CN115601670B - 基于人工智能和高分辨率遥感影像的松材线虫病监测方法 - Google Patents

基于人工智能和高分辨率遥感影像的松材线虫病监测方法 Download PDF

Info

Publication number
CN115601670B
CN115601670B CN202211588231.XA CN202211588231A CN115601670B CN 115601670 B CN115601670 B CN 115601670B CN 202211588231 A CN202211588231 A CN 202211588231A CN 115601670 B CN115601670 B CN 115601670B
Authority
CN
China
Prior art keywords
connected domain
target
tree
obtaining
target connected
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
CN202211588231.XA
Other languages
English (en)
Other versions
CN115601670A (zh
Inventor
王永
李晓娟
郭婉琳
尹华阳
李琳琳
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.)
ANHUI ACADEMY OF FORESTRY
Hefei Hengbao Tianxuan Intelligent Technology Co ltd
Original Assignee
ANHUI ACADEMY OF FORESTRY
Hefei Hengbao Tianxuan Intelligent Technology Co ltd
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 ANHUI ACADEMY OF FORESTRY, Hefei Hengbao Tianxuan Intelligent Technology Co ltd filed Critical ANHUI ACADEMY OF FORESTRY
Priority to CN202211588231.XA priority Critical patent/CN115601670B/zh
Publication of CN115601670A publication Critical patent/CN115601670A/zh
Application granted granted Critical
Publication of CN115601670B publication Critical patent/CN115601670B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

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

Abstract

本发明公开了基于人工智能和高分辨率遥感影像的松材线虫病监测方法，涉及图像处理领域，该方法包括：获取灰度图像中的空隙连通域；利用空隙连通域的特征值波动范围得到树冠外部空隙的目标连通域；利用每个目标连通域与其他目标连通域之间的最小距离、最大特征值主方向的夹角以及特征值波动范围的差异得到连接必要性；利用连接必要性对目标连通域进行连接得到一个最终目标连通域，得到目标灰度图像；获取目标灰度图像中的多个树木连通域并对应到HSV图像中，利用HSV图像中每个树木连通域的像素点的HSV值得到每个树木的病变等级。本发明实现了对待监测林区中树木准确的病虫害识别。

