CN115830003A - 一种茶园叶片病害的智能监测防治方法 - Google Patents
一种茶园叶片病害的智能监测防治方法 Download PDFInfo
- Publication number
- CN115830003A CN115830003A CN202211671750.2A CN202211671750A CN115830003A CN 115830003 A CN115830003 A CN 115830003A CN 202211671750 A CN202211671750 A CN 202211671750A CN 115830003 A CN115830003 A CN 115830003A
- Authority
- CN
- China
- Prior art keywords
- leaf
- area
- tea
- leaves
- degree
- 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.)
- Withdrawn
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种茶园叶片病害的智能监测防治方法,方法包括:通过对叶片区的病斑外形和颜色变化特征进行分析,根据叶片区中每个病斑子区域的颜色差异、圆拟合度、圆环拟合度和叶片区中的病斑子区域数量获得病斑形态显著度,能够准确判断出该叶片区对应的叶片是否出现病害情况。根据第一叶片区域与第二叶片区域之间的形状特征差异和直线拟合度获得茶树叶片形态保持度,能够准确得到该叶片结构的完整性,进一步表现叶片的病害情况。本发明通过多维度、多方面对叶片的病斑形态和叶片形态保持情况进行分析,综合判断茶树的病害情况,提高对病害情况分析的准确性与科学性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种茶园叶片病害的智能监测防治方法。
背景技术
茶是中国的传统饮品,具有保健的功效,茶叶在茶树上生长的状态对茶的品质影响巨大。茶饼病是由坏损外担菌引起的一种发生在茶树叶片上的病害,在中国的各个茶区均有发生,发病率一般在20%到30%,严重区域的发病率可达到60%到80%,并且每年可浸染7到15次不等,需要及时进行防治。
目前,对于茶树病害的监测主要基于PCR技术和图像。PCR分子检测技术通过对基因进行定位来完成植物真菌病原鉴定和病害检测,但标记基因可能会发生特异性变换,从而使检测的准确性降低,且实验操作繁琐,检索时间长,成本高。基于机器学习的识别方法鲁棒性高,但受到采集的样本的影响较大,对样本的需求量过高,训练成本较大。现有技术中,通过提取病害的特征对病害进行识别的方法,仅根据阈值划分的病斑区域提取病斑特征,或者根据迭代的病害阈值范围对图像的病害区域进行划分,没有多角度、多维度得到准确特征,从而导致识别病害结果的准确性降低,精确度不足。
发明内容
为了解决现有技术中仅根据阈值划分的病斑区域提取病斑特征,或者根据迭代的病害阈值范围对图像的病害区域进行划分,没有多角度、多维度得到准确特征,从而导致识别病害结果的准确性降低,精确度不足,本发明的目的在于提供一种茶园叶片病害的智能监测防治方法,所采用的技术方案具体如下:
本发明提出一种茶园叶片病害的智能监测防治方法,所述方法包括:
获得茶树图像及其茶树边缘图像;根据所述茶树边缘图像中的边缘获得茶树图像中的叶片区;
在每个叶片区内,根据像素值对像素点进行分组,得到至少两个子区域;将每个子区域中的像素点进行拟合,获得圆拟合度和圆环拟合度;基于圆拟合度和圆环拟合度筛选出病斑子区域;获得每个病斑子区域与预设标准叶片区域的颜色差异;根据叶片区中每个病斑子区域的颜色差异、圆拟合度、圆环拟合度和叶片区中的病斑子区域数量获得病斑形态显著度;
获得每个叶片区的骨架,根据骨架将叶片区划分为第一叶片区域和第二叶片区域,分别获得第一叶片区域和第二叶片区域的形状特征;获得骨架的直线拟合度;根据第一叶片区域与第二叶片区域之间的形状特征差异和直线拟合度获得茶树叶片形态保持度;
根据所有叶片区对应的病斑形态显著度和茶树叶片形态保持度获得叶片茶饼病显著度,根据叶片茶饼病显著度监测茶树图像对应的茶饼病病害情况。
进一步的,所述获得圆拟合度和圆环拟合度的方法包括:
对各个子区域的边缘像素点使用霍夫圆检测,获得子区域边缘对应的标准圆;根据预设半径增值将标准圆的半径从内外分别进行扩展得到标准圆环;
