CN114972347A - 农作物病虫害检测方法、系统、设备及介质 - Google Patents
农作物病虫害检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN114972347A CN114972347A CN202210902872.1A CN202210902872A CN114972347A CN 114972347 A CN114972347 A CN 114972347A CN 202210902872 A CN202210902872 A CN 202210902872A CN 114972347 A CN114972347 A CN 114972347A
- Authority
- CN
- China
- Prior art keywords
- pest
- image
- module
- blade
- crop
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及农作物病虫害检测技术领域,提供一种农作物病虫害检测方法、系统、设备及介质,系统包括摄像头模块、图像处理模块和数据分析模块,图像处理模块包括边缘检测模块、图像分割模块和特征提取模块;摄像头模块用于获取待识别叶片图像;边缘检测模块用于对待识别叶片图像进行边缘检测,得到待分割叶片图像;图像分割模块用于对待分割叶片图像进行图像分割,得到单叶图像;特征提取模块用于对单叶图像进行特征提取,得到病虫害特征;数据分析模块用于基于病虫害特征对应的病虫害特征指标,确定待识别叶片图像对应的病虫害检测结果。本发明通过农作物病虫害检测系统进行病虫害特征提取和对病虫害检测,提升了病虫害检测的能力。
Description
技术领域
本发明涉及农作物病虫害检测技术领域,尤其涉及一种农作物病虫害检测方法、系统、设备及介质。
背景技术
当今,我国农林业发展和科技进步突飞猛进,为适应当今农林有害生物测报和防治工作的需要,摆在我们面前的首要工作就是提高虫情检测能力,推动农林有害生物测控工作的生态化、标准化、网络化、智能化和可视化进程,以更好地服务于农林病虫害的防控工作。病虫害监测预警是植物保护的基础性工作,自新中国成立以来,逐步建立、完善了病虫害检测测报体系,形成了分布全国的病虫害测报网。
因此,提高病虫害检测能力的需求是目前业界亟待解决的重要课题。
发明内容
本发明提供一种农作物病虫害检测方法、系统、设备及介质,用以解决现有技术中病虫害检测技术较差的缺陷,实现提高病虫害检测能力。
本发明提供一种农作物病虫害检测系统,所述农作物病虫害检测系统包括摄像头模块、图像处理模块和数据分析模块,所述图像处理模块包括边缘检测模块、图像分割模块和特征提取模块;
所述摄像头模块,用于获取待识别叶片图像;
所述边缘检测模块,用于对所述待识别叶片图像进行边缘检测,得到待分割叶片图像;
所述图像分割模块,用于对所述待分割叶片图像进行图像分割,得到单叶图像;
所述特征提取模块,用于对所述单叶图像进行特征提取,得到病虫害特征;
所述数据分析模块,用于基于所述病虫害特征对应的病虫害特征指标,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
根据本发明提供的一种农作物病虫害检测系统,所述农作物病虫害检测系统还包括数据采集模块;
所述数据采集模块,用于获取环境特征,其中,所述环境特征为所述目标农作物所处的环境信息,且采集所述环境特征的时间段与获取所述待识别叶片图像的时间段相同;
所述数据分析模块,用于基于所述环境特征对应的环境特征指标和所述病虫害特征对应的病虫害特征指标,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
根据本发明提供的一种农作物病虫害检测系统,所述数据采集模块包括二氧化碳采集模块、土壤湿度采集模块、大气温湿度采集模块和光照强度采集模块中的一个或多个;
所述二氧化碳采集模块用于采集所述环境特征中的二氧化碳浓度,所述土壤湿度采集模块用于采集所述环境特征中的土壤湿度,所述大气温湿度采集模块用于采集所述环境特征中的大气温湿度,所述光照强度模块用于采集所述环境特征中的光照强度。
根据本发明提供的一种农作物病虫害检测系统,所述图像处理模块还包括图像平滑模块;
所述图像平滑模块用于将所述待识别叶片图像进行图像平滑处理,得到平滑处理后的待识别图像。
本发明还提出一种农作物病虫害检测方法,包括:
获取待识别叶片图像,将所述待识别叶片图像输入至边缘检测网络,得到所述边缘检测网络输出的待分割叶片图像;
将所述待分割叶片图像输入至图像分割网络,得到所述图像分割网络输出的单叶图像;
将所述单叶图像输入至特征提取网络,得到所述特征提取网络输出的病虫害特征;
其中,所述病虫害特征用于确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
根据本发明提出的农作物病虫害检测方法,基于所述病虫害特征,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果,包括:
获取环境特征,其中,所述环境特征为所述目标农作物所处的环境信息,且采集所述环境特征的时间段与获取所述待识别叶片图像的时间段相同;
基于所述环境特征对应的环境特征指标和所述病虫害特征对应的病虫害特征指标,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
根据本发明提出的农作物病虫害检测方法,基于所述环境特征对应的环境特征指标和所述病虫害特征对应的病虫害特征指标,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果,包括:
将所述环境特征对应的环境特征指标和所述病虫害特征对应的病虫害特征指标输入至回归模型,得到所述回归模型输出的所述待识别叶片图像对应的目标农作物的病虫害检测结果;
其中,所述回归模型是基于所述环境特征对应的环境特征训练数据、所述病虫害特征对应的病虫害特征训练数据和病虫害标签训练得到的,所述环境特征包括季节特征、气候特征、空气特征、土壤特征和日照特征中的至少一种,所述病虫害特征包括黄斑颜色深度和虫洞大小中的至少一种。
根据本发明提出的农作物病虫害检测方法,将所述待识别叶片图像输入至边缘检测网络,得到所述边缘检测网络输出的待分割叶片图像,包括:
将所述待识别叶片图像进行图像平滑处理,得到平滑处理后的待识别叶片图像;
将平滑处理后的待识别叶片图像输入至边缘检测网络,得到所述边缘检测网络输出的待分割叶片图像。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述农作物病虫害检测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述农作物病虫害检测方法。
本发明提供的农作物病虫害检测方法、系统、设备及介质,系统包括摄像头模块、图像处理模块和数据分析模块,所述图像处理模块包括边缘检测模块、图像分割模块和特征提取模块,通过图像处理模块对待识别图像依次进行图像进行边缘检测、图像分割和特征提取,提取得到图片中的病虫害特征,数据分析模块再根据病虫害特征对应的病虫害特征指标,检测待识别叶片图像对应的目标农作物是否具有病虫害,得到病虫害检测结果,从而进行病虫害特征提取以及根据病虫害特征指标对病虫害检测,提升了病虫害检测的能力。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的农作物病虫害检测系统的结构示意图之一;
图2是本发明提供的农作物病虫害检测系统的结构示意图之二;
图3是本发明提供的农作物病虫害检测系统中的数据采集模块的结构示意图;
图4是本发明提供的农作物病虫害检测方法的流程示意图之一;
图5是本发明提供的农作物病虫害检测方法的流程示意图之二;
图6是本发明提供的农作物病虫害检测方法的流程示意图之三;
图7是本发明提供的农作物病虫害检测方法的流程示意图之四;
图8是本发明提供的农作物病虫害检测方法的流程示意图之五;
图9是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
下面结合图1-图3描述本发明的农作物病虫害检测系统。
请参照图1,本发明提出的农作物病虫害检测系统包括摄像头模块、图像处理模块和数据分析模块,所述图像处理模块包括边缘检测模块、图像分割模块和特征提取模块;
摄像头模块的输出端可以与图像处理模块的输入端相连接,图像处理模块的输出端可以与数据分析模块的输入端相连接。图像处理模块包括边缘检测模块、图像分割模块和特征提取模块,图像处理模块中的边缘检测模块、图像分割模块和特征提取模块可以依次连接。摄像头模块用于监控农作物,并采集农作物的图像,图像处理模块用于对采集的图像进行图像识别和处理,图像处理操作包括边缘检测、图像分割和特征提取。数据分析模块用于对输入数据进行病虫害检测分析,以得出病虫害检测结果。具体地:
所述摄像头模块,用于获取待识别叶片图像;
所述边缘检测模块,与所述摄像头模块的输出端连接,用于将所述待识别叶片图像输入至所述边缘检测模块中部署的边缘检测网络,得到所述边缘检测网络输出的待分割叶片图像;
通过摄像头模块,进行采集农作物的叶片图像,得到待识别叶片图像,待识别叶片图像包含农作物的叶片。得到待识别叶片图像之后,摄像头模块将待识别叶片传输给边缘检测模块。将待识别叶片图像输入至边缘检测网络,以供边缘检测网络对待识别叶片图像进行检测农作物叶片的边缘线,得到边缘检测网络输出的待分割叶片图像。其中,边缘检测模块中部署有边缘检测网络,边缘检测网络用于识别输入图片中作物的边界线。边缘检测网络可以是卷积网络、深度卷积网络等图片识别的神经网络。
所述图像分割模块,与所述边缘检测模块的输出端连接,用于将所述待分割叶片图像输入至所述图像分割模块中部署的图像分割网络,得到所述图像分割网络输出的单叶图像;
边缘检测模块得到待分割叶片图像后,边缘检测模块将待分割叶片图像传输给图像分割模块。图像分割模块接收待分割叶片图像,并将待分割叶片图像输入至图像分割网络,以供图像分割网络根据待分割图像中的边缘界线进行图像分割,得到图像分割网络输出的单叶图像。其中,图像分割模块中部署有图像分割网络,图像分割网络用于根据输入图像中的边缘界线,将输入图像分割成包含单片叶子的图像。
