CN115482465A - 基于机器视觉的农作物病虫害预测方法、系统及存储介质 - Google Patents
基于机器视觉的农作物病虫害预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115482465A CN115482465A CN202211143610.8A CN202211143610A CN115482465A CN 115482465 A CN115482465 A CN 115482465A CN 202211143610 A CN202211143610 A CN 202211143610A CN 115482465 A CN115482465 A CN 115482465A
- Authority
- CN
- China
- Prior art keywords
- crop
- pest
- blade
- lesion
- image information
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
本发明公开了一种基于机器视觉的农作物病虫害预测方法、系统及存储介质,方法包括:获取目标农作物的第一图像信息,对第一图像信息进行边缘检测得到目标农作物的若干个叶片轮廓,并根据叶片轮廓提取出叶片图像信息;将叶片图像信息输入到预先训练好的病变区域识别模型,得到目标农作物的病变类型,并提取出叶片病变区域;获取目标区域的第一气象指标信息和第一环境指标信息;将第一气象指标信息、第一环境指标信息以及叶片病变区域输入到预先训练好的病虫害预测模型,得到目标农作物的病虫害预测结果。本发明提高了农作物病虫害预测的效率,也提高了农作物病虫害预测的准确性和可靠性,可广泛应用于农作物灾害预测技术领域。
Description
技术领域
本发明涉及农作物灾害预测技术领域,尤其是一种基于机器视觉的农作物病虫害预测方法、系统及存储介质。
背景技术
随着科技的进步,农作物病虫害识别方法由传统的人工辨识、仪器辨识,发展至基于数理统计的辨识和基于机器学习的识别方法,且新一代的方法在不断地克服原有方法的缺陷。例如,相较于传统的人工辨识,使用便携式仪器识别农作物病虫害的优势是客观性,避免了农业技术人员的主观臆断,但其局限性在于没有帮助农业技术人员摆脱繁重的工作,即自动化和智能化程度较低。随后基于数理统计和基于机器学习的农作物病虫害识别方法充分利用了数据的优势,能够从大量数据中挖掘出农作物病虫害的各类信息,包括病害部位、颜色、形状等关键信息,但是基于机器学习的农作物病虫害识别方法仍受特征提取困难的影响。
目前,国内的病虫害识别技术大多数先进行图像采集,再通过计算机视觉来进行智能识别,相关研究主要采用的方式有以下几类:传统的数字图像处理、支持向量机和人工智能神经网络。例如,国内学者姜慧基于Android手机创建水稻病、虫害基本信息数据库,调用Android手机自带摄像头完成水稻害虫图像采集、上传、识别结果接收,根据识别结果查询数据库,显示害虫标准图像、基本信息及防治措施;邱勇等人通过虫情测报灯对水稻害虫进行诱捕再通过摄像头用YOLO算法对水稻害虫进行识别。
然而,现有的病虫害识别方法无法对采集的原始图像进行病变特征区域的提取,这样在后续的识别过程中将消耗大量的计算资源去对未发生病变或病变不明显的区域进行识别处理,影响了农作物病虫害识别的效率;此外,仅通过农作物的图像来进行病虫害预测,未考虑到气候及环境因素的影响,导致农作物病虫害预测的准确性和可靠性不足。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明实施例的一个目的在于提供一种基于机器视觉的农作物病虫害预测方法,该方法提高了农作物病虫害预测的效率以及准确性、可靠性。
本发明实施例的另一个目的在于提供一种基于机器视觉的农作物病虫害预测系统。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
第一方面,本发明实施例提供了一种基于机器视觉的农作物病虫害预测方法,包括以下步骤:
获取目标农作物的第一图像信息,对所述第一图像信息进行边缘检测得到所述目标农作物的若干个叶片轮廓,并根据所述叶片轮廓提取出叶片图像信息;
将所述叶片图像信息输入到预先训练好的病变区域识别模型,得到所述目标农作物的病变类型,并提取出叶片病变区域;
获取目标区域的第一气象指标信息和第一环境指标信息,所述目标区域为所述目标农作物所在区域;
将所述第一气象指标信息、所述第一环境指标信息以及所述叶片病变区域输入到预先训练好的病虫害预测模型,得到所述目标农作物的病虫害预测结果。
