CN115953686B - 一种基于图像处理的花生虫害检测方法及系统 - Google Patents
一种基于图像处理的花生虫害检测方法及系统 Download PDFInfo
- Publication number
- CN115953686B CN115953686B CN202310075310.9A CN202310075310A CN115953686B CN 115953686 B CN115953686 B CN 115953686B CN 202310075310 A CN202310075310 A CN 202310075310A CN 115953686 B CN115953686 B CN 115953686B
- Authority
- CN
- China
- Prior art keywords
- degree
- determining
- curled
- edge
- area
- 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
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的花生虫害检测方法及系统。方法包括获取花生叶片的原始图像,从原始图像中识别单叶片图像;基于单叶片图像的颜色分布特征确定单叶片图像的初始卷曲区域,根据初始卷曲区域边缘信息确定卷曲遮盖区域,根据初始卷曲区域面积和卷曲遮盖区域面积确定叶片卷曲程度,确定单叶片图像中病斑区域的离散程度与病斑面积占比,确定单叶片图像的表面病斑程度;根据叶片卷曲程度与表面病斑程度,确定叶片虫害程度,基于叶片虫害程度对花生虫害进行检测处理,得到检测结果,本发明综合叶片卷曲程度与表面病斑程度对花生虫害进行检测,有效提升花生虫害检测的可靠性与准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的花生虫害检测方法及系统。
背景技术
花生作为重要的油料作物,在多地区普遍种植,花生的虫害影响花生植株的健康生长,进而严重影响花生产量,花生常见虫害有花生蚜、卷叶虫、茶黄螨等,这些虫害大多数能够直接影响花生叶片的状态,因此,可以根据花生叶片的状态进行花生虫害的检测。
相关技术中,在对花生的虫害进行检测时,是通过建立深度卷积神经网络,并根据农作物类别、病虫害类别和严重程度对待检测的农作物病虫害进行分类检测。这种方式下,搭建深度卷积神经网络识别病虫害,需大量数据生成训练集进行训练,由于不同环境、不同场景的影响因素差异较大,对花生虫害进行检测的可靠性与准确性较低。
发明内容
为了解决花生虫害检测的可靠性与准确性较低的技术问题,本发明提供一种基于图像处理的花生虫害检测方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于图像处理的花生虫害检测方法,方法包括:
获取花生叶片的原始图像,根据所述原始图像中的颜色分布特征,从所述原始图像中识别单叶片图像;
基于所述单叶片图像的颜色分布特征确定所述单叶片图像的初始卷曲区域,根据所述初始卷曲区域的边缘信息确定卷曲遮盖区域,根据所述初始卷曲区域的第一面积和所述卷曲遮盖区域的第二面积确定叶片卷曲程度;
识别所述单叶片图像中的病斑区域,确定所述病斑区域的离散程度;获得所述病斑区域在所述单叶片图像中的病斑面积占比,根据所述病斑区域的离散程度与所述病斑面积占比,确定所述单叶片图像的表面病斑程度;
根据所述叶片卷曲程度与所述表面病斑程度,确定叶片虫害程度,基于所述叶片虫害程度对所述花生虫害进行检测处理,得到检测结果。
进一步地,所述根据所述初始卷曲区域的边缘信息确定卷曲遮盖区域,包括:
所述边缘信息包括弯曲程度与直线程度,对所述初始卷曲区域进行边缘检测处理,获得所述初始卷曲区域的卷曲边缘;
确定所述卷曲边缘与所述单叶片图像边缘的交界点作为卷曲点,对所述卷曲点邻域内像素点进行线性回归处理,得到所述卷曲点位置处的曲率值,确定所有所述卷曲点位置处的所述曲率值的均值作为所述弯曲程度;
确定所述卷曲边缘与所述单叶片图像边缘的非交界边缘为卷曲内边缘,对所述卷曲内边缘的像素点进行线性回归处理,得到所述卷曲内边缘的像素点在所述卷曲内边缘的线性回归系数,确定所述卷曲内边缘中所有像素点的所述线性回归系数的均值作为所述直线程度;
根据所述弯曲程度和所述直线程度确定所述卷曲遮盖区域。
进一步地,所述根据所述弯曲程度和所述直线程度确定所述卷曲遮盖区域,包括:
确定所述弯曲程度和预设第一遮盖系数的乘积为第一遮盖概率,确定所述直线程度和预设第二遮盖系数的乘积为第二遮盖概率,确定所述第一遮盖概率和所述第二遮盖概率的和值作为卷曲遮盖概率;
在所述卷曲遮盖概率大于预设遮盖概率阈值时,根据所述卷曲内边缘的像素点的分布信息确定所述卷曲内边缘的边缘直线和所述边缘直线两端点的拟合曲线,将所述边缘直线和所述拟合曲线所围成的区域作为所述卷曲遮盖区域。
