CN116596879A - 基于边界样本分位数的葡萄霜霉病自适应识别方法 - Google Patents
基于边界样本分位数的葡萄霜霉病自适应识别方法 Download PDFInfo
- Publication number
- CN116596879A CN116596879A CN202310556807.2A CN202310556807A CN116596879A CN 116596879 A CN116596879 A CN 116596879A CN 202310556807 A CN202310556807 A CN 202310556807A CN 116596879 A CN116596879 A CN 116596879A
- Authority
- CN
- China
- Prior art keywords
- image
- blade
- gray
- spot
- disease spot
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 235000009754 Vitis X bourquina Nutrition 0.000 title claims abstract description 69
- 235000012333 Vitis X labruscana Nutrition 0.000 title claims abstract description 69
- 235000014787 Vitis vinifera Nutrition 0.000 title claims abstract description 69
- 241000233679 Peronosporaceae Species 0.000 title claims abstract description 30
- 240000006365 Vitis vinifera Species 0.000 title 1
- 201000010099 disease Diseases 0.000 claims abstract description 103
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 103
- 241000219095 Vitis Species 0.000 claims abstract description 68
- 230000003902 lesion Effects 0.000 claims abstract description 62
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000007619 statistical method Methods 0.000 claims abstract description 10
- 230000005764 inhibitory process Effects 0.000 claims description 33
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 239000003086 colorant Substances 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Abstract
本发明公开了基于边界样本分位数的葡萄霜霉病自适应识别方法，涉及农业病斑识别技术领域，该方法包括：获取葡萄叶片原图像，通过灰度映射方法将所述葡萄叶片原图像映射转化为叶片灰度图；对所述叶片灰度图进行边界识别，获得叶片病斑边界信息；基于样本分位数提取法，确定所述叶片病斑边界信息的病斑阈值；按照所述病斑阈值对所述叶片灰度图的各像素点进行判定，将小于所述病斑阈值的像素点确定为病斑，获得图像病斑识别结果；基于统计学法计算获得所述图像病斑识别结果的病斑比例。本发明解决了现有技术中葡萄霜霉病的病斑识别速度慢，识别精度低的技术问题，达到了提高葡萄霜霉病的病斑识别速度和识别精度的技术效果。
Description
技术领域
本发明涉及农业病斑识别技术领域，具体涉及基于边界样本分位数的葡萄霜霉病自适应识别方法。
背景技术
葡萄霜霉病是影响葡萄产量的一种普遍性病害，其病原体为葡萄生轴霜霉菌，是葡萄专性寄生菌的一种，能够多次循环侵染。在葡萄叶片生长过程中，如果条件适宜，葡萄生轴霜霉菌将会大量繁殖，迅速成灾，广泛程度甚至影响到葡萄业发展。葡萄霜霉病在叶片上的繁殖具有连续性、过程性，体现在叶片上即为病斑的衍生，监测病斑面积的大小是推测霜霉病程度的一种途径。
但是目前病斑监测多使用传统机器学习方法，还存在着计算速度慢，识别精度低等问题。
发明内容
本申请提供了基于边界样本分位数的葡萄霜霉病自适应识别方法及系统，用于解决现有技术中葡萄霜霉病的病斑识别速度慢，识别精度低的技术问题。
本申请的第一个方面，提供了基于边界样本分位数的葡萄霜霉病自适应识别方法，所述方法包括：获取葡萄叶片原图像，通过灰度映射方法将所述葡萄叶片原图像映射转化为叶片灰度图；对所述叶片灰度图进行边界识别，获得叶片病斑边界信息；基于样本分位数提取法，确定所述叶片病斑边界信息的病斑阈值；按照所述病斑阈值对所述叶片灰度图的各像素点进行判定，将小于所述病斑阈值的像素点确定为病斑，获得图像病斑识别结果；基于统计学法计算获得所述图像病斑识别结果的病斑比例。
本申请的第二个方面，提供了基于边界样本分位数的葡萄霜霉病自适应识别系统，所述系统包括：叶片灰度图获取模块，所述叶片灰度图获取模块用于获取葡萄叶片原图像，通过灰度映射方法将所述葡萄叶片原图像映射转化为叶片灰度图；叶片病斑边界信息获得模块，所述叶片病斑边界信息获得模块用于对所述叶片灰度图进行边界识别，获得叶片病斑边界信息；叶片病斑边界阈值确定模块，所述叶片病斑边界阈值确定获取模块用于基于样本分位数提取法，确定所述叶片病斑边界信息的病斑阈值；图像病斑识别结果获得模块，所述图像病斑识别结果获得模块用于按照所述病斑阈值对所述叶片灰度图的各像素点进行判定，将小于所述病斑阈值的像素点确定为病斑，获得图像病斑识别结果；病斑比例获得模块，所述病斑比例获得模块用于基于统计学法计算获得所述图像病斑识别结果的病斑比例。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供的基于边界样本分位数的葡萄霜霉病自适应识别方法，涉及农业病斑识别技术领域，通过灰度映射方法将葡萄叶片原图像映射转化为叶片灰度图，并对其进行边界识别，获得叶片病斑边界信息；基于样本分位数提取法，确定叶片病斑边界信息的病斑阈值，将小于所述病斑阈值的像素点确定为病斑，获得图像病斑识别结果，最后基于统计学法计算获得图像病斑识别结果的病斑比例，解决了现有技术中葡萄霜霉病的病斑识别速度慢，识别精度低的技术问题，实现了提高葡萄霜霉病的病斑识别速度和识别精度的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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他的附图。
图1为本申请实施例提供的基于边界样本分位数的葡萄霜霉病自适应识别方法流程示意图；
图2为本申请实施例提供的基于边界样本分位数的葡萄霜霉病自适应识别方法中将葡萄叶片原图像映射转化为叶片灰度图的流程示意图；
图3为本申请实施例提供的基于边界样本分位数的葡萄霜霉病自适应识别方法中获得叶片病斑边界信息的流程示意图；
图4为本申请实施例提供的基于边界样本分位数的葡萄霜霉病自适应识别系统结构示意图。
附图标记说明：叶片灰度图获取模块11，叶片病斑边界信息获得模块12，叶片病斑边界阈值确定模块13，图像病斑识别结果获得模块14，病斑比例获得模块15。
具体实施方式
本申请提供了基于边界样本分位数的葡萄霜霉病自适应识别方法，用于解决现有技术中葡萄霜霉病的病斑识别速度慢，识别精度低的技术问题。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了基于边界样本分位数的葡萄霜霉病自适应识别方法，所述方法包括：
S100：获取葡萄叶片原图像，通过灰度映射方法将所述葡萄叶片原图像映射转化为叶片灰度图；
具体而言，使用摄像机等设备拍摄葡萄叶片原图像，所述叶片原图像为RGB彩图，RGB彩图每幅图像由三幅灰度图像组合而成，因此彩图难以开展数字化分析，为简化识别问题，便于开展病斑识别研究，本申请采用灰度映射方法将拍摄的葡萄叶片原图像转化为叶片灰度图，
进一步的，如图2所示，本申请实施例步骤S100还包括：
S110：获取所述葡萄叶片原图像的RGB颜色空间描述信息；
S120：构建灰度图像转化公式：Gray＝R×0.299+G×0.587+B×0.114，其中Gray为像素灰度值，R、G、B分别为红、绿、蓝色彩坐标；
S130：基于所述灰度图像转化公式对所述RGB颜色空间描述信息进行计算转化，生成所述叶片灰度图。
具体的，所述葡萄叶片原图像为RGB彩图，对于RGB彩图而言，红、绿、蓝是三种基本的原色，是依据人眼识别的颜色定义出的空间，可表示大部分颜色。将红、绿、蓝三个通道设置为笛卡尔坐标系中的X、Y、Z轴，找到所述葡萄叶片原图像的所有彩色点在该坐标系中的位置，即可得到对于所述葡萄叶片原图像的RGB颜色的空间描述信息。
由于人体对颜色的感知来源于大脑的视觉皮层和联想区域，短(S)、中(M)和长(L)锥体三种类型的视锥体对三种不同的光谱敏感程度存在差异，所以RGB颜色的被感知水平并不相同，因此在灰度转换过程中，需要针对不同颜色给予不同的权重。本申请基于视觉敏感理论，采用心理学公式Gray＝R×0.299+G×0.587+B×0.114作为灰度图像转化公式，对彩色图像进行转化，所述灰度图像转化公式中Gray为像素灰度值，R、G、B分别为红、绿、蓝色彩坐标。基于所述灰度图像转化公式将叶片彩色图的三种颜色按位分别进行加权计算，映射至灰度空间的一维数值型像素表示的灰度图，以此作为叶片灰度图，以方便后续进行叶片病斑边界识别。
S200：对所述叶片灰度图进行边界识别，获得叶片病斑边界信息；
具体而言，由于不同图像之间存在亮度、对比度等因素的差异，因此不同图像转化为灰度图后灰度数值上也存在差异，难以找到固定的灰度阈值作为病斑判定的依据，故本申请采用边界识别的方法，对所述叶片灰度图进行边界识别，在叶片灰度图中找到病斑与正常叶片组织的边界，边界是正常组织与病斑的过渡层，在灰度数值上也介于两种组织之间，可以作为后续进行病斑阈值确定的依据。
进一步的，如图3所示，本申请实施例步骤S200还包括：
S210：获得高斯滤波器，采用所述高斯滤波器对所述叶片灰度图进行边缘识别，获取叶片边缘识别结果；
S220：通过非极大抑制法对所述叶片边缘识别结果进行优化，获得叶片边缘优化图像；
S230：基于双阈值法对所述叶片边缘优化图像进行筛选，获得所述叶片病斑边界信息。
具体的，获得高斯滤波器，采用所述高斯滤波器对所述叶片灰度图进行边缘识别，高斯滤波是一种去噪滤波算法，可以将待滤波的像素点及其邻域点的灰度值，按照高斯公式生成的参数规则进行加权平均，滤去图像中叠加的高频噪声。所述高斯滤波器即根据高斯函数来选择权值的平滑滤波器，本质上是一种加权滤波器，示例性地，本申请使用的高斯滤波器在数值分布上呈金字塔结构，其滤波器的值大小可以理解为权重，值越大对应的像素点权重越大，占比也就越大，采用所述高斯滤波器将所述叶片灰度图中的像素点及其邻域点的灰度值进行加权平均，滤去图像中叠加的高频噪声，识别出病斑边缘，得到叶片边缘识别结果。进一步的，采用非极大抑制法寻找叶片边缘像素点的局部灰度最大值，将该极大值的像素置为1，再将其他非最大值像素点置为零，从而达到锐化边缘，降低干扰的目的，得到叶片边缘优化图像。使用双阈值法对所述叶片边缘优化图像进行筛选，将灰度值过小的像素点的像素值置为0，灰度值较大的像素点的像素值置为1，保留灰度值较大的像素点作为所述叶片病斑边界信息，可以去除伪边缘对边缘判定造成的干扰。
进一步的，本申请实施例步骤S220还包括：
S221：获取所述叶片边缘识别结果的目标抑制点和连通邻域点；
S222：基于角度图像函数对所述目标抑制点进行计算，获得梯度方向；
S223：获得所述目标抑制点和所述连通邻域点的灰度值大小比对结果；
S224：当所述灰度值大小比对结果为所述目标抑制点的灰度值最大时，获得所述梯度方向的第一梯度交点和第二梯度交点；
S225：若所述目标抑制点的灰度值大于所述第一梯度交点和第二梯度交点的灰度值，则所述目标抑制点为极大值点，将所述极大值点的像素置为1，将非极大值点的像素置为0，获得所述叶片边缘优化图像。
具体而言，从所述叶片边缘识别结果中选取一个目标抑制点，并找到邻域内的8个连通邻域点，所述目标抑制点为当前非极大值抑制的点，基于角度图像函数对所述目标抑制点进行计算，获得梯度方向，也就是非极大值抑制的方向，将所述目标抑制点和所述连通邻域点的灰度值大小进行比对，当灰度值大小比对的结果为所述目标抑制点的灰度值最大时，提取所述梯度方向上的第一梯度交点和第二梯度交点，进而将所述目标抑制点和所述第一梯度交点和第二梯度交点的灰度值大小进行比较，当所述目标抑制点的灰度值大于所述第一梯度交点和第二梯度交点的灰度值时，判断所述目标抑制点为极大值点，将所述极大值点的像素置为1，将非极大值点的像素置为0，从而达到锐化边缘，降低干扰的目的，得到所述叶片边缘优化图像，可以解决使用高斯滤波器进行病斑边缘识别后边缘存在的粗、宽、干扰多的问题。
进一步的，本申请实施例步骤S230还包括：
S231：选取获得边缘低阈值和边缘高阈值；
S232：将所述叶片边缘优化图像中小于所述边缘低阈值的像素置为0，将大于所述边缘高阈值的像素置为1，获得所述叶片病斑边界信息。
具体的，选取两个边缘灰度阈值，选取的边缘灰度阈值应当使不同类间分离性最好，示例性地，首先基于直方图得到各分割特性值的发生概率，并以阈值变量将分割特征分为两类，然后求出每一类的类内方差和类间方差，选取使类内方差最小或类间方差最大的作为最佳阈值，分别选取边缘低阈值与边缘高阈值，将所述叶片边缘优化图像中的边缘灰度值与所述边缘低阈值和边缘高阈值进行一一对比，若该边缘灰度值小于边缘低阈值，则判定为假边缘，并将像素值置为0，若大于边缘高阈值，则判定为强边缘，并将像素值置为1，最后基于双阈值的边缘连接方法，把边缘连接成轮廓，直到整个图像闭合，以此作为所述叶片病斑边界信息，可以去除伪边缘对边缘判定造成的干扰。
S300：基于样本分位数提取法，确定所述叶片病斑边界信息的病斑阈值；
具体而言，样本分位数是指总体分位数相对应的样本特征，可以反映一定比例的数据的集中位置的统计数据的数学特征，为抑制叶片本身存在的条纹与边界对阈值确定产生的干扰，采用样本分位数提取法，找到概率上最能表征叶片正常组织与病斑之间区别的灰度数值，作为病斑阈值。
进一步的，本申请实施例步骤S300还包括：
S310：获取所述叶片病斑边界信息的次序统计量；
S320：设置获得边界样本分位数；
S330：基于所述边界样本分位数对所述次序统计量进行划分提取，确定所述病斑阈值。
具体的，设X1X2,…,Xn是来自所述叶片病斑边界信息的一个样本，X(1)≤X(2)≤…≤X(n)是其次序统计量。该样本的p分位数定义为：mp＝X(k)，其中k＝[np]+1，[np]为取整运算。
设X1X2,…,Xn是具有密度函数f(x)的总体的一个样本，给定p∈(0,1)，f(x)在总体p分位数的ξp处连续，且f(ξp)>0。定义k，使则对样本的第k个次序统计量X(k)有：
其中，表示高阶无穷小，L表示依分布收敛。
将识别出的边界像素点进行统计分析，得到边界点的数值分布呈趋近，设置边界样本分位数，也就是选择一个样本数据分布比例，根据该样本分位数确定病斑阈值，示例性的，优选50％分位数，基于所述边界样本分位数提取50％之前的所述次序统计量，将50％所述次序统计量对应的像素灰度值作为病斑阈值，50％之前的所述次序统计量对应的像素点即为病斑。所述病斑阈值可以用来区分叶片正常组织与病斑的灰度数值。
S400：按照所述病斑阈值对所述叶片灰度图的各像素点进行判定，将小于所述病斑阈值的像素点确定为病斑，获得图像病斑识别结果；
具体而言，将所述叶片灰度图的各像素点的灰度值与所述病斑阈值一一进行对比，筛选出所述叶片灰度图中的像素点灰度值小于所述病斑阈值的像素点，将筛选出的像素点组成的图像区域确定为病斑区域，以此作为图像病斑识别结果，可以用来计算叶片病斑比例。
S500：基于统计学法计算获得所述图像病斑识别结果的病斑比例。
具体的，基于统计学算法，分别将所有葡萄叶样本的所述图像病斑识别结果中病斑所占的面积除以叶片总面积，得到每个葡萄叶样本产生病斑的面积比例，以此作为病斑比例，可以用来评估植株健康状态。
进一步的，本申请实施例还包括步骤S600，步骤S600还包括：
S610：采用蒙特卡罗法对所述葡萄叶片原图像进行随机识别验证，获得图像病斑识别验证信息；
S620：通过人工标定法对所述葡萄叶片原图像进行判定，获得图像病斑标定信息；
S630：对比所述图像病斑识别验证信息和所述图像病斑标定信息，获得图像病斑识别精度。
具体而言，蒙特卡罗法也称统计模拟法、统计试验法。是把概率现象作为研究对象的数值模拟方法，是按抽样调查法求取统计值来推定未知特性量的计算方法。示例性的，通过随机数生成的方法，在图片上随机选取N个像素点，结合人工经验，对N个点进行判定，确定N个点是否为病斑，通过本申请方法与对照方法，分别得到图像病斑与正常的位置信息，对比人工判定与识别方法对N个点的判定结果，计算识别精度。
进一步的，为纵向对比本文提出的灰度阈值确定方法的有效性，本申请采用随机阈值确定、中位数阈值确定、基于正常组织的阈值确定、基于病斑组织的阈值确定方法作为对照，对比不同阈值确定方法对于病斑识别精度带来的影响。不同方法识别精度结果如表1所示，从表1结果中可以发现，本申请提出的病斑识别阈值确定方法精度明显高于对照组，说明采用病斑边界样本分为数作为病斑识别的阈值能够自适应提取出病斑与正常组织的差异信息，从而为病斑的判定提供依据。
表1识别精度纵向对比
进一步的，为横向对比本申请提出的病斑识别方法的效果，本申请采用BP神经网络、卷积神经网络、VGG16模型、支持向量机、ResNet50模型等经典图像识别方法作为对照。经典的图像识别方法采用的是机器学习的方法，需要对网络进行训练，以从样本中学习识别病斑的经验知识。因此，本申请从多个样本中截取选取了病斑图片共200例，同时截取正常的叶片图片200例，对图片打上标签，建立二分类的图像识别网络。利用正常图片与病斑图片的随机80％样本量对网络进行训练，并采用其余20％的样本数据对网络识别能力进行验证，识别精度与平均耗时结果如表2所示。从表2结果中可以发现，本申请提出的病斑识别方法精度高于BP神经网络、卷积神经网络、支持向量机，但略低于VGG16模型与ResNet50模型，但从平均用时指标分析，本申请方法计算速度远快于其他机器学习方法，原因在于本申请方法在计算步骤上采用简单的灰度转换、高斯滤波与阈值判定方法，计算量小，因此具有较快的计算速率。
表2识别精度横向对比
| 方法 | 识别精度 | 平均用时(s) |
| 本申请方法 | 92.2％ | 1.410 |
| BP神经网络 | 78.6％ | 8.763 |
| 卷积神经网络 | 91.8％ | 12.348 |
| VGG16模型 | 94.3％ | 15.588 |
| 支持向量机 | 88.7％ | 6.533 |
| ResNet50模型 | 96.26％ | 20.317 |
综上所述，本申请实施例至少具有如下技术效果：
本申请通过灰度映射方法将葡萄叶片原图像映射转化为叶片灰度图，并对其进行边界识别，获得叶片病斑边界信息；基于样本分位数提取法，确定叶片病斑边界信息的病斑阈值，将小于所述病斑阈值的像素点确定为病斑，获得图像病斑识别结果，最后基于统计学法计算获得图像病斑识别结果的病斑比例。
达到了提高葡萄霜霉病的病斑识别速度和识别精度的技术效果。
实施例二
基于与前述实施例中基于边界样本分位数的葡萄霜霉病自适应识别方法相同的发明构思，如图4所示，本申请提供了基于边界样本分位数的葡萄霜霉病自适应识别系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
叶片灰度图获取模块11，所述叶片灰度图获取模块用于获取葡萄叶片原图像，通过灰度映射方法将所述葡萄叶片原图像映射转化为叶片灰度图；
叶片病斑边界信息获得模块12，所述叶片病斑边界信息获得模块用于对所述叶片灰度图进行边界识别，获得叶片病斑边界信息；
叶片病斑边界阈值确定模块13，所述叶片病斑边界阈值确定获取模块用于基于样本分位数提取法，确定所述叶片病斑边界信息的病斑阈值；
图像病斑识别结果获得模块14，所述图像病斑识别结果获得模块用于按照所述病斑阈值对所述叶片灰度图的各像素点进行判定，将小于所述病斑阈值的像素点确定为病斑，获得图像病斑识别结果；
病斑比例获得模块15，所述病斑比例获得模块用于基于统计学法计算获得所述图像病斑识别结果的病斑比例。
进一步的，所述系统还包括：
颜色空间描述信息获取模块，所述颜色空间描述信息获取模块用于获取所述葡萄叶片原图像的RGB颜色空间描述信息；
灰度图像转化公式构建模块，所述灰度图像转化公式构建模块用于构建灰度图像转化公式：Gray＝R×0.299+G×0.587+B×0.114，其中Gray为像素灰度值，R、G、B分别为红、绿、蓝色彩坐标；
叶片灰度图生成模块，所述叶片灰度图生成模块用于基于所述灰度图像转化公式对所述RGB颜色空间描述信息进行计算转化，生成所述叶片灰度图；
进一步的，所述系统还包括：
叶片边缘识别结果获取模块，所述叶片边缘识别结果获取模块用于获得高斯滤波器，采用所述高斯滤波器对所述叶片灰度图进行边缘识别，获取叶片边缘识别结果；
叶片边缘优化图像获得模块，所述叶片边缘优化图像获得模块用于通过非极大抑制法对所述叶片边缘识别结果进行优化，获得叶片边缘优化图像；
叶片病斑边界信息获取模块，所述叶片病斑边界信息获取模块用于基于双阈值法对所述叶片边缘优化图像进行筛选，获得所述叶片病斑边界信息；
进一步的，所述系统还包括：
目标抑制点获取模块，所述目标抑制点获取模块用于获取所述叶片边缘识别结果的目标抑制点和连通邻域点；
梯度方向获得模块，所述梯度方向获得模块用于基于角度图像函数对所述目标抑制点进行计算，获得梯度方向；
灰度值大小比对模块，所述灰度值大小比对模块用于获得所述目标抑制点和所述连通邻域点的灰度值大小比对结果；
梯度交点获得模块，所述梯度交点获得模块用于当所述灰度值大小比对结果为所述目标抑制点的灰度值最大时，获得所述梯度方向的第一梯度交点和第二梯度交点；
叶片边缘优化图像获得模块，所述叶片边缘优化图像获得模块用于若所述目标抑制点的灰度值大于所述第一梯度交点和第二梯度交点的灰度值，则所述目标抑制点为极大值点，将所述极大值点的像素置为1，将非极大值点的像素置为0，获得所述叶片边缘优化图像；
进一步的，所述系统还包括：
边缘阈值选取模块，所述边缘阈值选取模块用于选取获得边缘低阈值和边缘高阈值；
叶片病斑边界信息获得模块，所述叶片病斑边界信息获得模块用于将所述叶片边缘优化图像中小于所述边缘低阈值的像素置为0，将大于所述边缘高阈值的像素置为1，获得所述叶片病斑边界信息；
进一步的，所述系统还包括：
次序统计量获取模块，所述次序统计量获取模块用于获取所述叶片病斑边界信息的次序统计量；
边界样本分位数获得模块，所述边界样本分位数获得模块用于设置获得边界样本分位数；
病斑阈值确定模块，所述病斑阈值确定模块用于基于所述边界样本分位数对所述次序统计量进行划分提取，确定所述病斑阈值；
进一步的，所述系统还包括：
图像病斑识别验证信息获取模块，所述图像病斑识别验证信息获取模块用于采用蒙特卡罗法对所述葡萄叶片原图像进行随机识别验证，获得图像病斑识别验证信息；
图像病斑标定信息获得模块，所述图像病斑标定信息获得模块用于通过人工标定法对所述葡萄叶片原图像进行判定，获得图像病斑标定信息；
图像病斑识别精度获得模块，所述图像病斑识别精度获得模块用于对比所述图像病斑识别验证信息和所述图像病斑标定信息，获得图像病斑识别精度。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，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。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.基于边界样本分位数的葡萄霜霉病自适应识别方法，其特征在于，所述方法包括：
获取葡萄叶片原图像，通过灰度映射方法将所述葡萄叶片原图像映射转化为叶片灰度图；
对所述叶片灰度图进行边界识别，获得叶片病斑边界信息；
基于样本分位数提取法，确定所述叶片病斑边界信息的病斑阈值；
按照所述病斑阈值对所述叶片灰度图的各像素点进行判定，将小于所述病斑阈值的像素点确定为病斑，获得图像病斑识别结果；
基于统计学法计算获得所述图像病斑识别结果的病斑比例。
2.如权利要求1所述的方法，其特征在于，所述通过灰度映射方法将所述葡萄叶片原图像映射转化为叶片灰度图，包括：
获取所述葡萄叶片原图像的RGB颜色空间描述信息；
构建灰度图像转化公式：Gray＝R×0.299+G×0.587+B×0.114，其中Gray为像素灰度值，R、G、B分别为红、绿、蓝色彩坐标；
基于所述灰度图像转化公式对所述RGB颜色空间描述信息进行计算转化，生成所述叶片灰度图。
3.如权利要求1所述的方法，其特征在于，所述获得叶片病斑边界信息，包括：
获得高斯滤波器，采用所述高斯滤波器对所述叶片灰度图进行边缘识别，获取叶片边缘识别结果；
通过非极大抑制法对所述叶片边缘识别结果进行优化，获得叶片边缘优化图像；
基于双阈值法对所述叶片边缘优化图像进行筛选，获得所述叶片病斑边界信息。
4.如权利要求3所述的方法，其特征在于，所述获得叶片边缘优化图像，包括：
获取所述叶片边缘识别结果的目标抑制点和连通邻域点；
基于角度图像函数对所述目标抑制点进行计算，获得梯度方向；
获得所述目标抑制点和所述连通邻域点的灰度值大小比对结果；
当所述灰度值大小比对结果为所述目标抑制点的灰度值最大时，获得所述梯度方向的第一梯度交点和第二梯度交点；
若所述目标抑制点的灰度值大于所述第一梯度交点和第二梯度交点的灰度值，则所述目标抑制点为极大值点，将所述极大值点的像素置为1，将非极大值点的像素置为0，获得所述叶片边缘优化图像。
5.如权利要求3所述的方法，其特征在于，所述基于双阈值法对所述叶片边缘优化图像进行筛选，包括：
选取获得边缘低阈值和边缘高阈值；
将所述叶片边缘优化图像中小于所述边缘低阈值的像素置为0，将大于所述边缘高阈值的像素置为1，获得所述叶片病斑边界信息。
6.如权利要求1所述的方法，其特征在于，所述基于样本分位数提取法，确定所述叶片病斑边界信息的病斑阈值，包括：
获取所述叶片病斑边界信息的次序统计量；
设置获得边界样本分位数；
基于所述边界样本分位数对所述次序统计量进行划分提取，确定所述病斑阈值。
7.如权利要求1所述的方法，其特征在于，所述方法包括：
采用蒙特卡罗法对所述葡萄叶片原图像进行随机识别验证，获得图像病斑识别验证信息；
通过人工标定法对所述葡萄叶片原图像进行判定，获得图像病斑标定信息；
对比所述图像病斑识别验证信息和所述图像病斑标定信息，获得图像病斑识别精度。
8.基于边界样本分位数的葡萄霜霉病自适应识别系统，其特征在于，所述系统包括：
叶片灰度图获取模块，所述叶片灰度图获取模块用于获取葡萄叶片原图像，通过灰度映射方法将所述葡萄叶片原图像映射转化为叶片灰度图；
叶片病斑边界信息获得模块，所述叶片病斑边界信息获得模块用于对所述叶片灰度图进行边界识别，获得叶片病斑边界信息；
叶片病斑边界阈值确定模块，所述叶片病斑边界阈值确定获取模块用于基于样本分位数提取法，确定所述叶片病斑边界信息的病斑阈值；
图像病斑识别结果获得模块，所述图像病斑识别结果获得模块用于按照所述病斑阈值对所述叶片灰度图的各像素点进行判定，将小于所述病斑阈值的像素点确定为病斑，获得图像病斑识别结果；
病斑比例获得模块，所述病斑比例获得模块用于基于统计学法计算获得所述图像病斑识别结果的病斑比例。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310556807.2A CN116596879A (zh) | 2023-05-17 | 2023-05-17 | 基于边界样本分位数的葡萄霜霉病自适应识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310556807.2A CN116596879A (zh) | 2023-05-17 | 2023-05-17 | 基于边界样本分位数的葡萄霜霉病自适应识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116596879A true CN116596879A (zh) | 2023-08-15 |
Family
ID=87610995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310556807.2A Pending CN116596879A (zh) | 2023-05-17 | 2023-05-17 | 基于边界样本分位数的葡萄霜霉病自适应识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116596879A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274981A (zh) * | 2023-09-21 | 2023-12-22 | 泰安市农业科学院(山东省农业科学院泰安市分院) | 一种基于图像识别的辣椒病理推测方法和装置 |
| CN117456214A (zh) * | 2023-11-06 | 2024-01-26 | 江苏省农业科学院 | 一种番茄叶部病斑识别方法、系统及电子设备 |
-
2023
- 2023-05-17 CN CN202310556807.2A patent/CN116596879A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274981A (zh) * | 2023-09-21 | 2023-12-22 | 泰安市农业科学院(山东省农业科学院泰安市分院) | 一种基于图像识别的辣椒病理推测方法和装置 |
| CN117274981B (zh) * | 2023-09-21 | 2024-02-09 | 泰安市农业科学院(山东省农业科学院泰安市分院) | 一种基于图像识别的辣椒病理推测方法和装置 |
| CN117456214A (zh) * | 2023-11-06 | 2024-01-26 | 江苏省农业科学院 | 一种番茄叶部病斑识别方法、系统及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
| CN116596879A (zh) | 基于边界样本分位数的葡萄霜霉病自适应识别方法 | |
| CN110021425B (zh) | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 | |
| CN104680524B (zh) | 一种叶类蔬菜病害诊断方法 | |
| CN110599439A (zh) | 用于训练神经网络的图像块的选择方法及图像质量评价方法 | |
| CN111127387B (zh) | 无参考图像的质量的评价方法 | |
| CN106651829B (zh) | 一种基于能量和纹理分析的无参考图像客观质量评价方法 | |
| CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
| CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
| CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
| CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
| CN117237591A (zh) | 一种心脏超声影像伪影智能去除方法 | |
| CN116188488A (zh) | 基于灰度梯度的b超图像病灶区域分割方法及装置 | |
| CN111815640B (zh) | 一种基于忆阻器的rbf神经网络医学图像分割算法 | |
| CN116311543B (zh) | 一种基于图像识别技术的笔迹分析方法及系统 | |
| CN104751461A (zh) | 一种基于直方图阈值及低秩表示的白细胞细胞核分割方法 | |
| CN114080644A (zh) | 用于诊断小肠清洁度的系统和方法 | |
| CN110008881B (zh) | 多运动目标的奶牛行为的识别方法及装置 | |
| CN112258532A (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
| CN111862123A (zh) | 一种基于深度学习的ct腹部动脉血管分级识别方法 | |
| CN116092170A (zh) | 一种基于大数据技术的专利价值分析系统 | |
| CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
| CN112785608B (zh) | 一种基于自适应参数改进snic的医学图像分割方法 | |
| CN110751064B (zh) | 基于图像处理的眨眼次数分析方法和系统 | |
| CN114677530A (zh) | 一种基于小波形状描述子的聚类算法有效性评价方法、设备及介质 |
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 |