进一步地,在本发明的一个实施例中,所述对所述第一图像信息进行边缘检测得到所述目标农作物的若干个叶片轮廓,并根据所述叶片轮廓提取出叶片图像信息这一步骤,其具体包括:
对所述第一图像信息进行边缘检测得到若干个连续轮廓;
对所述连续轮廓进行随机霍夫变换,筛选出符合预设的阈值条件的连续轮廓作为叶片轮廓;
根据所述叶片轮廓对所述第一图像信息进行图像分割,得到所述目标农作物的叶片图像信息。
进一步地,在本发明的一个实施例中,所述农作物病虫害预测方法还包括预先训练病变区域识别模型的步骤,其具体包括:
获取多个预设的病变叶片图像,并确定各所述病变叶片图像的病变类型和病变区域;
根据所述病变类型和所述病变区域确定各所述病变叶片图像的第一样本标签,并根据所述病变叶片图像和所述第一样本标签构建第一训练样本集;
将所述第一训练样本集输入到预先构建的第一卷积神经网络,得到病变类型识别结果和病变区域识别结果;
根据所述病变类型识别结果、所述病变区域识别结果以及所述第一样本标签确定所述第一卷积神经网络的第一损失值;
根据所述第一损失值通过反向传播算法更新所述第一卷积神经网络的参数;
当所述第一损失值达到预设的第一阈值或迭代次数达到预设的第二阈值,停止训练,得到训练好的病变区域识别模型。
进一步地,在本发明的一个实施例中,所述获取目标区域的第一气象指标信息和第一环境指标信息这一步骤,其具体为:
根据天气预报信息确定目标区域的第一气象指标信息,并通过传感器获取所述目标区域的第一环境指标信息;
其中,所述第一气象指标信息包括空气温湿度、光照时长、大气压强以及降雨量中的至少一种,所述第一环境指标信息包括土壤温湿度、土壤氮磷钾含量以及光照强度中的至少一种。
进一步地,在本发明的一个实施例中,所述农作物病虫害预测方法还包括预先训练病虫害预测模型的步骤,其具体包括:
获取多个预设的病虫害农作物的病变区域图像,确定所述病虫害农作物的第二气象指标信息和第二环境指标信息,进而根据所述病变区域图像、所述第二气象指标信息以及所述第二环境指标信息确定第二训练样本;
通过人工标注确定各所述病虫害农作物的病虫害类型标签,根据所第二训练样本和所述病虫害类型标签构建第二训练样本集;
将所述第二训练样本集输入到预先构建的第二卷积神经网络,得到病虫害类型识别结果;
根据所述病虫害类型识别结果和所述病虫害类型标签确定所述第二卷积神经网络的第二损失值;
根据所述第二损失值通过反向传播算法更新所述第二卷积神经网络的参数;
当所述第二损失值达到预设的第三阈值或迭代次数达到预设的第四阈值,停止训练,得到训练好的病虫害预测模型。
进一步地,在本发明的一个实施例中,所述农作物病虫害预测方法还包括以下步骤:
根据所述病虫害预测结果生成预警信息,并将所述预警信息发送至所述目标区域的管理人员。
第二方面,本发明实施例提供了一种基于机器视觉的农作物病虫害预测系统,包括:
叶片图像信息提取模块,用于获取目标农作物的第一图像信息,对所述第一图像信息进行边缘检测得到所述目标农作物的若干个叶片轮廓,并根据所述叶片轮廓提取出叶片图像信息;
叶片病变区域识别模块,用于将所述叶片图像信息输入到预先训练好的病变区域识别模型,得到所述目标农作物的病变类型,并提取出叶片病变区域;
气象与环境指标获取模块,用于获取目标区域的第一气象指标信息和第一环境指标信息,所述目标区域为所述目标农作物所在区域;
预测模块,用于将所述第一气象指标信息、所述第一环境指标信息以及所述叶片病变区域输入到预先训练好的病虫害预测模型,得到所述目标农作物的病虫害预测结果。
进一步地,在本发明的一个实施例中,所述叶片图像信息提取模块包括:
边缘检测单元,用于对所述第一图像信息进行边缘检测得到若干个连续轮廓;
轮廓筛选单元,用于对所述连续轮廓进行随机霍夫变换,筛选出符合预设的阈值条件的连续轮廓作为叶片轮廓;
图像分割单元,用于根据所述叶片轮廓对所述第一图像信息进行图像分割,得到所述目标农作物的叶片图像信息。
第三方面,本发明实施例提供了一种基于机器视觉的农作物病虫害预测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现上述的一种基于机器视觉的农作物病虫害预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行上述的一种基于机器视觉的农作物病虫害预测方法。
本发明的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到:
