CN114998732A - 一种植物病害严重度评估方法及装置 - Google Patents

一种植物病害严重度评估方法及装置 Download PDF

Info

Publication number
CN114998732A
CN114998732A CN202210616283.7A CN202210616283A CN114998732A CN 114998732 A CN114998732 A CN 114998732A CN 202210616283 A CN202210616283 A CN 202210616283A CN 114998732 A CN114998732 A CN 114998732A
Authority
CN
China
Prior art keywords
sample
severity
plant
actual
area
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
Application number
CN202210616283.7A
Other languages
English (en)
Inventor
王海光
蒋倩
王红丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN202210616283.7A priority Critical patent/CN114998732A/zh
Publication of CN114998732A publication Critical patent/CN114998732A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供一种植物病害严重度评估方法及装置。其中，该方法包括：获取待评估的实际植物单元图像，从实际植物单元图像中提取实际植物单元；确定实际植物单元中目标病斑面积占实际植物单元总面积的当前比率；基于当前比率和严重度级别对应的实际病斑面积比率范围进行严重度评估分析，确定实际植物单元的严重度级别；实际病斑面积比率范围是基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的。本发明公开的植物病害严重度评估方法，简便、易于操作，通过预先基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的实际病斑面积比率范围对植物病害严重度进行评估，提高了植物病害严重度评估的准确率。

Description

一种植物病害严重度评估方法及装置
技术领域
本发明涉及植物保护技术领域，具体涉及一种植物病害严重度评估方法及装置。另外，还涉及一种电子设备及非暂态计算机可读存储介质。
背景技术
植物病害是农业生产的重要威胁，影响粮食安全、食品安全、生态安全，甚至国家安全。开展植物病害调查和监测是了解病害发生情况的重要方式，是开展病害管理的基础，可为病害预测预报、品种抗病性鉴定和品种选育、病害防治策略制定等提供依据。在开展植物病害调查的过程中，一般主要调查指标有普遍率、严重度(severity)、病情指数等。严重度是描述单个植物或器官等调查植物单元发病严重程度的指标。一般地，依据所调查植物单元发病面积占所调查植物单元总面积的比率(以百分率或分数等形式表示)，利用分级法按照从轻到重分为不同级别的严重度，用于表示植物病害的严重程度。植物病害的严重度常有两种具体表示方法，一种方法是利用各个级别的代表值表示病害严重度，另一种方法是利用植物单元发病面积占所调查植物单元总面积的百分率表示病害严重度。植物病害严重度评估是开展病害调查和监测中的重要工作。一般地，应当严格按照一定的植物病害严重度分级标准进行病害严重度的调查和评估。
目前，植物病害的严重度调查和评估主要是依靠有经验的人员利用肉眼观察法进行。除了肉眼观察法外，可以通过网格纸测定法、纸样称重法等进行严重度的评估，有时可以利用所调查的普遍率进行严重度的估测，或者借助于图像处理技术、遥感技术、近红外光谱技术等进行严重度级别辨识或估测。基于遥感技术和近红外光谱技术的植物病害严重度评估主要还是处于研究阶段，在实际生产中应用的情况很少。基于图像处理的植物病害严重度评估随着图像获取和图像处理技术的发展，在研究与实际应用中逐渐增多。利用图像处理技术进行植物病害严重度评估，主要有两种方法，一种方法是基于所提取的病害图像特征直接进行病害严重度的判别；另一种方法是通过病斑分割、病斑面积和植物单元总面积(或病斑像素和植物单元总像素)计算、获取病斑面积占植物单元总面积的比率，将该比率与病害严重度分级标准直接相对照，进行相应发病植物单元的严重度级别评估。但是，一些植物病害严重度划分的级别所代表的病斑面积占植物单元总面积的比率并非是实际的病斑面积所占植物单元总面积的比率，这就为这类病害的严重度准确评估带来了很大困难。所以在利用病斑面积占植物单元总面积的实际比率与病害严重度分级标准中病斑面积占植物单元总面积的比率对照而进行严重度评估时，会产生较大误差，甚至产生严重度级别评估错误，会严重影响病害严重度的准确评估。因此如何提供一种更加准确、高效的植物病害严重度评估方案成为本领域技术人员亟待解决的技术课题。
发明内容
为此，本发明提供一种植物病害严重度评估方法及装置，以解决现有技术中的植物病害严重度评估局限性较高，导致植物病害严重度评估准确度和可应用性较差的缺陷。
本发明提供一种植物病害严重度评估方法，包括：
获取待评估的实际植物单元图像，从所述实际植物单元图像中提取实际植物单元；
确定所述实际植物单元中目标病斑面积占所述实际植物单元总面积的当前比率；
基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析，确定所述实际植物单元的严重度级别；其中，所述实际病斑面积比率范围是基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的。
进一步的，在基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析之前，还包括：
获取所述严重度级别对应的样本植物图像；
对所述样本植物图像中的样本植物单元区域进行分割处理，获得样本植物单元图像；并对所述样本植物单元图像中的样本病斑区域进行分割处理，获得样本病斑图像；
