CN115471747B - 一种山茶花病虫害和生理病害的ai快速判识方法及应用 - Google Patents

一种山茶花病虫害和生理病害的ai快速判识方法及应用 Download PDF

Info

Publication number
CN115471747B
CN115471747B CN202211058272.8A CN202211058272A CN115471747B CN 115471747 B CN115471747 B CN 115471747B CN 202211058272 A CN202211058272 A CN 202211058272A CN 115471747 B CN115471747 B CN 115471747B
Authority
CN
China
Prior art keywords
disease
physiological
camellia
image
characteristic
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
Application number
CN202211058272.8A
Other languages
English (en)
Other versions
CN115471747A (zh
Inventor
孙映波
刘小飞
朱根发
于波
黄丽丽
杨钰钗
曾奕东
曾润东
杨保雨
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.)
Guangzhou Qiniu Information Technology Co ltd
Environmental Horticulture Institute of Guangdong Academy of Agricultural Sciences
Original Assignee
Guangzhou Qiniu Information Technology Co ltd
Environmental Horticulture Institute of Guangdong Academy of Agricultural Sciences
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 Guangzhou Qiniu Information Technology Co ltd, Environmental Horticulture Institute of Guangdong Academy of Agricultural Sciences filed Critical Guangzhou Qiniu Information Technology Co ltd
Priority to CN202211058272.8A priority Critical patent/CN115471747B/zh
Publication of CN115471747A publication Critical patent/CN115471747A/zh
Application granted granted Critical
Publication of CN115471747B publication Critical patent/CN115471747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/188Vegetation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/30Noise filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/56Extraction of image or video features relating to colour
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761Proximity, similarity or dissimilarity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种山茶花病虫害和生理病害的AI快速判识方法及应用,通过网络爬虫技术收集网络上山茶花的病虫害特征和生理病害特征图像和数据以及解决方法,并对其进行分析和对应,通过对收集到的病害特征图像进行预处理,并和病害特征数据结合计算得到病虫害特征值、生理病害特征值和生理辨识值,并通过对生理辨识值划分得到若干区间值,通过所述区间值判别出不同病害类型,将不同的病虫害和生理病害类型与病害的防治措施相对应,并且通过AI快速识别并处理的方式,将现时获取的山茶花的病害部位图像快速判别病害类型并将所述病虫害和生理病害防治措施输出,能够及时地在生产中对山茶花病虫害和生理病害得到有效解决。

