CN116958572A - 一种果树繁育中叶片病虫害区域分析方法 - Google Patents
一种果树繁育中叶片病虫害区域分析方法 Download PDFInfo
- Publication number
- CN116958572A CN116958572A CN202311196951.6A CN202311196951A CN116958572A CN 116958572 A CN116958572 A CN 116958572A CN 202311196951 A CN202311196951 A CN 202311196951A CN 116958572 A CN116958572 A CN 116958572A
- Authority
- CN
- China
- Prior art keywords
- disease
- area
- anthracnose
- obtaining
- wheel
- 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
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 249
- 201000010099 disease Diseases 0.000 title claims abstract description 248
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 57
- 238000009395 breeding Methods 0.000 title claims abstract description 31
- 230000001488 breeding effect Effects 0.000 title claims abstract description 31
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 208000015181 infectious disease Diseases 0.000 claims abstract description 30
- 230000009545 invasion Effects 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 11
- 208000020282 anthrax disease Diseases 0.000 claims description 63
- 238000000034 method Methods 0.000 claims description 43
- 206010040925 Skin striae Diseases 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 10
- 238000009792 diffusion process Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000003902 lesion Effects 0.000 claims description 5
- 206010053615 Thermal burn Diseases 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 241000193738 Bacillus anthracis Species 0.000 description 6
- 241000238631 Hexapoda Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000002420 orchard Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 206010027146 Melanoderma Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000004083 survival effect 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- 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
