CN116310846A - 一种基于图像识别和数据挖掘的病虫害识别方法及系统 - Google Patents

一种基于图像识别和数据挖掘的病虫害识别方法及系统 Download PDF

Info

Publication number
CN116310846A
CN116310846A CN202310565012.8A CN202310565012A CN116310846A CN 116310846 A CN116310846 A CN 116310846A CN 202310565012 A CN202310565012 A CN 202310565012A CN 116310846 A CN116310846 A CN 116310846A
Authority
CN
China
Prior art keywords
image
plant
representing
area
region
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.)
Granted
Application number
CN202310565012.8A
Other languages
English (en)
Other versions
CN116310846B (zh
Inventor
吕晶晶
王祺超
程琨
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.)
Chengdu University
Original Assignee
Chengdu University
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 Chengdu University filed Critical Chengdu University
Priority to CN202310565012.8A priority Critical patent/CN116310846B/zh
Publication of CN116310846A publication Critical patent/CN116310846A/zh
Application granted granted Critical
Publication of CN116310846B publication Critical patent/CN116310846B/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
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明公开了一种基于图像识别和数据挖掘的病虫害识别方法及系统，属于病虫害识别技术领域，其方法包括以下步骤：S1：采集植株的原始生长图像，并对原始生长图像进行归一化处理，得到标准生长图像；S2：对标准生长图像进行背景虚化处理，得到最新生长图像；S3：提取最新生长图像中植株根茎区域、植株叶片区域和植株籽粒区域；S4：分别确定植株根茎区域、植株叶片区域和植株籽粒区域的病虫害敏感度，并根据不同区域的病虫害敏感度完成病虫害识别。该基于图像识别和数据挖掘的病虫害识别方法针对不同区域计算对应的敏感度，通过敏感度大小值比较即可确定病虫害识别结果，其过程简单易实现，可及时对病虫害进行防治。