进一步地,所述根据所述卷曲内边缘的像素点的分布信息确定所述卷曲内边缘的边缘直线和所述边缘直线两端点的拟合曲线,包括:
根据所述卷曲内边缘的像素点在所述卷曲内边缘的线性回归系数,确定所述卷曲内边缘的像素点的线性回归系数变化率,根据所述线性回归系数变化率对所述卷曲内边缘进行分割处理,得到所述卷曲内边缘的边缘直线;
将所述边缘直线两端点作为拟合点,确定所述拟合点位置处的坐标与切线方向,根据所述拟合点位置处的坐标与所述切线方向对所述拟合点进行二次函数曲线拟合处理,获得所述拟合曲线。
进一步地,所述根据所述初始卷曲区域的第一面积和所述卷曲遮盖区域的第二面积确定叶片卷曲程度,包括:
确定所述第一面积和所述第二面积的和值为叶片卷曲面积;
确定所述叶片卷曲面积与所述单叶片图像中叶片的总面积的比值为叶片卷曲程度。
进一步地,所述识别所述单叶片图像中的病斑区域,包括:
确定所述单叶片图像中像素点色彩与预设标准绿色的色彩差异,将所述色彩差异大于预设差异阈值的像素点作为病斑像素点,所述病斑像素点组成所述病斑区域。
进一步地,所述确定所述病斑区域的离散程度,包括:
确定所述病斑区域的外接圆圆心为所述病斑区域的初始中心点,对所述初始中心点进行聚类处理得到聚类中心点;
以所述聚类中心点为圆心,预设距离为半径确定聚类圆域,获取所述聚类圆域内所述初始中心点的数量,确定所述初始中心点的数量与预设数量阈值的比值为所述病斑区域的离散程度。
进一步地,所述根据所述病斑区域的离散程度与所述病斑面积占比,确定所述单叶片图像的表面病斑程度,包括:
计算所述病斑区域的离散程度和所述病斑面积占比的和值作为所述单叶片图像的所述表面病斑程度。
进一步地,所述根据所述叶片卷曲程度与所述表面病斑程度,确定叶片虫害程度,包括:
确定所述叶片卷曲程度和所述表面病斑程度的和值为所述叶片虫害程度。
本发明提出了一种基于图像处理的花生虫害检测系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述所述的一种基于图像处理的花生虫害检测方法。
本发明具有如下有益效果:
本发明通过获取花生叶片的原始图像,根据原始图像中的颜色分布特征识别单叶片图像,能够有效识别单叶片图像,便于后续对单叶片图像进行图像处理,由于是根据初始卷曲区域面积和卷曲遮盖区域面积确定叶片卷曲程度,能够实现被遮盖的卷曲区域的有效识别,保证叶片卷曲程度的计算更符合实际卷曲情况,有效提升叶片卷曲程度的准确性与客观性,由于是根据病斑区域的离散程度与病斑面积占比,确定单叶片图像的表面病斑程度,能够根据病斑分布特征与严重程度确定表面病斑程度,提升病斑检测效果,根据叶片卷曲程度与表面病斑程度,确定叶片虫害程度,基于叶片虫害程度对花生虫害进行检测处理,得到检测结果,能够综合叶片卷曲程度与表面病斑程度因素的影响,得到叶片虫害程度,有效提升花生虫害程度确定的准确性,综上,本发明能够有效提升花生虫害检测的准确性与可靠性。
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基于图像处理的花生虫害检测方法流程图;
图2为本发明一个实施例所提供的花生叶片卷曲示意图;
图3为本发明一个实施例所提供的正常花生叶片示意图;
图4为本发明一个实施例所提供的初始卷曲区域示意图;
图5为本发明一个实施例所提供的卷曲边缘示意图;
图6为本发明一个实施例所提供的卷曲点示意图;
图7为本发明一个实施例所提供的卷曲内边缘示意图;
图8为本发明一个实施例所提供的卷曲遮盖区域示意图。
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基于图像处理的花生虫害检测方法及系统,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基于图像处理的花生虫害检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的花生虫害检测方法流程图,该方法包括:
S101:获取花生叶片的原始图像,根据原始图像中的颜色分布特征,从原始图像中识别单叶片图像。
本发明实施例中,可以在花生植株上方架设摄像设备,以获取包含花生叶片的原始图像,原始图像中可以包含多个叶片,部分叶片区域可能存在被遮挡的情况,因此,可以根据原始图像中的颜色分布特征,识别原始图像中的单叶片图像。
本发明实施例中,可以使用预训练的卷积神经网络从原始图像中获得完整的单叶片图像,预设已标注的花生叶片图像数据集,输入花生叶片图像数据集对卷积神经网络进行训练处理,得到预训练的卷积神经网络,而后,将原始图像输入至预训练的卷积神经网络中,输出单叶片图像。
本发明实施例通过原始图像中的颜色分布特征,有效识别单叶片图像,且基于单叶片图像进行虫害检测能够有效规避其他植株和同植株其他叶片造成的影响,进一步提升后续虫害检测的准确度。
