CN110580495A - 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 - Google Patents

一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 Download PDF

Info

Publication number
CN110580495A
CN110580495A CN201910542336.3A CN201910542336A CN110580495A CN 110580495 A CN110580495 A CN 110580495A CN 201910542336 A CN201910542336 A CN 201910542336A CN 110580495 A CN110580495 A CN 110580495A
Authority
CN
China
Prior art keywords
leaf
area
lesion
rgb
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
Application number
CN201910542336.3A
Other languages
English (en)
Inventor
董彩霞
吴文利
康亚龙
易文鑫
薛卫
徐阳春
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.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural 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 Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN201910542336.3A priority Critical patent/CN110580495A/zh
Publication of CN110580495A publication Critical patent/CN110580495A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06T7/187—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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Abstract

本发明公开了一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，所述方法包括以下步骤：(1)参照物定位和像素点统计，进行单位面积标定物定位并统计标定物像素点数量；(2)基于阈值分割方法的背景去除；(3)基于BP神经网络的病斑分割；(4)BP神经网络算法对病斑的分割结果。本发明通过对参照物定位和像素点统计，进行单位面积标定物定位并统计标定物像素点数量；基于阈值分割方法的背景去除；然后用BP神经网络算法分割出病斑，统计叶片病斑的数量及病斑区域的像素点数量，最后根据标定物像素点数量换算出叶片病斑面积，显示相应的运算结果。可有效提高判断叶片感染情况，提高工作效率。

