CN110852282B - 一种基于机器视觉的农田病害监测系统 - Google Patents
一种基于机器视觉的农田病害监测系统 Download PDFInfo
- Publication number
- CN110852282B CN110852282B CN201911107795.5A CN201911107795A CN110852282B CN 110852282 B CN110852282 B CN 110852282B CN 201911107795 A CN201911107795 A CN 201911107795A CN 110852282 B CN110852282 B CN 110852282B
- Authority
- CN
- China
- Prior art keywords
- disease
- module
- pest
- image
- farmland
- 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.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 56
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 45
- 238000007619 statistical method Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 230000000977 initiatory effect Effects 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 241000238631 Hexapoda Species 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 5
- 230000018109 developmental process Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000009331 sowing Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的农田病害监测系统，包括目标图像采集模块和监测终端，其监测终端内设有：病虫害识别模块，基于神经网络模型实现图片中孔洞、斑点、害虫、害虫轨迹的识别；所述神经网络模型采用ssd目标检测算法，用coco数据集训练inception v2深度神经网络；病虫害统计分析模块，用于连通分量外接图形模板和测量标尺进行图片上孔洞、斑点的测量，并根据病虫害识别模块的识别结果实现病虫害的统计分析。本发明采用inception v2深度神经网络实现了农作物叶面和根茎上的孔洞、斑点、害虫的快速识别，从而可以准确的获取到当前农作物的病虫害情况。
Description
技术领域
本发明涉及农业领域，具体涉及一种基于机器视觉的农田病害监测系统。
背景技术
病虫害防治是保证农作物生长的重要因素，随着科技的发展，病虫害的防治方式也变得多种多样。目前，对农田病害的监控还停留在人工定时定点查看的方式，费时费力的同时，实时性、准确性均较差。
发明内容
本发明的目的在于提供了一种基于机器视觉的农田病害监测系统，实现了对农田病害情况的实时监测分析，且准确性高。
为实现上述目的，本发明采取的技术方案为：
一种基于机器视觉的农田病害监测系统，包括目标图像采集模块和监测终端，所述目标图像采集模块通过无人机模块定点进行待监测农田作物图像的采集，并将采集到的图像数据通过无线通信模块实时发送到监测终端；所述监测终端内设有：
病虫害识别模块，基于神经网络模型实现图片中孔洞、斑点、害虫、害虫轨迹的识别；所述神经网络模型采用ssd目标检测算法，用coco数据集训练inception v2深度神经网络；
病虫害统计分析模块，用于连通分量外接图形模板和测量标尺进行图片上孔洞、斑点的测量，并根据病虫害识别模块的识别结果实现病虫害的统计分析。
进一步地，所述病虫害统计分析模块内设有：
病虫害统计模块，基于数据挖掘模块对病虫害识别模块的识别结果进行统计分析，以表格的方式自动输出病虫害统计分析结果；
孔洞、斑点尺寸测量模块，用于分量外接图形模板和测量标尺进行图片上孔洞、斑点的尺寸的测量，测量时，首先将图像内的孔洞、斑点形状与预设的图像模板进行相似度对比，若对比的相似度大于90%，那么则将该孔洞、斑点形状判定为是该模块的图形；若所有的模板对比结果均低于90%，则启动图像分割程序，将图像分割成若干个不同的或者相同的图形模板，直至完成整个孔洞、斑点区域的图形分割，分割的结果至少包括其所包含的图形模板种类、数量以及大小比例；
对比分析模块，用于对比相邻两次相同的孔洞、斑点测量结果，实现病害发展情况的预测。
进一步地，所述监测终端内还设有：
无人机飞行轨迹规划模块，用于根据种植作物的株距、行距、株高、起始作物所在的坐标实现无人机飞行轨迹的规划；其中，株高以起始作物为基准，株距、行距为播种参数；进一步地，所述无人机采集到的目标图像均携带有POS数据，该POS数据至少包括纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）。
进一步地，所述监测终端内设有：
图像标记模块，用于为每一副采集到的图像标记上其对应的识别结果；
图像拼接模块，用于根据POS数据完成所有完成标记后的目标图像的拼接，从而实现待监测农田整体图像的输出。
