02-01 | 崔胡晋 | 一种基于颜色的害虫识别计数方法 |
CN105954281A (zh) * | 2016-04-21 | 2016-09-21 | 南京农业大学 | 一种稻谷霉变真菌菌落无损识别的方法 |
CN105938564A (zh) * | 2016-04-29 | 2016-09-14 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及系统 |
CN107403433A (zh) * | 2016-05-20 | 2017-11-28 | 南京理工大学 | 一种复杂云背景下红外小目标检测方法 |
CN106056115A (zh) * | 2016-05-25 | 2016-10-26 | 西安科技大学 | 一种非均匀背景下的红外小目标检测方法 |
CN106971160A (zh) * | 2017-03-23 | 2017-07-21 | 西京学院 | 基于深度卷积神经网络和病害图像的冬枣病害识别方法 |
CN107316297A (zh) * | 2017-07-07 | 2017-11-03 | 山东商务职业学院 | 食用油杂质的视觉检测方法 |
CN107644210A (zh) * | 2017-09-22 | 2018-01-30 | 哈尔滨工业大学(威海) | 基于图像处理的微生物数量估算方法 |
CN107609600A (zh) * | 2017-09-27 | 2018-01-19 | 北京农业信息技术研究中心 | 一种温室粘虫板害虫自动识别分类方法及系统 |
Non-Patent Citations (3)
Title |
---|
CHUNLEIXIA 等: "Automatic identification and counting of small size pests in greenhouse conditions with low computational cost", 《ECOLOGICAL INFORMATICS》 * |
WENYONG LI 等: "Automated Counting of Sex-Pheromone Attracted Insects Using Trapped Images", 《CCTA 2017: COMPUTER AND COMPUTING TECHNOLOGIES IN AGRICULTURE》 * |
杨信廷 等: "自动监测装置用温室粉虱和蓟马成虫图像分割识别算法", 《农业工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178354A (zh) * | 2019-12-23 | 2020-05-19 | 深圳市铁汉生态环境股份有限公司 | 一种红树林害虫监测方法以及系统 |
CN111178354B (zh) * | 2019-12-23 | 2024-02-27 | 中节能铁汉生态环境股份有限公司 | 一种红树林害虫监测方法以及系统 |
CN112861767A (zh) * | 2021-02-26 | 2021-05-28 | 北京农业信息技术研究中心 | 一种粘虫板图像上小体积害虫检测方法及系统 |
CN114782682A (zh) * | 2022-06-20 | 2022-07-22 | 西安道法数器信息科技有限公司 | 基于神经网络的农业害虫图像智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110428374B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292298B (zh) | 基于卷积神经网络和分类器模型的牛脸识别方法 | |
Woźniak et al. | Adaptive neuro-heuristic hybrid model for fruit peel defects detection | |
CN110428374A (zh) | 一种小体积害虫自动检测方法及系统 | |
CN110427922A (zh) | 一种基于机器视觉和卷积神经网络病虫害识别系统和方法 | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN109766856B (zh) | 一种双流RGB-D Faster R-CNN识别哺乳母猪姿态的方法 | |
CN109784378A (zh) | 一种基于机器视觉的水下捕鱼方法 | |
Xu et al. | Recognition method for apple fruit based on SUSAN and PCNN | |
CN109740721A (zh) | 麦穗计数方法及装置 | |
CN109034184A (zh) | 一种基于深度学习的均压环检测识别方法 | |
CN107437068A (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
CN113222959B (zh) | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 | |
CN105046202B (zh) | 自适应的人脸识别光照处理方法 | |
CN112749654A (zh) | 一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置 | |
CN108664839A (zh) | 一种图像处理方法和设备 | |
US11978210B1 (en) | Light regulation method, system, and apparatus for growth environment of leafy vegetables | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm | |
Biswas et al. | Microscopic image contrast and brightness enhancement using multi-scale retinex and cuckoo search algorithm | |
CN109190571A (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 | |
CN116543386A (zh) | 一种基于卷积神经网络的农业病虫害图像识别方法 | |
CN116012700A (zh) | 一种基于YOLO-v5的鱼病实时检测系统 | |
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 | |
CN113627558A (zh) | 鱼类图像识别方法、系统及设备 | |
CN112883915A (zh) | 一种基于迁移学习的麦穗自动识别方法和系统 |
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 |