CN111967440B - 一种农作物病害的综合识别处理方法 - Google Patents
一种农作物病害的综合识别处理方法 Download PDFInfo
- Publication number
- CN111967440B CN111967440B CN202010919119.4A CN202010919119A CN111967440B CN 111967440 B CN111967440 B CN 111967440B CN 202010919119 A CN202010919119 A CN 202010919119A CN 111967440 B CN111967440 B CN 111967440B
- Authority
- CN
- China
- Prior art keywords
- color
- texture
- image
- crop
- crops
- 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 68
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 15
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 48
- 241000238631 Hexapoda Species 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 9
- IQLZWWDXNXZGPK-UHFFFAOYSA-N methylsulfonyloxymethyl methanesulfonate Chemical compound CS(=O)(=O)OCOS(C)(=O)=O IQLZWWDXNXZGPK-UHFFFAOYSA-N 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000030279 gene silencing Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- 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
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种农作物病害的综合识别处理方法,包括以下步骤:构建输入样本集和多源对比库、颜色纹理描述集成、输入样本集筛选、融合模型建模、提取颜色纹理特征、颜色纹理综合分析比对和确定具体病虫害及位置;本发明获取目标范围农作物叶片图像样本构成输入样本集,利用外部数据源,并对相应目标农作物的病虫害颜色纹理进行编号,构建多源对比库,且构建输入样本集的可视化模型,构建影像相对应的Path和Row数值矢量化模型,提取颜色纹理特征,和多源对比库进行比对,颜色纹理相重合的时候,语音播放模块播放针对该颜色纹理的具体病虫害描述,从而准确对农作物病害进行识别,比人工识别更加准确。
Description
技术领域
本发明涉及农作物病害识别技术领域,尤其涉及一种农作物病害的综合识别处理方法。
背景技术
作为国民经济命脉,农业是我国经济建设与发展的重要基础,农作物更是人民生活所需的重要资源,然而,农作物在生长过程中常因多种胁迫而染上各种病害,病害的发生会影响农作物的健康生长并且干扰农作物的重要生理功能,进而导致农作物品质受损和产量下降,给农业生产带来无法计算的损失,特别是近年来,我国农作物的种植面积、品种和数量逐步增长,但气候、生态环境和种植制度等方面的问题导致农作物病害频发,这给农业生产乃至整个国民经济带来严重的负面影响,据统计,每年受疾病影响的作物面积高达数十亿亩,直接粮食作物损失和间接经济作物损失均为数百亿斤,并且这些问题还在呈现逐年恶化趋势,严重威胁到农业的健康发展;
伴随着成像技术和图像处理技术的迅速发展,研究人员开始利用计算机视觉手段进行农作物病害的识别,比如高光谱图像技术,而现有农作物病害的识别技术一般通过影像采集数据后,人工进行具体总结,不够方便,容易出现误差,且现有的农作物病害识别技术一般只能对单株进行识别,不具有代表性,一旦识别的农作物范围扩大,又难以确定病虫害准确位置,不方便后续的治疗处理,因此,本发明提出一种农作物病害的综合识别处理方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出一种农作物病害的综合识别处理方法,该方法能准确对农作物病害进行识别,比人工识别更加准确,且能确定现实目标范围农作物的具体情况和病虫害位置,方便后续的治疗定位。
为实现本发明的目的,本发明通过以下技术方案实现:一种农作物病害的综合识别处理方法,包括以下步骤:
步骤一:构建输入样本集和多源对比库
利用CCD摄像机、红外线光感仪、天地一体化遥感RS获取目标范围农作物叶片图像样本并进行预处理,对图像样本进行降噪,获取图像中农作物图层的颜色纹理分布,构成输入样本集,然后,利用外部源、专家库及相应的传统知识库作为数据源,根据目标农作物的种类,筛选出相对应的农作物图像,然后除重,集成为多源影像库,接着按照病虫害的危害区域、作物品种以及生境信息,分析多源影像库,对多源影像库中农作物病害的概念、属性、实例进行标记,从而构建为多源对比库;
步骤二:颜色纹理描述集成
将步骤一中的多源对比库输入至元数据管理系统MDMS中,人工在元数据管理系统MDMS中对多源对比库内各编号颜色纹理的具体病虫害进行具体描述,然后在系统中构建多个消息包,并在多个消音包中内置语音播放模块,将每个消息包分别对应各编号颜色纹理,接着将各编号颜色纹理的具体病虫害描述输入对应消息包中的语音播放模块;
步骤三:输入样本集筛选