将各个子区域对应的标准圆环内与子区域边缘的像素点数量比值作为圆环拟合度;将各个子区域对应的标准圆与子区域边缘的像素点数量比值作为圆拟合度。
进一步的,所述获得病斑子区域的方法包括:
将子区域对应的圆拟合度和圆环拟合度的和值作为边缘拟合度;若子区域对应的边缘拟合度大于等于预设边缘阈值,则对应的子区域为病斑子区域。
进一步的,所述颜色差异的获取方法包括:
使用阈值分割获得标准叶片区,获得标准R均值和标准G均值;颜色差异为病斑子区域的R差异和病斑子区域的G差异的和值;
将病斑子区域在茶树图像的R通道上像素点均值与标准R均值的差值绝对值作为病斑子区域的R差异;将病斑子区域在茶树图像的G通道上像素点均值与标准G均值的差值绝对值作为病斑子区域的G差异。
进一步的,所述病斑形态显著度的获取方法包括:
将每个病斑子区域的圆拟合度和圆环拟合度的和值与颜色差异的乘积作为每个病斑子区域的特征差异,将叶片区中病斑子区域的数量与所有病斑子区域的特征差异累加值的乘积作为叶片区对应的病斑形态显著度。
进一步的,所述获得第一叶片区域和第二叶片区域的形状特征的方法包括:
对第一叶片区域的所有像素点使用傅里叶描述子,获得包含预设特征数量个元素的第一特征向量;对第二叶片区域的所有像素点使用傅里叶描述子,获得包含预设特征数量个元素的第二特征向量;将第一特征作向量为第一叶片区域的形状特征,将第二特征向量作为第二叶片区域的形状特征。
进一步的,所述获得骨架的直线拟合度包括:
将骨架上的像素点进行霍夫直线检测,获得骨架直线区域;将骨架直线区域内的像素点进行标记得到直线像素点;利用预设尺寸的滑窗以每个直线像素点为中心点遍历所有直线像素点,以滑窗滑过的区域作为中轴笔直区域;
将骨架中位于中轴笔直区域的像素点数量与骨架上的所有像素点数量的比值作为骨架的笔直度;将骨架上所有像素点与直线进行拟合,获得骨架的拟合优度;将骨架的拟合优度与骨架的笔直度的乘积作为骨架的直线拟合度。
进一步的,所述茶树叶片形态保持度的获取方法包括:
将第一叶片区域的形状特征和对应的第二叶片区域的形状特征对应位置元素的差值绝对值进行累加,累加值作为第一叶片区域与第二叶片区域之间的形状特征差异;将骨架的直线拟合度和第一叶片区域与第二叶片区域之间的形状特征差异的比值作为叶片区对应的茶树叶片形态保持度。
进一步的,所述叶片茶饼病显著度的公式包括:
将每个叶片区对应的茶树叶片形态保持度的归一化值进行负相关处理,获得茶树叶片形态保持度的负相关值;将所述负相关值与对应茶饼病显著度的乘积进行取整,获得每个叶片区对应的茶饼病子显著度;将所有叶片区对应的茶饼病子显著度的累加值作为叶片茶饼病显著度。
进一步的,所述叶片区包括:
对茶树图像使用YOLO算法获得目标包围框,根据茶树边缘图像中目标包围框对应位置的边缘轮廓获得叶片区轮廓;根据叶片区轮廓获得至少一个叶片区。
本发明具有如下有益效果:
本发明实施例中,通过对叶片区进行分组获得子区域,并得到每个子区域的圆拟合度和圆环拟合度,进而筛选出病斑子区域,目的是得到子区域与病斑在形状上的相似程度,准确判断出该子区域是否为病斑所在的子区域。根据叶片区中每个病斑子区域的颜色差异、圆拟合度、圆环拟合度和叶片区中的病斑子区域数量获得病斑形态显著度,病斑形态显著度为该叶片区上呈现出的淡黄至红棕色再至暗红色的圆形斑点特征的显著程度;通过对叶片区的病斑外形和颜色变化特征进行分析,能够准确判断出该叶片区对应的叶片是否出现病害情况。根据第一叶片区域和第二叶片区域之间的形状特征差异和直线拟合度获得茶树叶片形态保持度,茶树叶片形态保持度反映了叶片区对应的叶片形态上的均匀程度;进一步对叶片的完整性进行判断,能够准确得到该叶片结构的完整性,进一步表现叶片的病害情况。根据所有叶片区对应的病斑形态显著度和茶树叶片形态保持度获得叶片茶饼病显著度,叶片茶饼病显著度反映茶树图像对应的茶树的茶饼病病害情况,通过多维度、多方面对叶片的病斑形态和叶片形态保持情况进行分析,综合判断茶树的病害情况,提高对病害情况分析的准确性与科学性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种茶园叶片病害的智能监测防治方法流程图;
