CN115292887A - 基于病斑面积比率的植物病害严重度评估方法及装置 - Google Patents
基于病斑面积比率的植物病害严重度评估方法及装置 Download PDFInfo
- Publication number
- CN115292887A CN115292887A CN202210744884.6A CN202210744884A CN115292887A CN 115292887 A CN115292887 A CN 115292887A CN 202210744884 A CN202210744884 A CN 202210744884A CN 115292887 A CN115292887 A CN 115292887A
- Authority
- CN
- China
- Prior art keywords
- area
- severity
- plant
- plant unit
- ratio
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 209
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 209
- 230000003902 lesion Effects 0.000 title claims abstract description 108
- 238000011156 evaluation Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 80
- 206010039509 Scab Diseases 0.000 claims description 109
- 238000012549 training Methods 0.000 claims description 60
- 238000009826 distribution Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000011217 control strategy Methods 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 310
- 238000012360 testing method Methods 0.000 description 20
- 238000005070 sampling Methods 0.000 description 18
- 238000005315 distribution function Methods 0.000 description 13
- 241000209140 Triticum Species 0.000 description 12
- 235000021307 Triticum Nutrition 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000011835 investigation Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 208000015181 infectious disease Diseases 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Animal Husbandry (AREA)
- Algebra (AREA)
- Agronomy & Crop Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于病斑面积比率的植物病害严重度评估方法及装置。该方法包括:确定待评估的发病植物单元;获得发病植物单元中病斑面积占发病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病斑面积占植物单元总面积实际比率的目标参考值范围对发病植物单元进行病害严重度评估,确定发病植物单元对应的严重度级别;目标参考值范围是基于严重度级别对应的样本植物单元中病斑面积占植物单元总面积的实际比率进行平均值和标准差分析得到的。本发明公开的基于病斑面积比率的植物病害严重度评估方法,能够有效提高植物病害严重度评估的准确性和稳定性,从而为病害监测、病害预测预报、病害防治策略制定等提供更可靠的支撑。
Description
技术领域
本发明涉及植物保护技术领域,具体涉及一种基于病斑面积比率的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
植物病害可造成严重危害,不仅影响植物产品产量和品质,还会影响生态环境,对植物病害进行有效管理具有重要的经济、社会和生态意义。为了实现植物病害有效管理,需要开展植物病害调查和监测,及时了解病害的发生情况。植物病害调查的指标一般包括普遍率、严重度(severity)、病情指数等。严重度是反映单个调查植物单元(单个叶、茎、根、果实等植物器官或单个植株)发病严重程度的指标,其一般依据所调查植物单元的发病面积占所调查植物单元总面积的比率(通常是百分率或分数)用分级法表示。植物病害严重度通常有两种具体表示方法,一种方法是利用各个严重度级别的代表值表示,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。植物病害严重度的评估关乎植物病害实际发生的严重程度,关乎植物病害调查的准确性,关乎后续病害预测预报和植物抗感病性测定的准确性,关乎植物病害防治决策制定的准确性和有效性。因此,开展植物病害严重度的评估应该严格按照一定的严重度分级标准进行。植物病害严重度分级标准的描述可以利用文字描述法、列表法或图示法进行,看上去非常简单、明了,但是,在一些病害严重度分级标准中给出的每一严重度级别对应的植物单元发病面积占所调查植物单元总面积的比率为一固定值,然而,实际上植物单元发病面积占所调查植物单元总面积的比率是连续变化的,其应该是连续型变量,因此,依据严重度分级标准中严重度级别对应的植物单元发病面积占所调查植物单元总面积的固定比率进行实际的连续型病斑面积所占比率的级别判定具有一定的难度。并且,对于一些病害,由于其相应的病原侵染需要一定的侵染位点,而侵染位点所占面积可能会大于实际显示症状部位占有的面积,在制定这些病害的严重度分级标准时,病害严重度分级标准中给出的每一严重度级别对应的植物单元发病面积占所调查植物单元总面积的比率并非是病斑面积占所调查植物单元总面积的实际比率,分级标准中给出的每一严重度级别对应的植物单元发病面积占所调查植物单元总面积的比率往往会大于病斑面积占所调查植物单元总面积的实际比率,这就为这类病害的严重度评估带来了很大难度。
目前,主要是利用人工肉眼观察法进行植物病害严重度的级别辨识或估测。对于一些病害,还可以利用所调查的植物病害发生的普遍率进行病害严重度的估测。随着信息技术的发展,基于遥感技术、近红外光谱技术等的植物病害严重度评估方法发展迅速。人工肉眼观察法对人员经验要求高,费时费力,在实际中进行严重度评估时,操作起来和获得比较准确的评估结果并非易事。利用所调查的植物病害发生的普遍率进行病害严重度的估测时,需要建立普遍率和严重度之间的定量关系,但是这种定量关系受到病害种类、普遍率大小、病斑在所调查植物单元上的分布情况等多种因素影响,因此,依据病害发生的普遍率估测严重度的方法的使用范围具有很大的局限性。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仍处于研究阶段,并且由于所用仪器价格较高和相关方法的实际可应用性不高,相关方法在实际生产中应用很少。