Description

基于人工智能和高分辨率遥感影像的松材线虫病监测方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于人工智能和高分辨率遥感影像的松材线虫病监测方法。
背景技术
森林资源是人类社会运作的基础，对促进经济可持续发展有着至关重要的作用，但是林木的病虫害对森林资源的利用和发展造成了严重的影响。松材线虫病为林木的一种常见病虫害，森林松材线虫病防治通常利用无人机拍摄待监测区域的高分辨率遥感图像，然后对高分辨遥感图像进行分析判断，识别遥感图像中出现松材线虫病的区域。
但是传统的利用遥感图像分析出现松材线虫病的区域，只能得到大致的存在病虫害的树木区域，森林中树木树冠部位彼此之间位置相近，颜色相似，因此在图像中会出现树冠之间粘连形成的一大片连通域，只能得到某一大片连通域存在病虫害，无法准确的判断每个树木的病虫害程度，实现精准病虫害现象的识别。
发明内容
本发明提供基于人工智能和高分辨率遥感影像的松材线虫病监测方法，以解决现有的无法准确的判断每个树木的病虫害程度的问题。
本发明的基于人工智能和高分辨率遥感影像的松材线虫病监测方法，采用如下技术方案：
S1、获取待监测林区的遥感图像的灰度图像和HSV图像，获取灰度图像中树冠的空隙连通域；
S2、利用每个空隙连通域的最大特征值主方向和最小特征值主方向的特征值得到每个空隙连通域的特征值波动范围，利用空隙连通域的特征值波动范围得到树冠外部空隙的目标连通域；
S3、利用每个目标连通域的最大特征值主方向的起点和终点，得到每个目标连通域与其他每个目标连通域之间的最小距离；
S4、利用每个目标连通域与其他每个目标连通域之间的最小距离、最大特征值主方向的夹角以及特征值波动范围的差异，得到每个目标连通域与其他每个目标连通域之间的连接必要性；
S5、将每个目标连通域与对应的最大连接必要性的目标连通域连接，得到多个新的目标连通域；
S6、对新的目标连通域重复进行步骤S3-S5，直到灰度图像中得到一个完整的树冠外部空隙的最终目标连通域，停止重复，得到目标灰度图像；
S7、获取目标灰度图像中的多个树木连通域并对应到HSV图像中，利用HSV图像中每个树木连通域的像素点的HSV值得到每个树木连通域的异常程度；根据树木连通域的异常程度得到每个树木的病变等级。
进一步，得到每个树木连通域的异常程度的步骤包括：
根据历史数据得到树木处于松材线虫病不同阶段时的颜色阈值区间；
获取每个树木连通域中处于每个颜色阈值区间的像素点数量；
获取HSV图像中每个树木连通域中处于颜色阈值区间的相同H值对应的每两个像素点之间的距离；
利用每个树木连通域中处于每个颜色阈值区间的像素点数量、处于颜色阈值区间的相同H值对应的每两个像素点之间的距离，以及树木连通域中像素点的总数量得到每个树木连通域的异常程度。
进一步，得到每个树木连通域的异常程度的公式为：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 100002_DEST_PATH_IMAGE002
表示第/>
Figure 100002_DEST_PATH_IMAGE003
个树木连通域的异常程度；/>
Figure 100002_DEST_PATH_IMAGE004
表示第/>
Figure 427319DEST_PATH_IMAGE004
个颜色阈值区间，共有3个颜色阈值区间；/>
Figure 100002_DEST_PATH_IMAGE005
表示第/>
Figure 667807DEST_PATH_IMAGE003
个树木连通域中像素点的总数量；/>
Figure 100002_DEST_PATH_IMAGE006
表示第/>
Figure 415184DEST_PATH_IMAGE003
个树木连通域中H值处于第/>
Figure 563268DEST_PATH_IMAGE004
个颜色阈值区间的像素点的数量；/>
Figure 100002_DEST_PATH_IMAGE007
、/>
Figure 100002_DEST_PATH_IMAGE008
分别表示第/>
Figure 712490DEST_PATH_IMAGE003
个树木连通域中处于第/>
Figure 248513DEST_PATH_IMAGE004
个颜色阈值区间的相同的H值对应的任意两个像素点/>
Figure 100002_DEST_PATH_IMAGE009
和/>
Figure 100002_DEST_PATH_IMAGE010
；
Figure 100002_DEST_PATH_IMAGE011
表示第/>
Figure 748765DEST_PATH_IMAGE003
个树木连通域中第/>
Figure 434961DEST_PATH_IMAGE004
个颜色阈值区间的H值对应的任意两个像素点/>
Figure 100002_DEST_PATH_IMAGE012
和/>
Figure 376372DEST_PATH_IMAGE010
之间的距离；函数/>
Figure 100002_DEST_PATH_IMAGE013
为归一化函数。
进一步，得到每个空隙连通域的特征值波动范围的步骤包括：
获取每个空隙连通域的最大特征值主方向的特征值与最大特征值主方向的特征值的比值；
对比值进行归一化得到每个空隙连通域的特征值波动范围。
进一步，利用空隙连通域的特征值波动范围得到树冠外部空隙的目标连通域的步骤包括：
去除特征值波动范围小于设定的波动范围阈值的空隙连通域；
将灰度图像中剩余的空隙连通域作为树冠外部空隙的目标连通域。
进一步，得到每个目标连通域与其他每个目标连通域之间的最小距离的步骤包括：
获取目标连通域
Figure 100002_DEST_PATH_IMAGE014
的最大特征值主方向的起点与目标连通域/>
Figure 100002_DEST_PATH_IMAGE015
的最大特征值主方向的终点之间的距离；
获取目标连通域
Figure 880035DEST_PATH_IMAGE014
的最大特征值主方向的终点与目标连通域/>
Figure 70845DEST_PATH_IMAGE015
的最大特征值主方向的起点之间的距离；
从得到的两个距离中选取最小值作为目标连通域
Figure 498415DEST_PATH_IMAGE014
与目标连通域/>
Figure 153387DEST_PATH_IMAGE015
之间的最小距离；
同理得到每个目标连通域与其他每个目标连通域之间的最小距离。
进一步，得到每个目标连通域与其他每个目标连通域之间的连接必要性的公式为：
Figure 100002_DEST_PATH_IMAGE016
其中，
Figure 100002_DEST_PATH_IMAGE017
表示目标连通域/>
Figure 100002_DEST_PATH_IMAGE018
与目标连通域/>
Figure 100002_DEST_PATH_IMAGE019
之间的连接必要性；