图2为本发明一个实施例所提供的出现茶饼病的茶树叶片示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种茶园叶片病害的智能监测防治方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种茶园叶片病害的智能监测防治方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种茶园叶片病害的智能监测防治方法流程图,该方法包括:步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1:获得茶树图像及其茶树边缘图像;根据所述茶树边缘图像中的边缘获得茶树图像中的叶片区。
在本发明实施例中,对茶园中易出现的茶饼病进行检测,主要针对相对湿度较高或结露时间较长的茶园也可对春秋季易出现茶饼病的茶园进行检测。
请参阅图2,其出示了本发明一个实施例所提供的出现茶饼病的茶树叶片示意图,其中标记的A类区域为病斑区域。茶饼病主要发生在嫩芽和嫩茎上,患叶的正面和背面均有明显特征。患叶的背面图像不易采集,但嫩叶一般在茶树顶端生长,可以从上方俯视获取茶树的图像。在本发明实施例中,在种植茶树的茶田内设置采样点,在采样点架设工业相机,通过工业相机采集茶树RGB图像,
为了避免噪声对后续分析的影响,并且提高茶树RGB图像的精度和质量,在本发明实施例中,使用中值滤波对茶树RGB图像进行去噪得到去噪的茶树图像,实施者可根据具体场景选用高斯滤波等其他去噪方法,对茶树图像使用canny边缘检测算子获得茶树边缘图像。
需要说明的是,中值滤波和canny边缘检测算子均为本领域技术人员熟知的技术手段,在此不再赘述。
根据茶树边缘图像中的边缘获得茶树图像中的叶片区,具体包括:对茶树图像使用YOLO算法获得目标包围框,根据茶树边缘图像中目标包围框对应位置的边缘轮廓获得叶片区轮廓,将叶片区轮廓上的像素点和其包含的像素点组成的区域作为叶片区,每个茶树图像对应至少一个叶片区。需要说明的是,YOLO算法为本领域技术人员熟知的技术手段,在此不再赘述。
步骤S2:在每个叶片区内,根据像素值对像素点进行分组,得到至少两个子区域。将每个子区域中的像素点进行拟合,获得圆拟合度和圆环拟合度;基于圆拟合度和圆环拟合度筛选出病斑子区域。获得每个病斑子区域与预设标准叶片区域的颜色差异。根据叶片区中每个病斑子区域的颜色差异、圆拟合度、圆环拟合度和叶片区中的病斑子区域数量获得病斑形态显著度。
由图2可知,当茶树的叶片患有茶饼病时,叶片上会出现圆形的特征病斑,病斑位置凸向叶片背面,形成馒头状突起,该特征突起会使叶片的标准树叶形态发生变化,后续以此为依据进行分析。出现茶饼病的叶片在形状上会发生变形,将原本均匀的叶片结构变成不均匀的状态,并且叶片上的病斑形状趋于圆形,病斑的颜色随着病害程度的加深呈现出淡黄色、红棕色或深红色的颜色变化。
茶树叶片为绿色,被坏损外担菌侵染出现茶饼病的茶树叶片会出现淡黄至红棕色再至暗红色的圆形斑点,伴随着病害侵染越严重,叶片的颜色会逐渐加深。在每个叶片区内,根据像素值对像素点进行分组,得到至少两个子区域,在本发明实施例中具体包括:叶片上出现的斑点颜色与标准叶片颜色的差异较大,所以可根据预设半径和预设包含值对每个叶片区使用OPTICS聚类算法进行分组,获得至少两个子区域,叶片上的每个病斑点都会对应单独的一个子区域。图2中标记的A类区域为病斑区域,结合图2可以发现,患有茶饼病的茶树叶片上的病斑形状大多数为圆形,病斑区域的结构与圆的结构相似度较高;而且病斑区域的颜色比周围正常叶片区域的颜色深,具有明显差异。
在本发明实施例中,预设半径取5,预设包含值取30,预设半径和预设包含值的数值均可根据具体实施方式具体设置。
由于在患有茶饼病的茶树叶片上的病斑形状大多数为圆形,叶片区的每个子区域的边缘与圆的圆拟合度能够反映该子区域与病斑形态在形状上的相似性。圆环拟合度表示将子区域的边缘范围在可接受的误差范围内进行扩展,进一步反映该子区域与病斑形态在形状上的相似性。因此,将每个子区域中的像素点进行拟合,获得圆拟合度和圆环拟合度,具体包括:
对各个子区域的边缘像素点使用霍夫圆检测,获得子区域边缘对应的标准圆;根据预设增值将标准圆的半径从内外分别进行扩展得到标准圆环。标准圆环是在可接受的误差范围内,将子区域的边缘范围进行扩展,认为位于标准圆环内的像素点在同一个圆上。将各个子区域对应的标准圆环内与子区域边缘的像素点数量比值作为圆环拟合度,将各个子区域对应的标准圆与子区域边缘的像素点数量比值作为圆拟合度。
