CN113763304B - 农作物病虫害识别方法、装置、设备及介质 - Google Patents
农作物病虫害识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113763304B CN113763304B CN202010423118.0A CN202010423118A CN113763304B CN 113763304 B CN113763304 B CN 113763304B CN 202010423118 A CN202010423118 A CN 202010423118A CN 113763304 B CN113763304 B CN 113763304B
- Authority
- CN
- China
- Prior art keywords
- channel
- image
- identified
- crop
- preset condition
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 59
- 201000010099 disease Diseases 0.000 claims abstract description 112
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 112
- 241000238631 Hexapoda Species 0.000 claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 238000003066 decision tree Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000000926 separation method Methods 0.000 claims abstract description 16
- 235000013399 edible fruits Nutrition 0.000 claims description 67
- 238000003384 imaging method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 240000003768 Solanum lycopersicum Species 0.000 description 51
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 50
- 241000196324 Embryophyta Species 0.000 description 33
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000006378 damage Effects 0.000 description 7
- 239000003086 colorant Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 241001124076 Aphididae Species 0.000 description 2
- 241001517923 Douglasiidae Species 0.000 description 2
- 241001012098 Omiodes indicata Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003612 virological effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Abstract
本发明实施例提供一种农作物病虫害识别方法、装置、设备及介质。该方法包括:获取第一农作物图像;对第一农作物图像进行RGB通道分离,得到R通道图像、G通道图像和B通道图像;对R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图;基于R通道二值图、G通道二值图和B通道二值图进行区块Blob分析,确定病虫害位置,并生成病虫害数据;将病虫害数据输入决策树模型,确定病虫害类型。如此能够快速确定病虫害位置与类型,提高识别准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种农作物病虫害识别方法、装置、设备及介质。
背景技术
随着农作物种植面积的不断增大,在农作物的生长过程中,或多或少会出现许多病虫害,如不能及时识别处理病虫害,将会严重影响农作物的生长。
目前,针对农作物病虫害的识别主要包括人工识别、基于神经网络迁移学习进行识别等方式。
但是,人工识别方式通常是人员在种植园区进行目视,凭借个人经验进行病虫害的识别。由此可知,该方式比较依赖个人经验且耗时长,效率较低。另外,基于神经网络迁移学习进行识别的方式容易造成过拟合现象,不利于病虫害识别。
发明内容
本发明实施例提供了一种农作物病虫害识别方法、装置、设备及介质,能够快速确定病虫害位置与类型,提高识别准确率。
第一方面,本发明实施例提供一种农作物病虫害识别方法,该方法包括:获取第一农作物图像;对第一农作物图像进行RGB通道分离,得到R通道图像、G通道图像和B通道图像;对R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图;基于R通道二值图、G通道二值图和B通道二值图进行区块(Blob)分析,确定病虫害位置,并生成病虫害数据;将病虫害数据输入决策树模型,确定病虫害类型。
在第一方面的一些可实现方式中,获取第一农作物图像,包括:获取多个第二农作物图像;对多个第二农作物图像进行图像合并,得到第一农作物图像。
在第一方面的一些可实现方式中,获取多个第二农作物图像,包括:通过成像设备对同一农作物进行不同角度的拍摄,得到多个第二农作物图像,多个第二农作物图像包括农作物果实图像、农作物叶背图像、农作物叶面图像;成像设备包括至少两个相机、至少两个镜头、固定支架、滑动轨道、至少两个可调节支架,其中,每个镜头与一个相机连接,每个相机与一个可调节支架连接,每个可调节支架与固定支架连接,固定支架与滑动轨道连接。
在第一方面的一些可实现方式中,对R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图,包括:对R通道图像、G通道图像和B通道图像进行对比度增强;对对比度增强后的R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图。
在第一方面的一些可实现方式中,基于R通道二值图、G通道二值图和B通道二值图进行Blob分析,确定病虫害位置,包括:基于R通道二值图、G通道二值图和B通道二值图进行Blob分析,确定待识别区域,并根据预设识别信息,确定待识别区域是否位于农作物果实上;当确定待识别区域位于农作物果实上时,计算待识别区域在R通道图像上的第一R通道像素占比、在G通道图像上的第一G通道像素占比以及在B通道图像上的第一B通道像素占比;第一R通道像素占比用于表示待识别区域中满足第一预设条件的像素占待识别区域全部像素的比例,第一G通道像素占比用于表示待识别区域中满足第二预设条件的像素占待识别区域全部像素的比例,第一B通道像素占比用于表示待识别区域中满足第三预设条件的像素占待识别区域全部像素的比例;判断第一R通道像素占比、第一G通道像素占比和第一B通道像素占比是否满足第四预设条件;当满足第四预设条件时,确定待识别区域为病虫害位置。
在第一方面的一些可实现方式中,基于R通道二值图、G通道二值图和B通道二值图进行Blob分析,确定病虫害位置还包括:当确定待识别区域未位于农作物果实上时,计算待识别区域在R通道图像上的第二R通道像素占比、在G通道图像上的第二G通道像素占比以及B通道图像上的第二B通道像素占比;第二R通道像素占比用于表示待识别区域中满足第五预设条件的像素占待识别区域全部像素的比例,第二G通道像素占比用于表示待识别区域中满足第六预设条件的像素占待识别区域全部像素的比例,第二B通道像素占比用于表示待识别区域中满足第七预设条件的像素占待识别区域全部像素的比例;判断第二R通道像素占比、第二G通道像素占比和第二B通道像素占比是否满足第八预设条件;当满足第八预设条件时,确定待识别区域为病虫害位置。
在第一方面的一些可实现方式中,第一预设条件、第二预设条件、第三预设条件、第五预设条件、第六预设条件和第七预设条件是基于QQ图和XBAR控制图分析病虫害样本数据获得。
第二方面,本发明实施例提供一种农作物病虫害识别装置,该装置包括:获取模块,用于获取第一农作物图像;分离模块,用于对第一农作物图像进行RGB通道分离,得到R通道图像、G通道图像和B通道图像;处理模块,用于对R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图;分析模块,用于基于R通道二值图、G通道二值图和B通道二值图进行Blob分析,确定病虫害位置,并生成病虫害数据;确定模块,用于将病虫害数据输入决策树模型,确定病虫害类型。
在第二方面的一些可实现方式中,获取模块具体用于:获取多个第二农作物图像;对多个第二农作物图像进行图像合并,得到第一农作物图像。
在第二方面的一些可实现方式中,获取模块具体用于:通过成像设备对同一农作物进行不同角度的拍摄,得到多个第二农作物图像,多个第二农作物图像包括农作物果实图像、农作物叶背图像、农作物叶面图像;成像设备包括至少两个相机、至少两个镜头、固定支架、滑动轨道、至少两个可调节支架,其中,每个镜头与一个相机连接,每个相机与一个可调节支架连接,每个可调节支架与固定支架连接,固定支架与滑动轨道连接。
在第二方面的一些可实现方式中,处理模块具体用于:对R通道图像、G通道图像和B通道图像进行对比度增强;对对比度增强后的R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图。
在第二方面的一些可实现方式中,分析模块具体用于:基于R通道二值图、G通道二值图和B通道二值图进行Blob分析,确定待识别区域,并根据预设识别信息,确定待识别区域是否位于农作物果实上;当确定待识别区域位于农作物果实上时,计算待识别区域在R通道图像上的第一R通道像素占比、在G通道图像上的第一G通道像素占比以及在B通道图像上的第一B通道像素占比;第一R通道像素占比用于表示待识别区域中满足第一预设条件的像素占待识别区域全部像素的比例,第一G通道像素占比用于表示待识别区域中满足第二预设条件的像素占待识别区域全部像素的比例,第一B通道像素占比用于表示待识别区域中满足第三预设条件的像素占待识别区域全部像素的比例;判断第一R通道像素占比、第一G通道像素占比和第一B通道像素占比是否满足第四预设条件;当满足第四预设条件时,确定待识别区域为病虫害位置。
在第二方面的一些可实现方式中,分析模块还用于:当确定待识别区域未位于农作物果实上时,计算待识别区域在R通道图像上的第二R通道像素占比、在G通道图像上的第二G通道像素占比以及B通道图像上的第二B通道像素占比;第二R通道像素占比用于表示待识别区域中满足第五预设条件的像素占待识别区域全部像素的比例,第二G通道像素占比用于表示待识别区域中满足第六预设条件的像素占待识别区域全部像素的比例,第二B通道像素占比用于表示待识别区域中满足第七预设条件的像素占待识别区域全部像素的比例;判断第二R通道像素占比、第二G通道像素占比和第二B通道像素占比是否满足第八预设条件;当满足第八预设条件时,确定待识别区域为病虫害位置。
在第二方面的一些可实现方式中,第一预设条件、第二预设条件、第三预设条件、第五预设条件、第六预设条件和第七预设条件是基于QQ图和XBAR控制图分析病虫害样本数据获得。
第三方面,本发明实施例提供一种农作物病虫害识别设备,该设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现第一方面或者第一方面任一些可实现方式中所述的农作物病虫害识别方法。
第四方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面或者第一方面任一些可实现方式中所述的农作物病虫害识别方法。
本发明实施例提供的一种农作物病虫害识别方法、装置、设备及介质,可以对获取的第一农作物图像进行RGB通道分离,得到R通道图像、G通道图像和B通道图像,并对R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图,接着可以基于R通道二值图、G通道二值图和B通道二值图进行BLOB分析,进而确定病虫害位置,也即确定病虫害的具体发生点,并生成相应的病虫害数据,将病虫害数据输入决策树模型,快速确定病虫害类型。如此可以基于图像的像素特征快速确定病虫害位置与类型,避免出现过拟合现象,提高识别准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种农作物病虫害识别方法的流程示意图;
图2是本发明实施例提供的一种成像设备的结构示意图;
图3是本发明实施例提供的一种西红柿果实病虫害分析的QQ图;
图4是本发明实施例提供的一种西红柿果实病虫害分析的XBAR控制图;
图5是本发明实施例提供的另一种西红柿果实病虫害分析的XBAR控制图;
图6是本发明实施例提供的一种西红柿叶片病虫害分析的QQ图;
图7是本发明实施例提供的一种西红柿叶片病虫害分析的XBAR控制图;
图8是本发明实施例提供的另一种西红柿叶片病虫害分析的XBAR控制图;
图9是本发明实施例提供的一种西红柿果实的R通道图像;
图10是本发明实施例提供的一种西红柿果实的R通道二值图;
图11是本发明实施例提供的一种西红柿果实的R通道Blob分析图;
图12是本发明实施例提供的一种西红柿叶片的G通道图像;
图13是本发明实施例提供的一种西红柿叶片的G通道二值图;
图14是本发明实施例提供的一种西红柿叶片的G通道Blob分析图;
图15是本发明实施例提供的一种决策树模型处理流程示意图;
图16是本发明实施例提供的一种农作物病虫害识别装置的结构示意图;
图17是本发明实施例提供的一种农作物病虫害识别设备的硬件结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前,在农作物的生长过程中,病虫害现象十分普遍,针对农作物病虫害的识别主要包括人工识别、基于神经网络迁移学习进行识别等方式。
但是,人工识别方式比较依赖个人经验,而且效率较低。另外,基于神经网络迁移学习进行识别的方式容易造成过拟合现象,不利于病虫害识别。
针对于此,本发明实施例提供了一种农作物病虫害识别方法、装置、设备及介质,可以对获取的第一农作物图像进行RGB通道分离,得到R通道图像、G通道图像和B通道图像,并对R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图,接着可以基于R通道二值图、G通道二值图和B通道二值图进行BLOB分析,进而确定病虫害位置,也即确定病虫害的具体发生点,并生成相应的病虫害数据,将病虫害数据输入决策树模型,快速确定病虫害类型。如此可以基于图像的像素特征快速确定病虫害位置与类型,避免出现过拟合现象,提高识别准确率。
下面结合附图对本发明实施例所提供的农作物病虫害识别方法进行介绍:
图1是本发明实施例提供的一种农作物病虫害识别方法的流程示意图,如图1所示,该农作物病虫害识别方法100可以包括S110至S150,具体如下:
S110,获取第一农作物图像。
可选地,在一个实施例中,可以获取多个第二农作物图像,对多个第二农作物图像进行图像合并,得到第一农作物图像。可选地,可以先对多个第二农作物图像进行畸变矫正,再现被拍摄物体的样子,其中,畸变矫正操作可以包括内参和外参矫正,然后对矫正后的多个第二农作物图像进行图像合并,示例性地,可以利用帧触发通过工业以太网对同步控制拍摄的多个图像进行合并。
在一个实施例中,由于农作物的病虫害可以分布于不同的位置,为了更好地识别病虫害,可以通过成像设备对同一农作物进行不同角度的拍摄,得到多个第二农作物图像,其中,多个第二农作物图像可以包括农作物果实图像、农作物叶背图像、农作物叶面图像。
如图2所示,成像设备可以包括至少两个相机1、至少两个镜头2、固定支架3、滑动轨道4、至少两个可调节支架5,其中,每个镜头2与一个相机1连接,每个相机1与一个可调节支架5连接,每个可调节支架5与固定支架3连接,固定支架3与滑动轨道4连接。
具体地,相机1与镜头2结合,可以基于可调节支架5,调解相机1的成像角度和成像距离,例如上下、左右多自由度调节来拍摄农作物。固定支架3可以用于固定相机,滑动轨道4被伺服电机驱动时,可以随滑动轨道4进行移动,从而可以进行移动拍摄。可选地,这里所使用的相机1可以是工业相机,镜头2可以是鱼眼镜头,而且可调节支架5可以装载在无人机等多种设备之上。
作为一个示例,成像设备可以应用于藤蔓较多的大棚环境,也就是说,可以在大棚环境中,通过成像设备对同一农作物进行不同角度的拍摄,得到多个第二农作物图像。
S120,对第一农作物图像进行RGB通道分离,得到R通道图像、G通道图像和B通道图像。
可以理解,在RGB颜色空间模型中,任意色光F都可以用R、G、B三色不同颜色分量的相加混合而成,具体可以如公式1所示,
F=r[R]+g[G]+b[B] (1)
其中,F表示任意色光,r[R]、g[G]、b[B]分别表示R、G、B三色的颜色分量。可选地,可以采用RGB24格式,其中,R、G、B各颜色分量占8位,各颜色分量的取值范围为0-255。
这里,对第一农作物图像进行RGB通道分离,可以理解为,将R、G、B三色的分量分离出来,换句话说,就是将第一农作物图像中每个像素的R、G、B三色的颜色分量分离出来,分别得到R通道图像、G通道图像和B通道图像。
S130,对R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图。
可选地,在一个实施例中,为了更好地凸显像素之间的颜色分量差异,可以对R通道图像、G通道图像和B通道图像进行对比度增强,对对比度增强后的R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图。可选地,二值化处理方法可以包括迭代阈值法、全局阈值法、局部阈值法等等。
S140,基于R通道二值图、G通道二值图和B通道二值图进行Blob分析,确定病虫害位置,并生成病虫害数据。
可选地,在一个实施例中,可以基于R通道二值图、G通道二值图和B通道二值图进行Blob分析,得到R通道Blob分析图、G通道Blob分析图、B通道Blob分析图,基于各通道Blob分析图确定待识别区域,待识别区域可以表示疑似病虫害的区域,需要进一步确定。接着可以根据预设识别信息,确定待识别区域是否位于农作物果实上,其中,预设识别信息可以包括农作物果实信息、农作物叶片信息、相机信息等等,农作物果实信息可以包括农作物果实尺寸、形状等等,农作物叶片信息可以包括农作物叶片尺寸、形状等等,相机信息可以包括像元大小等等。
当确定待识别区域位于农作物果实上时,计算待识别区域在R通道图像上的第一R通道像素占比、在G通道图像上的第一G通道像素占比以及在B通道图像上的第一B通道像素占比。
其中,第一R通道像素占比可以用于表示待识别区域中满足第一预设条件的像素占待识别区域全部像素的比例,第一G通道像素占比可以用于表示待识别区域中满足第二预设条件的像素占待识别区域全部像素的比例,第一B通道像素占比可以用于表示待识别区域中满足第三预设条件的像素占待识别区域全部像素的比例。第一、第二、第三预设条件可以分别表示待识别区域在农作物果实上时,像素的R、G、B三色的颜色分量在各自对应的预设颜色分量阈值范围内。
此时,可以判断第一R通道像素占比、第一G通道像素占比和第一B通道像素占比是否满足第四预设条件,第四预设条件可以是指第一预设像素占比阈值,可以根据实际情况灵活调整。当满足第四预设条件时,确定待识别区域为病虫害位置。
当确定待识别区域未位于农作物果实上时,计算待识别区域在R通道图像上的第二R通道像素占比、在G通道图像上的第二G通道像素占比以及B通道图像上的第二B通道像素占比。
其中,第二R通道像素占比用于表示待识别区域中满足第五预设条件的像素占待识别区域全部像素的比例,第二G通道像素占比用于表示待识别区域中满足第六预设条件的像素占待识别区域全部像素的比例,第二B通道像素占比用于表示待识别区域中满足第七预设条件的像素占待识别区域全部像素的比例。第五、第六、第七预设条件可以分别表示待识别区域在非农作物果实上时,像素的R、G、B三色的颜色分量在各自对应的预设颜色分量阈值范围内。
此时,可以判断第二R通道像素占比、第二G通道像素占比和第二B通道像素占比是否满足第八预设条件,第八预设条件可以是指第二预设像素占比阈值,可以根据实际情况灵活调整。当满足第八预设条件时,确定待识别区域为病虫害位置。
作为一个示例,第一、第二、第三、第五、第六、第七预设条件可以根据先验信息得到,可选地,第一、第二、第三、第五、第六、第七预设条件可以基于QQ图和XBAR控制图分析病虫害样本数据获得。
可选地,在一个实施例中,可以基于病虫害位置生成病虫害分析结果图,并基于病虫害分析结果图生成病虫害数据。
S150,将病虫害数据输入决策树模型,确定病虫害类型。
具体地,可以利用决策树模型对病虫害数据进行处理,自动识别出病虫害类型。
本发明实施例的农作物病虫害识别方法,可以对获取的第一农作物图像进行RGB通道分离,得到R通道图像、G通道图像和B通道图像,并对R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图,接着可以基于R通道二值图、G通道二值图和B通道二值图进行BLOB分析,进而确定病虫害位置,也即确定病虫害的具体发生点,并生成相应的病虫害数据,将病虫害数据输入决策树模型,快速确定病虫害类型。如此可以基于图像的像素特征快速确定病虫害位置与类型,避免出现过拟合现象,提高识别准确率。
在一个实施例中,为了对确定的病虫害类型提供进一步的防治方案,在确定病虫害类型之后,还可以包括以下步骤:匹配与病虫害类型对应的防治方案。
为了更好地理解本发明实施例的农作物病虫害识别方法,下面以西红柿为例进行说明,具体如下:
可以理解,可以事先基于QQ图和XBAR控制图分析病虫害样本数据设置第一、第二、第三、第五、第六、第七预设条件。
作为一个示例,可以基于QQ图和XBAR控制图对表1的西红柿果实病虫害样本数据进行分析。
表1
样本 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
R | 250 | 235 | 249 | 181 | 88 | 184 | 142 | 113 | 181 |
G | 237 | 186 | 223 | 123 | 43 | 99 | 115 | 89 | 116 |
B | 241 | 203 | 232 | 145 | 56 | 137 | 116 | 94 | 130 |
换句话说,就是基于表1的西红柿果实病虫害样本数据分别生成西红柿果实病虫害分析的QQ图和XBAR控制图,其中,西红柿果实病虫害分析的QQ图可以如图3所示,西红柿果实病虫害分析的XBAR控制图可以如图4、图5所示。在图3中,中间的线是目标颜色分量的选取范围,在图4、图5中,在上控制界限与下控制界限之间是目标颜色分量的选取范围,上控制界限与下控制界限之外的点都是破坏点不必考虑。
此外,可以基于QQ图和XBAR控制图对表2的西红柿叶片病虫害样本数据进行分析。
表2
样本 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
R | 140 | 178 | 249 | 110 | 171 | 100 | 254 | 250 | 194 |
G | 111 | 137 | 218 | 85 | 130 | 89 | 202 | 236 | 139 |
B | 125 | 152 | 226 | 89 | 145 | 102 | 231 | 240 | 156 |
换句话说,就是基于表2的西红柿叶片病虫害样本数据分别生成西红柿叶片病虫害分析的QQ图和XBAR控制图,其中,西红柿叶片病虫害分析的QQ图可以如图6所示,西红柿叶片病虫害分析的XBAR控制图可以如图7、图8所示。在图6中,中间的线是目标颜色分量的选取范围,在图7、图8中,在上控制界限与下控制界限之间是目标颜色分量的选取范围,上控制界限与下控制界限之外的点都是破坏点不必考虑。
通过对图3、图4、图5、图6、图7、图8的分析,可以设置第一、第二、第三、第五、第六、第七预设条件,具体可以如表3所示:
表3
西红柿部位 | Init_R | Init_G | Init_B | 允许度 |
果实 | 158 | 143 | 129 | 80 |
叶片 | 165 | 140 | 126 | 80 |
其中,Init_R、Init_G、Init_B,分别表示待识别区域在R通道图像、G通道图像和B通道图像的预设颜色分量,可以理解,第一预设条件可以是指待识别区域在农作物果实上时,像素的R颜色分量在Init_R±允许度之间,如若待识别区域在农作物果实上时,待识别区域中A像素的R颜色分量在158±80之间,则A像素满足第一预设条件。第二预设条件可以是指待识别区域在农作物果实上时,像素的G颜色分量在Init_G±允许度之间。第三预设条件可以是指待识别区域在农作物果实上时,像素的B颜色分量在Init_B±允许度之间。第五预设条件可以是指待识别区域在非农作物果实上即农作物叶片上时,像素的R颜色分量在Init_R±允许度之间。第六预设条件可以是指待识别区域在农作物叶片上时,像素的G颜色分量在Init_G±允许度之间。第七预设条件可以是指待识别区域在农作物叶片上时,像素的B颜色分量在Init_B±允许度之间。
在进行病虫害识别时,可以先在大棚环境下通过图2所示的成像设备对同一西红柿进行不同角度的拍摄,得到多个第二西红柿图像,对多个第二西红柿图像进行内参和外参矫正,然后对矫正后的多个第二西红柿图像进行图像合并,得到第一西红柿图像。其次,可以对第一西红柿图像进行RGB通道分离,得到R通道图像、G通道图像和B通道图像。再次,可以对R通道图像、G通道图像和B通道图像进行对比度增强,对对比度增强后的R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图。
接着,可以基于R通道二值图、G通道二值图和B通道二值图进行Blob分析,得到R通道Blob分析图、G通道Blob分析图、B通道Blob分析图,基于各通道Blob分析图确定待识别区域,然后可以根据预设识别信息,确定待识别区域是否位于农作物果实上。
当确定待识别区域位于农作物果实上时,计算待识别区域在R通道图像上的第一R通道像素占比、在G通道图像上的第一G通道像素占比以及在B通道图像上的第一B通道像素占比。此时,可以判断第一R通道像素占比、第一G通道像素占比和第一B通道像素占比是否满足第四预设条件,当满足第四预设条件时,确定待识别区域为病虫害位置。
当确定待识别区域未位于农作物果实上时,计算待识别区域在R通道图像上的第二R通道像素占比、在G通道图像上的第二G通道像素占比以及B通道图像上的第二B通道像素占比。
此时,可以判断第二R通道像素占比、第二G通道像素占比和第二B通道像素占比是否满足第八预设条件,当满足第八预设条件时,确定待识别区域为病虫害位置。
作为一个示例,第四、第八预设条件可以如表4所示:
表4
名称 | R | G | B |
果实 | 70% | 15% | 15% |
叶 | 25% | 60% | 15% |
其中,第四预设条件可以是指第一R通道像素占比、第一G通道像素占比和第一B通道像素占比分别是70%、15%、15%。第八预设条件可以是指第二R通道像素占比、第二G通道像素占比和第二B通道像素占比分别是25%、60%、15%。
作为一个示例,在进行西红柿病虫害识别时,针对R通道各阶段生成的图像可以如图9、图10、图11所示,其中,图9是本发明实施例提供的一种西红柿果实的R通道图像,在图9中,由于西红柿果实为红色,所以西红柿果实格外明亮。图10是本发明实施例提供的一种西红柿果实的R通道二值图,在图10中,二值化处理后的西红柿果实由于自身的像素特征明显区别于周围事物。图11是本发明实施例提供的一种西红柿果实的R通道Blob分析图,在图11中,待识别区域被识别出来,以用于下一步病虫害位置确定。
作为另一个示例,在进行西红柿病虫害识别时,针对G通道各阶段生成的图像可以如图12、图13、图14所示,其中,图12是本发明实施例提供的一种西红柿叶片的G通道图像,在图12中,由于西红柿叶片为绿色,所以西红柿叶片格外明亮。图13是本发明实施例提供的一种西红柿叶片的G通道二值图,在图13中,二值化处理后的西红柿叶片由于自身的像素特征明显区别于周围事物。图14是本发明实施例提供的一种西红柿叶片的G通道Blob分析图,在图14中,待识别区域被识别出来,以用于下一步病虫害位置确定。
进而,可以基于病虫害位置生成病虫害分析结果图,基于病虫害分析结果图生成病虫害数据。
下一步,可以利用决策树模型对病虫害数据进行处理,自动识别出病虫害类型。
可以理解,当农作物是辣椒、茄子、黄瓜等作物时,可以使用R、G、B通道中至少两个通道进行病虫害识别,具体步骤与西红柿类似,在此不做赘述。
下面结合西红柿的示例对决策树模型进行介绍,具体如下:
可知,决策树模型每一个非叶子节点是一个判断条件,每一个叶子节点是结论。从根节点开始,经过多次判断得出结论。每一个节点中包含样本数据表中的属性。
可以根据事先获取的样本数据对决策树模型进行构建,这里样本数据可以如表5所示,在表5中,样本数据被标注出其拥有的各项属性,例如,病虫害类型、表现症状、器官部位、类别。具体地,病害类型:0代表西红柿灰/叶霉病、2代表西红柿早/晚疫病、3代表西红柿病毒病、4代表蚜虫、5代表白粉虱、6代表潜叶蝇。表现症状:0代表叶病害,1代表叶虫害,2代表果实虫害,3代表果实病害。部位器官:0代表叶,1代表果实。类别:0代表是,1代表否。
表5
ID | 病虫害类型 | 表现症状 | 器官部位 | 类别 |
0 | 病毒病 | 叶病 | 叶 | 否 |
1 | 蚜虫 | 果实病 | 果实 | 否 |
2 | 白粉虱 | 果实病 | 果实 | 是 |
3 | 潜叶蝇 | 果实虫 | 果实 | 是 |
4 | 早疫病 | 叶虫 | 果实 | 是 |
5 | 晚疫病 | 叶虫 | 果实 | 是 |
6 | 灰霉病 | 果实病 | 叶 | 否 |
7 | 叶霉病 | 果实虫 | 叶 | 否 |
根据表5的样本数据构建决策树模型的步骤可以具体如下:
步骤1:将所有样本数据看成是一个节点,进入步骤2;
步骤2:从所有的数据特征中挑选一个数据特征点进行分割,进入步骤3;
步骤3:生成若干孩子节点,对每一个孩子节点进行判断,如果满足停止分裂的条件,进入步骤4;否则,进入步骤2;
步骤4:设置该节点是子节点,其输出的结果为该节点数量占比最大的类别。
具体地,在构建过程中,可以根据表5中数据特点,将每一个数据作为一个树节点,此外,影响特征指标选择的关键因素是信息增益,其定义为:待分类集合的熵和选定某个特征条件熵之差,公式如下:
Information_Gain(Y|X)=H(Y)-H(Y|X) (2)
其中,信息增益表示Information_Gain(Y|X),H(Y)、H(Y|X)分别为:
H(Y|X)=∑xp(x)H(Y|X=x) (4)
其中,X表示待分类集合的熵,待分类集合就是确定有病虫害的一张图像。
Y表示选定某个特征条件熵,某个特征就比如是西红柿灰/叶霉病就是一个特征。
衡量信息增益中节点复杂度的两个计算方式,为熵、基尼值。
熵可以为:
其中,Entropy表示熵,pi表示类i的数量占比。
基尼值可以为:
其中,Gini表示基尼值,pi表示类i的数量占比。
基于特征指标选择,决策树模型的终止条件为一个固定阈值,当损失函数结果值低于一定程度数,节点停止分裂。这里,采用固定阈值就是通过统计样本“纯净度”来决定的一个数值。损失函数采用最小基尼值给出。
基于表5的样本数据进行决策树模型构建,目的是快速准确实现西红柿样本到病情的分类。选择具有最小Gain_Gini的属性及其属性值,作为最优分裂属性以及最优分裂属性值。Gain_Gini值越小,说明二分之后的子样本的“纯净度”越高,即说明选择该属性(值)作为分裂属性(值)的效果越好。
对于样本数据集S,即表5中的样本数据,Gini计算如下:
其中,在样本数据S中,pi表示类i的数量占比。
对于含有N个样本的样本集S,根据属性A的第i个属性值,将数据集S划分成两部分,划分两部分之后的Gain_Gini计算如下:
其中,n1、n2分别为样本集S1、S2的样本个数。
对于属性A,分别计算任意属性值将数据集划分成两部分之后的Gain_Gini,选取其中的最小值,作为属性病虫害类型得到的最优二分方案,具体如下:
对于样本集S,计算所有属性的最优二分方案,选取其中的最小值,作为样本集S的最优二分方案,具体如下:
所得到的属性A及第i属性值,即为样本集S的最优分裂属性以及最优分裂属性值。
决策树模型构建完成后,以表5样本数据为例,介绍决策树模型处理流程,如图15所示,决策树模型可以综合利用表5中4个样本数据属性去判断样本数据的病虫害类别,具体是每次选择一个属性进行判断,如果不能得出结论,继续选择其他属性进行判断,直到能够“肯定地”判断出样本数据的病虫害类型或者是上述属性都已经使用完毕。
基于本发明实施例的农作物病虫害识别方法,本发明实施例还提供了一种农作物病虫害识别装置,如图16所示,该农作物病虫害识别装置200可以包括:获取模块210、分离模块220、处理模块230、分析模块240以及确定模块250。
其中,获取模块210,用于获取第一农作物图像。分离模块220,用于对第一农作物图像进行RGB通道分离,得到R通道图像、G通道图像和B通道图像。处理模块230,用于对R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图。分析模块240,用于基于R通道二值图、G通道二值图和B通道二值图进行Blob分析,确定病虫害位置,并生成病虫害数据。确定模块250,用于将病虫害数据输入决策树模型,确定病虫害类型。
在一个实施例中,获取模块210具体用于:获取多个第二农作物图像,对多个第二农作物图像进行图像合并,得到第一农作物图像。
在一个实施例中,获取模块210具体用于:通过成像设备对同一农作物进行不同角度的拍摄,得到多个第二农作物图像,多个第二农作物图像包括农作物果实图像、农作物叶背图像、农作物叶面图像。成像设备包括至少两个相机、至少两个镜头、固定支架、滑动轨道、至少两个可调节支架,其中,每个镜头与一个相机连接,每个相机与一个可调节支架连接,每个可调节支架与固定支架连接,固定支架与滑动轨道连接。
在一个实施例中,处理模块230具体用于:对R通道图像、G通道图像和B通道图像进行对比度增强,对对比度增强后的R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图。
在一个实施例中,分析模块240具体用于:基于R通道二值图、G通道二值图和B通道二值图进行Blob分析,确定待识别区域,并根据预设识别信息,确定待识别区域是否位于农作物果实上。当确定待识别区域位于农作物果实上时,计算待识别区域在R通道图像上的第一R通道像素占比、在G通道图像上的第一G通道像素占比以及在B通道图像上的第一B通道像素占比。第一R通道像素占比用于表示待识别区域中满足第一预设条件的像素占待识别区域全部像素的比例,第一G通道像素占比用于表示待识别区域中满足第二预设条件的像素占待识别区域全部像素的比例,第一B通道像素占比用于表示待识别区域中满足第三预设条件的像素占待识别区域全部像素的比例。判断第一R通道像素占比、第一G通道像素占比和第一B通道像素占比是否满足第四预设条件。当满足第四预设条件时,确定待识别区域为病虫害位置。
在一个实施例中,分析模块240还用于:当确定待识别区域未位于农作物果实上时,计算待识别区域在R通道图像上的第二R通道像素占比、在G通道图像上的第二G通道像素占比以及B通道图像上的第二B通道像素占比。第二R通道像素占比用于表示待识别区域中满足第五预设条件的像素占待识别区域全部像素的比例,第二G通道像素占比用于表示待识别区域中满足第六预设条件的像素占待识别区域全部像素的比例,第二B通道像素占比用于表示待识别区域中满足第七预设条件的像素占待识别区域全部像素的比例。判断第二R通道像素占比、第二G通道像素占比和第二B通道像素占比是否满足第八预设条件。当满足第八预设条件时,确定待识别区域为病虫害位置。
在一个实施例中,第一预设条件、第二预设条件、第三预设条件、第五预设条件、第六预设条件和第七预设条件是基于QQ图和XBAR控制图分析病虫害样本数据获得。
本发明实施例的农作物病虫害识别装置,可以对获取的第一农作物图像进行RGB通道分离,得到R通道图像、G通道图像和B通道图像,并对R通道图像、G通道图像和B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图,接着可以基于R通道二值图、G通道二值图和B通道二值图进行BLOB分析,进而确定病虫害位置,也即确定病虫害的具体发生点,并生成相应的病虫害数据,将病虫害数据输入决策树模型,快速确定病虫害类型。如此可以基于图像的像素特征快速确定病虫害位置与类型,避免出现过拟合现象,提高识别准确率。
可以理解的是,本发明实施例的农作物病虫害识别装置200,可以对应于本发明实施例图1中的农作物病虫害识别方法的执行主体,农作物病虫害识别装置200的各个模块/单元的操作和/或功能的具体细节可以参见上述本发明实施例图1的农作物病虫害识别方法中的相应部分的描述,为了简洁,在此不再赘述。
图17是本发明实施例提供的一种农作物病虫害识别设备的硬件结构示意图。
如图17所示,本实施例中的农作物病虫害识别设备300包括输入设备301、输入接口302、中央处理器303、存储器304、输出接口305、以及输出设备306。其中,输入接口302、中央处理器303、存储器304、以及输出接口305通过总线310相互连接,输入设备301和输出设备306分别通过输入接口302和输出接口305与总线310连接,进而与农作物病虫害识别设备300的其他组件连接。
具体地,输入设备301接收来自外部的输入信息,并通过输入接口302将输入信息传送到中央处理器303;中央处理器303基于存储器304中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器304中,然后通过输出接口305将输出信息传送到输出设备306;输出设备306将输出信息输出到农作物病虫害识别设备300的外部供用户使用。
在一个实施例中,图17所示的农作物病虫害识别设备300包括:存储器304,用于存储程序;处理器303,用于运行存储器中存储的程序,以执行图1所示实施例提供的农作物病虫害识别方法。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现图1所示实施例提供的农作物病虫害识别方法。
需要明确的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,为了简洁,不再赘述。本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,做出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory,ROM)、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(Radio Frequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种农作物病虫害识别方法,其特征在于,所述方法包括:
获取第一农作物图像;
对所述第一农作物图像进行RGB通道分离,得到R通道图像、G通道图像和B通道图像;
对所述R通道图像、所述G通道图像和所述B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图;
基于所述R通道二值图、所述G通道二值图和所述B通道二值图进行区块Blob分析,确定病虫害位置,并生成病虫害数据;
将所述病虫害数据输入决策树模型,确定病虫害类型;
所述基于所述R通道二值图、所述G通道二值图和所述B通道二值图进行区块Blob分析,确定病虫害位置,包括:
基于所述R通道二值图、所述G通道二值图和所述B通道二值图进行Blob分析,确定待识别区域,并根据预设识别信息,确定所述待识别区域是否位于农作物果实上;
当确定所述待识别区域位于农作物果实上时,计算所述待识别区域在所述R通道图像上的第一R通道像素占比、在所述G通道图像上的第一G通道像素占比以及在所述B通道图像上的第一B通道像素占比;
所述第一R通道像素占比用于表示所述待识别区域中满足第一预设条件的像素占所述待识别区域全部像素的比例,所述第一G通道像素占比用于表示所述待识别区域中满足第二预设条件的像素占所述待识别区域全部像素的比例,所述第一B通道像素占比用于表示所述待识别区域中满足第三预设条件的像素占所述待识别区域全部像素的比例;
判断所述第一R通道像素占比、所述第一G通道像素占比和所述第一B通道像素占比是否满足第四预设条件;
当满足所述第四预设条件时,确定所述待识别区域为所述病虫害位置;
其中,所述第一预设条件、所述第二预设条件和所述第三预设条件是基于Quantile-Quantile图和XBAR控制图分析病虫害样本数据获得。
2.根据权利要求1所述的方法,其特征在于,所述获取第一农作物图像,包括:
获取多个第二农作物图像;
对所述多个第二农作物图像进行图像合并,得到所述第一农作物图像。
3.根据权利要求2所述的方法,其特征在于,所述获取多个第二农作物图像,包括:
通过成像设备对同一农作物进行不同角度的拍摄,得到所述多个第二农作物图像,所述多个第二农作物图像包括农作物果实图像、农作物叶背图像、农作物叶面图像;
所述成像设备包括至少两个相机、至少两个镜头、固定支架、滑动轨道、至少两个可调节支架,其中,每个镜头与一个相机连接,每个相机与一个可调节支架连接,每个可调节支架与所述固定支架连接,所述固定支架与所述滑动轨道连接。
4.根据权利要求1所述的方法,其特征在于,所述对所述R通道图像、所述G通道图像和所述B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图,包括:
对所述R通道图像、所述G通道图像和所述B通道图像进行对比度增强;
对对比度增强后的R通道图像、G通道图像和B通道图像进行二值化处理,得到所述R通道二值图、所述G通道二值图和所述B通道二值图。
5.根据权利要求1所述的方法,其特征在于,所述基于所述R通道二值图、所述G通道二值图和所述B通道二值图进行区块Blob分析,确定病虫害位置还包括:
当确定所述待识别区域未位于农作物果实上时,计算所述待识别区域在所述R通道图像上的第二R通道像素占比、在所述G通道图像上的第二G通道像素占比以及所述B通道图像上的第二B通道像素占比;
所述第二R通道像素占比用于表示所述待识别区域中满足第五预设条件的像素占所述待识别区域全部像素的比例,所述第二G通道像素占比用于表示所述待识别区域中满足第六预设条件的像素占所述待识别区域全部像素的比例,所述第二B通道像素占比用于表示所述待识别区域中满足第七预设条件的像素占所述待识别区域全部像素的比例;
判断所述第二R通道像素占比、所述第二G通道像素占比和所述第二B通道像素占比是否满足第八预设条件;
当满足所述第八预设条件时,确定所述待识别区域为所述病虫害位置;
所述第五预设条件、所述第六预设条件和所述第七预设条件是基于Quantile-Quantile图和XBAR控制图分析病虫害样本数据获得。
6.一种农作物病虫害识别装置,其特征在于,所述装置包括:
获取模块,用于获取第一农作物图像;
分离模块,用于对所述第一农作物图像进行RGB通道分离,得到R通道图像、G通道图像和B通道图像;
处理模块,用于对所述R通道图像、所述G通道图像和所述B通道图像进行二值化处理,得到R通道二值图、G通道二值图和B通道二值图;
分析模块,用于基于所述R通道二值图、所述G通道二值图和所述B通道二值图进行Blob分析,确定病虫害位置,并生成病虫害数据;
确定模块,用于将所述病虫害数据输入决策树模型,确定病虫害类型;
所述分析模块用于:
基于所述R通道二值图、所述G通道二值图和所述B通道二值图进行Blob分析,确定待识别区域,并根据预设识别信息,确定所述待识别区域是否位于农作物果实上;
当确定所述待识别区域位于农作物果实上时,计算所述待识别区域在所述R通道图像上的第一R通道像素占比、在所述G通道图像上的第一G通道像素占比以及在所述B通道图像上的第一B通道像素占比;
所述第一R通道像素占比用于表示所述待识别区域中满足第一预设条件的像素占所述待识别区域全部像素的比例,所述第一G通道像素占比用于表示所述待识别区域中满足第二预设条件的像素占所述待识别区域全部像素的比例,所述第一B通道像素占比用于表示所述待识别区域中满足第三预设条件的像素占所述待识别区域全部像素的比例;
判断所述第一R通道像素占比、所述第一G通道像素占比和所述第一B通道像素占比是否满足第四预设条件;
当满足所述第四预设条件时,确定所述待识别区域为所述病虫害位置;
其中,所述第一预设条件、所述第二预设条件和所述第三预设条件是基于Quantile-Quantile图和XBAR控制图分析病虫害样本数据获得。
7.一种农作物病虫害识别设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-5任意一项所述的农作物病虫害识别方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-5任意一项所述的农作物病虫害识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010423118.0A CN113763304B (zh) | 2020-05-19 | 2020-05-19 | 农作物病虫害识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010423118.0A CN113763304B (zh) | 2020-05-19 | 2020-05-19 | 农作物病虫害识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763304A CN113763304A (zh) | 2021-12-07 |
CN113763304B true CN113763304B (zh) | 2024-01-30 |
Family
ID=78782215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010423118.0A Active CN113763304B (zh) | 2020-05-19 | 2020-05-19 | 农作物病虫害识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763304B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309480B (zh) * | 2023-03-23 | 2024-01-30 | 上海华维可控农业科技集团股份有限公司 | 一种基于深度学习的作物生长智能决策系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246228A (zh) * | 2012-02-14 | 2013-08-14 | 厦门烟草工业有限责任公司 | 一种在线监控均值和标准差的系统 |
CN106250896A (zh) * | 2016-03-03 | 2016-12-21 | 上海创和亿电子科技发展有限公司 | 基于图像采集装置的在线烟叶的正反面的识别方法 |
CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
WO2017153848A1 (en) * | 2016-03-10 | 2017-09-14 | Genomic Vision | Method of curvilinear signal detection and analysis and associated platform |
WO2017194276A1 (en) * | 2016-05-13 | 2017-11-16 | Basf Se | System and method for detecting plant diseases |
CN109711317A (zh) * | 2018-12-21 | 2019-05-03 | 重庆理工大学 | 基于区域特征的成熟柑橘果实及枝叶的分割识别方法 |
CN110533732A (zh) * | 2019-09-04 | 2019-12-03 | 厦门美图之家科技有限公司 | 图像中肤色的识别方法、装置、电子设备及存储介质 |
CN111080524A (zh) * | 2019-12-19 | 2020-04-28 | 吉林农业大学 | 基于深度学习的植物病虫害识别方法 |
-
2020
- 2020-05-19 CN CN202010423118.0A patent/CN113763304B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246228A (zh) * | 2012-02-14 | 2013-08-14 | 厦门烟草工业有限责任公司 | 一种在线监控均值和标准差的系统 |
CN106250896A (zh) * | 2016-03-03 | 2016-12-21 | 上海创和亿电子科技发展有限公司 | 基于图像采集装置的在线烟叶的正反面的识别方法 |
WO2017153848A1 (en) * | 2016-03-10 | 2017-09-14 | Genomic Vision | Method of curvilinear signal detection and analysis and associated platform |
WO2017194276A1 (en) * | 2016-05-13 | 2017-11-16 | Basf Se | System and method for detecting plant diseases |
CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
CN109711317A (zh) * | 2018-12-21 | 2019-05-03 | 重庆理工大学 | 基于区域特征的成熟柑橘果实及枝叶的分割识别方法 |
CN110533732A (zh) * | 2019-09-04 | 2019-12-03 | 厦门美图之家科技有限公司 | 图像中肤色的识别方法、装置、电子设备及存储介质 |
CN111080524A (zh) * | 2019-12-19 | 2020-04-28 | 吉林农业大学 | 基于深度学习的植物病虫害识别方法 |
Non-Patent Citations (2)
Title |
---|
Application of an image and environmental sensor network for automated greenhouse insect pest monitoring;Dan Jeric Arcega Rustia等;《Journal of Asia-Pacific Entomology》;第23卷(第1期);17-28 * |
基于纹理颜色的温室大棚黄瓜图像识别;赵相飞;《中国优秀硕士学位论文全文数据库 农业科技辑》(第10期);D048-1 * |
Also Published As
Publication number | Publication date |
---|---|
CN113763304A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN108229290B (zh) | 视频物体分割方法和装置、电子设备、存储介质 | |
CN109583345B (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
CN112541395A (zh) | 一种目标检测和跟踪方法、装置、存储介质及电子装置 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
CN106651966B (zh) | 图片颜色识别方法和系统 | |
CN103971134A (zh) | 图像分类、检索和校正方法,以及相应装置 | |
CN112862849B (zh) | 一种基于图像分割和全卷积神经网络的田间稻穗计数方法 | |
Keller et al. | Soybean leaf coverage estimation with machine learning and thresholding algorithms for field phenotyping | |
CN113763304B (zh) | 农作物病虫害识别方法、装置、设备及介质 | |
CN112183212A (zh) | 一种杂草识别方法、装置、终端设备及可读存储介质 | |
CN110992365A (zh) | 一种基于图像语义分割的损失函数及其设计方法 | |
CN114898210B (zh) | 一种基于神经网络的遥感图像目标识别方法 | |
CN113052170A (zh) | 一种无约束场景下的小目标车牌识别方法 | |
CN109587392B (zh) | 监控设备的调整方法及装置、存储介质、电子装置 | |
CN114187189A (zh) | 一种飞行器多光谱影像辐射一致性校正方法 | |
CN107368847B (zh) | 一种作物叶部病害识别方法及系统 | |
CN112581502A (zh) | 一种基于孪生网络的目标跟踪方法 | |
CN112861855A (zh) | 基于对抗网络模型的群养猪实例分割方法 | |
Pramudhita et al. | Strawberry Plant Diseases Classification Using CNN Based on MobileNetV3-Large and EfficientNet-B0 Architecture | |
KR20160049569A (ko) | 스마트기기를 이용한 식물정보 제공 시스템 및 방법 | |
CN112634186A (zh) | 一种无人机的图像分析方法 | |
CN114299037B (zh) | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 | |
CN115908824B (zh) | 一种应用于大型无人机天空区域快速分割方法 | |
CN117173523B (zh) | 一种基于频率感知的伪装目标检测方法及系统 |
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 |