Description

一种山茶花病虫害和生理病害的AI快速判识方法及应用
技术领域
本发明涉及农作物病虫害和生理病害判别领域,具体涉及一种山茶花病虫害和生理病害的AI快速判识方法及应用。
背景技术
山茶花是中国传统的观赏性花卉之一,并且山茶花也可以当作中药使用,并且具有很高的药用价值,所以培养山茶花也是我国一分重要的工作,但是培育山茶花主要涉及到了种苗的嫁接、扦插等繁殖工作及成苗的栽培过程,并且山茶花的育苗时间较长,栽培成长周期也长;所以在栽培过程中,要尽量的避免山茶花出现病虫害和生理病害,每年因为山茶花的病虫害和生理病害导致山茶花无法进行光合作用而慢慢枯死的例子并不少。但是由于山茶花出现虫害和生理病害的特征并不明显,并且有些特征并不能快速的做出判断,就会影响对山茶花做出防治措施的时间,并且山茶花的生理病害症状特征类似,要对症状分辨出来需要多年的经验,所以现在亟需一种山茶花病虫害和生理病害的AI快速判识方法及应用来解决上述问题。
发明内容
本发明的目的在于提出一种山茶花病虫害和生理病害的AI快速判识方法及应用,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,根据本发明的一方面,提供一种山茶花病虫害和生理病害的AI快速判识方法,所述方法包括以下步骤:
S100:收集山茶花的病虫害和生理病害的判断特征图像;
S200:对所述山茶花的病虫害和生理病害的判断特征图像进行图像转换;
S300:获取山茶花病害部位图像并对其进行分析得到病虫害特征和生理病害特征;
S400:通过病虫害特征和生理病害特征得到生理辨识值;
S500:通过生理辨识值对山茶花的病虫害和生理病害进行判断。
进一步地,在步骤S100中,通过网络爬虫技术在网络上对山茶花的病虫害和生理病害的图像及生理特征进行收集,并且将山茶花的病虫害特征数据和生理病害的特征数据及对应的特征图像进行区分判别并存储到病虫害和生理病害特征数据库中,并通过AI对病虫害和生理病害特征数据库中特征数据和特征图像数据进行提取。
优选地,通过网络爬虫技术选取的山茶花的病虫害和生理病害的图像通过图像预处理,将图像山茶花病虫害和生理病害部位的大小与山茶花的比例调整为一致,已确定通过病虫害和生理病害部位的大小对病虫害和生理病害类型判定的准确性,并且通过DCT(离散余弦变换)对图像色彩进行增强;
进一步地,在步骤S200中,对病虫害特征数据和生理病害的特征数据和对应的特征图像数据进行匹配对应,并通过以下步骤对所述特征图像数据进行转换;
将所述特征图像数据转化为色彩特征图像,对所述色彩特征图通过山茶花的部位进行分类,分别分为叶片区域图像、树干区域图像、树梢区域图像和花区域图像,并将所述叶片区域图像构建集合L,树干区域图像构建集合T,树梢区域图像构建集合S,花区域构建集合F,病虫害的特征范围在叶片区域和花区域中表现,对所述集合L和F提取其图像的RGB值,并将叶片与花中获取的RGB值的G通道最小值为LFmin,获取的RGB值的G通道最大值为LFmax,并将叶片与花的病虫害区间定义为[LFmin,LFmax],并通过计算得到判别跃迁系数λ;
所述生理病害的特征范围在叶片区域、树干区域、树梢区域和花区域中表现,所以获取树梢区域图像和树干区域图像中的RGB值的R通道、G通道和B通道的算术平均数avg(R)、avg(G)、avg(B),所述avg()为获取算术平均数函数;
通过对所述特征图像色彩进行预处理,所述预处理包括图像降噪和灰度化,将所述特征图像转化为灰度图像,获取灰度图像中像素点的灰度值,并对所述像素点的灰度值进行划分,将灰度值在灰色区间内的区域定义为判别区域,并通过判别区域的灰度值得到判别区域的阈值区间D,D=[GPI,GPL],所述GPI和GPL均为灰度图像中灰度值阈值,GPI为灰度最小值,GPL为灰度最大值,将所述灰度图像中的判别区域进行边缘处理,得到边缘特征图像,对所有的边缘特征图像的边缘检测点进行记录,并且将边缘特征图像中两个边缘检测点的欧氏距离的最大值为OB,并且将边缘特征图像的达到欧氏距离最大值OB的边缘检测点的坐标记为(x1i,y1i)、(x2i,y2i),所述i为边缘特征图像序号,i∈[1,M],M为边缘检测点的记录数量总和。