Figure 100002_DEST_PATH_IMAGE020
表示目标连通域/>
Figure 234476DEST_PATH_IMAGE018
的特征值波动范围；/>
Figure 100002_DEST_PATH_IMAGE021
表示目标连通域/>
Figure 240478DEST_PATH_IMAGE019
的特征值波动范围；/>
Figure 100002_DEST_PATH_IMAGE022
表示目标连通域/>
Figure 737318DEST_PATH_IMAGE018
与目标连通域/>
Figure 246797DEST_PATH_IMAGE019
的最大特征值主方向之间的夹角的余弦值；/>
Figure 100002_DEST_PATH_IMAGE023
表示目标连通域/>
Figure 170891DEST_PATH_IMAGE018
与目标连通域/>
Figure 398610DEST_PATH_IMAGE019
之间的最小距离；
Figure DEST_PATH_IMAGE024
为以e为底的指数函数，e为自然常数。
进一步，根据树木连通域的异常程度得到病变等级的步骤包括：
设定严重病变阈值、中度病变阈值、轻度病变阈值和正常阈值；
异常程度大于或等于严重病变阈值的树木连通域为严重病变区域；
异常程度大于或等于中度病变阈值且小于严重病变阈值的树木连通域为中度病变区域；
异常程度大于或等于轻度病变阈值且小于中度病变阈值的树木连通域为轻度病变区域；
异常程度大于或等于正常阈值且小于轻度病变阈值的树木连通域为正常区域。
进一步，还包括：
对遥感图像中每个树木连通域中每个病变等级对应的区域中的像素点做不同的标记，利用完成标记的遥感图像训练病变识别网络；
在病变识别网络中输入待监测的遥感图像，输出遥感图像中每个像素点的分类结果，即对应的病变等级。
本发明的有益效果是：本发明的基于人工智能和高分辨率遥感影像的松材线虫病监测方法，通过遥感图像的灰度图像中的灰度值得到树木空隙部分的空隙连通域，利用空隙连通域的特征值波动范围确定出树冠内部的空隙连通域并去除，得到了灰度图像中所有树木的树冠外部空隙的目标连通域，即只保留了树与树之间的空隙，用于后续划分树木连通域；通过获取目标连通域之间的连接必要性，将所有的目标连通域中距离相近、最大特征值主方向相似以及特征值波动范围差异小的目标连通域进行连接得到新的目标连通域，并根据该特征不断连接目标连通域，直到灰度图像中只存在一个大的空隙连通域，表示将所有被树冠隔断的树木之间本应该存在的空隙连通域连接了起来，用于划分不同的树木连通域，是因为本发明需要最终得到每个树木的连通域，树木之间不存在粘连，所以需要一整个大的空隙连通域将所有树木单独分隔开，后续对每个树木连通域计算异常程度并进行病变等级分析，使得到的树木病变程度更精确。
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简单地介绍，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。
图1为本发明的基于人工智能和高分辨率遥感影像的松材线虫病监测方法的实施例总体步骤的流程图;
图2为待监测林区的遥感图像的灰度图像；
图3为灰度图像中的空隙连通域和树木区域；
图4为两个目标连通域之间的最小距离的示意图；
图5为目标灰度图像。
具体实施方式
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，所描述的实施例仅仅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得的所有其他实施例，都属于本发明保护的范围。
本发明的基于人工智能和高分辨率遥感影像的松材线虫病监测方法的实施例，主要针对于春夏季节病虫活跃的时段进行松材线虫病监测，如图1所示，该方法包括：
S1、获取待监测林区的遥感图像的灰度图像和HSV图像，获取灰度图像中树冠的空隙连通域。
具体的，通过无人机安装的相机采集待监测林区的高分辨率遥感图像，可以对同一个待监测林区采集多个高分辨率遥感图像，筛选成像效果较好的高分辨率遥感图像作为待监测图像，避免成像效果差的图像导致检测结果不准确。
获取待监测林区的地面坐标数据，使遥感图像的范围能够与待监测林区地面坐标范围一致，便于对遥感图像中的树木进行定位后根据坐标范围将树木位置从图像空间投射至现实空间，以实现在林区中对发生病变的树木进行标记。
获取筛选的待监测林区的遥感图像的灰度图像，如图2所示。并获取筛选的待监测林区的遥感图像的HSV图像。
对灰度图像进行连通域分析得到灰度图像中的多个树冠空隙的连通域，记为空隙连通域，如图3所示。
S2、利用每个空隙连通域的最大特征值主方向和最小特征值主方向的特征值得到每个空隙连通域的特征值波动范围，利用空隙连通域的特征值波动范围得到树冠外部空隙的目标连通域。
森林中树木的树冠数量较多，而且容易产生粘连，连通域算法很难将粘连的树冠分割开，一颗树木的树冠是由多个树枝构成的，树枝之间存在的空隙较为细碎，后续分割每个树木是通过树木外部的空隙连通域进行分割，但是目前得到的空隙连通域即包括树木的树冠内部空隙的连通域，也包括树木外部空隙的连通域，树木外部空隙的连通域是指不同树木之间的空隙形成的连通域，所以为了避免分割时利用内部空隙的连通域将同一棵树木从内部分割开，需要先去除树木内部的连通域。
具体的，利用现有的PCA算法对每个空隙连通域进行主成分方向分析，得到每个空隙连通域的多个维度中的最大特征值主方向和最小特征值主方向。
连通域的各个主方向与其特征值表示连通域向这个主方向的方向向量进行延伸的可能性，延伸的可能性大小为每个主方向的特征值的大小。自然生长的树冠外表是不规则的，同一个树冠内部的空隙连通域，由于区域的形状较为细碎，在图像中无法观察到明显的区域延伸方向，所以主方向特征值的波动范围较小。
获取每个空隙连通域的最大特征值主方向的特征值与最小特征值主方向的特征值的比值；对比值进行归一化得到每个空隙连通域的特征值波动范围，具体计算每个空隙连通域的主方向特征值波动范围的公式为：
Figure DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE026
表示空隙连通域/>
Figure DEST_PATH_IMAGE027
的主方向特征值波动范围，/>
Figure DEST_PATH_IMAGE028
表示空隙连通域
Figure 761458DEST_PATH_IMAGE027
的最大特征值主方向；/>
Figure DEST_PATH_IMAGE029
表示空隙连通域/>
Figure 656602DEST_PATH_IMAGE027
的最小特征值主方向；/>
Figure DEST_PATH_IMAGE030
为空隙连通域/>
Figure 813913DEST_PATH_IMAGE027
的最大特征值主方向与最小特征值主方向的模长之比，主方向的模长为主方向的特征值，所以模长之比即两个主方向的特征值之比。特征值之比越大，则说明连通域
