CN116740378B - 一种基于图像处理的园林病虫害评价系统 - Google Patents
一种基于图像处理的园林病虫害评价系统 Download PDFInfo
- Publication number
- CN116740378B CN116740378B CN202310803661.7A CN202310803661A CN116740378B CN 116740378 B CN116740378 B CN 116740378B CN 202310803661 A CN202310803661 A CN 202310803661A CN 116740378 B CN116740378 B CN 116740378B
- Authority
- CN
- China
- Prior art keywords
- blade
- garden
- leaf
- plant
- pest
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 212
- 201000010099 disease Diseases 0.000 title claims abstract description 166
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 166
- 238000011156 evaluation Methods 0.000 title claims abstract description 72
- 238000012545 processing Methods 0.000 title claims abstract description 13
- 241000238631 Hexapoda Species 0.000 title claims description 162
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 241001237160 Kallima inachus Species 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及植物病虫害防控领域,尤其涉及一种基于图像处理的园林病虫害评价系统,包括用以采集园林区域内植物的图像的图像采集模块,用以存储有园林区域内植物的叶片信息的数据库模块,用以检测图像采集模块采集的植物的图像的信息的检测模块,以及根据检测模块测得的贴合轮廓占比确定针对单片叶片不符合预设标准时判定该单片叶片为嫩叶,或,判定该叶片存在病虫害,并根据是否存在凹型边缘轮廓以确定该叶片存在虫害标准的判定方式的中控模块,解决了不能对园林内植物进行检测以及不能对园林内病虫害的程度进行有效、科学的分级,最终会导致防护不到位或过度防护的问题。
Description
技术领域
本发明涉及植物病虫害防控领域,尤其涉及一种基于图像处理的园林病虫害评价系统。
背景技术
园林病虫害是影响园林正常生长的重要因素,需要对病虫害进行检测,保证能够做到对病虫害的前期预防和病虫害发生后的及时有效的处理,尽量把损失降到最低,这就需要园林管理人员实时对园林中的动植物进行有效监控,收集园林中昆虫种类和数量,以及植物生长状态的数据,但是由于很多园林面积大,对园林中的动植物的数据收集的工作量大,传统的使用人员到园林中各地收集的方法,耗时耗力,成本高
中国专利公开号:CN113925039B,公开了一种基于物联网的园林病虫害智能防护系统及防控方法,包括园林防护集控平台、摄像视频传感设备、数据储存模块、红外热力传感设备和农药喷洒模块;所述园林防护集控平台分别和所述摄像视频传感设备、数据储存模块、红外热力传感设备和农药喷洒模块数据通信连接;所述园林防护集控平台包括图像处理模块、图像显示模块、图像数据分析模块、红外热力图像分析模块和设备控制模块。可见,所述系统和方法未对园林内植物的检测以及园林内病虫害的程度进行有效、科学的分级,最终会导致防护不到位或过度防护的问题。
发明内容
为此,本发明提供一种基于图像处理的园林病虫害评价系统,用以克服现有技术中不能对园林内植物的检测以及园林内病虫害的程度进行有效、科学的分级,最终会导致防护不到位或过度防护的问题。
为实现上述目的,本发明提供一种基于图像处理的园林病虫害评价系统,包括:
图像采集模块,用以采集园林区域内植物的图像,图像采集模块为带有拍照设备的无人机或园林内设置的固定位置的摄像头;
数据库模块,其与所述图像采集模块相连,用以存储有所述园林区域内植物的叶片信息,所述叶片信息包含各植物的种类,各种类植物的标准叶片轮廓、各种类植物的叶片颜色以及各种类植物病虫害特征叶片形态;
检测模块,其分别与所述图像采集模块以及数据库模块相连,用以检测所述图像采集模块采集的所述植物的图像的信息并与所述数据库模块存储的所述园林区域内植物的叶片信息比对;
中控模块,其与所述检测模块相连,用以根据所述检测模块测得的贴合轮廓占比确定针对单片所述叶片不符合预设标准时判定该单片叶片为嫩叶,中控模块控制所述检测模块检测嫩叶的颜色并与所述数据库模块中的颜色标准比对以确定针对该嫩叶是否符合嫩叶标准的判定方式或判定该叶片存在病虫害,中控模块控制检测模块针对采集的植物的叶片图像的轮廓中的不贴合的部分检测是否存在凹型边缘轮廓以确定该叶片存在虫害标准的判定方式。