在本发明实施例中,预设增值取4,预设增值的数值可根据具体实施方式具体设置。需要说明的是,霍夫圆检测为本领域技术人员熟知的技术手段,在此不再赘述。
叶片区的子区域可分为正常子区域与病斑子区域,为了能够准确分析病斑的特征,需要选择病斑子区域进行后续分析。所以,基于圆拟合度和圆环拟合度筛选出病斑子区域,具体包括:
将子区域对应的圆拟合度和圆环拟合度的和值作为边缘拟合度,边缘拟合度表示子区域对应的标准圆环内和标准圆的像素点总和与子区域边缘的像素点数量比值,反映了子区域的边缘与圆的形状相似性,边缘拟合度越大表示子区域的边缘与圆的形状越相似,即对应子区域为病斑子区域的可能性越大。
茶树叶片整体颜色为绿色,与出现病斑的位置颜色差异较大。对任选的一个叶片区使用阈值分割获得标准叶片区,获得标准R均值和标准G均值,具体包括:
在本发明实施例中,对所选叶片区使用OTSU最大类间方差法划分为两个区域,分别计算两个区域对应的像素点在茶树图像的G通道上对应的均值,将得到的最大均值对应的区域作为标准叶片区,标准叶片区对应所选叶片区的绿色区域。将标准叶片区在R通道上的均值作为标准R均值,将标准叶片区在G通道上的均值作为标准G均值。
正常的茶树叶片整体为绿色,而病斑为淡黄至红棕色再至暗红色,病斑子区域在茶树图像的R通道上像素点均值会变大,相应的G通道上像素点均值会减小。所以,病斑子区域与标准叶片区的颜色差异能够反映病斑子区域的病变程度,从颜色特征分析对应的叶片区的病变程度。因此,获得每个病斑子区域与标准叶片区域的颜色差异,具体包括:
病斑子区域的颜色差异为病斑子区域的R差异和病斑子区域的G差异的和值。将病斑子区域在茶树图像的R通道上像素点均值与标准R均值的差值绝对值作为病斑子区域的R差异;将病斑子区域在茶树图像的G通道上像素点均值与标准G均值的差值绝对值作为病斑子区域的G差异。
叶片区中每个病斑子区域的颜色差异越大说明对应叶片区的病变程度越大;每个病斑子区域的圆拟合度越大且每个病斑子区域的圆环拟合度越大,说明对应叶片区的病斑形态越明显;叶片区中的病斑子区域数量越多说明叶片区受侵染的程度越大。因此,根据叶片区中每个病斑子区域的颜色差异、圆拟合度、圆环拟合度和叶片区中的病斑子区域数量获得病斑形态显著度,具体包括:
将每个病斑子区域的圆拟合度和圆环拟合度的和值与颜色差异的乘积作为每个病斑子区域的特征差异,将叶片区中病斑子区域的数量与所有病斑子区域的特征差异累加值的乘积作为叶片区对应的病斑形态显著度。根据病斑形态显著度的公式获得病斑形态显著度,病斑形态显著度的公式包括:
在病斑形态显著度的公式中,病斑子区域的数量表示对应叶片区受病菌侵染的程度,病斑子区域数量与病斑形态显著度呈正比关系,病斑子区域数量越多说明叶片区上形成的病斑越多,即叶片区受侵染的程度越大。表示病斑子区域的边缘与圆的形状相似性,该值越大表示子区域的边缘与圆的形状越相似,即说明对应叶片区的病斑形态越明显。表示病斑子区域的颜色差异,颜色差异越大说明该病斑子区域与标准叶片区的颜色差异越大,即对应叶片区的病变程度越大,其中修正系数取255。叶片区内的病斑子区域均可得到一个,表示叶片区的所有病斑子区域在颜色差异和对应边缘与圆的形态相似性的乘积的累加和,累加和越大说明对应叶片区的病斑的颜色和形状特征越明显,即对应叶片区的病害程度越大。
病斑形态显著度表示该叶片区上呈现出的淡黄至红棕色再至暗红色的圆形斑点特征的显著程度,若病斑形态显著度越大,则该叶片区上的病斑越明显,叶片区的病害程度越大;若病斑形态显著度越小,则该叶片区上的病斑越不明显,叶片区的病害程度越小。
经过步骤S2的计算后,每个叶片区对应一个病斑形态显著度。
步骤S3:获得每个叶片区的骨架,根据骨架将叶片区的边缘划分为第一叶片区域和第二叶片区域,分别获得第一叶片区域和第二叶片区域的形状特征。获得骨架的直线拟合度。根据第一叶片区域和第二叶片区域之间的形状特征差异和直线拟合度获得茶树叶片形态保持度。
叶片上病斑部分的正面会出现凹陷,叶片背面相应的位置会出现凸起的情况,在叶片上形成馒头状突起,即疱斑。疱斑的起伏特征在图像上无法直接获取,但疱斑会导致叶片出现不规则的卷曲,使叶片的形状出现畸形的状态,叶子原本对称且规律的形态发生变形。
需要对叶片的整体形状特征进行提取,通过整体形状特征判断叶片结构的完整程度。首先,获得每个叶片区的骨架,根据骨架将叶片区划分为第一叶片区域和第二叶片区域,具体包括:使用K3M算法获得每个叶片区的骨架,根据骨架将叶片区的边缘划分为第一叶片区域和第二叶片区域。在本发明实施例中,骨架指叶片的主叶脉部分。