Figure 466612DEST_PATH_IMAGE027
的特征值波动范围越大，即连通域/>
Figure 39675DEST_PATH_IMAGE027
向某个方向延伸的可能性越大，表明该连通域/>
Figure 195850DEST_PATH_IMAGE027
越有可能为不同树冠之间的空隙连通域。相反的，特征值之比越小则说明连通域/>
Figure 320801DEST_PATH_IMAGE027
越有可能为同一树冠内部的空隙连通域。函数/>
Figure DEST_PATH_IMAGE031
为归一化函数，对特征值之比进行归一化得到/>
Figure DEST_PATH_IMAGE032
区间的比值，便于设置阈值将同一树冠内部的空隙连通域去除。
根据经验，设置阈值
Figure DEST_PATH_IMAGE033
，若某个空隙连通域的特征值波动范围/>
Figure DEST_PATH_IMAGE034
，则该空隙连通域为同一树冠内部的空隙连通域，将灰度图像中所有同一树冠内部的空隙连通域的灰度值重置为树木区域的灰度值，如图3中的灰色部分，达到了去除树冠内部空隙连通域的目的。
灰度图像中剩余的空隙连通域则为树冠外部空隙的目标连通域。
S3、利用每个目标连通域的最大特征值主方向的起点和终点，得到每个目标连通域与其他每个目标连通域之间的最小距离。
具体的，获取目标连通域
Figure DEST_PATH_IMAGE035
的最大特征值主方向的起点与目标连通域/>
Figure DEST_PATH_IMAGE036
的最大特征值主方向的终点之间的距离；获取目标连通域/>
Figure 337428DEST_PATH_IMAGE035
的最大特征值主方向的终点与目标连通域/>
Figure 714183DEST_PATH_IMAGE036
的最大特征值主方向的起点之间的距离；从得到的两个距离中选取最小值作为目标连通域/>
Figure 990443DEST_PATH_IMAGE035
与目标连通域/>
Figure 286296DEST_PATH_IMAGE036
之间的最小距离；同理得到每个目标连通域与其他每个目标连通域之间的最小距离。具体计算每个目标连通域与其他每个目标连通域之间的最小距离的公式为：
Figure DEST_PATH_IMAGE037
/>
其中，
Figure DEST_PATH_IMAGE038
表示目标连通域/>
Figure 444744DEST_PATH_IMAGE035
与目标连通域/>
Figure 421928DEST_PATH_IMAGE036
之间的最小距离；
Figure DEST_PATH_IMAGE039
表示目标连通域/>
Figure 755957DEST_PATH_IMAGE035
的最大特征值主方向/>
Figure DEST_PATH_IMAGE040
的起点与目标连通域/>
Figure 488290DEST_PATH_IMAGE036
的最大特征值主方向/>
Figure DEST_PATH_IMAGE041
的终点之间的距离，/>
Figure DEST_PATH_IMAGE042
表示目标连通域/>
Figure 134035DEST_PATH_IMAGE035
的最大特征值主方/>
Figure 587013DEST_PATH_IMAGE040
的起点，/>
Figure DEST_PATH_IMAGE043
表示目标连通域/>
Figure 431341DEST_PATH_IMAGE036
的最大特征值主方向
Figure 944362DEST_PATH_IMAGE041
的终点；/>
Figure DEST_PATH_IMAGE044
表示目标连通域/>
Figure DEST_PATH_IMAGE045
的最大特征值主方向/>
Figure 77403DEST_PATH_IMAGE041
的起点与目标连通域/>
Figure 396389DEST_PATH_IMAGE035
的最大特征值主方向/>
Figure 564065DEST_PATH_IMAGE040
的终点之间的距离，/>
Figure DEST_PATH_IMAGE046
表示目标连通域/>
Figure DEST_PATH_IMAGE047
的最大特征值主方向/>
Figure 107042DEST_PATH_IMAGE041
的起点，/>
Figure DEST_PATH_IMAGE048
表示目标连通域/>
Figure 868324DEST_PATH_IMAGE035
的最大特征值主方向/>
Figure 318897DEST_PATH_IMAGE040
的终点；函数/>
Figure DEST_PATH_IMAGE049
为取最小值函数，表示取两对起终点之间距离的最小值，以确定得到两个目标连通域之间的首尾相连的距离，如图4所示，为两个目标连通域之间的最小距离。
S4、利用每个目标连通域与其他每个目标连通域之间的最小距离、最大特征值主方向的夹角以及特征值波动范围的差异，得到每个目标连通域与其他每个目标连通域之间的连接必要性。
如果灰度图像中有两个目标连通域是被粘连的树冠隔断的，则这两个目标连通域的最大特征值主方向的夹角应该越小，在灰度图像中的延伸方向应该越相似，需要通过计算两个目标连通域之间的连接必要性，按照连接必要性大小将被粘连树冠隔断的空隙部分的目标连通域连接起来。
具体的，根据下式计算每个目标连通域与其他每个目标连通域的最大特征值主方向的夹角：
Figure DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE051
表示目标连通域/>
Figure DEST_PATH_IMAGE052
与目标连通域/>
Figure DEST_PATH_IMAGE053
的最大特征值主方向的夹角；/>
Figure DEST_PATH_IMAGE054
函数为余弦函数；/>
Figure DEST_PATH_IMAGE055
、/>
Figure DEST_PATH_IMAGE056
分别表示目标连通域/>
Figure 872238DEST_PATH_IMAGE052
和目标连通域/>
Figure 851696DEST_PATH_IMAGE053
的最大特征值主方向的向量；/>
Figure DEST_PATH_IMAGE057
为目标连通域/>
Figure 365854DEST_PATH_IMAGE052
和目标连通域/>
Figure 26642DEST_PATH_IMAGE053
的最大特征值主方向的向量内积；/>
Figure DEST_PATH_IMAGE058
为目标连通域/>
Figure 372173DEST_PATH_IMAGE052
和目标连通域/>
Figure 725794DEST_PATH_IMAGE053
的最大特征值主方向的向量的模长之积；/>
Figure DEST_PATH_IMAGE059