进一步地,所述中控模块在第一预设条件下将所述园林划分为若干区域,所述图像采集模块采集针对单个区域内的植物的图像以获取该区域内植物的叶片图像,并根据采集的植物的叶片图像的轮廓与所述数据库模块存储的园林内所述植物的标准叶片轮廓比对以求得针对采集的植物的单片叶片的贴合轮廓占比,中控模块根据求得的贴合轮廓占比确定针对单片所述叶片是否符合预设标准的判定方式,其中,
第一判定方式为所述中控模块判定单片所述叶片不符合预设标准,并判定该单片叶片为嫩叶,中控模块控制所述检测模块检测嫩叶的颜色并与所述数据库模块中的颜色标准比对以确定针对该嫩叶是否符合嫩叶标准的判定方式;所述第一判定方式满足所述贴合轮廓占比小于第一预设贴合轮廓占比;
第二判定方式为所述中控模块判定单片所述叶片不符合预设标准,并判定该叶片存在病虫害,中控模块控制检测模块针对采集的植物的叶片图像的轮廓中的不贴合的部分检测是否存在凹型边缘轮廓以确定该叶片存在虫害标准的判定方式;所述第二判定方式满足所述贴合轮廓占比大于等于所述第一预设贴合轮廓占比且小于第二预设贴合轮廓占比;
第三判定方式为所述中控模块判定单片所述叶片符合预设标准,并判定该单片叶片不存病虫害;所述第三判定方式满足所述贴合轮廓占比大于等于所述第二预设贴合轮廓占比;
所述第一预设条件满足所述图像采集模块完成所述园林内各区域内植物的图像的采集。
进一步地,所述中控模块在所述第二判定方式下控制检测模块针对采集的植物的叶片图像的轮廓中的不贴合的部分检测是否存在凹型边缘轮廓,并根据测得的结果确定针对所述叶片是否符合虫害预设标准的判定方式,其中,
第一叶片判定方式为所述中控模块判定所述叶片不符合虫害预设标准,并判定该叶片为枯叶或存在病害,中控模块控制所述检测模块检测该叶片的颜色并与所述数据库模块中的颜色标准比对以确定针对该叶片是否符合枯叶标准的判定方式;所述第一叶片判定方式满足所述叶片图像的轮廓中的不贴合的部分不存在凹型边缘轮廓;
第二叶片判定方式为所述中控模块判定所述叶片符合虫害预设标准,并判定该叶片存在虫害,中控模块根据叶片损伤值C确定针对该叶片虫害等级的判定方式,并根据所述检测模块检测该叶片的凹型边缘轮廓的形状确定针对该叶片虫害的种类的判定方式;所述第二叶片判定方式满足所述叶片图像的轮廓中的不贴合的部分存在凹型边缘轮廓。
进一步地,所述中控模块在所述第二叶片判定方式下根据叶片损伤值C确定针对所述叶片的虫害等级的判定方式,设定其中,α为第一评价系数,设定α=0.53,β为第二评价系数,设定β=0.82,d1为所述凹型边缘轮廓与标准边缘轮廓之间的最大距离,ηs为叶片损伤面积占比,其中,
第一等级判定方式为所述中控模块判定所述叶片的虫害等级为一级虫害,所述叶片损伤值小于第一预设叶片损伤值;
第二等级判定方式为所述中控模块判定所述叶片的虫害等级为二级虫害,所述叶片损伤值大于等于所述第一预设叶片损伤值且小于第二预设叶片损伤值;
第三等级判定方式为所述中控模块判定所述叶片的虫害等级为三级虫害,所述叶片损伤值大于等于所述第二预设叶片损伤值且小于第三预设叶片损伤值;
第四等级判定方式为所述中控模块判定所述叶片的虫害等级为四级虫害,所述叶片损伤值大于等于所述第三预设叶片损伤值且小于第四预设叶片损伤值;
第五等级判定方式为所述中控模块判定所述叶片的虫害等级为五级虫害,所述叶片损伤值大于等于所述第四预设叶片损伤值。
进一步地,所述中控模块在所述第二叶片判定方式下根据所述检测模块检测该叶片的凹型边缘轮廓的形状并与所述数据库模块中的植物病虫害特征叶片比对确定该叶片虫害的种类。
进一步地,所述中控模块在第一叶片判定方式下控制所述检测模块检测该叶片的颜色并与所述数据库模块中的颜色标准比对以确定针对该叶片是否符合枯叶判定标准的判定方式,其中,
第一类判定方式为所述中控模块判定所述叶片符合枯叶判定标准,并判定该叶片为枯叶;所述第一类判定方式满足所述叶片的颜色符合所述数据库模块中的枯叶的特征颜色;
第二类判定方式为所述中控模块判定所述叶片不符合枯叶判定标准,并判定该叶片存在病害,中控模块根据该叶片的图像与所述数据库模块中的植物病虫害特征叶片比对确定该叶片病害的种类;所述第二类判定方式满足所述叶片的颜色符合所述数据库模块中的病害叶片的特征颜色。
进一步地,所述中控模块在第二预设条件下根据采集的植物的叶片图像与所述数据库模块存储的园林内植物的叶片信息比对确定植物的种类;所述第二预设条件满足所述中控模块完成采集的植物的叶片图像的轮廓与所述数据库模块存储的园林内植物的标准叶片轮廓信息的比对。
进一步地,所述中控模块在第三预设条件下根据园林病虫害评价值X确定针对所述园林的病虫害等级的判定方式,设定其中,Yf为所述园林内第f区域的单区域植物病虫害评价值,f=1...g,g为所述园林内的分区的总数,其中,
第一园林病虫害等级的判定方式为所述中控模块判定该园林的病虫害等级为一级园林病虫害;所述第一园林病虫害等级的判定方式满足所述园林病虫害评价值小于第一预设园林病虫害评价值;
第二园林病虫害等级的判定方式为所述中控模块判定该园林的病虫害等级为二级园林病虫害;所述第二园林病虫害等级的判定方式满足所述园林病虫害评价值大于等于所述第一预设园林病虫害评价值且小于第二预设园林病虫害评价值;
第三园林病虫害等级的判定方式为所述中控模块判定该园林的病虫害等级为三级园林病虫害;所述第三园林病虫害等级的判定方式满足所述园林病虫害评价值大于等于所述第二预设园林病虫害评价值;