本发明实施例获取目标农作物的第一图像信息,对第一图像信息进行边缘检测得到叶片轮廓并提取出叶片图像信息,然后将叶片图像信息输入到预先训练好的病变区域识别模型,得到叶片病变区域和病变类型,再获取目标区域的第一气象指标信息和第一环境指标信息,将第一气象指标信息、第一环境指标信息以及叶片病变区域输入到预先训练好的病虫害预测模型,即可得到目标农作物的病虫害预测结果。本发明实施例通过边缘检测提取叶片图像信息,然后通过病变区域识别模型识别得到叶片病变区域,从而可以过滤掉未发生病变或病变不明显的区域,后续即可针对叶片病变区域进行病虫害预测,提高了农作物病虫害预测的效率;通过目标农作物的叶片病变区域以及目标农作物所在区域的气象指标信息、环境指标信息对目标农作物进行病虫害预测,综合考虑了目标农作物的实时生长状况以及气候、环境因素,提高了农作物病虫害预测的准确性和可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面对本发明实施例中所需要使用的附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种基于机器视觉的农作物病虫害预测方法的步骤流程图;
图2为本发明实施例提供的一种基于机器视觉的农作物病虫害预测系统的结构框图;
图3为本发明实施例提供的一种基于机器视觉的农作物病虫害预测装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,多个的含义是两个或两个以上,如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外,除非另有定义,本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
参照图1,本发明实施例提供了一种基于机器视觉的农作物病虫害预测方法,具体包括以下步骤:
S101、获取目标农作物的第一图像信息,对第一图像信息进行边缘检测得到目标农作物的若干个叶片轮廓,并根据叶片轮廓提取出叶片图像信息。
具体地,本发明实施例通过OpenMv机器视觉模块对第一图像信息进行边缘检测从而提取叶片轮廓,根据叶片轮廓的位置提取出叶片图像信息。由于农作物病虫害在叶片的表现比较明显,因此可仅对提取出的叶片图像信息进行后续的识别预测流程,而目标农作物的其他部位的图像即可舍弃。
其中,OpenMv是一个开源、低成本、功能强大的机器视觉模块,其以STM32F767CPU为核心,集成了OV7725摄像头芯片,在小巧的硬件模块上,用C语言高效地实现了核心机器视觉算法,并提供Python编程接口。
进一步作为可选的实施方式,对第一图像信息进行边缘检测得到目标农作物的若干个叶片轮廓,并根据叶片轮廓提取出叶片图像信息这一步骤,其具体包括:
A1、对第一图像信息进行边缘检测得到若干个连续轮廓;
A2、对连续轮廓进行随机霍夫变换,筛选出符合预设的阈值条件的连续轮廓作为叶片轮廓;
A3、根据叶片轮廓对第一图像信息进行图像分割,得到目标农作物的叶片图像信息。
具体地,图像边缘即为图像局部区域亮度变化显著的部分,对于灰度图像来说,也就是灰度值有一个明显变化的区域,既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。本发明实施例通过OpenMv机器视觉模块采用Canny算子进行边缘检测,在提高对叶片轮廓边缘的敏感性的同时,可以抑制噪声。具体过程如下:
1)对第一图像信息进行灰度处理和去噪处理,得到灰度图像信息;
2)通过Canny算子对灰度图像信息进行边缘检测得到第二图像信息,并确定第二图像信息中的连续轮廓;
3)对第二图像信息进行遍历搜索,当搜索到连续轮廓,对该连续轮廓进行随机霍夫变换,确定该连续轮廓的尺寸信息;
4)当该连续轮廓的尺寸符合预设的阈值条件(即目标农作物的叶片的尺寸范围),确定该连续轮廓为叶片轮廓。
具体地,对通过Canny算子提取得到的第二图像信息进行遍历搜索,从图像的左上角开始,从上而下,从左往右的顺序进行,搜索到图像中第i个独立的连续轮廓,对该连续轮廓进行RHT变换(随机霍夫变换),剔除直线以及过小、过大的连续轮廓,并筛选出尺寸在预设的阈值条件内的连续轮廓,符合该条件的连续轮廓即可确定为叶片轮廓。
S102、将叶片图像信息输入到预先训练好的病变区域识别模型,得到目标农作物的病变类型,并提取出叶片病变区域。
具体地,病变区域识别模型为预先训练好的用于识别叶片中病变区域的神经网络模型,其输入为叶片图像信息,输出为该叶片图像信息的叶片病变区域及对应的病变类型。
进一步作为可选的实施方式,农作物病虫害预测方法还包括预先训练病变区域识别模型的步骤,其具体包括:
B1、获取多个预设的病变叶片图像,并确定各病变叶片图像的病变类型和病变区域;
B2、根据病变类型和病变区域确定各病变叶片图像的第一样本标签,并根据病变叶片图像和第一样本标签构建第一训练样本集;
