CN110544237A - 基于图像分析的油茶病虫害模型训练方法和识别方法 - Google Patents
基于图像分析的油茶病虫害模型训练方法和识别方法 Download PDFInfo
- Publication number
- CN110544237A CN110544237A CN201910719779.5A CN201910719779A CN110544237A CN 110544237 A CN110544237 A CN 110544237A CN 201910719779 A CN201910719779 A CN 201910719779A CN 110544237 A CN110544237 A CN 110544237A
- Authority
- CN
- China
- Prior art keywords
- image
- pest
- tea
- disease
- leaves
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于图像分析的油茶病虫害模型训练方法和识别方法,所述的方法包括获得含有原始病虫害信息的叶片图像;对叶片图像进行切分处理,保留病斑的叶片区域,精确地获得病斑区域的图像,该切分可以是根据病虫害疾病类型进行分割,还可以是根据同一种病虫害的不同发病期进行图像切分。对切分后的图像进行标记处理,提交神经网络训练;利用该神经网络进行病虫害识别。本发明将含有病虫害叶片图像进一步的精确化切分处理,神经网络训练提取的颜色特征、纹理特征和形态等信息更为准确,精准度高,对于科学、准确地防治病虫害具有良好的促进作用。
Description
技术领域
本发明涉及智能农林技术领域,具体涉及到基于图像分析的油茶病虫害识别方法。
背景技术
病虫害对农林业的影响很大,油茶树是重要的经济作物,然而其容易发生病虫害,包括炭疽病、油茶软腐病、油茶煤污病、油茶白绢病等,病虫害会导致减产、品质降低等一系列问题,长期大量使用农药、化肥等容易导致环境污染,影响生态平衡。
因此合理安全地使用化肥、农药等是目前非常重要的研究,保证既可以有效地消灭农作物的病虫害,又能够合理的使用农药。其中非常关键的技术就是必须精确地获知农林作物的生长状态信息和受害的病种信息等,当准确地获知到受害的病种信息后,可以更优针对性地选择科学、高效的病虫害防治方法。在现代信息技术的推动下,依靠数字图像处理和分析、统计分析识别等准确、快捷地识别植物的健康状态、病虫害状态意义重大。
传统的油茶作物识别方法,将采集得到的照片经过处理后,提交给神经网络训练得到一个分类器,当用户上传病害图像时,根据训练得到的分类器对病害种类进行识别。油茶病虫害自动识别模型的建立,需要大量的样本数据,来训练识别模型,样本数据处理方法和分类方法的不同,会形成不同的识别模型。目前的方法将采集得到的照片处理得到一个整片叶子进行神经网络训练。然而该方法的精准度、样本的完备性仍然不够高,在一片叶子上,可以存在着多种病症的图像状态,也可能存在着同一病虫害的不同发病期,如炭疽病的早期、中期和后期。对于不同的发病期,选择的防治方法如农药浓度、种类等都会有所不同,目前的研究还没有做到对样本分类的更加的精细。且目前的病害虫图像往往图像少、背景复杂、目标区域占比少。更好的分类精度,训练的样本集就越完备,就更有利于精确地判断农作物的生长状态和病虫害信息。
发明内容
基于现有技术中存在的问题,本发明提供一种基于图像分析的油茶病虫害识别方法和模型训练方法,本发明的技术方案如下。
基于图像分析的油茶病虫害模型训练方法,包括如下的步骤:
(1)利用图像采集设备对茶油树叶进行拍照和保存,收集含有原始病虫害的叶片图像;
(2)对图像进行切分处理,所述的切分处理是指保留病斑的叶片区域,且该区域无其他影响识别的病斑,精确地获得病斑区域的图像;
(3)对切分处理后的图像进行标记处理,标记分类、分类存放;所述的标记内容包括病害种类、发病阶段、防治方法等,并对图像进行进一步的预处理构成数据集;
(4)提交神经网络训练。
切分处理包括:
X1,对第一张茶油树叶进行拍照处理,获取所述茶油树叶的原始图像;将该原始图像发送到边缘计算设备,对原始图像进行四通道化处理,得到每个像素点的四通道参数,并计算该片茶油树叶的图像的四通道算术平均值【A1,R1,G1,B1】,其中,A表示Alpha通道的分量,R、G、B表示三颜色的分量;
X2,拍摄第二张茶油树叶(与X1步骤中的茶油树叶不同的另一张茶油树叶),获取该茶油树叶的原始图像;将该原始图像发送到边缘计算设备,对原始图像进行四通道化处理,得到每个像素点的四通道参数,并计算该片茶油树叶的图像的四通道算术平均值【A2,R2,G2,B2】;