S102:基于单叶片图像的颜色分布特征确定单叶片图像的初始卷曲区域,根据初始卷曲区域的边缘信息确定卷曲遮盖区域,根据初始卷曲区域的第一面积和卷曲遮盖区域的第二面积确定叶片卷曲程度。
可以理解的是,花生叶片的正面颜色与背面颜色有一定的差异,而花生叶片发生卷曲通常为背面卷曲至正面,因此,若花生叶片发生卷曲,则可以根据单叶片图像的颜色分布特征,确定背面颜色的区域作为初始卷曲区域,并将初始卷曲区域内的像素点数量作为初始卷曲区域面积,图2为本发明一个实施例所提供的花生叶片卷曲示意图,图3为本发明一个实施例所提供的正常花生叶片示意图,如图2与图3所示,当花生叶片发生卷曲时,能够直接根据单叶片图像的颜色分布特征,确定初始卷曲区域。
本发明实施例中,在根据单叶片图像的颜色分布特征,确定初始卷曲区域时,可以使用大津阈值对单叶片图像进行分割处理,其中,大津阈值为本领域所熟知的技术,对此不再赘述,当然,本发明还支持使用多种其他任意可能的实现方式从单叶片图像中确定初始卷曲区域,如连通域计算,对此不做限制,如图4所示,图4为本发明一个实施例所提供的初始卷曲区域示意图。
本发明实施例中,边缘信息包括弯曲程度与直线程度,可以对初始卷曲区域进行边缘检测处理,获得初始卷曲区域的卷曲边缘;确定卷曲边缘与单叶片图像边缘的交界点作为卷曲点,对卷曲点邻域内像素点进行线性回归处理,得到卷曲点位置处的曲率值,确定所有卷曲点位置处的曲率值的均值作为弯曲程度;确定卷曲边缘与单叶片图像边缘的非交界边缘为卷曲内边缘,对卷曲内边缘的像素点进行线性回归处理,得到卷曲内边缘的像素点在卷曲内边缘的线性回归系数,确定卷曲内边缘中所有像素点的线性回归系数的均值作为直线程度;根据弯曲程度和直线程度确定卷曲遮盖区域。
其中,边缘信息,可以具体包括初始卷曲区域边缘弯曲程度与直线程度等信息。
本发明可以使用边缘检测算子对初始卷曲区域与单叶片图像进行边缘检测处理,得到卷曲边缘,可以理解的是,因叶脉会影响后续卷曲边缘的获取过程,在对单叶片图像进行边缘检测处理时,可以根据预设的边缘检测算子消除叶脉的影响,以便获得质量较优的卷曲边缘,对此不做限制。
其中,卷曲边缘,为初始卷曲区域内边缘和叶片边界所构成的边缘。本发明实施例中,可以使用边缘检测算子对单叶片图像进行边缘检测,得到叶片边缘像素点集合,而后对初始卷曲区域进行边缘检测,得到初始卷曲区域边缘像素点集合,根据卷曲边缘公式确定卷曲边缘:
U=C{W∪J}{W∩J}
式中,U表示卷曲边缘的边缘像素点集合,W表示叶片边缘像素点集合,J表示初始卷曲区域边缘像素点集合,∩表示交集符号,∪表示并集符号,C{W∪J}{W∩J}表示U中的边缘像素点属于W∩J,且不属于W∪J。
由卷曲边缘公式可知,合并叶片边缘像素点集合与初始卷曲区域边缘像素点集合,在合并后删去两集合中重复的边缘像素点,得到卷曲边缘,也即卷曲边缘为初始卷曲区域内边缘和叶片边界所构成的边缘,如图5所示,图5为本发明一个实施例所提供的卷曲边缘示意图,图5中的虚线部分,即为卷曲边缘。
本发明实施例中,确定卷曲边缘与单叶片图像边缘的交界点作为卷曲点,可以对初始卷曲区域的卷曲边缘进行图像腐蚀处理,而后根据腐蚀后的卷曲边缘与单叶片图像边缘的交界点作为卷曲点,如图6所示,图6为本发明一个实施例所提供的卷曲点示意图,根据边缘像素点周围八邻域内的其他边缘像素点的数量确定卷曲点,可以在边缘像素点周围八邻域内的其他边缘像素点的数量为3时,确定该边缘像素点为卷曲点。
本发明在确定卷曲点之后,可以预设范围大小的卷曲点邻域,如10×10大小的邻域范围作为卷曲点邻域,而后,对卷曲点邻域内像素点进行线性回归处理,得到卷曲点位置处的曲率值。
由于曲率值的计算公式需使用二阶导数,但像素图像分布不平滑,求二阶导数的过程中容易造成梯度消失,无法获得曲率值,因此,可以使用线性回归的方式确定卷曲点位置处的曲率值,曲率值公式为:
式中,kT表示卷曲点位置处的曲率值,T表示卷曲点的索引,表示卷曲点位置处的线性回归系数。
由曲率值公式可知,对卷曲点位置处进行线性回归处理,所得的线性回归系数越大,曲率值越小,说明线性关系越强,该卷曲点邻域内对应的卷曲边缘更趋向于直线;相反,所得的线性回归系数越小,曲率值越大,说明线性关系越弱,该卷曲点邻域内对应的卷曲边缘更趋向于曲线,由此,可以确定卷曲边缘的弯曲程度。
本发明实施例中,确定卷曲点位置处的曲率值的均值作为卷曲边缘的弯曲程度,也即是说,将单叶片图像中各卷曲点所对应的曲率值的均值作为卷曲边缘的弯曲程度,弯曲程度越大,则可以表示卷曲边缘越容易发生折叠,弯曲程度越小,则可以表示卷曲边缘越不容易发生折叠。
其中,卷曲内边缘为卷曲边缘与单叶片图像边缘的非交界边缘。本发明实施例中,可以根据卷曲内边缘公式确定卷曲内边缘:
L=C{W∩J}{J}
式中,L表示卷曲内边缘的边缘像素点集合,W表示叶片边缘像素点集合,J表示卷曲区域边缘像素点集合,∩表示交集符号,∪表示并集符号,C{W∪J}{J}表示L中的边缘像素点属于J,且不属于W∩J。