Description

一种梨树叶面积与叶面炭疽病病斑数自动化分析方法
技术领域
本发明属于一种梨树叶面积与叶面炭疽病病斑数自动化分析方法。
背景技术
炭疽病是梨树的一种重要病害，对梨产量和品质影响很大，应注意加强防治。梨炭疽病危害梨树叶片、枝和果实。叶片染病产生近圆形病斑，褐色，边缘色深，有时略现轮纹，后变成灰白色，轮纹趋于明显，发病重时多个病斑常融合成不规则形的褐色斑块，湿度大时病斑上长出很多淡红色至黑色小点。枝梢染病，多发生在枯枝或生长衰弱的枝条上，初期仅形成深褐色小型圆斑，后扩展为长条形或椭圆形[1-2]。
而目前针对梨树炭疽病病原菌引起的叶部黑色斑点的统计尚无自动识别软件。调查时，需要采摘大量的叶片，需要人工用肉眼进行统计，特别是当斑点不明显的情况下，还需要从叶片背部进行透光处理，以便更清楚地观察到黑色小斑点。因此，每一次调查需要花费大量的时间和精力，统计误差大，不能动态跟踪特定叶片病斑数量的变化。
因此，研究出一种梨树叶面积与叶面炭疽病病斑数自动化分析系统的方式是目前需要解决的重要问题之一。
发明内容
发明目的：本发明目的是提供一种利用BP网络神经算法[3-4]与数字图像法自动分析梨树叶面积与叶面炭疽病病斑数的方法。
技术方案：一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，所述方法包括以下步骤：
(1)参照物定位和像素点统计，进行单位面积标定物定位并统计标定物像素点数量；
(2)基于阈值分割方法的背景去除；
(3)基于BP神经网络的病斑分割；
(4)BP神经网络算法对病斑的分割结果。
所述步骤(1)中参照物定位和像素统计方法包括：
(1.1)中所述参照物范围为:横坐标x∈[0，width/5],纵坐标y∈[0，height/3]其中，width为原图像宽度，height为原图像高度；
(1.2)对该区域图像进行二值化处理；
(1.3)根据像素点取值情况进行统计，得到病斑总像素点数为N1，正方形参照物总像素点数为N2，参照物面积为1cm2。
所述步骤(2)的基于与之分割方法的背景去除，包括以下步骤：
在黑纸板背景下，以左上角1cm2的白色正方形为参照物
(2.1)根据像素RGB值确定非叶片区域的RGB范围，
黑纸板RGB范围为：R<70，G<70，B<90；
参照物RGB范围为：R>250，G>250，B>250；
其中R，G，B分别为图片像素点的RGB分量值；
(2.2)根据步骤2.1所述范围将非叶片区域去掉，只剩下叶片区域，从而实现了背景、参照物和叶片的分割；
步骤(3)基于BP神经网络的病斑分割，包括以下步骤：
(3.1)准备训练集，手动选取具有代表性的病斑的RGB像素值和健康叶片的RGB像素值；
(3.2)送入BP神经网络进行训练,得出预测模型；
(3.3)将整个叶片每个像素点RGB值提取出来，作为测试数据；
(3.4)送入上述模型进行预测，得到病斑图像。
步骤(4)BP神经网络算法对病斑的分割结果，包括以下步骤：
(4.1)病斑面积S计算
根据标定物的像素点之和N1、参照物像素点之和N2以及参照物实际面积1cm2，按下式对叶病斑面积S进行换算:S＝N1/N2×1；
(4.2)基于二值图像连通域标记算法的病斑计数
(4.3)叶片周长计算
(4.3.1)将去掉背景的图片进行二值化，得到一个二值图；
(4.3.2)用imfill函数将二值图像填充，得到一个不含空洞的只有一个区域边界的二值图像；
(4.3.3)利用regionprops函数的Perimeter属性获取区域周长。
(4.4)病害等级计算，以炭疽病病害等级划分标准[5]：
0级，叶片上无黑点；
1级，叶片上10个一下黑点；
3级，叶片上10-50个黑点；
5级，叶片上50-120个黑点；
7级，叶片上120-200个黑点；
9级，叶片上200个以上黑点及死亡。
根据上线的就划分标准以及计算出来的病斑个数确定当前叶片病号级别。
步骤(4.2)所述的基于二值图像连通阈标记算法的病斑计数，包括步骤[L，num]＝bwlabel(BW，n)，其中BW为分割出来的病斑二值图像，n可取值为4或8表示连接四连通或八连通区域；num为找到的连通区域数目；L为输出图像矩阵，其元素值为整数，背景被标记为0，第一个连通区域被标记为1，第二个连通区域被标记为2，依此类推。[L，num]＝bwlabel(BW，n)，这里num返回的就是BW中连通区域的个数；结果保存在L矩阵里，num里保存的是输入图像中连通区域的总数。