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median 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
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Nonlinear Science (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种果树繁育中叶片病虫害区域分析方法。通过单个叶片图像内边缘的形状特征获取疑似病害区域,以疑似病害区域的位置特征能获取病害近边侵入度。分析像素点的灰度值离散特征筛选出分生孢子器像素点并获得每个分生孢子器像素点的分生孢子器显著度,进而获取各个轮纹区域内的轮纹病斑特征值。以病害近边侵入度和轮纹病斑特征值获取炭疽病害特征指数。以炭疽病害特征指数筛选出真实病害区域。在真实病害区域中,以相邻轮纹区域的轮纹病斑特征值的变化特征获取炭疽病害侵染速度,进而获取炭疽病害严重程度。本发明通过优化病害区域的选取,提高果树繁育中叶片病虫害区域的分析的速度和准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种果树繁育中叶片病虫害区域分析方法。
背景技术
果树的繁育工作需要对果树进行细致的培养,也需要对于果树病害进行细致的防护,以此来保障果树的繁育系数和成活寿命。果树的繁育过程中,容易受到果树生长的气象环境、种植环境、病菌等因素的影响导致炭疽病的爆发。炭疽病主要发生在果树叶片上,常常为叶片边缘和叶尖。当炭疽病严重时,使果树大多数的叶片枯黑死亡。若不及时采取的防护措施,果树的炭疽病大规模爆发,还会影响果实的质量和产量,进而影响果园的经济效益和生产效益。因此果树繁育中叶片炭疽病害区域的检测提取和分析是果园生产活动中的一项重要工作,为了保证果树的健康繁育,必须加强果园中果树炭疽病的检测提取和分析工作。
现有技术通过神经网络对果树病虫害区域进行识别和划分病害严重程度,通过神经网络训练获取果树病虫害区域,存在依赖标记样本、分析不准确、训练时间长和成本高等问题。导致果树炭疽病害区域获取效果差,进而影响果树病害区域严重程度分析。
发明内容
为了解决难以对果树病害区域进行及时准确检测识别技术问题,本发明的目的在于提供一种果树繁育中叶片病虫害区域分析方法,所采用的技术方案具体如下:
获取果树繁育过程中的单个叶片图像;
根据所述单个叶片图像内边缘的形状特征获取疑似病害区域,所述疑似病害区域内包含逐层分布的轮纹区域;根据所述疑似病害区域的位置特征获取病害近边侵入度;
根据所述疑似病害区域内像素点在预设邻域窗口内的灰度值离散特征,筛选出分生孢子器像素点并获得每个所述分生孢子器像素点的分生孢子器显著度;根据各个所述轮纹区域内的所述分生孢子器显著度,获取各个轮纹区域内的轮纹病斑特征值;
根据所述病害近边侵入度和所有所述轮纹区域内的所述轮纹病斑特征值,获取所述疑似病害区域的炭疽病害特征指数;根据所述炭疽病害特征指数筛选出真实病害区域;在所述真实病害区域中根据相邻所述轮纹区域的所述轮纹病斑特征值的变化特征进行计算获取所述真实病害区域的炭疽病害侵染速度;
根据炭疽病害特征指数和炭疽病害侵染速度,获取所述真实病害区域的所述炭疽病害严重程度。
进一步地,所述疑似病害区域的获取步骤包括:
在所述单个叶片图像上,根据霍夫圆检测算法提取图像中的圆形区域,每个所述圆形区域之间为一个所述轮纹区域,所述轮纹区域逐层分布,最外层轮纹区域对应的最大圆形区域所围成的区域为所述疑似病害区域。
进一步地,所述病害近边侵入度的获取步骤包括:
获取所述病害区域的中心与所述单个叶片图像的叶片边界边缘上每个边缘点之间距离的病害离散程度;获取所述疑似病害区域的中心与所述单个叶片图像的叶片边缘距离的极差;根据所述病害离散程度与所述极差获取病害近边侵入度,所述病害离散程度与所述极差均与所述病害近边侵入度呈正相关关系。
进一步地,所述分生孢子器像素点的获取步骤包括:
采用孤立森林算法在预设邻域窗口内对像素点进行异常值分析,获取邻域窗口中心像素点的异常值分数;将疑似病害区域所有像素点进行异常值分析,获取每个像素点的异常值分数,获取所述疑似病害区域内所有像素点异常值分数的均值;将所述异常值分数的均值与预