对步骤一中的输入样本集进行筛选,首先,根据农作物的目标范围确定Path和Row的具体数值范围,再对这些具体数值范围进行初步筛选,保证每Path和Row均包含一景影像,得到将该选定区域全覆盖的数据集合,然后对Path和Row中除农作物之外的影像进行删除,保留农作物的颜色纹理影像;
步骤四:融合模型建模
采用ContextCapture对步骤三中筛选后的影像进行三维模型构建,将影像3D可视化,并通过符号化来增强显视效果,特别增强目标范围农作物的分布特征、颜色特征、纹理特征,构建可视化模型,然后,利用SVG对影像相对应的Path和Row数值矢量化,形成点、线、面,构建矢量化目标范围农作物模型,接着将可视化模型和矢量化模型融合;
步骤五:提取颜色纹理特征
在步骤四的融合模型中,利用ENVI软件将模型中农作物的图像转换为HLS图像,并提取颜色特征,然后通过ENVI软件的滤波功能对模型中农作物的图像进行滤波,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定图像的纹理;
步骤六:颜色纹理综合分析比对
对步骤五中所提取的颜色纹理要素特征进行综合分析,将颜色和纹理要素输入至元数据管理系统MDMS中,和多源对比库进行比对,当提取的颜色和纹理要素和多源对比库中记录的颜色纹理相重合的时候,该颜色纹理所对应的消息包启动,语音播放模块播放针对该颜色纹理的具体病虫害描述;
步骤七:确定具体病虫害及位置
利用步骤六识别出相应颜色、纹理的病虫害情况,将该颜色和纹理复位回融合模型中,即得到单株农作物的具体病虫害情况,又得到目标范围农作物的病虫害分布情况,根据颜色、纹理所对应的Path和Row数值,确定现实目标范围农作物的具体情况和病虫害位置。
进一步改进在于:所述步骤一中,对多源影像库中农作物病害的概念、属性、实例进行标记,具体为:对相应目标农作物的病虫害颜色纹理进行编号,作为病害识别依据。
进一步改进在于:所述步骤二中,语音播放模块根据相对应的颜色纹理,播放具体病虫害描述。
进一步改进在于:所述步骤三中,每一景颜色影像和每一景纹理影像均包含相应的Path和Row数值。
进一步改进在于:所述步骤四中,将可视化模型和矢量化模型融合,使得Path和Row数值镶嵌入模型影像的对应颜色、纹理位置处。
进一步改进在于:所述步骤五中,确定图像的纹理后,对图像进行光谱二阶导数的求取,在ENVIIDL中编写二阶导数运算算法,增强光谱吸收、反射的特征值,增强颜色、纹理的特征明显度。
进一步改进在于:所述步骤六中,语音播放模块播放针对该颜色纹理的具体病虫害描述后,将该问题上传至互联网,检索处相应的解决方法。
本发明的有益效果为:本发明获取目标范围农作物叶片图像样本构成输入样本集,利用外部数据源,并对相应目标农作物的病虫害颜色纹理进行编号,构建多源对比库,且构建输入样本集的可视化模型,构建影像相对应的Path和Row数值矢量化模型,提取颜色纹理特征,和多源对比库进行比对,颜色纹理相重合的时候,语音播放模块播放针对该颜色纹理的具体病虫害描述,从而准确对农作物病害进行识别,比人工识别更加准确,同时,本发明针对目标范围农作物进行识别,具有代表性,识别出相应颜色、纹理的病虫害情况后,根据颜色、纹理所对应的Path和Row数值,能确定现实目标范围农作物的具体情况和病虫害位置,方便后续的治疗定位,另外,本发明识别处病害后,将问题上传至互联网,检索处相应的解决方法,功能多样化。
附图说明
图1为本发明的流程图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1所示,本实施例提供了一种农作物病害的综合识别处理方法,包括以下步骤:
步骤一:构建输入样本集和多源对比库
利用CCD摄像机、红外线光感仪、天地一体化遥感RS获取目标范围农作物叶片图像样本并进行预处理,对图像样本进行降噪,获取图像中农作物图层的颜色纹理分布,构成输入样本集,然后,利用外部源、专家库及相应的传统知识库作为数据源,根据目标农作物的种类,筛选出相对应的农作物图像,然后除重,集成为多源影像库,接着按照病虫害的危害区域、作物品种以及生境信息,分析多源影像库,对多源影像库中农作物病害的概念、属性、实例进行标记,具体为:对相应目标农作物的病虫害颜色纹理进行编号,作为病害识别依据,从而构建为多源对比库;
步骤二:颜色纹理描述集成
将步骤一中的多源对比库输入至元数据管理系统MDMS中,人工在元数据管理系统MDMS中对多源对比库内各编号颜色纹理的具体病虫害进行具体描述,然后在系统中构建多个消息包,并在多个消音包中内置语音播放模块,将每个消息包分别对应各编号颜色纹理,接着将各编号颜色纹理的具体病虫害描述输入对应消息包中的语音播放模块,语音播放模块根据相对应的颜色纹理,播放具体病虫害描述;
步骤三:输入样本集筛选
对步骤一中的输入样本集进行筛选,首先,根据农作物的目标范围确定Path和Row的具体数值范围,再对这些具体数值范围进行初步筛选,保证每Path和Row均包含一景影像,得到将该选定区域全覆盖的数据集合,然后对Path和Row中除农作物之外的影像进行删除,保留农作物的颜色纹理影像,每一景颜色影像和每一景纹理影像均包含相应的Path和Row数值;
步骤四:融合模型建模
采用ContextCapture对步骤三中筛选后的影像进行三维模型构建,将影像3D可视化,并通过符号化来增强显视效果,特别增强目标范围农作物的分布特征、颜色特征、纹理特征,构建可视化模型,然后,利用SVG对影像相对应的Path和Row数值矢量化,形成点、线、面,构建矢量化目标范围农作物模型,接着将可视化模型和矢量化模型融合,使得Path和Row数值镶嵌入模型影像的对应颜色、纹理位置处;
步骤五:提取颜色纹理特征
在步骤四的融合模型中,利用ENVI软件将模型中农作物的图像转换为HLS图像,并提取颜色特征,然后通过ENVI软件的滤波功能对模型中农作物的图像进行滤波,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定图像的纹理,接着对图像进行光谱二阶导数的求取,在ENVIIDL中编写二阶导数运算算法,增强光谱吸收、反射的特征值,增强颜色、纹理的特征明显度;