的比值越大，表示目标连通域/>
Figure 586302DEST_PATH_IMAGE052
和目标连通域/>
Figure 988465DEST_PATH_IMAGE053
的最大特征值主方向的夹角的余弦值越大，向量夹角为/>
Figure DEST_PATH_IMAGE060
，则表示夹角/>
Figure DEST_PATH_IMAGE061
越小，两个目标连通域的延伸方向越相似，越有可能为被树冠隔断的空隙连通域，越有连接的必要。
根据下式计算每个目标连通域与其他每个目标连通域之间的连接必要性：
Figure DEST_PATH_IMAGE062
其中，
Figure DEST_PATH_IMAGE063
表示目标连通域/>
Figure DEST_PATH_IMAGE064
与目标连通域/>
Figure 318995DEST_PATH_IMAGE053
之间的连接必要性；
Figure DEST_PATH_IMAGE065
表示目标连通域/>
Figure 374676DEST_PATH_IMAGE064
的特征值波动范围；/>
Figure DEST_PATH_IMAGE066
表示目标连通域/>
Figure 597847DEST_PATH_IMAGE053
的特征值波动范围；
Figure DEST_PATH_IMAGE067
表示目标连通域/>
Figure 193913DEST_PATH_IMAGE064
与目标连通域/>
Figure 920561DEST_PATH_IMAGE053
的最大特征值主方向之间的夹角的余弦值；/>
Figure DEST_PATH_IMAGE068
表示目标连通域/>
Figure 943880DEST_PATH_IMAGE064
与目标连通域/>
Figure 185506DEST_PATH_IMAGE053
之间的最小距离；/>
Figure DEST_PATH_IMAGE069
为以e为底的指数函数，e为自然常数。/>
Figure DEST_PATH_IMAGE070
表示两个目标连通域的特征值波动范围的差异，差值越小，则两个目标连通域在灰度图像中延伸方向越容易辨认，越可能为被隔断的空隙连通域，利用/>
Figure DEST_PATH_IMAGE071
函数作为负相关映射，表示差值越小得到的连接必要性的值越大；/>
Figure DEST_PATH_IMAGE072
为目标连通域/>
Figure DEST_PATH_IMAGE073
的最大特征值主方向的夹角余弦值
Figure DEST_PATH_IMAGE074
与最小距离/>
Figure DEST_PATH_IMAGE075
的比值，该比值越大表示两个目标连通域之间最大特征值主方向的夹角越小，图像中距离越近，表示两个目标连通域之间被隔断的可能性越大，连接必要性越大。
S5、将每个目标连通域与对应的最大连接必要性的目标连通域连接，得到多个新的目标连通域。
具体的，每个目标连通域与其他每个目标连通域都存在一个连接必要性，对每个目标连通域构建连接必要性的序列
Figure DEST_PATH_IMAGE076
，选取序列中的最大值，即最大连接必要性/>
Figure DEST_PATH_IMAGE077
对应的目标连通域/>
Figure DEST_PATH_IMAGE078
进行连接。灰度图像中每个目标连通域都与对应的最大连接必要性的目标连通域连接，得到了多个新的目标连通域，对两个目标连通域进行连接时，根据实际观测精度选取连接宽度，本实施例选取连接宽度为L=5，即连接宽度为5个像素点宽度，将两个目标连通域得到最小距离的起点和终点相连。
S6、对新的目标连通域重复进行步骤S3-S5，直到灰度图像中得到一个完整的树冠外部空隙的最终目标连通域，停止重复，得到目标灰度图像。
因为本方案最终需要获取每个树木的连通域，树木之间不存在粘连，所以需要一整个大的空隙连通域将所有树木单独分隔开。具体的，对新的目标连通域重复进行步骤S3-S5，不断连接得到新的目标连通域，直到灰度图像中只剩一个目标连通域，即得到一整个树冠外部空隙的最终目标连通域，停止重复，得到目标灰度图像，如图5所示。
S7、获取目标灰度图像中的多个树木连通域并对应到HSV图像中，利用HSV图像中每个树木连通域的像素点的HSV值得到每个树木连通域的异常程度；根据树木连通域的异常程度得到每个树木的病变等级。
具体的，获取目标灰度图像中的多个树木连通域，将目标灰度图像中的多个树木连通域对应的HSV图像中，得到每个树木连通域中像素点的HSV值。
松材线虫病会导致松木的针叶变色，所以可以通过对遥感图像的HSV图像中像素点的HSV值，筛选出和松材线虫病的发病颜色相同的像素点，进而得到发生松材线虫病的病变区域。对每个树木连通域进行分析，得到每个树木的病变程度，进而对染病树木进行精确定位。松材线虫病发病表征为：早期树木的针叶绿色褪去为浅绿色，中期树木针叶逐渐变为黄褐色，末期加深为红褐色、最终树木枯死。
具体的，根据历史数据得到树木处于松材线虫病不同阶段时的颜色阈值区间，即分别获取浅绿色，黄褐色，红褐色对应的色调值H区间，即每个病变颜色阶段的颜色阈值区间；获取每个树木连通域中处于每个颜色阈值区间的像素点数量；获取HSV图像中每个树木连通域中处于颜色阈值区间的相同H值对应的每两个像素点之间的距离；利用每个树木连通域中处于每个颜色阈值区间的像素点数量、处于颜色阈值区间的相同H值对应的每两个像素点之间的距离，以及树木连通域中像素点的总数量得到每个树木连通域的异常程度。
根据下式计算每个树木连通域的异常程度：
Figure DEST_PATH_IMAGE079
其中，
Figure DEST_PATH_IMAGE080
表示第/>
Figure DEST_PATH_IMAGE081
个树木连通域的异常程度；/>
Figure DEST_PATH_IMAGE082
表示第/>
Figure 444318DEST_PATH_IMAGE082
个颜色阈值区间，共有3个颜色阈值区间，/>
Figure DEST_PATH_IMAGE083
；/>
Figure DEST_PATH_IMAGE084
表示第/>
Figure DEST_PATH_IMAGE085
个树木连通域中像素点的总数量；/>
Figure DEST_PATH_IMAGE086
表示第/>
Figure 743581DEST_PATH_IMAGE085
个树木连通域中H值处于第/>
Figure 282010DEST_PATH_IMAGE082
个颜色阈值区间的像素点的数量，/>
Figure DEST_PATH_IMAGE087
表示/>
Figure DEST_PATH_IMAGE088
表示第/>
Figure 869986DEST_PATH_IMAGE085
个树木连通域中H值处于第/>
Figure 417642DEST_PATH_IMAGE082
个颜色阈值区间的像素点的数量占第/>
Figure 243515DEST_PATH_IMAGE085