随着图像获取和图像处理技术的迅速发展,基于图像处理技术的植物病害严重度评估方法在研究与实际应用中逐渐增多。目前,利用图像处理技术进行病害严重度评估的方法有两类,一类是基于所提取的病害图像特征直接进行病害严重度的分级判别;另一类是通过病斑分割、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、病斑面积占植物单元总面积的比率计算,然后将获得的病斑面积占植物单元总面积的比率与病害严重度分级标准直接相对照,从而实现对相应发病植物单元的严重度分级评估。但是,一些植物病害严重度级别划分时,不同严重度级别所代表的病斑面积占植物单元总面积的比率并非病斑面积所占植物单元总面积的实际比率。在这种情况下,在利用病斑面积占植物单元总面积的比率作为植物病害严重度评估依据时,会产生较大的评估误差,甚至产生严重度级别评估错误,这也是利用传统的图像处理技术、将病斑面积占植物单元总面积的实际比率与植物病害严重度分级标准中的严重度级别中病斑面积占植物单元总面积的比率直接相对照比较而进行严重度评估时准确率不高的重要原因,限制了相应技术的实际应用。因此如何提供一种更加准确、稳定的基于病斑面积比率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,本发明提供一种基于病斑面积比率的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稳定性较差的缺陷。
本发明提供一种基于病斑面积比率的植物病害严重度评估方法,包括:确定待评估的发病植物单元;获得所述发病植物单元中病斑面积占发病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病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估,确定所述发病植物单元对应的严重度级别;其中,所述目标参考值范围是基于严重度级别对应的样本植物单元中病斑面积占植物单元总面积的实际比率进行平均值和标准差分析得到的。
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病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估之前,还包括:获取各个严重度级别对应的样本植物单元的图像;对所述图像进行分割,获得样本植物单元区域和样本病斑区域;确定所述样本植物单元区域的植物单元总面积和所述样本病斑区域的病斑面积;确定各个严重度级别对应的所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率;基于所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率,分别计算所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差;基于所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,确定所述严重度级别对应的目标参考值范围。
进一步的,基于所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率,分别计算所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,具体包括:将每个严重度级别分别对应的所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率分别作为每个严重度级别分别对应的训练集,基于所述训练集分别计算所述每个严重度级别对应的实际比率的平均值和实际比率的标准差。
进一步的,基于所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,确定所述严重度级别对应的目标参考值范围,具体包括:基于所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,以及算法模型,分别计算获得所述严重度级别对应的病斑面积占植物单元总面积的实际比率的参考值范围上限和参考值范围下限,将参考值范围上限和所述参考值范围下限组成的区间确定为严重度级别对应的目标参考值范围。
进一步的,所述的基于病斑面积比率的基于病斑面积比率的植物病害严重度评估方法,还包括:若所述严重度级别中相邻两个严重度级别分别对应的目标参考值范围存在范围重叠,则使用正态分布概率密度函数模型获得每个严重度级别所对应实际比率的正态分布曲线,并计算相邻两个严重度级别所对应实际比率的正态分布曲线的交点;基于交点横坐标确定所述参考值范围上限和/或参考值范围下限。
进一步的,所述的基于病斑面积比率的基于病斑面积比率的植物病害严重度评估方法,还包括:基于所述参考值范围上限和所述参考值范围下限以及预设的概率统计函数模型,计算所述参考值范围上限和所述参考值范围下限组成的区间的概率,并将所述概率作为所述严重度级别的目标参考值范围所对应的实际概率。
本发明还提供一种基于病斑面积比率的植物病害严重度评估装置,包括:发病植物单元确定单元,用于确定待评估的发病植物单元;当前比率获得单元,用于获得所述发病植物单元中病斑面积占发病植物单元总面积的当前比率;病害严重度评估单元,用于基于所述当前比率和预设的严重度级别对应的病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估,确定所述发病植物单元对应的严重度级别;其中,所述目标参考值范围是基于严重度级别对应的样本植物单元中病斑面积占植物单元总面积的实际比率进行平均值和标准差分析得到的。
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病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估之前,还包括:样本植物单元图像获取单元,用于获取各个严重度级别对应的样本植物单元的图像;样本植物单元图像分割单元,用于对所述图像进行分割,获得样本植物单元区域和样本病斑区域;面积确定单元,用于确定所述样本植物单元区域的植物单元总面积和所述样本病斑区域的病斑面积;比率确定单元,用于确定各个严重度级别对应的所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率;处理单元,用于基于所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率,分别计算所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差;目标参考值范围确定单元,用于基于所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,确定所述严重度级别对应的目标参考值范围。
进一步的,所述处理单元,具体用于:将每个严重度级别分别对应的所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率分别作为每个严重度级别分别对应的训练集,基于所述训练集分别计算所述每个严重度级别对应的实际比率的平均值和实际比率的标准差。
进一步的,所述目标参考值范围确定单元,具体用于:基于所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,以及预设的算法模型,分别计算获得所述严重度级别对应的病斑面积占植物单元总面积的实际比率的参考值范围上限和参考值范围下限,将所述参考值范围上限和所述参考值范围下限组成的区间确定为所述严重度级别对应的目标参考值范围。
进一步的,所述的基于病斑面积比率的植物病害严重度评估装置,还包括:目标参考值范围分析单元,用于若所述严重度级别中相邻两个严重度级别分别对应的目标参考值范围存在范围重叠,则使用正态分布概率密度函数模型获得每个严重度级别所对应实际比率的正态分布曲线,并计算相邻两个严重度级别所对应实际比率的正态分布曲线的交点;基于所述交点横坐标确定所述参考值范围上限和/或所述参考值范围下限。
进一步的,所述的基于病斑面积比率的植物病害严重度评估装置,还包括:实际概率确定单元,用于基于所述参考值范围上限和所述参考值范围下限以及预设的概率统计函数模型,计算所述参考值范围上限和所述参考值范围下限组成的区间的概率,并将所述概率作为所述严重度级别的目标参考值范围所对应的实际概率。
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,处理器执行所述程序时实现如上任意一项所述的基于病斑面积比率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基于病斑面积比率的植物病害严重度评估方法。
本发明所述的基于病斑面积比率的植物病害严重度评估方法,能够有效提高植物病害严重度评估的准确性和稳定性,从而为病害监测、病害预测预报、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基于病斑面积比率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基于病斑面积比率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基于病斑面积比率的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。
为了解决植物病害严重度级别评估划分难度大和利用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,需要研究一种简便、快速、准确的植物病害严重度评估方法,这对于病害的调查、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,通过每一严重度级别样本中绝大部分样本的病斑面积占植物单元总面积实际比率的分布范围来估测相应严重度级别病斑面积占植物单元总面积实际比率的参考值范围(referencerange),通过比较不同水平上的参考值范围,或根据严重度评估的准确性要求,获得目标参考值范围,依据该目标参考值范围,便可基于获得的病斑面积占植物单元总面积实际比率直接评估相应发病植物单元的严重度,更符合判别习惯。本发明提供的方法适用于所有依据病斑面积占植物单元总面积比率进行严重度分级划分的植物病害,同时为实现基于图像处理技术的植物病害严重度自动评估提供了基础。
下面基于本发明所述的基于病斑面积比率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基于病斑面积比率的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:确定待评估的发病植物单元。
具体的,首先需要获得植物病害的各个严重度级别的发病植物单元的图像,即包含待评估的发病植物单元的图像,该图像可以通过数码相机、手机或具有拍照功能的摄像头等图像采集设备获取。所述发病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发病植物单元从背景中分割出来,获得发明植物单元分割图像,即提取出发病植物单元。
步骤102:获得所述发病植物单元中病斑面积占发病植物单元总面积的当前比率。
具体的,所述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发病植物单元和病斑的面积特征,从而获得发病植物单元总面积和病斑区域面积,进而基于发病植物单元总面积和病斑区域面积计算得到所述发病植物单元中病斑区域面积占所述发病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发病植物单元中病斑像素的数量和所述发病植物单元总像素的数量,并基于所述发病植物单元中病斑像素的数量和所述发病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病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估,确定所述发病植物单元对应的严重度级别;其中,所述目标参考值范围是基于严重度级别对应的样本植物单元中病斑面积占植物单元总面积的实际比率进行平均值和标准差分析得到的。
在本发明实施例中,基于所述当前比率和预设的严重度级别对应的病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估之前,还包括:预先确定所述目标参考值范围的过程。包括:获取各个严重度级别对应的样本植物单元的图像;对所述图像进行分割,获得样本植物单元区域和样本病斑区域;确定所述样本植物单元区域的植物单元总面积和所述样本病斑区域的病斑面积;确定各个严重度级别对应的所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率;基于所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率,分别计算所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差;基于所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,确定所述严重度级别对应的目标参考值范围。
其中,基于所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率,分别计算所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,对应的具体实现过程包括:将每个严重度级别分别对应的所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率分别作为每个严重度级别分别对应的训练集,基于所述训练集分别计算所述每个严重度级别对应的实际比率的平均值和实际比率的标准差。
基于所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,确定所述严重度级别对应的目标参考值范围,对应的具体实现过程包括:基于所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,以及预设的算法模型,分别计算获得所述严重度级别对应的病斑面积占植物单元总面积的实际比率的参考值范围上限和参考值范围下限,将所述参考值范围上限和所述参考值范围下限组成的区间确定为所述严重度级别对应的目标参考值范围。
若所述严重度级别中相邻两个严重度级别分别对应的目标参考值范围存在范围重叠,则使用正态分布概率密度函数模型获得每个严重度级别所对应实际比率的正态分布曲线,并计算相邻两个严重度级别所对应实际比率的正态分布曲线的交点;基于所述交点横坐标确定所述参考值范围上限和/或所述参考值范围下限。
进一步的,基于所述参考值范围上限和所述参考值范围下限以及预设的概率统计函数模型,计算所述参考值范围上限和所述参考值范围下限组成的区间的概率,并将所述概率作为所述严重度级别的目标参考值范围所对应的实际概率。
在一个实施例中,如图2所示,利用各种拍照设备(如数码相机、手机或具有拍照功能的摄像头等)获得某一种植物病害的各个严重度级别的样本植物单元的图像。利用图像处理软件,手动或自动将样本植物单元从图像背景中分割出来,获得样本植物单元区域的分割图像,并将病斑区域从样本植物单元区域中分割出来,获得病斑区域的分割图像。利用图像处理软件提取样本植物单元和病斑区域的面积特征,从而获得样本植物单元区域的植物单元总面积和病斑区域的病斑面积;或者利用图像处理软件统计计算获取的样本植物单元区域的总像素数量和病斑区域的像素数量。根据获得的样本植物单元区域的植物单元总面积和病斑区域的病斑面积或样本植物单元区域的总像素数量和病斑区域的像素数量,由病斑区域的病斑面积(病斑像素数)除以植物单元区域的植物单元总面积(植物单元总像素数)获得病斑区域的病斑面积占植物单元总面积的比率(比率可以百分率或分数等形式表示)。基于获得的各个严重度级别对应样本植物单元的病斑面积占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病斑面积占植物单元总面积比率的平均值和标准差(s)。基于获得的每一级别严重度对应样本植物单元的病斑面积占植物单元总面积比率的平均值和标准差(s),根据预设的算法模型分别计算各个严重度级别对应的病斑面积占植物单元总面积实际比率的90%、95%、99%参考值范围,从其中确定最优的目标参考值范围。对于所述严重度级别中的最低严重度级别,其对应的病斑面积占植物单元总面积实际比率的90%、95%、99%参考值范围的下限从0开始,上限分别利用公式 进行计算得到。
对用于估测各个严重度级别对应的病斑面积占植物单元总面积实际比率的90%、95%、99%参考值范围的样本和未使用样本,依据各个参考值范围进行严重度的评估,以严重度评估准确率为评价指标,或根据严重度评估的准确性要求,选择一套适于相应植物病害的各个严重度级别评估的最优参考值范围(即目标参考值范围),按照此最优参考值范围可对样本植物单元进行严重度评估。
根据发病植物单元或者获取的包含发病植物单元的图像,通过图像处理获得发病植物单元中病斑面积占植物单元总面积的比率,然后根据所建立的各个严重度级别对应的病斑面积占植物单元总面积的实际比率最优参考值范围,评估确定发病植物单元的严重度级别。需要说明的是,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。
下面以小麦条锈病严重度评估为例进行详细说明:
1)获得发生条锈病的小麦,根据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单病叶图像50张,共获得400张病叶图像样本,图像采集所用拍照设备为数码单反、手机等,采集获得的图像分辨率分别为4256×2832像素、3648×2736像素、4032×3024像素,格式均为JEPG,24位图,从而得到包含待评估的发病植物单元的图像。
2)发病叶片的叶片区域的手动分割和像素统计以及病斑区域的手动分割和像素统计。利用图像处理软件打开小麦条锈病单病叶图像,使用快速选择工具选中完整叶片区域,从直方图面板中查看叶片区域像素并进行记录;选择反向,将前景色填充为黑色。使用快速选择工具时,未选择增强边缘,多数情况下,大小选择钢笔压力,设为5像素,硬度为0%,间距为25%,角度为35°,圆度为100%。在完成发病叶片分割后,复制叶片图层(在图像处理软件中该图层名为背景)形成新图层(在图像处理软件中该图层名为图层1)。隐藏背景图层,显示并选中图层1;反复使用魔棒工具选中非病斑区域并将其填充为黑色,完成病斑初步分割;若还有非病斑区域未显示为黑色,则使用套索工具圏中该区域并将其填充为黑色,从而完成对病斑的二次分割;显示背景图层,选中图层1,通过对图层1的反复显示和隐藏,检查病斑区域是否分割完全;检查中若有病斑区域显示为黑色,则选中并隐藏图层1,显示背景图层,使用套索工具圈中该区域并将其清除;直至完全手动分割出病斑区域后,使用魔棒工具点击非病斑区域,然后选择反向,从直方图面板中查看病斑区域像素并进行记录。在使用魔棒工具时,取样大小设为取样点,根据实际选择情况分别对容差值进行调整和对连续选项进行选择;使用套索工具时,羽化设为0像素;以上所有处理,均未选择消除锯齿和对所有图层取样选项。
3)根据记录的叶片区域像素和病斑区域像素数量,按照以下公式计算病斑面积占叶片总面积的百分率(r):
式中,r为病斑面积占叶片总面积的百分率;Ad为病斑区域像素数量,Al为叶片区域总像素数量。按照这一公式,计算获得各个严重度级别所对应的发病叶片图像的病斑面积所占叶片总面积的百分率。
4)利用SAS 9.4软件(SAS Institute Inc.Cary,NC,USA),使用其UNIVARIATE过程分别对不同严重度级别所包含发病叶片的病斑面积占叶片总面积百分率数据进行正态分布检验,检验结果表明每一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。将各个严重度级别所包含发病叶片的病斑面积占叶片总面积百分率数据从大到小进行排序,按照4:1和3:2两个比例,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,分别构建训练集和测试集,将其分别命名为Train40R(表示严重度级别为R时,按照训练集与测试集样本数量之比为4:1时系统抽样获得的40个样本组成的训练集)、Test10R(表示严重度级别为R时,按照训练集与测试集样本数量之比为4:1时系统抽样获得的10个样本组成的测试集)和Train30R(表示严重度级别为R时,按照训练集与测试集样本数量之比为3:2时系统抽样获得的30个样本组成的训练集)、Test20R(表示严重度级别为R时,按照训练集与测试集样本数量之比为3:2时系统抽样获得的20个样本组成的测试集),其中,R为小麦条锈病划分不同严重度级别时所对应的百分率,其值分别为1%、5%、10%、20%、40%、60%、80%、100%。利用SAS 9.4软件中的UNIVARIATE过程分别对每一严重度级别抽样后组成的训练集Train40R和Train30R所包含的实际百分率数据进行正态分布检验,检验结果表明每一严重度级别的训练集Train40R和Train30R所包含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构建的训练集Train40R和Train30R所包含实际百分率数据的平均值和标准差(s),结果见表1。结果表明,基于训练集Train40R和Train30R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,但是相应数值与严重度分级标准中相应级别严重度对应的病斑面积占叶片总面积的百分率差别很大。
表1基于训练集Train40R和Train30R所包含数据的每个病害严重度级别对应的实际百分率平均值和标准差
6)基于5)中计算获得的每一级别严重度训练集Train40R和Train30R所包含实际百分率数据的平均值和标准差(s),根据公式分别计算基于训练集Train40R和Train30R的各个严重度级别对应的病斑面积占叶片总面积实际百分率的90%、95%、99%参考值范围,其中,对于严重度级别1%,其对应的病斑面积占叶片总面积实际比率的90%、95%、99%参考值范围下限从0%开始,上限分别利用预设的算法模型 进行计算。若所述严重度级别中相邻两个严重度级别分别对应的目标参考值范围存在范围重叠,则使用正态分布概率密度函数模型获得每个严重度级别所对应实际比率的正态分布曲线,并计算相邻两个严重度级别所对应实际比率的正态分布曲线的交点;基于所述交点横坐标确定所述参考值范围上限和/或所述参考值范围下限。进一步的,基于所述参考值范围上限和所述参考值范围下限以及预设的概率统计函数模型,计算所述参考值范围上限和所述参考值范围下限组成的区间的概率,并将所述概率作为所述严重度级别的目标参考值范围所对应的实际概率。具体的,在一个抽样比例下,若按照此方法计算出的结果中存在相邻严重度级别的病斑面积占叶片总面积实际百分率的90%、95%或99%参考值范围存在范围重叠的现象,则通过正态分布概率密度函数normpdf(即正态分布概率密度函数模型)分别绘制这一抽样比例下每一级别严重度训练集所包含实际百分率数据的正态分布曲线,然后利用solve函数求出相邻两个严重度级别训练集所包含实际百分率数据正态分布函数曲线的交点,将该交点的横坐标表示为其中,a表示相邻两个严重度级别中的低严重度级别,b表示相邻两个严重度级别中的高严重度级别。在一个抽样比例下,若一个严重度级别R的训练集所包含实际百分率数据正态分布函数曲线与任何相邻严重度级别训练集所包含实际百分率数据正态分布函数曲线没有交点,或者虽有交点,但是这一交点在90%、95%或99%概率范围之外,则该严重度级别R对应的病斑面积占叶片总面积实际百分率的90%、95%或99%参考值范围按照上面描述的公式进行计算获得;若一个严重度级别R的训练集所包含实际百分率数据正态分布函数曲线仅与一个低一级相邻严重度级别训练集所包含实际百分率数据正态分布函数曲线有一交点,并且这一交点在90%、95%或99%概率范围内,则这一交点的横坐标为该严重度级别R对应的病斑面积占叶片总面积实际百分率的90%、95%或99%参考值范围的下限,上限仍按照上面描述的公式,利用normspec函数(即概率统计函数模型)求出该严重度级别R的训练集所包含实际百分率数据正态分布函数曲线中下限和上限组成区间的概率作为该参考值范围所对应的实际概率;若一个严重度级别R的训练集所包含实际百分率数据正态分布函数曲线仅与一个高一级相邻严重度级别训练集所包含实际百分率数据正态分布函数曲线有一交点,并且这一交点在90%、95%或99%概率范围内,则这一交点的横坐标为该严重度级别R对应的病斑面积占叶片总面积实际百分率的90%、95%或99%参考值范围的上限,下限仍按照上面描述的公式,利用normspec函数求出该严重度级别R的训练集所包含实际百分率数据正态分布函数曲线中下限和上限组成区间的概率作为该参考值范围所对应的实际概率;若一个严重度级别R的训练集所包含实际百分率数据正态分布函数曲线与其相邻高低两个严重度级别训练集所包含实际百分率数据正态分布函数曲线各有一交点,并且这两交点均在90%、95%或99%概率范围内,则与低一严重度级别训练集所包含实际百分率数据正态分布函数曲线的交点的横坐标为该严重度级别R对应的病斑面积占叶片总面积实际百分率的90%、95%或99%参考值范围的下限,与高一严重度级别训练集所包含实际百分率数据正态分布函数曲线的交点的横坐标则为参考值范围上限,利用normspec函数求出该严重度级别R的训练集所包含实际百分率数据正态分布函数曲线中下限和上限组成区间的概率作为该参考值范围所对应的实际概率。在该实施例中,由于按照公式计算出的一些相邻严重度级别的95%参考值范围具有范围重叠的现象、计算出的所有相邻严重度级别的99%参考值范围具有范围重叠的现象,针对这种情况,按照上述描述方法获得相应严重度级别的病斑面积占叶片总面积实际百分率的95%或99%参考值范围,虽然其对应的概率发生了改变,但是为了表述方便,仍称之为95%或99%参考值范围。在该实施例中,在两个抽样比例下,小麦条锈病不同严重度级别所对应的病斑面积占叶片总面积实际百分率的90%、95%、99%参考值范围的计算方法均如表2所示。
表2小麦条锈病不同严重度级别所对应的病斑面积占叶片总面积实际百分率的90%、95%、99%参考值范围的计算方法
在4:1抽样比例下,基于每一严重度级别的训练集Train40R所包含的病斑面积占叶片总面积实际百分率数据,获得的每一严重度级别对应的实际百分率90%、95%、99%参考值范围及其所对应的实际概率如表3所示。在3:2抽样比例下,基于每一严重度级别的训练集Train30R所包含的病斑面积占叶片总面积实际百分率数据,获得的每一严重度级别对应的实际百分率90%、95%、99%参考值范围及其所对应的实际概率如表3所示。结果表明,基于训练集Train40R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90%、95%、99%参考值范围与相应的基于训练集Train30R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90%、95%、99%参考值范围相比较,整体上差异很小。
表3基于训练集Train40R和Train30R所包含数据的每一严重度级别对应的实际百分率90%、95%、99%参考值范围及其实际概率
7)利用上述6)中所确定的基于训练集Train40R所包含数据的每一严重度级别对应的实际百分率的90%、95%、99%参考值范围,基于训练集Train40R和测试集Test10R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百分率的90%、95%、99%参考值范围,基于训练集Train30R和测试集Test20R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。利用下式分别计算依据某一参考值范围进行严重度评估时相应数据集中发病叶片的严重度评估准确率(accuracy):
式中,Accuracy表示严重度评估准确率;np表示正确评估的样本数;n为被评估的样本总数。