傅里叶描述子具有平移、旋转、尺度不变性,即不受轮廓在图像中的位置、角度及轮廓的缩放等影响,能够有效地将叶片的形状特征提取出来。因此,对第一叶片区域的所有像素点使用傅里叶描述子,获得包含预设特征数量个元素的第一特征向量,第一特征向量作为第一叶片区域的形状特征;对第二叶片区域的所有像素点使用傅里叶描述子,获得包含预设特征数量个元素的第二特征向量,第二特征向量作为第二叶片区域的形状特征。在本发明实施例中,预设特征数量取10,具体预设特征数量的数值可根据具体实施方式具体设置。
需要说明的是,K3M算法和傅里叶描述子均为本领域技术人员熟知的技术手段,在此不在赘述。
未变形的叶片两侧对称分布,即叶片的中轴的主叶脉部分一般为一条近似直线的线条,且骨架指叶片的主叶脉部分,骨架与直线的拟合程度也能判断对应叶片区的形态完整程度。因此,获得骨架的直线拟合度具体包括:
将骨架上的像素点进行霍夫直线检测,获得骨架直线区域、将骨架直线区域内的像素点进行标记得到直线像素点,利用预设尺寸的滑窗以每个直线像素点为中心点遍历所有直线像素点,以滑窗滑过的区域作为中轴笔直区域。在本发明实施例中,预设尺寸为3*3,具体预设尺寸的数值可根据具体实施方式具体设置。将骨架中位于中轴笔直区域的像素点数量与骨架上的所有像素点数量的比值作为骨架的笔直度。
需要说明的是,霍夫直线检测和最小二乘法均为本领域技术人员熟知的技术手段,在此不在赘述。
第一叶片区域和第二叶片区域之间的形状特征差异越小且直线拟合度越大,说明叶片两部分的形状越均匀,即叶片区对应叶片的形状越完整。因此,根据第一叶片区域与第二叶片区域之间的形状特征差异和直线拟合度获得茶树叶片形态保持度,具体包括:
将第一叶片区域的形状特征和对应的第二叶片区域的形状特征对应位置元素的差值绝对值进行累加,累加值作为第一叶片区域与第二叶片区域之间的形状特征差异;将骨架的直线拟合度和第一叶片区域与第二叶片区域之间的形状特征差异的比值作为叶片区对应的茶树叶片形态保持度。根据茶树叶片形态保持度的公式获得茶树叶片形态保持度,茶树叶片形态保持度的公式包括:
在茶树叶片形态保持度的公式中,骨架的直线拟合度代表骨架对应的叶片主叶脉与直线的相似程度,该相似程度与茶树叶片形态保持度呈正比关系,该相似程度越大说明对应的叶片主叶脉与直线的结构越接近,即叶片区对应的叶片形态越完整。表示第一叶片区域与第二叶片区域之间的形状特征差异,形状特征差异与茶树叶片形态保持度呈反比关系,形状特征差异越小说明第一叶片区域与第二叶片区域的结构越相似,即叶片区对应的叶片形态越完整。
茶树叶片形态保持度反映了叶片区对应的叶片的树叶形状的显著度,同时表示叶片区对应的叶片两侧变化规律是否一致和叶片对称性的大小。若茶树叶片形态保持度越大,即叶片区对应的叶片两侧变化规律一致且对称性高,说明叶片区为未患茶饼病的叶片的可能性越大;若茶树叶片形态保持度越小,即叶片区对应的叶片两侧变化规律不一致且对称性低,则叶片区为未患茶饼病的叶片的可能性越小。
经过步骤S3的计算后,每个叶片区对应一个茶树叶片形态保持度。
步骤S4:根据所有叶片区对应的病斑形态显著度和茶树叶片形态保持度获得叶片茶饼病显著度,根据叶片茶饼病显著度监测茶树图像对应的茶饼病病害情况。
根据步骤S1、步骤S2和步骤S3的分析,从多角度、多维度对叶片的情况进行分析,得到每个叶片区对应的病斑形态显著度和茶树叶片形态保持度。
叶片区对应的病斑形态显著度越大且茶树叶片形态保持度越小,说明对应叶片的患病情况越严重。因此,根据所有叶片区对应的病斑形态显著度和茶树叶片形态保持度获得叶片茶饼病显著度,具体包括:
将每个叶片区对应的茶树叶片形态保持度的归一化值进行负相关处理,获得茶树叶片形态保持度的负相关值;将所述负相关值与对应茶饼病显著度的乘积进行取整,获得每个叶片区对应的茶饼病子显著度;将所有叶片区对应的茶饼病子显著度的累加值作为叶片茶饼病显著度。根据叶片茶饼病显著度的公式获得叶片茶饼病显著度,叶片茶饼病显著度的公式包括:
在叶片茶饼病显著度的公式中,将茶树叶片形态保持度的归一化得到茶树叶片形态保持度的归一化值,目的是控制结果的数值范围。茶树叶片形态保持度与叶片茶饼病显著度呈反比关系,茶树叶片形态保持度越小说明叶片区对应的叶片患病情况越严重,因此利用以自然常数为底的指数函数对茶树叶片形态保持度的归一化值进行负相关映射。表示对应叶片区的茶饼病子显著度,茶饼病子显著度越大代表叶片区对应的叶片病害程度越大,取整是为了方便后续计算。表示将所有叶片区的茶饼病子显著度的累加值,该累加值越大说明茶树图片对应的茶树区域的病害程度越大。
