CN110796148A - 一种荔枝虫害监测识别系统和监测识别方法 - Google Patents

一种荔枝虫害监测识别系统和监测识别方法 Download PDF

Info

Publication number
CN110796148A
CN110796148A CN201910967814.5A CN201910967814A CN110796148A CN 110796148 A CN110796148 A CN 110796148A CN 201910967814 A CN201910967814 A CN 201910967814A CN 110796148 A CN110796148 A CN 110796148A
Authority
CN
China
Prior art keywords
pest
characteristic
matching
fingerprints
color
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
Application number
CN201910967814.5A
Other languages
English (en)
Other versions
CN110796148B (zh
Inventor
杨娟
邱文杰
叶进
李平
钟敏芝
陈新全
徐炯志
胡亮青
何华光
宋玲
陈燕
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.)
Guangxi University
Original Assignee
Guangxi 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 Guangxi University filed Critical Guangxi University
Priority to CN201910967814.5A priority Critical patent/CN110796148B/zh
Publication of CN110796148A publication Critical patent/CN110796148A/zh
Application granted granted Critical
Publication of CN110796148B publication Critical patent/CN110796148B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • 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
    • G06V10/32—Normalisation of the pattern dimensions
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • 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
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Mining & Mineral Resources (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Evolutionary Biology (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明为一种荔枝虫害监测识别系统和监测识别方法。本系统计算机服务器内设置有害虫识别模块、匹配判断模块和含纹理、颜色、轮廓和背景特征库的害虫特征数据库。匹配判断模块将匹配判断结果传送到用户手机。本监测识别方法，先建立害虫识别模块，对用户拍摄的照片进行图像处理，得到纹理、颜色、轮廓和背景特征图。对4种特征图分别提取特征值并简化为字符串的指纹，发送给害虫特征数据库。之后进行实时监测，用户实时拍摄害虫照片，按建库的相同方法处理得到4种特征指纹，与害虫特征数据库中所存的指纹相对照，匹配度最大的即为可能的害虫。本法识别荔枝害虫以及时采取防治措施，保证荔枝的产量和品质，且数据库可不断完善充实，便于使用。

