CN113989689B - 一种基于无人机的农作物病虫害识别方法及系统 - Google Patents
一种基于无人机的农作物病虫害识别方法及系统 Download PDFInfo
- Publication number
- CN113989689B CN113989689B CN202111432025.5A CN202111432025A CN113989689B CN 113989689 B CN113989689 B CN 113989689B CN 202111432025 A CN202111432025 A CN 202111432025A CN 113989689 B CN113989689 B CN 113989689B
- Authority
- CN
- China
- Prior art keywords
- length
- leaf
- crop
- picture
- frame selection
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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 Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Catching Or Destruction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于无人机的农作物病虫害识别方法及系统,主要包括:将所述农作物的图片转换成灰度图像,使用边缘检测方法检测所述灰度图像的边界;对所述边界图进行直线检测,获得p条叶片的主叶脉;根据主叶脉确定叶片框选范围;根据所述叶片框选范围确定叶片图像,将提取所述叶片图像输入卷积神经网络或者深度学习模型,检测农作物病虫害信息。本发明利用农作物叶片的主叶脉的特征实现了对无人机拍摄农作物图片中叶片的识别,进而对识别的叶片进行病虫害检测,降低了农田管理人员的劳动强度,提高了智慧农业病虫害自动的监测的精确度。
Description
技术领域
本申请涉及农业领域,尤其涉及基于无人机的农作物病虫害识别方法及系统。
背景技术
民以食为天,粮食生产关乎民计民生,2020年中国粮食种植面积为11677万公顷,产量达到6.69亿吨,作为一个农业大国,现阶段我国农业还多以家庭为单位进行生产。随着科技的发展以及城镇化的不断推进,集约化、规模化生产是未来我国农业发展的趋势,农业规模化种植不仅可以降低成本,还能提高效率,尤其是在河南、山东、东北等平原地区,特别适合规模化农业的发展。对农作物病虫害的监控中,还多以农田管理人员深入田间地头观察农作物,或者拍摄农作物的图片后让农技人员进行判断为主,对于几百亩甚至上千亩的农田,这个工作量很大,而且当病虫害局部发生时,并不容易及时发现;此外病虫害的判断严重依赖农技人员,其结果有很大的主观性。
随着计算机技术的进步,有很多科研院所以及公司开展了利用图像识别技术识别农作物病虫害的研究,利用图像识别技术识别农作物病虫害虽然克服了人工识别主观性的问题,但是要准确识别病虫害,需要有农作物叶子的完整图像,而且背景要尽量单一,这样才能有较高的识别率。要拍摄农作物叶子完整图像就需要农田管理人员去田间拍摄叶子图像,实际上,现有的图像识别方式识别农作物病虫害并不能减轻农田管理人员的工作量。无人机可以替代管理人员拍摄农作物的图像,然而,由于无人机拍摄的图像包含很多农作物叶片,直接利用无人机拍摄的图像识别病虫害的准确率很低。如何提高利用无人机拍摄农作物图片识别病虫害的准确率是农业智慧化亟需解决的问题。
发明内容
本申请的目的在于提出一种基于无人机的农作物病虫害识别方法及系统,来解决以上背景技术部分提到的技术问题。
第一个方面,本发明提供了一种基于无人机的农作物病虫害识别方法,所述方法包括以下步骤:
S1,读取无人机在预设坐标位置拍摄农作物的图片及图片相关信息,所述图片相关信息包括拍摄高度、拍摄日期、拍摄坐标,将所述农作物的图片转换成灰度图像,使用边缘检测方法检测所述灰度图像的边界,得到二值化的边界图;