叶片茶饼病显著度反映了对应茶树上的叶片茶饼病的显著程度。若叶片茶饼病显著度越大,则对应茶树图像的叶片的病斑和变形越明显,即该茶树图像对应的茶树区域出现茶饼病的可能性越大;若叶片茶饼病显著度越小,则对应茶树图像的叶片的病斑和变形越不明显,即该茶树图像对应的茶树区域出现茶饼病的可能性越小。
最终的茶树图像对应的茶饼病病害情况的判断指标为叶片茶饼病显著度,具体检测过程为:
若茶树图像对应的叶片茶饼病显著度大于等于预设显著度阈值,则该茶树图像对应的茶树区域出现茶饼病病害情况;
若茶树图像对应的叶片茶饼病显著度小于预设显著度阈值,则该茶树图像对应的茶树区域没有出现茶饼病病害情况。
在本发明实施例中,预设显著度阈值取2,具体预设显著度阈值的数值可根据具体实施方式具体设置。
对于出现茶饼病的茶树区域,需要及时清除这部分的茶树病叶,并使用95%的代森铵500倍液或80%的多菌灵可湿性粉剂1000倍液对茶树区域进行喷施,消除病患。由于茶饼病的致病菌成熟后会经风雨传播,在合适条件下萌发并形成芽管经叶片表皮侵入细胞组织进行初次侵染,3~18天后可产生新的病斑。所以,出现茶饼病的茶树区域需连续20天检测该区域的茶饼病病害情况,防止病害复发,达到监测的效果。
综上所述,本发明先通过对叶片区的病斑外形和颜色变化特征进行分析,能够准确判断出该叶片区对应的叶片是否出现病害情况。然后对叶片的完整性进行判断,能够准确得到该叶片结构的完整性,进一步表现叶片的病害情况。本发明通过多维度、多方面对叶片的病斑形态和叶片形态保持情况进行分析,综合判断茶树的病害情况,提高对病害情况分析的准确性与科学性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种茶园叶片病害的智能监测防治方法,其特征在于,该方法包括以下步骤:
获得茶树图像及其茶树边缘图像;根据所述茶树边缘图像中的边缘获得茶树图像中的叶片区;
在每个叶片区内,根据像素值对像素点进行分组,得到至少两个子区域;将每个子区域中的像素点进行拟合,获得圆拟合度和圆环拟合度;基于圆拟合度和圆环拟合度筛选出病斑子区域;获得每个病斑子区域与预设标准叶片区域的颜色差异;根据叶片区中每个病斑子区域的颜色差异、圆拟合度、圆环拟合度和叶片区中的病斑子区域数量获得病斑形态显著度;
获得每个叶片区的骨架,根据骨架将叶片区划分为第一叶片区域和第二叶片区域,分别获得第一叶片区域和第二叶片区域的形状特征;获得骨架的直线拟合度;根据第一叶片区域与第二叶片区域之间的形状特征差异和直线拟合度获得茶树叶片形态保持度;
根据所有叶片区对应的病斑形态显著度和茶树叶片形态保持度获得叶片茶饼病显著度,根据叶片茶饼病显著度监测茶树图像对应的茶饼病病害情况。
2.根据权利要求1所述的一种茶园叶片病害的智能监测防治方法,其特征在于,所述获得圆拟合度和圆环拟合度的方法包括:
对各个子区域的边缘像素点使用霍夫圆检测,获得子区域边缘对应的标准圆;根据预设半径增值将标准圆的半径从内外分别进行扩展得到标准圆环;
将各个子区域对应的标准圆环内与子区域边缘的像素点数量比值作为圆环拟合度;将各个子区域对应的标准圆与子区域边缘的像素点数量比值作为圆拟合度。
3.根据权利要求2所述的一种茶园叶片病害的智能监测防治方法,其特征在于,所述获得病斑子区域的方法包括:
将子区域对应的圆拟合度和圆环拟合度的和值作为边缘拟合度;若子区域对应的边缘拟合度大于等于预设边缘阈值,则对应的子区域为病斑子区域。
4.根据权利要求1所述的一种茶园叶片病害的智能监测防治方法,其特征在于,所述颜色差异的获取方法包括:
使用阈值分割获得标准叶片区,获得标准R均值和标准G均值;颜色差异为病斑子区域的R差异和病斑子区域的G差异的和值;
将病斑子区域在茶树图像的R通道上像素点均值与标准R均值的差值绝对值作为病斑子区域的R差异;将病斑子区域在茶树图像的G通道上像素点均值与标准G均值的差值绝对值作为病斑子区域的G差异。
5.根据权利要求1所述的一种茶园叶片病害的智能监测防治方法,其特征在于,所述病斑形态显著度的获取方法包括:
将每个病斑子区域的圆拟合度和圆环拟合度的和值与颜色差异的乘积作为每个病斑子区域的特征差异,将叶片区中病斑子区域的数量与所有病斑子区域的特征差异累加值的乘积作为叶片区对应的病斑形态显著度。