步骤六:颜色纹理综合分析比对
对步骤五中所提取的颜色纹理要素特征进行综合分析,将颜色和纹理要素输入至元数据管理系统MDMS中,和多源对比库进行比对,当提取的颜色和纹理要素和多源对比库中记录的颜色纹理相重合的时候,该颜色纹理所对应的消息包启动,语音播放模块播放针对该颜色纹理的具体病虫害描述,并将该问题上传至互联网,检索处相应的解决方法;
步骤七:确定具体病虫害及位置
利用步骤六识别出相应颜色、纹理的病虫害情况,将该颜色和纹理复位回融合模型中,即得到单株农作物的具体病虫害情况,又得到目标范围农作物的病虫害分布情况,根据颜色、纹理所对应的Path和Row数值,确定现实目标范围农作物的具体情况和病虫害位置。
该农作物病害的综合识别处理方法获取目标范围农作物叶片图像样本构成输入样本集,利用外部数据源,并对相应目标农作物的病虫害颜色纹理进行编号,构建多源对比库,且构建输入样本集的可视化模型,构建影像相对应的Path和Row数值矢量化模型,提取颜色纹理特征,和多源对比库进行比对,颜色纹理相重合的时候,语音播放模块播放针对该颜色纹理的具体病虫害描述,从而准确对农作物病害进行识别,比人工识别更加准确,同时,本发明针对目标范围农作物进行识别,具有代表性,识别出相应颜色、纹理的病虫害情况后,根据颜色、纹理所对应的Path和Row数值,能确定现实目标范围农作物的具体情况和病虫害位置,方便后续的治疗定位,另外,本发明识别处病害后,将问题上传至互联网,检索处相应的解决方法,功能多样化。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种农作物病害的综合识别处理方法,其特征在于,包括以下步骤:
步骤一:构建输入样本集和多源对比库
利用CCD摄像机、红外线光感仪、天地一体化遥感RS获取目标范围农作物叶片图像样本并进行预处理,对图像样本进行降噪,获取图像中农作物图层的颜色纹理分布,构成输入样本集,然后,利用外部源、专家库及相应的传统知识库作为数据源,根据目标农作物的种类,筛选出相对应的农作物图像,然后除重,集成为多源影像库,接着按照病虫害的危害区域、作物品种以及生境信息,分析多源影像库,对多源影像库中农作物病害的概念、属性、实例进行标记,从而构建为多源对比库;
步骤二:颜色纹理描述集成
将步骤一中的多源对比库输入至元数据管理系统MDMS中,人工在元数据管理系统MDMS中对多源对比库内各编号颜色纹理的具体病虫害进行具体描述,然后在系统中构建多个消息包,并在多个消息包中内置语音播放模块,将每个消息包分别对应各编号颜色纹理,接着将各编号颜色纹理的具体病虫害描述输入对应消息包中的语音播放模块;
步骤三:输入样本集筛选
对步骤一中的输入样本集进行筛选,首先,根据农作物的目标范围确定Path和Row的具体数值范围,再对这些具体数值范围进行初步筛选,保证每Path和Row均包含一景影像,得到将该选定区域全覆盖的数据集合,然后对Path和Row中除农作物之外的影像进行删除,保留农作物的颜色纹理影像;
步骤四:融合模型建模
采用ContextCapture对步骤三中筛选后的影像进行三维模型构建,将影像3D可视化,并通过符号化来增强显视效果,特别增强目标范围农作物的分布特征、颜色特征、纹理特征,构建可视化模型,然后,利用SVG对影像相对应的Path和Row数值矢量化,形成点、线、面,构建矢量化目标范围农作物模型,接着将可视化模型和矢量化模型融合;
步骤五:提取颜色纹理特征
在步骤四的融合模型中,利用ENVI软件将模型中农作物的图像转换为HLS图像,并提取颜色特征,然后通过ENVI软件的滤波功能对模型中农作物的图像进行滤波,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定图像的纹理;
步骤六:颜色纹理综合分析比对
对步骤五中所提取的颜色纹理要素特征进行综合分析,将颜色和纹理要素输入至元数据管理系统MDMS中,和多源对比库进行比对,当提取的颜色和纹理要素和多源对比库中记录的颜色纹理相重合的时候,该颜色纹理所对应的消息包启动,语音播放模块播放针对该颜色纹理的具体病虫害描述;
步骤七:确定具体病虫害及位置
利用步骤六识别出相应颜色、纹理的病虫害情况,将该颜色和纹理复位回融合模型中,即得到单株农作物的具体病虫害情况,又得到目标范围农作物的病虫害分布情况,根据颜色、纹理所对应的Path和Row数值,确定现实目标范围农作物的具体情况和病虫害位置。
2.根据权利要求1所述的一种农作物病害的综合识别处理方法,其特征在于:所述步骤一中,对多源影像库中农作物病害的概念、属性、实例进行标记,具体为:对相应目标农作物的病虫害颜色纹理进行编号,作为病害识别依据。
3.根据权利要求1所述的一种农作物病害的综合识别处理方法,其特征在于:所述步骤二中,语音播放模块根据相对应的颜色纹理,播放具体病虫害描述。
4.根据权利要求1所述的一种农作物病害的综合识别处理方法,其特征在于:所述步骤三中,每一景颜色影像和每一景纹理影像均包含相应的Path和Row数值。
5.根据权利要求1所述的一种农作物病害的综合识别处理方法,其特征在于:所述步骤四中,将可视化模型和矢量化模型融合,使得Path和Row数值镶嵌入模型影像的对应颜色、纹理位置处。
6.根据权利要求1所述的一种农作物病害的综合识别处理方法,其特征在于:所述步骤五中,确定图像的纹理后,对图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,增强光谱吸收、反射的特征值,增强颜色、纹理的特征明显度。
