CN116863452A - 植物病害识别方法、存储介质和识别系统 - Google Patents
植物病害识别方法、存储介质和识别系统 Download PDFInfo
- Publication number
- CN116863452A CN116863452A CN202310850757.9A CN202310850757A CN116863452A CN 116863452 A CN116863452 A CN 116863452A CN 202310850757 A CN202310850757 A CN 202310850757A CN 116863452 A CN116863452 A CN 116863452A
- Authority
- CN
- China
- Prior art keywords
- disease
- plant
- plant disease
- image
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 394
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 394
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000003086 colorant Substances 0.000 claims abstract description 6
- 230000003902 lesion Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000193738 Bacillus anthracis Species 0.000 description 1
- 206010042496 Sunburn Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/435—Computation of moments
-
- 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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种植物病害识别方法、存储介质和识别系统。该方法包括以下步骤:P.根据各种植物病害类型及其对应的病害特征构建植物病害特征信息库,病害特征包括病害部位、病害颜色以及病害区域在病害部位轮廓区域中的占比;A.获取待识别的植物病害图像并获得病害部位;B.根据病害部位,从待识别的植物病害图像提取病害部位轮廓区域;C.对该病害部位轮廓区域中的病害区域进行色值分析,得出其病害颜色;E.计算该病害区域在病害部位轮廓区域中的占比;F.根据上述待识别的植物病害图像的病害部位、病害颜色以及所述占比,从植物病害特征信息库查找所匹配的植物病害类型。该方法无需使用大量病害图像样本进行图像训练,成本较低,且识别准确率较高。
Description
技术领域
本发明涉及植物病害处理技术领域,尤其涉及一种植物病害识别方法、存储介质和识别系统。
背景技术
植物发生不同类型的病害,其病害部位(例如叶、果实、枝干)、颜色变化、叶型变化等病害特征有所不同。现有的植物病害识别方式通常是采用训练好的机器学习算法例如深度学习网络模块来识别图像进行自动分类,具体地,用户需获取每一种植物病害的多个病害图像,以病害图像作为输入,以病害类型作为输出,组成一组病害图像训练样本,然后使用大量的病害图像训练样本对深度学习网络模型进行图像训练,使该模型具备根据用户输入的病害图像自动识别得出病害类型的能力。植物出现病害时,用户就可以拍摄病害图像并输入到已训练好的深度学习网络模型中进行图像识别,得到病害类型。由于这种方式需要针对每一种植物病害对深度学习网络模型进行图像训练,训练量巨大,需花费较大成本。此外,识别植物病害类型的深度学习网络模型泛化能力较弱,由于不同植物甚至同种植物不同植株发生同一种病害,其病害图像会存在差别,在对模型进行训练时难以穷尽各种情况的病害图像,若遇到与病害图像训练样本偏差较大的病害图像,容易出现误判,识别准确率不高。
发明内容
本发明所要达到的目的是提供一种植物病害识别方法、存储有被执行时可实现该方法的计算机程序的计算机可读存储介质以及可执行该方法的识别系统,该方法无需使用大量病害图像样本进行图像训练,成本较低,且识别准确率较高。