S2,对所述边界图进行直线检测,获得p条叶片的主叶脉;
S3,对于p条主叶脉的每一个,判断垂直所述主叶脉的方向上连续非边界点的线段的长度的最大值以及与所述主叶脉的距离,若存在所述长度的最大值大于第一阈值且所述距离小于第二阈值的线段,则根据最长线段的长度和所述主叶脉的长度确定叶片框选范围;否则读取下一张图片及图片相关信息,执行S1;
S4,根据所述叶片框选范围确定叶片图像,将提取所述叶片图像输入卷积神经网络或者深度学习模型,检测农作物病虫害信息,存储所述农作物图片、所述日期、所述坐标以及所述病虫害信息。
优选地,所述对所述边界图进行直线检测,获得p条叶片的主叶脉,具体为:根据所述拍摄高度,用户输入农作物种类和生长阶段,获取霍夫变换中极坐标θ的角度步长θ’、极坐标r的间隔大小r’、阈值T、第一阈值、第二阈值、第三阈值、叶片长宽比,初始化累加器A(r,θ)的元素为0,对于边界图中每个边界点像素,依次计算极坐标θ为时r的值,若(n-1)r’<r≤nr’,则将A(nr’,/>)加1,其中m为0到/>之间的奇数,n为0到/>之间的正整数,L为所述边界图的对角线长度;根据累加器A(r,θ)中值大于T的点,获得p条直线。
优选地,所述根据累加器A(r,θ)中值大于T的点,获得p条直线,具体为:对于累加器A(r,θ)中值大于T的每个点,若所述点在极坐标的表示为(r1,θ1),则在笛卡尔坐标系中确定的直线为为
优选地,所述根据最长线段的长度和所述主叶脉的长度确定叶片框选范围,具体为:根据公式d=2*Lmax*δ确定框选宽度d,其中Lmax表示最长线段的长度,δ为扩大系数,1<δ<2;根据所述框选宽度d和叶片长宽比得到叶片长度,若存在主叶脉的长度与所述叶片长度的差值的绝对值小于第三阈值的主叶脉,则将所述叶片长度作为框选长度,根据框选的长度、框选宽度、表示主叶脉的直线,确定框选范围,否则读取下一张图片及图片相关信息,执行S1。
优选地,在对所述边界图进行直线检测前,先对所述边界图进行高斯滤波。
另一方面,本发明还提供了一种基于无人机的农作物病虫害识别系统,所述系统包括以下模块:
农作物图片边缘检测模块,读取无人机在预设坐标位置拍摄农作物的图片及图片相关信息,所述图片相关信息包括拍摄高度、拍摄日期、拍摄坐标,将所述农作物的图片转换成灰度图像,使用边缘检测方法检测所述灰度图像的边界,得到二值化的边界图;
农作物图片直线检测模块,对所述边界图进行直线检测,获得p条叶片的主叶脉;
叶片框选范围确定模块,对于p条主叶脉的每一个,判断垂直所述主叶脉的方向上连续非边界点的线段的长度的最大值以及与所述主叶脉的距离,若存在所述长度的最大值大于第一阈值且所述距离小于第二阈值的线段,则根据最长线段的长度和所述主叶脉的长度确定叶片框选范围;否则读取下一张图片及图片相关信息,执行农作物图片边缘检测模块;
病虫害识别模块,根据所述叶片框选范围确定叶片图像,将提取所述叶片图像输入卷积神经网络或者深度学习模型,检测农作物病虫害信息,存储所述农作物图片、所述日期、所述坐标以及所述病虫害信息。
优选地,所述对所述边界图进行直线检测,获得p条叶片的主叶脉,具体为:根据所述拍摄高度,用户输入农作物种类和生长阶段,获取霍夫变换中极坐标θ的角度步长θ’、极坐标r的间隔大小r’、阈值T、第一阈值、第二阈值、第三阈值、叶片长宽比,初始化累加器A(r,θ)的元素为0,对于边界图中每个边界点像素,依次计算极坐标θ为时r的值,若(n-1)r’<r≤nr’,则将A(nr’,/>)加1,其中m为0到/>之间的奇数,n为0到/>之间的正整数,L为所述边界图的对角线长度;根据累加器A(r,θ)中值大于T的点,获得p条直线。
优选地,所述根据累加器A(r,θ)中值大于T的点,获得p条直线,具体为:对于累加器A(r,θ)中值大于T的每个点,若所述点在极坐标的表示为(r1,θ1),则在笛卡尔坐标系中确定的直线为为