B3、将第一训练样本集输入到预先构建的第一卷积神经网络,得到病变类型识别结果和病变区域识别结果;
B4、根据病变类型识别结果、病变区域识别结果以及第一样本标签确定第一卷积神经网络的第一损失值;
B5、根据第一损失值通过反向传播算法更新第一卷积神经网络的参数;
B6、当第一损失值达到预设的第一阈值或迭代次数达到预设的第二阈值,停止训练,得到训练好的病变区域识别模型。
具体地,对于病变区域识别模型来说,病变区域识别结果和病变类型识别结果的准确性可以通过损失函数(Loss Function)来衡量,损失函数是定义在单个训练数据上的,用于衡量一个训练数据的预测误差,具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时,一个训练数据集有很多训练数据,因此一般采用代价函数(Cost Function)来衡量训练数据集的整体误差,代价函数是定义在整个训练数据集上的,用于计算所有训练数据的预测误差的平均值,能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说,基于前述的代价函数,再加上衡量模型复杂度的正则项即可作为训练的目标函数,基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多,例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数,在此不再一一阐述。本发明实施例中,可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值,采用反向传播算法对模型的参数进行更新,迭代几轮即可得到训练好的病变区域识别模型。具体的迭代轮数可以预先设定,或者在测试集达到精度要求时认为训练完成。
S103、获取目标区域的第一气象指标信息和第一环境指标信息,目标区域为目标农作物所在区域。
进一步作为可选的实施方式,获取目标区域的第一气象指标信息和第一环境指标信息这一步骤,其具体为:
根据天气预报信息确定目标区域的第一气象指标信息,并通过传感器获取目标区域的第一环境指标信息;
其中,第一气象指标信息包括空气温湿度、光照时长、大气压强以及降雨量中的至少一种,第一环境指标信息包括土壤温湿度、土壤氮磷钾含量以及光照强度中的至少一种。
具体地,在对目标区域的目标农作物进行图像采集的同时,通过天气预报信息和各类传感器获取目标区域的第一气象指标信息和第一环境指标信息,利用AIOT系统进行各类数据的整合,便于后续进行病虫害预测。
S104、将第一气象指标信息、第一环境指标信息以及叶片病变区域输入到预先训练好的病虫害预测模型,得到目标农作物的病虫害预测结果。
具体地,病虫害预测模型为预先训练好的用于预测目标农作物可能发生的病虫害类型的神经网络模型,其输入为叶片病变区域、气象指标信息以及环境指标信息,输出为目标农作物的病虫害类型预测结果。
进一步作为可选的实施方式,农作物病虫害预测方法还包括预先训练病虫害预测模型的步骤,其具体包括:
C1、获取多个预设的病虫害农作物的病变区域图像,确定病虫害农作物的第二气象指标信息和第二环境指标信息,进而根据病变区域图像、第二气象指标信息以及第二环境指标信息确定第二训练样本;
C2、通过人工标注确定各病虫害农作物的病虫害类型标签,根据所第二训练样本和病虫害类型标签构建第二训练样本集;
C3、将第二训练样本集输入到预先构建的第二卷积神经网络,得到病虫害类型识别结果;
C4、根据病虫害类型识别结果和病虫害类型标签确定第二卷积神经网络的第二损失值;
C5、根据第二损失值通过反向传播算法更新第二卷积神经网络的参数;
C6、当第二损失值达到预设的第三阈值或迭代次数达到预设的第四阈值,停止训练,得到训练好的病虫害预测模型。
具体地,对于病虫害预测模型来说,病虫害预测结果的准确性可以通过损失函数(Loss Function)来衡量,损失函数是定义在单个训练数据上的,用于衡量一个训练数据的预测误差,具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时,一个训练数据集有很多训练数据,因此一般采用代价函数(Cost Function)来衡量训练数据集的整体误差,代价函数是定义在整个训练数据集上的,用于计算所有训练数据的预测误差的平均值,能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说,基于前述的代价函数,再加上衡量模型复杂度的正则项即可作为训练的目标函数,基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多,例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数,在此不再一一阐述。本发明实施例中,可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值,采用反向传播算法对模型的参数进行更新,迭代几轮即可得到训练好的病虫害预测模型。具体的迭代轮数可以预先设定,或者在测试集达到精度要求时认为训练完成。