Description

一种荔枝虫害监测识别系统和监测识别方法
技术领域
本发明涉及农业虫害防治领域，具体涉及一种荔枝虫害监测识别系统和监测识别方法。
背景技术
荔枝是当前最受欢迎的水果之一，在全国各地销量很高。在荔枝的种植过程中，很容易受病虫侵害，造成了荔枝产量和质量的下降，因此对于荔枝病虫的防治工作至关重要。目前国内外防治荔枝害虫的手段仍是以化学防治为主体的综合防治，若过量使用化学农药会造成了荔枝园生态系统的破坏、害虫抗药性增强、果实品质下降及环境污染等一系列严重问题。需要根据虫害的实际情况选择适量使用农药。
昆虫在生长发育的卵、幼虫、蛹和成虫的不同时期形态完全不同。荔枝害虫具有地域性，即使是同一种虫害，在不同地区体态上也大不相同。一旦发生生物入侵，单纯靠种植者的经验很难判断是何种害虫需要采用何种对策，所以需要一种荔枝害虫监测识别方法辅助种植者及时识别是何种害虫，了解应当采取何种相应的治理措施，以便保证荔枝的产量和品质。
现有的农田病虫害监测预警系统，存在适用范围窄、难以扩展、产品成本高等问题，在如荔枝等类粗放型大田作物上的应用十分少，因此，开发一套低成本、实用性强、专一性的荔枝虫害监测识别系统对提高荔枝的虫害防治水平的意义十分重大。
发明内容
本发明的目的在于提供一种荔枝虫害监测识别系统，包括计算机服务器和与计算机服务器无线连接的1个或多个用户手机，计算机服务器内设置有害虫识别模块、匹配判断模块和害虫特征数据库。害虫特征数据库接收并存储害虫识别模块传送的害虫图片的纹理、颜色、轮廓和背景的特征值。匹配判断模块接收害虫识别模块传送的用户实时提交待判断的害虫图片与特征值，与害虫特征数据库所存内容进行匹配判断，并将结果传送到用户手机并在手机上显示。用户手机安装有结果显示模块。
本发明的另一目的在于提供一种荔枝虫害监测识别系统的监测识别方法，首先建立害虫识别模块，对用户拍摄的照片进行图像处理，得到纹理、颜色、轮廓和背景特征图。对4种特征图分别提取特征值并简化为字符串的指纹，发送给害虫特征数据库。之后进行实时监测，用户实时拍摄害虫照片，按建库的相同方法处理得到4种特征指纹，与害虫特征数据库中所存的指纹相对照，匹配度最大的即为可能的害虫。
本发明设计的一种荔枝虫害监测识别系统包括包括设置于计算机服务器的害虫识别模块、匹配判断模块和害虫特征数据库，还有作为用户终端的多个用户手机。计算机服务器与用户手机无线连接。害虫识别模块包括图片接收子模块、图像处理子模块，害虫识别模块与害虫特征数据库连接。图片接收子模块与用户手机端无线连接，接收用户传送的图片；图像处理子模块对图片进行简化处理得到各图片的纹理、颜色、轮廓和背景的特征值。害虫特征数据库接收害虫识别模块传送的害虫图片的特征值，存储于纹理、颜色、轮廓和背景特征库。匹配判断模块与害虫识别模块、害虫特征数据库连接，并与用户手机无线连接，匹配判断模块接收害虫识别模块传送的用户实时提交待判断的害虫图片与特征值，与害虫特征数据库所存内容进行匹配判断，并将结果传送到用户手机并在手机上显示。用户手机安装有结果显示模块。
本发明设计的一种荔枝虫害监测识别系统的监测识别方法，包括的主要步骤如下：
步骤1、建立害虫识别模块
11、用户上传照片
用户用手机拍照害虫照片，所述照片中虫体轮廓所占面积大于50％，为虫体的俯视图或侧视图，光线充足；在每种害虫的各个变态发育期各摄取照片1000张或更多，每个变态发育期照片摄取的时间覆盖该发育期各时段，对于每种害虫，在各变态期的每一天每个小时均要拍摄照片，对同一害虫间隔10～60分钟进行一次拍摄，对一种害虫一个变态期每天拍摄的照片小于200张。图片接收子模块接收用户手机上传的照片；
12、图像处理
图像处理子模块对图片接收子模块接收的用户拍摄的照片进行图像处理，得到纹理、颜色、轮廓和背景特征图。
所述的纹理、颜色、轮廓、背景特征图获取方法分别如下：
121、纹理特征图
1211、创建同类型矩阵
使用计算机视觉开源库openCV(Open Source Computer Vision Library)中的dstImage.Create(srcImage.Size(),srcImage.type())函数实例化dstImage对象，使其与原图片srcImage具有相同的大小和类型。
1212、将原图像转换为灰度图像
读取原图像每个像素点的红、绿、蓝(Red,Green,Blue)三色值，简称RGB值，灰度值Gray通过下式计算：
Cray＝(Red+Green+Bule)/3
将各像素转为其灰度值，原图转换为灰度图，并将每个像素点的灰度值赋给grayImage。
1213、使用3*3内核降噪
使用openCV的Blur(grayImage,srcImage，size(3,3))函数将grayImage函数进行均值滤波后用srcImage进行输出。
1214、运行Canny算子
运行Canny(edge,edge,3,10,3)函数，将单通道灰度图进行高斯平滑卷积降噪；得到纹理特征图。
122、轮廓特征图
在完成步骤1211～1213后，运行Canny算子，运行Canny(edge,edge,3,100,3)函数，将单通道灰度图进行高斯平滑卷积降噪，得到轮廓特征图。
123、背景特征图
1231、像素分割
使用openCV的Rect rectangle(40,90,image.cols-80,image.rows-170)函数定义一个矩形框，在框内寻找可能为前景，即虫体图形的像素点。
1232、抓取可能为前景的像素点
运用高斯混合模型计算每个像素点为前景像素点的概率，并标记处所有概率>50％的像素点。
1233、删除前景的像素点
遍历原图中的每个像素，将所有被标记为前景的像素点的RGB值改为(0,0,0)，即删除。得到背景特征图。
124、颜色特征图
1241、转换色彩空间
通过openCV的cvtColor(src,hsv,CV_BGR2HSV)将RGB色彩空间转换为HSV色彩空间，在圆柱坐标系中表示原图在RGB色彩空间中的各点。
1242、获取颜色直方图
将HSV色彩空间的图像使用h.getHistogramImage(hsv)函数获取颜色直方图，即得到颜色特征图