所述第三预设条件满足所述中控模块完成单株植物病虫害评价值以及单区域植物病虫害评价值的计算。
进一步地,所述单区域植物病虫害评价值其中,Zp为所述区域内第p株植物病虫害评价值,p=1...q,q为所述区域内存在病虫植物的总株数。
进一步地,针对单株植物,其单株植物所述病虫害评价值其中,λ为第三评价系数,设定λ=0.52,σ为第四评价系数,设定σ=0.22,hi为所述叶片的虫害等级,i=1...n,n为所述图像采集模块采集的植物的叶片图像内存在虫害叶片的总数,hj为所述叶片存在病害,设定hj=1,j=1...m,m为所述图像采集模块采集的植物的叶片图像内存在病害叶片的总数,a为所述图像采集模块采集的植物的叶片图像叶片总数。
与现有技术相比,本发明的有益效果在于:本发明包括用以采集园林区域内植物的图像的图像采集模块,用以存储有园林区域内植物的叶片信息的数据库模块,用以检测图像采集模块采集的植物的图像的信息的检测模块,以及根据检测模块测得的贴合轮廓占比确定针对单片叶片不符合预设标准时判定该单片叶片为嫩叶,或,判定该叶片存在病虫害,并根据是否存在凹型边缘轮廓以确定该叶片存在虫害标准的判定方式的中控模块,解决了不能对园林内植物的检测以及园林内病虫害的程度进行有效、科学的分级,最终会导致防护不到位或过度防护的问题。
进一步地,本发明通过将园林划分区域,在获得该区域内植物的叶片图像后根据所述检测模块测得的贴合轮廓占比确定针对单片所述叶片不符合预设标准时判定该单片叶片为嫩叶,中控模块控制所述检测模块检测嫩叶的颜色并与所述数据库模块中的颜色标准比对以确定针对该嫩叶是否符合嫩叶标准的判定方式或判定该叶片存在病虫害,中控模块控制检测模块针对采集的植物的叶片图像的轮廓中的不贴合的部分检测是否存在凹型边缘轮廓以确定该叶片存在虫害标准的判定方式。从而实现园林内病虫害的程度进行有效、科学的分级,最终实现精准防护。
进一步地,当中控模块根据贴合轮廓占比判定判定该叶片存在病虫害时,中控模块进一步检测叶片图像的轮廓中的不贴合的部分是否存在凹型边缘轮廓,当存在凹型边缘轮廓则判定是枯叶或存在病害,当不存在凹型边缘轮廓时判定该叶片存在虫害。
进一步地,本发明设置了叶片损伤值C,通过凹型边缘轮廓与标准边缘轮廓之间的最大距离和叶片损伤面积占比确定了叶片虫害的等级的判定方式,从而实现了对单个叶片虫害情况的精准分级。
进一步地,本发明设置的数据库模块中存有植物病虫害特征叶片信息,可以通过检测模块检测该叶片的凹型边缘轮廓的形状并与所述数据库模块中的植物病虫害特征叶片比对确定该叶片虫害的种类,从而实现了叶片虫害的种类的精准识别。
进一步地,当中控模块判定叶片为枯叶或存在病害时,本发明通过检测模块检测该叶片的颜色并与所述数据库模块中的颜色标准比对,从而实现叶片为枯叶或存在病害的精准识别。
进一步地,中控模块根据采集的植物的叶片图像与所述数据库模块存储的园林内植物的叶片信息比对确定植物的种类,从而实现植物种类的精准识别,为最终的分级奠定基础。
进一步地,本发明设置了园林病虫害评价值,并通过园林病虫害评价值实现了园林的病虫害等级的精准分级,对于其病虫害的程度实现了精准、科学的划分。
进一步地,对于园林病虫害评价值计算的单个区域和单株植物也进行了评价的设置,最终解决了不能对园林内植物的检测以及园林内病虫害的程度进行有效、科学的分级,最终会导致防护不到位或过度防护的问题。
附图说明
图1为本发明实施例所述园林病虫害评价系统的结构示意图;
图2为本发明实施例单片所述叶片是否符合预设标准的判定方式的流程图;
图3为本发明实施例所述叶片的虫害等级的判定方式的流程图;
图4为本发明实施例所述园林的病虫害等级的判定方式的流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
需要指出的是在本实施例中的数据均为通过本发明所述中控模块在进行本次检测前三个月的历史检测数据以及对应的历史检测结果中综合分析评定得出。
本发明所述中控模块在本次检测前根据前三个月中累计检测的11425次所述植物的图像的信息,并与数据库模块存储的所述园林区域内植物的叶片信息比对综合确定针对本次检测的各项预设参数标准的数值。本领域的技术人员可以理解的是,本发明所述系统针对单项上述参数的确定方式可以为根据数据分布选取占比最高的数值作为预设标准参数、使用加权求和以将求得的数值作为预设标准参数、将各历史数据代入至特定公式并将利用该公式求得的数值作为预设标准参数或其他选取方式,只要满足本发明所述系统能够通过获取的数值明确界定单项判定过程中的不同特定情况即可。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
请参阅图1、图2、图3以及图4所示,其分别为本发明实施例所述园林病虫害评价系统的结构示意图;单片所述叶片是否符合预设标准的判定方式的流程图;所述叶片的虫害等级的判定方式的流程图;所述园林的病虫害等级的判定方式的流程图。
本发明实施例的系统,包括:
图像采集模块,用以采集园林区域内植物的图像,图像采集模块为带有拍照设备的无人机或园林内设置的固定位置的摄像头;
数据库模块,其与所述图像采集模块相连,用以存储有所述园林区域内植物的叶片信息,所述叶片信息包含各植物的种类,各种类植物的标准叶片轮廓、各种类植物的叶片颜色以及各种类植物病虫害特征叶片形态;
检测模块,其分别与所述图像采集模块以及数据库模块相连,用以检测所述图像采集模块采集的所述植物的图像的信息并与所述数据库模块存储的所述园林区域内植物的叶片信息比对;