所述特征提取模块,与所述图像分割模块的输出端连接,用于将所述单叶图像输入至所述特征提取模块中部署的特征提取网络,得到所述特征提取网络输出的病虫害特征;
图像分割模块得到单叶图像后,图像分割模块将单叶图像传输给特征提取模块。特征提取模块中部署有特征提取网络,特征提取模块将所有分割得到的单叶图像输入至特征提取网络,以供特征提取网络对输入的单叶图像进行病虫害特征提取,得到特征提取网络输出的病虫害特征,其中,特征提取网络用于将输入图像进行病虫害特征提取,进一步地,可以提取输入图像中的黄斑特征和虫洞特征。
所述数据分析模块,与所述特征提取模块的输出端连接,用于基于所述病虫害特征对应的病虫害特征指标,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
其中,所述图像分割网络用于将包含多片叶子的输入图像分割成单片叶子的输出图像。
在本实施例中,提取出单叶图像中的病虫害特征之后,确定病虫害特征对应的病虫害特征指标,其中,病虫害特征指标用于统计病虫害特征,例如,可以统计病虫害特征的颜色、数量和类别等;病虫害特征包括黄斑特征和虫洞特征,病虫害特征指标包括黄斑颜色、黄斑数量、虫洞大小和虫洞数量等。再根据病虫害特征对应的病虫害特征指标,检测待识别叶片图像对应的目标农作物是否具有病虫害,得到待识别叶片图像对应的目标农作物的病虫害检测结果。
本发明提出的农作物病虫害检测系统,系统包括摄像头模块、图像处理模块和数据分析模块,所述图像处理模块包括边缘检测模块、图像分割模块和特征提取模块,通过图像处理模块对待识别图像依次进行图像进行边缘检测、图像分割和特征提取,提取得到图片中的病虫害特征,数据分析模块再根据病虫害特征对应的病虫害特征指标,检测待识别叶片图像对应的目标农作物是否具有病虫害,得到病虫害检测结果,从而进行病虫害特征提取以及根据病虫害特征指标对病虫害检测,提升了病虫害检测的能力。
请参照图2,所述农作物病虫害检测系统还包括数据采集模块;
所述数据采集模块,用于获取环境特征,其中,所述环境特征为所述目标农作物所处的环境信息,且采集所述环境特征的时间段与获取所述待识别叶片图像的时间段相同;
所述数据分析模块,与所述数据采集模块连接,用于基于所述环境特征对应的环境特征指标和所述病虫害特征对应的病虫害特征指标,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
在本实施例中,数据采集模块除了用于采集农作物的叶片图像,还用于采集环境特征。所采集的环境特征为目标农作物当前所处的环境条件,需要说明的是,所用于判断病虫害检测的环境特征需要满足与采集待识别叶片图像时处于相同的时间段以及与待识别叶片图像对应的目标农作物相对应。其中,环境特征包括季节特征、气候特征、空气特征、土壤特征和日照特征等。对应不同的环境特征,数据采集模块需要采集环境特征对应的环境特征指标,数据采集模块采集到环境特征指标后,将环境特征指标传输给数据分析模块;数据分析模块根据环境特征对应的环境特征指标和病虫害特征对应的病虫害特征指标,对目标农作物进行病虫害检测,确定待识别叶片图像对应的目标农作物的病虫害检测结果。
其中,环境特征指标包括季节信息、气候信息、二氧化碳浓度、土壤湿度、大气温湿度和光照强度中的至少一种。
请参照图3,所述数据采集模块包括二氧化碳采集模块、土壤湿度采集模块、大气温湿度采集模块和光照强度采集模块中的一个或多个;
所述二氧化碳采集模块、所述土壤湿度采集模块、所述大气温湿度采集模块和所述光照强度采集模块分别与所述数据分析模块的信号输入端连接;
数据采集模块所采集的环境特征包括二氧化碳浓度、土壤湿度、大气温湿度和光照强度;
所述二氧化碳采集模块用于采集所述环境特征中的二氧化碳浓度,所述土壤湿度采集模块用于采集所述环境特征中的土壤湿度,所述大气温湿度采集模块用于采集所述环境特征中的大气温湿度,所述光照强度模块用于采集所述环境特征中的光照强度。
进一步地,所述图像处理模块还包括图像平滑模块;
所述图像平滑模块,与所述摄像头模块的输出端连接,与所述边缘检测模块的输出端连接,用于将所述待识别图像进行图像平滑处理,得到平滑处理后的待识别图像。
在本实施例中,在对待识别图像进行边缘检测之前,先将待识别图像输入至图像平滑模块中对待识别进行图像平滑处理,以减少图像的噪点,提升图像的质量,除此之外,还可以对待识别图像进行超分辨率重建,提升图像的分辨率,以通过提升图像分辨率和减少图像噪点,从而提升识别图像的质量,实现进一步提升病虫害检测的准确性。
下面结合图4-图7描述本发明的农作物病虫害检测方法。
请参照图4,本发明提出的农作物病虫害检测方法,包括:
步骤10,获取待识别叶片图像,将所述待识别叶片图像输入至边缘检测网络,得到所述边缘检测网络输出的待分割叶片图像;
步骤20,将所述待分割叶片图像输入至图像分割网络,得到所述图像分割网络输出的单叶图像;
需要说明的是,通过设置于农作物监控范围内的图像采集装置,进行采集农作物的叶片图像,得到待识别叶片图像,待识别叶片图像包含农作物的叶片。之后,将待识别叶片图像输入至边缘检测网络,以供边缘检测网络对待识别叶片图像进行检测作物的边缘线,得到边缘检测网络输出的待分割叶片图像。其中,边缘检测网络用于识别输入图片中作物的边界线。其中,图像采集装置可以是摄像头、监控设备、监视器等等。边缘检测网络可以是卷积网络、深度卷积网络等图片识别的神经网络。