进一步作为可选的实施方式,农作物病虫害预测方法还包括以下步骤:
根据病虫害预测结果生成预警信息,并将预警信息发送至目标区域的管理人员。
具体地,当预测得到目标农作物可能发生的病虫害类型,即可生成相应的预警信息发送至目标区域的管理人员,便于管理人员及时采取相关防治措施。
以上对本发明实施例的方法步骤进行了说明。下面结合一具体实施例对本发明实施例作进一步说明。
通过无人机对目标区域的目标农作物进行定期高清拍摄,利用OpenMV机器视觉模块提取跟病虫害有关的叶片图像信息,过滤掉无用信息,并在边缘节点进行存储转发;过滤后的图像信息接入智慧农田AIOT系统,同时拉取目标区域的天气预报信息,并通过各类传感器采集目标区域的环境指标,由智慧农田AIOT系统将这些数据同一上传至云服务器;云服务器利用本地存储的病变区域识别模型和病虫害预测模型进行识别预测,最终得到病虫害类型预测结果,并通过手机App、PC端软件等跨平台应用进行数据显示。
可以理解的是,本发明实施例通过边缘检测提取叶片图像信息,然后通过病变区域识别模型识别得到叶片病变区域,从而可以过滤掉未发生病变或病变不明显的区域,后续即可针对叶片病变区域进行病虫害预测,提高了农作物病虫害预测的效率;通过目标农作物的叶片病变区域以及目标农作物所在区域的气象指标信息、环境指标信息对目标农作物进行病虫害预测,综合考虑了目标农作物的实时生长状况以及气候、环境因素,提高了农作物病虫害预测的准确性和可靠性。
参照图2,本发明实施例提供了一种基于机器视觉的农作物病虫害预测系统,包括:
叶片图像信息提取模块,用于获取目标农作物的第一图像信息,对第一图像信息进行边缘检测得到目标农作物的若干个叶片轮廓,并根据叶片轮廓提取出叶片图像信息;
叶片病变区域识别模块,用于将叶片图像信息输入到预先训练好的病变区域识别模型,得到目标农作物的病变类型,并提取出叶片病变区域;
气象与环境指标获取模块,用于获取目标区域的第一气象指标信息和第一环境指标信息,目标区域为目标农作物所在区域;
预测模块,用于将第一气象指标信息、第一环境指标信息以及叶片病变区域输入到预先训练好的病虫害预测模型,得到目标农作物的病虫害预测结果。
进一步作为可选的实施方式,叶片图像信息提取模块包括:
边缘检测单元,用于对第一图像信息进行边缘检测得到若干个连续轮廓;
轮廓筛选单元,用于对连续轮廓进行随机霍夫变换,筛选出符合预设的阈值条件的连续轮廓作为叶片轮廓;
图像分割单元,用于根据叶片轮廓对第一图像信息进行图像分割,得到目标农作物的叶片图像信息。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图3,本发明实施例提供了一种基于机器视觉的农作物病虫害预测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当上述至少一个程序被上述至少一个处理器执行时,使得上述至少一个处理器实现上述的一种基于机器视觉的农作物病虫害预测方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,该处理器可执行的程序在由处理器执行时用于执行上述一种基于机器视觉的农作物病虫害预测方法。
本发明实施例的一种计算机可读存储介质,可执行本发明方法实施例所提供的一种基于机器视觉的农作物病虫害预测方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
上述功能如果以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上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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于机器视觉的农作物病虫害预测方法,其特征在于,包括以下步骤:
获取目标农作物的第一图像信息,对所述第一图像信息进行边缘检测得到所述目标农作物的若干个叶片轮廓,并根据所述叶片轮廓提取出叶片图像信息;
将所述叶片图像信息输入到预先训练好的病变区域识别模型,得到所述目标农作物的病变类型,并提取出叶片病变区域;