中控模块,其与所述检测模块相连,用以根据所述检测模块测得的贴合轮廓占比确定针对单片所述叶片不符合预设标准时判定该单片叶片为嫩叶,中控模块控制所述检测模块检测嫩叶的颜色并与所述数据库模块中的颜色标准比对以确定针对该嫩叶是否符合嫩叶标准的判定方式或判定该叶片存在病虫害,中控模块控制检测模块针对采集的植物的叶片图像的轮廓中的不贴合的部分检测是否存在凹型边缘轮廓以确定该叶片存在虫害标准的判定方式。
具体而言,所述中控模块在第一预设条件下将所述园林划分为若干区域,所述图像采集模块采集针对单个区域内的植物的图像以获取该区域内植物的叶片图像,并根据采集的植物的叶片图像的轮廓与所述数据库模块存储的园林内植物的标准叶片轮廓信息比对以完成针对采集的植物的单片叶片的贴合轮廓占比,中控模块根据测得的贴合轮廓占比确定针对单片所述叶片是否符合预设标准的判定方式,其中,
第一判定方式为所述中控模块判定单片所述叶片不符合预设标准,并判定该单片叶片为嫩叶,中控模块控制所述检测模块检测嫩叶的颜色并与所述数据库模块中的颜色标准比对以确定针对该嫩叶是否符合嫩叶标准的判定方式;所述第一判定方式满足所述贴合轮廓占比小于第一预设贴合轮廓占比35%;
第二判定方式为所述中控模块判定单片所述叶片不符合预设标准,并判定该叶片存在病虫害,中控模块控制检测模块针对采集的植物的叶片图像的轮廓中的不贴合的部分检测是否存在凹型边缘轮廓以确定该叶片存在虫害标准的判定方式;所述第二判定方式满足所述贴合轮廓占比大于等于所述第一预设贴合轮廓占比且小于第二预设贴合轮廓占比85%;
第三判定方式为所述中控模块判定单片所述叶片符合预设标准,并判定该单片叶片不存病虫害;所述第三判定方式满足所述贴合轮廓占比大于等于第二预设贴合轮廓占比;
所述第一预设条件满足所述图像采集模块完成所述园林内各区域内植物的图像的采集。
具体而言,所述中控模块在所述第二判定方式下控制检测模块针对采集的植物的叶片图像的轮廓中的不贴合的部分检测是否存在凹型边缘轮廓,并根据测得的结果确定针对所述叶片是否符合虫害预设标准的判定方式,其中,
第一叶片判定方式为所述中控模块判定所述叶片不符合虫害预设标准,并判定该叶片为枯叶或存在病害,中控模块控制所述检测模块检测该叶片的颜色并与所述数据库模块中的颜色标准比对以确定针对该叶片是否符合枯叶标准的判定方式;所述第一叶片判定方式满足所述叶片图像的轮廓中的不贴合的部分不存在凹型边缘轮廓;
第二叶片判定方式为所述中控模块判定所述叶片符合虫害预设标准,并判定该叶片存在虫害,中控模块根据叶片损伤值C确定针对该叶片虫害等级的判定方式,并根据所述检测模块检测该叶片的凹型边缘轮廓的形状确定针对该叶片虫害的种类的判定方式;所述第二叶片判定方式满足所述叶片图像的轮廓中的不贴合的部分存在凹型边缘轮廓。
具体而言,所述中控模块在所述第二叶片判定方式下根据叶片损伤值C确定针对所述叶片的虫害等级的判定方式,设定其中,α为第一评价系数,设定α=0.53,β为第二评价系数,设定β=0.82,d1为所述凹型边缘轮廓与标准边缘轮廓之间的最大距离,ηs为叶片损伤面积占比,其中,
第一等级判定方式为所述中控模块判定所述叶片的虫害等级为一级虫害,所述叶片损伤值小于第一预设叶片损伤值164.21;
第二等级判定方式为所述中控模块判定所述叶片的虫害等级为二级虫害,所述叶片损伤值大于等于所述第一预设叶片损伤值且小于第二预设叶片损伤值185.22;
第三等级判定方式为所述中控模块判定所述叶片的虫害等级为三级虫害,所述叶片损伤值大于等于所述第二预设叶片损伤值且小于第三预设叶片损伤值212.25;
第四等级判定方式为所述中控模块判定所述叶片的虫害等级为四级虫害,所述叶片损伤值大于等于所述第三预设叶片损伤值且小于第四预设叶片损伤值253.32;
第五等级判定方式为所述中控模块判定所述叶片的虫害等级为五级虫害,所述叶片损伤值大于等于所述第四预设叶片损伤值。
具体而言,所述中控模块在所述第二叶片判定方式下根据所述检测模块检测该叶片的凹型边缘轮廓的形状并与所述数据库模块中的植物病虫害特征叶片比对确定该叶片虫害的种类。
具体而言,所述中控模块在第一叶片判定方式下控制所述检测模块检测该叶片的颜色并与所述数据库模块中的颜色标准比对以确定针对该叶片是否符合枯叶判定标准的判定方式,其中,
第一类判定方式为所述中控模块判定所述叶片符合枯叶判定标准,并判定该叶片为枯叶;所述第一类判定方式满足所述叶片的颜色符合所述数据库模块中的枯叶的特征颜色;
第二类判定方式为所述中控模块判定所述叶片不符合枯叶判定标准,并判定该叶片存在病害,中控模块根据该叶片的图像与所述数据库模块中的植物病虫害特征叶片比对确定该叶片病害的种类;所述第二类判定方式满足所述叶片的颜色符合所述数据库模块中的病害叶片的特征颜色。
具体而言,所述中控模块在第二预设条件下根据采集的植物的叶片图像与所述数据库模块存储的园林内植物的叶片信息比对确定植物的种类;所述第二预设条件满足所述中控模块完成采集的植物的叶片图像的轮廓与所述数据库模块存储的园林内植物的标准叶片轮廓信息的比对。
具体而言,所述中控模块在第三预设条件下根据园林病虫害评价值X确定针对所述园林的病虫害等级的判定方式,设定其中,Yf为所述园林内第f区域的单区域植物病虫害评价值,f=1...g,g为所述园林内的分区的总数,其中,