由卷曲内边缘公式可知,将卷曲边缘除去与叶片边缘重合的部分即可得到卷曲内边缘,如图7所示,图7为本发明一个实施例所提供的卷曲内边缘示意图,图7中的虚线部分,即为卷曲内边缘。
本发明实施例中,可以对卷曲内边缘的像素点进行线性回归处理,得到卷曲内边缘的像素点在卷曲内边缘的线性回归系数,确定卷曲内边缘中所有像素点的线性回归系数的均值作为直线程度。
本发明实施例中,可以预设范围大小的像素点邻域,而后计算卷曲内边缘的像素点在其像素点邻域范围内的线性回归系数,并确定卷曲内边缘中所有像素点的线性回归系数的均值作为卷曲内边缘的直线程度,线性回归处理为本领域所熟知的技术,像素点邻域可以预设10×10的大小,对此不再赘述。
进一步地,根据弯曲程度和直线程度确定卷曲遮盖区域,包括:确定弯曲程度和预设第一遮盖系数的乘积为第一遮盖概率,确定直线程度和预设第二遮盖系数的乘积为第二遮盖概率,确定第一遮盖概率和第二遮盖概率的和值作为卷曲遮盖概率;在卷曲遮盖概率大于预设遮盖概率阈值时,根据卷曲内边缘的像素点的分布信息确定卷曲内边缘的边缘直线和边缘直线两端点的拟合曲线,将边缘直线和拟合曲线所围成的区域作为卷曲遮盖区域。
其中,第一遮盖概率,为根据弯曲程度确定是否发生卷曲遮盖的概率,第二遮盖概率,为直线程度确定是否发生卷曲遮盖的概率,第一遮盖概率和第二遮盖概率的和值作为卷曲遮盖概率。
其中,第一遮盖系数,为弯曲程度所对应的系数,第二遮盖系数,为直线程度所对应的系数,优选地,第一遮盖系数为0.5,第二遮盖系数为0.5,也即求弯曲程度与直线程度的均值作为卷曲遮盖概率,当然,第一遮盖系数与第二遮盖系数也可以根据实际叶片情况进行调整,对此不做限制。
本发明实施例中,可以根据卷曲遮盖概率公式确定卷曲遮盖概率,卷曲遮盖概率公式如下式所示:
P=αH+βF
式中,P表示卷曲遮盖概率,α表示第一遮盖系数,β表示第二遮盖系数,H表示弯曲程度,F表示直线程度,αH表示第一遮盖概率,βF表示第二遮盖概率。
由卷曲遮盖概率公式可知,卷曲边缘的弯曲程度越大,卷曲遮盖概率越大;卷曲内边缘的直线程度越大,卷曲遮盖概率越大。本发明实施例中,可以在卷曲遮盖概率大于预设遮盖概率阈值时,根据卷曲内边缘的像素点的分布信息确定卷曲内边缘的边缘直线和边缘直线两端点的拟合曲线,将边缘直线和拟合曲线所围成的区域作为卷曲遮盖区域。
其中,遮盖概率阈值,为预设的卷曲遮盖概率的门限值,优选地,遮盖概率阈值可以设置为1,也即在卷曲遮盖概率大于1时,根据卷曲内边缘的像素点的分布信息确定卷曲内边缘的边缘直线和边缘直线两端点的拟合曲线,将边缘直线和拟合曲线所围成的区域作为卷曲遮盖区域,在卷曲遮盖概率小于等于1时,可以表示不存在卷曲遮盖区域,如图8所示,图8为本发明一个实施例所提供的卷曲遮盖区域示意图,图8中虚线部分即为卷曲遮盖区域。
进一步地,本发明实施例中,根据卷曲内边缘的像素点在卷曲内边缘的线性回归系数,确定卷曲内边缘的像素点的线性回归系数变化率,根据线性回归系数变化率对卷曲内边缘进行分割处理,得到卷曲内边缘的边缘直线;将边缘直线两端点作为拟合点,确定拟合点位置处的坐标与切线方向,根据拟合点位置处的坐标与切线方向对拟合点进行二次函数曲线拟合处理,获得拟合曲线。
其中,边缘直线,为卷曲内边缘的直线部分;拟合曲线,为模拟所得的卷曲遮盖区域的曲线部分,可以理解的是,由于被遮盖的卷曲遮盖区域无法直接通过单叶片图像确定,因此,可以设置拟合曲线用于模拟卷曲遮盖区域的曲线部分,如图8所示,图8中的卷曲遮盖区域可以看作由边缘直线和拟合曲线所围成的区域。
本发明实施例中,可以根据卷曲内边缘的像素点在卷曲内边缘的线性回归系数确定卷曲内边缘的像素点的线性回归系数变化率。
本发明实施例中,可以使用线性回归系数变化率公式确定卷曲内边缘的像素点的线性回归系数变化率,线性回归系数变化率公式如下式所示:
式中,表示卷曲内边缘的像素点Mq处的线性回归系数变化率,Mq表示卷曲内边缘的像素点,q与q+1表示卷曲内边缘的像素点的索引,/>表示卷曲内边缘的像素点Mq+1处的线性回归系数,/>表示卷曲内边缘的像素点Mq处的线性回归系数,||表示绝对值符号。
由线性回归系数变化率公式可知,直线所对应的线性回归系数变化率低,而非直线所对应的线性回归系数变化率高,因此,卷曲内边缘中直线部分的数值较小,而非直线部分的/>数值较大,因此可以对卷曲内边缘的像素点使用大津阈值进行分割,线性回归系数变化率更小的一类像素点组成边缘直线。
其中,将边缘直线两端点作为拟合点,获取两个拟合点位置处的切线方向,根据获得的拟合点位置处的坐标和对应的切线方向进行二次函数曲线拟合,获得拟合曲线,由于二次函数曲线拟合方法为本领域所熟知的技术,对此不再赘述,所得到的拟合曲线能够一定程度反映卷曲遮盖区域的边缘,则可以直接将边缘直线和拟合曲线所围成的区域作为卷曲遮盖区域。
进一步地,本发明实施例中,根据初始卷曲区域的第一面积和卷曲遮盖区域的第二面积确定叶片卷曲程度,包括:确定第一面积和第二面积的和值为叶片卷曲面积;确定叶片卷曲面积与单叶片图像中叶片的总面积的比值为叶片卷曲程度。