获取目标区域的第一气象指标信息和第一环境指标信息,所述目标区域为所述目标农作物所在区域;
将所述第一气象指标信息、所述第一环境指标信息以及所述叶片病变区域输入到预先训练好的病虫害预测模型,得到所述目标农作物的病虫害预测结果。
2.根据权利要求1所述的一种基于机器视觉的农作物病虫害预测方法,其特征在于,所述对所述第一图像信息进行边缘检测得到所述目标农作物的若干个叶片轮廓,并根据所述叶片轮廓提取出叶片图像信息这一步骤,其具体包括:
对所述第一图像信息进行边缘检测得到若干个连续轮廓;
对所述连续轮廓进行随机霍夫变换,筛选出符合预设的阈值条件的连续轮廓作为叶片轮廓;
根据所述叶片轮廓对所述第一图像信息进行图像分割,得到所述目标农作物的叶片图像信息。
3.根据权利要求1所述的一种基于机器视觉的农作物病虫害预测方法,其特征在于,所述农作物病虫害预测方法还包括预先训练病变区域识别模型的步骤,其具体包括:
获取多个预设的病变叶片图像,并确定各所述病变叶片图像的病变类型和病变区域;根据所述病变类型和所述病变区域确定各所述病变叶片图像的第一样本标签,并根据所述病变叶片图像和所述第一样本标签构建第一训练样本集;
将所述第一训练样本集输入到预先构建的第一卷积神经网络,得到病变类型识别结果和病变区域识别结果;
根据所述病变类型识别结果、所述病变区域识别结果以及所述第一样本标签确定所述第一卷积神经网络的第一损失值;
根据所述第一损失值通过反向传播算法更新所述第一卷积神经网络的参数;
当所述第一损失值达到预设的第一阈值或迭代次数达到预设的第二阈值,停止训练,得到训练好的病变区域识别模型。
4.根据权利要求1所述的一种基于机器视觉的农作物病虫害预测方法,其特征在于,所述获取目标区域的第一气象指标信息和第一环境指标信息这一步骤,其具体为:
根据天气预报信息确定目标区域的第一气象指标信息,并通过传感器获取所述目标区域的第一环境指标信息;
其中,所述第一气象指标信息包括空气温湿度、光照时长、大气压强以及降雨量中的至少一种,所述第一环境指标信息包括土壤温湿度、土壤氮磷钾含量以及光照强度中的至少一种。
5.根据权利要求1所述的一种基于机器视觉的农作物病虫害预测方法,其特征在于,所述农作物病虫害预测方法还包括预先训练病虫害预测模型的步骤,其具体包括:
获取多个预设的病虫害农作物的病变区域图像,确定所述病虫害农作物的第二气象指标信息和第二环境指标信息,进而根据所述病变区域图像、所述第二气象指标信息以及所述第二环境指标信息确定第二训练样本;
通过人工标注确定各所述病虫害农作物的病虫害类型标签,根据所第二训练样本和所述病虫害类型标签构建第二训练样本集;
将所述第二训练样本集输入到预先构建的第二卷积神经网络,得到病虫害类型识别结果;
根据所述病虫害类型识别结果和所述病虫害类型标签确定所述第二卷积神经网络的第二损失值;
根据所述第二损失值通过反向传播算法更新所述第二卷积神经网络的参数;
当所述第二损失值达到预设的第三阈值或迭代次数达到预设的第四阈值,停止训练,得到训练好的病虫害预测模型。
6.根据权利要求1至5中任一项所述的一种基于机器视觉的农作物病虫害预测方法,其特征在于,所述农作物病虫害预测方法还包括以下步骤:
根据所述病虫害预测结果生成预警信息,并将所述预警信息发送至所述目标区域的管理人员。
7.一种基于机器视觉的农作物病虫害预测系统,其特征在于,包括:
叶片图像信息提取模块,用于获取目标农作物的第一图像信息,对所述第一图像信息进行边缘检测得到所述目标农作物的若干个叶片轮廓,并根据所述叶片轮廓提取出叶片图像信息;
叶片病变区域识别模块,用于将所述叶片图像信息输入到预先训练好的病变区域识别模型,得到所述目标农作物的病变类型,并提取出叶片病变区域;
气象与环境指标获取模块,用于获取目标区域的第一气象指标信息和第一环境指标信息,所述目标区域为所述目标农作物所在区域;
预测模块,用于将所述第一气象指标信息、所述第一环境指标信息以及所述叶片病变区域输入到预先训练好的病虫害预测模型,得到所述目标农作物的病虫害预测结果。
8.根据权利要求7所述的一种基于机器视觉的农作物病虫害预测系统,其特征在于,所述叶片图像信息提取模块包括:
边缘检测单元,用于对所述第一图像信息进行边缘检测得到若干个连续轮廓;
轮廓筛选单元,用于对所述连续轮廓进行随机霍夫变换,筛选出符合预设的阈值条件的连续轮廓作为叶片轮廓;
图像分割单元,用于根据所述叶片轮廓对所述第一图像信息进行图像分割,得到所述目标农作物的叶片图像信息。