6.根据权利要求1所述的一种茶园叶片病害的智能监测防治方法,其特征在于,所述获得第一叶片区域和第二叶片区域的形状特征的方法包括:
对第一叶片区域的所有像素点使用傅里叶描述子,获得包含预设特征数量个元素的第一特征向量;对第二叶片区域的所有像素点使用傅里叶描述子,获得包含预设特征数量个元素的第二特征向量;将第一特征作向量为第一叶片区域的形状特征,将第二特征向量作为第二叶片区域的形状特征。
7.根据权利要求1所述的一种茶园叶片病害的智能监测防治方法,其特征在于,所述获得骨架的直线拟合度包括:
将骨架上的像素点进行霍夫直线检测,获得骨架直线区域;将骨架直线区域内的像素点进行标记得到直线像素点;利用预设尺寸的滑窗以每个直线像素点为中心点遍历所有直线像素点,以滑窗滑过的区域作为中轴笔直区域;
将骨架中位于中轴笔直区域的像素点数量与骨架上的所有像素点数量的比值作为骨架的笔直度;将骨架上所有像素点与直线进行拟合,获得骨架的拟合优度;将骨架的拟合优度与骨架的笔直度的乘积作为骨架的直线拟合度。
8.根据权利要求6所述的一种茶园叶片病害的智能监测防治方法,其特征在于,所述茶树叶片形态保持度的获取方法包括:
将第一叶片区域的形状特征和对应的第二叶片区域的形状特征对应位置元素的差值绝对值进行累加,累加值作为第一叶片区域与第二叶片区域之间的形状特征差异;将骨架的直线拟合度和第一叶片区域与第二叶片区域之间的形状特征差异的比值作为叶片区对应的茶树叶片形态保持度。
9.根据权利要求1所述的一种茶园叶片病害的智能监测防治方法,其特征在于,所述叶片茶饼病显著度的公式包括:
将每个叶片区对应的茶树叶片形态保持度的归一化值进行负相关处理,获得茶树叶片形态保持度的负相关值;将所述负相关值与对应茶饼病显著度的乘积进行取整,获得每个叶片区对应的茶饼病子显著度;将所有叶片区对应的茶饼病子显著度的累加值作为叶片茶饼病显著度。
10.根据权利要求1所述的一种茶园叶片病害的智能监测防治方法,其特征在于,所述叶片区包括:
对茶树图像使用YOLO算法获得目标包围框,根据茶树边缘图像中目标包围框对应位置的边缘轮廓获得叶片区轮廓;根据叶片区轮廓获得至少一个叶片区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211671750.2A CN115830003A (zh) | 2022-12-26 | 2022-12-26 | 一种茶园叶片病害的智能监测防治方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211671750.2A CN115830003A (zh) | 2022-12-26 | 2022-12-26 | 一种茶园叶片病害的智能监测防治方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115830003A true CN115830003A (zh) | 2023-03-21 |
Family
ID=85518165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211671750.2A Withdrawn CN115830003A (zh) | 2022-12-26 | 2022-12-26 | 一种茶园叶片病害的智能监测防治方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830003A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958572A (zh) * | 2023-09-18 | 2023-10-27 | 济宁市林业保护和发展服务中心 | 一种果树繁育中叶片病虫害区域分析方法 |
CN117437248A (zh) * | 2023-12-19 | 2024-01-23 | 中国海洋大学 | 一种面向蓝莓品质检测的病害区域分割方法 |
-
2022
- 2022-12-26 CN CN202211671750.2A patent/CN115830003A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958572A (zh) * | 2023-09-18 | 2023-10-27 | 济宁市林业保护和发展服务中心 | 一种果树繁育中叶片病虫害区域分析方法 |