基于训练集Train40R所包含数据的每一严重度级别对应的实际百分率的90%、95%、99%参考值范围以及训练集Train30R所包含数据的每一严重度级别对应的实际百分率的90%、95%、99%参考值范围,对相应训练集中发病叶片的严重度评估结果如表4所示。结果表明,依据确定的参考值范围对相应的训练集中的样本进行严重度级别评估,均可获得较好的评估准确率。分别基于训练集Train40R所包含数据的每一严重度级别对应的实际百分率的90%、95%、99%参考值范围,对相应训练集中的样本的严重度评估的最低准确率分别为87.50%、95.00%、95.00%。分别基于训练集Train30R所包含数据的每一严重度级别对应的实际百分率的90%、95%、99%参考值范围,对相应训练集中的样本的严重度评估的最低准确率分别为90.00%、96.67%、96.67%。总体来看,每一严重度级别对应的实际百分率的90%参考值范围、95%参考值范围、99%参考值范围对相应训练集的严重度评估效果相比较,99%参考值范围的评估效果最好,95%参考值范围的评估处于中间位置。
表4训练集中小麦条锈病发病叶片严重度评估的结果
基于训练集Train40R所包含数据的每一严重度级别对应的实际百分率的90%、95%、99%参考值范围以及训练集Train30R所包含数据的每一严重度级别对应的实际百分率的90%、95%、99%参考值范围,对相应测试集中发病叶片的严重度评估结果如表5所示。结果表明,依据确定的参考值范围对相应的测试集中的样本进行严重度级别评估,均可获得较好的评估准确率。分别基于训练集Train40R所包含数据的每一严重度级别对应的实际百分率的90%参考值范围,对相应测试集中的样本的严重度评估的最低准确率为90.00%,而基于训练集Train40R所包含数据的每一严重度级别对应的实际百分率的95%、99%参考值范围,对相应测试集中的样本的严重度评估的准确率均达到100.00%。分别基于训练集Train30R所包含数据的每一严重度级别对应的实际百分率的90%、95%、99%参考值范围,对相应测试集中的样本的严重度评估的最低准确率分别为85.00%、95.00%、95.00%。总体来看,每一严重度级别对应的实际百分率的90%参考值范围、95%参考值范围、99%参考值范围对相应训练集的严重度评估效果相比较,99%参考值范围的评估效果最好,95%参考值范围的评估处于中间位置。依据基于训练集Train40R所包含数据的每一严重度级别对应的实际百分率的90%、95%、99%参考值范围对相应测试集中样本的严重度评估效果优于依据相对应的基于训练集Train30R所包含数据的每一严重度级别对应的实际百分率的90%、95%、99%参考值范围对相应测试集中样本的严重度评估效果。
表5测试集中小麦条锈病发病叶片严重度评估的结果
结果表明,按照本发明所提供的基于病斑面积比率的植物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。在实际应用时,可以根据对严重度评估结果准确性的要求,从每一严重度级别对应的实际百分率的90%参考值范围、95%参考值范围、99%参考值范围中选择一套参考值范围作为目标参考值范围即可。
在该实施例中,所获得的小麦条锈病各个严重度级别的病叶数均为50张,按照4:1和3:2两个比例使用系统抽样法进行样本抽样,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90%参考值范围、95%参考值范围、99%参考值范围,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确定的每一严重度级别病斑面积占叶片总面积的实际百分率90%参考值范围、95%参考值范围、99%参考值范围的严重度评估结果优于按照3:2比例建立训练集和测试集确定的每一严重度级别病斑面积占叶片总面积的实际百分率90%参考值范围、95%参考值范围、99%参考值范围的严重度评估结果。若能获得更多的各个严重度级别的样本,按照本发明提供的方法,应该能够确定更加理想的每一严重度级别病斑面积占叶片总面积的实际百分率90%参考值范围、95%参考值范围、99%参考值范围,应该可以获得更优的严重度评估结果。
本发明提供的方法适合于所有依据发病面积占植物发病单元面积的比率进行严重度级别划分的植物病害,提供了每一严重度级别病斑面积占叶片总面积的实际百分率90%参考值范围、95%参考值范围、99%参考值范围的确定方法,彻底解决了依据病斑面积占叶片总面积的比率进行植物病害严重度评估时严重度级别划分标准中病斑面积占叶片总面积的比率与病斑面积占叶片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。
本发明提供的实施例中各个严重度级别的病斑面积比率数据符合正态分布,若在实际中利用该方法确定某一病害严重度级别参考值范围时所用样本的病斑面积比率数据不符合正态分布,参考值范围的确定方式会有所改变,可以对数据进行变换使其符合正态分布后再利用本发明提供的方法确定参考值范围或利用相应概率的双侧百分位数/单侧百分位数的方式确定参考值范围,但是整体的思路仍是在本发明提供的方法思路范围内。
本发明提供了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,该方法易于操作、快速、准确性高。本发明提供的方法通过获得的植物病害的每一严重度级别样本的病斑面积占植物单元总面积的实际比率,计算获得每一严重度级别样本的病斑面积实际比率的平均值和标准差,估计每一严重度级别病斑面积占植物单元总面积实际比率的(90%、95%或99%)参考值范围(即目标参考值范围),根据选择的最优参考值范围或适当参考值范围,便可以基于获得的病斑面积占植物单元总面积实际比率直接评估相应发病植物单元的严重度。本发明提供的方法适用于所有依据病斑面积占植物单元总面积比率进行严重度分级划分的植物病害,从根本上解决了植物病害严重度级别评估划分难度大问题,并彻底克服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,由于有些植物病害的严重度分级标准中病斑面积占植物单元总面积的比率并非是病斑面积占植物单元总面积的实际比率,而导致严重度评估误差大,甚至出现评估严重错误的问题。
本发明提供的基于病斑面积比率的植物病害严重度评估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比率90%、95%、99%参考值范围确定方法,提供的用于严重度评估的植物病害每一严重度级别所对应的病斑面积占植物单元面积的实际比率范围是依据相应严重度级别的绝大多数(90%、95%、99%)发病植物单元的病斑面积占植物单元面积的实际比率估测的参考值范围,严重度评估依据更加直接和直观,更便于对植物病害严重度的理解,更便于实际操作。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基础和思路,有利于实现植物病害严重度评估的自动化和智能化,有利于提高植物病害严重度评估的准确性,可为病害表型测定、病害监测、病害预测预报、病害防治策略制定等提供更可靠的支撑。
本发明所述的基于病斑面积比率的植物病害严重度评估方法,通过获得待评估的发病植物单元中病斑面积占发病植物单元总面积的当前比率,以及预设的严重度级别对应的病斑面积占植物单元总面积实际比率的目标参考值范围,对所述发病植物单元进行严重度评估,确定所述发病植物单元对应的严重度级别;所述目标参考值范围是基于严重度级别对应的样本植物单元中病斑面积占植物单元总面积的实际比率进行平均值和标准差分析得到的。其能够有效提高植物病害严重度评估的准确性和稳定性,从而为病害监测、病害预测预报、病害防治策略制定等提供更可靠的支撑,对于植物病害的调查、监测、预测预报和防控具有重要意义。