确定所述样本植物单元图像中样本植物单元总面积和所述样本病斑图像中样本病斑面积；
确定所述样本病斑面积占所述样本植物单元总面积的比率；
基于所述样本病斑面积占所述样本植物单元总面积的比率，分别确定各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值；
基于所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，确定所述各个严重度级别对应的实际病斑面积比率范围。
进一步的，基于所述样本病斑面积占所述样本植物单元总面积的比率，分别确定各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，具体包括：
获取各个严重度级别分别对应的所有的样本植物单元的所述样本病斑面积占所述样本植物单元总面积的比率；并基于所述各个严重度级别分别对应的所有的样本植物单元的所述样本病斑面积占所述样本植物单元总面积的比率，分别确定所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，并将所述平均值作为所述各个严重度级别对应的实际比率。
进一步的，基于所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，确定所述各个严重度级别对应的实际病斑面积比率范围，具体包括：
将所述各个严重度级别中相邻两个严重度级别对应样本植物单元的病斑面积占样本植物单元总面积比率的平均值的中间值作为分界点；分别将所述分界点作为所述相邻两个严重度级别中第一严重度级别对应的实际比率上限，以及作为所述相邻两个严重度级别中第二严重度级别对应的实际比率下限，确定所述各个严重度级别对应的实际病斑面积比率范围；所述第一严重度级别低于所述第二严重度级别。
进一步的，所述的植物病害严重度评估方法，还包括：
确定所述实际植物单元中目标病斑像素的数量和所述实际植物单元总像素的数量；
基于所述实际植物单元中目标病斑像素的数量和所述实际植物单元总像素的数量，获得所述当前比率。
进一步的，所述的植物病害严重度评估方法，还包括：
确定所述样本植物单元中样本病斑像素的数量和所述样本植物单元总像素的数量；
基于所述样本植物单元中样本病斑像素的数量和所述样本植物单元总像素的数量，获得所述比率。
本发明还提供一种植物病害严重度评估装置，包括：
实际植物单元图像获取模块，用于获取待评估的实际植物单元图像，从所述实际植物单元图像中提取实际植物单元；
当前比率确定单元，用于确定所述实际植物单元中目标病斑面积占所述实际植物单元总面积的当前比率；
严重度评估单元，用于基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析，确定所述实际植物单元的严重度级别；其中，所述实际病斑面积比率范围是基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的。
进一步的，在基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析之前，还包括：
样本植物单元图像获取单元，用于获取所述严重度级别对应的样本植物图像；
样本图像分割单元，用于对所述样本植物图像中的样本植物单元区域进行分割处理，获得样本植物单元图像；并对所述样本植物单元图像中的样本病斑区域进行分割处理，获得样本病斑图像；
样本面积确定单元，用于确定所述样本植物单元图像中样本植物单元总面积和所述样本病斑图像中样本病斑面积；
比率确定单元，用于确定所述样本病斑面积占所述样本植物单元总面积的比率；
平均值确定单元，用于基于所述样本病斑面积占所述样本植物单元总面积的比率，分别确定各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值；
实际病斑面积比率范围确定单元，用于基于所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，确定所述各个严重度级别对应的实际病斑面积比率范围。
进一步的，所述平均值确定单元，具体用于：
获取各个严重度级别分别对应的所有的样本植物单元的所述样本病斑面积占所述样本植物单元总面积的比率；并基于所述各个严重度级别分别对应的所有的样本植物单元的所述样本病斑面积占所述样本植物单元总面积的比率，分别确定所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，并将所述平均值作为所述各个严重度级别对应的实际比率。
进一步的，所述实际病斑面积比率范围确定单元，具体用于：
将所述各个严重度级别中相邻两个严重度级别对应样本植物单元的病斑面积占样本植物单元总面积比率的平均值的中间值作为分界点；分别将所述分界点作为所述相邻两个严重度级别中第一严重度级别对应的实际比率上限，以及作为所述相邻两个严重度级别中第二严重度级别对应的实际比率下限，确定所述各个严重度级别对应的实际病斑面积比率范围；所述第一严重度级别低于所述第二严重度级别。
进一步的，所述的植物病害严重度评估装置，还包括：
第一像素数量确定单元，用于确定所述实际植物单元中目标病斑像素的数量和所述实际植物单元总像素的数量；
第一当前比率确定单元，用于基于所述实际植物单元中目标病斑像素的数量和所述实际植物单元总像素的数量，获得所述当前比率。
进一步的，所述的植物病害严重度评估装置，还包括：
第二像素数量确定单元，用于确定所述样本植物单元中样本病斑像素的数量和所述样本植物单元总像素的数量；
第二当前比率确定单元，用于基于所述样本植物单元中样本病斑像素的数量和所述样本植物单元总像素的数量，获得所述比率。
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任意一项所述的植物病害严重度评估方法。
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任意一项所述的植物病害严重度评估方法。