Description

一种基于图像识别和数据挖掘的病虫害识别方法及系统
技术领域
本发明属于病虫害识别技术领域，具体涉及一种基于图像识别和数据挖掘的病虫害识别方法及系统。
背景技术
近年来，农作物病虫害情况呈加重态势，对粮食生产已构成直接威胁。随着我国植物保护能力的明显提高，通过采取各种病虫害预防与治理手段可有效减少我国每年的粮食损失。传统的识别农作物病虫害方式需要农业专家现场鉴定农作物具体病症，对症下药，但这种方法不仅费时费力且效率低下。
而仅仅通过人工识别植株图像判断病虫害情况，仅能提供有限的信息，一些隐藏在海量数据之中有价值的信息不能被挖掘出来，这些信息可能是有着意想不到的制约关系或规律，会对病虫害识别的准确率提供非常大的帮助。因此，本发明提出了一种基于图像识别和数据挖掘的病虫害识别方法及系统。
发明内容
本发明为了解决上述问题，提出了一种基于图像识别和数据挖掘的病虫害识别方法及系统。
本发明的技术方案是：一种基于图像识别和数据挖掘的病虫害识别方法，其特征在于，包括以下步骤：
S1：采集植株的原始生长图像，并对原始生长图像进行归一化处理，得到标准生长图像；
S2：对标准生长图像进行背景虚化处理，得到最新生长图像；
S3：提取最新生长图像中植株根茎区域、植株叶片区域和植株籽粒区域；
S4：分别确定植株根茎区域、植株叶片区域和植株籽粒区域的病虫害敏感度，并根据不同区域的病虫害敏感度完成病虫害识别。
本发明的有益效果是：
（1）该基于图像识别和数据挖掘的病虫害识别方法通过对植株的原始生长图像进行归一化处理和背景虚化处理，减少室外环境对图像清晰度的干扰，解决图像识别率低的问题；
（2）该基于图像识别和数据挖掘的病虫害识别方法通过滑动窗口提取植株的不同区域，将滑动边缘值作为数据挖掘的特征，参与区域划分；
（3）该基于图像识别和数据挖掘的病虫害识别方法针对不同区域计算对应的敏感度，通过敏感度大小值比较即可确定病虫害识别结果，其过程简单易实现，可及时对病虫害进行防治。
进一步地，S2包括以下子步骤：
S21：对标准生长图像进行平滑处理，得到平滑生长图像；
S22：设定平滑生长图像的背景提取区间；
S23：提取平滑生长图像中各个像素点的亮度，将属于背景提取区间的像素点所属区域作为平滑生长图像的背景区域；
S24：对平滑生长图像的背景区域进行虚化处理，得到最新生长图像。
进一步地，S21中，对标准生长图像进行平滑处理的具体方法为：将标准生长图像均匀分割为若干个像素块，并利用图像平滑函数对各个像素块进行平滑处理，图像平滑函数的表达式为：
Figure SMS_1
；式中，Mi表示平滑生长图像第i个像素块的灰度均值，mi表示标准生长图像第i个像素块的灰度均值，σi表示标准生长图像第i个像素块的灰度标准值，I表示标准生长图像中像素块个数。
进一步地，S22中，平滑生长图像的背景提取区间(L1,L2)的计算公式为：
Figure SMS_2
,
Figure SMS_3
，
式中，L1表示背景提取区间的左端点，L2表示背景提取区间的右端点，K表示平滑生长图像中像素点个数，Lk表示平滑生长图像中第k个像素点的亮度值，L0表示平滑生长图像中所有像素点的亮度均值，max[·]表示最大值运算，min[·]表示最小值运算。
进一步地，S3包括以下子步骤：
S31：获取含有病虫害植株的历史生长图像，计算历史生长图像中的灰度均值和灰度标准差，将灰度均值与灰度标准差的比值作为边缘阈值；
S32：设定第一滑动窗口，对最新生长图像进行滑动扫描，根据第一滑动窗口计算最新生长图像中各个像素点的第一滑动边缘值，将第一滑动边缘值小于或等于边缘阈值的所有像素点所在区域作为植株根茎区域，将最新生长图像的其余区域作为非根茎区域；
S33：设定第二滑动窗口，对最新生长图像中非根茎区域进行滑动扫描，根据第二滑动窗口计算非根茎区域各个像素点的第二滑动边缘值，将非根茎区域中第二滑动边缘值小于边缘阈值的所有像素点所在区域作为植株叶片区域；
S34：将最新生长图像中除植株根茎区域和植株叶片区域外的剩余区域作为植株籽粒区域。
进一步地，第一滑动窗口的长p1和宽q1的计算公式分别为：
Figure SMS_4
，
Figure SMS_5
；式中，X1表示历史生长图像的长度，X2表示最新生长图像的长度，Y1表示历史生长图像的宽度，Y2表示最新生长图像的长度；
第二滑动窗口的长p2和宽q2的计算公式分别为：
Figure SMS_6
，
Figure SMS_7
；式中，C表示大于1的常数。
进一步地，最新生长图像中像素点的第一滑动边缘值σ1的计算公式为：
Figure SMS_8
；式中，h1表示第一滑动窗口的滑动步长，xm表示最新生长图像中第m个像素点的横坐标，ym表示最新生长图像中第m个像素点的纵坐标，x1表示最新生长图像的中心像素点的横坐标，y1表示最新生长图像的中心像素点的纵坐标，M表示最新生长图像的像素点个数；
非根茎区域中像素点的第二滑动边缘值σ2的计算公式为：
Figure SMS_9
；式中，h2表示第二滑动窗口的滑动步长。
进一步地，S4中，植株根茎区域的病虫害敏感度μ1的计算公式为：
Figure SMS_10
；式中，α1表示植株根茎区域面积在最新生长图像面积中所占比值，σ1表示植株根茎区域中所有像素点的第一滑动边缘值的均值，f1表示植株根茎区域面积中最高点与最低点之间的欧式距离，g1表示植株根茎区域面积中最左端与最右端之间的欧式距离，/>
Figure SMS_11
表示极小值，floor(·)表示向下取整函数；
植株叶片区域的病虫害敏感度μ2的计算公式为：
Figure SMS_12
；式中，α2表示植株叶片区域面积在最新生长图像面积中所占比值，σ2表示植株叶片区域中所有像素点的第一滑动边缘值的均值，σ3表示植株叶片区域中所有像素点的第二滑动边缘值的均值，f2表示植株叶片区域面积中最高点与最低点之间的欧式距离，g2表示植株叶片区域面积中最左端与最右端之间的欧式距离；
植株籽粒区域的病虫害敏感度μ3的计算公式为：
Figure SMS_13
；式中，α3表示植株籽粒区域面积在最新生长图像面积中所占比值，σ4表示植株籽粒区域中所有像素点的第一滑动边缘值的均值，σ5表示植株籽粒区域中所有像素点的第二滑动边缘值的均值，f3表示植株籽粒区域面积中最高点与最低点之间的欧式距离，g3表示植株籽粒区域面积中最左端与最右端之间的欧式距离。
进一步地，S4中，若病虫害敏感度大于0.5的区域作为病虫害所在区域。
基于以上方法，本发明还提出一种基于图像识别和数据挖掘的病虫害识别系统，其特征在于，包括图像处理模块、区域划分模块和病虫害识别模块；
图像处理模块用于采集植株的原始生长图像，对原始生长图像进行归一化处理，得到标准生长图像；对标准生长图像进行背景虚化处理，得到最新生长图像；
区域划分模块用于提取最新生长图像中植株根茎区域、植株叶片区域和植株籽粒区域；
病虫害识别模块用于分别确定植株根茎区域、植株叶片区域和植株籽粒区域的病虫害敏感度，并根据不同区域的病虫害敏感度完成病虫害识别。
本发明的有益效果是：该基于图像识别和数据挖掘的病虫害识别系统针对不同区域计算对应的敏感度，通过敏感度大小值比较即可确定病虫害识别结果，其过程简单易实现，可及时对病虫害进行防治。
附图说明
图1为基于图像识别和数据挖掘的病虫害识别方法的流程图；
图2为基于图像识别和数据挖掘的病虫害识别系统的结构图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种基于图像识别和数据挖掘的病虫害识别方法，包括以下步骤：
S1：采集植株的原始生长图像，并对原始生长图像进行归一化处理，得到标准生长图像；
S2：对标准生长图像进行背景虚化处理，得到最新生长图像；
S3：提取最新生长图像中植株根茎区域、植株叶片区域和植株籽粒区域；
S4：分别确定植株根茎区域、植株叶片区域和植株籽粒区域的病虫害敏感度，并根据不同区域的病虫害敏感度完成病虫害识别。
在本发明实施例中，S2包括以下子步骤：
S21：对标准生长图像进行平滑处理，得到平滑生长图像；
S22：设定平滑生长图像的背景提取区间；
S23：提取平滑生长图像中各个像素点的亮度，将属于背景提取区间的像素点所属区域作为平滑生长图像的背景区域；
S24：对平滑生长图像的背景区域进行虚化处理，得到最新生长图像。
在本发明实施例中，S21中，对标准生长图像进行平滑处理的具体方法为：将标准生长图像均匀分割为若干个像素块，并利用图像平滑函数对各个像素块进行平滑处理，图像平滑函数的表达式为：
Figure SMS_14
；式中，Mi表示平滑生长图像第i个像素块的灰度均值，mi表示标准生长图像第i个像素块的灰度均值，σi表示标准生长图像第i个像素块的灰度标准值，I表示标准生长图像中像素块个数。
植株多生长在室外，其生长图像为室外拍摄，易受到环境、天气及光线的影响，因此在进行正式的背景虚化处理前，利用均分像素块的灰度值对标准生长图像进行平滑处理，减少光线对图像质量的影响，对图像的色差进行补偿和修复。
在本发明实施例中，S22中，平滑生长图像的背景提取区间(L1,L2)的计算公式为：
Figure SMS_15
,
Figure SMS_16
，式中，L1表示背景提取区间的左端点，L2表示背景提取区间的右端点，K表示平滑生长图像中像素点个数，Lk表示平滑生长图像中第k个像素点的亮度值，L0表示平滑生长图像中所有像素点的亮度均值，max[·]表示最大值运算，min[·]表示最小值运算。
在本发明实施例中，S3包括以下子步骤：
S31：获取含有病虫害植株的历史生长图像，计算历史生长图像中的灰度均值和灰度标准差，将灰度均值与灰度标准差的比值作为边缘阈值；
S32：设定第一滑动窗口，对最新生长图像进行滑动扫描，根据第一滑动窗口计算最新生长图像中各个像素点的第一滑动边缘值，将第一滑动边缘值小于或等于边缘阈值的所有像素点所在区域作为植株根茎区域，将最新生长图像的其余区域作为非根茎区域；
S33：设定第二滑动窗口，对最新生长图像中非根茎区域进行滑动扫描，根据第二滑动窗口计算非根茎区域各个像素点的第二滑动边缘值，将非根茎区域中第二滑动边缘值小于边缘阈值的所有像素点所在区域作为植株叶片区域；
S34：将最新生长图像中除植株根茎区域和植株叶片区域外的剩余区域作为植株籽粒区域。
通过第一滑动窗口和第二滑动窗口对图像的边缘值进行筛选。
利用第一滑动窗口从左到右且从上到下在最新生长图像上滑动一次，得到植株根茎区域，在植株根茎区域中所有像素点的第一滑动边缘值均小于边缘阈值，非植株根据区域中不存在第一滑动边缘值小于边缘阈值的像素点。将第一滑动窗口进行尺寸调整后，利用第二滑动窗口从左到右且从上到下在非根茎区域上滑动一次，并根据第二滑动窗口重新计算非根茎区域中的滑动边缘值，作为第二滑动边缘值，而这时非根茎区域中由于滑动窗口尺寸的改变，各个像素点第二滑动边缘值小于之前对应的第一滑动边缘值，这时再将非根茎区域中第二滑动边缘值小于边缘阈值的像素点所在区域作为植株叶片区域。
在本发明实施例中，第一滑动窗口的长p1和宽q1的计算公式分别为：
Figure SMS_17
，/>
Figure SMS_18
；式中，X1表示历史生长图像的长度，X2表示最新生长图像的长度，Y1表示历史生长图像的宽度，Y2表示最新生长图像的长度；
第二滑动窗口的长p2和宽q2的计算公式分别为：
Figure SMS_19
，
Figure SMS_20
；式中，C表示大于1的常数。
在本发明实施例中，最新生长图像中像素点的第一滑动边缘值σ1的计算公式为：
Figure SMS_21
；式中，h1表示第一滑动窗口的滑动步长，xm表示最新生长图像中第m个像素点的横坐标，ym表示最新生长图像中第m个像素点的纵坐标，x1表示最新生长图像的中心像素点的横坐标，y1表示最新生长图像的中心像素点的纵坐标，M表示最新生长图像的像素点个数；
非根茎区域中像素点的第二滑动边缘值σ2的计算公式为：
Figure SMS_22
；式中，h2表示第二滑动窗口的滑动步长。
第一滑动窗口和第二滑动窗口的滑动步长相同。滑动窗口的长和宽均大于1。由第一滑动窗口和第二滑动窗口的计算公式可知，第一滑动窗口的长和宽均小于第二滑动窗口的长和宽，因此第一滑动窗口长宽之积的倒数大于第二滑动窗口长宽之积的倒数，由此第一滑动边缘值大于第二滑动边缘值。
在本发明实施例中，S4中，植株根茎区域的病虫害敏感度μ1的计算公式为：
Figure SMS_23
；式中，α1表示植株根茎区域面积在最新生长图像面积中所占比值，σ1表示植株根茎区域中所有像素点的第一滑动边缘值的均值，f1表示植株根茎区域面积中最高点与最低点之间的欧式距离，g1表示植株根茎区域面积中最左端与最右端之间的欧式距离，/>
Figure SMS_24
表示极小值，floor(·)表示向下取整函数；
植株叶片区域的病虫害敏感度μ2的计算公式为：
Figure SMS_25
；式中，α2表示植株叶片区域面积在最新生长图像面积中所占比值，σ2表示植株叶片区域中所有像素点的第一滑动边缘值的均值，σ3表示植株叶片区域中所有像素点的第二滑动边缘值的均值，f2表示植株叶片区域面积中最高点与最低点之间的欧式距离，g2表示植株叶片区域面积中最左端与最右端之间的欧式距离；