进一步地，每一种病害的识别结果对应一种标记，且每种标记点亮的颜色不同，所述图像标记模块采用该标记进行图像的标记，相同的标记之间存在互联关系，点击其中的一个标记，其余相同标记均会点亮。
进一步地，所述监控终端内还设有：
病害定位模块，当发现病害时，可提取目标图像中的坐标信息，并将该坐标信息携带病虫害识别结果以表格的方式进行显示。
本发明具有以下有益效果：
1）本发明采用inception v2深度神经网络实现了农作物叶面和根茎上的孔洞、斑点、害虫的快速识别，从而可以准确的获取到当前农作物的病虫害情况；
2）系统自带统计功能，且可以实现整个监测区域病害虫情况的整体展现，便于用于对农田整体病害情况的查看。
3）基于病虫害统计分析模块可以实现病虫害发展情况，当前治疗措施有效性的评估。
4）以每一株作物的坐标作为无人机飞行轨迹规划的基准，从而可以保证每一副图像的标准化，可以减少由于图像采集位置的偏差而造成的识别误差。
附图说明
图1为本发明实施例一种基于机器视觉的农田病害监测系统的系统框图。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供了一种基于机器视觉的农田病害监测系统，包括目标图像采集模块和监测终端，所述目标图像采集模块通过无人机模块定点进行待监测农田作物图像的采集，并将采集到的图像数据通过无线通信模块实时发送到监测终端；所述无人机采集到的目标图像均携带有POS数据，该POS数据至少包括纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）；所述监测终端内设有：
无人机飞行轨迹规划模块，用于根据种植作物的株距、行距、株高、起始作物所在的坐标实现无人机飞行轨迹的规划；其中，株高以起始作物为基准，株距、行距为播种参数；规划时，首先通过起始作物所在的坐标、株距、行距实现每一株作物坐标的获取，然后基于每一株作物坐标、株高实现无人机飞行轨迹的规划，每一株作物的目标图像均至少包括正上方俯视图、左侧视图、右侧视图、前侧视图和后侧视图，当株高加长时，可采用拼接模式进行左侧视图、右侧视图、前侧视图和后侧视图的采集，从上往下依次采集目标区域的图像，然后完成图像拼接即可；
病虫害识别模块，基于神经网络模型实现图片中孔洞、斑点、害虫、害虫轨迹的识别；所述神经网络模型采用ssd目标检测算法，用coco数据集训练inception v2深度神经网络；
病虫害统计分析模块，用于连通分量外接图形模板和测量标尺进行图片上孔洞、斑点的测量，并根据病虫害识别模块的识别结果实现病虫害的统计分析；
图像标记模块，用于为每一副采集到的图像标记上其对应的识别结果；每一种病害的识别结果对应一种标记，且每种标记点亮的颜色不同，所述图像标记模块采用该标记进行图像的标记，相同的标记之间存在互联关系，点击其中的一个标记，其余相同标记均会点亮；支持所有标记全部同时点亮，使用者可以根据需要进行点亮标记的选择，从而便于其对农田整体病害情况的查看；
图像拼接模块，用于根据POS数据完成所有完成标记后的目标图像的拼接，从而实现待监测农田整体图像的输出；拼接时，首先根据目标图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）实现图像角度的调整，然后根据目标图像的纬度、经度、高程完成图像角度调整后的图像的拼接，即得到一株作物的三维图像，完成所有作物的三维图像拼接后，基于所有作物的坐标完成所述三维图像的拼接，从而获取到整体的图像；
病害定位模块，当发现病害时，可提取目标图像中的坐标信息，并将该坐标信息携带病虫害识别结果以表格的方式进行显示，方便用户定位病害所在地；
中央处理器，用于协调上述模块工作，可采用ARM微处理器。
本实施例中，所述病虫害统计分析模块内设有：
病虫害统计模块，基于数据挖掘模块对病虫害识别模块的识别结果进行统计分析，以表格的方式自动输出病虫害统计分析结果；
孔洞、斑点尺寸测量模块，用于分量外接图形模板和测量标尺进行图片上孔洞、斑点的尺寸的测量，测量时，首先将图像内的孔洞、斑点形状与预设的图像模板进行相似度对比，若对比的相似度大于90%，那么则将该孔洞、斑点形状判定为是该模块的图形；若所有的模板对比结果均低于90%，则启动图像分割程序，将图像分割成若干个不同的或者相同的图形模板，直至完成整个孔洞、斑点区域的图形分割，分割的结果至少包括其所包含的图形模板种类、数量以及大小比例；
对比分析模块，用于对比相邻两次相同的孔洞、斑点测量结果，实现病害发展情况的预测，对比分析时，可调用绘图模块进行对比曲线的绘制，从而可以更为直观的进行对比分析结果的展示。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于机器视觉的农田病害监测系统，其特征在于：包括目标图像采集模块和监测终端，所述目标图像采集模块通过无人机模块定点进行待监测农田作物图像的采集，并将采集到的图像数据通过无线通信模块实时发送到监测终端；所述监测终端内设有：
病虫害识别模块，基于神经网络模型实现图片中孔洞、斑点、害虫、害虫轨迹的识别；所述神经网络模型采用ssd目标检测算法，用coco数据集训练inception v2深度神经网络；
病虫害统计分析模块，用于连通分量外接图形模板和测量标尺进行图片上孔洞、斑点的测量，并根据病虫害识别模块的识别结果实现病虫害的统计分析。
2.如权利要求1所述的一种基于机器视觉的农田病害监测系统，其特征在于：所述病虫害统计分析模块内设有：
病虫害统计模块，基于数据挖掘模块对病虫害识别模块的识别结果进行统计分析，以表格的方式自动输出病虫害统计分析结果；