本发明所述的植物病害严重度评估方法，通过获取待评估的实际植物单元图像，从实际植物单元图像中提取实际植物单元，然后计算实际植物单元中目标病斑面积占实际植物单元总面积的当前比率，进而基于当前比率和严重度级别对应的实际病斑面积比率范围进行严重度评估分析确定实际植物单元的严重度级别。本发明提供的方法利用和体现了病斑面积占植物单元总面积的实际比率，实际操作更加简单、快捷，通过预先基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的实际病斑面积比率范围对植物病害严重度进行评估，提高了植物病害严重度评估的准确率，从而能够为植物病害预测预报、品种抗病性鉴定和品种选育、病害防治策略制定等提供更可靠的支撑。
附图说明
为了更清楚地说明本发明实施例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取其他的附图。
图1为本发明实施例提供的植物病害严重度评估方法的流程示意图；
图2为本发明实施例提供的植物病害严重度评估方法的完整流程图；
图3为本发明实施例提供的一种植物病害严重度评估装置的结构示意图；
图4为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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取的所有其他实施例，都属于本发明保护的范围。
下面基于本发明所述的植物病害严重度评估方法，对其实施例进行详细描述。如图1和2所示，其分别为本发明实施例提供的一种植物病害严重度评估方法的流程示意图及完整流程图，具体过程包括以下步骤：
步骤101：获取待评估的实际植物单元图像，从所述实际植物单元图像中提取实际植物单元。
具体的，所述实际植物单元图像可以是指利用数码相机、手机或具有拍照功能的摄像头等图像采集设备获取的某一种植物病害的实际植物单元图像，即包含待评估的实际植物单元的图像。所述实际植物单元可以是指茎、叶、根、果实或者植株。在本发明实施例中，可通过预设的图像处理软件手动或自动将实际植物单元从背景中分割出来，获得实际植物单元分割图像，即提取出实际植物单元。
步骤102：确定所述实际植物单元中目标病斑面积占所述实际植物单元总面积的当前比率。
具体的，所述目标病斑是指待评估的发病病斑。在本发明实施例中，需要预先通过预设的图像处理软件提取实际植物单元和目标病斑的面积特征，从而获得实际植物单元总面积和目标病斑面积，进而基于实际植物单元总面积和目标病斑面积计算得到所述实际植物单元中目标病斑面积占所述实际植物单元总面积的当前比率。
除此之外，还可通过所述图像处理软件统计计算获取的所述实际植物单元中目标病斑像素的数量和所述实际植物单元总像素的数量，并基于所述实际植物单元中目标病斑像素的数量和所述实际植物单元总像素的数量计算比率，获得所述当前比率。
步骤103：基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析，确定所述实际植物单元的严重度级别；其中，所述实际病斑面积比率范围是基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的。
在本发明实施例中，执行基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析之前，需要预先基于各个严重度级别及其分别对应的样本植物单元图像进行平均值分析，以得到应用需要的实际植物单元的严重度级别，具体过程包括：获取所述严重度级别对应的样本植物图像；对所述样本植物图像中的样本植物单元区域进行分割处理，获得样本植物单元图像；并对所述样本植物单元图像中的样本病斑区域进行分割处理，获得样本病斑图像；确定所述样本植物单元图像中样本植物单元总面积和所述样本病斑图像中样本病斑面积；确定所述样本病斑面积占所述样本植物单元总面积的比率；基于所述样本病斑面积占所述样本植物单元总面积的比率，分别确定各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值；基于所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，确定所述各个严重度级别对应的实际病斑面积比率范围。
其中，获取所述严重度级别对应的样本植物图像，对应的具体实现过程包括：利用数码相机、手机或具有拍照功能的摄像头等设备获取各个严重度级别对应的样本植物病害的样本植物单元图像。
对所述样本植物图像中的样本植物单元区域进行分割处理，获得样本植物单元图像；并对所述样本植物单元图像中的样本病斑区域进行分割处理，获得样本病斑图像，对应的具体实现过程包括：
基于图像处理软件手动或自动将样本植物单元从背景中分割出来，获得样本植物单元分割图像，即样本植物单元图像，并将样本病斑从样本植物单元中分割出来，获得样本病斑分割图像，即样本病斑图像。
确定所述样本植物单元图像中样本植物单元总面积和所述样本病斑图像中样本病斑面积，对应的具体实现过程包括：基于图像处理软件提取样本植物单元和样本病斑的面积特征，从而获得样本植物单元总面积和样本病斑面积。
确定所述样本病斑面积占所述样本植物单元总面积的比率，对应的具体实现过程包括：根据获得的样本植物单元总面积和样本病斑面积，由样本病斑面积除以样本植物单元总面积，获得样本病斑面积占样本植物单元总面积的比率。除此之外，在确定所述比率过程中，还可通过图像处理软件统计计算获取的所述样本植物单元中样本病斑像素的数量和所述样本植物单元总像素的数量，并基于所述样本植物单元中样本病斑像素的数量和所述样本植物单元总像素的数量，获得所述比率。本发明提供的技术方案中病斑面积占植物单元总面积比率，除了利用图像处理技术获得外，还可以利用肉眼观察法、网格纸测定法、纸样称重法等方法进行估计获得，在此不做具体限定。
基于所述样本病斑面积占所述样本植物单元总面积的比率，分别确定各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，对应的实现过程包括：获取各个严重度级别分别对应的所有的样本植物单元的所述样本病斑面积占所述样本植物单元总面积的比率；并基于所述各个严重度级别分别对应的所有的样本植物单元的所述样本病斑面积占所述样本植物单元总面积的比率，分别确定所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，并将所述平均值作为所述各个严重度级别对应的实际比率。