第一园林病虫害等级的判定方式为所述中控模块判定该园林的病虫害等级为一级园林病虫害;所述第一园林病虫害等级的判定方式满足所述园林病虫害评价值小于第一预设园林病虫害评价值1241.36;
第二园林病虫害等级的判定方式为所述中控模块判定该园林的病虫害等级为二级园林病虫害;所述第二园林病虫害等级的判定方式满足所述园林病虫害评价值大于等于所述第一预设园林病虫害评价值且小于第二预设园林病虫害评价值2254.35;
第三园林病虫害等级的判定方式为所述中控模块判定该园林的病虫害等级为三级园林病虫害;所述第三园林病虫害等级的判定方式满足所述园林病虫害评价值大于等于所述第二预设园林病虫害评价值;
所述第三预设条件满足所述中控模块完成单株植物病虫害评价值以及单区域植物病虫害评价值的计算。
具体而言,所述单区域植物病虫害评价值其中,Zp为所述区域内第p株植物病虫害评价值,p=1...q,q为所述区域内存在病虫植物的总株数。
具体而言,针对单株植物,其单株植物病虫害评价值其中,λ为第三评价系数,设定λ=0.52,σ为第四评价系数,设定σ=0.22,hi为所述叶片的虫害等级,i=1...n,n为所述图像采集模块采集的植物的叶片图像内存在虫害叶片的总数,hj为所述叶片存在病害,设定hj=1,j=1...m,m为所述图像采集模块采集的植物的叶片图像内存在病害叶片的总数,a为所述图像采集模块采集的植物的叶片图像叶片总数。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (6)
1.一种基于图像处理的园林病虫害评价系统,其特征在于,包括:
图像采集模块,用以采集园林区域内植物的图像,图像采集模块为带有拍照设备的无人机或园林内设置的固定位置的摄像头;
数据库模块,其与所述图像采集模块相连,用以存储有所述园林区域内植物的叶片信息,所述叶片信息包含各植物的种类,各种类植物的标准叶片轮廓、各种类植物的叶片颜色以及各种类植物病虫害特征叶片形态;
检测模块,其分别与所述图像采集模块以及数据库模块相连,用以检测所述图像采集模块采集的所述植物的图像的信息并与所述数据库模块存储的所述园林区域内植物的叶片信息比对;
中控模块,其与所述检测模块相连,用以根据所述检测模块测得的贴合轮廓占比确定针对单片所述叶片不符合预设标准时判定该单片叶片为嫩叶,中控模块控制所述检测模块检测嫩叶的颜色并与所述数据库模块中的颜色标准比对以确定针对该嫩叶是否符合嫩叶标准的判定方式或判定该叶片存在病虫害,中控模块控制检测模块针对采集的植物的叶片图像的轮廓中的不贴合的部分检测是否存在凹型边缘轮廓以确定该叶片存在虫害标准的判定方式;
所述中控模块在第一预设条件下将所述园林划分为若干区域,所述图像采集模块采集针对单个区域内的植物的图像以获取该区域内植物的叶片图像,并根据采集的植物的叶片图像的轮廓与所述数据库模块存储的园林内所述植物的标准叶片轮廓比对以求得针对采集的植物的单片叶片的贴合轮廓占比,中控模块根据求得的贴合轮廓占比确定针对单片所述叶片是否符合预设标准的判定方式,其中,
第一判定方式为所述中控模块判定单片所述叶片不符合预设标准,并判定该单片叶片为嫩叶,中控模块控制所述检测模块检测嫩叶的颜色并与所述数据库模块中的颜色标准比对以确定针对该嫩叶是否符合嫩叶标准的判定方式;所述第一判定方式满足所述贴合轮廓占比小于第一预设贴合轮廓占比;
第二判定方式为所述中控模块判定单片所述叶片不符合预设标准,并判定该叶片存在病虫害,中控模块控制检测模块针对采集的植物的叶片图像的轮廓中的不贴合的部分检测是否存在凹型边缘轮廓以确定该叶片存在虫害标准的判定方式;所述第二判定方式满足所述贴合轮廓占比大于等于所述第一预设贴合轮廓占比且小于第二预设贴合轮廓占比;
第三判定方式为所述中控模块判定单片所述叶片符合预设标准,并判定该单片叶片不存病虫害;所述第三判定方式满足所述贴合轮廓占比大于等于所述第二预设贴合轮廓占比;
所述第一预设条件满足所述图像采集模块完成所述园林内各区域内植物的图像的采集;
所述中控模块在所述第二判定方式下控制检测模块针对采集的植物的叶片图像的轮廓中的不贴合的部分检测是否存在凹型边缘轮廓,并根据测得的结果确定针对所述叶片是否符合虫害预设标准的判定方式,其中,
第一叶片判定方式为所述中控模块判定所述叶片不符合虫害预设标准,并判定该叶片为枯叶或存在病害,中控模块控制所述检测模块检测该叶片的颜色并与所述数据库模块中的颜色标准比对以确定针对该叶片是否符合枯叶标准的判定方式;所述第一叶片判定方式满足所述叶片图像的轮廓中的不贴合的部分不存在凹型边缘轮廓;
第二叶片判定方式为所述中控模块判定所述叶片符合虫害预设标准,并判定该叶片存在虫害,中控模块根据叶片损伤值C确定针对该叶片虫害等级的判定方式,并根据所述检测模块检测该叶片的凹型边缘轮廓的形状确定针对该叶片虫害的种类的判定方式;所述第二叶片判定方式满足所述叶片图像的轮廓中的不贴合的部分存在凹型边缘轮廓;
所述中控模块在所述第二叶片判定方式下根据叶片损伤值C确定针对所述叶片的虫害等级的判定方式,设定其中,α为第一评价系数,设定α=0.53,β为第二评价系数,设定β=0.82,d1为所述凹型边缘轮廓与标准边缘轮廓之间的最大距离,ηs为叶片损伤面积占比,其中,
第一等级判定方式为所述中控模块判定所述叶片的虫害等级为一级虫害,所述叶片损伤值小于第一预设叶片损伤值;
第二等级判定方式为所述中控模块判定所述叶片的虫害等级为二级虫害,所述叶片损伤值大于等于所述第一预设叶片损伤值且小于第二预设叶片损伤值;