优选地,所述根据最长线段的长度和所述主叶脉的长度确定叶片框选范围,具体为:根据公式d=2*Lmax*δ确定框选宽度d,其中Lmax表示最长线段的长度,δ为扩大系数,1<δ<2;根据所述框选宽度d和叶片长宽比得到叶片长度,若存在主叶脉的长度与所述叶片长度的差值的绝对值小于第三阈值的主叶脉,则将所述叶片长度作为框选长度,根据框选的长度、框选宽度、表示主叶脉的直线,确定框选范围,否则读取下一张图片及图片相关信息,执行农作物图片边缘检测模块。
优选地,在对所述边界图进行直线检测前,先对所述边界图进行高斯滤波。
最后,本发明还提供了一种计算机存储介质,所述计算机存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如上所述方法。
本发明对无人机拍摄的农作物图片进行处理,根据农作物叶片的脉络结构,先识别农作物的叶片,克服了叶片的主叶脉并不是一条严格的直线的问题,然后再将识别的叶片输入卷积神经网络或者深度学习模型,检测农作物病虫害信息,实现了基于无人机的农作物病虫害识别,农田管理人员不用深入农田即可获得农作物的病虫害信息,而且可以设置多个拍摄地点,能够在病虫害大面积爆发前,识别大片农田局部性病虫害,实现精准喷药,不仅节省了人力,而且减少了农药的使用。本发明尤其适用于玉米、高粱的病虫害识别。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为农作物图片边缘检测结果示意图;
图2为农作物边界图直线识别结果示意图;
图3为农作物叶片宽度识别示意图;
图4为Hough直线检测累加器的示意图;
图5为本发明高粱叶片框选示意图;
图6为本发明实施例二的结构图。
具体实施方式
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“包括一个……”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。
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。
在第一个实施例中,本发明提供了一种基于无人机的农作物病虫害识别方法,所述方法包括以下步骤:
S1,读取无人机在预设坐标位置拍摄农作物的图片及图片相关信息,所述图片相关信息包括拍摄高度、拍摄日期、拍摄坐标,将所述农作物的图片转换成灰度图像,使用边缘检测方法检测所述灰度图像的边界,得到二值化的边界图;
无人机可以悬停在一定高度,利用无人机的传感器可以获得无人机距离地面的距离,也即拍摄图片的高度。由于高度不同,拍摄的图片中农作物叶片大小不同,为了后续计算,需要记录拍摄照片时,无人机的高度。无人机有多种型号,例如大疆的系列产品或者农业植保无人机等,对于无人机的型号本发明不作具体限定。
在拍摄图片后,将图片转换为灰度图像,图片的转换可以是利用无人机搭载的芯片处理,也可以在接收到无人机照片后,利用本地计算机或者云服务器进行转换。
边缘检测是图像处理中检测边缘的方法,常见的有Canny检测方法、Sobel算子等。在进行边缘检测时,可以结合高斯过滤,非极大值抑制等方式提高检测的精度。如图1所示,为无人机拍摄的高粱的图片进行边界检测后的图像,在该边缘检测中使用的是Canny检测方法。
S2,对所述边界图进行直线检测,获得p条叶片的主叶脉;
在农作物的拔节期、抽穗期、灌浆及成熟期,农作物生长茂盛,农作物的叶片极易相互遮挡,而且农作物的边缘并不是完全相同,无人机拍照时,叶片的方向并不固定,这都增加了对叶片识别的难度。一个完整的叶片,其主叶脉是十分明显的,对于遮挡的叶片,无法准确观察到主叶脉或者无法准确观察到主叶脉的大部分,本发明利用直线检测方法,首先检测主叶脉,如图2中的主叶脉1和主叶脉2,然后根据主叶脉的位置,确定叶片的位置和大小。具体的利用直线检测方法检测主叶脉在下面进行详细的说明。
S3,对于p条主叶脉的每一个,判断垂直所述主叶脉的方向上连续非边界点的线段的长度的最大值以及与所述主叶脉的距离,若存在所述长度的最大值大于第一阈值且所述距离小于第二阈值的线段,则根据最长线段的长度和所述主叶脉的长度确定叶片框选范围;否则读取下一张图片及图片相关信息,执行S1;
无人机拍摄的农作物照片可以包括很多个叶子,能够较为完整显示的叶子通常不止一个,这就需要对于识别的每个主叶脉进行判断,在边界图中主叶脉两侧会出现连续的非边界像素点,如图1中的黑色区域,其灰度值为0。在确定主叶脉后,获取与主叶脉直线垂直的方向上最大的连续非边界点的线段,也即灰度值为0的线段的最大长度,如图3所示。
为了避免识别到其他叶片区域,还需要判断线段的长度是否大于第一阈值,以及线段与主叶脉的距离,第一阈值、第二阈值与农作物种类和生长阶段有关,在下面会对此做进一步介绍。只有满足上面两个条件,才会认定该线段和该主叶脉同属于一个叶片。
S4,根据所述叶片框选范围确定叶片图像,将提取所述叶片图像输入卷积神经网络或者深度学习模型,检测农作物病虫害信息,存储所述农作物图片、所述日期、所述坐标以及所述病虫害信息。
在一个实施例中,可以自行构建卷积神经网络或者深度学习模型,也可以采用利用华为提供的ModelArts搭建,本发明对此不作具体限定。
在一个具体实施例中,所述对所述边界图进行直线检测,获得p条叶片的主叶脉,具体为:根据所述拍摄高度,用户输入农作物种类和生长阶段,获取霍夫(Hough)变换中极坐标θ的角度步长θ’、极坐标r的间隔大小r’、阈值T、第一阈值、第二阈值、第三阈值、叶片长宽比,初始化累加器A(r,θ)的元素为0,对于边界图中每个边界点像素,依次计算极坐标θ为时r的值,若(n-1)r’<r≤nr’,则将A(nr’,/>)加1,其中m为0到/>之间的奇数,n为0到之间的正整数,L为所述边界图的对角线长度;根据累加器A(r,θ)中值大于T的点,获得p条直线。
由于在实际应用中,一般取的θ’满足π是θ’的整数倍,这里直接让m依次为0到之间的奇数,然后计算r值。但可以理解的是取的θ’并非强制要求满足π是θ’的整数倍,可以m为0到/>之间的奇数或者0到/>之间的奇数,m的上限还可以是/>其中round()表示四舍五入函数。
极坐标θ的角度步长、极坐标r的间隔大小与检测的直线密切相关,由于叶片的主叶脉并不是一条严格的直线,而且不同的叶片和拍摄高度,最后得到的边界图中主叶脉也有差异,极坐标r的间隔大小越大,越多的边界像素点落入区间中,本发明对不同种类的农作物以及生长的不同阶段、拍摄高度的不同使用不同的极坐标角度步长、极坐标r的间隔大小、阈值T、第一阈值、第二阈值、第三阈值、叶片长宽比,实现了对不同农作物、不同生长阶段的叶片的精准识别。具体地,在系统中预先建立农作物种类、生长阶段、拍摄高度与极坐标角度步长、极坐标r的间隔大小、阈值T、第一阈值、第二阈值、第三阈值、叶片长宽比的关联表。例如对于拔节期的高粱,拍摄高度为H,通过查关联表的方式,获得极坐标角度步长、极坐标r的间隔大小、阈值T、第一阈值、第二阈值、第三阈值、叶片长宽比。
所述关联表根据对不同农作物、不同生长阶段以及不同拍摄高度的识别结果人工建立。在使用本系统的过程中,也可以根据识别结果对关联表不断优化,实现高精确的识别。
如图4所示为Hough直线检测累加器的示意图,对于边界图中的一个边界像素点(x,y),根据公式r=xcosθ+ysinθ分别计算处的r值,并将对应的累加器A(r,θ)处加1,最后根据阈值T选出累加器A(r,θ)中值大于T的点,假设T=3,则在图4中,选出的点r=4r’、/>由于r值实际是位于(n-1)r’、nr’之间,在本发明中r其中间值,也即最终/>根据极坐标和笛卡尔坐标的变换关系,得到的直线在笛卡尔坐标系中确定的直线为/>
在一个具体实施例中,所述根据累加器A(r,θ)中值大于T的点,获得p条直线,具体为:对于累加器A(r,θ)中值大于T的每个点,若所述点在极坐标的表示为(r1,θ1),则在笛卡尔坐标系中确定的直线为
农作物的叶片的宽度和长度是在一定的比例范围内,为了避免将农作物叶片的局部识别为整个叶片。在一个具体实施例中,所述根据最长线段的长度和所述主叶脉的长度确定叶片框选范围,具体为:根据公式d=2*Lmax*δ确定框选宽度d,其中Lmax表示最长线段的长度,δ为扩大系数,1<δ<2;根据所述框选宽度d和叶片长宽比得到叶片长度,若存在主叶脉的长度与所述叶片长度的差值的绝对值小于第三阈值的主叶脉,则将所述叶片长度作为框选长度,根据框选的长度、框选宽度、表示主叶脉的直线,确定框选范围,否则读取下一张图片及图片相关信息,执行S1。