13、特征值提取和害虫特征数据库的建立
对4种特征图分别提取特征值，特征值发送给害虫特征数据库。
采取基于像素点的特征值提取方法，具体步骤如下：
131、简化图像并简化色彩
将特征图统一简化为8*8＝64像素的图，并按步骤1212的方法对该图进行处理，原图转换为灰度图。
132、计算该图平均像素值
将该图所有像素点的像素值Pi相加求和，再除以该图像素点的总个数N＝64，则得到该图的像素平均值PA。
Figure BDA0002231072170000041
133、简化特征矩阵
将每个像素点的像素值Pi与平均像素值PA进行比较，若Pi＜PA得，则简化后的像素值newPi＝0，否则，newPi＝1；从而得到8×8的0/1二分类的特征值矩阵。
134、害虫特征数据库的建立
将133步骤所得8×8的0/1二分类的特征值矩阵的每列的字符串依次排列得到64位的字符串，此64位字符串作为该特征图的唯一标志。此字符串称作特征指纹，
将不同害虫不同发育期各张照片的每种特征图的特征值提取出来后所得到的8×8的0/1二分类的特征值矩阵分别压缩为4个0/1二分类的特征值依次排列的字符串，特征指纹包括纹理指纹、颜色指纹、轮廓指纹和背景指纹。某种害虫不同发育期照片的4种指纹分别存入此种害虫对应的发育期的纹理、颜色、轮廓和背景4种特征库。多种害虫不同发育期照片的4种特征库组成害虫特征数据库。害虫特征数据库中不包含图片，用不同害虫不同发育期照片的4种指纹的64位字符串具体表述图片特征内容。
步骤2、实时监测
21、用户实时拍摄害虫
按步骤11的拍摄要求，用户实时拍摄一张害虫照片上传到图片接收子模块；
22、实时图像处理
按步骤12的相同方式得到实时拍摄害虫的待定图像的纹理、颜色、轮廓和背景特征图和特征值，所得待定图的4种指纹发送到匹配判断模块。
步骤3、匹配判断
将步骤2所得的待定图的特征指纹与害虫特征数据库中存储的不同害虫不同发育期的对应的特征库中的指纹进行匹配。具体步骤如下：
31、背景特征
将待定图的背景指纹与害虫特征数据库中存储的各种害虫不同发育期的的背景特征库中的指纹进行穷举匹配，若平均匹配度x4A≥50％，则进入步骤32，否则输出判断结果“这不是荔枝害虫照片”，返回步骤2等待检测其它实时拍摄的照片；
待定图背景指纹的64位字符串与害虫特征数据库中所有背景指纹的64位字符串相同数为y4k，匹配度x4k＝(y4k/64)。背景指纹的平均匹配度x4A的计算式如下：
Figure BDA0002231072170000051
n4为害虫特征数据库中各种害虫、各个发育期的所有背景指纹的总条数。
32、平均匹配度和最大匹配度
将待定图的纹理、颜色和轮廓三种指纹通过穷举法分别与害虫特征数据库中存储的每种害虫不同发育期的对应的纹理、颜色和轮廓3种特征库中的指纹进行穷举匹配；分别求出待定图的纹理、颜色和轮廓3种指纹在每种害虫的每个发育期对应的纹理、颜色和轮廓3种特征库中的平均匹配度和最大匹配度。
设害虫特征数据库中包括M种害虫，每种害虫有Dm个发育期，现以害虫m的发育期d为例说明,求得在害虫m的发育期d的j特征库的平均匹配度xjA和最大匹配度xjmax。
待定图的纹理、颜色和轮廓中的一种j指纹的64位字符串分别与害虫m的发育期d对应的j特征库中某个指纹的64位字符串一一比对，相同字符数为yjk,匹配度xjk＝(yjk/64)，j＝1,2,3，表示三种特征，k＝1、2…nj，nj为害虫特征数据库中害虫m的发育期d对应的j特征库的指纹总条数。
待定图的指纹j在害虫m发育期d的j特征库的平均匹配度xjA的计算式如下：
Figure BDA0002231072170000061
33、动态权值
待定图的纹理、颜色和轮廓指纹中的一种指纹j在害虫m的发育期d的j指纹特征的动态权值wj的计算式如下：
Figure BDA0002231072170000062
34、待定图片的最终匹配度Wmd
Figure BDA0002231072170000063
所得Wmd为待定图在害虫m的发育期d的最终匹配度。
害虫特征数据库M种害虫、每种害虫dm个发育期，在每种害虫的每个发育期的3种特征库中进行穷举匹配，得到
Figure BDA0002231072170000064
个最终匹配度Wmd，其中匹配成功的多个最终匹配度Wmd中最大的，其对应所属害虫即为用户实时拍摄照片的待定图片最有可能的害虫种类。若前2或3个最大的最终匹配度Wmd相互的差小于3％，则将数个最终匹配度对应所属害虫作为判断结果同时输出，供用户自行判断。
害虫识别模块将对用户实时拍摄照片的判断结果传送到用户手机并在手机上显示。
用户根据本系统的判断结果与专家库网站联网，查询专家库中有关此害虫在此发育期的具体防治措施，用户及时采取防治手段。
所述专家库网站包括中国农药网、中国农资网等，所述专家库网站内有相应害虫的详细信息，例如名称，形态，生长习性，生长周期，危害指数等，同时包括此种害虫相应的防治措施，适用农药种类、用量和施用方式，适用天敌种类和放置方式等等。以帮助用户及时采取措施对害虫防治和控制，大大降低害虫危害。
步骤4、完善害虫特征数据库
将步骤3匹配成功的判断结果及待定图片的4种特征指纹传送到害虫特征数据库，进一步完善纹理、颜色、轮廓和背景特征库。
与现有技术相比，本发明一种荔枝虫害监测识别系统和监测识别方法的优点在于：1、针对荔枝常见且危害较为严重的害虫，如荔枝蝽、蛀蒂虫、荔枝尖细蛾和荔枝瘿螨等，均可及时识别以便于及时采取相应的防治措施，避免对荔枝的危害，保证荔枝的产量和品质；2、本系统便于升级扩展，随着使用年限的增加，害虫特征数据库中的害虫特征不断完善充实，本发明的害虫特征数据库也可输入其它作物害虫特征指纹，理论上可用于识别农业林业的所有害虫，只需要将相关害虫特征输入本系统的害虫特征数据库；3、便于使用，不同季节的不同害虫的不同发育期，发现后只需拍摄一张照片，便可送入本系统进行实时分析识别，不仅有助于荔枝种植者，也可用于不熟悉荔枝种植的人员学习荔枝害虫不同发育期的形态。
附图说明
图1为本荔枝虫害监测识别系统实施例结构示意图；
图2为本荔枝虫害监测识别系统的监测识别方法实施例的流程图；