具体的，在各个严重度级别对应样本植物单元的样本病斑面积占样本植物单元总面积比率的平均值计算过程中，基于获得的各个严重度级别对应样本植物单元的样本病斑面积占样本植物单元总面积的比率，分别计算每一级别严重度对应样本植物单元的样本病斑面积占样本植物单元总面积比率的平均值，以计算获得的各个严重度级别所对应的平均值作为相应严重度级别样本病斑面积占样本植物单元总面积实际比率。
另外，基于所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，确定所述各个严重度级别对应的实际病斑面积比率范围，对应的实现过程包括：将所述各个严重度级别中相邻两个严重度级别对应样本植物单元的病斑面积占样本植物单元总面积比率的平均值的中间值作为分界点；分别将所述分界点作为所述相邻两个严重度级别中第一严重度级别对应的实际比率上限，以及作为所述相邻两个严重度级别中第二严重度级别对应的实际比率下限，确定所述各个严重度级别对应的实际病斑面积比率范围；所述第一严重度级别低于所述第二严重度级别。例如，各个严重度级别可以包括：1％、5％、10％、20％、40％、60％、80％、100％八个严重度级别。所述相邻两个严重度级别可以是指10％和20％，当然也可以是指40％和60％，在此不做具体限定。相应的，所述第一严重度级别可以是指10％这一级别，所述第二严重度级别可以是指20％这一级别；或者，所述第一严重度级别可以是指40％这一级别，所述第二严重度级别可以是指60％这一级别，在此不做具体限定。
具体的，在确定各个严重度级别对应的实际病斑面积比率范围过程中，将获得的相邻两个严重度级别对应样本植物单元的样本病斑面积占样本植物单元总面积比率平均值的中间值作为分界点，这一分界点作为这两个严重度级别中较低严重度级别(比如10％或40％)对应的实际比率上限，作为较高严重度级别(比如20％或60％)对应的实际比率下限，对于最低一级严重度(比如1％)，其对应的实际比率大于0，建立各个严重度级别对应的实际病斑面积比率范围，按照此范围可对发病植物单元进行实际应用中的严重度评估。即根据所建立的各个严重度级别对应的样本病斑面积占样本植物单元总面积的实际病斑面积比率范围，来评估确定待评估的实际植物单元的严重度级别。
下面以小麦条锈病严重度评估为例进行详细说明，按照以下步骤完成小麦条锈病严重度的评估：
1)按照小麦条锈病严重度分级标准，分别采集严重度级别为1％、5％、10％、20％、40％、60％、80％、100％的小麦条锈病典型症状病叶样品(即样本植物单元)，利用图像采集设备进行图像采集。图像分辨率分别为4256×2832像素、3648×2736像素、4032×3024像素，格式均为JEPG，24位图。获得每一个严重度级别对应的病叶样品图像50张，共获得400张的病叶样品图像，即样本植物图像。
2)使用图像处理软件(Adobe Photoshop)分别完成对叶片区域的分割、像素统计以及病斑区域的分割、像素统计，获得样本植物单元图像和样本病斑图像。
3)计算样本病斑区域面积所占叶片总面积(即样本植物单元总面积)；或者使用记录的叶片区域总像素(即样本植物单元总像素)和样本病斑像素，分别计算各个严重度级别所对应的发病叶片图像(即样本植物图像)其样本病斑像素的数量所占叶片区域总像素的比率。最终基于样本病斑区域面积和叶片总面积，获得相应发病叶片的样本病斑面积所占叶片总面积的比率，即百分率，计算公式如下：
Figure BDA0003673425440000121
式中，Sp为样本病斑面积占叶片总面积的百分率；Ad为样本病斑区域像素的数量，Al为叶片区域总像素的数量。
4)使用SAS 9.4软件(SAS Institute Inc.Cary,NC,USA)中的UNIVARIATE过程分别对每一个严重度级别包含发病叶片的病斑面积所占叶片总面积的百分率数据进行正态分布检验，检验结果表明每一个严重度级别所包含的50个实际百分率数据均服从正态分布。将各个严重度级别包含发病叶片的病斑面积所占叶片总面积百分率数据从大到小进行排序，分别按照训练集与测试集样品数量之比为4:1和3:2，采用系统抽样法，从每一严重度级别的50个数据中进行抽样，建立训练集、测试集，分别命名为Train40S(表示严重度级别为S时，按照训练集与测试集样品数量之比为4:1时系统抽样获得的40个样品组成的训练集)、Test10S(表示严重度级别为S时，按照训练集与测试集样品数量之比为4:1时系统抽样获得的10个样品组成的测试集)和Train30S(表示严重度级别为S时，按照训练集与测试集样品数量之比为3:2时系统抽样获得的30个样品组成的训练集)、Test20S(表示严重度级别为S时，按照训练集与测试集样品数量之比为3:2时系统抽样获得的20个样品组成的测试集)，其中，S为小麦条锈病划分不同严重度级别时对应的百分率，其值可分别为1％、5％、10％、20％、40％、60％、80％、100％。利用SAS 9.4软件(SAS Institute Inc.Cary,NC,USA)中的UNIVARIATE过程分别对每一严重度级别抽样后组成的训练集Train40S和Train30S所包含的实际百分率数据进行正态分布检验，检验结果表明每一个严重度级别的训练集Train40S和Train30S所包含的实际百分率数据均服从正态分布。
5)分别计算获得每一严重度级别抽样后组成的训练集Train40S和Train30S所包含实际百分率数据的平均值
Figure BDA0003673425440000131