为了达到上述目的,本发明提供了一种植物病害识别方法,包括以下步骤:
P.根据各种植物病害类型及其对应的病害特征构建植物病害特征信息库,病害特征包括病害部位、病害颜色以及病害区域在病害部位轮廓区域中的占比;
A.获取待识别的植物病害图像并获得病害部位;
B.根据病害部位,从待识别的植物病害图像提取病害部位轮廓区域;
C.对该病害部位轮廓区域中的病害区域进行色值分析,得出其病害颜色;
E.计算该病害区域在病害部位轮廓区域中的占比;
F.根据上述待识别的植物病害图像的病害部位、病害颜色以及所述占比,从植物病害特征信息库查找所匹配的植物病害类型。
进一步地:
步骤P中,病害特征还包括病变形状;
该方法包括步骤D.对病害部位轮廓区域中的病害区域进行形状分析,得出病变形状;
步骤F中,从植物病害特征信息库查找所匹配的植物病害类型具体还根据病变形状。
进一步地,步骤A中,获得病害部位具体通过接受用户输入病害部位实现。
进一步地,步骤C具体地:获取病害部位轮廓区域各个像素点的RGB色值;把RGB色值不在所述病害部位所对应的植物部位正常色值范围内的像素点归为病害区域;提取病害区域的RGB色值范围作为所述病害颜色。
进一步地,步骤E具体计算病害部位轮廓区域中符合所述病害颜色的像素点数量在病害部位轮廓区域的像素点总数中的占比。
进一步地,该方法包括在步骤F之后执行的步骤G:
将匹配度最高且符合预设达标条件的植物病害类型作为识别结果,根据该植物病害类型生成典型病害图像和病害基本信息,把典型病害图像以及病害基本信息输出给用户;
将除了上述识别结果以外的匹配度高于第一预设阈值的植物病害类型,按照匹配度从高至低排列输出给用户。
进一步地,步骤G中:
若所匹配到的全部植物病害类型匹配度均低于第一预设阈值,则接受用户补充输入病害特征信息;
根据用户补充输入的病害特征信息以及上述待识别的植物病害图像的病害部位、病害颜色和所述占比,再次从植物病害特征信息库查找所匹配的植物病害类型。
进一步地,若再次匹配到的植物病害类型匹配度仍不符合预设达标条件,则跳转至专家在线咨询页面。
本发明还提供了一种计算机可读存储介质,其上存储有可执行的计算机程序,该计算机程序被执行时实现如上所述的植物病害识别方法。
本发明还提供了一种植物病害识别系统,包括相互通信连接的移动终端和后台服务器,后台服务器包括处理器以及如上所述的计算机可读存储介质,后台服务器的处理器执行该计算机可读存储介质中的计算机程序从而实现如上所述的植物病害识别方法。
本发明的植物病害识别方法不像现有技术那样采用机器学习算法直接进行图像识别分类,而是利用不同植物病害类型的病害特征规律(病害部位、病害颜色以及病害区域在病害部位轮廓区域中的占比)来进行植物病害类型的识别,只需提前根据各种植物病害类型及其对应的病害特征构建植物病害特征信息库,无需使用大量病害图像样本进行图像训练,成本较低。此外,现有的识别植物病害类型的深度学习网络模型局限于根据病害图像本身的图像信息进行识别,泛化能力较弱,且对该模型进行训练时难以穷尽各种情况的病害图像,因此识别准确率不高,而本发明事先总结各种植物病害类型的病害部位、病害颜色以及病害区域在病害部位轮廓区域中的占比这三种病害特征规律,从病害图像中挖掘出上述病害特征来进行识别,不局限于病害图像本身的图像信息,不会因病害图像信息有些许差别就导致无法识别,识别准确率较高。
附图说明
图1是本发明给出的植物病害识别方法的流程示意图。
图2是本发明给出的植物病害识别系统的结构框图。
图3是本发明给出的植物病害识别系统的处理逻辑示意图。
具体实施方式
以下结合具体实施方式对本发明创造作进一步详细说明。
植物病害识别系统如图2所示,包括相互通信连接的移动终端和后台服务器。后台服务器包括处理器和计算机可读存储介质,该存储介质中存储有可执行的计算机程序,后台服务器的处理器执行该计算机程序从而实现如图1所示的植物病害识别方法。
由于现有的识别植物病害类型的深度学习网络模型局限于根据病害图像本身的图像信息进行识别,泛化能力较弱,且对该模型进行训练时难以穷尽各种情况的病害图像,因此识别准确率不高。植物发生不同类型的病害,其病害部位(例如叶、果实、枝干)、颜色变化、叶型变化等病害特征虽有所不同,但各种病害类型的病害特征各自有规律,因此本发明构思了一种植物病害识别方法,主要思路是事先总结各种植物病害类型的病害部位、病害颜色以及病害区域在病害部位轮廓区域中的占比这三种病害特征规律,从病害图像中挖掘出上述病害特征来进行识别,不局限于病害图像本身的图像信息。特别地,本发明采用病害区域在病害部位轮廓区域中的占比这一特征作为病害类型识别的其中一项识别因子,而不是直接采用病害区域轮廓作为识别因子,这是考虑到:(1)有些植物病害类型其病害区域没有明显清晰的轮廓、有些植物病害类型其病害区域内颜色是渐变的、有些植物病害类型其病害区域不是连续的而是间隔分布的,难以提取到准确的病害区域轮廓;(2)同一种植物病害,不同叶片其病害区域轮廓并非完全一致,若直接以病害区域轮廓作为一个识别因子进行病害类型识别,容易出现误判。本发明采用病害区域在病害部位轮廓区域中的占比作为识别因子,既在一定程度上反映了病害区域轮廓,辅助病害类型识别,又能够避免直接采用病害区域轮廓进行识别容易出现误判的弊端。下文详细说明该植物病害识别方法的执行过程。
技术人员预先收集各种植物病害类型的植物病害图像,每种病害类型至少收集3张病害图像,然后根据所收集的植物病害图像进行病害特征分析。病害特征主要包括以下四种:
(1)病害部位,包括叶片、枝干、果实等;
(2)病害颜色,既病害区域的RGB色值;
(3)病变形状,包括斑点类、枯黄片状、炭疽枯黑、霉霜灰白、日灼枯烂、整体发黄等;
(4)病害区域在病害部位轮廓区域中的占比,本实施例中具体取为病害部位轮廓区域中符合病害颜色的像素点数量在病害部位轮廓区域的像素点总数中的占比。
技术人员根据每一种植物病害类型的病害图像,逐一分析归纳该植物病害类型的病害特征,包括病害部位是哪个部位、病害颜色的RGB色值范围是多少、病变形状是什么、病害区域在病害部位轮廓区域中的占比范围(下文简称为病害区域占比范围)是多少,以此作为该植物病害类型的病害特征的标准参数,然后把每种植物病害类型与其病害部位、病害颜色RGB色值范围、病变形状、病害区域在病害部位轮廓区域中的占比范围对应地存储在后台服务器的数据库中,构成植物病害特征信息库。构建好植物病害特征信息库之后,后台服务器就可以利用该信息库进行植物病害类型识别了。
在养护绿化植物过程中,绿化植物经常会出现病害,不同病害应采取不同的治疗措施,用户需要知道病害类型才能对症下药。如图3所示,用户如果发现绿化植物上出现了病害但不知道具体是哪种病害类型,就可以使用移动终端例如手机拍摄植物病害图像上传给后台服务器。为避免拍摄的照片看不清病害区域,后台服务器需判断所接收的图像是否符合拍摄要求,拍摄要求例如是拍摄时摄像头距离病害区域不能超过30cm、植物表面纹理清晰等。如果判断不符合拍摄要求,后台服务器就通过手机提示用户重新拍摄植物病害图像。如果符合拍摄要求,后台服务器接收到植物病害图像,就通过手机弹出多个病害部位选项,分别为叶片选项、花选项个枝干选项,供用户进行选择。例如用户选择了叶片,那么后台服务器就以叶片作为上述植物病害图像的病害部位,据此使用轮廓追踪算法和图像分割算法从待识别的植物病害图像提取叶片轮廓区域(即病害部位轮廓区域)。后台服务器接着获取该叶片轮廓区域中各个像素点的RGB色值。技术人员在植物病害特征信息库中预置植物各个病害部位的正常色值范围,例如,叶片的正常色值范围是绿色色值范围,枝干的正常色值范围是绿色和褐色的色值范围,花的正常色值范围是红色、橙色、黄色、蓝色和紫色的色值范围。用户所拍摄的待识别的植物病害图像的病害部位是叶片,其正常色值范围是绿色色值范围,故后台服务器把待识别的植物病害图像的叶片轮廓区域中RGB色值不在叶片正常色值范围内的像素点归为病害区域,提取病害区域的RGB色值范围作为上述待识别的植物病害图像的病害颜色。后台服务器根据前面所得出的病害颜色色值范围,统计叶片轮廓区域中符合该病害颜色色值范围的像素点数量,进而计算叶片轮廓区域中符合该病害颜色色值范围的像素点数量在叶片轮廓区域的像素点总数中的占比,以该占比作为病害区域在病害部位轮廓区域中的占比。
至此,后台服务器得到了上述待识别的植物病害图像的病害部位、病害颜色色值范围以及病害区域在病害部位轮廓区域中的占比,然后据此从植物病害特征信息库查找所匹配的植物病害类型,具体地,按照如下规则逐一计算待识别的植物病害图像与所筛选出来的植物病害类型的匹配度:
(病害部位符合值+病害颜色符合值+占比符合值)*100%/3
其中,若待识别的植物病害图像的病害部位与植物病害类型的病害部位相同,则病害部位符合值为1,否则为0;若待识别的植物病害图像的病害颜色色值范围位于植物病害类型的病害颜色色值范围内,则病害颜色符合值为1,否则为0;若待识别的植物病害图像的病害区域在病害部位轮廓区域中的占比位于植物病害类型的病害区域占比范围内,则占比符合值为1,否则为0。以上匹配度计算规则仅作示例,可以改为采用其他方式计算匹配度,例如分别计算病害部位相似度、病害颜色相似度和占比相似度,然后再以三者相似度的平均值作为待识别的植物病害图像与所筛选出来的植物病害类型的匹配度。
优选地,后台服务器还对待识别的植物病害图像的叶片轮廓区域中的病害区域进行形状分析,具体地,后台服务器运用阈值分割法和形态学方法对叶片轮廓区域中分割提取病害区域,根据该病害区域与植物病害特征信息库中预存的各种病变形状的病害图像之间的相似度分析得出上述待识别的植物病害图像的病变形状。从植物病害特征信息库查找所匹配的植物病害类型还根据植物病害图像的病变形状,增加病变形状这一病害特征维度,使得识别结果更为准确。相应地,计算待识别的植物病害图像与所筛选出来的植物病害类型的匹配度的规则改为:
(病害部位符合值+病害颜色符合值+占比符合值+病变形状符合值)*100%/4
其中,若待识别的植物病害图像的病变形状与植物病害类型的病变形状相同,则病变形状符合值为1,否则为0。
后台服务器计算出待识别的植物病害图像与初步筛选出来的各个植物病害类型的匹配度之后,如果有植物病害类型与上述待识别的植物病害图像的匹配度为100%,即该植物并列类型的匹配度符合预设达标条件“匹配度=100%”,则以该植物病害类型作为识别结果,假若没有植物病害类型与上述待识别的植物病害图像的匹配度为100%,则直接把匹配度高于70%的植物病害类型按照匹配度从高至低对排列输出给用户,供用户参考。本实施例以匹配度=100%作为预设达标条件,其他实施例可以改为匹配度≥90%作为预设达标条件。如果待识别的植物病害图像与初步筛选出来的各个植物病害类型的匹配度均低于70%,后台服务器就通过手机弹出文本输入框供用户补充输入病害特征信息。技术人员除了在植物病害特征信息库存储了每种植物病害类型与其病害部位、病害颜色RGB色值范围、病变形状、病害区域在病害部位轮廓区域中的占比范围以外,还存储有每种植物病害类型的科普信息,以炭疽病为例,其科普信息是:病斑形状为圆形,病斑颜色为棕色,病斑边缘为晕圈状且为黄色,病斑纹理是轮纹状。后台服务器以病斑形状、病斑纹理作为两个可补充输入的病害特征信息项,按照匹配度从高至低从所匹配的植物病害类型当中取出多个待选植物病害类型,然后以这几个植物病害类型的科普信息中的病斑形状作为第一个病害特征信息项的选项供用户选择,以这几个植物病害类型的科普信息中的病斑纹理作为第一个病害特征信息项的选项供用户选择。后台服务器根据用户补充输入的病害特征信息计算所取出的多个待选植物病害类型的二次匹配度,综合先前的匹配度以及该二次匹配度得到这多个待选植物病害类型的最终匹配度,然后判断最高的最终匹配度是否符合预设达标条件,若符合,则以匹配度最高的植物病害类型作为识别结果根据该植物病害类型生成典型病害图像和病害基本信息,把典型病害图像以及病害基本信息输出给用户。此外,后台服务器把除了识别结果以外的最终匹配度高于70%(即第一预设阈值)的植物病害类型按照匹配度从高至低对排列输出给用户,供用户参考。假若最高的最终匹配度仍不符合预设达标条件,则使用户手机跳转至专家在线咨询页面,把待识别的植物病害图像通过专家在线咨询页面发送给专家查看,向其咨询该植物病害图像中的植物病害类型。
本发明的植物病害识别方法不像现有技术那样采用机器学习算法直接进行图像识别分类,而是利用不同植物病害类型的病害特征规律(病害部位、病害颜色以及病害区域在病害部位轮廓区域中的占比)来进行植物病害类型的识别,只需提前根据各种植物病害类型及其对应的病害特征构建植物病害特征信息库,无需使用大量病害图像样本进行图像训练,成本较低。此外,现有的识别植物病害类型的深度学习网络模型局限于根据病害图像本身的图像信息进行识别,泛化能力较弱,且对该模型进行训练时难以穷尽各种情况的病害图像,因此识别准确率不高,而本发明事先总结各种植物病害类型的病害部位、病害颜色以及病害区域在病害部位轮廓区域中的占比这三种病害特征规律,从病害图像中挖掘出上述病害特征来进行识别,不局限于病害图像本身的图像信息,不会因病害图像信息有些许差别就导致无法识别,识别准确率较高。
如上所述仅为本发明创造的实施方式,不以此限定专利保护范围。本领域技术人员在本发明创造的基础上作出非实质性的变化或替换,仍落入专利保护范围。
Claims (10)
1.一种植物病害识别方法,其特征是,包括以下步骤:
P.根据各种植物病害类型及其对应的病害特征构建植物病害特征信息库,病害特征包括病害部位、病害颜色以及病害区域在病害部位轮廓区域中的占比;
A.获取待识别的植物病害图像并获得病害部位;
B.根据病害部位,从待识别的植物病害图像提取病害部位轮廓区域;
C.对该病害部位轮廓区域中的病害区域进行色值分析,得出其病害颜色;
E.计算该病害区域在病害部位轮廓区域中的占比;
F.根据上述待识别的植物病害图像的病害部位、病害颜色以及所述占比,从植物病害特征信息库查找所匹配的植物病害类型。
2.如权利要求1所述的植物病害识别方法,其特征是:
步骤P中,病害特征还包括病变形状;
本方法包括步骤D.对病害部位轮廓区域中的病害区域进行形状分析,得出病变形状;
步骤F中,从植物病害特征信息库查找所匹配的植物病害类型具体还根据病变形状。
3.如权利要求1所述的植物病害识别方法,其特征是,步骤A中,获得病害部位具体通过接受用户输入病害部位实现。
4.如权利要求1所述的植物病害识别方法,其特征是,步骤C具体地:获取病害部位轮廓区域各个像素点的RGB色值;把RGB色值不在所述病害部位所对应的植物部位正常色值范围内的像素点归为病害区域;提取病害区域的RGB色值范围作为所述病害颜色。
5.如权利要求1所述的植物病害识别方法,其特征是,步骤E具体计算病害部位轮廓区域中符合所述病害颜色的像素点数量在病害部位轮廓区域的像素点总数中的占比。
6.如权利要求1所述的植物病害识别方法,其特征是,包括在步骤F之后执行的步骤G:
将匹配度最高且符合预设达标条件的植物病害类型作为识别结果,根据该植物病害类型生成典型病害图像和病害基本信息,把典型病害图像以及病害基本信息输出给用户;
将除了上述识别结果以外的匹配度高于第一预设阈值的植物病害类型,按照匹配度从高至低排列输出给用户。
7.如权利要求6所述的植物病害识别方法,其特征是,步骤G中:
若所匹配到的全部植物病害类型匹配度均低于第一预设阈值,则接受用户补充输入病害特征信息;
根据用户补充输入的病害特征信息以及上述待识别的植物病害图像的病害部位、病害颜色和所述占比,再次从植物病害特征信息库查找所匹配的植物病害类型。
8.如权利要求7所述的植物病害识别方法,其特征是,若再次匹配到的植物病害类型匹配度仍不符合预设达标条件,则跳转至专家在线咨询页面。
9.一种计算机可读存储介质,其上存储有可执行的计算机程序,其特征是,该计算机程序被执行时实现如权利要求1至8任一项所述的植物病害识别方法。
10.一种植物病害识别系统,包括相互通信连接的移动终端和后台服务器,其特征是,后台服务器包括处理器以及如权利要求9所述的计算机可读存储介质,后台服务器的处理器执行该计算机可读存储介质中的计算机程序从而实现如权利要求1至8任一项所述的植物病害识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310850757.9A CN116863452A (zh) | 2023-07-11 | 2023-07-11 | 植物病害识别方法、存储介质和识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310850757.9A CN116863452A (zh) | 2023-07-11 | 2023-07-11 | 植物病害识别方法、存储介质和识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116863452A true CN116863452A (zh) | 2023-10-10 |
Family
ID=88230076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310850757.9A Pending CN116863452A (zh) | 2023-07-11 | 2023-07-11 | 植物病害识别方法、存储介质和识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116863452A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN118015384A (zh) * | 2024-04-08 | 2024-05-10 | 江西省天驰高速科技发展有限公司 | 一种墩柱混凝土病害自动识别方法及系统 |
-
2023
- 2023-07-11 CN CN202310850757.9A patent/CN116863452A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117456214B (zh) * | 2023-11-06 | 2024-05-31 | 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 |
CN118015384A (zh) * | 2024-04-08 | 2024-05-10 | 江西省天驰高速科技发展有限公司 | 一种墩柱混凝土病害自动识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gan et al. | Immature green citrus fruit detection using color and thermal images | |
Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
CN116863452A (zh) | 植物病害识别方法、存储介质和识别系统 | |
Seng et al. | A new method for fruits recognition system | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
US8781174B2 (en) | Method and system for recognizing plant diseases and recording medium | |
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 | |
CN113252584B (zh) | 基于5g传输的作物生长检测方法及系统 | |
CN107145879A (zh) | 一种植物种类自动识别方法及系统 | |
CN110263200A (zh) | 一种智能农林害虫标准化调查方法及系统 | |
Liu et al. | Development of a machine vision algorithm for recognition of peach fruit in a natural scene | |
Sabri et al. | Evaluation of color models for palm oil fresh fruit bunch ripeness classification | |
CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
Zhang et al. | Yield estimation of citrus fruit using rapid image processing in natural background | |
CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
CN114596274A (zh) | 基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法 | |
CN114266979A (zh) | 茶树病虫害智能识别方法、装置、设备及存储介质 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN112541383B (zh) | 杂草区域的识别方法和装置 | |
CN113723833B (zh) | 造林实绩质量评价方法、系统、终端设备及存储介质 | |
CN114266975B (zh) | 无人机遥感图像的荔枝果实检测与计数方法 | |
CN113486773B (zh) | 棉花植株生长期识别方法、系统、存储介质及设备 | |
Areni | Automatic counting of chili ripeness on computer vision for industri 4.0 | |
Schmidtke | Developing a phone-based imaging tool to inform on fruit volume and potential optimal harvest time |
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 |