个树木连通域中像素点的总数量的比值，比值越大，说明第/>
Figure 15162DEST_PATH_IMAGE085
个树木连通域中处于颜色阈值区间中的像素点越多，即为病变区域的像素点数量越多，则该树木连通域的异常程度越大；/>
Figure DEST_PATH_IMAGE089
、/>
Figure DEST_PATH_IMAGE090
分别表示第
Figure 28118DEST_PATH_IMAGE085
个树木连通域中处于第/>
Figure 379465DEST_PATH_IMAGE082
个颜色阈值区间的相同的H值对应的任意两个像素点/>
Figure DEST_PATH_IMAGE091
和
Figure DEST_PATH_IMAGE092
；/>
Figure DEST_PATH_IMAGE093
表示第/>
Figure 794265DEST_PATH_IMAGE085
个树木连通域中第/>
Figure 330289DEST_PATH_IMAGE082
个颜色阈值区间的H值对应的任意两个像素点/>
Figure 33803DEST_PATH_IMAGE091
和/>
Figure 657682DEST_PATH_IMAGE092
之间的距离，即第/>
Figure 395831DEST_PATH_IMAGE085
个树木连通域中第/>
Figure 565738DEST_PATH_IMAGE082
个颜色阈值区间的H值对应的任意两个像素点/>
Figure 756548DEST_PATH_IMAGE091
和/>
Figure 449697DEST_PATH_IMAGE092
的距离中含有的像素点数量，与/>
Figure DEST_PATH_IMAGE094
计算比值，表示H值对应的任意两个像素点/>
Figure 370249DEST_PATH_IMAGE091
和/>
Figure 857862DEST_PATH_IMAGE092
的距离中含有的像素点数量占第/>
Figure 535968DEST_PATH_IMAGE085
个树木连通域中像素点的总数量的比值，比值越大，则说明第/>
Figure 626284DEST_PATH_IMAGE085
个树木连通域中该类像素点的分布范围越分散，该树木连通域的异常程度越大；函数/>
Figure DEST_PATH_IMAGE095
为归一化函数，使数据落入[0,1]区间，便于后续选取阈值进行病变等级划分。
根据监测标准，设定严重病变阈值0.8、中度病变阈值0.6、轻度病变阈值0.4和正常阈值0.2。
若树木连通域的异常程度大于或等于严重病变阈值，则该树木连通域为严重病变区域；
若树木连通域的异常程度大于或等于中度病变阈值且小于严重病变阈值，则该树木连通域为中度病变区域；
若树木连通域的异常程度大于或等于轻度病变阈值且小于中度病变阈值，则该树木连通域为轻度病变区域；
若树木连通域的异常程度大于或等于正常阈值且小于轻度病变阈值，则该树木连通域为正常区域。
本方案还包括根据树木连通域的病变等级构建病变识别神经网络。
具体的，将遥感图像中每个树木连通域中的严重病变区域的像素点标记为1，中度病变区域的像素点标记为2，轻度病变区域的像素点标记为3，正常区域的像素点标记为0。利用计算得到的病变等级区域对遥感图像进行标记，相对于人工标记更加准确且快速。
将标记后的遥感图像作为病变识别神经网络的训练集图像，进行神经网络训练。神经网络的训练参考的现有的Mask-RCNN网络，区别在于本方案不需要进行人工标记。
病变识别神经网络的网络结构为Encoder-Decoder，网络的输入为：采集到的遥感图像，输出为：图像各个像素点的分类结果，即像素点的病变等级，网络的损失函数为：交叉熵损失函数。
利用训练好的病变识别神经网络对待监测林区的高分辨遥感图像进行松材线虫病监测，检测时设定固定的时间间隔，本方案设置时间间隔为1个月，可根据实际情况选取合适的时间间隔，以病变识别神经网络的输出结果作为参考，帮助相关工作人员完成树木健康监测。
综上所述，本发明提供基于人工智能和高分辨率遥感影像的松材线虫病监测方法，通过遥感图像的灰度图像中的灰度值得到树木空隙部分的空隙连通域，利用空隙连通域的特征值波动范围确定出树冠内部的空隙连通域并去除，得到了灰度图像中所有树木的树冠外部空隙的目标连通域，即只保留了树与树之间的空隙，用于后续划分树木连通域；通过获取目标连通域之间的连接必要性，将所有的目标连通域中距离相近、最大特征值主方向相似以及特征值波动范围差异小的目标连通域进行连接得到新的目标连通域，并根据该特征不断连接目标连通域，直到灰度图像中只存在一个大的空隙连通域，表示将所有被树冠隔断的树木之间本应该存在的空隙连通域连接了起来，用于划分不同的树木连通域，是因为本发明需要最终得到每个树木的连通域，树木之间不存在粘连，所以需要一整个大的空隙连通域将所有树木单独分隔开，后续对每个树木连通域计算异常程度并进行病变等级分析，使得到的树木病变程度更精确。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于人工智能和高分辨率遥感影像的松材线虫病监测方法，其特征在于：
S1、获取待监测林区的遥感图像的灰度图像和HSV图像，获取灰度图像中树冠的空隙连通域；
S2、利用每个空隙连通域的最大特征值主方向和最小特征值主方向的特征值得到每个空隙连通域的特征值波动范围，利用空隙连通域的特征值波动范围得到树冠外部空隙的目标连通域；
S3、利用每个目标连通域的最大特征值主方向的起点和终点，得到每个目标连通域与其他每个目标连通域之间的最小距离；
S4、对每个目标连通域与其他每个目标连通域之间的特征值波动范围的差异进行反比例归一化得到归一化值，获取每个目标连通域与其他每个目标连通域的最大特征值主方向的夹角余弦值与最小距离的比值，利用每个目标连通域与其他每个目标连通域得到的归一化值和比值相乘得到每个目标连通域与其他每个目标连通域之间的连接必要性；
S5、将每个目标连通域与对应的最大连接必要性的目标连通域连接，得到多个新的目标连通域；
S6、对新的目标连通域重复进行步骤S3-S5，直到灰度图像中得到一个完整的树冠外部空隙的最终目标连通域，停止重复，得到目标灰度图像；
S7、获取目标灰度图像中的多个树木连通域并对应到HSV图像中，利用HSV图像中每个树木连通域的像素点的HSV值得到每个树木连通域的异常程度；根据树木连通域的异常程度得到每个树木的病变等级。
2.根据权利要求1所述的基于人工智能和高分辨率遥感影像的松材线虫病监测方法，其特征在于，得到每个树木连通域的异常程度的步骤包括：
根据历史数据得到树木处于松材线虫病不同阶段时的颜色阈值区间；
获取每个树木连通域中处于每个颜色阈值区间的像素点数量；
获取HSV图像中每个树木连通域中处于颜色阈值区间的相同H值对应的每两个像素点之间的距离；
利用每个树木连通域中处于每个颜色阈值区间的像素点数量、处于颜色阈值区间的相同H值对应的每两个像素点之间的距离，以及树木连通域中像素点的总数量得到每个树木连通域的异常程度。