其中,第一面积,为初始卷曲区域的面积,第二面积,为卷曲遮盖区域的面积,可以将初始卷曲区域内像素点的总数量作为第一面积。
其中,由于叶片卷曲面积包括暴露在外侧的初始卷曲区域的第一面积和被遮盖的卷曲遮盖区域的第二面积,因此,所得到的叶片卷曲面积更符合叶片状态,保证叶片卷曲面积确定的可靠性。
其中,将叶片卷曲面积与单叶片图像中叶片总面积的比值作为叶片卷曲程度,进而求得叶片卷曲程度,根据叶片卷曲程度可以进一步进行虫害检测,由于仅依靠叶片卷曲程度进行虫害检测所产生的误差较大,因此,本发明实施例中还引用病斑区域的表面病斑程度,以便于对叶片状态进行综合性的检测。
S103:识别单叶片图像中的病斑区域,确定病斑区域的离散程度;获得病斑区域在单叶片图像中的病斑面积占比,根据病斑区域的离散程度与病斑面积占比,确定单叶片图像的表面病斑程度。
其中,识别单叶片图像中的病斑区域,包括确定单叶片图像中像素点色彩与预设标准绿色的色彩差异,将色彩差异大于预设差异阈值的像素点作为病斑像素点,病斑像素点组成病斑区域。
可以理解的是,由于病斑多呈暗褐色、黑色与红色等颜色,在病斑区域像素点的颜色与绿色叶片具有较为明显的差异,则可以根据该色彩差异确定病斑区域。
本发明实施例中,色彩差异可以由RGB色彩通道的距离值进行确定,确定单叶片图像中像素点色彩通道值至预设标准绿色色彩通道值的色彩通道距离,而后将色彩通道距离作为色彩差异。
其中,预设标准绿色,为正常花生叶片所对应的绿色,由于花生叶片在不同场景不同品种所对应的绿色可能不同,可以根据单叶片图像中像素点色彩与预设标准绿色的色彩差异确定病斑像素点。
其中,标准绿色色彩通道值,为预设标准绿色的RGB色彩通道值,由于不同种类花生叶片所对应的RGB色彩通道值可能相同或不同,则可以求得花生叶片所对应多种绿色色彩通道值的均值作为标准绿色色彩通道值,优选地,标准绿色色彩通道值为(64,175,128),当然,也可以根据实际花生拍摄场景动态调整,对此不做限制。可以使用色彩通道距离公式确定单叶片图像中像素点色彩通道值至预设标准绿色色彩通道值的色彩通道距离,色彩通道距离公式如下式所示:
式中,Dij表示像素点(i,j)的色彩通道值至预设标准绿色色彩通道值的色彩通道距离,i表示像素点位置处的横坐标,j表示像素点位置处的纵坐标,rij表示像素点(i,j)的红色色彩通道值,gij表示像素点(i,j)的绿色色彩通道值,bij表示像素点(i,j)的蓝色色彩通道值。
由色彩通道距离公式可知,若像素点所对应的色彩通道值至预设标准绿色色彩通道值的色彩通道距离越大,也即Dij的值越大,则可以表示单叶片图像中像素点色彩与预设标准绿色的色彩差异,该像素点越可能为病斑区域的像素点。
本发明实施例中,可以预设距离阈值,将色彩通道距离大于预设距离阈值的像素点作为病斑像素点,优选地,距离阈值可以例如为128,也即将色彩通道距离Dij大于128的像素点作为病斑像素点,对此不做限制,遍历单叶片图像中的所有像素点,将病斑像素点所处区域作为病斑区域。
可选地,确定病斑区域的外接圆圆心为病斑区域的初始中心点,对初始中心点进行聚类处理得到聚类中心点;以聚类中心点为圆心,预设距离为半径确定聚类圆域,获取聚类圆域内初始中心点的数量,确定初始中心点的数量与预设数量阈值的比值为病斑区域的离散程度。
本发明实施例中,将病斑区域作为连通域,依次确定病斑区域的最小外接圆,确定最小外接圆的圆心作为病斑区域的初始中心点,可以使用K-means聚类方法对病斑区域的初始中心点进行聚类处理,得到聚类中心点。
首先随机选择一个初始中心点作为第一个初始聚类中心点,之后选择距离该初始聚类中心点最远的初始中心点作为第二个初始聚类中心点,而后再选择距离前两个初始聚类中心点最远距离的初始中心点作为第三个初始聚类中心点,以此类推,直至选出K个初始聚类中心点,并将所有的初始聚类中心点作为聚类中心点。以聚类中心点为圆心向外环形做圆,根据预设距离为半径的圆形区域作为聚类圆域,确定聚类圆域内初始中心点的数量与预设数量阈值的比值为病斑区域的离散程度,其中,预设距离的大小可以根据实际场景动态调整,优选的,预设距离可以为100,也即是说,以聚类中心点为圆心,在半径为100的聚类圆域内,确定病斑区域的中心点数量。
本发明实施例中,可以预设数量阈值,将聚类圆域内初始中心点的数量与预设数量阈值的比值作为离散程度。其中,数量阈值可以根据实际场景设置,初始中心点的数量与预设数量阈值的比值越大,则可以说明叶片中病斑分布越密集,优选的,预设数量阈值可以为20,聚类圆域内初始中心点的数量与20的比值作为病斑区域的离散程度。
也即是说,若病斑区域的离散程度的数值越大,则可以表示圆半径区间内初始中心点的数量越多,则可以表示病斑区域分布越密集,虫害程度越严重。
其中,病斑面积占比,为病斑区域的面积和单叶片图像中叶片总面积的比值,可以根据病斑区域像素点数量与单叶片图像中像素点总数量的比值作为病斑面积占比。