即确定所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值；计算获得的每一个严重度级别所对应的平均值作为相应严重度级别病斑面积占叶片总面积的实际百分率，即将所述平均值作为所述各个严重度级别对应的实际比率，具体结果见表1。结果表明，基于训练集Train40S所包含数据，获得的严重度级别1％、5％、10％、20％、40％、60％、80％、100％的实际百分率平均值分别为0.40％、1.27％、2.50％、4.92％、9.89％、16.61％、21.23％、30.52％；基于训练集Train30S所包含数据，获得的严重度级别1％、5％、10％、20％、40％、60％、80％、100％的实际百分率平均值分别为0.40％、1.28％、2.50％、4.92％、9.87％、16.61％、21.23％、30.53％。结果表明，基于训练集Train40S和Train30S所包含数据分别获得的同一严重度级别病斑面积占叶片总面积的实际百分率平均值均差别不大，因此在本发明实施例中可基于训练集Train40S或Train30S，对每一个严重度级别及其分别对应的样本植物单元图像进行平均值分析；同时结果表明，小麦条锈病不同严重度级别对应的实际百分率与严重度级别划分标准中相应级别严重度的百分率之间有很大差距，本发明通过平均值分析得到的实际病斑面积比率范围比预设的严重度级别1％、5％、10％、20％、40％、60％、80％、100％准确度更高。
6)分别对于训练集Train40S和Train30S所包含实际百分率数据，以获得的相邻两个严重度级别对应发病叶片的病斑面积占叶片总面积百分率平均值的中间值作为分界点，这一分界点作为这两个严重度级别中较低严重度级别对应的实际百分率上限，作为较高严重度级别对应的实际百分率下限，对于最低一级严重度，其对应的实际百分率大于0，从而分别获得基于训练集Train40S和Train30S所包含数据的每一严重度级别对应的实际病斑面积比率范围，如表1所示。结果表明，基于训练集Train40S所包含数据获得的严重度级别1％、5％、10％、20％、40％、60％、80％、100％的实际病斑面积比率范围分别为(0,0.84％]、(0.84％,1.89％]、(1.89％,3.71％]、(3.71％,7.41％]、(7.41％,13.25％]、(13.25％,18.92％]、(18.92％,25.88％]、(25.88％,100％]；基于训练集Train30S所包含数据获得的严重度级别1％、5％、10％、20％、40％、60％、80％、100％的实际病斑面积比率范围分别为(0,0.84％]、(0.84％,1.89％]、(1.89％,3.71％]、(3.71％,7.40％]、(7.40％,13.24％]、(13.24％,18.92％]、(18.92％,25.88％]、(25.88％,100％]。结果表明，基于训练集Train40S所包含数据获得的严重度级别1％、5％、10％、20％、40％、60％、80％、100％的实际病斑面积比率范围与基于训练集Train30S所包含数据获得的严重度级别1％、5％、10％、20％、40％、60％、80％、100％的实际病斑面积比率范围整体上差异很小，因此在本发明实施例中可基于训练集Train40S或Train30S，对每一个严重度级别及其分别对应的样本植物单元图像进行平均值分析。
表1.基于训练集Train40S和Train30S所包含数据的每一严重度级别对应的实际病斑面积比率范围
Figure BDA0003673425440000151
7)利用上述6)中所确定的基于训练集Train40S所包含数据的每一严重度级别对应的实际病斑面积比率范围，基于训练集Train40S和测试集Test10S中每一发病叶片的发病面积占叶片总面积的实际百分率，分别对每一发病叶片进行严重度评估。同样地，利用上述6)中所确定的基于训练集Train30S所包含数据的每一严重度级别对应的实际病斑面积比率范围，基于训练集Train30S和测试集Test20S中每一发病叶片的发病面积占叶片总面积的实际百分率，分别对每一发病叶片进行严重度评估。利用下式分别计算每一数据集中发病叶片严重度评估的准确率(accuracy)：
Figure BDA0003673425440000161
式中，Accuracy表示病害严重度评估准确率；np表示正确评估的样品数；n为被评估的样品总数。对于每一数据集中发病叶片严重度评估的结果如表2所示。由严重度评估结果可见，依据基于训练集Train40S或Train30S所包含数据所确定的每一严重度级别对应的实际病斑面积比率范围，对训练集Train40S或Train30S严重度的评估准确率均≥85％，对相应的测试集Test10S或Test20S严重度的评估准确率亦均≥85％。结果表明，按照本发明所提供的病害严重度评估方法，可以在对小麦条锈病发病叶片严重度评估中获得较高的准确率，该方法适于对小麦条锈病发病叶片进行严重度评估。
表2.小麦条锈病发病叶片严重度评估结果
Figure BDA0003673425440000162
Figure BDA0003673425440000171
在本实施例中，所获得的小麦条锈病各个严重度级别的病叶数量均为50，按照4:1和3:2两个比例使用系统抽样法进行样品抽样，分别建立训练集和测试集，在这两种抽样比例下，所获得的每一严重度级别病斑面积占叶片总面积的实际百分率和实际病斑面积比率范围均差别不大，并且经过对训练集和测试集进行严重度评估检验，在每一严重度级别上均获得了较高的评估准确率，相比较而言，按照4:1比例建立训练集和测试集，所获得的严重度评估结果稍微优于按照3:2比例建立训练集和测试集的情况。若能获得更多的各个严重度级别的样品，按照本发明提供的方法，能够获得更优的严重度评估结果。
现有技术中利用图像处理进行植物病害严重度评估，通常是根据分割获得病斑面积占植物单元总面积的比率进行划分的，或者根据提取的图像特征建立识别模型进行分类识别的。在根据病斑面积占植物单元总面积的比率进行严重度级别划分时，对于有些病害，病斑面积占植物单元总面积的实际比率会明显低于严重度分级标准中对应的比率，从而会导致严重度评估的误差较大或完全错误。
本发明提供的方法适用于所有依据发病面积占植物发病单元总面积的比率进行严重度级别划分的植物病害，彻底解决了依据病斑面积占植物单元总面积的比率进行植物病害严重度评估时严重度划分级别中病斑面积占植物单元总面积的比率与病斑面积占植物单元总面积的实际比率不一致的问题，为准确评估植物病害严重度提供了基础和方法学借鉴。
本发明提供的植物病害严重度评估方法简便、易于操作，所利用的严重度级别划分依据反映了病斑面积占植物单元总面积的实际比率，更有利于在实际中应用，并可提高严重度评估的准确性，对于植物病害的调查、监测、预测预报和防控具有重要意义。本发明提供的方法适用于所有依据发病面积占植物发病单元总面积的比率进行严重度级别划分的植物病害，从根本上解决了植物病害严重度评估级别划分难度大和依据病斑面积占植物单元总面积的比率进行植物病害严重度评估时存在的问题。