7.根据权利要求1所述的一种农作物病害的综合识别处理方法,其特征在于:所述步骤六中,语音播放模块播放针对该颜色纹理的具体病虫害描述后,将该问题上传至互联网,检索出相应的解决方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919119.4A CN111967440B (zh) | 2020-09-04 | 2020-09-04 | 一种农作物病害的综合识别处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919119.4A CN111967440B (zh) | 2020-09-04 | 2020-09-04 | 一种农作物病害的综合识别处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967440A CN111967440A (zh) | 2020-11-20 |
CN111967440B true CN111967440B (zh) | 2023-10-27 |
Family
ID=73392014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010919119.4A Active CN111967440B (zh) | 2020-09-04 | 2020-09-04 | 一种农作物病害的综合识别处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967440B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560955A (zh) * | 2020-12-16 | 2021-03-26 | 安徽唯嵩光电科技有限公司 | 一种红枣分选用图像识别系统 |
CN112581402B (zh) * | 2020-12-25 | 2022-09-16 | 广州利科科技有限公司 | 一种基于机器视觉技术的路桥病害自动检测方法 |
CN112765327A (zh) * | 2021-01-27 | 2021-05-07 | 维沃移动通信有限公司 | 自然语言信息输出方法、装置及电子设备 |
CN114463322A (zh) * | 2022-02-22 | 2022-05-10 | 鄂州市志超生态农业科技有限公司 | 一种蔬菜种植用病害识别及补光调节方法 |
CN115376032B8 (zh) * | 2022-10-25 | 2023-05-26 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 一种基于图像理解的林业病虫智能识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515290A (zh) * | 2009-03-25 | 2009-08-26 | 中国工商银行股份有限公司 | 具有双向互动特征的元数据管理系统及其实现方法 |
CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
CN105469068A (zh) * | 2015-12-04 | 2016-04-06 | 成都理工大学 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
CN107944426A (zh) * | 2017-12-14 | 2018-04-20 | 安徽大学 | 基于纹理滤波和二维光谱特征空间判别相结合的小麦叶片白粉病斑标记方法 |
CN111259771A (zh) * | 2020-01-13 | 2020-06-09 | 成都理工大学 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015073920A1 (en) * | 2013-11-15 | 2015-05-21 | Kofax, Inc. | Systems and methods for generating composite images of long documents using mobile video data |
-
2020
- 2020-09-04 CN CN202010919119.4A patent/CN111967440B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515290A (zh) * | 2009-03-25 | 2009-08-26 | 中国工商银行股份有限公司 | 具有双向互动特征的元数据管理系统及其实现方法 |
CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
CN105469068A (zh) * | 2015-12-04 | 2016-04-06 | 成都理工大学 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
CN107944426A (zh) * | 2017-12-14 | 2018-04-20 | 安徽大学 | 基于纹理滤波和二维光谱特征空间判别相结合的小麦叶片白粉病斑标记方法 |
CN111259771A (zh) * | 2020-01-13 | 2020-06-09 | 成都理工大学 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
Non-Patent Citations (3)
Title |
---|
Pavement Crack Detection Using Progressive Curvilinear Structure Anisotropy Filtering and Adaptive Graph-Cuts;Zhenhua Li等;《IEEE Access ( Volume: 8)》;1-15 * |