第三等级判定方式为所述中控模块判定所述叶片的虫害等级为三级虫害,所述叶片损伤值大于等于所述第二预设叶片损伤值且小于第三预设叶片损伤值;
第四等级判定方式为所述中控模块判定所述叶片的虫害等级为四级虫害,所述叶片损伤值大于等于所述第三预设叶片损伤值且小于第四预设叶片损伤值;
第五等级判定方式为所述中控模块判定所述叶片的虫害等级为五级虫害,所述叶片损伤值大于等于所述第四预设叶片损伤值;
所述中控模块在所述第二叶片判定方式下根据所述检测模块检测该叶片的凹型边缘轮廓的形状并与所述数据库模块中的植物病虫害特征叶片比对确定该叶片虫害的种类。
2.根据权利要求1所述的基于图像处理的园林病虫害评价系统,其特征在于,所述中控模块在第一叶片判定方式下控制所述检测模块检测该叶片的颜色并与所述数据库模块中的颜色标准比对以确定针对该叶片是否符合枯叶判定标准的判定方式,其中,
第一类判定方式为所述中控模块判定所述叶片符合枯叶判定标准,并判定该叶片为枯叶;所述第一类判定方式满足所述叶片的颜色符合所述数据库模块中的枯叶的特征颜色;
第二类判定方式为所述中控模块判定所述叶片不符合枯叶判定标准,并判定该叶片存在病害,中控模块根据该叶片的图像与所述数据库模块中的植物病虫害特征叶片比对确定该叶片病害的种类;所述第二类判定方式满足所述叶片的颜色符合所述数据库模块中的病害叶片的特征颜色。
3.根据权利要求1所述的基于图像处理的园林病虫害评价系统,其特征在于,所述中控模块在第二预设条件下根据采集的植物的叶片图像与所述数据库模块存储的园林内植物的叶片信息比对确定植物的种类;所述第二预设条件满足所述中控模块完成采集的植物的叶片图像的轮廓与所述数据库模块存储的园林内植物的标准叶片轮廓信息的比对。
4.根据权利要求3所述的基于图像处理的园林病虫害评价系统,其特征在于,所述中控模块在第三预设条件下根据园林病虫害评价值X确定针对所述园林的病虫害等级的判定方式,设定其中,Yf为所述园林内第f区域的单区域植物病虫害评价值,f=1...g,g为所述园林内的分区的总数,其中,
第一园林病虫害等级的判定方式为所述中控模块判定该园林的病虫害等级为一级园林病虫害;所述第一园林病虫害等级的判定方式满足所述园林病虫害评价值小于第一预设园林病虫害评价值;
第二园林病虫害等级的判定方式为所述中控模块判定该园林的病虫害等级为二级园林病虫害;所述第二园林病虫害等级的判定方式满足所述园林病虫害评价值大于等于所述第一预设园林病虫害评价值且小于第二预设园林病虫害评价值;
第三园林病虫害等级的判定方式为所述中控模块判定该园林的病虫害等级为三级园林病虫害;所述第三园林病虫害等级的判定方式满足所述园林病虫害评价值大于等于所述第二预设园林病虫害评价值;
所述第三预设条件满足所述中控模块完成单株植物病虫害评价值以及单区域植物病虫害评价值的计算。
5.根据权利要求4所述的基于图像处理的园林病虫害评价系统,其特征在于,所述单区域植物病虫害评价值其中,Zp为所述区域内第p株植物病虫害评价值,p=1...q,q为所述区域内存在病虫植物的总株数。
6.根据权利要求5所述的基于图像处理的园林病虫害评价系统,其特征在于,针对单株植物,其单株植物所述病虫害评价值其中,λ为第三评价系数,设定λ=0.52,σ为第四评价系数,设定σ=0.22,hi为所述叶片的虫害等级,i=1...n,n为所述图像采集模块采集的植物的叶片图像内存在虫害叶片的总数,hj为所述叶片存在病害,设定hj=1,j=1...m,m为所述图像采集模块采集的植物的叶片图像内存在病害叶片的总数,a为所述图像采集模块采集的植物的叶片图像叶片总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310803661.7A CN116740378B (zh) | 2023-07-03 | 2023-07-03 | 一种基于图像处理的园林病虫害评价系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310803661.7A CN116740378B (zh) | 2023-07-03 | 2023-07-03 | 一种基于图像处理的园林病虫害评价系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740378A CN116740378A (zh) | 2023-09-12 |
CN116740378B true CN116740378B (zh) | 2024-04-02 |
Family
ID=87915014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310803661.7A Active CN116740378B (zh) | 2023-07-03 | 2023-07-03 | 一种基于图像处理的园林病虫害评价系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740378B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134758A (zh) * | 2013-01-29 | 2013-06-05 | 华南农业大学 | 基于多尺度高光谱图像处理的稻叶瘟病抗性鉴定分级方法 |