进一步地,在步骤S300中,通过工业面阵相机对山茶花病害部位进行扫描,获取山茶花病害部位图像,并通过以下步骤对山茶花病害部位图像进行判别:
S301:将所述山茶花病害部位图像的RGB进行提取,并对其RGB值分别通过R、G、B通道的数值对山茶花病害部位的颜色进行判断,将提取的RGB值设为(r,g,b),将所述山茶花病害部位图像的RGB值代入判别跃迁系数λ,并通过计算得到病虫害特征函数,得到病虫害特征值INP,若病虫害特征值INP∈D,则判定为病虫害特征,若INP>GPL或INP<GPI,则转到步骤S302中;
S302:将所述山茶花病害部位图像的RGB进行提取,并对其RGB值分别通过R、G、B通道的数值对山茶花病害部位的颜色进行判断,将提取的RGB值设为(r,g,b),将所述山茶花病害部位图像的RGB值与判定生理病害的RGB通道的算术平均数进行计算得到生理病害特征值PHD,PHD=exp(r×avg(R)+g×avg(G)+b×avg(B))/log(avg(R)avg(G)avg(B)),exp()是以自然常数e为底的指数函数,log()是以2为底的指数函数,山茶花的生理病害颜色众多,并且形状不规律故通过所述生理病害特征值PHD与集合D进行对比得到生理病害初步判断,若生理病害特征值PHD∈D,则判定为初步生理病害特征,则转到S303,若PHD>GPL或PHD<GPI,则转到S301;
S303:以当前山茶花病害部位图像进行图像降噪与灰度化,得到山茶花病害部位灰度图像,并以灰度图中山茶花病害与背景的边界为基准线,基准线上的各个点依次向图像的中心区域构建线段,并对灰度值发生突变的点位记录为生理病害点,将所有生理病害点与所述基准线构成的线段构建集合XD,通过计算得到线段的阈值G,以每次遍历k值递增1的顺序依次遍历集合XD,若≥G,则说明处于溢出状态,从之后的生理病害点为第二病害点,将坐标重新建立基准线,并通过此基准线向图像中心的区域判别为生理病害区域,并且将第二病害点构建集合EH,通过计算得到最终生理病害特征值ZSL。
通过上述方法获得病虫害特征值INP、生理病害特征值PHD和最终生理病害特征值ZSL得有益效果为:对上述方法山茶花的病害进行判断,大大简化了计算的复杂度,并且降低了运用系统对山茶花病害类型的学习成本,由此减少了无线传感器网络的节点计算复杂度成本,通过对获取的山茶花病害部位图像,并对所述图像进行RGB分析和对山茶花病害部位边缘处理,通过对山茶花病害部位的RGB值分析可以分辨出肉眼分辨不出的颜色区别,通过对山茶花病害部位边缘处理,得到山茶花病害部位的大小与形状,以此来对山茶花病害类型进行判别。
进一步地,在步骤S400中,通过判定为具有病虫害特征值INP和最终生理病害特征值ZSL通过比例得到生理辨识值S,S=(mean(INP)+mean(ZSL))/2,mean()为提取数组中元素的平均值函数,通过病虫害特征值INP、初步生理病害特征值PHD和最终生理病害特征值ZSL与所述生理辨识值进行对比,并通过得到的对比值将生理辨识值划分为若干个区间值,通过不同的区间值对不同的病虫害特征和生理病害特征进行对应,并通过区间值对山茶花病虫害和生理病害类型进行判别。
进一步地,一种山茶花病虫害和生理病害的AI快速判识方法及应用,在步骤S500中,通过工业面阵相机拍摄山茶花病害部位色彩图片,并将所述图片通过AI方式对山茶花的生理病害进行判别,并通过判别输出的病虫害特征和生理病害特征与生理辨识值进行判断,并输出病害的类型与解决病害的有效措施,达到及时对山茶花病害做到有效的防治。
进一步地,所述应用基于系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中,所述单元包括采集图像单元和处理器网络单元,所述采集图像单元和处理器网络单元在所述处理器中运行的计算机程序,所述处理器执行所述计算机程序时实现如上述方法中任一一种山茶花病虫害和生理病害的AI快速判识方法;
所述单元包括:
采集图像单元:使用工业面阵相机采集山茶花病害部位的图像;
处理器网络单元:用于获取山茶花病虫害和生理病害部位图像及数据,对图像及数据进行处理。