返回一个和BW大小相同的L矩阵，包含了标记了BW中每个连通区域的类别标签，标签的值为1、2、num；n的值为8；
有益效果：本发明的一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，相比现有技术，具有以下有益效果：
1.本发明通过对参照物定位和像素点统计，进行单位面积标定物定位并统计标定物像素点数量；基于阈值分割方法的背景去除；然后用BP神经网络算法分割出病斑，统计叶片病斑的数量及病斑区域的像素点数量，最后根据标定物像素点数量换算出叶片病斑面积，显示相应的运算结果。可有效提高判断叶片感染情况，提高工作效率。
附图说明
图1为梨树叶面积与病斑数自动化分析的原理流程图；
图2为单张梨树叶片图；
图3为去除背景效果图；
图4为识别梨树叶面炭疽病病斑点效果图；
图5为病斑区域分割效果图；
图6为批量处理识别梨树叶炭疽病病斑界面图；
图7为叶片分析数据结果数据表；
图8为系统测定与人工测定的斑点数(A)、系统测定与叶面积仪测定的叶面积(B)的相关性分析图。
图1以单张梨树叶片照片为例进行自动化分析过程
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，所述方法包括以下步骤：
(1)参照物定位和像素点统计，进行单位面积标定物定位并统计标定物像素点数量；
(1.1)中所述参照物范围为:横坐标x∈[0，width/5],纵坐标y∈[0，height/3]其中，width为原图像宽度，height为原图像高度；
(1.2)对该区域图像进行二值化处理；
(1.3)根据像素点取值情况进行统计，得到病斑总像素点数为N1，正方形参照物总像素点数为N2，参照物实际面积为1cm2，如图2所示。
(2)基于阈值分割方法的背景去除；
在黑纸板背景下，以左上角1cm2的白色正方形为参照物
(2.1)根据像素RGB值确定非叶片区域的RGB范围，
黑纸板RGB范围为：R<70，G<70，B<90；
参照物RGB范围为：R>250，G>250，B>250；
其中R，G，B分别为图片像素点的RGB分量值；
(2.2)根据步骤2.1所述范围将非叶片区域去掉，只剩下叶片区域，从而实现了背景、参照物和叶片的分割，如图3所示；
(3)基于BP神经网络的病斑分割；
步骤(3)基于BP神经网络的病斑分割，包括以下步骤：
(3.1)准备训练集，手动选取具有代表性的病斑的RGB像素值和健康叶片的RGB像素值；
(3.2)送入BP神经网络进行训练，得出一个预测模型这个预测模型是怎么得出的？；
(3.3)将整个叶片每个像素点RGB值提取出来，作为测试数据；
(3.4)送入上述模型进行预测，得到病斑图像，如图4所示。
(4)BP神经网络算法对病斑的分割结果；
(4.1)病斑面积S计算
根据标定物的像素点之和N1、参照物像素点之和N2以及参照物实际面积1cm2，按下式对叶病斑面积S进行换算:S＝N1/N2×1；
(4.2)基于二值图像连通域标记算法的病斑计数
(4.3)叶片周长计算
(4.3.1)将去掉背景的图片进行二值化，得到一个二值图；
(4.3.2)用imfill函数将二值图像填充，得到一个不含空洞的只有一个区域边界的二值图像；
(4.3.3)利用regionprops函数的Perimeter属性获取区域周长。
(4.4)病害等级计算，以炭疽病病害等级划分标准，如图5所示：
0级，叶片上无黑点；
1级，叶片上10个一下黑点；
3级，叶片上10-50个黑点；
5级，叶片上50-120个黑点；
7级，叶片上120-200个黑点；
9级，叶片上200个以上黑点及死亡。
根据上述划分标准以及计算出来的病斑个数确定当前叶片病号级别。
系统可批量处理梨树叶病斑图像，如图6所示。
步骤(4.2)所述的基于二值图像连通阈标记算法的病斑计数，包括步骤
[L,num]＝bwlabel(BW,n)，其中BW为分割出来的病斑二值图像，n可取值为4或8表示连接四连通或八连通区域；num为找到的连通区域数目；L为输出图像矩阵，其元素值为整数，背景被标记为0，第一个连通区域被标记为1，第二个连通区域被标记为2，依此类推。
[L,num]＝bwlabel(BW,n)，这里num返回的就是BW中连通区域的个数；结果保存在L矩阵里，num里保存的是输入图像中连通区域的总数。