本发明实施例中,在确定离散程度与病斑面积占比之后,可以计算病斑区域的离散程度和病斑面积占比的和值作为单叶片图像的表面病斑程度。
S104:根据叶片卷曲程度与表面病斑程度,确定叶片虫害程度,基于叶片虫害程度对花生虫害进行检测处理,得到检测结果。
其中,可以直接确定叶片卷曲程度和表面病斑程度的和值作为叶片虫害程度,或者,也可以根据实际生产场景赋予叶片卷曲程度和表面病斑程度一定的权重值,而后,结合权重值,根据叶片卷曲程度和表面病斑程度确定叶片虫害程度,以提升叶片虫害程度的可靠性。
其中,基于叶片虫害程度对花生虫害进行检测处理,得到检测结果,可以预设叶片虫害程度阈值,在叶片虫害程度小于等于该叶片虫害程度阈值时,可以确定检测结果为叶片虫害程度较低;在叶片虫害程度大于该叶片虫害程度阈值时,对该叶片进行标注,确定检测结果为叶片虫害程度较高,便于后续人工查验,优选的,叶片虫害程度阈值可以设置为2.4,也即在某一叶片的叶片虫害程度大于2.4时,确定检测结果为叶片虫害程度较高,叶片虫害程度小于等于2.4时,确定检测结果为叶片虫害程度较低,对此不做限制。
另一些实施例中,也可以根据叶片虫害程度的数值将原始图像划分为多个虫害区域,并将虫害区域输出为检测结果,对此不做限制。
本发明通过获取花生叶片的原始图像,根据原始图像中的颜色分布特征识别单叶片图像,能够有效识别单叶片图像,便于后续对单叶片图像进行图像处理,由于是根据初始卷曲区域面积和卷曲遮盖区域面积确定叶片卷曲程度,能够实现被遮盖的卷曲区域的有效识别,保证叶片卷曲程度的计算更符合实际卷曲情况,有效提升叶片卷曲程度的准确性与客观性,由于是根据病斑区域的离散程度与病斑面积占比,确定单叶片图像的表面病斑程度,能够根据病斑分布特征与严重程度确定表面病斑程度,提升病斑检测效果,根据叶片卷曲程度与表面病斑程度,确定叶片虫害程度,基于叶片虫害程度对花生虫害进行检测处理,得到检测结果,能够综合叶片卷曲程度与表面病斑程度因素的影响,得到叶片虫害程度,有效提升花生虫害程度确定的准确性,综上,本发明能够有效提升花生虫害检测的准确性与可靠性。
本发明还提供了一种基于图像处理的花生虫害检测系统,包括存储器和处理器,处理器执行存储器存储的计算机程序,以实现如上述的一种基于图像处理的花生虫害检测方法。
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 (6)
1.一种基于图像处理的花生虫害检测方法,其特征在于,所述方法包括:
获取花生叶片的原始图像,根据所述原始图像中的颜色分布特征,从所述原始图像中识别单叶片图像;
基于所述单叶片图像的颜色分布特征确定所述单叶片图像的初始卷曲区域,根据所述初始卷曲区域的边缘信息确定卷曲遮盖区域,根据所述初始卷曲区域的第一面积和所述卷曲遮盖区域的第二面积确定叶片卷曲程度;
识别所述单叶片图像中的病斑区域,确定所述病斑区域的离散程度;获得所述病斑区域在所述单叶片图像中的病斑面积占比,根据所述病斑区域的离散程度与所述病斑面积占比,确定所述单叶片图像的表面病斑程度;
根据所述叶片卷曲程度与所述表面病斑程度,确定叶片虫害程度,基于所述叶片虫害程度对所述花生虫害进行检测处理,得到检测结果;
所述根据所述初始卷曲区域的边缘信息确定卷曲遮盖区域,包括:
所述边缘信息包括弯曲程度与直线程度,对所述初始卷曲区域进行边缘检测处理,获得所述初始卷曲区域的卷曲边缘,其中,卷曲边缘,为初始卷曲区域内边缘和叶片边界所构成的边缘;
确定所述卷曲边缘与所述单叶片图像边缘的交界点作为卷曲点,对所述卷曲点邻域内像素点进行线性回归处理,得到所述卷曲点位置处的曲率值,确定所有所述卷曲点位置处的所述曲率值的均值作为所述弯曲程度;
确定所述卷曲边缘与所述单叶片图像边缘的非交界边缘为卷曲内边缘,对所述卷曲内边缘的像素点进行线性回归处理,得到所述卷曲内边缘的像素点在所述卷曲内边缘的线性回归系数,确定所述卷曲内边缘中所有像素点的所述线性回归系数的均值作为所述直线程度;
根据所述弯曲程度和所述直线程度确定所述卷曲遮盖区域;
所述根据所述弯曲程度和所述直线程度确定所述卷曲遮盖区域,包括:
确定所述弯曲程度和预设第一遮盖系数的乘积为第一遮盖概率,确定所述直线程度和预设第二遮盖系数的乘积为第二遮盖概率,确定所述第一遮盖概率和所述第二遮盖概率的和值作为卷曲遮盖概率;
在所述卷曲遮盖概率大于预设遮盖概率阈值时,根据所述卷曲内边缘的像素点的分布信息确定所述卷曲内边缘的边缘直线和所述边缘直线两端点的拟合曲线,将所述边缘直线和所述拟合曲线所围成的区域作为所述卷曲遮盖区域;
所述根据所述卷曲内边缘的像素点的分布信息确定所述卷曲内边缘的边缘直线和所述边缘直线两端点的拟合曲线,包括:
根据所述卷曲内边缘的像素点在所述卷曲内边缘的线性回归系数,确定所述卷曲内边缘的像素点的线性回归系数变化率,根据所述线性回归系数变化率对所述卷曲内边缘进行分割处理,得到所述卷曲内边缘的边缘直线;