本发明的有益效果为:本发明通过获取山茶花的病害部位图像,并对其色彩病害边缘分析等图像处理手段得到病虫害特征值、初步生理病害特征值和最终生理病害特征值,通过所述特征值与现场获取的山茶花病害部位图像通过AI快速进行判别,大大减少了人力资源的消耗,并且准确性大大提高,通过病虫害特征值、初步生理病害特征值和最终生理病害特征值与生理辨识值获得不同的区间值,在不同的区间值代表不同的病虫害特征和生理病害特征将它与病害的防治方法相对应,并直接输出其对应的防治方法,可以做到有效的对山茶花病虫害和生理病害做到及时防治,大大增加山茶花的产量和质量。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅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,在附图中:
图1所示为一种山茶花病虫害和生理病害的AI快速判识方法及应用的流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面结合图1来阐述根据本发明的实施方式的一种山茶花病虫害和生理病害的AI快速判识方法,所述方法包括以下步骤:
S100:收集山茶花的病虫害和生理病害的判断特征图像;
S200:对所述山茶花的病虫害和生理病害的判断特征图像进行图像转换;
S300:获取山茶花病害部位图像并对其进行分析得到病虫害特征和生理病害特征;
S400:通过病虫害特征和生理病害特征得到生理辨识值;
S500:通过生理辨识值对山茶花的病虫害和生理病害进行判断。
进一步地,在步骤S100中,通过网络爬虫技术在网络上对山茶花的病虫害和生理病害的图像及生理特征进行收集,并且将山茶花的病虫害特征数据和生理病害的特征数据及对应的特征图像进行区分判别并存储到病虫害和生理病害特征数据库中,并通过AI对病虫害和生理病害特征数据库中特征数据和特征图像数据进行提取。
优选地,通过网络爬虫技术选取的山茶花的病虫害和生理病害的图像通过图像预处理,将图像山茶花病虫害和生理病害部位的大小与山茶花的比例调整为一致,已确定通过病虫害和生理病害部位的大小对病虫害和生理病害类型判定的准确性,并且通过DCT(离散余弦变换)对图像色彩进行增强;
进一步地,在步骤S200中,对病虫害特征数据和生理病害的特征数据和对应的特征图像数据进行匹配对应,并通过以下步骤对所述特征图像数据进行转换;
将所述特征图像数据转化为色彩特征图像,对所述色彩特征图通过山茶花的部位进行分类,分别分为叶片区域图像、树干区域图像、树梢区域图像和花区域图像,并将所述叶片区域图像构建集合L,树干区域图像构建集合T,树梢区域图像构建集合S,花区域构建集合F,病虫害的特征范围在叶片区域和花区域中表现,对所述集合L和F提取其图像的RGB值,并将叶片与花中获取的RGB值的G通道最小值为LFmin,获取的RGB值的G通道最大值为LFmax,并将叶片与花的病虫害区间定义为[LFmin,LFmax],并通过计算得到判别跃迁系数λ;
所述生理病害的特征范围在叶片区域、树干区域、树梢区域和花区域中表现,所以获取树梢区域图像和树干区域图像中的RGB值的R通道、G通道和B通道的算术平均数avg(R)、avg(G)、avg(B),所述avg()为获取算术平均数函数;
通过对所述特征图像色彩进行预处理,所述预处理包括图像降噪和灰度化,将所述特征图像转化为灰度图像,获取灰度图像中像素点的灰度值,并对所述像素点的灰度值进行划分,将灰度值在灰色区间内的区域定义为判别区域,并通过判别区域的灰度值得到判别区域的阈值区间D,D=[GPI,GPL],所述GPI和GPL均为灰度图像中灰度值阈值,GPI为灰度最小值,GPL为灰度最大值,将所述灰度图像中的判别区域进行边缘处理,得到边缘特征图像,对所有的边缘特征图像的边缘检测点进行记录,并且将边缘特征图像中两个边缘检测点的欧氏距离的最大值为OB,并且将边缘特征图像的达到欧氏距离最大值OB的边缘检测点的坐标记为(x1i,y1i)、(x2i,y2i),所述i为边缘特征图像序号,i∈[1,M],M为边缘检测点的记录数量总和。
进一步地,在步骤S300中,通过工业面阵相机对山茶花病害部位进行扫描,获取山茶花病害部位图像,并通过以下步骤对山茶花病害部位图像进行判别:
S301:将所述山茶花病害部位图像的RGB进行提取,并对其RGB值分别通过R、G、B通道的数值对山茶花病害部位的颜色进行判断,将提取的RGB值设为(r,g,b),将所述山茶花病害部位图像的RGB值代入判别跃迁系数λ,并通过计算得到病虫害特征函数,得到病虫害特征值INP,若病虫害特征值INP∈D,则判定为病虫害特征,若INP>GPL或INP<GPI,则转到步骤S302中;
S302:将所述山茶花病害部位图像的RGB进行提取,并对其RGB值分别通过R、G、B通道的数值对山茶花病害部位的颜色进行判断,将提取的RGB值设为(r,g,b),将所述山茶花病害部位图像的RGB值与判定生理病害的RGB通道的算术平均数进行计算得到生理病害特征值PHD,PHD=exp(r×avg(R)+g×avg(G)+b×avg(B))/log(avg(R)avg(G)avg(B)),exp()是以自然常数e为底的指数函数,log()是以2为底的指数函数,山茶花的生理病害颜色众多,并且形状不规律故通过所述生理病害特征值PHD与集合D进行对比得到生理病害初步判断,若生理病害特征值PHD∈D,则判定为初步生理病害特征,则转到S303,若PHD>GPL或PHD<GPI,则转到S301;
S303:以当前山茶花病害部位图像进行图像降噪与灰度化,得到山茶花病害部位灰度图像,并以灰度图中山茶花病害与背景的边界为基准线,基准线上的各个点依次向图像的中心区域构建线段,并对灰度值发生突变的点位记录为生理病害点,将所有生理病害点与所述基准线构成的线段构建集合XD,通过计算得到线段的阈值G,以每次遍历k值递增1的顺序依次遍历集合XD,若≥G,则说明处于溢出状态,从之后的生理病害点为第二病害点,将坐标重新建立基准线,并通过此基准线向图像中心的区域判别为生理病害区域,并且将第二病害点构建集合EH,通过计算得到最终生理病害特征值ZSL。
通过上述方法获得病虫害特征值INP、生理病害特征值PHD和最终生理病害特征值ZSL得有益效果为:对上述方法山茶花的病害进行判断,大大简化了计算的复杂度,并且降低了运用系统对山茶花病害类型的学习成本,由此减少了无线传感器网络的节点计算复杂度成本,通过对获取的山茶花病害部位图像,并对所述图像进行RGB分析和对山茶花病害部位边缘处理,通过对山茶花病害部位的RGB值分析可以分辨出肉眼分辨不出的颜色区别,通过对山茶花病害部位边缘处理,得到山茶花病害部位的大小与形状,以此来对山茶花病害类型进行判别。
进一步地,在步骤S400中,通过判定为具有病虫害特征值INP和最终生理病害特征值ZSL,通过比例得到生理辨识值S,S=(mean(INP)+mean(ZSL))/2,mean()为提取数组中元素的平均值函数,通过病虫害特征值INP、初步生理病害特征值PHD和最终生理病害特征值ZSL与所述生理辨识值进行对比,并通过得到的对比值将生理辨识值划分为若干个区间值,通过不同的区间值对不同的病虫害特征和生理病害特征进行对应,并通过区间值对山茶花病害类型进行判别。
进一步地,一种山茶花病虫害和生理病害的AI快速判识方法及应用,在步骤S500中,通过工业面阵相机拍摄山茶花病害部位色彩图片,并将所述图片通过AI方式对山茶花的生理病害进行判别,并通过判别输出的病害特征值与生理辨识值进行判断,并输出病害的类型与解决病害的有效措施,达到及时对山茶花病害做到有效的防治。
进一步地,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中,所述单元包括采集图像单元和处理器网络单元,所述采集图像单元和处理器网络单元在所述处理器中运行的计算机程序,所述处理器执行所述计算机程序时实现如上述方法中任一一种山茶花病虫害和生理病害的AI快速判识方法;
所述单元包括:
采集图像单元:使用工业面阵相机采集山茶花病害部位的图像;
处理器网络单元:用于获取山茶花病虫害和生理病害部位图像及数据,对图像及数据进行处理。
所述处理器执行所述计算机程序时实现所述结合山茶花病虫害和生理病害的AI快速判识获取山茶花病害部位图像中的步骤,所述结合山茶花病虫害和生理病害的AI快速判识系统可以应用于台式计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中,可运行的系统可包括,但不仅限于,处理器、存储器、服务器集群。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。