9.一种基于机器视觉的农作物病虫害预测装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1至6中任一项所述的一种基于机器视觉的农作物病虫害预测方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至6中任一项所述的一种基于机器视觉的农作物病虫害预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211143610.8A CN115482465A (zh) | 2022-09-20 | 2022-09-20 | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211143610.8A CN115482465A (zh) | 2022-09-20 | 2022-09-20 | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115482465A true CN115482465A (zh) | 2022-12-16 |
Family
ID=84423852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211143610.8A Pending CN115482465A (zh) | 2022-09-20 | 2022-09-20 | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115482465A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965875A (zh) * | 2023-03-16 | 2023-04-14 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
CN116295662A (zh) * | 2023-05-23 | 2023-06-23 | 北京易同云网科技有限公司 | 作物生长状态的监测方法、装置、电子设备及介质 |
CN116448760A (zh) * | 2023-03-21 | 2023-07-18 | 上海华维可控农业科技集团股份有限公司 | 一种基于机器视觉的农业智能监测系统及方法 |
CN116579751A (zh) * | 2023-07-14 | 2023-08-11 | 南京信息工程大学 | 农作物检测数据处理方法及系统 |
CN117132883A (zh) * | 2023-05-08 | 2023-11-28 | 江苏商贸职业学院 | 一种基于gis的智慧农业灾害判别方法及系统 |
-
2022
- 2022-09-20 CN CN202211143610.8A patent/CN115482465A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965875A (zh) * | 2023-03-16 | 2023-04-14 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
CN116448760A (zh) * | 2023-03-21 | 2023-07-18 | 上海华维可控农业科技集团股份有限公司 | 一种基于机器视觉的农业智能监测系统及方法 |
CN116448760B (zh) * | 2023-03-21 | 2023-10-20 | 上海华维可控农业科技集团股份有限公司 | 一种基于机器视觉的农业智能监测系统及方法 |
CN117132883A (zh) * | 2023-05-08 | 2023-11-28 | 江苏商贸职业学院 | 一种基于gis的智慧农业灾害判别方法及系统 |
CN117132883B (zh) * | 2023-05-08 | 2024-03-19 | 江苏商贸职业学院 | 一种基于gis的智慧农业灾害判别方法及系统 |
CN116295662A (zh) * | 2023-05-23 | 2023-06-23 | 北京易同云网科技有限公司 | 作物生长状态的监测方法、装置、电子设备及介质 |
CN116295662B (zh) * | 2023-05-23 | 2023-08-29 | 北京易同云网科技有限公司 | 作物生长状态的监测方法、装置、电子设备及介质 |
CN116579751A (zh) * | 2023-07-14 | 2023-08-11 | 南京信息工程大学 | 农作物检测数据处理方法及系统 |