图3为本荔枝虫害监测识别系统的监测识别方法实施例步骤12图像处理中获得纹理、颜色、轮廓和背景特征图的流程图；
图4为本荔枝虫害监测识别系统的监测识别方法实施例步骤13特征值提取的流程图；
图5为本荔枝虫害监测识别系统的监测识别方法实施例步骤3匹配判断的流程图。
具体实施方式
荔枝虫害监测识别系统实施例
本荔枝虫害监测识别系统实施例如图1所示，本例的计算机服务器为云端服务器，其内设置害虫识别模块、匹配判断模块和害虫特征数据库，云端服务器无线连接多个用户手机作为用户终端。害虫识别模块包括图片接收子模块、图像处理子模块，害虫识别模块与害虫特征数据库无线连接。图片接收子模块与用户手机端无线连接，接收用户传送的图片；图像处理子模块对图片进行简化处理得到各图片的纹理、颜色、轮廓和背景的特征值。害虫特征数据库接收害虫识别模块传送的害虫图片的不同特征值，并存储于纹理、颜色、轮廓和背景特征库。匹配判断模块连接害虫识别模块和害虫特征数据库，并与用户手机无线连接，匹配判断模块接收害虫识别模块传送的用户实时提交待判断的害虫图片与特征值，与害虫特征数据库所存内容进行匹配判断，并将结果传送到用户手机并在手机上显示。用户手机安装有结果显示模块。
荔枝虫害监测识别系统的监测识别方法实施例
本荔枝虫害监测识别系统的监测识别方法实施例主要流程如图2所示，包括的主要步骤说明如下：
步骤1、建立害虫识别模块
11、用户上传照片
用户用手机拍照害虫照片，所述照片中虫体轮廓所占面积大于50％，为虫体的俯视图或侧视图，光线充足；在每种害虫的各个变态发育期各摄取照片1000张，每个变态发育期照片摄取的时间均匀覆盖该发育期各时段，对于每种害虫，在各变态期的每一天每个小时均拍摄照片，对同一害虫间隔10～60分钟进行一次拍摄，对一种害虫一个变态期每天拍摄的照片小于200张。图片接收子模块接收用户手机上传的照片；本例选择的害虫为荔枝蝽，尖细蛾，蛀蒂虫和荔枝瘿螨4种，其不同变态发育期如表1所示，其中打勾的表示该害虫的变态发育期。本例共得到4种害虫的不同发育期的照片共计3×3×1000+1×4×1000张。
表1 本例4种害虫及变态发育期一览表
发育期 荔枝蝽 尖细蛾 蛀蒂虫 荔枝瘿螨
卵 √ √ √ √
幼虫或若虫 √ √ √ √
蛹 √
成虫 √ √ √ √
12、图像处理
图像处理子模块对图片接收子模块接收的用户拍摄的照片进行图像处理，得到纹理、颜色、轮廓和背景特征图。
本例纹理、颜色、轮廓、背景特征图获取方法如图3所示，分别说明如下：
121、纹理特征图
1211、创建同类型矩阵
使用计算机视觉开源库openCV(Open Source Computer Vision Library)中的dstImage.Create(srcImage.Size(),srcImage.type())函数实例化dstImage对象，使其与原图片srcImage具有相同的大小和类型。
1212、将原图像转换为灰度图像
读取原图像每个像素点的红、绿、蓝(Red,Green,Blue)三色值，简称RGB值，灰度值Gray通过下式计算：
Cray＝(Red+Green+Bule)/3
将各像素转为其灰度值，原图转换为灰度图，并将每个像素点的灰度值赋给grayImage。
1213、使用3*3内核降噪
使用openCV的Blur(grayImage,srcImage，size(3,3))函数将grayImage函数进行均值滤波后用srcImage进行输出。
1214、运行Canny算子
运行Canny(edge,edge,3,10,3)函数，将单通道灰度图进行高斯平滑卷积降噪；得到纹理特征图。
122、轮廓特征图
在完成步骤1211～1213后，运行Canny算子，运行Canny(edge,edge,3,100,3)函数，将单通道灰度图进行高斯平滑卷积降噪，得到轮廓特征图。
123、背景特征图
1231、像素分割
使用openCV的Rect rectangle(40,90,image.cols-80,image.rows-170)函数定义一个矩形框，在框内寻找可能为前景，即虫体图形，的像素点。
1232、抓取可能为前景的像素点
运用高斯混合模型计算每个像素点为前景像素点的概率，并标记处所有概率>50％的像素点。
1233、删除前景的像素点
遍历原图中的每个像素，将所有被标记为前景的像素点的RGB值改为(0,0,0)，即删除。得到背景特征图。
124、颜色特征图
1241、转换色彩空间
通过openCV的cvtColor(src,hsv,CV_BGR2HSV)将RGB色彩空间转换为HSV色彩空间，在圆柱坐标系中表示原图在RGB色彩空间中的各点。
1242、获取颜色直方图
将HSV色彩空间的图像使用h.getHistogramImage(hsv)函数获取颜色直方图，即得到颜色特征图
13、特征值提取和害虫特征数据库的建立
对4种特征图分别提取特征值，特征值发送给害虫特征数据库。
基于像素点的特征值提取方法的流程图如图4所示，具体步骤如下：
134、简化图像并简化色彩
将特征图统一简化为8*8＝64像素的图，并对该图进行灰度化处理。
以荔枝蝽的成虫期照片为例，灰度化处理后所得8×8矩阵如下：
Figure BDA0002231072170000101
135、计算该图平均像素值
将该图所有像素点的像素值Pi相加求和，再除以该图像素点的总个数N＝64，则得到该图的像素平均值PA。
Figure BDA0002231072170000111
按上例的矩阵计算
Figure BDA0002231072170000112
136、简化特征矩阵
将每个像素点的像素值Pi与平均像素值PA进行比较，若Pi＜PA得，则简化后的像素值newPi＝0，否则，newPi＝1；从而得到8×8的0/1二分类的特征值矩阵。如步骤134中荔枝蝽成虫照片为例的矩阵转为0/1特征值矩阵如下：
Figure BDA0002231072170000113
134、害虫特征数据库的建立
将133步骤所得8×8的0/1二分类的特征值矩阵的每列的字符串依次排列得到64位的字符串。如上例所得64位的字符串为：