得到待分割叶片图像后,将待分割叶片图像输入至图像分割网络,以供图像分割网络根据待分割图像中的边缘界线进行图像分割,得到图像分割网络输出的单叶图像。其中,图像分割网络用于根据输入图像中的边缘界线,将输入图像分割成包含单片叶子的图像。
进一步,请参照图5,步骤20、将所述待分割叶片图像输入至图像分割网络,得到所述图像分割网络输出的单叶图像,包括:
步骤21,将所述待分割叶片图像输入至叶片纹路识别网络和叶片边缘识别网络,得到所述叶片纹路识别网络输出的叶片纹路结果以及所述叶片边缘识别网络输出的叶片边缘识别结果;
步骤22,将所述叶片纹路结果和所述叶片边缘识别结果输入至综合判定网络,得到所述综合判定网络输出的目标待分割叶片图像;
步骤23,将所述目标待分割叶片图像输入至图像分割网络中,得到所述图像分割网络输出的单叶图像。
由于待分割图像存在除了叶片边缘线之外的叶片纹路,因此,为了避免根据叶片纹路进行分割图像,需要区分叶片纹路和叶片边缘,以提升叶片分割效果。具体地,纹路判定网络中包含叶片纹路识别网络、叶片边缘识别网络和综合判定网络,在对待分割叶片图像进行图像分割之前,先将待分割叶片图像输入至纹路判定网络中的叶片纹路识别网络和叶片边缘识别网络,得到叶片纹路识别网络输出的叶片纹路结果以及叶片边缘识别网络输出的叶片边缘识别结果;之后,再将叶片纹路结果和叶片边缘识别结果同时输入至综合判定网络,结合叶片纹路结果和叶片边缘识别结果,最终得到目标待分割叶片图像。最后,将目标待分割叶片图像输入至图像分割网络中,进行图片分割,得到图像分割网络输出的单叶图像。
其中,叶片纹路识别网络和叶片边缘识别网络可以是循环神经网络、卷积神经网络等用于图像识别的神经网络,综合判定网络为全连接网络。需要说明的是,叶片纹路识别网络、叶片边缘识别网络和综合判定网络的训练过程为:先分别根据叶片纹路训练数据训练叶片纹路识别网络,根据叶片边缘训练数据训练叶片边缘识别网络,再基于叶片纹路训练数据和叶片边缘训练数据联合训练叶片纹路识别网络、叶片边缘识别网络和综合判定网络,当训练满足训练停止条件时,得到训练完成的叶片纹路识别网络、叶片边缘识别网络和综合判定网络。
步骤30,将所述单叶图像输入至特征提取网络,得到所述特征提取网络输出的病虫害特征;
在本实施例中,将所有分割得到的单叶图像输入至特征提取网络,以供特征提取网络对输入的单叶图像进行病虫害特征提取,得到特征提取网络输出的病虫害特征,其中,特征提取网络用于将输入图像进行病虫害特征提取,进一步地,可以提取输入图像中的黄斑特征和虫洞特征。
进一步地,特征提取网络包括形态学提取算法网络和深度卷积网络。
其中,所述病虫害特征用于确定所述待识别叶片图像对应的目标农作物的病虫害检测结果;
其中,所述图像分割网络用于将包含多片叶子的输入图像分割成单片叶子的输出图像。
在本实施例中,提取出单叶图像中的病虫害特征之后,确定病虫害特征对应的病虫害特征指标,其中,病虫害特征指标用于统计病虫害特征,例如,可以统计病虫害特征的颜色、数量和类别等;病虫害特征包括黄斑特征和虫洞特征,病虫害特征指标包括黄斑颜色、黄斑数量、虫洞大小和虫洞数量等。再根据病虫害特征对应的病虫害特征指标,检测待识别叶片图像对应的目标农作物是否具有病虫害,得到待识别叶片图像对应的目标农作物的病虫害检测结果。
本发明提出的农作物病虫害检测方法,通过对待识别图像依次进行图像进行边缘检测、图像分割和特征提取,提取得到图片中的病虫害特征,再根据病虫害特征对应的病虫害特征指标,检测待识别叶片图像对应的目标农作物是否具有病虫害,得到病虫害检测结果,从而通过特征提取网络进行病虫害特征提取以及根据病虫害特征指标对病虫害检测,提升了病虫害检测的能力。
一种可能的实施例中,请参照图6,基于所述病虫害特征,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果,包括:
步骤41,获取与采集所述待识别叶片图像时处于相同时间段以及所述目标农作物对应的环境特征;
步骤42,基于所述环境特征对应的环境特征指标和所述病虫害特征对应的病虫害特征指标,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
在本实施例中,所采集的环境特征为目标农作物当前所处的环境条件,需要说明的是,所用于判断病虫害检测的环境特征需要满足与采集待识别叶片图像时处于相同的时间段以及与待识别叶片图像对应的目标农作物相对应。其中,环境特征包括季节特征、气候特征、空气特征、土壤特征和日照特征等。对应不同的环境特征,需要采集环境特征对应的环境特征指标,再根据环境特征对应的环境特征指标和病虫害特征对应的病虫害特征指标,对目标农作物进行病虫害检测,确定待识别叶片图像对应的目标农作物的病虫害检测结果。
其中,环境特征指标包括季节信息、气候信息、二氧化碳浓度、土壤湿度、大气温湿度和光照强度中的至少一种。
本实施例中,通过结合环境特征和病虫害特征指标,对农作物进行病虫害检测,从而进一步提升了病虫害的检测准确性。