与上述提供的一种基于病斑面积比率的植物病害严重度评估方法相对应,本发明还提供一种基于病斑面积比率的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,下面描述的基于病斑面积比率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基于病斑面积比率的植物病害严重度评估装置的结构示意图。本发明所述的一种基于病斑面积比率的植物病害严重度评估装置具体包括如下部分:
发病植物单元确定单元301,用于确定待评估的发病植物单元;
当前比率获得单元302,用于获得所述发病植物单元中病斑面积占发病植物单元总面积的当前比率;
病害严重度评估单元303,用于基于所述当前比率和预设的严重度级别对应的病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估,确定所述发病植物单元对应的严重度级别;其中,所述目标参考值范围是基于严重度级别对应的样本植物单元中病斑面积占植物单元总面积的实际比率进行平均值和标准差分析得到的。
本发明所述的基于病斑面积比率的植物病害严重度评估装置,能够有效提高植物病害严重度评估的准确性和稳定性,从而为病害监测、病害预测预报、病害防治策略制定等提供更可靠的支撑。
与上述提供的基于病斑面积比率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,以执行基于病斑面积比率的植物病害严重度评估方法,该方法包括:确定待评估的发病植物单元;获得所述发病植物单元中病斑面积占发病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病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估,确定发病植物单元对应的严重度级别;目标参考值范围是基于严重度级别对应的样本植物单元中病斑面积占植物单元总面积的实际比率进行平均值和标准差分析得到的。
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基于病斑面积比率的植物病害严重度评估方法,该方法包括:确定待评估的发病植物单元;获得所述发病植物单元中病斑面积占发病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病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估,确定所述发病植物单元对应的严重度级别;其中,所述目标参考值范围是基于严重度级别对应的样本植物单元中病斑面积占植物单元总面积的实际比率进行平均值和标准差分析得到的。
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基于病斑面积比率的植物病害严重度评估方法,该方法包括:确定待评估的发病植物单元;获得所述发病植物单元中病斑面积占发病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病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估,确定所述发病植物单元对应的严重度级别;其中,所述目标参考值范围是基于严重度级别对应的样本植物单元中病斑面积占植物单元总面积的实际比率进行平均值和标准差分析得到的。
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)
1.一种基于病斑面积比率的植物病害严重度评估方法,其特征在于,包括:
确定待评估的发病植物单元;
获得所述发病植物单元中病斑面积占发病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病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估,确定所述发病植物单元对应的严重度级别;其中,所述目标参考值范围是基于严重度级别对应的样本植物单元中病斑面积占植物单元总面积的实际比率进行平均值和标准差分析得到的。
2.根据权利要求1所述的基于病斑面积比率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病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估之前,还包括:
获取各个严重度级别对应的样本植物单元的图像;
对所述图像进行分割,获得样本植物单元区域和样本病斑区域;
确定所述样本植物单元区域的植物单元总面积和所述样本病斑区域的病斑面积;
确定各个严重度级别对应的所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率;
基于所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率,分别计算所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差;
基于所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,确定所述严重度级别对应的目标参考值范围。
3.根据权利要求2所述的基于病斑面积比率的植物病害严重度评估方法,其特征在于,基于所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率,分别计算所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,具体包括:
将每个严重度级别分别对应的所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率分别作为每个严重度级别分别对应的训练集,基于所述训练集分别计算所述每个严重度级别对应的实际比率的平均值和实际比率的标准差。
4.根据权利要求1所述的基于病斑面积比率的植物病害严重度评估方法,其特征在于,基于所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,确定所述严重度级别对应的目标参考值范围,具体包括:
基于所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,以及预设的算法模型,分别计算获得所述严重度级别对应的病斑面积占植物单元总面积的实际比率的参考值范围上限和参考值范围下限,将所述参考值范围上限和所述参考值范围下限组成的区间确定为所述严重度级别对应的目标参考值范围。
5.根据权利要求4所述的基于病斑面积比率的植物病害严重度评估方法,其特征在于,还包括:
若所述严重度级别中相邻两个严重度级别分别对应的目标参考值范围存在范围重叠,则使用正态分布概率密度函数模型获得每个严重度级别所对应实际比率的正态分布曲线,并计算相邻两个严重度级别所对应实际比率的正态分布曲线的交点;