本发明提供的植物病害严重度评估方法是一种基于病斑面积占植物单元总面积实际比率的植物病害严重度评估方法，该方法利用了病斑面积占植物单元总面积的实际比率，并且提供了病害严重度评估时病斑面积占植物单元总面积的实际病斑面积比率范围，依据此范围进行病害严重度的评估，更加直接和直观，更便于对植物病害严重度的理解，便于实际操作。本发明为基于图像处理技术的植物病害严重度自动评估的实现提供了最基础的依据和思路，有利于植物病害严重度自动评估系统的开发和提高植物病害严重度评估的准确性，有利于植物病害严重度评估的自动化和智能化的实现，可为病害预测预报、品种抗病性鉴定和品种选育、病害防治策略制定等提供更可靠的支撑。
与上述提供的一种植物病害严重度评估方法相对应，本发明还提供一种植物病害严重度评估装置。由于该装置的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的植物病害严重度评估装置的实施例仅是示意性的。
请参考图3所示，其为本发明实施例提供的一种植物病害严重度评估装置的结构示意图。本发明所述的一种植物病害严重度评估装置具体包括如下部分：
实际植物单元图像获取模块301，用于获取待评估的实际植物单元图像，从所述实际植物单元图像中提取实际植物单元；
当前比率确定单元302，用于确定所述实际植物单元中目标病斑面积占所述实际植物单元总面积的当前比率；
严重度评估单元303，用于基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析，确定所述实际植物单元的严重度级别；其中，所述实际病斑面积比率范围是基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的。
进一步的，在基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析之前，还包括：
样本植物单元图像获取单元，用于获取所述严重度级别对应的样本植物图像；
样本图像分割单元，用于对所述样本植物图像中的样本植物单元区域进行分割处理，获得样本植物单元图像；并对所述样本植物单元图像中的样本病斑区域进行分割处理，获得样本病斑图像；
样本面积确定单元，用于确定所述样本植物单元图像中样本植物单元总面积和所述样本病斑图像中样本病斑面积；
比率确定单元，用于确定所述样本病斑面积占所述样本植物单元总面积的比率；
平均值确定单元，用于基于所述样本病斑面积占所述样本植物单元总面积的比率，分别确定各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值；
实际病斑面积比率范围确定单元，用于基于所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，确定所述各个严重度级别对应的实际病斑面积比率范围。
进一步的，所述平均值确定单元，具体用于：
获取各个严重度级别分别对应的所有的样本植物单元的所述样本病斑面积占所述样本植物单元总面积的比率；并基于所述各个严重度级别分别对应的所有的样本植物单元的所述样本病斑面积占所述样本植物单元总面积的比率，分别确定所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，并将所述平均值作为所述各个严重度级别对应的实际比率。
进一步的，所述实际病斑面积比率范围确定单元，具体用于：
将所述各个严重度级别中相邻两个严重度级别对应样本植物单元的病斑面积占样本植物单元总面积比率的平均值的中间值作为分界点；分别将所述分界点作为所述相邻两个严重度级别中第一严重度级别对应的实际比率上限，以及作为所述相邻两个严重度级别中第二严重度级别对应的实际比率下限，确定所述各个严重度级别对应的实际病斑面积比率范围；所述第一严重度级别低于所述第二严重度级别。
进一步的，所述的植物病害严重度评估装置，还包括：
第一像素数量确定单元，用于确定所述实际植物单元中目标病斑像素的数量和所述实际植物单元总像素的数量；
第一当前比率确定单元，用于基于所述实际植物单元中目标病斑像素的数量和所述实际植物单元总像素的数量，获得所述当前比率。
进一步的，所述的植物病害严重度评估装置，还包括：
第二像素数量确定单元，用于确定所述样本植物单元中样本病斑像素的数量和所述样本植物单元总像素的数量；
第二当前比率确定单元，用于基于所述样本植物单元中样本病斑像素的数量和所述样本植物单元总像素的数量，获得所述比率。
本发明所述的植物病害严重度评估装置，通过获取待评估的实际植物单元图像，从实际植物单元图像中提取实际植物单元，然后计算实际植物单元中目标病斑面积占实际植物单元总面积的当前比率，进而基于当前比率和严重度级别对应的实际病斑面积比率范围进行严重度评估分析确定实际植物单元的严重度级别。本发明提供的装置利用和体现了病斑面积占植物单元总面积的实际比率，实际操作更加简单、快捷，通过预先基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的实际病斑面积比率范围对植物病害严重度进行评估，提高了植物病害严重度评估的准确率，从而能够为植物病害预测预报、品种抗病性鉴定和品种选育、病害防治策略制定等提供更可靠的支撑。
与上述提供的植物病害严重度评估方法相对应，本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图4所示，其为本发明实施例公开的一种电子设备的实体结构示意图。该电子设备可以包括：处理器(processor)401、存储器(memory)402和通信总线403，其中，处理器401，存储器402通过通信总线403完成相互间的通信。处理器401可以调用存储器402中的逻辑指令，以执行植物病害严重度评估方法，该方法包括：获取待评估的实际植物单元图像，从所述实际植物单元图像中提取实际植物单元；确定所述实际植物单元中目标病斑面积占所述实际植物单元总面积的当前比率；基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析，确定所述实际植物单元的严重度级别；其中，所述实际病斑面积比率范围是基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的。