如图7所示，其中：ID表示图片编号，NBS(Number of black spots)黑斑点数量；Total area of black spots黑斑点总面积(TABS，单位mm2)；LP叶片周长(Leafperimeter，cm)；LA叶面积(Leaf area，cm2)；DI(Disease index)病害等级。
基于BP神经网络算法，较好地保留了叶病斑目标区域，实现了精确定位和像素点统计，运算结果精度较高。本发明可在原位条件下获得植物叶片，可动态检测同一叶片病斑数的变化情况，效率高、易操作。本系统为科研人员提供了较为高效和准确的叶病斑面积测量方法，为农业信息化和智能化病虫害诊断提供了有益的尝试和探索。
实施例1
1、本系统测定梨叶面斑点数和叶面积
本试验的梨树叶片于2018年7月20日采自于福建省建宁县绿源果业有限公司的梨园试验地，梨树品种为‘翠冠’。随机选择5棵梨树，每棵梨树沿东南西北不同方向随机采集10片成熟的叶片，在叶片背部顺次编号1～50，装于自封袋中带回实验室。首先，将单个叶片放置在黑色摄影布包裹的硬质塑料板(其左上角固定面积为1cm2的正方形白纸)上，用智能手机(荣耀8X，像素2400万)在垂直叶面高度20cm的位置拍照，保存照片用于本系统自动分析叶面积；接着；用叶面积仪按照编号顺序测定每个叶片的叶面积；最后，人工统计每个叶片的斑点数量，记录数据。
人工统计相比，本系统统计的斑点数的相对误差约4.2％。与叶面积仪测定的叶面积相对，本系统的相对误差约4.4％(表1)，说明本系统统计斑点数与叶面积的结果比较准确。
表1系统自动测定的斑点数与叶面积结果
注：ID——编号；NBS——Number of black spots，黑斑点数量；LA——Leafarea，叶面积(cm2)。2、系统测定与人工、叶面积仪测定结果的相关性分析
系统测定的斑点数与人工测定的斑点数呈显著的线性关系(图8)，且二者之间的差异不显著(P>0.05)(表2)。系统测定的叶面积与叶面积仪测定的叶面积也存在显著地线性关系(图8)，且二者测定结果之间无显著差异(P>0.05)(表2)。可见，该系统在统计梨叶面斑点数及测定叶面积方面具有很好的准确定。
表2 ANOVA法分析系统测定值与人工、叶面积仪测定值之间的显著性
注：ns表示5％水平差异不显著。
参考文献：
[1]Chen Y,Liu X,Chen X,et al.Preliminary investigation and analysisof abnormal early defoliation of pear in Fujian[J].Journal of LongyanUniversity,2011,5.
[2]Morita Y,Yano K,Matsumoto K,et al.Occurrence and control ofanthracnose on leaves of Japanese pear[Pyrus pyrifolia][J].Bulletin of theKochi Agricultural Research Center(Japan),1994.
[3]Jin W,Li Z J,Wei L S,et al.The improvements of BP neural networklearning algorithm[C]//WCC 2000-ICSP 2000.2000 5th international conferenceon signal processing proceedings.16th world computer congress 2000.IEEE,2000,3:1647-1649.
[4]陈书谦，张丽虹.BP神经网络在PID控制器参数整定中的应用[J].计算机仿真，2010，27(10)：171-174.
[5]Zhang P F,Zhai L F,Zhang X K,et al.Characterization ofColletotrichum fructicola,a new causal agent of leaf black spot disease ofsandy pear(Pyrus pyrifolia)[J].European journal of plant pathology,2015,143(4):651-662.

