CN110633720A - 一种玉米病害识别方法 - Google Patents
一种玉米病害识别方法 Download PDFInfo
- Publication number
- CN110633720A CN110633720A CN201810652535.5A CN201810652535A CN110633720A CN 110633720 A CN110633720 A CN 110633720A CN 201810652535 A CN201810652535 A CN 201810652535A CN 110633720 A CN110633720 A CN 110633720A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- disease
- corn
- disease identification
- 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
Images
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种玉米病害识别方法,属于图像识别技术领域,是主要由图像获取模块、图像预处理模块、特征提取模块、模型训练模块、病害识别模块和系统管理模块组成的,其特征在于:所述图像获取模块和图像预处理模块相连接,图像预处理模块和特征提取模块相连接,特征提取模块和病害识别模块相连接,病害识别模块与系统管理模块相连接,模型训练模块和病害识别模块相连接,本发明的玉米病害识别系统,为玉米病害快速、准确诊断检测提供新的高科技的诊断检测手段,可以为广大农业基层生产人员进行玉米病害诊断检测服务,提高玉米病害诊断检测水平,提高玉米生产效益。
Description
技术领域
本发明涉及一种玉米病害识别方法,属于图像识别技术领域。
背景技术
玉米是是我国重要的粮食作物之一。由于玉米病害的影响,造成玉米减产严重。因此,玉米病害防治是玉米生产中的重要环节之一。但是由于我国广大农业基层缺少科学有效的玉米病害诊断和防治技术,同时专家和基层技术人员相对缺乏,农民得不到有效的病害防治指导,造成的玉米减产或作物品质下降的现象时有发生。传统的农作物病害诊断检测方法由于技术、人力的不足,不仅费时费力,而且获取信息的滞后性还严重影响病害诊断的准确性。为了提高农作物病害诊断检测的精度和水平,在结合计算机视觉技术和模式识别技术的图像识别技术这种高科技手段的支持下,利用图像识别技术进行病害诊断检测,己成为农作物病害诊断检测的重要研究方向。本发明研发一种玉米病害识别方法。
发明内容
针对上述不足,本发明提供了一种玉米病害识别方法。
本发明是通过以下技术方案实现的:一种玉米病害识别方法,是主要由图像获取模块、图像预处理模块、特征提取模块、模型训练模块、病害识别模块和系统管理模块组成的,其特征在于:所述图像获取模块和图像预处理模块相连接,图像预处理模块和特征提取模块相连接,特征提取模块和病害识别模块相连接,病害识别模块与系统管理模块相连接,模型训练模块和病害识别模块相连接。
所述的图像获取模块采用Nikon COOL PIX5700型数码相机,在田间自然光照条件下,采取2560×1920像素分辨率、自动曝光模式,拍摄获取玉米生长期叶部病害图像,以JPEG 格式传入计算机,利用Photoshop软件去除病害图像中的无关背景部分,并将图像尺寸统一大小,以便玉米病害图像预处理使用
所述的特征提取模块采用颜色矩来表示病斑图像颜色特征值。这里主要是用图像灰度值的统计特征来反映颜色的分布。
该发明的有益之处是:本发明的玉米病害识别方法,为玉米病害快速、准确诊断检测提供新的高科技的诊断检测手段,可以为广大农业基层生产人员进行玉米病害诊断检测服务,提高玉米病害诊断检测水平,提高玉米生产效益。
附图说明
图1为本发明的系统示意图。
图中,1、图像获取模块,2、图像预处理模块,3、特征提取模块,4、模型训练模块,5、病害识别模块,6、系统管理模块。
具体实施方式
一种玉米病害识别方法,是主要由图像获取模块1、图像预处理模块2、特征提取模块3、模型训练模块4、病害识别模块5和系统管理模块6组成的,其特征在于:所述图像获取模块1和图像预处理模块相2连接,图像预处理模块2和特征提取模块3相连接,特征提取模块3和病害识别模块5相连接,病害识别模块5与系统管理模块6相连接,模型训练模块4和病害识别模块5相连接。
所述的图像获取模块1采用Nikon COOL PIX5700型数码相机,在田间自然光照条件下,采取2560×1920像素分辨率、自动曝光模式,拍摄获取玉米生长期叶部病害图像,以JPEG 格式传入计算机,利用Photoshop软件去除病害图像中的无关背景部分,并将图像尺寸统一大小,以便玉米病害图像预处理使用。
所述的特征提取模块3采用颜色矩来表示病斑图像颜色特征值。这里主要是用图像灰度值的统计特征来反映颜色的分布。
系统在实现的过程当中,先分解成五个模块部分,就是图像获取、图像预处理、特征提取、病害识别和系统管理模块。其中图像预处理、特征提取和病害识别模块是核心模块。图像预处理块在对图像进行了一系列预处理操作后,提交给特征提取模块提取特征,系统将提取到的颜色、纹理特征提交给病害识别模块,然后病害识别模块进行图像智能识别并给出病害分类识别结果。图像预处理是玉米病害识别的重要的前期处理,包括了图像的裁剪、自适应中值滤波、阈值分割和数学形态学等功能。进行图像裁剪的主要目的是去除病害图片中大部分无关的复杂背景,将病斑主要部分从病害图片中分离出来。在过滤噪声部分,系统选择自适应中值滤波算法进行过滤噪声的操作,这种算法能够较好地去除噪声,同时也能清晰地保持了病斑图像边缘。系统在进行图像分割时,主要先用超绿特征值代替原图像灰度值,此时新的灰度值的灰度直方图相对于原图像的灰度直方图呈比较明显的双峰分布,然后采用基于最大类间方差的阈值分割法采用阈值调节法分离病斑与背景叶片,以达到准确分割病斑的目的。同时利用数学形态学中开闭运算对图像进行处理,对病斑图像进行改善,供后续进行颜色、纹理形状特征提取,该模块可以提取经过预处理之后的病斑图像的颜色和纹理特征,并且可以为病害识别模块提供批处理特征参数文件,该文件保存了所有训练样本的颜色、纹理特征,可以用来进行分类识别模型训练使用,系统的病害识别模块主要是利用到的特征参数进行玉米病害分类识别,在识别操作过程中,首先支持向量机(SVM)加载训练样本,确定分类目标;进行实验时先确定一个初始的SVM分类器训练参数,然后按第四章所介绍的方式来选择核函数,确定并优化分类器参数,对SVM分类器进行训练。反复调整训练参数,重复多次训练直至达到最优效果,这样就找到了最优的SVM分类器参数。用这种方法的训练出一对多SVM分类器,确定分类器的最优参数,然后进行病害识别,判断测试样本的病害类别。
对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理与精神的情况下,对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。
Claims (3)
1.一种玉米病害识别方法,是主要由图像获取模块、图像预处理模块、特征提取模块、模型训练模块、病害识别模块和系统管理模块组成的,其特征在于:所述图像获取模块和图像预处理模块相连接,图像预处理模块和特征提取模块相连接,特征提取模块和病害识别模块相连接,病害识别模块与系统管理模块相连接,模型训练模块和病害识别模块相连接。