一种可能的实施例中,步骤42、基于所述环境特征对应的环境特征指标和所述病虫害特征对应的病虫害特征指标,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果,包括:
将所述环境特征对应的环境特征指标和所述病虫害特征对应的病虫害特征指标输入至回归模型,得到所述回归模型输出的所述待识别叶片图像对应的目标农作物的病虫害检测结果;
其中,所述回归模型是基于所述环境特征对应的环境特征训练数据、所述病虫害特征对应的病虫害特征训练数据和病虫害标签训练得到的,所述环境特征包括季节特征、气候特征、空气特征、土壤特征和日照特征中的至少一种,所述病虫害特征包括黄斑颜色深度和虫洞大小中的至少一种。
在本实施例中,结合环境特征指标和病虫害特征指标,进行病虫害检测的方式包括:将环境特征对应的环境特征指标和病虫害特征对应的病虫害特征指标输入至回归模型,以供回归模型进行计算当前环境特征指标和病虫害特征指标对应的病虫害检测值,得到回归模型输出的待识别叶片图像对应的目标农作物的病虫害检测结果。其中,回归模型是多参数回归模型,可以根据多种指标进行拟合出多指标与单一指标之间的关系,本发明中的回归模型用于拟合多个环境特征指标和多个病虫害特征指标与病虫害结果标签值之间的关系函数。因此,通过将环境特征指标和病虫害特征指标输入至回归模型中,回归模型进行计算当前环境特征指标和病虫害特征指标对应的病虫害检测值,再根据病虫害检测值确定病虫害检测结果,最后输出病虫害检测结果。
本实施例中,通过回归模型检测病虫害检测结果,进一步提升了病虫害的检测准确性。
一种可能的实施例中,请参照图7,步骤30、将所述单叶图像输入至特征提取网络,得到所述特征提取网络输出的病虫害特征,包括:
步骤31,将所述单叶图像输入至形状提取网络,得到所述形状提取网络输出的形状图像;
步骤32,将所述形状图像输入至特征提取网络,得到所述特征提取网络输出的病虫害特征;
其中,所述形状提取网络包括黄斑形状提取网络和虫洞形状提取网络。
需要说明的是,形状提取网络和特征提取网络可以是LSTM、循环神经网络、卷积神经网络等用于处理图像的深度学习网络。形状提取网络用于提取病虫害特征,包括提取黄斑形状和虫洞形状。
本实施例通过形状提取网络先提取特征的形状再进行特征提取,目的是,提取所需要的目标区域(形状部分),从而对后续特征提取减少对单叶图像进行特征提取的干扰,提升特征提取的效果。
一种可能的实施例中,请参照图8,步骤10、将所述待识别叶片图像输入至边缘检测网络,得到所述边缘检测网络输出的待分割叶片图像,包括:
步骤11,将所述待识别叶片图像进行图像平滑处理,得到平滑处理后的待识别叶片图像;
步骤12,将平滑处理后的待识别叶片图像输入至边缘检测网络,得到所述边缘检测网络输出的待分割叶片图像。
在本实施例中,在对待识别图像进行边缘检测之前,先对待识别进行图像平滑处理,以减少图像的噪点,提升图像的质量,除此之外,还可以对待识别图像进行超分辨率重建,提升图像的分辨率,以通过提升图像分辨率和减少图像噪点,从而提升识别图像的质量,实现进一步提升病虫害检测的准确性。
一种可能的实施例中,本发明的农作物病虫害检测系统,该系统包括启动模块、数据采集模块、数据库模块、图像处理模块、摄像头模块、无线通讯传输模块、处理器模块、数据分析模块。启动模块的输出端连接有数据采集模块的输入端,数据采集模块的输出端连接有数据库模块的输入端,数据库模块的输出端连接有无线通讯传输模块的输入端,无线通讯传输模块的输出端连接有处理器模块的输入端,处理器模块的输出端连接有数据分析模块的输入端;数据库模块的外部固定安装有图像处理模块,图像处理模块的输入端连接有摄像头模块的输出端。数据库模块的外部固定安装有图像处理模块,图像处理模块的输入端连接有摄像头模块的输出端。
在一种可能的实施方式中,通过数据采集模块进行采集环境特征,数据采集模块包括二氧化碳采集模块、土壤湿度采集模块、大气温湿度采集模块和光照强度采集模块;二氧化碳采集模块、土壤湿度采集模块、大气温湿度采集模块和光照强度采集模块的输出端连接有无线通讯传输模块的输入端;
在一种可能的实施方式中,图像处理模块包括图像平滑模块、图像分割模块、形态学算法模块和特征提取模块。
在一种可能的实施方式中,二氧化碳采集模块采用型号DS-CO2-20传感器,DS-CO2-20传感器可连续采集,并自动计算单位体积内空气中的二氧化碳浓度,DS-CO2-20传感器以通用数字接口的形式输出。
在一种可能的实施方式中,土壤湿度采集模块采用T探头采用DS18B20温度传感器芯片,芯片每个引脚均用热缩管隔开,防止短路,内部封胶,防水防潮,优质不锈钢管封装,防水防潮防生锈;同时,本温度传感器支持多点组网功能,方便环境监测仪的扩展。
在一种可能的实施方式中,大气温湿度采集模块采用DHT11温湿度传感器,实现对农作物生长环境的大气温湿度的采集,本传感器可以同时实现温湿度的采集,设计简单,测量范围广,精度高。
在一种可能的实施方式中,光照强度采集模块采用On9658F可见光照度传感器实现光照强度的采集。
