CN113269750A - 香蕉叶部病害图像检测方法、系统、储存介质及检测设备 - Google Patents
香蕉叶部病害图像检测方法、系统、储存介质及检测设备 Download PDFInfo
- Publication number
- CN113269750A CN113269750A CN202110578067.3A CN202110578067A CN113269750A CN 113269750 A CN113269750 A CN 113269750A CN 202110578067 A CN202110578067 A CN 202110578067A CN 113269750 A CN113269750 A CN 113269750A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- component
- module
- scab
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 69
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 69
- 241000234295 Musa Species 0.000 title claims abstract description 52
- 235000018290 Musa x paradisiaca Nutrition 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 206010039509 Scab Diseases 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000003902 lesion Effects 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 241000196324 Embryophyta Species 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 239000002689 soil Substances 0.000 abstract description 4
- 238000003709 image segmentation Methods 0.000 abstract description 3
- 239000000575 pesticide Substances 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 8
- 235000013399 edible fruits Nutrition 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 235000021015 bananas Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 235000004213 low-fat Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 235000019605 sweet taste sensations Nutrition 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明针对现有技术的局限性，提出了一种香蕉叶部病害图像检测方法、系统、储存介质及检测设备，本发明通过图像转换、图像预处理、图像分割、特征提取和图像识别等环节，能够对含有泥土、枯叶枯枝、杂草等复杂背景的香蕉病害图像进行处理和智能识别；其能够将病斑目标从复杂背景中快速、准确地分离，形成只含病斑目标的二值图像，提高了图像识别的准确度；其应用前景非常广阔，对于提高农产品质量、农业增效、农民增收和减少农药施药量、保护生态环境具有重要作用。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种香蕉叶部病害图像检测方法、系统、储存介质及检测设备。
背景技术
香蕉为著名的热带水果，具有高能量、低脂肪、味美香甜、营养丰富的特点，深受人们喜爱。香蕉喜湿热气候、忌霜冻，海南处于南亚热带地区，气温相对阴凉，日夜温差大，是生产高品质香蕉的理想地区，但海南高温、多雨的气候容易使香蕉滋生病害，如叶部病害褐缘灰斑病和灰纹病在海南发生最为严重。病害一旦发生，会引起香蕉生产大规模减产减质，不仅给果农带来巨大的经济损失，还会对我省香蕉产业发展带来较大的冲击。因此，及早防治病害变得非常重要，而防治工作的首要任务是快速、准确地检测病害发生，为病害防治提供必需信息，以尽量减少病害造成的损失。传统的果树病害检测大多基于人为观察或实验性检验分析，人为观察依靠检测人员的经验对果树进行判断，检测周期长、费时、费力，还容易造成错检漏检。实验性检验分析是通过实验仪器对采集样本进行检验，存在周期长、检测不及时、采样时容易损毁作物等弊端。因此，迫切需要采用智能化手段，在病害发生初期就能检测到危害，及时做好治理工作，以防止病害的进一步的扩散和蔓延。
图像处理检测是一种智能检测技术，主要利用计算机视觉技术对图像施加某种运算和处理，以提取图像中各种信息，从而达到某种特定目的方法，具有再现性好、精度高、适用面宽等特点，已被广泛应用于各个领域。在农业领域中，图像处理技术展示了巨大的应用潜力，在农作物病害防治方面，通过图像处理技术能够获取大量的病害图像信息，这为病害的精确定位和防治控制提供了信息基础。
公开日为2019.04.19、公开号为CN109658409A的中国发明专利：一种香蕉叶片叶斑病检测方法，试图通过大量现存的训练病变图像完成对叶斑病预测模型的训练操作，之后从需要检测的香蕉叶片中通过图像处理方法得到待测病变图像，最后将待测病变图像输入到完成训练后的叶斑病预测模型中，叶斑病预测模型输出待测病变图像的病变结果。但是，目前对果树病害图像检测大多基于PC机和仿真软件等工具完成，与工程应用尚存在一定的距离，且PC机的处理器功耗过高、处理速度低，无法实现高速实时处理图像信息。
发明内容
针对现有技术的局限，本发明提出一种香蕉叶部病害图像检测方法、系统、储存介质及检测设备，本发明采用的技术方案是：
一种香蕉叶部病害图像检测方法，包括以下步骤：
S1，获取待检测香蕉叶部的RGB图像，将所述RGB图像转化为YUV图像；
S2，通过对所述RGB图像进行绿色分割，获取去除绿色背景的原始二值图像；
S3，从所述YUV图像中提取出V分量图像，通过对所述V分量图像与所述原始二值图像进行与运算，去除所述V分量图像中的绿色背景；
S4，通过运用最大类间方差分割法将所述步骤S3去除绿色背景后的V分量图像的其它背景去除，获取待检测香蕉叶部上的病斑目标的目标二值图像；
S5，通过对所述目标二值图像与所述RGB图像进行与运算，获取病斑目标的R、G、B分量图；
S6，根据所述病斑目标的R、G、B分量图计算出病斑目标的特征参数，对所述病斑目标的特征参数进行归一化，构建病斑目标的特征向量；
S7，通过计算所述病斑目标的特征向量与预设的病害样本图像特征向量之间的欧氏距离，识别出病斑目标的病害类型。
相较于现有技术，本发明通过图像转换、图像预处理、图像分割、特征提取和图像识别等环节，能够对含有泥土、枯叶枯枝、杂草等复杂背景的香蕉病害图像进行处理和智能识别；其能够将病斑目标从复杂背景中快速、准确地分离，形成只含病斑目标的二值图像，提高了图像识别的准确度；其应用前景非常广阔，对于提高农产品质量、农业增效、农民增收和减少农药施药量、保护生态环境具有重要作用。
作为一种优选方案，在所述步骤S1中，按以下公式将所述RGB图像转化为YUV图像：
Y＝0.30R+0.59G+0.11B；
U＝0.70R-0.59G-0.11B；
V＝-0.30R-0.59G+0.89B；
其中，Y分量为转化得到的图像亮度，U分量为转化得到的图像亮度分量与蓝色分量的差值，V分量为转化得到的图像亮度分量与红色分量的差值，R分量为红色分量，G分量为绿色分量，B分量为蓝色分量。
作为一种优选方案，所述步骤S2中，通过以下公式对所述RGB图像进行绿色分割：
其中，f(x,y)、R(x,y)、G(x,y)、B(x,y)分别表示像素点(x,y)处的灰度值、红色分量、绿色分量、蓝色分量。
作为一种优选方案，所述步骤S4中，包括以下步骤：
S41，对所述步骤S3去除绿色背景后的所述V分量图像进行灰度变换和图像去噪的预处理；
S42，通过运用最大类间方差分割法将所述步骤S41预处理后的V分量图像的其它背景去除，获取待检测香蕉叶部上的病斑目标的目标二值图像。
作为一种优选方案，所述步骤S5包括以下步骤：
S51，通过形态学处理以及连通区域提取，对所述目标二值图像进行去噪；
S52，通过对所述步骤S51去噪后的目标二值图像与所述RGB图像进行与运算，获取病斑目标的R、G、B分量图。
作为一种优选方案，在所述步骤S6中，通过以下公式计算出病斑目标的特征参数，包括所述病斑目标的R、G、B分量图的均值μ、方差σ、能量LE：
其中，灰度级L＝255，g(0≤g≤L)为像素灰度值，
表示灰度值为g的像素出现概率，N为图像像数总数，Ni为灰度值g的像素数。
作为一种优选方案，在所述步骤S6中，通过以下公式对所述病斑目标的特征参数进行归一化：
其中，Xij为第i个图像的第j个特征参数，max(Xj)和max(Xj)分别为所有目标二值图像中第j个特征参数的最大值和最小值。
本发明还提供以下内容：
一种香蕉叶部病害图像检测系统，包括RGB图像获取与转化模块、原始二值图像获取模块、绿色背景去除模块、目标二值图像获取模块、病斑目标分量图获取模块、特征向量图构建模块以及病害类型识别模块；
所述RGB图像获取与转化模块连接所述原始二值图像获取模块、绿色背景去除模块以及病斑目标分量图获取模块，所述原始二值图像获取模块连接所述绿色背景去除模块，所述绿色背景去除模块连接所述目标二值图像获取模块，所述目标二值图像获取模块连接所述病斑目标分量图获取模块，所述病斑目标分量图获取模块连接所述特征向量图构建模块，所述特征向量图构建模块连接所述病害类型识别模块；其中：
所述RGB图像获取与转化模块用于获取待检测香蕉叶部的RGB图像，将所述RGB图像转化为YUV图像；
所述原始二值图像获取模块用于通过对所述RGB图像进行绿色分割，获取去除绿色背景的原始二值图像；
所述绿色背景去除模块用于从所述YUV图像中提取出V分量图像，通过对所述V分量图像与所述原始二值图像进行与运算，去除所述V分量图像中的绿色背景；