基于所述交点横坐标确定所述参考值范围上限和/或所述参考值范围下限。
6.根据权利要求4所述的基于病斑面积比率的植物病害严重度评估方法,其特征在于,还包括:
基于所述参考值范围上限和所述参考值范围下限以及预设的概率统计函数模型,计算所述参考值范围上限和所述参考值范围下限组成的区间的概率,并将所述概率作为所述严重度级别的目标参考值范围所对应的实际概率。
7.一种基于病斑面积比率的基于病斑面积比率的植物病害严重度评估装置,其特征在于,包括:
发病植物单元确定单元,用于确定待评估的发病植物单元;
当前比率获得单元,用于获得所述发病植物单元中病斑面积占发病植物单元总面积的当前比率;
病害严重度评估单元,用于基于所述当前比率和预设的严重度级别对应的病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估,确定所述发病植物单元对应的严重度级别;其中,所述目标参考值范围是基于严重度级别对应的样本植物单元中病斑面积占植物单元总面积的实际比率进行平均值和标准差分析得到的。
8.根据权利要求7所述的基于病斑面积比率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病斑面积占植物单元总面积实际比率的目标参考值范围对所述发病植物单元进行严重度评估之前,还包括:
样本植物单元图像获取单元,用于获取各个严重度级别对应的样本植物单元的图像;
样本植物单元图像分割单元,用于对所述图像进行分割,获得样本植物单元区域和样本病斑区域;
面积确定单元,用于确定所述样本植物单元区域的植物单元总面积和所述样本病斑区域的病斑面积;
比率确定单元,用于确定各个严重度级别对应的所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率;
处理单元,用于基于所述样本病斑区域的病斑面积占所述样本植物单元区域的植物单元总面积的比率,分别计算所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差;
目标参考值范围确定单元,用于基于所述严重度级别对应的病斑面积占植物单元总面积的实际比率的平均值和标准差,确定所述严重度级别对应的目标参考值范围。
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任意一项所述的基于病斑面积比率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任意一项所述的基于病斑面积比率的植物病害严重度评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210744884.6A CN115292887A (zh) | 2022-06-27 | 2022-06-27 | 基于病斑面积比率的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 |
---|---|---|---|
CN202210744884.6A CN115292887A (zh) | 2022-06-27 | 2022-06-27 | 基于病斑面积比率的植物病害严重度评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115292887A true CN115292887A (zh) | 2022-11-04 |
Family
ID=83820063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210744884.6A Pending CN115292887A (zh) | 2022-06-27 | 2022-06-27 | 基于病斑面积比率的植物病害严重度评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292887A (zh) |
Cited By (1)
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 |
-
2022
- 2022-06-27 CN CN202210744884.6A patent/CN115292887A/zh active Pending
Cited By (2)
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 |
---|---|---|
WO2022184088A1 (zh) | 一种基于集成学习的洪水敏感性风险评估方法 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
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 | |
US11756199B2 (en) | Image analysis in pathology | |
CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
CN111462919B (zh) | 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统 | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
CN112183557A (zh) | 基于胃癌组织病理图像纹理特征的msi预测模型构建方法 | |
CN114612664A (zh) | 一种基于双边分割网络的细胞核分割方法 | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
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 | |
CN113657449A (zh) | 一种含噪标注数据的中医舌象腐腻分类方法 | |
CN117495735A (zh) | 一种基于结构引导的建筑物立面纹理自动修复方法及系统 | |
CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
CN114299490B (zh) | 一种肿瘤微环境异质性评价方法 | |
CN115170548A (zh) | 基于无监督学习的皮革缺陷自动检测方法及装置 | |
CN114998732A (zh) | 一种植物病害严重度评估方法及装置 | |
CN114997300A (zh) | 基于监督学习的小麦条锈病严重度评估方法 | |
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 | |
CN116403211A (zh) | 一种基于单细胞病理图像细胞核的分割和聚类方法及系统 | |
CN111401275A (zh) | 一种用于识别草地边缘的信息处理方法和装置 | |
CN115236092B (zh) | 基于光学手段的古琴表面材料破损检测识别方法 | |
CN111553369B (zh) | 前列腺癌穿刺病理图像的格里森自动分级方法和装置 |
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 |