CN105261045A (zh) * | 2015-09-12 | 2016-01-20 | 黑龙江八一农垦大学 | 一种快速评估苜蓿病虫害损失程度的数字化方法 |
CN108564092A (zh) * | 2018-04-12 | 2018-09-21 | 内蒙古工业大学 | 基于sift特征提取算法的向日葵病害识别方法 |
WO2019128083A1 (zh) * | 2017-12-27 | 2019-07-04 | 深圳春沐源控股有限公司 | 一种病虫害的巡检方法及装置 |
CN110517311A (zh) * | 2019-08-30 | 2019-11-29 | 北京麦飞科技有限公司 | 基于叶片病斑面积的病虫害监测方法 |
CN111122453A (zh) * | 2018-11-01 | 2020-05-08 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置和系统 |
AU2020103260A4 (en) * | 2020-11-05 | 2021-01-14 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Rice blast grading system and method |
CN113925039A (zh) * | 2021-10-12 | 2022-01-14 | 一鼎(福建)生态园林建设有限公司 | 一种基于物联网的园林病虫害智能防护系统及防控方法 |
CN114241344A (zh) * | 2021-12-20 | 2022-03-25 | 电子科技大学 | 一种基于深度学习的植物叶片病虫害严重程度评估方法 |
CN114445785A (zh) * | 2022-04-11 | 2022-05-06 | 广东省农业科学院植物保护研究所 | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 |
CN114724032A (zh) * | 2022-03-22 | 2022-07-08 | 成都大学 | 一种基于深度学习的杂粮作物病虫害检测方法 |
CN115526521A (zh) * | 2022-10-12 | 2022-12-27 | 合肥创农生物科技有限公司 | 一种用于植物工厂的植物生长状态监控报警系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009023896B4 (de) * | 2009-06-04 | 2015-06-18 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und Verfahren zum Erfassen einer Pflanze |
CA3170390A1 (en) * | 2020-03-06 | 2021-09-10 | Aranzazu BERECIARTUA-PEREZ | Quantifying biotic damage on plants, by separating plant-images and subsequently operating a convolutional neural network |
-
2023
- 2023-07-03 CN CN202310803661.7A patent/CN116740378B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134758A (zh) * | 2013-01-29 | 2013-06-05 | 华南农业大学 | 基于多尺度高光谱图像处理的稻叶瘟病抗性鉴定分级方法 |
CN105261045A (zh) * | 2015-09-12 | 2016-01-20 | 黑龙江八一农垦大学 | 一种快速评估苜蓿病虫害损失程度的数字化方法 |
WO2019128083A1 (zh) * | 2017-12-27 | 2019-07-04 | 深圳春沐源控股有限公司 | 一种病虫害的巡检方法及装置 |
CN108564092A (zh) * | 2018-04-12 | 2018-09-21 | 内蒙古工业大学 | 基于sift特征提取算法的向日葵病害识别方法 |
CN111122453A (zh) * | 2018-11-01 | 2020-05-08 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置和系统 |
CN110517311A (zh) * | 2019-08-30 | 2019-11-29 | 北京麦飞科技有限公司 | 基于叶片病斑面积的病虫害监测方法 |
AU2020103260A4 (en) * | 2020-11-05 | 2021-01-14 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Rice blast grading system and method |
CN113925039A (zh) * | 2021-10-12 | 2022-01-14 | 一鼎(福建)生态园林建设有限公司 | 一种基于物联网的园林病虫害智能防护系统及防控方法 |