0011111100011111011000110010010111100001011100010111111101111111
此64位字符串作为该特征图的唯一标志，此字符串称作特征指纹。
将不同害虫不同发育期各张照片的每种特征图的特征值提取出来后所得到的8×8的0/1二分类的特征值矩阵分别压缩为4个0/1二分类的特征值依次排列的字符串，特征指纹包括纹理指纹、颜色指纹、轮廓指纹和背景指纹。某种害虫不同发育期照片的4种指纹分别存入此种害虫对应的发育期的纹理、颜色、轮廓和背景4种特征库。多种害虫不同发育期照片的4种特征库组成害虫特征数据库。害虫特征数据库中不包含图片，用不同害虫不同发育期照片的4种指纹的64位字符串具体表述图片特征内容。
步骤2、实时监测
21、用户实时拍摄害虫
按步骤11的拍摄要求，用户实时拍摄一张害虫照片上传到图片接收子模块；
22、实时图像处理
按步骤12的相同方式得到实时拍摄害虫的待定图像的纹理、颜色、轮廓和背景特征图和特征值，所得待定图的4种指纹发送到匹配判断模块；所得待定图的颜色、纹理、轮廓和背景4种指纹的特征字符串分别如下：
x1＝1111110011110101010110011111110101110100000110100101111110010010
x2＝0010110111111010100111111110000100110000001000011010010100000100
x3＝0101100010011100000010110100101001101101110001111000110110011010
x4＝0010000101111100001001111111111011001111111001111010110110111010
步骤3、匹配判断
将步骤2所得的待定图的特征指纹与害虫特征数据库中存储的不同害虫不同发育期的对应的特征库中的指纹进行匹配。具体流程如图5所示，步骤说明如下：
31、背景特征
将待定图的背景指纹x4与害虫特征数据库背景特征库中存储的4种害虫不同发育期的3×3×1000+1×4×1000个背景指纹进行穷举匹配，。
待定图背景指纹的64位字符串与害虫特征数据库中所有背景指纹的64位字符串相同数为y4k，匹配度x4k＝(y4k/64)。本例部分背景指纹的匹配度如表2所示。
背景指纹的平均匹配度x4A的计算式如下：
Figure BDA0002231072170000121
n4为害虫特征数据库中各种害虫、各个发育期的所有背景指纹的总条数，本例n4＝3×3×1000+1×4×1000
本例背景指纹的平均匹配度x4A＝52.86％
表2 本例部分背景指纹的匹配度示意表
Figure BDA0002231072170000131
本例背景指纹的平均匹配度x4A≥50％，进入步骤32。否则输出判断结果“这不是荔枝害虫照片”，返回步骤2等待检测其它实时拍摄的照片；
32、平均匹配度和最大匹配度
将待定图的纹理、颜色和轮廓三种指纹通过穷举法分别与害虫特征数据库中存储的每种害虫不同发育期的对应的纹理、颜色和轮廓3种特征库中的指纹进行穷举匹配；与步骤31的背景特征的匹配方法相似，分别求出待定图的纹理、颜色和轮廓3种指纹在每种害虫的每个发育期对应的纹理、颜色和轮廓3种特征库中的平均匹配度和最大匹配度。
本例害虫特征数据库中包括4种害虫，每种害虫有3或4个发育期，现以害虫荔枝蝽的卵、幼虫和成虫3个发育期为例说明本次步骤21用户实时拍摄害虫照片与害虫特征数据库中荔枝蝽的3个发育期的颜色指纹特征的平均匹配度x1A和最大匹配度x1max，纹理指纹特征的平均匹配度x2A和最大匹配度x2max，轮廓指纹特征的平均匹配度x3A和最大匹配度x3max。
待定图的纹理、颜色和轮廓中的一种j特征指纹的64位字符串分别与害虫特征数据库每种害虫m的各发育期d对应的j特征库中某个指纹的64位字符串一一比对，相同字符数为yjk,匹配度xjk＝(yjk/64)，j＝1,2,3，表示三种特征，k＝1、2…nj，nj为害虫特征数据库中害虫m的发育期d对应的j特征指纹的总条数。
待定图的指纹j在害虫m发育期d的j特征库的平均匹配度xjA的计算式如下：
Figure BDA0002231072170000141
33、动态权值
待定图的纹理、颜色和轮廓指纹中的一种j指纹对于4种害虫之一m的发育期d的j指纹特征的动态权值wj的计算式如下：
Figure BDA0002231072170000142
34、最终匹配度Wmd
待定图片对于4种害虫之一m的发育期d的最终匹配度Wmd为待定图的纹理、颜色和轮廓指纹的3个动态权值wj与相应的纹理、颜色和轮廓指纹的最大匹配度乘积之和。
所得Wmd为待定图在害虫m的发育期d的最终匹配度。
本例得到的待定图的颜色、纹理和轮廓特征指纹与害虫特征数据库中4种害虫相应的特征指纹的平均匹配度、最大匹配度和权值，以及各种害虫各发育期的最终匹配度如表3所示。
由表3可见本例得到的13个最终匹配度Wmd，其中最终匹配度Wmd中最大的为84.83％，其对应荔枝蝽的成虫期，故本例判断步骤21用户实时拍摄照片的待定图片最有可能是害虫荔枝蝽的成虫期。
表3 待定图颜色、纹理和轮廓特征指纹与4种害虫相应的特征指纹的匹配度一览表
Figure BDA0002231072170000151
害虫识别模块将对用户实时拍摄照片的判断结果传送到用户手机并在手机上显示。
用户根据本系统的判断结果与专家库网站联网，查询专家库中有关此害虫在此发育期的具体防治措施，用户及时采取防治手段。
所述专家库网站包括中国农药网、中国农资网等，所述专家库网站内有相应害虫的详细信息，例如名称，形态，生长习性，生长周期，危害指数等，同时包括此种害虫相应的防治措施，适用农药种类、用量和施用方式，适用天敌种类和放置方式等等。以帮助用户及时采取措施对害虫防治和控制，大大降低害虫危害。
步骤4、完善害虫特征数据库
将步骤3匹配成功的判断结果及待定图片的4种特征指纹传送到害虫特征数据库，进一步完善纹理、颜色、轮廓和背景特征库。
上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (6)

1.一种荔枝虫害监测识别系统，包括包括计算机服务器和与计算机服务器无线连接的1个或多个用户手机，其特征在于：
所述计算机服务器内设置有害虫识别模块、匹配判断模块和害虫特征数据库；害虫识别模块包括图片接收子模块、图像处理子模块，害虫识别模块与害虫特征数据库连接；图片接收子模块与用户手机无线连接，接收用户传送的图片；图像处理子模块对图片进行简化处理得到各图片的纹理、颜色、轮廓和背景的特征值；害虫特征数据库接收害虫识别模块传送的害虫图片不同特征值，存储于纹理、颜色、轮廓和背景特征库；匹配判断模块与害虫识别模块、害虫特征数据库连接，并与用户手机无线连接，匹配判断模块接收害虫识别模块传送的用户实时提交待判断的害虫图片与特征值，与害虫特征数据库所存内容进行匹配判断，并将结果传送到用户手机并在手机上显示；用户手机安装有结果显示模块。
2.根据权利要求1所述的荔枝虫害监测识别系统的监测识别方法，其特征在于包括的主要步骤如下：
步骤1、建立害虫识别模块
11、用户上传照片
用户用手机拍照害虫照片，所述照片中虫体轮廓所占面积大于50％，为虫体的俯视图或侧视图，光线充足；在每种害虫的各个变态发育期各摄取照片1000张或更多，每个变态发育期照片摄取的时间均匀覆盖该发育期各时段，图片接收子模块接收用户手机上传的照片；
12、图像处理
图像处理子模块对图片接收子模块接收的用户拍摄的照片进行图像处理，得到纹理、颜色、轮廓和背景特征图；
所述的纹理、颜色、轮廓、背景特征图获取方法分别如下：
121、纹理特征图
1211、创建同类型矩阵
使用计算机视觉开源库openCV中的dstImage.Create(srcImage.Size(),srcImage.type())函数实例化dstImage对象，使其与原图片srcImage具有相同的大小和类型；
1212、将原图像转换为灰度图像
读取原图像每个像素点的红、绿、蓝三色值，简称RGB值，灰度值Gray通过下式计算：
Gray＝(Red+Green+Bule)/3
将各像素转为其灰度值，原图转换为灰度图，并将每个像素点的灰度值赋给grayImage；
1213、使用3*3内核降噪
使用openCV的Blur(grayImage,srcImage，size(3,3))函数将grayImage函数进行均值滤波后用srcImage进行输出；
1214、运行Canny算子
运行Canny(edge,edge,3,10,3)函数，将单通道灰度图进行高斯平滑卷积降噪；得到纹理特征图；
122、轮廓特征图
在完成步骤1211～1213后，运行Canny算子，运行Canny(edge,edge,3,100,3)函数，将单通道灰度图进行高斯平滑卷积降噪，得到轮廓特征图；
123、背景特征图
1231、像素分割
使用openCV的Rectrectangle(40,90,image.cols-80,image.rows-170)函数定义一个矩形框，在框内寻找可能为前景，即虫体图形，的像素点；
1232、抓取可能为前景的像素点
运用高斯混合模型计算每个像素点为前景像素点的概率，并标记处所有概率>50％的像素点；
1233、删除前景的像素点
遍历原图中的每个像素，将所有被标记为前景的像素点的RGB值改为(0,0,0)，即删除，得到背景特征图；
124、颜色特征图
1241、转换色彩空间
通过openCV的cvtColor(src,hsv,CV_BGR2HSV)将RGB色彩空间转换为HSV色彩空间，在圆柱坐标系中表示原图在RGB色彩空间中的各点；
1242、获取颜色直方图
将HSV色彩空间的图像使用h.getHistogramImage(hsv)函数获取颜色直方图，即得到颜色特征图；
13、特征值提取和害虫特征数据库的建立
对4种特征图分别提取特征值，特征值发送给害虫特征数据库；
采取基于像素点的特征值提取方法，具体步骤如下：
131、简化图像并简化色彩
将特征图统一简化为8*8＝64像素的图，并按步骤1212的方法对该图进行处理，原图转换为灰度图；
132、计算该图平均像素值
将该图所有像素点的像素值Pi相加求和，再除以该图像素点的总个数N＝64，则得到该图的像素平均值PA；
Figure FDA0002231072160000031
133、简化特征矩阵
将每个像素点的像素值Pi与平均像素值PA进行比较，若Pi＜PA得，则简化后的像素值newPi＝0，否则，newPi＝1；从而得到8×8的0/1二分类的特征值矩阵；
134、害虫特征数据库的建立
将133步骤所得8×8的0/1二分类的特征值矩阵的每列的字符串依次排列得到64位的字符串，此64位字符串作为该特征图的唯一标志；此字符串称作特征指纹；
将不同害虫不同发育期各张照片的每种特征图的特征值提取出来后所得到的8×8的0/1二分类的特征值矩阵分别压缩为4个0/1二分类的特征值依次排列的字符串，特征指纹包括纹理指纹、颜色指纹、轮廓指纹和背景指纹；某种害虫不同发育期照片的4种指纹分别存入此种害虫对应的发育期的纹理、颜色、轮廓和背景4种特征库；多种害虫不同发育期照片的4种特征库组成害虫特征数据库；
步骤2、实时监测
21、用户实时拍摄害虫
按步骤11的拍摄要求，用户实时拍摄一张害虫照片上传到图片接收子模块；
22、实时图像处理
按步骤12的相同方式得到实时拍摄害虫的待定图像的纹理、颜色、轮廓和背景特征图和特征值，所得待定图的4种指纹发送到匹配判断模块；
步骤3、匹配判断
将步骤2所得的待定图的特征指纹与害虫特征数据库中存储的不同害虫不同发育期的对应的特征库中的指纹进行匹配；具体步骤如下：
31、背景特征
将待定图的背景指纹与害虫特征数据库中存储的各种害虫不同发育期的的背景特征库中的指纹进行穷举匹配，若平均匹配度x4A≥50％，则进入步骤32，否则输出判断结果“这不是荔枝害虫照片”，返回步骤2等待检测其它实时拍摄的照片；
待定图背景指纹的64位字符串与害虫特征数据库中所有背景指纹的64位字符串相同数为y4k，匹配度x4k＝(y4k/64)；背景指纹的平均匹配度x4A的计算式如下：
Figure FDA0002231072160000041
n4为害虫特征数据库中各种害虫、各个发育期的所有背景指纹的总条数；
32、平均匹配度和最大匹配度
将待定图的纹理、颜色和轮廓三种指纹通过穷举法分别与害虫特征数据库中存储的每种害虫不同发育期的对应的纹理、颜色和轮廓3种特征库中的指纹进行穷举匹配；分别求出待定图的纹理、颜色和轮廓3种指纹在每种害虫的每个发育期对应的纹理、颜色和轮廓3种特征库中的平均匹配度和最大匹配度；
设害虫特征数据库中包括M种害虫，每种害虫有Dm个发育期，现以害虫m的发育期d为例说明,求得在害虫m的发育期d的j特征库的平均匹配度xjA和最大匹配度xjmax；
待定图的纹理、颜色和轮廓指纹中的一种j指纹的64位字符串分别与害虫m的发育期d对应的j特征库中某个指纹的64位字符串一一比对，相同字符数为yjk,匹配度xjk＝(yjk/64)；j＝1,2,3，表示三种特征；k＝1、2…nj，nj为害虫特征数据库中害虫m的发育期d对应的j特征库的指纹总条数；
待定图的指纹j在害虫m发育期d的j特征库的平均匹配度xjA的计算式如下：
Figure FDA0002231072160000051
33、动态权值
待定图的纹理、颜色和轮廓指纹中的一种j指纹对于数据库中害虫m的发育期d的j指纹特征的动态权值wj的计算式如下：
34、待定图片的最终匹配度Wmd
Figure FDA0002231072160000053
所得Wmd为待定图在害虫m的发育期d的最终匹配度；
害虫特征数据库M种害虫、每种害虫dm个发育期，在每种害虫的每个发育期的3种特征库中进行穷举匹配，得到
Figure FDA0002231072160000054
个最终匹配度Wmd，其中匹配成功的多个最终匹配度Wmd中最大的，其对应所属害虫即为用户实时拍摄照片的待定图片最有可能的害虫种类；
害虫识别模块将对用户实时拍摄照片的判断结果传送到用户手机并在手机上显示。
3.根据权利要求2所述的荔枝虫害监测识别系统的监测识别方法，其特征在于：
所述步骤11摄取各种害虫每个变态发育期照片时，对于每种害虫，在各变态期的每一天每个小时均要拍摄照片，对同一害虫间隔10～60分钟进行一次拍摄，对一种害虫一个变态期每天拍摄的照片小于200张。
4.根据权利要求2所述的荔枝虫害监测识别系统的监测识别方法，其特征在于：
所述步骤33中，若是在害虫特征数据库的M种害虫、每种害虫Dm个发育期的3种特征库中进行穷举匹配所得最终匹配度Wmd最大的前2或3个相互的差小于3％，则将数个最终匹配度对应所属害虫作为判断结果同时输出，供用户自行判断。
5.根据权利要求2所述的荔枝虫害监测识别系统的监测识别方法，其特征在于：
用户根据本系统的判断结果与专家库网站联网，查询专家库中有关此害虫在此发育期的具体防治措施，及时采取防治手段。
6.根据权利要求2所述的荔枝虫害监测识别系统的监测识别方法，其特征在于：
还包括步骤4完善害虫特征数据库
将步骤3匹配成功的判断结果及待定图片的4种特征指纹传送到害虫特征数据库，进一步完善纹理、颜色、轮廓和背景特征库。
CN201910967814.5A 2019-10-12 2019-10-12 一种荔枝虫害监测识别系统和监测识别方法 Active CN110796148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910967814.5A CN110796148B (zh) 2019-10-12 2019-10-12 一种荔枝虫害监测识别系统和监测识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910967814.5A CN110796148B (zh) 2019-10-12 2019-10-12 一种荔枝虫害监测识别系统和监测识别方法

Publications (2)

Publication Number Publication Date
CN110796148A true CN110796148A (zh) 2020-02-14
CN110796148B CN110796148B (zh) 2020-07-07

Family

ID=69439009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910967814.5A Active CN110796148B (zh) 2019-10-12 2019-10-12 一种荔枝虫害监测识别系统和监测识别方法

Country Status (1)

Country Link
CN (1) CN110796148B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257730A (zh) * 2020-11-20 2021-01-22 湖南本业绿色防控科技股份有限公司 植物害虫图像识别方法、装置、设备及存储介质
CN115203315A (zh) * 2022-07-18 2022-10-18 浙江鼎昆环境科技有限公司 基于物联网传感器判断白蚁有无的监测点状态在软件上的展示系统和计算方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050025357A1 (en) * 2003-06-13 2005-02-03 Landwehr Val R. Method and system for detecting and classifying objects in images, such as insects and other arthropods
CN101329560A (zh) * 2008-08-01 2008-12-24 湖南农业大学 农业病虫害综合智能管理系统
US20130136312A1 (en) * 2011-11-24 2013-05-30 Shih-Mu TSENG Method and system for recognizing plant diseases and recording medium
CN103440488A (zh) * 2013-09-03 2013-12-11 江苏物联网研究发展中心 一种虫害识别的方法
CN103903006A (zh) * 2014-03-05 2014-07-02 中国科学院合肥物质科学研究院 一种基于Android平台的农作物害虫识别方法及系统
CN105787446A (zh) * 2016-02-24 2016-07-20 上海劲牛信息技术有限公司 一种智慧农业病虫害远程自动诊断系统
CN105868784A (zh) * 2016-03-29 2016-08-17 安徽大学 一种基于sae-svm的病虫害检测系统
CN107301605A (zh) * 2017-06-29 2017-10-27 深圳前海弘稼科技有限公司 作物虫害的控制方法及装置
CN107423888A (zh) * 2017-07-07 2017-12-01 北京中农苑生物科技研究所 一种基于大数据的农作物病虫害诊断系统与方法
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
CN109101891A (zh) * 2018-07-17 2018-12-28 哈尔滨理工大学 一种融合人工智能的水稻病虫害检测系统及其检测方法
CN109325499A (zh) * 2018-08-02 2019-02-12 浙江中农在线电子商务有限公司 病虫害识别方法及装置
CN109726700A (zh) * 2019-01-07 2019-05-07 武汉南博网络科技有限公司 一种基于多特征的虫害识别预警方法和装置
CN109752376A (zh) * 2018-12-28 2019-05-14 佛山科学技术学院 一种基于计算机视觉的皇帝柑健康监测系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050025357A1 (en) * 2003-06-13 2005-02-03 Landwehr Val R. Method and system for detecting and classifying objects in images, such as insects and other arthropods
CN101329560A (zh) * 2008-08-01 2008-12-24 湖南农业大学 农业病虫害综合智能管理系统
US20130136312A1 (en) * 2011-11-24 2013-05-30 Shih-Mu TSENG Method and system for recognizing plant diseases and recording medium
CN103440488A (zh) * 2013-09-03 2013-12-11 江苏物联网研究发展中心 一种虫害识别的方法
CN103903006A (zh) * 2014-03-05 2014-07-02 中国科学院合肥物质科学研究院 一种基于Android平台的农作物害虫识别方法及系统
CN105787446A (zh) * 2016-02-24 2016-07-20 上海劲牛信息技术有限公司 一种智慧农业病虫害远程自动诊断系统
CN105868784A (zh) * 2016-03-29 2016-08-17 安徽大学 一种基于sae-svm的病虫害检测系统
CN107301605A (zh) * 2017-06-29 2017-10-27 深圳前海弘稼科技有限公司 作物虫害的控制方法及装置
CN107423888A (zh) * 2017-07-07 2017-12-01 北京中农苑生物科技研究所 一种基于大数据的农作物病虫害诊断系统与方法
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
CN109101891A (zh) * 2018-07-17 2018-12-28 哈尔滨理工大学 一种融合人工智能的水稻病虫害检测系统及其检测方法
CN109325499A (zh) * 2018-08-02 2019-02-12 浙江中农在线电子商务有限公司 病虫害识别方法及装置
CN109752376A (zh) * 2018-12-28 2019-05-14 佛山科学技术学院 一种基于计算机视觉的皇帝柑健康监测系统
CN109726700A (zh) * 2019-01-07 2019-05-07 武汉南博网络科技有限公司 一种基于多特征的虫害识别预警方法和装置