在一种可能的实施方式中,农业病虫害检测系统还包括数据库模块,数据库模块用于存储数据采集模块和摄像头采集模块所采集的数据。数据库模块的内部设置有查看、统计、预警管理模块;数据查看:实现对监测站实时数据和历史数据的查看,查询、统计;数据统计:辅以图表,实现数据的分析功能,包括对比分析、汇总统计分析;数据预警:针对不同的监测设备设置报警规则,根据报警规则实现对病虫害信息实时的报警以及通知方式。
在一种可能的实施方式中,无线通讯传输模块设置为GPRS无线通讯模块,技术硬件选型GPRS技术硬件选择的是SIM300S模块,SIM300S是一款双频GPRS模块,通过频率GSM900/1800MHz可在GSM网络进行语音、短信、数据业务的传输。
在一种可能的实施方式中,图像平滑模块将窗口模式下中值滤波器和窗口模式下中值滤波器相结合在一起进行图像平滑处理;图像分割模块将图像极大的一阶值作为能够判断出边缘点的基础依据;通过边缘检测分割后的图像,还需要采取一系列的处理措施,使边缘合并成为能够较好的与图像的边界相对应的边缘链,最终达到部分分割的目的;形态学算法模块用一个结构元素作为基本工具来探测和提取图像特征,看这个结构元素是否能够适当有效地放入图像内部,特征提取模块先进行量化然后再计算颜色特征值。其中,图像平滑模块中的窗口模式可以按照需求设置,窗口模式用于对应设置中值滤波器的滤波参数。
在一种可能的实施方式中,数据分析模块还可以用于提供在病虫发生信息系统中的数字地图上叠加的各类调查数据和设备数据,实时提供病虫害发生指标分析、物联网设备分布及工作状态、监测点分布等,掌握全县及周边区域病虫害发生情况规律与环境关系,分析历史病虫发展趋势,做定性的数据统计和分析。
图9示例了一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行农作物病虫害检测方法,该方法包括:获取待识别叶片图像,将所述待识别叶片图像输入至边缘检测网络,得到所述边缘检测网络输出的待分割叶片图像;将所述待分割叶片图像输入至图像分割网络,得到所述图像分割网络输出的单叶图像;将所述单叶图像输入至特征提取网络,得到所述特征提取网络输出的病虫害特征;其中,所述病虫害特征用于确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的农作物病虫害检测方法,该方法包括:获取待识别叶片图像,将所述待识别叶片图像输入至边缘检测网络,得到所述边缘检测网络输出的待分割叶片图像;将所述待分割叶片图像输入至图像分割网络,得到所述图像分割网络输出的单叶图像;将所述单叶图像输入至特征提取网络,得到所述特征提取网络输出的病虫害特征;其中,所述病虫害特征用于确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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软件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。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软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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 (10)
1.一种农作物病虫害检测系统,其特征在于,所述农作物病虫害检测系统包括摄像头模块、图像处理模块和数据分析模块,所述图像处理模块包括边缘检测模块、图像分割模块和特征提取模块;
所述摄像头模块,用于获取待识别叶片图像;
所述边缘检测模块,用于对所述待识别叶片图像进行边缘检测,得到待分割叶片图像;
所述图像分割模块,用于对所述待分割叶片图像进行图像分割,得到单叶图像;
所述特征提取模块,用于对所述单叶图像进行特征提取,得到病虫害特征;
所述数据分析模块,用于基于所述病虫害特征对应的病虫害特征指标,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
2.根据权利要求1所述的一种农作物病虫害检测系统,其特征在于,所述农作物病虫害检测系统还包括数据采集模块;
所述数据采集模块,用于获取环境特征,其中,所述环境特征为所述目标农作物所处的环境信息,且采集所述环境特征的时间段与获取所述待识别叶片图像的时间段相同;
所述数据分析模块,用于基于所述环境特征对应的环境特征指标和所述病虫害特征对应的病虫害特征指标,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
3.根据权利要求2所述的一种农作物病虫害检测系统,其特征在于,所述数据采集模块包括二氧化碳采集模块、土壤湿度采集模块、大气温湿度采集模块和光照强度采集模块中的一个或多个;
所述二氧化碳采集模块用于采集所述环境特征中的二氧化碳浓度,所述土壤湿度采集模块用于采集所述环境特征中的土壤湿度,所述大气温湿度采集模块用于采集所述环境特征中的大气温湿度,所述光照强度模块用于采集所述环境特征中的光照强度。
4.根据权利要求1所述的一种农作物病虫害检测系统,其特征在于,所述图像处理模块还包括图像平滑模块;
所述图像平滑模块用于将所述待识别叶片图像进行图像平滑处理,得到平滑处理后的待识别图像。
5.一种农作物病虫害检测方法,其特征在于,包括:
获取待识别叶片图像,将所述待识别叶片图像输入至边缘检测网络,得到所述边缘检测网络输出的待分割叶片图像;
将所述待分割叶片图像输入至图像分割网络,得到所述图像分割网络输出的单叶图像;
将所述单叶图像输入至特征提取网络,得到所述特征提取网络输出的病虫害特征;
其中,所述病虫害特征用于确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
6.根据权利要求5所述的农作物病虫害检测方法,其特征在于,基于所述病虫害特征,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果,包括:
获取环境特征,其中,所述环境特征为所述目标农作物所处的环境信息,且采集所述环境特征的时间段与获取所述待识别叶片图像的时间段相同;
基于所述环境特征对应的环境特征指标和所述病虫害特征对应的病虫害特征指标,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果。
7.根据权利要求6所述的农作物病虫害检测方法,其特征在于,基于所述环境特征对应的环境特征指标和所述病虫害特征对应的病虫害特征指标,确定所述待识别叶片图像对应的目标农作物的病虫害检测结果,包括:
将所述环境特征对应的环境特征指标和所述病虫害特征对应的病虫害特征指标输入至回归模型,得到所述回归模型输出的所述待识别叶片图像对应的目标农作物的病虫害检测结果;
其中,所述回归模型是基于所述环境特征对应的环境特征训练数据、所述病虫害特征对应的病虫害特征训练数据和病虫害标签训练得到的,所述环境特征包括季节特征、气候特征、空气特征、土壤特征和日照特征中的至少一种,所述病虫害特征包括黄斑颜色深度和虫洞大小中的至少一种。
8.根据权利要求5所述的农作物病虫害检测方法,其特征在于,将所述待识别叶片图像输入至边缘检测网络,得到所述边缘检测网络输出的待分割叶片图像,包括:
将所述待识别叶片图像进行图像平滑处理,得到平滑处理后的待识别叶片图像;
将平滑处理后的待识别叶片图像输入至边缘检测网络,得到所述边缘检测网络输出的待分割叶片图像。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求5至8任一项所述农作物病虫害检测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,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5至8任一项所述农作物病虫害检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210902872.1A CN114972347A (zh) | 2022-07-29 | 2022-07-29 | 农作物病虫害检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210902872.1A CN114972347A (zh) | 2022-07-29 | 2022-07-29 | 农作物病虫害检测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972347A true CN114972347A (zh) | 2022-08-30 |
Family
ID=82969695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210902872.1A Pending CN114972347A (zh) | 2022-07-29 | 2022-07-29 | 农作物病虫害检测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972347A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511158A (zh) * | 2022-09-01 | 2022-12-23 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种基于大数据的农作物智能选育分析方法及系统 |
Citations (4)
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 |
CN112381764A (zh) * | 2020-10-23 | 2021-02-19 | 西安科锐盛创新科技有限公司 | 一种农作物病虫害检测方法 |
CN112950399A (zh) * | 2021-03-10 | 2021-06-11 | 中国热带农业科学院热带作物品种资源研究所 | 一种山兰米种植无公害防治系统及方法 |
CN113850814A (zh) * | 2021-09-26 | 2021-12-28 | 华南农业大学 | 一种基于cnn模型的荔枝叶片病虫害识别方法 |
-
2022
- 2022-07-29 CN CN202210902872.1A patent/CN114972347A/zh active Pending