Claims (4)

1.一种山茶花病虫害和生理病害的AI快速判识方法,其特征在于,所述方法包括以下步骤:
S100:收集山茶花的病虫害和生理病害的判断特征图像;
S200:对所述山茶花的病虫害和生理病害的判断特征图像进行图像转换;
S300:获取山茶花病害部位图像并对其进行分析得到病虫害特征和生理病害特征;
S400:通过病虫害特征和生理病害特征得到生理辨识值;
S500:通过生理辨识值对山茶花的病虫害和生理病害进行判断;
在步骤S200中,对病虫害特征数据和生理病害的特征数据和对应的特征图像数据进行匹配对应,并通过以下步骤对所述特征图像数据进行转换;
将所述特征图像数据转化为色彩特征图像,对所述色彩特征图通过山茶花的部位进行分类,分别分为叶片区域图像、树干区域图像、树梢区域图像和花区域图像,并将所述叶片区域图像构建集合L,树干区域图像构建集合T,树梢区域图像构建集合S,花区域构建集合F,病虫害的特征范围在叶片区域和花区域中表现,对所述集合L和F提取其图像的RGB值,并将叶片与花中获取的RGB值的G通道最小值为LFmin,获取的RGB值的G通道最大值为LFmax,并将叶片与花的病虫害区间定义为[LFmin,LFmax],并通过计算得到判别跃迁系数λ;
所述生理病害的特征范围在叶片区域、树干区域、树梢区域和花区域中表现,所以获取树梢区域图像和树干区域图像中的RGB值的R通道、G通道和B通道的算术平均数avg(R)、avg(G)、avg(B),所述avg()为获取算术平均数函数;
通过对所述特征图像色彩进行预处理,所述预处理包括图像降噪和灰度化,将所述特征图像转化为灰度图像,获取灰度图像中像素点的灰度值,并对所述像素点的灰度值进行划分,将灰度值在灰色区间内的区域定义为判别区域,并通过判别区域的灰度值得到判别区域的阈值区间D,D=[GPI,GPL],所述GPI和GPL均为灰度图像中灰度值阈值,GPI为灰度最小值,GPL为灰度最大值,将所述灰度图像中的判别区域进行边缘处理,得到边缘特征图像,对所有的边缘特征图像的边缘检测点进行记录,并且将边缘特征图像中两个边缘检测点的欧氏距离的最大值为OB,并且将边缘特征图像的达到欧氏距离最大值OB的边缘检测点的坐标记为(x1i,y1i)、(x2i,y2i),所述i为边缘特征图像序号,i∈[1,M],M为边缘检测点的记录数量总和;
在步骤S300中,通过工业面阵相机对山茶花病害部位进行扫描,获取山茶花病害部位图像,并通过以下步骤对山茶花病害部位图像进行判别:
S301:将所述山茶花病害部位图像的RGB进行提取,并对其RGB值分别通过R、G、B通道的数值对山茶花病害部位的颜色进行判断,将提取的RGB值设为(r,g,b),将所述山茶花病害部位图像的RGB值代入判别跃迁系数λ,并通过计算得到病虫害特征函数,得到病虫害特征值INP,若病虫害特征值INP∈D,则判定为病虫害特征,若INP>GPL或INP<GPI,则转到步骤S302中;
S302:将所述山茶花病害部位图像的RGB进行提取,并对其RGB值分别通过R、G、B通道的数值对山茶花病害部位的颜色进行判断,将提取的RGB值设为(r,g,b),将所述山茶花病害部位图像的RGB值与判定生理病害的RGB通道的算术平均数进行计算得到生理病害特征值PHD,PHD=exp(r×avg(R)+g×avg(G)+b×avg(B))/log(avg(R)avg(G)avg(B)),exp()是以自然常数e为底的指数函数,log()是以2为底的指数函数,山茶花的生理病害颜色众多,并且形状不规律故通过所述生理病害特征值PHD与集合D进行对比得到生理病害初步判断,若生理病害特征值PHD∈D,则判定为初步生理病害特征,则转到S303,若PHD>GPL或PHD<GPI,则转到S301;