CN116958572B (zh) * | 2023-09-18 | 2023-12-19 | 济宁市林业保护和发展服务中心 | 一种果树繁育中叶片病虫害区域分析方法 |
CN117437248A (zh) * | 2023-12-19 | 2024-01-23 | 中国海洋大学 | 一种面向蓝莓品质检测的病害区域分割方法 |
CN117437248B (zh) * | 2023-12-19 | 2024-03-08 | 中国海洋大学 | 一种面向蓝莓品质检测的病害区域分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115830003A (zh) | 一种茶园叶片病害的智能监测防治方法 | |
Fu et al. | A novel image processing algorithm to separate linearly clustered kiwifruits | |
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
CN110569786B (zh) | 一种基于无人机数据采集的果树识别和数量监测方法及系统 | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN109871884B (zh) | 一种融合多特征的支持向量机面向对象遥感影像分类方法 | |
CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
AU2020103260A4 (en) | Rice blast grading system and method | |
CN106683098B (zh) | 一种重叠叶片图像的分割方法 | |
CN111259925B (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
CN112464942A (zh) | 基于计算机视觉的重叠烟叶智能化分级方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
CN107221070A (zh) | 一种基于主图案荧光特征识别的票据防伪鉴别方法 | |
CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
CN111784764A (zh) | 一种茶叶嫩芽识别与定位算法 | |
CN110376202A (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
Wang et al. | Improved rotation kernel transformation directional feature for recognition of wheat stripe rust and powdery mildew | |
Lin et al. | Identification of pumpkin powdery mildew based on image processing PCA and machine learning | |
CN110298835B (zh) | 一种皮革表面破损检测方法、系统及相关装置 | |
Almutiry et al. | A Novel Framework for Multi-Classification of Guava Disease. | |
Sahoo et al. | Automatic Dead zone detection in 2-D leaf image using clustering and segmentation technique | |
CN115953686B (zh) | 一种基于图像处理的花生虫害检测方法及系统 | |
CN115861308B (zh) | 一种元宝枫病害检测方法 | |
CN115601690B (zh) | 一种基于智慧农业的食用菌环境检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230321 |