3.根据权利要求2所述的基于人工智能和高分辨率遥感影像的松材线虫病监测方法，其特征在于，得到每个树木连通域的异常程度的公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
表示第
Figure DEST_PATH_IMAGE003
个树木连通域的异常程度；
Figure DEST_PATH_IMAGE004
表示第
Figure 930767DEST_PATH_IMAGE004
个颜色阈值区间，共有3个颜色阈值区间；
Figure DEST_PATH_IMAGE005
表示第
Figure 441383DEST_PATH_IMAGE003
个树木连通域中像素点的总数量；
Figure DEST_PATH_IMAGE006
表示第
Figure 689962DEST_PATH_IMAGE003
个树木连通域中H值处于第
Figure 678646DEST_PATH_IMAGE004
个颜色阈值区间的像素点的数量；
Figure DEST_PATH_IMAGE007
、
Figure DEST_PATH_IMAGE008
分别表示第
Figure 227439DEST_PATH_IMAGE003
个树木连通域中处于第
Figure 377798DEST_PATH_IMAGE004
个颜色阈值区间的相同的H值对应的任意两个像素点
Figure DEST_PATH_IMAGE009
和
Figure DEST_PATH_IMAGE010
；
Figure DEST_PATH_IMAGE011
表示第
Figure 972727DEST_PATH_IMAGE003
个树木连通域中第
Figure 374890DEST_PATH_IMAGE004
个颜色阈值区间的H值对应的任意两个像素点
Figure 309348DEST_PATH_IMAGE009
和
Figure 630608DEST_PATH_IMAGE010
之间的距离；函数
Figure DEST_PATH_IMAGE012
为归一化函数。
4.根据权利要求1所述的基于人工智能和高分辨率遥感影像的松材线虫病监测方法，其特征在于，得到每个空隙连通域的特征值波动范围的步骤包括：
获取每个空隙连通域的最大特征值主方向的特征值与最大特征值主方向的特征值的比值；
对比值进行归一化得到每个空隙连通域的特征值波动范围。
5.根据权利要求1所述的基于人工智能和高分辨率遥感影像的松材线虫病监测方法，其特征在于，利用空隙连通域的特征值波动范围得到树冠外部空隙的目标连通域的步骤包括：
去除特征值波动范围小于设定的波动范围阈值的空隙连通域；
将灰度图像中剩余的空隙连通域作为树冠外部空隙的目标连通域。
6.根据权利要求1所述的基于人工智能和高分辨率遥感影像的松材线虫病监测方法，其特征在于，得到每个目标连通域与其他每个目标连通域之间的最小距离的步骤包括：
获取目标连通域
Figure DEST_PATH_IMAGE013
的最大特征值主方向的起点与目标连通域
Figure DEST_PATH_IMAGE014
的最大特征值主方向的终点之间的距离；
获取目标连通域
Figure 712833DEST_PATH_IMAGE013
的最大特征值主方向的终点与目标连通域
Figure 653107DEST_PATH_IMAGE014
的最大特征值主方向的起点之间的距离；
从得到的两个距离中选取最小值作为目标连通域
Figure 442072DEST_PATH_IMAGE013
与目标连通域
Figure 199812DEST_PATH_IMAGE014
之间的最小距离；
同理得到每个目标连通域与其他每个目标连通域之间的最小距离。
7.据权利要求1所述的基于人工智能和高分辨率遥感影像的松材线虫病监测方法，其特征在于，得到每个目标连通域与其他每个目标连通域之间的连接必要性的公式为：
Figure DEST_PATH_IMAGE015
其中，
Figure DEST_PATH_IMAGE016
表示目标连通域
Figure DEST_PATH_IMAGE017
与目标连通域
Figure DEST_PATH_IMAGE018
之间的连接必要性；
Figure DEST_PATH_IMAGE019
表示目标连通域
Figure 238175DEST_PATH_IMAGE017
的特征值波动范围；
Figure DEST_PATH_IMAGE020
表示目标连通域
Figure 310037DEST_PATH_IMAGE018
的特征值波动范围；
Figure DEST_PATH_IMAGE021
表示目标连通域
Figure 546983DEST_PATH_IMAGE017
与目标连通域
Figure 147729DEST_PATH_IMAGE018
的最大特征值主方向之间的夹角的余弦值；
Figure DEST_PATH_IMAGE022
表示目标连通域
Figure 345492DEST_PATH_IMAGE017
与目标连通域
Figure 17781DEST_PATH_IMAGE018
之间的最小距离；
Figure DEST_PATH_IMAGE023
为以e为底的指数函数，e为自然常数。
8.根据权利要求1所述的基于人工智能和高分辨率遥感影像的松材线虫病监测方法，其特征在于，根据树木连通域的异常程度得到病变等级的步骤包括：
设定严重病变阈值、中度病变阈值、轻度病变阈值和正常阈值；
异常程度大于或等于严重病变阈值的树木连通域为严重病变区域；
异常程度大于或等于中度病变阈值且小于严重病变阈值的树木连通域为中度病变区域；
异常程度大于或等于轻度病变阈值且小于中度病变阈值的树木连通域为轻度病变区域；
异常程度大于或等于正常阈值且小于轻度病变阈值的树木连通域为正常区域。
9.根据权利要求1所述的基于人工智能和高分辨率遥感影像的松材线虫病监测方法，其特征在于，还包括：
对遥感图像中每个树木连通域中每个病变等级对应的区域中的像素点做不同的标记，利用完成标记的遥感图像训练病变识别网络；
在病变识别网络中输入待监测的遥感图像，输出遥感图像中每个像素点的分类结果，即对应的病变等级。
CN202211588231.XA 2022-12-12 2022-12-12 基于人工智能和高分辨率遥感影像的松材线虫病监测方法 Active CN115601670B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211588231.XA CN115601670B (zh) 2022-12-12 2022-12-12 基于人工智能和高分辨率遥感影像的松材线虫病监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211588231.XA CN115601670B (zh) 2022-12-12 2022-12-12 基于人工智能和高分辨率遥感影像的松材线虫病监测方法