此外，上述的存储器402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。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的植物病害严重度评估方法，该方法包括：获取待评估的实际植物单元图像，从所述实际植物单元图像中提取实际植物单元；确定所述实际植物单元中目标病斑面积占所述实际植物单元总面积的当前比率；基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析，确定所述实际植物单元的严重度级别；其中，所述实际病斑面积比率范围是基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的。
又一方面，本发明实施例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实施例提供的植物病害严重度评估方法，该方法包括：获取待评估的实际植物单元图像，从所述实际植物单元图像中提取实际植物单元；确定所述实际植物单元中目标病斑面积占所述实际植物单元总面积的当前比率；基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析，确定所述实际植物单元的严重度级别；其中，所述实际病斑面积比率范围是基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的。
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)

1.一种植物病害严重度评估方法，其特征在于，包括：
获取待评估的实际植物单元图像，从所述实际植物单元图像中提取实际植物单元；
确定所述实际植物单元中目标病斑面积占所述实际植物单元总面积的当前比率；
基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析，确定所述实际植物单元的严重度级别；其中，所述实际病斑面积比率范围是基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的。
2.根据权利要求1所述的植物病害严重度评估方法，其特征在于，在基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析之前，还包括：
获取所述严重度级别对应的样本植物图像；
对所述样本植物图像中的样本植物单元区域进行分割处理，获得样本植物单元图像；并对所述样本植物单元图像中的样本病斑区域进行分割处理，获得样本病斑图像；
确定所述样本植物单元图像中样本植物单元总面积和所述样本病斑图像中样本病斑面积；
确定所述样本病斑面积占所述样本植物单元总面积的比率；
基于所述样本病斑面积占所述样本植物单元总面积的比率，分别确定各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值；
基于所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，确定所述各个严重度级别对应的实际病斑面积比率范围。
3.根据权利要求2所述的植物病害严重度评估方法，其特征在于，基于所述样本病斑面积占所述样本植物单元总面积的比率，分别确定各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，具体包括：
获取各个严重度级别分别对应的所有的样本植物单元的所述样本病斑面积占所述样本植物单元总面积的比率；并基于所述各个严重度级别分别对应的所有的样本植物单元的所述样本病斑面积占所述样本植物单元总面积的比率，分别确定所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，并将所述平均值作为所述各个严重度级别对应的实际比率。
4.根据权利要求2所述的植物病害严重度评估方法，其特征在于，基于所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，确定所述各个严重度级别对应的实际病斑面积比率范围，具体包括：
将所述各个严重度级别中相邻两个严重度级别对应样本植物单元的病斑面积占样本植物单元总面积比率的平均值的中间值作为分界点；分别将所述分界点作为所述相邻两个严重度级别中第一严重度级别对应的实际比率上限，以及作为所述相邻两个严重度级别中第二严重度级别对应的实际比率下限，确定所述各个严重度级别对应的实际病斑面积比率范围；所述第一严重度级别低于所述第二严重度级别。
5.根据权利要求1所述的植物病害严重度评估方法，其特征在于，还包括：
确定所述实际植物单元中目标病斑像素的数量和所述实际植物单元总像素的数量；
基于所述实际植物单元中目标病斑像素的数量和所述实际植物单元总像素的数量，获得所述当前比率。
6.根据权利要求2所述的植物病害严重度评估方法，其特征在于，还包括：
确定所述样本植物单元中样本病斑像素的数量和所述样本植物单元总像素的数量；
基于所述样本植物单元中样本病斑像素的数量和所述样本植物单元总像素的数量，获得所述比率。
7.一种植物病害严重度评估装置，其特征在于，包括：
实际植物单元图像获取模块，用于获取待评估的实际植物单元图像，从所述实际植物单元图像中提取实际植物单元；
当前比率确定单元，用于确定所述实际植物单元中目标病斑面积占所述实际植物单元总面积的当前比率；
严重度评估单元，用于基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析，确定所述实际植物单元的严重度级别；其中，所述实际病斑面积比率范围是基于严重度级别及其分别对应的样本植物单元图像进行平均值分析得到的。
8.根据权利要求7所述的植物病害严重度评估装置，其特征在于，在基于所述当前比率和预设的严重度级别对应的实际病斑面积比率范围进行严重度评估分析之前，还包括：
样本植物单元图像获取单元，用于获取所述严重度级别对应的样本植物图像；