S303:以当前山茶花病害部位图像进行图像降噪与灰度化,得到山茶花病害部位灰度图像,并以灰度图中山茶花病害与背景的边界为基准线,基准线上的各个点依次向图像的中心区域构建线段,并对灰度值发生突变的点位记录为生理病害点,将所有生理病害点与所述基准线构成的线段构建集合XD,通过计算得到线段的阈值G,以每次遍历k值递增1的顺序依次遍历集合XD,若≥G,则说明处于溢出状态,从之后的生理病害点为第二病害点,将坐标重新建立基准线,并通过此基准线向图像中心的区域判别为生理病害区域,并且将第二病害点构建集合EH,通过计算得到最终生理病害特征值ZSL;
在步骤S400中,通过判定为具有病虫害特征值INP和最终生理病害特征值ZSL通过比例得到生理辨识值S,S=(mean(INP)+mean(ZSL))/2,mean()为提取数组中元素的平均值函数,通过病虫害特征值INP、初步生理病害特征值PHD和最终生理病害特征值ZSL与所述生理辨识值进行对比,并通过得到的对比值将生理辨识值划分为若干个区间值,通过不同的区间值对不同的病虫害特征和生理病害特征进行对应,并通过区间值对山茶花病害类型进行判别。
2.根据权利要求1所述的一种山茶花病虫害和生理病害的AI快速判识方法,其特征在于,在步骤S100中,通过网络爬虫技术在网络上对山茶花的病虫害和生理病害的图像及生理特征进行收集,并且将山茶花的病虫害特征数据和生理病害的特征数据及对应的特征图像进行区分判别并存储到病虫害和生理病害特征数据库中,并通过AI对病虫害和生理病害特征数据库中特征数据和特征图像数据进行提取。
3.根据权利要求1所述的一种山茶花病虫害和生理病害的AI快速判识方法,其特征在于,在步骤S500中,通过工业面阵相机拍摄山茶花病害部位色彩图片,并将所述图片通过AI方式对山茶花的病虫害和生理病害进行判别,并通过判别输出的病虫害特征和生理病害特征与生理辨识值进行判断,并输出病害的类型与解决病害的有效措施,达到及时对山茶花病虫害和生理病害做到有效的防治。
4.一种山茶花病虫害和生理病害的AI快速判识应用,其特征在于,所述应用基于系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中,所述单元包括采集图像单元和处理器网络单元,所述采集图像单元和处理器网络单元在所述处理器中运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-3中的任一一种山茶花病虫害和生理病害的AI快速判识方法。
CN202211058272.8A 2022-08-30 2022-08-30 一种山茶花病虫害和生理病害的ai快速判识方法及应用 Active CN115471747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211058272.8A CN115471747B (zh) 2022-08-30 2022-08-30 一种山茶花病虫害和生理病害的ai快速判识方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211058272.8A CN115471747B (zh) 2022-08-30 2022-08-30 一种山茶花病虫害和生理病害的ai快速判识方法及应用