Publications (2)

Publication Number Publication Date
CN115601670A CN115601670A (zh) 2023-01-13
CN115601670B true CN115601670B (zh) 2023-03-24

Family

ID=84853079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211588231.XA Active CN115601670B (zh) 2022-12-12 2022-12-12 基于人工智能和高分辨率遥感影像的松材线虫病监测方法

Country Status (1)

Country Link
CN (1) CN115601670B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258968B (zh) * 2023-05-10 2023-07-18 蒙阴县国有林场总场(蒙阴县国有岱崮林场) 一种林果病虫管理方法及系统
CN117808801B (zh) * 2024-02-29 2024-05-17 泰安大陆医疗器械有限公司 一种钢针排针植入视觉检测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7245755B1 (en) * 2002-07-10 2007-07-17 Xiaochuan Pan Algorithm for image reconstruction and image noise analysis in computed tomography
CN110084791A (zh) * 2019-04-18 2019-08-02 天津大学 一种基于图像处理的番茄早疫病与晚疫病自动检测方法
CN111259809A (zh) * 2020-01-17 2020-06-09 五邑大学 基于DANet的无人机海岸线漂浮垃圾巡检系统
WO2022061496A1 (zh) * 2020-09-22 2022-03-31 深圳市大疆创新科技有限公司 对象边界提取方法、装置、可移动平台及存储介质
CN114387528A (zh) * 2021-12-29 2022-04-22 浙江同创空间技术有限公司 松材线虫病监测天空地一体化监测方法
CN114494304A (zh) * 2022-04-18 2022-05-13 山东施卫普环保科技有限公司 一种智能的干洗车厢内部物料快速疏导方法
CN114862886A (zh) * 2022-05-24 2022-08-05 南京林业大学 基于mls点云数据的行道树单木分割方法
CN115082804A (zh) * 2022-08-22 2022-09-20 南通海扬食品有限公司 利用多特征数据处理分析的水稻病害识别方法
CN115294482A (zh) * 2022-09-26 2022-11-04 山东常生源生物科技股份有限公司 一种基于无人机遥感图像的食用菌产量估算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11991944B2 (en) * 2021-05-03 2024-05-28 Crop Sentry Ltd. Computer vision system and method for agriculture

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7245755B1 (en) * 2002-07-10 2007-07-17 Xiaochuan Pan Algorithm for image reconstruction and image noise analysis in computed tomography
CN110084791A (zh) * 2019-04-18 2019-08-02 天津大学 一种基于图像处理的番茄早疫病与晚疫病自动检测方法
CN111259809A (zh) * 2020-01-17 2020-06-09 五邑大学 基于DANet的无人机海岸线漂浮垃圾巡检系统
WO2022061496A1 (zh) * 2020-09-22 2022-03-31 深圳市大疆创新科技有限公司 对象边界提取方法、装置、可移动平台及存储介质
CN114387528A (zh) * 2021-12-29 2022-04-22 浙江同创空间技术有限公司 松材线虫病监测天空地一体化监测方法
CN114494304A (zh) * 2022-04-18 2022-05-13 山东施卫普环保科技有限公司 一种智能的干洗车厢内部物料快速疏导方法
CN114862886A (zh) * 2022-05-24 2022-08-05 南京林业大学 基于mls点云数据的行道树单木分割方法
CN115082804A (zh) * 2022-08-22 2022-09-20 南通海扬食品有限公司 利用多特征数据处理分析的水稻病害识别方法
CN115294482A (zh) * 2022-09-26 2022-11-04 山东常生源生物科技股份有限公司 一种基于无人机遥感图像的食用菌产量估算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Ruirui Zhang 等."Detecting Pine Trees Damaged by Wilt Disease Using Deep Learning Techniques Applied to Multi-Spectral Images".《IEEE Access》.2022, *
舒敏." 基于遥感技术的松材线虫病诊断与监测研究进展".《安徽农业科学》.2022, *

Also Published As

Publication number Publication date
CN115601670A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN115601670B (zh) 基于人工智能和高分辨率遥感影像的松材线虫病监测方法
Sarangdhar et al. Machine learning regression technique for cotton leaf disease detection and controlling using IoT
Aquino et al. Automated early yield prediction in vineyards from on-the-go image acquisition
Baweja et al. Stalknet: A deep learning pipeline for high-throughput measurement of plant stalk count and stalk width
CN104598908B (zh) 一种农作物叶部病害识别方法
CN106951836B (zh) 基于先验阈值优化卷积神经网络的作物覆盖度提取方法
US8781174B2 (en) Method and system for recognizing plant diseases and recording medium
Kamlapurkar Detection of plant leaf disease using image processing approach
Dutta et al. Segmentation of unhealthy leaves in cruciferous crops for early disease detection using vegetative indices and Otsu thresholding of aerial images
BR112018009108B1 (pt) Método para a aquisição e análise de imagens aéreas
CN105551168B (zh) 一种农田火灾遥感监测预警的方法及系统
CN103974053B (zh) 一种基于灰点提取的自动白平衡矫正方法
KR102125780B1 (ko) 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치
WO2018120634A1 (zh) 病虫害识别方法及装置
CN108764284B (zh) 一种对松树病死木的高分辨率影像的分类去噪方法及系统
CN112257702A (zh) 一种基于增量学习的农作物病害识别方法
Xiao et al. Remote sensing detection algorithm for apple fire blight based on UAV multispectral image
Petrellis Mobile application for plant disease classification based on symptom signatures
CN115456960A (zh) 一种柑橘黄龙病虫害的监测预警系统及方法
Pujari et al. Recognition and classification of produce affected by identically looking powdery mildew disease
Qian et al. A smartphone-based apple yield estimation application using imaging features and the ANN method in mature period
Kumar et al. An identification of crop disease using image segmentation
Cruz et al. Precise real-time detection of nonforested areas with UAVs
CN113283538B (zh) 一种基于卷积神经网络的昆虫分类及计数方法
Yang et al. Assessing cotton defoliation, regrowth control and root rot infection using remote sensing technology

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