CN114241344A (zh) * | 2021-12-20 | 2022-03-25 | 电子科技大学 | 一种基于深度学习的植物叶片病虫害严重程度评估方法 |
CN114724032A (zh) * | 2022-03-22 | 2022-07-08 | 成都大学 | 一种基于深度学习的杂粮作物病虫害检测方法 |
CN114445785A (zh) * | 2022-04-11 | 2022-05-06 | 广东省农业科学院植物保护研究所 | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 |
CN115526521A (zh) * | 2022-10-12 | 2022-12-27 | 合肥创农生物科技有限公司 | 一种用于植物工厂的植物生长状态监控报警系统 |
Non-Patent Citations (2)
Title |
---|
基于典型叶片模板自动匹配的虫损叶面积测量;钟取发等;《 农业工程学报》;20100517;第26卷(第3期);216-221 * |
基于图像的水稻病害识别方法的研究;管泽鑫;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116740378A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840549B (zh) | 一种病虫害识别方法和装置 | |
Qureshi et al. | Machine vision for counting fruit on mango tree canopies | |
CN111582055B (zh) | 一种无人机的航空施药航线生成方法及系统 | |
Perez et al. | Colour and shape analysis techniques for weed detection in cereal fields | |
CN110533595A (zh) | 一种作物病虫害空间动态分布监测的方法和系统 | |
Liu et al. | Towards automated yield estimation in viticulture | |
CN116805396B (zh) | 一种基于卫星遥感的农田杂草精准识别方法及装置 | |
CN109325431A (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 | |
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 | |
CN110008947A (zh) | 一种基于卷积神经网络的粮仓粮食数量监测方法及装置 | |
CN108829762A (zh) | 基于视觉的小目标识别方法和装置 | |
CN114723667A (zh) | 一种农业精细化种植及灾害预防控制系统 | |
WO2021154624A1 (en) | System and method for performing machine vision recognition of dynamic objects | |
Weis et al. | Detection and identification of weeds | |
Sozzi et al. | Grape yield spatial variability assessment using YOLOv4 object detection algorithm | |
CN116740378B (zh) | 一种基于图像处理的园林病虫害评价系统 | |
CN111814866A (zh) | 一种病虫害预警方法、装置、计算机设备及存储介质 | |
Sreedevi et al. | Wild Animal Detection using Deep learning | |
CN117575835A (zh) | 基于无人机航拍的茶园长势监控系统及方法 | |
Siddiqi et al. | A real time specific weed discrimination system using multi-level wavelet decomposition | |
CN115721296A (zh) | 一种基于PaddleDetection的野生动物识别系统 | |
Weis et al. | Detection of weeds using image processing and clustering | |
CN114445713A (zh) | 一种多设备联动植保系统及方法 | |
Masykur et al. | Approach and Analysis of Yolov4 Algorithm for Rice Diseases Detection at Different Drone Image Acquisition Distances | |
Divya et al. | Horticultural Image Clustering With Multispectral Optimization And Gaussian Lion Vector Quantization |
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 |