将所述边缘直线两端点作为拟合点,确定所述拟合点位置处的坐标与切线方向,根据所述拟合点位置处的坐标与所述切线方向对所述拟合点进行二次函数曲线拟合处理,获得所述拟合曲线;
所述根据所述初始卷曲区域的第一面积和所述卷曲遮盖区域的第二面积确定叶片卷曲程度,包括:
确定所述第一面积和所述第二面积的和值为叶片卷曲面积;
确定所述叶片卷曲面积与所述单叶片图像中叶片的总面积的比值为叶片卷曲程度。
2.如权利要求1所述的方法,其特征在于,所述识别所述单叶片图像中的病斑区域,包括:
确定所述单叶片图像中像素点色彩与预设标准绿色的色彩差异,将所述色彩差异大于预设差异阈值的像素点作为病斑像素点,所述病斑像素点组成所述病斑区域。
3.如权利要求2所述的方法,其特征在于,所述确定所述病斑区域的离散程度,包括:
确定所述病斑区域的外接圆圆心为所述病斑区域的初始中心点,对所述初始中心点进行聚类处理得到聚类中心点;
以所述聚类中心点为圆心,预设距离为半径确定聚类圆域,获取所述聚类圆域内所述初始中心点的数量,确定所述初始中心点的数量与预设数量阈值的比值为所述病斑区域的离散程度。
4.如权利要求3所述的方法,其特征在于,所述根据所述病斑区域的离散程度与所述病斑面积占比,确定所述单叶片图像的表面病斑程度,包括:
计算所述病斑区域的离散程度和所述病斑面积占比的和值作为所述单叶片图像的所述表面病斑程度。
5.如权利要求1所述的方法,其特征在于,所述根据所述叶片卷曲程度与所述表面病斑程度,确定叶片虫害程度,包括:
确定所述叶片卷曲程度和所述表面病斑程度的和值为所述叶片虫害程度。
6.一种基于图像处理的花生虫害检测系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-5任一项所述的一种基于图像处理的花生虫害检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310075310.9A CN115953686B (zh) | 2023-02-07 | 2023-02-07 | 一种基于图像处理的花生虫害检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310075310.9A CN115953686B (zh) | 2023-02-07 | 2023-02-07 | 一种基于图像处理的花生虫害检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115953686A CN115953686A (zh) | 2023-04-11 |
CN115953686B true CN115953686B (zh) | 2023-07-28 |
Family
ID=87297341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310075310.9A Active CN115953686B (zh) | 2023-02-07 | 2023-02-07 | 一种基于图像处理的花生虫害检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953686B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541924A (zh) * | 2023-11-16 | 2024-02-09 | 海南海柠科技有限公司 | 一种农作物生长状况的监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778628A (zh) * | 2014-01-10 | 2014-05-07 | 北京农业信息技术研究中心 | 田间开放环境下的叶片病害程度获取方法及系统 |
CN207766378U (zh) * | 2018-02-07 | 2018-08-24 | 高攀 | 一种便携式棉花病虫害浸染叶片图像采集装置 |
CN109711471A (zh) * | 2018-12-28 | 2019-05-03 | 井冈山大学 | 一种基于深度卷积神经网络的水稻病害图像识别方法 |
CN110188657A (zh) * | 2019-05-27 | 2019-08-30 | 中国农业科学院农业资源与农业区划研究所 | 基于卷曲叶片检测的玉米干旱识别方法 |
WO2021187231A1 (ja) * | 2020-03-16 | 2021-09-23 | 株式会社電通国際情報サービス | 罹病木診断システム、罹病木診断方法、及び罹病木診断プログラム |
-
2023
- 2023-02-07 CN CN202310075310.9A patent/CN115953686B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778628A (zh) * | 2014-01-10 | 2014-05-07 | 北京农业信息技术研究中心 | 田间开放环境下的叶片病害程度获取方法及系统 |