植株籽粒区域的病虫害敏感度μ3的计算公式为：
Figure SMS_26
；式中，α3表示植株籽粒区域面积在最新生长图像面积中所占比值，σ4表示植株籽粒区域中所有像素点的第一滑动边缘值的均值，σ5表示植株籽粒区域中所有像素点的第二滑动边缘值的均值，f3表示植株籽粒区域面积中最高点与最低点之间的欧式距离，g3表示植株籽粒区域面积中最左端与最右端之间的欧式距离。
在本发明实施例中，S4中，若病虫害敏感度大于0.5的区域作为病虫害所在区域。
基于以上方法，本发明还提出一种基于图像识别和数据挖掘的病虫害识别系统，如图2所示，包括图像处理模块、区域划分模块和病虫害识别模块；
图像处理模块用于采集植株的原始生长图像，对原始生长图像进行归一化处理，得到标准生长图像；对标准生长图像进行背景虚化处理，得到最新生长图像；
区域划分模块用于提取最新生长图像中植株根茎区域、植株叶片区域和植株籽粒区域；
病虫害识别模块用于分别确定植株根茎区域、植株叶片区域和植株籽粒区域的病虫害敏感度，并根据不同区域的病虫害敏感度完成病虫害识别。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种基于图像识别和数据挖掘的病虫害识别方法，其特征在于，包括以下步骤：
S1：采集植株的原始生长图像，并对原始生长图像进行归一化处理，得到标准生长图像；
S2：对标准生长图像进行背景虚化处理，得到最新生长图像；
S3：提取最新生长图像中植株根茎区域、植株叶片区域和植株籽粒区域；
S4：分别确定植株根茎区域、植株叶片区域和植株籽粒区域的病虫害敏感度，并根据不同区域的病虫害敏感度完成病虫害识别。
2.根据权利要求1所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述S2包括以下子步骤：
S21：对标准生长图像进行平滑处理，得到平滑生长图像；
S22：设定平滑生长图像的背景提取区间；
S23：提取平滑生长图像中各个像素点的亮度，将属于背景提取区间的像素点所属区域作为平滑生长图像的背景区域；
S24：对平滑生长图像的背景区域进行虚化处理，得到最新生长图像。
3.根据权利要求2所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述S21中，对标准生长图像进行平滑处理的具体方法为：将标准生长图像均匀分割为若干个像素块，并利用图像平滑函数对各个像素块进行平滑处理，图像平滑函数的表达式为：
Figure QLYQS_1
；式中，Mi表示平滑生长图像第i个像素块的灰度均值，mi表示标准生长图像第i个像素块的灰度均值，σi表示标准生长图像第i个像素块的灰度标准值，I表示标准生长图像中像素块个数。
4.根据权利要求2所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述S22中，平滑生长图像的背景提取区间(L1,L2)的计算公式为：
Figure QLYQS_2
，/>
Figure QLYQS_3
，式中，L1表示背景提取区间的左端点，L2表示背景提取区间的右端点，K表示平滑生长图像中像素点个数，Lk表示平滑生长图像中第k个像素点的亮度值，L0表示平滑生长图像中所有像素点的亮度均值，max[·]表示最大值运算，min[·]表示最小值运算。
5.根据权利要求1所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述S3包括以下子步骤：
S31：获取含有病虫害植株的历史生长图像，计算历史生长图像中的灰度均值和灰度标准差，将灰度均值与灰度标准差的比值作为边缘阈值；
S32：设定第一滑动窗口，对最新生长图像进行滑动扫描，根据第一滑动窗口计算最新生长图像中各个像素点的第一滑动边缘值，将第一滑动边缘值小于或等于边缘阈值的所有像素点所在区域作为植株根茎区域，将最新生长图像的其余区域作为非根茎区域；
S33：设定第二滑动窗口，对最新生长图像中非根茎区域进行滑动扫描，根据第二滑动窗口计算非根茎区域各个像素点的第二滑动边缘值，将非根茎区域中第二滑动边缘值小于边缘阈值的所有像素点所在区域作为植株叶片区域；
S34：将最新生长图像中除植株根茎区域和植株叶片区域外的剩余区域作为植株籽粒区域。
6.根据权利要求5所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述第一滑动窗口的长p1和宽q1的计算公式分别为：
Figure QLYQS_4
，/>
Figure QLYQS_5
；式中，X1表示历史生长图像的长度，X2表示最新生长图像的长度，Y1表示历史生长图像的宽度，Y2表示最新生长图像的长度；
所述第二滑动窗口的长p2和宽q2的计算公式分别为：
Figure QLYQS_6
，/>
Figure QLYQS_7
；式中，C表示大于1的常数。
7.根据权利要求5所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述最新生长图像中像素点的第一滑动边缘值σ1的计算公式为：
Figure QLYQS_8
；式中，h1表示第一滑动窗口的滑动步长，xm表示最新生长图像中第m个像素点的横坐标，ym表示最新生长图像中第m个像素点的纵坐标，x1表示最新生长图像的中心像素点的横坐标，y1表示最新生长图像的中心像素点的纵坐标，M表示最新生长图像的像素点个数；
所述非根茎区域中像素点的第二滑动边缘值σ2的计算公式为：
Figure QLYQS_9
；式中，h2表示第二滑动窗口的滑动步长。
8.根据权利要求1所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述S4中，植株根茎区域的病虫害敏感度μ1的计算公式为：
Figure QLYQS_10
；式中，α1表示植株根茎区域面积在最新生长图像面积中所占比值，σ1表示植株根茎区域中所有像素点的第一滑动边缘值的均值，f1表示植株根茎区域面积中最高点与最低点之间的欧式距离，g1表示植株根茎区域面积中最左端与最右端之间的欧式距离，/>
Figure QLYQS_11
表示极小值，floor(·)表示向下取整函数；
植株叶片区域的病虫害敏感度μ2的计算公式为：
Figure QLYQS_12
；式中，α2表示植株叶片区域面积在最新生长图像面积中所占比值，σ2表示植株叶片区域中所有像素点的第一滑动边缘值的均值，σ3表示植株叶片区域中所有像素点的第二滑动边缘值的均值，f2表示植株叶片区域面积中最高点与最低点之间的欧式距离，g2表示植株叶片区域面积中最左端与最右端之间的欧式距离；
植株籽粒区域的病虫害敏感度μ3的计算公式为：
Figure QLYQS_13
；式中，α3表示植株籽粒区域面积在最新生长图像面积中所占比值，σ4表示植株籽粒区域中所有像素点的第一滑动边缘值的均值，σ5表示植株籽粒区域中所有像素点的第二滑动边缘值的均值，f3表示植株籽粒区域面积中最高点与最低点之间的欧式距离，g3表示植株籽粒区域面积中最左端与最右端之间的欧式距离。
9.根据权利要求1所述的基于图像识别和数据挖掘的病虫害识别方法，其特征在于，所述S4中，若病虫害敏感度大于0.5的区域作为病虫害所在区域。
10.一种基于图像识别和数据挖掘的病虫害识别系统，其特征在于，包括图像处理模块、区域划分模块和病虫害识别模块；
所述图像处理模块用于采集植株的原始生长图像，对原始生长图像进行归一化处理，得到标准生长图像；对标准生长图像进行背景虚化处理，得到最新生长图像；
所述区域划分模块用于提取最新生长图像中植株根茎区域、植株叶片区域和植株籽粒区域；
所述病虫害识别模块用于分别确定植株根茎区域、植株叶片区域和植株籽粒区域的病虫害敏感度，并根据不同区域的病虫害敏感度完成病虫害识别。
CN202310565012.8A 2023-05-19 2023-05-19 一种基于图像识别和数据挖掘的病虫害识别方法及系统 Active CN116310846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310565012.8A CN116310846B (zh) 2023-05-19 2023-05-19 一种基于图像识别和数据挖掘的病虫害识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310565012.8A CN116310846B (zh) 2023-05-19 2023-05-19 一种基于图像识别和数据挖掘的病虫害识别方法及系统

Publications (2)

Publication Number Publication Date
CN116310846A true CN116310846A (zh) 2023-06-23
CN116310846B CN116310846B (zh) 2023-08-29

Family

ID=86817200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310565012.8A Active CN116310846B (zh) 2023-05-19 2023-05-19 一种基于图像识别和数据挖掘的病虫害识别方法及系统

Country Status (1)

Country Link
CN (1) CN116310846B (zh)

Citations (8)

* 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
US20160216245A1 (en) * 2012-11-07 2016-07-28 Brian Harold Sutton Infrared aerial thermography for use in monitoring plant health and growth
CN107507175A (zh) * 2017-08-18 2017-12-22 潘荣兰 一种用于计算玉米叶部小斑病病斑所占面积比例的装置
US20200184153A1 (en) * 2018-02-20 2020-06-11 Osram Gmbh Controlled Agricultural Systems and Methods of Managing Agricultural Systems
CN112668404A (zh) * 2020-12-10 2021-04-16 哈尔滨师范大学 一种大豆病虫害的有效鉴定方法
CN113051983A (zh) * 2019-12-28 2021-06-29 中移(成都)信息通信科技有限公司 训练大田作物病害识别模型及大田作物病害识别的方法
CN114170137A (zh) * 2021-11-05 2022-03-11 成都理工大学 一种辣椒病害识别方法、识别系统、计算机可读存储介质
CN114913415A (zh) * 2022-04-26 2022-08-16 山东省农业科学院 一种基于遥感监测的病虫害检测系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160216245A1 (en) * 2012-11-07 2016-07-28 Brian Harold Sutton Infrared aerial thermography for use in monitoring plant health and growth
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
CN107507175A (zh) * 2017-08-18 2017-12-22 潘荣兰 一种用于计算玉米叶部小斑病病斑所占面积比例的装置
US20200184153A1 (en) * 2018-02-20 2020-06-11 Osram Gmbh Controlled Agricultural Systems and Methods of Managing Agricultural Systems
CN113051983A (zh) * 2019-12-28 2021-06-29 中移(成都)信息通信科技有限公司 训练大田作物病害识别模型及大田作物病害识别的方法
CN112668404A (zh) * 2020-12-10 2021-04-16 哈尔滨师范大学 一种大豆病虫害的有效鉴定方法
CN114170137A (zh) * 2021-11-05 2022-03-11 成都理工大学 一种辣椒病害识别方法、识别系统、计算机可读存储介质
CN114913415A (zh) * 2022-04-26 2022-08-16 山东省农业科学院 一种基于遥感监测的病虫害检测系统

Also Published As

Publication number Publication date
CN116310846B (zh) 2023-08-29

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
CN111860330B (zh) 基于多特征融合和卷积神经网络的苹果叶部病害识别方法
CN106845497B (zh) 基于多特征融合的玉米前期图像旱情识别方法
CN110598619B (zh) 一种利用无人机影像进行果树识别和计数的方法和系统
CN113936254B (zh) 结合积温订正的水稻发育期识别模型训练方法、识别方法及装置
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
Zhou et al. Early detection and continuous quantization of plant disease using template matching and support vector machine algorithms
CN112131952A (zh) 基于无人机遥感影像的玉米苗期株数信息提取
CN112734083A (zh) 一种基于机器视觉的水稻收割机路径规划控制系统
CN114677606A (zh) 基于注意力机制和双分支网络的柑橘细粒度病害识别方法
He et al. Visual detection of rice rows based on Bayesian decision theory and robust regression least squares method
CN112580595B (zh) 一种基于Shapelet的双季稻田遥感识别方法
CN116310846B (zh) 一种基于图像识别和数据挖掘的病虫害识别方法及系统
CN112329733B (zh) 一种基于gee云平台的冬小麦长势监测及分析方法
CN110232345A (zh) 使用计算机生成杂草识别模型的程序和杂草识别装置
CN116524225A (zh) 一种基于多源遥感数据的作物分类方法及系统
CN110135481B (zh) 一种农作物病变检测方法以及检测装置
CN113111892A (zh) 一种基于无人机影像的作物种植行提取方法
CN114202687A (zh) 基于无人机影像的烟草植株自动提取和计数方法及系统
Santhosh Kumar et al. Review on disease detection of plants using image processing and machine learning techniques
CN111967357A (zh) 一种基于机器视觉的高粱病害智能识别系统及识别方法
CN116757867B (zh) 一种基于多源数据融合的数字乡村构建方法及系统
CN110232344B (zh) 使用计算机识别杂草的程序和杂草识别装置
Chodey et al. Crop pest detection and classification by K-means and EM clustering
CN115294164A (zh) 一种用于绿色植被图像分割的自动阈值颜色因子算法

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
GR01 Patent grant
GR01 Patent grant