在一个具体实施例中,在对所述边界图进行直线检测前,先对所述边界图进行高斯滤波。
在第二个实施例中,本发明还提供了一种基于无人机的农作物病虫害识别系统,所述系统包括以下模块:
农作物图片边缘检测模块,读取无人机在预设坐标位置拍摄农作物的图片及图片相关信息,所述图片相关信息包括拍摄高度、拍摄日期、拍摄坐标,将所述农作物的图片转换成灰度图像,使用边缘检测方法检测所述灰度图像的边界,得到二值化的边界图;
农作物图片直线检测模块,对所述边界图进行直线检测,获得p条叶片的主叶脉;
叶片框选范围确定模块,对于p条主叶脉的每一个,判断垂直所述主叶脉的方向上连续非边界点的线段的长度的最大值以及与所述主叶脉的距离,若存在所述长度的最大值大于第一阈值且所述距离小于第二阈值的线段,则根据最长线段的长度和所述主叶脉的长度确定叶片框选范围;否则读取下一张图片及图片相关信息,执行农作物图片边缘检测模块;
病虫害识别模块,根据所述叶片框选范围确定叶片图像,将提取所述叶片图像输入卷积神经网络或者深度学习模型,检测农作物病虫害信息,存储所述农作物图片、所述日期、所述坐标以及所述病虫害信息。
在一个具体实施例中,所述对所述边界图进行直线检测,获得p条叶片的主叶脉,具体为:根据所述拍摄高度,用户输入农作物种类和生长阶段,获取霍夫变换中极坐标θ的角度步长θ’、极坐标r的间隔大小r’、阈值T、第一阈值、第二阈值、第三阈值、叶片长宽比,初始化累加器A(r,θ)的元素为0,对于边界图中每个边界点像素,依次计算极坐标θ为时r的值,若(n-1)r’<r≤nr’,则将/>加1,其中m为0到/>之间的奇数,n为0到/>之间的正整数,L为所述边界图的对角线长度;根据累加器A(r,θ)中值大于T的点,获得p条直线。
在一个具体实施例中,所述根据累加器A(r,θ)中值大于T的点,获得p条直线,具体为:对于累加器A(r,θ)中值大于T的每个点,若所述点在极坐标的表示为(r1,θ1),则在笛卡尔坐标系中确定的直线为为
所述根据最长线段的长度和所述主叶脉的长度确定叶片框选范围,具体为:根据公式d=2*Lmax*δ确定框选宽度d,其中Lmax表示最长线段的长度,δ为扩大系数,1<δ<2;根据所述框选宽度d和叶片长宽比得到叶片长度,若存在主叶脉的长度与所述叶片长度的差值的绝对值小于第三阈值的主叶脉,则将所述叶片长度作为框选长度,根据框选的长度、框选宽度、表示主叶脉的直线,确定框选范围,否则读取下一张图片及图片相关信息,执行农作物图片边缘检测模块。
在对所述边界图进行直线检测前,先对所述边界图进行高斯滤波。
在第三个实施例中,本发明还提供了一种计算机存储介质,所述计算机存储介质中存储有指令,当其在计算机上运行时,使得计算机执行实施例一所述方法。
以上所描述的装置实施例仅仅是示意性的,可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于无人机的农作物病虫害识别方法,其特征在于,所述方法包括以下步骤:
S1,读取无人机在预设坐标位置拍摄农作物的图片及图片相关信息,所述图片相关信息包括拍摄高度、拍摄日期、拍摄坐标,将所述农作物的图片转换成灰度图像,使用边缘检测方法检测所述灰度图像的边界,得到二值化的边界图;
S2,对所述边界图进行直线检测,获得p条叶片的主叶脉;
S3,对于p条主叶脉的每一个,判断垂直所述主叶脉的方向上连续非边界点的线段的长度的最大值以及与所述主叶脉的距离,若存在所述长度的最大值大于第一阈值且所述距离小于第二阈值的线段,则根据最长线段的长度和所述主叶脉的长度确定叶片框选范围;否则读取下一张图片及图片相关信息,执行S1;
S4,根据所述叶片框选范围确定叶片图像,将提取所述叶片图像输入卷积神经网络或者深度学习模型,检测农作物病虫害信息,存储所述农作物图片、所述日期、所述坐标以及所述病虫害信息;
所述对所述边界图进行直线检测,获得p条叶片的主叶脉,具体为:根据所述拍摄高度,用户输入农作物种类和生长阶段,获取霍夫变换中极坐标θ的角度步长θ’、极坐标r的间隔大小r’、阈值T、第一阈值、第二阈值、第三阈值、叶片长宽比,初始化累加器A(r,θ)的元素为0,对于边界图中每个边界点像素,依次计算极坐标θ为时r的值,若(n-1)r’<r≤nr’,则将A(nr’,/>加1,其中m为0到/>之间的奇数,n为0到/>之间的正整数,L为所述边界图的对角线长度;根据累加器A(r,θ)中值大于T的点,获得p条直线。
2.如权利要求1所述的方法,其特征在于,所述根据累加器A(r,θ)中值大于T的点,获得p条直线,具体为:对于累加器A(r,θ)中值大于T的每个点,若所述点在极坐标的表示为(r1,θ1),则在笛卡尔坐标系中确定的直线为为
3.如权利要求1所述的方法,其特征在于,所述根据最长线段的长度和所述主叶脉的长度确定叶片框选范围,具体为:根据公式d=2*Lmax*δ确定框选宽度d,其中Lmax表示最长线段的长度,δ为扩大系数,1<δ<2;根据所述框选宽度d和叶片长宽比得到叶片长度,若存在主叶脉的长度与所述叶片长度的差值的绝对值小于第三阈值的主叶脉,则将所述叶片长度作为框选长度,根据框选的长度、框选宽度、表示主叶脉的直线,确定框选范围,否则读取下一张图片及图片相关信息,执行S1。
4.如权利要求1-3任一项所述的方法,其特征在于,在对所述边界图进行直线检测前,先对所述边界图进行高斯滤波。
5.一种基于无人机的农作物病虫害识别系统,其特征在于,所述系统包括以下模块:
农作物图片边缘检测模块,读取无人机在预设坐标位置拍摄农作物的图片及图片相关信息,所述图片相关信息包括拍摄高度、拍摄日期、拍摄坐标,将所述农作物的图片转换成灰度图像,使用边缘检测方法检测所述灰度图像的边界,得到二值化的边界图;
农作物图片直线检测模块,对所述边界图进行直线检测,获得p条叶片的主叶脉;
叶片框选范围确定模块,对于p条主叶脉的每一个,判断垂直所述主叶脉的方向上连续非边界点的线段的长度的最大值以及与所述主叶脉的距离,若存在所述长度的最大值大于第一阈值且所述距离小于第二阈值的线段,则根据最长线段的长度和所述主叶脉的长度确定叶片框选范围;否则读取下一张图片及图片相关信息,执行农作物图片边缘检测模块;
病虫害识别模块,根据所述叶片框选范围确定叶片图像,将提取所述叶片图像输入卷积神经网络或者深度学习模型,检测农作物病虫害信息,存储所述农作物图片、所述日期、所述坐标以及所述病虫害信息;
所述对所述边界图进行直线检测,获得p条叶片的主叶脉,具体为:根据所述拍摄高度,用户输入农作物种类和生长阶段,获取霍夫变换中极坐标θ的角度步长θ’、极坐标r的间隔大小r’、阈值T、第一阈值、第二阈值、第三阈值、叶片长宽比,初始化累加器A(r,θ)的元素为0,对于边界图中每个边界点像素,依次计算极坐标θ为时r的值,若(n-1)r’<r≤nr’,则将/> 加1,其中m为0到/>之间的奇数,n为0到/>之间的正整数,L为所述边界图的对角线长度;根据累加器A(r,θ)中值大于T的点,获得p条直线。
6.如权利要求5所述的系统,其特征在于,所述根据累加器A(r,θ)中值大于T的点,获得p条直线,具体为:对于累加器A(r,θ)中值大于T的每个点,若所述点在极坐标的表示为(r1,θ1),则在笛卡尔坐标系中确定的直线为为
7.如权利要求5所述的系统,其特征在于,所述根据最长线段的长度和所述主叶脉的长度确定叶片框选范围,具体为:根据公式d=2*Lmax*δ确定框选宽度d,其中Lmax表示最长线段的长度,δ为扩大系数,1<δ<2;根据所述框选宽度d和叶片长宽比得到叶片长度,若存在主叶脉的长度与所述叶片长度的差值的绝对值小于第三阈值的主叶脉,则将所述叶片长度作为框选长度,根据框选的长度、框选宽度、表示主叶脉的直线,确定框选范围,否则读取下一张图片及图片相关信息,执行农作物图片边缘检测模块。
8.如权利要求5-7任一项所述的系统,其特征在于,在对所述边界图进行直线检测前,先对所述边界图进行高斯滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432025.5A CN113989689B (zh) | 2021-11-29 | 2021-11-29 | 一种基于无人机的农作物病虫害识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432025.5A CN113989689B (zh) | 2021-11-29 | 2021-11-29 | 一种基于无人机的农作物病虫害识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989689A CN113989689A (zh) | 2022-01-28 |
CN113989689B true CN113989689B (zh) | 2023-09-22 |
Family
ID=79732399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111432025.5A Active CN113989689B (zh) | 2021-11-29 | 2021-11-29 | 一种基于无人机的农作物病虫害识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989689B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240985B (zh) * | 2022-02-25 | 2022-05-31 | 天云软件技术有限公司 | 粮食储量的确定方法、装置、设备、介质和产品 |
CN117893541B (zh) * | 2024-03-18 | 2024-05-28 | 济南玖通志恒信息技术有限公司 | 一种基于边缘检测的果树叶部花叶病分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787519A (zh) * | 2016-03-21 | 2016-07-20 | 浙江大学 | 一种基于叶脉检测的树种分类方法 |
CN106650682A (zh) * | 2016-12-29 | 2017-05-10 | Tcl集团股份有限公司 | 一种人脸追踪的方法及装置 |
CN106683098A (zh) * | 2016-11-15 | 2017-05-17 | 北京农业信息技术研究中心 | 一种重叠叶片图像的分割方法 |
CN109241966A (zh) * | 2018-08-22 | 2019-01-18 | 东北农业大学 | 一种植物叶片无损采集方法 |
CN110309730A (zh) * | 2019-06-12 | 2019-10-08 | 中国农业大学 | 一种果实识别方法及系统 |
CN111339921A (zh) * | 2020-02-24 | 2020-06-26 | 南京邮电大学 | 基于轻量级卷积神经网络的病虫害检测无人机及检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009023896B4 (de) * | 2009-06-04 | 2015-06-18 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und Verfahren zum Erfassen einer Pflanze |
-
2021
- 2021-11-29 CN CN202111432025.5A patent/CN113989689B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787519A (zh) * | 2016-03-21 | 2016-07-20 | 浙江大学 | 一种基于叶脉检测的树种分类方法 |
CN106683098A (zh) * | 2016-11-15 | 2017-05-17 | 北京农业信息技术研究中心 | 一种重叠叶片图像的分割方法 |
CN106650682A (zh) * | 2016-12-29 | 2017-05-10 | Tcl集团股份有限公司 | 一种人脸追踪的方法及装置 |
CN109241966A (zh) * | 2018-08-22 | 2019-01-18 | 东北农业大学 | 一种植物叶片无损采集方法 |
CN110309730A (zh) * | 2019-06-12 | 2019-10-08 | 中国农业大学 | 一种果实识别方法及系统 |
CN111339921A (zh) * | 2020-02-24 | 2020-06-26 | 南京邮电大学 | 基于轻量级卷积神经网络的病虫害检测无人机及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113989689A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farjon et al. | Detection and counting of flowers on apple trees for better chemical thinning decisions | |
CN113989689B (zh) | 一种基于无人机的农作物病虫害识别方法及系统 | |
Zhao et al. | Rapeseed seedling stand counting and seeding performance evaluation at two early growth stages based on unmanned aerial vehicle imagery | |
Wosner et al. | Object detection in agricultural contexts: A multiple resolution benchmark and comparison to human | |
CN103336966B (zh) | 一种应用于农业智能机械的杂草图像辨识方法 | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
CN112766036A (zh) | 一种倒伏玉米遥感提取方法与装置 | |
Ye et al. | An image-based approach for automatic detecting tasseling stage of maize using spatio-temporal saliency | |
Bai et al. | A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery | |
CN116129260A (zh) | 基于深度学习的牧草图像识别方法 | |
JP2021073860A (ja) | 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
CN114723667A (zh) | 一种农业精细化种植及灾害预防控制系统 | |
CN113344009B (zh) | 一种轻小型网络自适应番茄病害特征提取方法 | |
CN116721344A (zh) | 基于航拍设备的植被检测方法、装置和设备 | |
CN114266975B (zh) | 无人机遥感图像的荔枝果实检测与计数方法 | |
Widiyanto et al. | Monitoring the growth of tomatoes in real time with deep learning-based image segmentation | |
CN113989253A (zh) | 农田目标对象信息的获取方法及装置 | |
WO2022137242A1 (en) | Deep learning system for estimating object volume, weight and crop yields based on remote imaging | |
CN114782835A (zh) | 作物倒伏面积比例检测方法及装置 | |
CN114140428A (zh) | 基于YOLOv5的落叶松毛虫虫害检测识别方法及系统 |
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 |