所述目标二值图像获取模块用于通过运用最大类间方差分割法将在所述绿色背景去除模块去除绿色背景后的V分量图像的其它背景去除，获取待检测香蕉叶部上的病斑目标的目标二值图像；
所述病斑目标分量图获取模块用于通过对所述目标二值图像与所述RGB图像进行与运算，获取病斑目标的R、G、B分量图；
所述特征向量图构建模块用于根据所述病斑目标的R、G、B分量图计算出病斑目标的特征参数，对所述病斑目标的特征参数进行归一化，构建病斑目标的特征向量；
所述病害类型识别模块用于通过计算所述病斑目标的特征向量与预设的病害样本图像特征向量之间的欧氏距离，识别出病斑目标的病害类型。
一种储存介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现前述的香蕉叶部病害图像检测方法的步骤。
一种检测设备，包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现前述香蕉叶部病害图像检测方法的步骤。
附图说明
图1为本发明实施例1提供的香蕉叶部病害图像检测方法的流程示意图；
图2为本发明实施例1所述步骤S2的效果示例图；
图3为本发明实施例1提供的所述步骤S4的流程示意图；
图4为本发明实施例1上述步骤S41的效果示例图；
图5为本发明实施例1提供的所述步骤S5的流程示意图；
图6为本发明实施例1所述步骤S51的效果示例图；
图7本发明实施例提供的香蕉叶部病害图像检测系统示意图；
附图标记说明：1、RGB图像获取与转化模块；2、原始二值图像获取模块；3、绿色背景去除模块；4、目标二值图像获取模块；5、病斑目标分量图获取模块；6、特征向量图构建模块；7、病害类型识别模块。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。以下结合附图和实施例对本发明做进一步的阐述。
为了解决现有技术的局限性，本实施例提供了一种技术方案，下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种香蕉叶部病害图像检测方法，请参考图1，包括以下步骤：
S1，获取待检测香蕉叶部的RGB图像，将所述RGB图像转化为YUV图像；
S2，通过对所述RGB图像进行绿色分割，获取去除绿色背景的原始二值图像；
S3，从所述YUV图像中提取出V分量图像，通过对所述V分量图像与所述原始二值图像进行与运算，去除所述V分量图像中的绿色背景；
S4，通过运用最大类间方差分割法将所述步骤S3去除绿色背景后的V分量图像的其它背景去除，获取待检测香蕉叶部上的病斑目标的目标二值图像；
S5，通过对所述目标二值图像与所述RGB图像进行与运算，获取病斑目标的R、G、B分量图；
S6，根据所述病斑目标的R、G、B分量图计算出病斑目标的特征参数，对所述病斑目标的特征参数进行归一化，构建病斑目标的特征向量；
S7，通过计算所述病斑目标的特征向量与预设的病害样本图像特征向量之间的欧氏距离，识别出病斑目标的病害类型。
相较于现有技术，本发明通过图像转换、图像预处理、图像分割、特征提取和图像识别等环节，能够对含有泥土、枯叶枯枝、杂草等复杂背景的香蕉病害图像进行处理和智能识别；其能够将病斑目标从复杂背景中快速、准确地分离，形成只含病斑目标的二值图像，提高了图像识别的准确度；其应用前景非常广阔，对于提高农产品质量、农业增效、农民增收和减少农药施药量、保护生态环境具有重要作用。
具体的，本实施例提供的香蕉叶部病害图像检测方法可以对多个待检测图像进行批量处理，由于各待检测图像的特征参数取值范围跨度大，数值较小的特征参数在图像分类识别的作用会被削弱，对各特征参数进行归一化处理，将各特征参数值归一化到0与1之间，能够有效避免上述问题。
所述病害样本图像特征向量可以通过以下方式获取：对各类病害样本图像执行与所述步骤S1至S6类似的步骤得到对应的特征向量后，再通过Kmeans聚类算法选取各类病害图像最具代表性的特征向量作为参照标准，形成用于病害识别的病害样本图像特征向量。
作为一种优选实施例，在所述步骤S1中，按以下公式将所述RGB图像转化为YUV图像：
Y＝0.30R+0.59G+0.11B；
U＝0.70R-0.59G-0.11B；
V＝-0.30R-0.59G+0.89B；
其中，Y分量为转化得到的图像亮度，U分量为转化得到的图像亮度分量与蓝色分量的差值，V分量为转化得到的图像亮度分量与红色分量的差值，R分量为红色分量，G分量为绿色分量，B分量为蓝色分量。
具体的，在所述步骤S2中，对所述RGB图像进行绿色分割，能够去除图像中叶片健康部位和杂草等绿色背景，效果请参阅图2。由于叶片健康部位、绿色杂草等区域的颜色总体为绿色，像素G分量大于R和B分量，而叶片病斑部位呈现黄色、褐色、黑色等非绿色，像素G分量不一定大于R和B分量，所以可通过绿色分割法去除原图像中绿色背景。若像素G分量大于R和B分量为绿色区域，设置灰度值为0，变为黑色背景；否则设置灰度值为255，变为白色前景，获得含枯草、泥土和病斑的原始二值图像。
作为一种优选实施例，在所述步骤S2中，通过以下公式对所述RGB图像进行绿色分割：
其中，f(x,y)、R(x,y)、G(x,y)、B(x,y)分别表示像素点(x,y)处的灰度值、红色分量、绿色分量、蓝色分量。
具体的，在所述步骤S3中，在于因V分量对光照不敏感，利用V分量进行图像处理，可以有效地抑制光线不均匀对图像的影响。
作为一种优选实施例，请参阅图3，所述步骤S4中，包括以下步骤：
S41，对所述步骤S3去除绿色背景后的所述V分量图像进行灰度变换和图像去噪的预处理；
S42，通过运用最大类间方差分割法将所述步骤S41预处理后的V分量图像的其它背景去除，获取待检测香蕉叶部上的病斑目标的目标二值图像。
具体的，对去除绿色背景的V分量图像进行灰度变换和图像去噪预处理后的效果请参阅图4。由于果园环境复杂多变，还有设备本身和人为因素的影响，自然条件下拍摄的图像存在对比度低、光照不均匀、不清晰和含有噪声，需要对图像进行预处理，改善图像质量。灰度变换采用线性变换方法增强病斑目标与背景的对比度，图像去噪采用计算简单、运行速度快的中值滤波方法，使病斑轮廓与细节更加清晰。
运用最大类间方差分割法能够有效将泥土、枯叶、枯枝等其它背景去除，最大类间方差分割法即OSTU分割，其在本实施例中在于先设一个灰度阀值，将图像分割为病斑目标和背景两部分，然后计算两部分类间方差，当两部分类间方差最大时，分割效果最好，这时的阀值为最佳分割阀值。将小于阀值的背景灰度值设为0，变为黑色背景；大于阀值的病斑目标灰度值设为255，变为白色前景，获得含病斑目标的二值图像。
作为一种优选实施例，请参阅图5，所述步骤S5包括以下步骤：
S51，通过形态学处理以及连通区域提取，对所述目标二值图像进行去噪；
S52，通过对所述步骤S51去噪后的目标二值图像与所述RGB图像进行与运算，获取病斑目标的R、G、B分量图。
具体的，所述步骤S51的处理效果请参阅图6。
形态学处理在于因枝叶相互遮挡和重叠、病斑相互粘连，病斑二值图像中存在孤立的小点、毛刺和孔洞，通过多次采用腐蚀、膨胀的形态学方法处理，消除小点、毛刺和填充孔洞，能够使病斑轮廓清晰明显。
连通区域提取在于针对数学形态方法无法完全消除小面积噪声问题，采用8连通法标记图像连通区域，比较各连通区域面积大小，选择最大面积的连通区域为病斑目标，其他连通区域均设置为黑色背景，消除图像中小面积噪声点，获得更加完整的病斑二值图像。
作为一种优选实施例，在所述步骤S6中，通过以下公式计算出病斑目标的特征参数，包括所述病斑目标的R、G、B分量图的均值μ、方差σ、能量LE：
其中，灰度级L＝255，g(0≤g≤L)为像素灰度值，
表示灰度值为g的像素出现概率，N为图像像数总数，Ni为灰度值g的像素数。
作为一种优选实施例，在所述步骤S6中，通过以下公式对所述病斑目标的特征参数进行归一化：
其中，Xij为第i个图像的第j个特征参数，max(Xj)和max(Xj)分别为所有目标二值图像中第j个特征参数的最大值和最小值。
实施例2
一种香蕉叶部病害图像检测系统，请参阅图7，包括RGB图像获取与转化模块1、原始二值图像获取模块2、绿色背景去除模块3、目标二值图像获取模块4、病斑目标分量图获取模块5、特征向量图构建模块6以及病害类型识别模块7；
所述RGB图像获取与转化模块1连接所述原始二值图像获取模块2、绿色背景去除模块3以及病斑目标分量图获取模块5，所述原始二值图像获取模块2连接所述绿色背景去除模块3，所述绿色背景去除模块3连接所述目标二值图像获取模块4，所述目标二值图像获取模块4连接所述病斑目标分量图获取模块5，所述病斑目标分量图获取模块5连接所述特征向量图构建模块6，所述特征向量图构建模块6连接所述病害类型识别模块7；其中：
所述RGB图像获取与转化模块1用于获取待检测香蕉叶部的RGB图像，将所述RGB图像转化为YUV图像；
所述原始二值图像获取模块2用于通过对所述RGB图像进行绿色分割，获取去除绿色背景的原始二值图像；
所述绿色背景去除模块3用于从所述YUV图像中提取出V分量图像，通过对所述V分量图像与所述原始二值图像进行与运算，去除所述V分量图像中的绿色背景；
所述目标二值图像获取模块4用于通过运用最大类间方差分割法将在所述绿色背景去除模块3去除绿色背景后的V分量图像的其它背景去除，获取待检测香蕉叶部上的病斑目标的目标二值图像；
所述病斑目标分量图获取模块5用于通过对所述目标二值图像与所述RGB图像进行与运算，获取病斑目标的R、G、B分量图；
所述特征向量图构建模块6用于根据所述病斑目标的R、G、B分量图计算出病斑目标的特征参数，对所述病斑目标的特征参数进行归一化，构建病斑目标的特征向量；
所述病害类型识别模块7用于通过计算所述病斑目标的特征向量与预设的病害样本图像特征向量之间的欧氏距离，识别出病斑目标的病害类型。
实施例3
一种储存介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现实施例1中的香蕉叶部病害图像检测方法的步骤。
实施例4
一种检测设备，包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现实施例1中的香蕉叶部病害图像检测方法的步骤。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种香蕉叶部病害图像检测方法，其特征在于，包括以下步骤：
S1，获取待检测香蕉叶部的RGB图像，将所述RGB图像转化为YUV图像；
S2，通过对所述RGB图像进行绿色分割，获取去除绿色背景的原始二值图像；
S3，从所述YUV图像中提取出V分量图像，通过对所述V分量图像与所述原始二值图像进行与运算，去除所述V分量图像中的绿色背景；
S4，通过运用最大类间方差分割法将所述步骤S3去除绿色背景后的V分量图像的其它背景去除，获取待检测香蕉叶部上的病斑目标的目标二值图像；
S5，通过对所述目标二值图像与所述RGB图像进行与运算，获取病斑目标的R、G、B分量图；
S6，根据所述病斑目标的R、G、B分量图计算出病斑目标的特征参数，对所述病斑目标的特征参数进行归一化，构建病斑目标的特征向量；
S7，通过计算所述病斑目标的特征向量与预设的病害样本图像特征向量之间的欧氏距离，识别出病斑目标的病害类型。
2.根据权利要求1所述的香蕉叶部病害图像检测方法，其特征在于，在所述步骤S1中，按以下公式将所述RGB图像转化为YUV图像：
Y＝0.30R+0.59G+0.11B；
U＝0.70R-0.59G-0.11B；
V＝-0.30R-0.59G+0.89B；
其中，Y分量为转化得到的图像亮度，U分量为转化得到的图像亮度分量与蓝色分量的差值，V分量为转化得到的图像亮度分量与红色分量的差值，R分量为红色分量，G分量为绿色分量，B分量为蓝色分量。
3.根据权利要求1所述的香蕉叶部病害图像检测方法，其特征在于，在所述步骤S2中，通过以下公式对所述RGB图像进行绿色分割：
其中，f(x,y)、R(x,y)、G(x,y)、B(x,y)分别表示像素点(x,y)处的灰度值、红色分量、绿色分量、蓝色分量。
4.根据权利要求1所述的香蕉叶部病害图像检测方法，其特征在于，所述步骤S4中，包括以下步骤：
S41，对所述步骤S3去除绿色背景后的所述V分量图像进行灰度变换和图像去噪的预处理；
S42，通过运用最大类间方差分割法将所述步骤S41预处理后的V分量图像的其它背景去除，获取待检测香蕉叶部上的病斑目标的目标二值图像。
5.根据权利要求1所述的香蕉叶部病害图像检测方法，其特征在于，所述步骤S5包括以下步骤：
S51，通过形态学处理以及连通区域提取，对所述目标二值图像进行去噪；
S52，通过对所述步骤S51去噪后的目标二值图像与所述RGB图像进行与运算，获取病斑目标的R、G、B分量图。
6.根据权利要求1所述的香蕉叶部病害图像检测方法，其特征在于，在所述步骤S6中，通过以下公式计算出病斑目标的特征参数，包括所述病斑目标的R、G、B分量图的均值μ、方差σ、能量LE：
其中，灰度级L＝255，g(0≤g≤L)为像素灰度值，
表示灰度值为g的像素出现概率，N为图像像数总数，Ni为灰度值g的像素数。
7.根据权利要求1所述的香蕉叶部病害图像检测方法，其特征在于，在所述步骤S6中，通过以下公式对所述病斑目标的特征参数进行归一化：
其中，Xij为第i个图像的第j个特征参数，max(Xj)和max(Xj)分别为所有目标二值图像中第j个特征参数的最大值和最小值。
8.一种香蕉叶部病害图像检测系统，其特征在于，包括RGB图像获取与转化模块(1)、原始二值图像获取模块(2)、绿色背景去除模块(3)、目标二值图像获取模块(4)、病斑目标分量图获取模块(5)、特征向量图构建模块(6)以及病害类型识别模块(7)；
所述RGB图像获取与转化模块(1)连接所述原始二值图像获取模块(2)、绿色背景去除模块(3)以及病斑目标分量图获取模块(5)，所述原始二值图像获取模块(2)连接所述绿色背景去除模块(3)，所述绿色背景去除模块(3)连接所述目标二值图像获取模块(4)，所述目标二值图像获取模块(4)连接所述病斑目标分量图获取模块(5)，所述病斑目标分量图获取模块(5)连接所述特征向量图构建模块(6)，所述特征向量图构建模块(6)连接所述病害类型识别模块(7)；其中：
所述RGB图像获取与转化模块(1)用于获取待检测香蕉叶部的RGB图像，将所述RGB图像转化为YUV图像；
所述原始二值图像获取模块(2)用于通过对所述RGB图像进行绿色分割，获取去除绿色背景的原始二值图像；
所述绿色背景去除模块(3)用于从所述YUV图像中提取出V分量图像，通过对所述V分量图像与所述原始二值图像进行与运算，去除所述V分量图像中的绿色背景；
所述目标二值图像获取模块(4)用于通过运用最大类间方差分割法将在所述绿色背景去除模块(3)去除绿色背景后的V分量图像的其它背景去除，获取待检测香蕉叶部上的病斑目标的目标二值图像；
所述病斑目标分量图获取模块(5)用于通过对所述目标二值图像与所述RGB图像进行与运算，获取病斑目标的R、G、B分量图；
所述特征向量图构建模块(6)用于根据所述病斑目标的R、G、B分量图计算出病斑目标的特征参数，对所述病斑目标的特征参数进行归一化，构建病斑目标的特征向量；
所述病害类型识别模块(7)用于通过计算所述病斑目标的特征向量与预设的病害样本图像特征向量之间的欧氏距离，识别出病斑目标的病害类型。
9.一种储存介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的香蕉叶部病害图像检测方法的步骤。
10.一种检测设备，其特征在于：包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的香蕉叶部病害图像检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110578067.3A CN113269750A (zh) | 2021-05-26 | 2021-05-26 | 香蕉叶部病害图像检测方法、系统、储存介质及检测设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110578067.3A CN113269750A (zh) | 2021-05-26 | 2021-05-26 | 香蕉叶部病害图像检测方法、系统、储存介质及检测设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113269750A true CN113269750A (zh) | 2021-08-17 |
Family
ID=77232906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110578067.3A Pending CN113269750A (zh) | 2021-05-26 | 2021-05-26 | 香蕉叶部病害图像检测方法、系统、储存介质及检测设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113269750A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363519A (zh) * | 2023-04-10 | 2023-06-30 | 上海华维可控农业科技集团股份有限公司 | 一种基于云计算的可控农业防病害栽培系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593652A (zh) * | 2013-10-28 | 2014-02-19 | 西京学院 | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 |
| CN106355642A (zh) * | 2016-08-31 | 2017-01-25 | 上海交通大学 | 一种基于深度图的绿色叶子的三维重建方法 |
| CN109447945A (zh) * | 2018-09-21 | 2019-03-08 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
| CN110390359A (zh) * | 2019-01-08 | 2019-10-29 | 电子科技大学 | 一种西藏青稞叶片病变的识别方法 |
| CN111681253A (zh) * | 2020-06-09 | 2020-09-18 | 山东大学 | 基于颜色与形态特征的叶片图像分割方法及系统 |
-
2021
- 2021-05-26 CN CN202110578067.3A patent/CN113269750A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593652A (zh) * | 2013-10-28 | 2014-02-19 | 西京学院 | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 |
| CN106355642A (zh) * | 2016-08-31 | 2017-01-25 | 上海交通大学 | 一种基于深度图的绿色叶子的三维重建方法 |
| CN109447945A (zh) * | 2018-09-21 | 2019-03-08 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
| CN110390359A (zh) * | 2019-01-08 | 2019-10-29 | 电子科技大学 | 一种西藏青稞叶片病变的识别方法 |
| CN111681253A (zh) * | 2020-06-09 | 2020-09-18 | 山东大学 | 基于颜色与形态特征的叶片图像分割方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 杨东方 等: "《数学模型在生态学的应用及研究》", 31 March 2019 * |
| 胡敏 等: "基于颜色和纹理特征的黄瓜病害识别算法", 《电子测量与仪器学报》 * |
| 马雪松: "基于支持向量机的花生褐斑病图像识别", 《万方数据库》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363519A (zh) * | 2023-04-10 | 2023-06-30 | 上海华维可控农业科技集团股份有限公司 | 一种基于云计算的可控农业防病害栽培系统及方法 |
| CN116363519B (zh) * | 2023-04-10 | 2024-01-09 | 上海华维可控农业科技集团股份有限公司 | 一种基于云计算的可控农业防病害栽培系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hamuda et al. | Automatic crop detection under field conditions using the HSV colour space and morphological operations | |
| Francis et al. | Identification of leaf diseases in pepper plants using soft computing techniques | |
| Sannakki et al. | Diagnosis and classification of grape leaf diseases using neural networks | |
| Saxena et al. | A survey of image processing techniques for agriculture | |
| Ranjan et al. | Detection and classification of leaf disease using artificial neural network | |
| Sarkate et al. | Application of computer vision and color image segmentation for yield prediction precision | |
| Narvekar et al. | Grape leaf diseases detection & analysis using SGDM matrix method | |
| Ji et al. | In-field automatic detection of maize tassels using computer vision | |
| Lv et al. | A segmentation method of red apple image | |
| Patel et al. | A survey on the plant leaf disease detection techniques | |
| Pereira et al. | Pixel-based leaf segmentation from natural vineyard images using color model and threshold techniques | |
| Zhu et al. | Detection the maturity of multi-cultivar olive fruit in orchard environments based on Olive-EfficientDet | |
| Patil | Pomegranate fruit diseases detection using image processing techniques: a review | |
| CN114758132A (zh) | 一种基于卷积神经网络的果树病虫害识别方法及系统 | |
| CN113269750A (zh) | 香蕉叶部病害图像检测方法、系统、储存介质及检测设备 | |
| Taujuddin et al. | Detection of plant disease on leaves using blobs detection and statistical analysis | |
| Sahoo et al. | Automatic Dead zone detection in 2-D leaf image using clustering and segmentation technique | |
| CN117456523A (zh) | 作物种类识别方法、装置、电子设备及介质 | |
| Abdelghafour et al. | Potential of on-board colour imaging for in-field detection and counting of grape bunches at early fruiting stages | |
| Monavar et al. | Detection of red ripe tomatoes on stem using Image Processing Techniques | |
| Bini et al. | Intelligent agrobots for crop yield estimation using computer vision | |
| Jige et al. | Population estimation of whitefly for cotton plant using image processing approach | |
| Choudhury | Segmentation techniques and challenges in plant phenotyping | |
| Nejati et al. | Kiwifruit detection in challenging conditions | |
| Areni | Automatic counting of chili ripeness on computer vision for industri 4.0 |
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: 20210817 |
|
| RJ01 | Rejection of invention patent application after publication |