X3,拍摄第i张不同的茶油树叶,将拍摄得到的该茶油树叶的原始图像发送到边缘计算设备,将该原始图像发送到边缘计算设备,对原始图像进行四通道化处理,得到每个像素点的四通道参数,并计算该片茶油树叶的图像的四通道算术平均值【Ai,Ri,Gi,Bi】;其中,i为大于2的自然数;
X4,重复步骤步骤X3,得到第n张茶油树叶的四通道算术平均值【An,Rn,Gn,Bn】,其中,n为大于i的自然数,且n大于等于100;
X5,对所有得到的n个四通道算术平均值中的每个通道的数值进行正态分布统计,取其中的68%,得到最终区间【[Amin,Amax],[Rmin,Rmax],[Gmin,Gmax],[Bmin,Bmax]】;
X6,对待识别茶油树叶进行四通道化处理,得到每个像素点的四通道参数【A,R,G,B】,将每个像素点的四通道参数值发送到边缘计算设备,并与所述步骤X5中的最终区间进行对比:
若每个像素点的四通道参数数值均落入到所述第一最终区间内, 则表示该茶油树叶为良好树叶;
若其中Alpha通道参数处于所述步骤X5的Alpha通道参数[Amin,Amax]之外,则表示该茶油树叶为不具备测量意义的茶油树叶;
若其中Alpha通道参数处于所述步骤X5的Alpha通道参数[Amin,Amax]之内,且其余三个通道的数值中至少有一个通道的数值处于所述步骤X5中的该三个通道的数值范围之外,则统计所有处于该三个通道的数值范围之外的所有的异样像素点,并记录所有异样像素点的位置,以所有异样像素点为圆心,以至多K个像素点之间的距离为半径进行圆处理,得到所有的异样圆,并叠加所有的异样圆,得到叠加区域,在边缘计算设备中的原始带识别茶油树叶的图像中切分出该叠加区域,得到精确地病斑区域的图像。
所述的步骤(1)可以是手机、照相机、摄像机或物联网设备,所述的茶油树叶是含有病虫害信息的叶片。
所述的步骤(2)切分处理是指将收集得到的包括病虫害信息的叶片图像进行分割处理,获得独立地含有特定病虫害信息的图像。所述的切分可以是将不同类型的病虫害疾病进行分割,还可以是对同一种病虫害的不同阶段进行切割,对切割后的每一种病虫害信息进行标记,也可以使按照上述的边缘计算的统一切分。
所述的步骤(3)中图像预处理可以是尺寸重定义、归一化、灰度转换、图像增强、利用滤波进行去噪、消光处理、消除背景影响等。
所述的步骤(4)提交神经网络训练包括利用数据集中的样本进行神经网络训练,检测各种形状、尺寸的病斑和虫害,并利用数据集中的样本进行测试,得到训练好的神经网络。
本发明还包括基于图像分析的病虫害识别方法,包括如下的步骤:
(1)利用图像采集设备对含有病斑的叶片进行采集;
(2)获取目标油茶树叶片的图像,图像包括呈现病虫害状态的叶片,对图像进行进一步的预处理,包括去噪、消光、消除背景影响;
(3)对叶片上的病虫害进行切分处理,切分得到的每一个图像包括特定的病虫害信息,所述的切分是指根据病虫害类型不同对叶片进行切割,还可以是对同一种病虫害的不同阶段进行叶片切割,精确地获得病斑区域的图像;
(4)对图像进行归一化、去噪处理,然后利用训练好的神经网络进行特征的提取,再进行特征分类,确定出目标图像匹配的样本分类信息,得到病虫害的分类结果。
进一步地,所述的步骤(4)中样本分类信息通过神经网络模型训练得到,所述的神经网络模型分类结果信息包括病虫害信息、发病阶段、科学地防治方案。
进一步地,所述的步骤(4)还可以包括收集反馈信息,对茶油病害虫防治方案推荐系统进行修正,因而优化神经网络系统。所述的步骤(4)去噪包括消除背景区域对病斑的影响,包括土地、光线、颜色。
本发明所述的基于图像分析的病虫害识别方法还可以基于物联网实现快速识别,通过手机端或电脑端或平板电脑端发出含有病虫害叶片的照片信息,并接受反馈的病虫害信息、发病阶段信息、防治方案。
本发明将含有病虫害叶片图像进一步的精确化切分处理,神经网络训练提取的颜色特征、纹理特征和形态等信息更为准确,经过训练后神经网络模型识别的准确度高,对于科学、准确地防治病虫害具有良好的促进作用。
具体实施方式
为使发明的目的、技术方案和优点更加清楚,下面发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是发明一部分实施例,而不是全部的实施例。基于发明中的实施例,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,都属于发明保护的范围。
实施例1
基于图像分析的油茶炭疽病虫害模型训练方法,包括如下的步骤:
(1)利用手机、相机等图像采集设备对茶油树叶进行拍照和保存,收集含有原始病虫害的叶片图像;
(2)对图像进行切分处理,所述的切分处理是指保留病斑的叶片区域,且该区域无其他影响识别的病斑,精确地获得病斑区域的图像(独立地含有特定病虫害信息的图像);分割可以依据不同类型的病虫害疾病进行分割,还可以是对同一种病虫害的不同阶段进行切割,对切割后的每一种病虫害信息进行标记。
(3)对切分处理后的图像进行标记处理,标记分类、分类存放;所述的标记内容包括病害种类、发病阶段、防治方法等,并对图像进行进一步的归一化、去噪和消光等处理,构成数据集;
(4)提交神经网络训练,包括利用数据集中的样本进行神经网络训练,检测各种形状、尺寸的病斑和虫害,并利用数据集中的样本进行测试,得到训练好的神经网络。
实施例2
基于图像分析的病虫害识别方法,包括如下的步骤:
(1)利用图像采集设备对含有病斑的叶片进行采集,记录好采集时的天气等情况;
(2)获取目标油茶树叶片的图像,图像包括呈现病虫害状态的叶片,对图像进行进一步的预处理,包括去噪、消光、消除背景影响;
(3)对叶片上的病虫害进行切分处理,切分得到的每一个图像包括特定的病虫害信息,所述的切分是指根据病虫害类型不同对叶片进行切割,还可以是对同一种病虫害的不同阶段进行叶片切割,精确地获得病斑区域的图像;
(4)对图像进行归一化、去噪处理,然后利用训练好的神经网络进行特征的提取,图像特征提取,对接收到的图像的每个点进行运算,检测该点属于颜色特征、纹理特征和形态特征中的哪一种;图像特征提取的方法是首先对图像的颜色特征、纹理特征和形态特征进行提取,将提取出到的三种特征向量进行特征融合。再进行特征分类,确定出目标图像匹配的样本分类信息,得到病虫害的分类结果;所述的神经网络是实施例1训练得到的神经网络模型;且还可以进一步的收集反馈信息,包括对病虫害防治方案的修正、病虫害的形态等,进而优化神经网络系统。
实施例3
在实施例1和2的基础上,申请人根据大数据的方式,对上述的切分处理进行处理,具体的:
由于每个照片像素数量巨大,拍照设备对其计算会非常缓慢,因此,本申请采用边缘计算的方式,即将所拍摄的照片发送到边缘计算设备中进行边缘计算。
切分处理包括:
X1,对第一张茶油树叶进行拍照处理,获取所述茶油树叶的原始图像;将该原始图像发送到边缘计算设备,对原始图像进行四通道化处理,得到每个像素点的四通道参数,并计算该片茶油树叶的图像的四通道算术平均值【A1,R1,G1,B1】,其中,A表示Alpha通道的分量,R、G、B表示三颜色的分量;
X2,拍摄第二张茶油树叶(与X1步骤中的茶油树叶不同的另一张茶油树叶),获取该茶油树叶的原始图像;将该原始图像发送到边缘计算设备,对原始图像进行四通道化处理,得到每个像素点的四通道参数,并计算该片茶油树叶的图像的四通道算术平均值【A2,R2,G2,B2】;
X3,拍摄第i张不同的茶油树叶,将拍摄得到的该茶油树叶的原始图像发送到边缘计算设备,将该原始图像发送到边缘计算设备,对原始图像进行四通道化处理,得到每个像素点的四通道参数,并计算该片茶油树叶的图像的四通道算术平均值【Ai,Ri,Gi,Bi】;其中,i为大于2的自然数;
X4,重复步骤步骤X3,得到第n张茶油树叶的四通道算术平均值【An,Rn,Gn,Bn】,其中,n为大于i的自然数,且n大于等于100;
X5,对所有得到的n个四通道算术平均值中的每个通道的数值进行正态分布统计,取其中的68%,得到最终区间【[Amin,Amax],[Rmin,Rmax],[Gmin,Gmax],[Bmin,Bmax]】;(68%为正态分布分布集中区域,在这里去该集中区域进行对比);
X6,对待识别茶油树叶进行四通道化处理,得到每个像素点的四通道参数【A,R,G,B】,将每个像素点的四通道参数值发送到边缘计算设备,并与所述步骤X5中的最终区间进行对比:
若每个像素点的四通道参数数值均落入到所述第一最终区间内, 则表示该茶油树叶为良好树叶;
若其中Alpha通道参数处于所述步骤X5的Alpha通道参数[Amin,Amax]之外,则表示该茶油树叶为不具备测量意义的茶油树叶;
若其中Alpha通道参数处于所述步骤X5的Alpha通道参数[Amin,Amax]之内,且其余三个通道的数值中至少有一个通道的数值处于所述步骤X5中的该三个通道的数值范围之外,则统计所有处于该三个通道的数值范围之外的所有的异样像素点,并记录所有异样像素点的位置,以所有异样像素点为圆心,以至多K个像素点之间的距离为半径进行圆处理,得到所有的异样圆,并叠加所有的异样圆,得到叠加区域,在边缘计算设备中的原始带识别茶油树叶的图像中切分出该叠加区域,得到精确地病斑区域的图像。
根据上述说明书的揭示和教导,本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此,本发明并不局限于上面揭示和描述的具体实施方式,对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外,尽管本说明书中使用了一些特定的术语,但这些术语只是为了方便说明,并不对本发明构成任何限制。
Claims (10)
1.一种基于图像分析的油茶病虫害模型训练方法,其特征在于包括如下的步骤:
(1)利用图像采集设备对茶油树叶进行拍照和保存,收集含有原始病虫害图像;
(2)对图像进行切分处理,所述的切分处理是指保留病斑的叶片区域,精确地获得病斑区域的图像;
(3)对切分处理后的图像进行标记处理,所述的标记内容包括病害种类、发病阶段、防治方法,并对图像进行进一步的预处理构成数据集;
(4)提交神经网络训练。
2.根据权利要求1所述的基于图像分析的油茶病虫害模型训练方法,其特征在于:切分处理包括:
X1,对第一张茶油树叶进行拍照处理,获取所述茶油树叶的原始图像;将该原始图像发送到边缘计算设备,对原始图像进行四通道化处理,得到每个像素点的四通道参数,并计算该片茶油树叶的图像的四通道算术平均值【A1,R1,G1,B1】,其中,A表示Alpha通道的分量,R、G、B表示三颜色的分量;
X2,拍摄第二张茶油树叶(与X1步骤中的茶油树叶不同的另一张茶油树叶),获取该茶油树叶的原始图像;将该原始图像发送到边缘计算设备,对原始图像进行四通道化处理,得到每个像素点的四通道参数,并计算该片茶油树叶的图像的四通道算术平均值【A2,R2,G2,B2】;
X3,拍摄第i张不同的茶油树叶,将拍摄得到的该茶油树叶的原始图像发送到边缘计算设备,将该原始图像发送到边缘计算设备,对原始图像进行四通道化处理,得到每个像素点的四通道参数,并计算该片茶油树叶的图像的四通道算术平均值【Ai,Ri,Gi,Bi】;其中,i为大于2的自然数;
X4,重复步骤步骤X3,得到第n张茶油树叶的四通道算术平均值【An,Rn,Gn,Bn】,其中,n为大于i的自然数,且n大于等于100;
X5,对所有得到的n个四通道算术平均值中的每个通道的数值进行正态分布统计,取其中的68%,得到最终区间【[Amin,Amax],[Rmin,Rmax],[Gmin,Gmax],[Bmin,Bmax]】;(68%为正态分布分布集中区域,在这里去该集中区域进行对比);
X6,对待识别茶油树叶进行四通道化处理,得到每个像素点的四通道参数【A,R,G,B】,将每个像素点的四通道参数值发送到边缘计算设备,并与所述步骤X5中的最终区间进行对比:
若每个像素点的四通道参数数值均落入到所述第一最终区间内, 则表示该茶油树叶为良好树叶;
若其中Alpha通道参数处于所述步骤X5的Alpha通道参数[Amin,Amax]之外,则表示该茶油树叶为不具备测量意义的茶油树叶;
若其中Alpha通道参数处于所述步骤X5的Alpha通道参数[Amin,Amax]之内,且其余三个通道的数值中至少有一个通道的数值处于所述步骤X5中的该三个通道的数值范围之外,则统计所有处于该三个通道的数值范围之外的所有的异样像素点,并记录所有异样像素点的位置,以所有异样像素点为圆心,以至多K个像素点之间的距离为半径进行圆处理,得到所有的异样圆,并叠加所有的异样圆,得到叠加区域,在边缘计算设备中的原始带识别茶油树叶的图像中切分出该叠加区域,得到精确地病斑区域的图像。
3.根据权利要求1所述的基于图像分析的油茶病虫害模型训练方法,其特征在于所述的步骤(1)可以是手机、照相机、摄像机或物联网设备,所述的油茶病虫害包括炭疽病、软腐病、煤污病、白绢病中的一种或多种。
4.根据权利要求1所述的基于图像分析的油茶病虫害模型训练方法,其特征在于所述的步骤(2)切分处理获得独立地含有特定病虫害信息的图像,所述的切分处理可以是将不同类型的病虫害疾病进行切分,还可以是对同一种病虫害的不同发病期进行切分。
5.根据权利要求3所述的基于图像分析的油茶病虫害模型训练方法,其特征在于所述的步骤(4)提交神经网络训练包括利用数据集中的样本进行神经网络训练,检测各种形状、尺寸的病斑和虫害,并利用数据集中的样本进行测试,得到训练好的神经网络。
6.一种基于图像分析的油茶病虫害识别方法,其特征在于基于权利要求1所述的训练后的病虫害模型进行识别,包括如下的步骤:
利用图像采集设备对含有病斑的叶片进行采集;
获取目标油茶树叶片的图像,图像包括呈现病虫害状态的叶片,对图像进行进一步的预处理,包括去噪、消光、消除背景影响;
对叶片上的病虫害进行切分处理,切分得到的每一个图像包括特定的病虫害信息,所述的切分是根据病虫害类型不同对叶片进行切割,还可以是对同一种病虫害的不同阶段进行叶片切割,精确地获得病斑区域的图像;
对图像进行归一化、去噪处理,然后利用训练好的神经网络进行特征的提取,再进行特征分类,确定出目标图像匹配的样本分类信息,得到病虫害的分类结果。
7.根据权利要求5所述的基于图像分析的油茶病虫害识别的方法,其特征在于所述的步骤(4)中样本分类信息通过神经网络模型训练得到,所述的神经网络模型分类结果信息包括病虫害信息、发病阶段、科学地防治方案。
8.根据权利要求5所述的基于图像分析的油茶病虫害识别的方法,其特征在于进一步地,所述的步骤(4)还可以包括收集反馈信息,对茶油病害虫防治方案推荐系统进行修正,因而优化神经网络系统。
9.根据权利要求5所述的基于图像分析的油茶病虫害识别的方法,其特征在于可基于物联网设备实现快速识别。
10.根据权利要求9所述的基于图像分析的油茶病虫害识别的方法,其特征在于所述的识别方法通过手机端或电脑端或平板电脑端发出含有病虫害叶片的照片信息,并接受反馈的病虫害信息、发病阶段信息、防治方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910719779.5A CN110544237B (zh) | 2019-08-06 | 2019-08-06 | 基于图像分析的油茶病虫害模型训练方法和识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910719779.5A CN110544237B (zh) | 2019-08-06 | 2019-08-06 | 基于图像分析的油茶病虫害模型训练方法和识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110544237A true CN110544237A (zh) | 2019-12-06 |
CN110544237B CN110544237B (zh) | 2023-04-25 |
Family
ID=68710230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910719779.5A Active CN110544237B (zh) | 2019-08-06 | 2019-08-06 | 基于图像分析的油茶病虫害模型训练方法和识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544237B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177911A (zh) * | 2021-04-13 | 2021-07-27 | 沈阳大学 | 一种叶片无损评价植物臭氧敏感性的方法 |
CN117951530A (zh) * | 2024-03-26 | 2024-04-30 | 阿坝州林业和草原科学技术研究所 | 一种针对卡子核桃的病虫害数据分析方法和系统 |
CN117951530B (zh) * | 2024-03-26 | 2024-06-07 | 阿坝州林业和草原科学技术研究所 | 一种针对卡子核桃的病虫害数据分析方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
US20190102879A1 (en) * | 2017-09-30 | 2019-04-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and Apparatus for Acquiring Information |
-
2019
- 2019-08-06 CN CN201910719779.5A patent/CN110544237B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
US20190102879A1 (en) * | 2017-09-30 | 2019-04-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and Apparatus for Acquiring Information |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177911A (zh) * | 2021-04-13 | 2021-07-27 | 沈阳大学 | 一种叶片无损评价植物臭氧敏感性的方法 |
CN117951530A (zh) * | 2024-03-26 | 2024-04-30 | 阿坝州林业和草原科学技术研究所 | 一种针对卡子核桃的病虫害数据分析方法和系统 |