CN116579751B (zh) * | 2023-07-14 | 2023-09-08 | 南京信息工程大学 | 农作物检测数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Farjon et al. | Detection and counting of flowers on apple trees for better chemical thinning decisions | |
Aquino et al. | Automated early yield prediction in vineyards from on-the-go image acquisition | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN113705875A (zh) | 一种农作物病虫害预警方法、系统、装置及存储介质 | |
Kalantar et al. | A deep learning system for single and overall weight estimation of melons using unmanned aerial vehicle images | |
CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN108829762A (zh) | 基于视觉的小目标识别方法和装置 | |
Wang et al. | Combining SUN-based visual attention model and saliency contour detection algorithm for apple image segmentation | |
CN112069985A (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
Ariza-Sentís et al. | Object detection and tracking on UAV RGB videos for early extraction of grape phenotypic traits | |
Rahim et al. | Deep learning-based accurate grapevine inflorescence and flower quantification in unstructured vineyard images acquired using a mobile sensing platform | |
CN112581483B (zh) | 基于自学习的植物叶片叶脉分割方法和装置 | |
CN110991300B (zh) | 一种肉鸡腹部异常肿胀状态的自动识别方法 | |
CN113807143A (zh) | 作物连通域的识别方法、装置及作业系统 | |
WO2022137242A1 (en) | Deep learning system for estimating object volume, weight and crop yields based on remote imaging | |
CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及系统 | |
CN103136439B (zh) | 植物病症辨识方法及其系统 | |
Heidari et al. | Development of an android app for estimating the water quality parameters in fish pond | |
Gao et al. | Apple fruit detection and counting based on deep learning and trunk tracking | |
Huang et al. | High-throughput image analysis framework for fruit detection, localization and measurement from video streams | |
CN117409403B (zh) | 一种基于深度学习的水稻稻穗成熟度估算方法 | |
CN111754547B (zh) | 一种暗光环境肉鸡的多目标自动识别跟踪定位方法 | |
Mirra et al. | Classification of Fruits using Deep Learning Algorithms |
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 |