孔洞、斑点尺寸测量模块，用于分量外接图形模板和测量标尺进行图片上孔洞、斑点的尺寸的测量，测量时，首先将图像内的孔洞、斑点形状与预设的图像模板进行相似度对比，若对比的相似度大于90%，那么则将该孔洞、斑点形状判定为是该模块的图形；若所有的模板对比结果均低于90%，则启动图像分割程序，将图像分割成若干个不同的或者相同的图形模板，直至完成整个孔洞、斑点区域的图形分割，分割的结果至少包括其所包含的图形模板种类、数量以及大小比例；
对比分析模块，用于对比相邻两次相同的孔洞、斑点测量结果，实现病害发展情况的预测。
3.如权利要求1所述的一种基于机器视觉的农田病害监测系统，其特征在于：所述监测终端内还设有：
无人机飞行轨迹规划模块，用于根据种植作物的株距、行距、株高、起始作物所在的坐标实现无人机飞行轨迹的规划；其中，株高以起始作物为基准，株距、行距为播种参数。
4.如权利要求1所述的一种基于机器视觉的农田病害监测系统，其特征在于：所述无人机采集到的目标图像均携带有POS数据，该POS数据至少包括纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）。
5.如权利要求1所述的一种基于机器视觉的农田病害监测系统，其特征在于：所述监测终端内设有：
图像标记模块，用于为每一副采集到的图像标记上其对应的识别结果；
图像拼接模块，用于根据POS数据完成所有完成标记后的目标图像的拼接，从而实现待监测农田整体图像的输出。
6.如权利要求5所述的一种基于机器视觉的农田病害监测系统，其特征在于：每一种病害的识别结果对应一种标记，且每种标记点亮的颜色不同，所述图像标记模块采用该标记进行图像的标记，相同的标记之间存在互联关系，点击其中的一个标记，其余相同标记均会点亮。
7.如权利要求1所述的一种基于机器视觉的农田病害监测系统，其特征在于：所述监测终端内还设有：
病害定位模块，当发现病害时，可提取目标图像中的坐标信息，并将该坐标信息携带病虫害识别结果以表格的方式进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911107795.5A CN110852282B (zh) | 2019-11-13 | 2019-11-13 | 一种基于机器视觉的农田病害监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911107795.5A CN110852282B (zh) | 2019-11-13 | 2019-11-13 | 一种基于机器视觉的农田病害监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110852282A CN110852282A (zh) | 2020-02-28 |
| CN110852282B true CN110852282B (zh) | 2023-04-07 |
Family
ID=69600727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911107795.5A Active CN110852282B (zh) | 2019-11-13 | 2019-11-13 | 一种基于机器视觉的农田病害监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110852282B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368802A (zh) * | 2020-03-28 | 2020-07-03 | 河南工业职业技术学院 | 一种基于双目图像视觉的物资形状识别方法 |
| CN111414894A (zh) * | 2020-04-10 | 2020-07-14 | 吉林农业大学 | 一种基于遥感图像的农作物病害识别方法 |
| CN111414896A (zh) * | 2020-04-10 | 2020-07-14 | 吉林农业大学 | 一种基于卷积神经网络农作物病害图像识别方法 |
| MX2022011994A (es) | 2020-04-22 | 2022-10-20 | Univ Florida | Estructura basada en la nube para procesar, analizar y visualizar datos de imagenes. |
| CN111797835B (zh) * | 2020-06-01 | 2024-02-09 | 深圳市识农智能科技有限公司 | 一种病症识别方法、病症识别装置及终端设备 |
| CN111898590A (zh) * | 2020-08-26 | 2020-11-06 | 龙川县林业科学研究所 | 一种油茶病虫害监测方法 |
| CN112021052A (zh) * | 2020-09-17 | 2020-12-04 | 山西农业大学 | 一种基于化学农药与中华通草蛉联合防控果树山楂叶螨的方法 |
| CN112042449A (zh) * | 2020-09-17 | 2020-12-08 | 山西农业大学 | 一种基于中华通草蛉控制苹果园蚜虫的方法 |
| CN116778343B (zh) * | 2023-08-15 | 2023-11-14 | 安徽迪万科技有限公司 | 一种用于综合识别的目标图像特征提取方法 |