Patent Citations (4)
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 |
CN112381764A (zh) * | 2020-10-23 | 2021-02-19 | 西安科锐盛创新科技有限公司 | 一种农作物病虫害检测方法 |
CN112950399A (zh) * | 2021-03-10 | 2021-06-11 | 中国热带农业科学院热带作物品种资源研究所 | 一种山兰米种植无公害防治系统及方法 |
CN113850814A (zh) * | 2021-09-26 | 2021-12-28 | 华南农业大学 | 一种基于cnn模型的荔枝叶片病虫害识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511158A (zh) * | 2022-09-01 | 2022-12-23 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种基于大数据的农作物智能选育分析方法及系统 |
CN115511158B (zh) * | 2022-09-01 | 2023-08-29 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种基于大数据的农作物智能选育分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rastogi et al. | Leaf disease detection and grading using computer vision technology & fuzzy logic | |
CN111852792B (zh) | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 | |
Whalley et al. | Applications of image processing in viticulture: A review | |
CN115482465A (zh) | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 | |
CN113379769A (zh) | 一种农作物病虫害智能防御平台 | |
CN113468964A (zh) | 一种基于高光谱的农业病虫害监测方法及设备 | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN105894003A (zh) | 一种基于机器视觉的大田果树病害监测预警系统 | |
CN114972347A (zh) | 农作物病虫害检测方法、系统、设备及介质 | |
CN111199192A (zh) | 一种采用平行线取样的田间红提葡萄整体成熟度检测方法 | |
Nagar et al. | Pest detection on leaf using image processing | |
CN115661650A (zh) | 一种基于物联网数据监测的农场管理系统 | |
CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
CN114266979A (zh) | 茶树病虫害智能识别方法、装置、设备及存储介质 | |
CN117351472A (zh) | 烟叶信息检测方法、装置及电子设备 | |
CN117218534A (zh) | 一种农作物叶部病害识别方法 | |
CN102184389A (zh) | 用于心材与边材高色差树种的年轮自动识别方法 | |
CN111582035A (zh) | 一种果树树龄识别方法、装置、设备及存储介质 | |
CN114332626A (zh) | 一种基于视觉分析的水稻产量预测方法 | |
WO2022137242A1 (en) | Deep learning system for estimating object volume, weight and crop yields based on remote imaging | |
CN114708438A (zh) | 一种靶标害虫监测识别系统及方法 | |
CN114120128A (zh) | 基于深度学习与机器学习的无人机遥感乔木改种检测方法 | |
Khan et al. | Analysis of data mining techniques for agricultural science | |
CN116311232B (zh) | 不完善粒类别识别方法、装置及计算机设备 | |
CN111126117B (zh) | 信息处理方法和装置 |
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: 20220830 |
|
RJ01 | Rejection of invention patent application after publication |