CN117951530B (zh) * | 2024-03-26 | 2024-06-07 | 阿坝州林业和草原科学技术研究所 | 一种针对卡子核桃的病虫害数据分析方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110544237B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Das et al. | Leaf disease detection using support vector machine | |
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
CN109086826B (zh) | 基于图像深度学习的小麦干旱识别方法 | |
Weyler et al. | Joint plant instance detection and leaf count estimation for in-field plant phenotyping | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
Sharma et al. | Image processing based automated identification of late blight disease from leaf images of potato crops | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
CN117561964B (zh) | 一种基于人工智能的农业数据管理系统及方法 | |
Lin et al. | Identification of pumpkin powdery mildew based on image processing PCA and machine learning | |
CN111832448A (zh) | 一种用于葡萄果园的病害识别方法及系统 | |
CN110544237B (zh) | 基于图像分析的油茶病虫害模型训练方法和识别方法 | |
CN116778343B (zh) | 一种用于综合识别的目标图像特征提取方法 | |
CN113449622A (zh) | 一种棉株和杂草的图像分类识别检测方法 | |
CN112528726A (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
Kappali et al. | Computer Vision and Machine Learning in Paddy Diseases Identification and Classification: A Review | |
Yadav et al. | An automated image processing method for segmentation and quantification of rust disease in maize leaves | |
Di et al. | The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature | |
Rony et al. | BottleNet18: Deep Learning-Based Bottle Gourd Leaf Disease Classification | |
CN114022717A (zh) | 一种基于图像识别的叶片病害识别方法及系统 | |
CN114663652A (zh) | 图像处理方法、装置、管理系统、电子设备和存储介质 | |
CN116523866B (zh) | 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质 | |
CN115471747B (zh) | 一种山茶花病虫害和生理病害的ai快速判识方法及应用 | |
Schmidtke | Developing a phone-based imaging tool to inform on fruit volume and potential optimal harvest time | |
Chaudhari et al. | A survey on detection of unhealthy region of plant leaves by using image processing |
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 |