图像分割单元，用于对所述样本植物图像中的样本植物单元区域进行分割处理，获得样本植物单元图像；并对所述样本植物单元图像中的样本病斑区域进行分割处理，获得样本病斑图像；
面积确定单元，用于确定所述样本植物单元图像中样本植物单元总面积和所述样本病斑图像中样本病斑面积；
比率确定单元，用于确定所述样本病斑面积占所述样本植物单元总面积的比率；
平均值确定单元，用于基于所述样本病斑面积占所述样本植物单元总面积的比率，分别确定各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值；
实际病斑面积比率范围确定单元，用于基于所述各个严重度级别对应的所述样本病斑面积占所述样本植物单元总面积比率的平均值，确定所述各个严重度级别对应的实际病斑面积比率范围。
9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任意一项所述的植物病害严重度评估方法的步骤。
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，该计算机程序被处理器执行时实现如权利要求1-6任意一项所述的植物病害严重度评估方法的步骤。
CN202210616283.7A 2022-05-31 2022-05-31 一种植物病害严重度评估方法及装置 Pending CN114998732A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210616283.7A CN114998732A (zh) 2022-05-31 2022-05-31 一种植物病害严重度评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210616283.7A CN114998732A (zh) 2022-05-31 2022-05-31 一种植物病害严重度评估方法及装置

Publications (1)

Publication Number Publication Date
CN114998732A true CN114998732A (zh) 2022-09-02

Family

ID=83031262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210616283.7A Pending CN114998732A (zh) 2022-05-31 2022-05-31 一种植物病害严重度评估方法及装置

Country Status (1)

Country Link
CN (1) CN114998732A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468671A (zh) * 2023-03-21 2023-07-21 中化现代农业有限公司 植物病害程度检测方法、装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468671A (zh) * 2023-03-21 2023-07-21 中化现代农业有限公司 植物病害程度检测方法、装置、电子设备和存储介质
CN116468671B (zh) * 2023-03-21 2024-04-16 中化现代农业有限公司 植物病害程度检测方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
Burton et al. RootScan: software for high-throughput analysis of root anatomical traits
Liu et al. A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field
CN113392775B (zh) 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法
CN112819821B (zh) 一种细胞核图像检测方法
CN113658174B (zh) 基于深度学习和图像处理算法的微核组学图像检测方法
CN111275338A (zh) 一种企业欺诈行为的判定方法、装置、设备及存储介质
CN114998732A (zh) 一种植物病害严重度评估方法及装置
CN115994907A (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN114240874A (zh) 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质
CN115292887A (zh) 基于病斑面积比率的植物病害严重度评估方法及装置
CN110874835B (zh) 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质
CN115564776B (zh) 基于机器学习的异常细胞样本检测方法和装置
CN115239947A (zh) 基于无监督学习的小麦条锈病严重度评估方法及装置
CN114240929A (zh) 一种色差检测方法及装置
CN114997300A (zh) 基于监督学习的小麦条锈病严重度评估方法
CN117788960B (zh) 一种基于双模型的烟叶返青判定方法、介质及系统
CN111368872A (zh) 基于融合特征和验证模型的乳腺癌有丝分裂细胞检测方法
CN116563289B (zh) 一种基于机器视觉的贴标品质检测方法和系统
CN110647945B (zh) 液基宫颈细胞涂片分类方法、系统和实现装置
CN117593168B (zh) 一种冰湖溃决风险评估系统及方法
CN113610781B (zh) 一种时序sar图形的变化检测方法及装置
CN117557529A (zh) 一种烟叶仓储内质量信息获取方法
CN113222911A (zh) 宫颈细胞图像筛查方法、系统、计算机设备及存储介质
CN114971408A (zh) 一种实时质量控制纠偏方法、装置、设备及程序产品

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