Publications (2)

Publication Number Publication Date
CN115471747A CN115471747A (zh) 2022-12-13
CN115471747B true CN115471747B (zh) 2023-05-09

Family

ID=84368881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211058272.8A Active CN115471747B (zh) 2022-08-30 2022-08-30 一种山茶花病虫害和生理病害的ai快速判识方法及应用

Country Status (1)

Country Link
CN (1) CN115471747B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598908A (zh) * 2014-09-26 2015-05-06 浙江理工大学 一种农作物叶部病害识别方法
WO2019109578A1 (zh) * 2017-12-04 2019-06-13 深圳春沐源控股有限公司 植保地图的生成方法及装置
CN111429455A (zh) * 2020-04-24 2020-07-17 杭州皓京云信息技术有限公司 基于粗糙集和bp神经网络的棉花病害识别方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI435234B (zh) * 2011-11-24 2014-04-21 Inst Information Industry Plant disease identification method, system and record media
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
CN105488609A (zh) * 2015-11-23 2016-04-13 中国农业大学 葡萄病虫害防控效果评估方法及系统
RU2018142757A (ru) * 2016-05-13 2020-06-15 Басф Се Система и способ обнаружения болезней растений
CN106919935A (zh) * 2017-03-14 2017-07-04 湖南威达科技有限公司 一种基于大数据与图像识别的家庭养护山茶花的app
US10729117B2 (en) * 2017-12-25 2020-08-04 Zhongkai University Of Agriculture And Engineer Pest monitoring method based on machine vision
JP7339234B2 (ja) * 2019-12-23 2023-09-05 住友化学株式会社 画像分類装置、画像分類方法及び画像分類モデルの生成方法
CN117545352A (zh) * 2020-04-14 2024-02-09 伯德索尔私人有限公司 有害动物管理系统
CN111832448A (zh) * 2020-06-30 2020-10-27 宁夏工商职业技术学院(宁夏化工技工学校、宁夏机电工程学校、宁夏农业机械化学校) 一种用于葡萄果园的病害识别方法及系统
CN112580513A (zh) * 2020-12-21 2021-03-30 福州引凤惠农科技服务有限公司 一种农作物病虫害智能识别方法
CN114022717A (zh) * 2021-12-27 2022-02-08 山东省果树研究所 一种基于图像识别的叶片病害识别方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598908A (zh) * 2014-09-26 2015-05-06 浙江理工大学 一种农作物叶部病害识别方法
WO2019109578A1 (zh) * 2017-12-04 2019-06-13 深圳春沐源控股有限公司 植保地图的生成方法及装置
CN111429455A (zh) * 2020-04-24 2020-07-17 杭州皓京云信息技术有限公司 基于粗糙集和bp神经网络的棉花病害识别方法及系统

Also Published As

Publication number Publication date
CN115471747A (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN109308697B (zh) 一种基于机器学习算法的树叶病害识别方法
Kour et al. Particle swarm optimization based support vector machine (P-SVM) for the segmentation and classification of plants
Lu et al. Robust plant segmentation of color images based on image contrast optimization
Rajan et al. Detection and classification of pests from crop images using support vector machine
Dutta et al. Segmentation of unhealthy leaves in cruciferous crops for early disease detection using vegetative indices and Otsu thresholding of aerial images
CN113919442B (zh) 一种基于卷积神经网络烟叶成熟度状态识别方法
JP2013111078A (ja) 植物の病気の識別方法、システムおよびその記録媒体
Xu et al. Recognition method for apple fruit based on SUSAN and PCNN
CN111291686B (zh) 农作物根果表型参数的提取与根果表型判别方法及系统
CN112257702A (zh) 一种基于增量学习的农作物病害识别方法
Ramesh et al. Comparison and analysis of Rice Blast disease identification in Greenhouse Controlled Environment and Field Environment using ML Algorithms
Ji et al. In-field automatic detection of maize tassels using computer vision
Samanta et al. Scab diseases detection of potato using image processing
CN114818909A (zh) 一种基于作物长势特征的杂草检测方法和装置
CN115861721B (zh) 基于图像数据的畜禽养殖喷雾设备状态识别方法
Lin et al. Identification of pumpkin powdery mildew based on image processing PCA and machine learning
CN110544237B (zh) 基于图像分析的油茶病虫害模型训练方法和识别方法
CN116524224A (zh) 一种基于机器视觉的烤后烟叶类型检测方法及系统
CN118261488A (zh) 一种基于数字农场的智慧管理系统
CN117253145B (zh) 一种糜子绿豆不同间作模式下生长态势确定方法及系统
CN116258968B (zh) 一种林果病虫管理方法及系统
CN115471747B (zh) 一种山茶花病虫害和生理病害的ai快速判识方法及应用
CN117456523A (zh) 作物种类识别方法、装置、电子设备及介质
CN111369497B (zh) 一种行走式树上果实连续计数方法及装置
Santhosh Kumar et al. Review on disease detection of plants using image processing and machine learning techniques

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