基于无人机采集图像的植被识别方法研究;唐晏;《中国博士学位论文全文数据库 (信息科技辑)》;I140-45 * |
基于高光谱成像技术的水稻纹枯病病害早期检测研究;朱梦远;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;C028-84 * |
Also Published As
Publication number | Publication date |
---|---|
CN111967440A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967440B (zh) | 一种农作物病害的综合识别处理方法 | |
Xu et al. | Aerial images and convolutional neural network for cotton bloom detection | |
Zhang et al. | Assessment of defoliation during the Dendrolimus tabulaeformis Tsai et Liu disaster outbreak using UAV-based hyperspectral images | |
US20220377986A1 (en) | Plant treatment based on morphological and physiological measurements | |
Zhou et al. | Strawberry maturity classification from UAV and near-ground imaging using deep learning | |
CN110598532B (zh) | 一种树木病虫害监控系统及方法 | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
An et al. | Real-time monitoring method of strawberry fruit growth state based on YOLO improved model | |
CN116129260A (zh) | 基于深度学习的牧草图像识别方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN114140692A (zh) | 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法 | |
CN115495703A (zh) | 一种基于机载多光谱数据的烟草成熟度检测方法及系统 | |
Liu et al. | UAV-based crops classification with joint features from orthoimage and DSM data | |
CN117292256A (zh) | 一种林业植物病虫害短期预测方法及系统 | |
Lin et al. | Identification of pumpkin powdery mildew based on image processing PCA and machine learning | |
Husin et al. | Multi-temporal analysis of terrestrial laser scanning data to detect basal stem rot in oil palm trees | |
Dube et al. | Cotton boll distribution and yield estimation using three‐dimensional point cloud data | |
Miao et al. | Crop weed identification system based on convolutional neural network | |
CN115965875A (zh) | 一种农作物病虫害智能监控方法及系统 | |
NL2027933B1 (en) | Comprehensive identification and treatment method for crop diseases | |
Rossi et al. | A comparison of high-throughput imaging methods for quantifying plant growth traits and estimating above-ground biomass accumulation | |
CN115661641A (zh) | 一种基于多源无人机遥感评估不同生长阶段茶园重要表型参数的方法及系统 | |
Xiao et al. | 3D reconstruction and characterization of cotton bolls in situ based on UVA technology | |
Yu et al. | Stolon-YOLO: A detecting method for stolon of strawberry seedling in glass greenhouse | |
Poleshchenko et al. | Development of a System for Automated Control of Planting Density, Leaf Area Index and Crop Development Phases by UAV Photos |
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 |