Claims (6)

1.一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，其特征在于：所述方法包括以下步骤：
(1)参照物定位和像素点统计，进行单位面积标定物定位并统计标定物像素点数量；
(2)基于阈值分割方法的背景去除；
(3)基于BP神经网络的病斑分割；
(4)BP神经网络算法对病斑的分割结果。
2.根据权利要求1所述的一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，其特征在于：所述步骤(1)中参照物定位和像素统计方法包括：
(1.1)中所述参照物范围为:横坐标x∈[0，width/5],纵坐标y∈[0，height/3]其中，width为原图像宽度，height为原图像高度；
(1.2)对该区域图像进行二值化处理；
(1.3)根据像素点取值情况进行统计，得到病斑总像素点数为N1，正方形参照物总像素点数为N2，参照物的面积为1cm2。
3.根据权利要求1所述的一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，其特征在于：所述步骤(2)的基于与之分割方法的背景去除，包括以下步骤：
在黑纸板背景下，以左上角1cm2的白色正方形为参照物
(2.1)根据像素RGB值确定非叶片区域的RGB范围，
黑纸板RGB范围为：R<70，G<70，B<90；
参照物RGB范围为：R>250，G>250，B>250；
其中R，G，B分别为图片像素点的RGB分量值；
(2.2)根据步骤2.1所述范围将非叶片区域去掉，实现背景、参照物和叶片的分割。
4.根据权利要求1所述的一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，其特征在于：步骤(3)基于BP神经网络的病斑分割，包括以下步骤：
(3.1)准备训练集，选取具有代表性的病斑的RGB像素值和健康叶片的RGB像素值；
(3.2)送入BP神经网络进行训练，得出一个预测模型，所述预测模型是将所选的病斑叶片的RGB像素值分别组成一个三维向量，标记为1，健康叶片RGB像素值分别组成三维向量，标记为0，通过Matlab神经网络工具箱newff函数创建一个初始网络模型，其中设置输入层为3个神经元节点，隐藏层为10个神经元节点，输出层为1个神经元节点；学习速度设置为0.05，训练精度为1e-10，最大迭代次数为3000，利用BP神经网络原理反复进行参数调整，可以得出一个预测网络结构参数，该网络结构的输入为RGB像素值，输出为0或1，分别代表健康叶片和病斑。
(3.3)将整个叶片每个像素点RGB值提取出来，作为测试数据；
(3.4)送入上述模型进行预测，得到病斑图像。
5.根据权利要求1所述的一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，其特征在于：步骤(4)BP神经网络算法对病斑的分割结果，包括以下步骤：
(4.1)病斑面积S计算
根据标定物的像素点之和N1、参照物像素点之和N2以及参照物实际面积1cm2，按下式对叶病斑面积S进行换算:S＝N1/N2×1；
(4.2)基于二值图像连通域标记算法的病斑计数；
(4.3)叶片周长计算；
(4.3.1)将去掉背景的图片进行二值化，得到二值图；
(4.3.2)用imfill函数将二值图像填充，得到一个不含空洞的只有一个区域边界的二值图像；
(4.3.3)利用regionprops函数的Perimeter属性获取区域周长；
(4.4)病害等级计算，以炭疽病病害等级划分标准：
0级，叶片上无黑点；
1级，叶片上10个一下黑点；
3级，叶片上10-50个黑点；
5级，叶片上50-120个黑点；
7级，叶片上120-200个黑点；
9级，叶片上200个以上黑点及死亡；
根据上述划分标准以及计算出来的病斑个数确定当前叶片病号级别。
6.根据权利要求5所述的一种分析梨树叶面积与叶面炭疽病病斑数的方法，其特征在于：步骤(4.2)所述的基于二值图像连通阈标记算法的病斑计数，包括步骤[L,num]＝bwlabel(BW,n)，其中BW为分割出来的病斑二值图像，n取值为4或8表示连接四连通或八连通区域；num为找到的连通区域数目；L为输出图像矩阵，其元素值为整数，背景被标记为0，第一个连通区域被标记为1，第二个连通区域被标记为2，依此类推；num返回的就是BW中连通区域的个数；结果保存在L矩阵里，num里保存的是输入图像中连通区域的总数。
CN201910542336.3A 2019-06-21 2019-06-21 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 Pending CN110580495A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910542336.3A CN110580495A (zh) 2019-06-21 2019-06-21 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910542336.3A CN110580495A (zh) 2019-06-21 2019-06-21 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法

Publications (1)

Publication Number Publication Date
CN110580495A true CN110580495A (zh) 2019-12-17

Family

ID=68810819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910542336.3A Pending CN110580495A (zh) 2019-06-21 2019-06-21 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法

Country Status (1)

Country Link
CN (1) CN110580495A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862190A (zh) * 2020-07-10 2020-10-30 北京农业生物技术研究中心 自动测量离体植物软腐病斑面积的方法及装置
CN112967233A (zh) * 2021-02-07 2021-06-15 海南大学 一种橡胶树炭疽病识别系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102506772A (zh) * 2011-11-01 2012-06-20 西北农林科技大学 一种基于手机的快速检测叶片面积的方法及装置
CN103778628A (zh) * 2014-01-10 2014-05-07 北京农业信息技术研究中心 田间开放环境下的叶片病害程度获取方法及系统
CN103808265A (zh) * 2014-02-28 2014-05-21 北京农业信息技术研究中心 油菜叶片及菌核病斑形态同步测量的方法、装置及系统
CN103988824A (zh) * 2014-04-18 2014-08-20 浙江大学 一种基于双目视觉技术的自动对靶喷施系统
CN109164069A (zh) * 2018-09-29 2019-01-08 山西省农业科学院果树研究所 一种果树叶面病害级别的鉴定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102506772A (zh) * 2011-11-01 2012-06-20 西北农林科技大学 一种基于手机的快速检测叶片面积的方法及装置
CN103778628A (zh) * 2014-01-10 2014-05-07 北京农业信息技术研究中心 田间开放环境下的叶片病害程度获取方法及系统
CN103808265A (zh) * 2014-02-28 2014-05-21 北京农业信息技术研究中心 油菜叶片及菌核病斑形态同步测量的方法、装置及系统
CN103988824A (zh) * 2014-04-18 2014-08-20 浙江大学 一种基于双目视觉技术的自动对靶喷施系统
CN109164069A (zh) * 2018-09-29 2019-01-08 山西省农业科学院果树研究所 一种果树叶面病害级别的鉴定方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862190A (zh) * 2020-07-10 2020-10-30 北京农业生物技术研究中心 自动测量离体植物软腐病斑面积的方法及装置
CN111862190B (zh) * 2020-07-10 2024-04-05 北京农业生物技术研究中心 自动测量离体植物软腐病斑面积的方法及装置
CN112967233A (zh) * 2021-02-07 2021-06-15 海南大学 一种橡胶树炭疽病识别系统

Similar Documents

Publication Publication Date Title
CN106780537B (zh) 一种基于图像处理的方格蔟蚕茧筛选装置及方法
Liu et al. A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field
Lü et al. Leaf area measurement based on image processing
CN103745478B (zh) 小麦发芽率机器视觉测定方法
CN104408473B (zh) 基于距离度量学习的棉花品级分类方法及装置
CN110781889B (zh) 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法
CN104846054A (zh) 一种基于形态学特征的白带中霉菌的自动检测方法
CN102855485B (zh) 一种小麦抽穗的自动检测方法
Chalidabhongse et al. 2D/3D vision-based mango's feature extraction and sorting
CN112069985B (zh) 基于深度学习的高分辨率大田图像稻穗检测与计数方法
Richner et al. Root image analysis and interpretation
CN113191334B (zh) 一种基于改进CenterNet的植物冠层密集叶片计数方法
CN111724354B (zh) 一种基于图像处理的多株小麦穗长与小穗数的测量方法
Ji et al. In-field automatic detection of maize tassels using computer vision
CN110580495A (zh) 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法
CN106228136A (zh) 基于聚合通道特征的全景街景隐私保护方法
CN114818909A (zh) 一种基于作物长势特征的杂草检测方法和装置
CN110610438A (zh) 一种农作物冠层叶柄夹角计算方法及系统
Zhang et al. Corn ear test using SIFT-based panoramic photography and machine vision technology
He et al. A calculation method of phenotypic traits of soybean pods based on image processing technology
CN113807143A (zh) 作物连通域的识别方法、装置及作业系统
CN114863106B (zh) 一种离心式撒肥颗粒分布检测方法
CN116258844A (zh) 一种棉花叶片表型性状快速精准鉴定方法
CN116416523A (zh) 一种基于机器学习的水稻生长阶段的识别系统和方法
CN116310548A (zh) 一种进口种子产品中的入侵植物种子检测方法

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