| CN117877024A (zh) * | 2024-03-13 | 2024-04-12 | 江西省农业科学院蔬菜花卉研究所 | 一种基于大数据的苦瓜枯萎病监测方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3199022B1 (en) * | 2014-09-24 | 2019-03-27 | Shanghai Xingrang Industrial Co., Ltd. | Smart imaging system and insect-trapping apparatus provided with same |
| CN108875620B (zh) * | 2018-06-06 | 2021-11-05 | 中国农业科学院深圳农业基因组研究所 | 入侵植物的监测方法及系统 |
| CN109032093A (zh) * | 2018-08-14 | 2018-12-18 | 荆州农业科学院 | 一种水稻病虫害监测系统 |
-
2019
- 2019-11-13 CN CN201911107795.5A patent/CN110852282B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110852282A (zh) | 2020-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852282B (zh) | 一种基于机器视觉的农田病害监测系统 | |
| US20230189787A1 (en) | Method for autonomously weeding crops in an agricultural field | |
| JP7086203B2 (ja) | 植物体耕作データ測定方法、作業経路計画方法及び装置、システム | |
| CN111582055B (zh) | 一种无人机的航空施药航线生成方法及系统 | |
| US20190116725A1 (en) | Fertilization Map Generation Method, Fertilization Map Generation System, Fertilization Map Generation Device, and Fertilization Map Generation Program | |
| Mahmud et al. | Development of a LiDAR-guided section-based tree canopy density measurement system for precision spray applications | |
| BR112019016111B1 (pt) | Sistemas e métodos de controle de ervas daninhas e pulverizador agrícola que incorpora os mesmos | |
| CN111542849A (zh) | 捕获植物性状的地面真实化标签的方法和系统 | |
| WO2021208407A1 (zh) | 目标物检测方法、装置和图像采集方法、装置 | |
| US20230306735A1 (en) | Agricultural analysis robotic systems and methods thereof | |
| CN113468964B (zh) | 一种基于高光谱的农业病虫害监测方法及设备 | |
| CN109032174B (zh) | 一种无人机作业航线规划方法以及作业执行方法 | |
| CN112154447A (zh) | 地表特征识别方法、设备、无人机及计算机可读存储介质 | |
| US10602665B2 (en) | Two armed robotic system for adjusting the height of an agricultural tool | |
| CN110254722A (zh) | 一种飞行器系统及其方法、具有计算机程序的产品 | |
| CN107633202A (zh) | 一种基于农田图像特征识别的植保无人机飞控方法和系统 | |
| KR20180086745A (ko) | 식물 영상 처리 장치 및 방법 | |
| CN109598215A (zh) | 一种基于无人机定位拍摄的果园建模分析系统和方法 | |
| CN103186773A (zh) | 一种基于一维Hough变换和专家系统的早期苗田垄线识别算法 | |
| CN109006749B (zh) | 一种基于分行阻力的田间冠层稠密度检测系统及其标定方法 | |
| CN113920106A (zh) | 一种基于rgb-d相机的玉米长势三维重构及茎粗测量方法 | |
| CN107491724B (zh) | 一种冬小麦穗分化期识别方法及装置 | |
| CN113807128B (zh) | 一种缺苗标记方法、装置、计算机设备和存储介质 | |
| Zhang et al. | Feasibility assessment of tree-level flower intensity quantification from UAV RGB imagery: a triennial study in an apple orchard | |
| CN111815612A (zh) | 一种基于物联网的红枣病虫预测系统 |
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 |