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
APURVA SRIWASTWA等: "Detection of Pests Using Color Based Image Segmentation", 《2018 SECOND INTERNATIONAL CONFERENCE ON INVENTIVE COMMUNICATION AND COMPUTATIONAL TECHNOLOGIES (ICICCT)》 *
MILAN MARIĆ 等: "Compressive Sensing based image processing in TrapView pest monitoring system", 《2016 39TH INTERNATIONAL CONVENTION ON INFORMATION AND COMMUNICATION TECHNOLOGY, ELECTRONICS AND MICROELECTRONICS (MIPRO)》 *
TRUPTI S. BODHE等: "Selection of color space for image segmentation in pest detection", 《2013 INTERNATIONAL CONFERENCE ON ADVANCES IN TECHNOLOGY AND ENGINEERING (ICATE)》 *
孙艘: "烟草虫情图像采集与监测系统研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
屠舒妍: "面向移动终端的病虫草害识别系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
杨娟等: "中国荔枝与龙眼上的瘿螨研究现状", 《南方园艺》 *
程尚坤等: "粮虫图像识别检测技术研究现状与展望", 《安徽农业科学》 *
赵文宏等: "农田虫害远程自动监测系统设计", 《农 机 化 研 究》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257730A (zh) * 2020-11-20 2021-01-22 湖南本业绿色防控科技股份有限公司 植物害虫图像识别方法、装置、设备及存储介质
CN115203315A (zh) * 2022-07-18 2022-10-18 浙江鼎昆环境科技有限公司 基于物联网传感器判断白蚁有无的监测点状态在软件上的展示系统和计算方法
CN115203315B (zh) * 2022-07-18 2023-06-27 浙江鼎昆环境科技有限公司 监测点状态展示系统及计算方法

Also Published As

Publication number Publication date
CN110796148B (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
JP6921095B2 (ja) 航空画像を収集及び分析するための方法
Aich et al. Deepwheat: Estimating phenotypic traits from crop images with deep learning
US8693778B1 (en) Method and system for identifying plant life parameters in color-digital image information
Husin et al. Feasibility study on plant chili disease detection using image processing techniques
CN109344883A (zh) 一种基于空洞卷积的复杂背景下果树病虫害识别方法
CN107067043A (zh) 一种农作物病虫害检测方法
CN110796011B (zh) 一种基于深度学习的稻穗识别方法、系统、装置及介质
CN110020635A (zh) 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统
TWI760782B (zh) 用於地理區域上果園辨識之系統及方法
CN110796148B (zh) 一种荔枝虫害监测识别系统和监测识别方法
Jafari et al. Weed detection in sugar beet fields using machine vision
CN108629289B (zh) 农田的识别方法及系统、应用于农业的无人机
CN109344738A (zh) 农作物病虫草害识别方法及装置
CN112257702A (zh) 一种基于增量学习的农作物病害识别方法
EP4256465A1 (en) System and method for determining damage on plants after herbicide application
Kumar et al. An identification of crop disease using image segmentation
Mahalakshmi et al. RETRACTED ARTICLE: Agro Suraksha: pest and disease detection for corn field using image analysis
Paulo et al. Distinguishing volunteer corn from soybean at seedling stage using images and machine learning
US9830514B2 (en) Method and apparatus for distinguishing between types of vegetation using near infrared color photos
Dhore et al. Study On Various Machine Learning Techniques For Plant Disease Detections In Agricultural Sector
Aparna et al. CNN based technique for automatic tree counting using very high resolution data
CN111122453A (zh) 信息处理方法、装置和系统
CN109740432A (zh) 植物监控方法、装置、计算机设备及存储介质
Kumar et al. An automatic multi-threshold image processing technique for mushroom disease segmentation
Hannuna et al. Agriculture disease mitigation system

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