2.如权利要求1所述的一种玉米病害识别方法,其特征在于:所述的图像获取模块采用Nikon COOL PIX5700型数码相机,在田间自然光照条件下,采取2560×1920像素分辨率、自动曝光模式,拍摄获取玉米生长期叶部病害图像,以JPEG格式传入计算机,利用Photoshop软件去除病害图像中的无关背景部分,并将图像尺寸统一大小,以便玉米病害图像预处理使用。
3.如权利要求1所述的一种玉米病害识别方法,其特征在于:所述的特征提取模块采用颜色矩来表示病斑图像颜色特征值。这里主要是用图像灰度值的统计特征来反映颜色的分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810652535.5A CN110633720A (zh) | 2018-06-22 | 2018-06-22 | 一种玉米病害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810652535.5A CN110633720A (zh) | 2018-06-22 | 2018-06-22 | 一种玉米病害识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633720A true CN110633720A (zh) | 2019-12-31 |
Family
ID=68967220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810652535.5A Pending CN110633720A (zh) | 2018-06-22 | 2018-06-22 | 一种玉米病害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633720A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539293A (zh) * | 2020-04-17 | 2020-08-14 | 北京派得伟业科技发展有限公司 | 一种果树病害诊断方法及系统 |
CN111860330A (zh) * | 2020-07-21 | 2020-10-30 | 陕西工业职业技术学院 | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 |
-
2018
- 2018-06-22 CN CN201810652535.5A patent/CN110633720A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539293A (zh) * | 2020-04-17 | 2020-08-14 | 北京派得伟业科技发展有限公司 | 一种果树病害诊断方法及系统 |
CN111860330A (zh) * | 2020-07-21 | 2020-10-30 | 陕西工业职业技术学院 | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 |
CN111860330B (zh) * | 2020-07-21 | 2023-08-11 | 陕西工业职业技术学院 | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778902B (zh) | 基于深度卷积神经网络的奶牛个体识别方法 | |
Tm et al. | Tomato leaf disease detection using convolutional neural networks | |
Yu et al. | Segmentation and measurement scheme for fish morphological features based on Mask R-CNN | |
Arya et al. | Detection of unhealthy plant leaves using image processing and genetic algorithm with Arduino | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN107256398B (zh) | 基于特征融合的奶牛个体识别方法 | |
CN105389581B (zh) | 一种胚芽米胚芽完整度智能识别系统及其识别方法 | |
Zhu et al. | The identification of white fertile eggs prior to incubation based on machine vision and least square support vector machine | |
CN109034269A (zh) | 一种基于计算机视觉技术的棉铃虫雌雄成虫判别方法 | |
CN106846334A (zh) | 基于支持向量数据描述的田间玉米植株识别方法 | |
CN108961242A (zh) | 一种荧光染色图像ctc智能识别方法 | |
CN111784764A (zh) | 一种茶叶嫩芽识别与定位算法 | |
CN113269191A (zh) | 一种农作物叶片病害识别方法、装置和存储介质 | |
CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
Zhou et al. | Research on cucumber downy mildew detection system based on SVM classification algorithm | |
CN110633720A (zh) | 一种玉米病害识别方法 | |
CN102680488B (zh) | 一种基于pca的块状农产品在线识别装置及方法 | |
Tran et al. | Automatic dragon fruit counting using adaptive thresholds for image segmentation and shape analysis | |
CN110517226B (zh) | 基于双边滤波的多特征纹理图像融合的烟梗区域提取方法 | |
CN116524279A (zh) | 一种数字农业的人工智能图像识别作物长势分析方法 | |
Sukmana et al. | Blight segmentation on corn crop leaf using connected component extraction and CIELAB color space transformation | |
Miao et al. | Research on soybean disease identification method based on deep learning | |
Di et al. | The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191231 |