CN207766378U (zh) * | 2018-02-07 | 2018-08-24 | 高攀 | 一种便携式棉花病虫害浸染叶片图像采集装置 |
CN109711471A (zh) * | 2018-12-28 | 2019-05-03 | 井冈山大学 | 一种基于深度卷积神经网络的水稻病害图像识别方法 |
CN110188657A (zh) * | 2019-05-27 | 2019-08-30 | 中国农业科学院农业资源与农业区划研究所 | 基于卷曲叶片检测的玉米干旱识别方法 |
WO2021187231A1 (ja) * | 2020-03-16 | 2021-09-23 | 株式会社電通国際情報サービス | 罹病木診断システム、罹病木診断方法、及び罹病木診断プログラム |
Non-Patent Citations (1)
Title |
---|
基于机器学习的黄瓜果叶图像特征识别与表型参数测量;张经纬;《农业科技辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115953686A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
Dey et al. | Image processing based leaf rot disease, detection of betel vine (Piper BetleL.) | |
Meyer et al. | Machine vision detection parameters for plant species identification | |
CN107527326A (zh) | 一种基于高光谱成像的小麦赤霉病诊断方法 | |
CN112464942B (zh) | 基于计算机视觉的重叠烟叶智能化分级方法 | |
CN115953686B (zh) | 一种基于图像处理的花生虫害检测方法及系统 | |
CN111161362B (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
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 | |
CN109829425B (zh) | 一种农田景观小尺度地物分类方法及系统 | |
CN110176005B (zh) | 基于归一化指数和多尺度模型的遥感图像分割方法 | |
CN110827273A (zh) | 一种基于区域卷积神经网络的茶叶病害检测方法 | |
Petrellis | Mobile application for plant disease classification based on symptom signatures | |
CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
CN109886146A (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN115908371A (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
CN115830003A (zh) | 一种茶园叶片病害的智能监测防治方法 | |
CN115292334A (zh) | 基于视觉智能种植方法、系统、电子设备及存储介质 | |
CN112528726B (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
CN110874835B (zh) | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 | |
CN114119575B (zh) | 一种空间信息变化检测方法及系统 | |
CN111666914A (zh) | 基于曲线间距离的耕地识别方法、系统、设备及存储介质 | |
CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
He et al. | Method for grade identification of tobacco based on machine vision | |
CN115375694A (zh) | 便捷式的基于图像识别的水稻整穗测量方法及其应用 | |
CN112069953B (zh) | 一种水稻秧苗生长期自动识别方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |