CN112085032A - 基于物联网图像处理与svm结合的胡柚病虫害动态监测模型 - Google Patents
基于物联网图像处理与svm结合的胡柚病虫害动态监测模型 Download PDFInfo
- Publication number
- CN112085032A CN112085032A CN202010959730.XA CN202010959730A CN112085032A CN 112085032 A CN112085032 A CN 112085032A CN 202010959730 A CN202010959730 A CN 202010959730A CN 112085032 A CN112085032 A CN 112085032A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- grapefruit
- image processing
- svm
- 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
- 240000000560 Citrus x paradisi Species 0.000 title claims abstract description 61
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 57
- 201000010099 disease Diseases 0.000 title claims abstract description 55
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 title claims abstract description 54
- 241000238631 Hexapoda Species 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000012706 support-vector machine Methods 0.000 title abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000010191 image analysis Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 2
- 244000276331 Citrus maxima Species 0.000 description 5
- 235000001759 Citrus maxima Nutrition 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241001124076 Aphididae Species 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001603 reducing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
- G06V10/40—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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型,属于胡柚病虫害监测领域。基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型,包括图像处理模型和SVM模型,图像处理模型包括图像传感器模块、传感器节点模块、图像处理模块、检测模块和警示模块,图像传感器模块与图像处理模块信号连接并用于采集胡柚病虫害图像,图像处理模块与检测模块信号连接,可以通过研究基于图像处理结合支持向量机机器学习策略,通过图像滤波、特征提取等图像处理技术对特征进行标签设定和科学分类,在不影响准确度的情况下,有效减少病虫害预测时的自变量数量,实现对影响胡柚生长的病虫害动态监测。
Description
技术领域
本发明涉及胡柚病虫害监测领域,更具体地说,涉及基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型。
背景技术
胡柚种植地域分布广泛,近年来,部分地区胡柚的产量有所下降,品质有所降低,原因是胡柚在生长过程中受环境因素及发生炭疽病、桔蚜等病虫害的影响,病害的发生会造成胡柚大量落叶,树势衰弱,胡柚果面形成点点,严重影响柑橘品质、产量和外观。
传统的胡柚病虫害信息单纯依靠人工采集和识别,测控精度低、劳动强度大、成本高,缺乏量化指标和配套集成技术,无法对胡柚生长过程中的病虫害信息进行精确测量,导致胡柚生长环境难以有效监管,极大地影响胡柚的产量和品质。
现有的基于物联网技术的病虫害图像智能识别技术各种分类算法实现的,但是分类的准确率完全依赖于具体的分类算法的自身结构特点,由于每种农作物都有自身的特征信息,每种农作物病虫害也有自身的特征信息,一般现有的分类算法在训练的时候仅能针对一种作物有效,一旦将不同农作物病虫害图像作为样本,则分类效果(准确率)明显下降,将该种基于物联网技术的病虫害图像智能识别技术应用到胡柚病虫害监测领域时的分类效率降低。
发明内容
1.要解决的技术问题
针对现有技术中存在的问题,本发明的目的在于提供基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型,它可以通过研究基于图像处理结合支持向量机机器学习策略,通过图像滤波、特征提取等图像处理技术对特征进行标签设定和科学分类,在不影响准确度的情况下,有效减少病虫害预测时的自变量数量,实现对影响胡柚生长的病虫害动态监测。
2.技术方案
为解决上述问题,本发明采用如下的技术方案。
基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型,包括图像处理模型和SVM模型;
所述图像处理模型包括图像传感器模块、传感器节点模块、图像处理模块、检测模块和警示模块;
所述图像传感器模块与图像处理模块信号连接并用于采集胡柚病虫害图像;
所述图像处理模块与检测模块信号连接,所述图像处理模块用于对采集的胡柚病虫害图像进行特征提取,并将得到的胡柚病虫害有效图像特征传递给检测模块;
所述传感器节点模块与检测模块信号连接,所述传感器节点模块用于采集胡柚生长环境参数并将环境参数信息传递至检测模块;
所述检测模块与警示模块信号连接,所述检测模块用于检测胡柚病虫害图像特征与病虫害灾情之间的关联程度并得到检测结果,以将检测结果传递至警示模块以发出病虫害灾情警示;
所述SVM模型与图像处理模块信号连接并用于对有效图像特征进行分类,得到胡柚病虫害的分类结果,预测胡柚病虫害发生趋势。
进一步的,所述胡柚病虫害图像为JPEG格式的RGB彩色图像。
进一步的,所述特征提取为对图像的颜色特征、纹理特征和形态特征进行提取。
进一步的,所述图像处理模块包括图像预处理模块、图像筛选模块和图像分析模块;所述图像预处理模块用于对采集的胡柚病虫害图像预处理;所述图像筛选模块用于将实时图片集进行智能化批量筛选,以淘汰掉部分不适用的特征,并将有效特征反馈至图像分析模块;所述图像分析模块用于对有效特征进行图像质量处理,得到训练样本数据。
进一步的,所述图像预处理可为数字化、几何变换、归一化、平滑、复原、增强和去噪中的任意一个或多个。
进一步的,所述去噪为通过高斯滤波器过滤掉图像中的高斯白噪声,对图像区域内的不同领域像素设置不同权值,得到去噪后的胡柚病虫害图像。
进一步的,所述SVM模型对有效图像特征进行分类时为对训练样本数据进行分类。
3.有益效果
相比于现有技术,本发明的优点在于:
(1)本方案通过研究基于图像处理结合支持向量机机器学习策略,通过图像滤波、特征提取等图像处理技术对特征进行标签设定和科学分类,在不影响准确度的情况下,有效减少病虫害预测时的自变量数量,实现对影响胡柚生长的病虫害动态监测。
(2)采用高斯滤波器,过滤掉采集图像中的高斯白噪声,进而实现图像平滑。
(3)SVM模型的预测识别准确率较高,并且模型算法实现较容易,误差低,对于胡柚树叶部的病虫害识别成功率有提升效果。
(4)图像处理可以得到害虫的部分特征,而对这部分特征合理地筛选、计算可以得到相应的数据。
附图说明
图1为本发明的主要模块图;
图2为本发明的图像传感器模块部分的示意图;
图3为本发明的支持向量确认最优超平面的位置示意图。
具体实施方式
下面将结合本发明实施例中的附图;对本发明实施例中的技术方案进行清楚、完整地描述;显然;所描述的实施例仅仅是本发明一部分实施例;而不是全部的实施例,基于本发明中的实施例;本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例;都属于本发明保护的范围。
请参阅图1-3的基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型,它包括图像处理模型和SVM模型。
图像处理模型包括图像传感器模块、传感器节点模块、图像处理模块、检测模块和警示模块。
图像传感器模块与图像处理模块信号连接并用于采集胡柚病虫害图像,胡柚病虫害图像为JPEG格式的RGB彩色图像。
图像处理模块与检测模块信号连接,图像处理模块用于对采集的胡柚病虫害图像进行特征提取,并将得到的胡柚病虫害有效图像特征传递给检测模块,特征提取为对图像的颜色特征、纹理特征和形态特征进行提取。
传感器节点模块与检测模块信号连接,传感器节点模块用于采集胡柚生长环境参数并将环境参数信息传递至检测模块。
检测模块与警示模块信号连接,检测模块用于检测胡柚病虫害图像特征与病虫害灾情之间的关联程度并得到检测结果,以将检测结果传递至警示模块以发出病虫害灾情警示,关联程度越大表明病虫害灾情越严重。
SVM模型与图像处理模块信号连接并用于对有效图像特征进行分类,得到胡柚病虫害的分类结果,预测胡柚病虫害发生趋势。
图像处理模块包括图像预处理模块、图像筛选模块和图像分析模块。
图像预处理模块用于对采集的胡柚病虫害图像预处理。
图像筛选模块用于将实时图片集进行智能化批量筛选,以淘汰掉部分不适用的特征,并将有效特征反馈至图像分析模块。
其中,ii(x,y)表示积分图像也称Harr特征,i(x,y)表示原始图像点(x,y)处的积分图像为灰色区域的像素和。
昆虫的特征很多,比如颜色、斑纹、大小、体长、体宽等,识别精度与选取的特征值有着密切的关系,但是并非所有特征值都对识别精度有促进作用,事实上,存在部分特征值对于识别精度有降低的效果,因此需要淘汰一些不适用的特征,在特征向量中去除一个特征值xi,y,进行特征值筛选过滤,将剩下的特征向量构成样本采集进行检测,通过检测每个Harr特征的互补特征向量,得到一组对于整体特征向量集合的影响特征向量。
图像分析模块用于对有效特征进行图像质量处理,得到训练样本数据。
图像预处理可为数字化、几何变换、归一化、平滑、复原、增强和去噪中的任意一个或多个。
去噪为通过高斯滤波器过滤掉图像中的高斯白噪声,对图像区域内的不同领域像素设置不同权值,得到去噪后的胡柚病虫害图像。
因高斯滤波算法,算法成型快,容易实现的优点,根据选择的固定窗口大小及窗口内任意像素与中心像素点的距离,利用高斯函数实现系数权值的分配,即高斯滤波可以表示为:IRF(x,y)=Σ(i,j)∈Wx,ywd(i,j)I(i,j)/Σ(i,j)∈Wx,ywd(i,j)。
其中,Wx,y表示中心像素(x,y)的M*M(M为奇数)大小的领域,Wd为空间距离相似度权重因子,即采集到的图像中任意2个像素之间的空间距离比例,距离越小,权重越大。
由上述公式可知,在低频区间,高斯滤波算法有良好的处理效果,但其仅仅考虑了像素间的边界关系,而忽略了整体图像区域可能存在拟合特征,由于采用固定的掩模窗口,对于该图像区域进行求和取平均值实现归一化,可能导致丢失平滑区域中的细节信息,所以本方案通过高斯滤波,对图像区域内的不同领域像素设置了不同权值,在保证图像可以平滑的同时,对于纹理、触角等传统特征没有进行提取,细节信息丢失对于特征的提取影响不大。
SVM模型对有效图像特征进行分类时为对训练样本数据进行分类。
支持向量机由训练和核函数组成,基于有限的样本信息,对样本数据进行分类,在线性可分二元分类中,所有的数据点都在二维平面上,所以此时分割超平面就是一条直线,若数据集都是三维的,用来分割数据的就是一个平面,且为最优超平面。
支持向量机就是离分割平面最近的那些点,是支持向量机的基本原理,其中最大化支持向量到分割面的距离,就是支持向量机的目标,最优超平面可以提高模型的预测能力和减少错误分类,请参阅图3,用“圆圈”代表样本类型1,“正方形”代表样本类型2。
SVM可以很好地应用于函数拟合问题,本方案采用支持向量机,根据采集特征值的类型,设置回归函数的参数,可求得回归式其中,Ti和Ti n为拉格朗日乘子,xi为待预测因子向量,x为样本子向量,b为偏置值额。
相比于传统的胡柚病虫害监测模型,本方案利用图像处理和SVM减少了传统预测方法中复杂的人工预测部分,通过利用有限的自变量进行胡柚病虫害预测,节约预测时间,节约人力成本,比较符合实际工程上的需求,预测结果显示预测准确性高,科学有效,证明了本方案的优越性。
以上所述;仅为本发明较佳的具体实施方式;但本发明的保护范围并不局限于此;任何熟悉本技术领域的技术人员在本发明揭露的技术范围内;根据本发明的技术方案及其改进构思加以等同替换或改变;都应涵盖在本发明的保护范围内。
Claims (7)
1.基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型,其特征在于:包括图像处理模型和SVM模型;
所述图像处理模型包括图像传感器模块、传感器节点模块、图像处理模块、检测模块和警示模块;
所述图像传感器模块与图像处理模块信号连接并用于采集胡柚病虫害图像;
所述图像处理模块与检测模块信号连接,所述图像处理模块用于对采集的胡柚病虫害图像进行特征提取,并将得到的胡柚病虫害有效图像特征传递给检测模块;
所述传感器节点模块与检测模块信号连接,所述传感器节点模块用于采集胡柚生长环境参数并将环境参数信息传递至检测模块;
所述检测模块与警示模块信号连接,所述检测模块用于检测胡柚病虫害图像特征与病虫害灾情之间的关联程度并得到检测结果,以将检测结果传递至警示模块以发出病虫害灾情警示;
所述SVM模型与图像处理模块信号连接并用于对有效图像特征进行分类,得到胡柚病虫害的分类结果,预测胡柚病虫害发生趋势。
2.根据权利要求1所述的基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型,其特征在于:所述胡柚病虫害图像为JPEG格式的RGB彩色图像。
3.根据权利要求1所述的基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型,其特征在于:所述特征提取为对图像的颜色特征、纹理特征和形态特征进行提取。
4.根据权利要求1所述的基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型,其特征在于:所述图像处理模块包括图像预处理模块、图像筛选模块和图像分析模块;所述图像预处理模块用于对采集的胡柚病虫害图像预处理;所述图像筛选模块用于将实时图片集进行智能化批量筛选,以淘汰掉部分不适用的特征,并将有效特征反馈至图像分析模块;所述图像分析模块用于对有效特征进行图像质量处理,得到训练样本数据。
5.根据权利要求4所述的基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型,其特征在于:所述图像预处理可为数字化、几何变换、归一化、平滑、复原、增强和去噪中的任意一个或多个。
6.根据权利要求5所述的基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型,其特征在于:所述去噪为通过高斯滤波器过滤掉图像中的高斯白噪声,对图像区域内的不同领域像素设置不同权值,得到去噪后的胡柚病虫害图像。
7.根据权利要求4所述的基于物联网图像处理与SVM结合的胡柚病虫害动态监测模型,其特征在于:所述SVM模型对有效图像特征进行分类时为对训练样本数据进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959730.XA CN112085032A (zh) | 2020-09-14 | 2020-09-14 | 基于物联网图像处理与svm结合的胡柚病虫害动态监测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959730.XA CN112085032A (zh) | 2020-09-14 | 2020-09-14 | 基于物联网图像处理与svm结合的胡柚病虫害动态监测模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085032A true CN112085032A (zh) | 2020-12-15 |
Family
ID=73737696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959730.XA Pending CN112085032A (zh) | 2020-09-14 | 2020-09-14 | 基于物联网图像处理与svm结合的胡柚病虫害动态监测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085032A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800877A (zh) * | 2021-01-15 | 2021-05-14 | 金陵科技学院 | 一种基于农业物联网的害虫防治方法 |
CN113627531A (zh) * | 2021-08-11 | 2021-11-09 | 南京农业大学 | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
-
2020
- 2020-09-14 CN CN202010959730.XA patent/CN112085032A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
Non-Patent Citations (2)
Title |
---|
李素 等: "信息技术在农作物病虫害监测预警中的应用综述", 《江苏农业科学》 * |
苏一峰 等: "对于物联网平台的小麦病虫害诊断系统设计初探", 《中国农业科技导报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800877A (zh) * | 2021-01-15 | 2021-05-14 | 金陵科技学院 | 一种基于农业物联网的害虫防治方法 |
CN113627531A (zh) * | 2021-08-11 | 2021-11-09 | 南京农业大学 | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 |
CN113627531B (zh) * | 2021-08-11 | 2023-12-08 | 南京农业大学 | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
Gavhale et al. | An overview of the research on plant leaves disease detection using image processing techniques | |
CN106778902B (zh) | 基于深度卷积神经网络的奶牛个体识别方法 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN111860330A (zh) | 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 | |
Vishnu et al. | Plant disease detection using leaf pattern: A review | |
CN112085032A (zh) | 基于物联网图像处理与svm结合的胡柚病虫害动态监测模型 | |
CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
Singh et al. | A review on artificial intelligence techniques for disease recognition in plants | |
Wang et al. | Improved rotation kernel transformation directional feature for recognition of wheat stripe rust and powdery mildew | |
Liu et al. | Recognition of pyralidae insects using intelligent monitoring autonomous robot vehicle in natural farm scene | |
CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及系统 | |
Patil | Pomegranate fruit diseases detection using image processing techniques: a review | |
Jia et al. | Review of crop disease and pest image recognition technology | |
Nirmalakumari et al. | Plant Leaf Disease Detection Using Modified Segmentation Process and Classificatıon | |
CN112070095A (zh) | 一种基于物联网技术的胡柚病虫害监测方法 | |
Rehman et al. | Cucumber leaf disease classification using local tri-directional patterns and haralick features | |
Poojary et al. | A survey on plant disease detection using support vector machine | |
Hu et al. | Agricultural robot for intelligent detection of pyralidae insects | |
Liu et al. | Study on identification of Rice False Smut based on CNN in natural environment | |
Deisy et al. | Image segmentation for feature extraction: A study on disease diagnosis in agricultural plants | |
Soni et al. | Detection of Multiple Crop Diseases using Image Processing Techniques | |
Rajmohan et al. | Groundnut leaf disease identification using image processing | |
Mahalaxmi et al. | Advanced Image Processing Algorithms for Categorizing and Evaluating Plant Diseases: A Study. | |
CN114332626A (zh) | 一种基于视觉分析的水稻产量预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201215 |
|
RJ01 | Rejection of invention patent application after publication |