设调整比例的乘积作为异常值阈值,当所述像素点异常值分数大于所述异常值阈值,将对应像素点标记为分生孢子器像素点。
进一步地,所述分生孢子器显著度的获取步骤包括:
通过计算所述分生孢子器像素点的灰度值与所述预设邻域窗口中所有像素点的灰度值均值的差异,获取灰度相异程度;计算所述灰度相异程度与分生孢子器像素点的异常值分数的乘积,获取所述分生孢子器显著度。
进一步地,所述各个轮纹区域内的轮纹病斑特征值的获取步骤包括:
将每个所述轮纹区域内的所述分生孢子器像素点的所述分生孢子器显著度累加,获得所述轮纹病斑特征值。
进一步地,所述炭疽病害特征指数的轮纹病斑特征值的获取步骤包括:
在所述疑似病害区域中,计算所述病害近边侵入度与各个轮纹区域内的所述轮纹病斑特征值累加和的乘积,获取炭疽病害第一特征指数,将所述炭疽病害第一特征指数进行归一化,获取炭疽病害特征指数。
进一步地,所述炭疽病害侵染速度的获取步骤包括:
在所述真实病害区域中,通过各轮纹区域的所述轮纹病斑特征值的差分获取各个相邻轮纹的轮纹扩散速度,将各个相邻轮纹的所述轮纹扩散速度通过指数移动平均法进行加权计算获取所述真实病害区域的炭疽病害侵染速度。
进一步地,所述炭疽病害严重程度的获取步骤包括:
通过计算炭疽病害特征指数和炭疽病害侵染速度的乘积,获取所述真实病害区域的炭疽病害严重程度。
进一步地,所述预设调整比例为1.5。
本发明具有如下有益效果:
在本发明实施例中,根据单个叶片图像内边缘的形状特征能有效地获取疑似病害区域,能够降低图像分析的处理量,提高图像分析速度。根据疑似病害区域的位置特征能获取病害近边侵入度,病害近边侵入度可以反映疑似病害区域位于叶片的边界边缘的远近。由于病斑整体呈深褐色至灰白色,黑色分生孢子器与周围区域的颜色特征不同,且往往离散分布,根据病害区域内像素点在预设邻域窗口内的灰度值离散特征,能够筛选出分生孢子器像素点并获得每个分生孢子器像素点的分生孢子器显著度。根据各个轮纹区域内的分生孢子器显著度,获取各个轮纹区域内的轮纹病斑特征值,轮纹病斑特征值能够反映了在疑似病害区域中各轮纹区域的炭疽病害程度。根据病害近边侵入度和所有轮纹区域内的轮纹病斑特征值,进而获取疑似病害区域的炭疽病害特征指数,炭疽病害特征指数反映各轮纹区域处于真实炭疽病害区域的可能性。根据炭疽病害特征指数筛选出真实病害区域,在真实病害区域中,根据相邻轮纹区域的轮纹病斑特征值的变化特征进行计算获取炭疽病害区域的炭疽病害侵染速度,进而根据炭疽病害特征指数和炭疽病害侵染速度,获取真实病害区域的炭疽病害严重程度。在真实病害区域分析炭疽病害严重程度,提高果树繁育中叶片病虫害区域的分析的速度和准确性,有益于果树繁育中叶片病虫害区域的防护。
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果树繁育中叶片病虫害区域分析方法的流程图;
图2为本发明一个实施例所提供的一种叶片炭疽病害示意图。
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果树繁育中叶片病虫害区域分析方法,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果树繁育中叶片病虫害区域分析方法的具体方案。请参阅图1,其示出了本发明一个实施例提供的一种果树繁育中叶片病虫害区域分析方法方法的流程图,该方法包括以下步骤:
步骤S1,获取果树繁育过程中的单个叶片图像。
因为炭疽病害多发生于叶片的表面,而果树所处环境比较复杂,可能存在叶片互相遮挡的情况。为了降低了图像分析的处理量,避免对非叶片区域进行分析,提高炭疽病害检测提取的效率,需要针对单个叶片图像进行分析。
在本发明实施例中,在果树繁育工程中,将摄像机置于果树的最上方获取果树叶片图像, 由于采集的果树叶片图像存在噪声,噪声会对后续操作产生影响,所以对果树叶片图像进行降噪操作,消除噪声和部分外界干扰造成的影响,增强后续分析的准确性。将果树叶片图像进行处理,包括调整方向、灰度化处理、图像的直方图均衡化处理、降噪处理,获得预处理图像,对预处理图像采用目标检测算法中的YOLO算法,获取果树叶片对应的边框。根据果树叶片对应的边界框,对预处理图像进行图像分割获取单个叶片图像。本发明实施例采用中值滤波对图像降噪,实施者可根据实际情况自行设置。
步骤S2,根据单个叶片图像内边缘的形状特征获取疑似病害区域,疑似病害区域内包含逐层分布的轮纹区域;根据疑似病害区域的位置特征获取病害近边侵入度。
因为炭疽病害刚刚开始发生的时候,会在叶片上面会呈一个针尖大的小斑点,斑点旁边会有一些黄色的晕圈,当炭疽病菌入侵叶片之后,病斑会慢慢的扩大,病斑会变成一个圆形或者椭圆形的黑色病斑,在病害区域与无病害区域的交界处因颜色的变化存在边缘,对应在单个叶片图像上病害区域与无病害区域的交界边缘。通过分析单个叶片图像内病害区域与无病害区域的交界处因颜色的变化存在的边缘形状特征,获取疑似病害区域。随着炭疽病害程度加深,病斑会逐渐向外扩散,形成一层一层的同心形状的小凸起,这些小凸起是由一个个小点排列组成的,这些小点就是炭疽病的病原菌的分生孢子器。对应于在单个叶片图像上呈现为多个同心逐层分布的轮纹区域。请参阅图2,其示出了本发明一个实施例所提供的一种叶片炭疽病害示意图。炭疽病害一般是从叶片尖或者叶片的边缘开始侵入的,因此往往分布于叶尖或者叶片的边缘区域,通过疑似病害区域的位置特征获取病害近边侵入,进而后续筛选出真实病害区域。
优选地,在本发明一个实施例中疑似病害区域获取方法包括:
由于炭疽病害区域往往呈现为圆形或者椭圆形的一部分,因此在单个叶片图像上,根据霍夫圆检测算法提取图像中的圆形区域,每个圆形区域之间为一个轮纹区域,轮纹区域逐层分布,最外层轮纹区域围成的区域为病害区域。需要说明的是,若两个圆形区域之间因为圆心坐标差异和半径差异导致两个圆形区域不呈现逐层分布特征,即不属于近似同心圆的特征,则两个圆形区域之间不能组成轮纹区域: 若某个圆形区域仅分布一层,则该圆形区域组成的区域为病害区域,即该病害区域仅包含一个轮纹区域。
需要说明的是,霍夫圆检测为本领域技术人员熟知的技术手段,在此不做赘述,仅简述本发明一个实施例中利用霍夫圆检测提取轮纹区域的简要过程:
通过canny边缘检测算子获取单个叶片图像的边缘信息,得到二值化图像。进一步对二值化图像进行霍夫圆检测,得到霍夫圆变换累加器阵列,提取叶片上的圆形或者椭圆形区域,该阵列的三个维度分别是中心横坐标、中心纵坐标和中心半径,当霍夫圆变换累加器阵列中的元素值大于预设圆投票阈值时,则判定由该参数所表示的区域为圆形区域,本发明实施例令预设圆投票阈值取值为15,实施者可根据实际情况自行设置。
需要说明的是,所获得的疑似病害区域并非真实的病害区域,其中可能包括叶片边缘形成的区域以及叶脉轮廓形成的区域,因此需要对疑似病害区域进行进一步筛选和分析。因为叶片炭疽病害一般是从叶片尖尖的地方或者叶片的边界边缘开始侵入的,因此病害区域往往分布于叶尖或者叶片的边界边缘区域。
优选地,在本发明一个实施例中病害近边侵入度获取方法包括:
炭疽病害一般是从叶片尖尖的地方或者叶片的边缘开始侵入的,因此往往分布于叶尖或者叶片的边缘区域,在单个叶片图像中,当疑似病害区域分布在靠近叶片边界边缘时,疑似病害区域的中心点与各叶片边缘像素点之间距离的离散程度比较大;当疑似病害区域位于叶片中心时,疑似病害区域的中心点与各叶片边缘像素点之间距离的离散程度比较小;获取病害区的中心与单个叶片图像的叶片边界边缘上每个边缘点之间距离的病害离散程度,获取疑似病害区域的中心与单个叶片图像的叶片边缘距离的极差;根据病害离散程度与极差获取病害近边侵入度,病害离散程度与极差均与病害近边侵入度呈正相关关系。本发明一个实施例中病害近边侵入度公式包括:
其中,为病害区域的近边侵入度,/>为病害区域的中心点与各叶片边界边缘像素点之间距离的标准差,/>病害区域的中心点与叶片边界边缘像素点之间距离的最大值,/>病害区域的中心点与叶片边界边缘像素点之间距离的最小值。
在病害近边侵入度公式中,标准差体现了病害区域的中心点与各叶片边界边缘像素点之间距离的离散程度,标准差越小,说明疑似病害区域越可能位于叶片的中心,其病害近边侵入度越低。疑似病害区域的中心与单个叶片图像的叶片边缘距离的极差体现了疑似病害区域越可能位于叶片的边界边缘的远近,极差越大时,说明疑似病害区域越靠近叶片边界边缘。
步骤S3,根据疑似病害区域内像素点在预设邻域窗口内的灰度值离散特征,筛选出分生孢子器像素点并获得每个分生孢子器像素点的分生孢子器显著度;根据各个轮纹区域内的分生孢子器显著度,获取各个轮纹区域内的轮纹病斑特征值;
由于病斑整体呈深褐色至灰白色,稍微隆起,黑色分生孢子器与周围区域的颜色特征不同,且往往离散分布,可以根据分生孢子器邻域范围内的离散特征确定每个像素点是否为分生孢子器像素点。因此可在病害区域内,根据像素点预设邻域窗口内灰度值离散特征筛选出分生孢子器像素点。再根据分生孢子器邻域范围内的具体灰度值离散特征的大小获取其分生孢子器显著度,分生孢子器显著度越大说明对应像素点位置病害越严重,该位置越可能处于真实病害区域。轮纹病斑特征值反映了轮纹区域的各分生孢子器像素点的显著程度和分生孢子器的密集程度,进而反映处于真实病害区域的可能性,在本发明一个实施例中,邻域窗口以像素点为中心建立邻域窗口,邻域窗口的大小为a×a,a经验取值为13。
优选地,在本发明一个实施例中分生孢子器像素点获取方法包括:
在单个叶片图像中,由于黑色分生孢子器与病害区域的颜色特征不同,且往往离散分布,使用孤立森林算法,在预设邻域窗口内对像素点进行异常值分析,获取邻域窗口中心像素点的异常值分数/>。将疑似病害区域所有像素点进行异常值分析,获取每个像素点的异常值分数,获取疑似病害区域内所有像素点异常值分数的均值,将异常值分数的均值与预设调整比例的乘积作为异常值阈值,当像素点异常值分数大于异常值阈值,将对应像素点标记为分生孢子器像素点。
优选地,在本发明一个实施例中预设调整比例的设置方法包括:
在本发明实施例中,令预设调整比例为1.5,实施者可根据实施场景自行设定。
优选地,在本发明一个实施例中分生孢子器显著度获取方法包括:
通过计算分生孢子器像素点的灰度值与预设邻域窗口中所有像素点的灰度值均值的差异,获取灰度相异程度;计算灰度相异程度与分生孢子器像素点的异常值分数的乘积,获取分生孢子器显著度,即灰度值离散特征由异常值分数和灰度相异程度组成。本发明一个实施例中分生孢子器显著度公式包括:
其中,为分生孢子器像素点/>的分生孢子器显著度,/>为分生孢子器像素点/>在病害区域的异常值分数,/>为分生孢子器像素点/>的灰度值。 />为分生孢子器像素点/>所在邻域窗口内所有像素点的灰度值均值。
异常值分数说明其在该区域的孤立程度,异常值分数越高,说明分生孢子器像素点/>在该区域的孤立程度越高,分生孢子器显著度越高;分生孢子器像素点的灰度值与预设邻域窗口中所有像素点的灰度值均值的差异/>,说明该像素点与周围区域的相异程度,差异越大时,说明该像素点与周围区域的相异程度越高,分生孢子器显著度越高。
因为分生孢子器的数量以及分生孢子器显著度能够体现对应区域在真实病害区域中的概率以及病害程度,当炭疽病害在果树叶片上进行扩散时,黑色分生孢子器会释放分生孢子,每个轮纹区域内部分布有不同密集程度的黑色小点,即黑色分生孢子器。从最内层中心往外,当黑色分生孢子器个数越多时,其繁殖能力越强;与无病害区域的相异程度越高时,其病害程度越高。因此可根据各个轮纹区域内的分生孢子器显著度,获取各个轮纹区域内的轮纹病斑特征值。
优选地,本发明一个实施例中,获取各个轮纹区域内的轮纹病斑特征值,包括:
在疑似病害区域内,将每个轮纹区域内的所述分生孢子器像素点的所述分生孢子器显著度累加,获得所述轮纹病斑特征值。即当轮纹区域内分生孢子器像素点的个数越多,说明该轮纹区域内分生孢子器的密集程度越高,轮纹病斑特征值越大;分生孢子器显著度越高,说明该轮纹区域病害程度越高,轮纹病斑特征值越大。步骤S4,根据病害近边侵入度和所有轮纹区域内的轮纹病斑特征值,获取疑似病害区域的炭疽病害特征指数;根据炭疽病害特征指数筛选出真实病害区域;在真实病害区域中根据相邻轮纹区域的轮纹病斑特征值的变化特征进行计算获取真实病害区域的炭疽病害侵染速度。
病害近边侵入度能反映疑似病害区域与叶片边界边缘的位置特征,轮纹病斑特征值能反映疑似病害区域中的各个轮纹区域内分生孢子器密集程度和分生孢子器显著度。根据病害近边侵入度和所有轮纹区域内的轮纹病斑特征值,获取疑似病害区域的炭疽病害特征指数,炭疽病害特征指数能反映疑似病害区域是真实病害区域的可能性,进一步根据炭疽病害特征指数筛选出真实病害区域。在真实病害区域中根据相邻轮纹区域的轮纹病斑特征值的变化特征进行计算获取真实病害区域的炭疽病害侵染速度,炭疽病害侵染速度可以体现真实病害区域的炭疽病害严重程度。
优选地,在本发明一个实施例中炭疽病害特征指数获取方法包括:
在疑似病害区域中,计算病害近边侵入度与各个轮纹区域内的轮纹病斑特征值累加和的乘积,获取炭疽病害第一特征指数,将炭疽病害第一特征指数进行归一化,获取炭疽病害特征指数。
本发明一个实施例中炭疽病害特征指数公式包括:
其中,为病害区域的炭疽病害特征指数,/>为病害区域的病害近边侵入度,/>为第/>个轮纹区域内的轮纹病斑特征值,/>为自然常数。
在炭疽病害特征指数公式中,通过将炭疽病害第一特征指数利用以自然常数为底的指数函数进行负相关映射并归一化,再通过计算与数值1之间的差值,实现归一化。病害区域的病害近边侵入度/>表示该区域距离叶片边缘的距离,反映病害区域是炭疽病害区域可能性,即病害近边侵入度越大,炭疽病害特征指数越大。/>第/>个轮纹区域内的轮纹病斑特征值,能够表征该轮纹区域处于炭疽病害区域的可能性,即/>越大说明该疑似病害区域越为真实病害区域的可能性越大。
在本发明一个实施例中,因为炭疽病害特征指数越大说明对应疑似病害区域越可能为真实病害区域,若炭疽病害特征指数大于炭疽病害判断阈值,则判断对应疑似病害区域为真实病害区域。本发明实施例中令炭疽病害判断阈值为0.7,实施者可根据实际情况自行设置。
获得真实病害区域之后,对真实病害区域进行进一步分析即可获得对应叶片下的准确炭疽病害严重程度,炭疽病害的侵染速度是评价炭疽病害严重程度的重要指标之一,炭疽病害会导致轮纹区域由内向外进行生长并生长出多层轮纹,因此在真实病害区域中可根据相邻轮纹区域的轮纹病斑特征值的变化特征进行计算获取真实病害区域的炭疽病害侵染速度。优选地,在本发明一个实施例中炭疽病害侵染速度获取方法包括:
在本发明一个实施例中,为了进一步方便炭疽病害侵染速度的计算,在所述真实病害区域中,从内往外获取各轮纹区域的轮纹病斑特征值,并进行归一化,将第i+1层与第i层轮纹区域的轮纹病斑特征值的差值作为第i个相邻轮纹的轮纹扩散速度,即通过各轮纹区域的轮纹病斑特征值的差分获取各个相邻轮纹的轮纹扩散速度。然后将各个相邻轮纹的轮纹扩散速度作为指数移动平均法的输入进行加权计算获取炭疽病害侵染速度,将指数移动平均法输出的平均值作为该炭疽病害区域内最外侧轮纹区域的轮纹扩散速度,将其最外侧轮纹的轮纹扩散速度为该炭疽病害区域的炭疽病害侵染速度。本发明实施例中令轮纹扩散速度初始值为0,加权权重值为0.9,实施者可自行设置。
步骤S5,根据炭疽病害特征指数和炭疽病害侵染速度,获取真实病害区域的炭疽病害严重程度。
真实病害区域的炭疽病害特征指数能够体现出该区域的病害程度,炭疽病害侵染速度越大说明该区域病害越严重,孢子繁殖速度越快,因此可根据炭疽病害特征指数和炭疽病害侵染速度,获取病害区域的炭疽病害严重程度。
优选地,在本发明一个实施例中炭疽病害严重程度获取方法包括:
通过计算炭疽病害特征指数和炭疽病害侵染速度的乘积,获取真实病害区域的炭疽病害严重程度。
本发明一个实施例中炭疽病害严重程度公式包括:
其中,为该炭疽病害区域的炭疽病害严重程度,/>为真实病害区域的炭疽病害特征指数,/>为真实病害区域的炭疽病害侵染速度。
在炭疽病害严重程度公式中,炭疽病害特征指数表示真实炭疽病害区域受炭疽病害侵染的程度,炭疽病害特征指数越大,则炭疽病害严重程度越大;炭疽病害侵染速度/>表示炭疽病害的扩散速度,炭疽病害侵染速度越大,则炭疽病害严重程度越大。
在本发明一个实施例中,为了进一步方便评估真实病害区域的病害程度,根据炭疽病害严重程度的取值,设置阈值、/>,将炭疽病害区域的炭疽病害严重程度划分为轻度、中度、重度三个等级。当炭疽病害严重程度小于阈值/>时,划分为轻度;当炭疽病害严重程度大于阈值/>,小于阈值/>时,划分为中度;当炭疽病害严重程度大于阈值/>时,则划分为重度。本发明实施例令阈值/>为0.3,令预设长度阈值为3,令阈值/>为0.6,实施者可自行设置。
至此获得了单个叶片上单个真实病害区域的炭疽病害严重程度。在实际果树繁育过程中,实施者可采用对果树叶片图像进行抽样,获取多个样本的病害严重等级,进一步综合分析,从而整体对果树繁育中叶片病虫害区域进行分析,将最终整体分析结果传输至分析平台。
综上所述, 本发明实施例提供了一种果树繁育中叶片病虫害区域分析方法,通过单个叶片图像内边缘的形状特征获取疑似病害区域,以疑似病害区域的位置特征能获取病害近边侵入度。在疑似病害区域中,分析像素点的灰度值离散特征筛选出分生孢子器像素点并获得每个分生孢子器像素点的分生孢子器显著度,进而获取各个轮纹区域内的轮纹病斑特征值。以病害近边侵入度和轮纹病斑特征值获取炭疽病害特征指数。以炭疽病害特征指数筛选出真实病害区域。在真实病害区域中,以相邻轮纹区域的轮纹病斑特征值的变化特征获取炭疽病害侵染速度,进而获取炭疽病害严重程度。本发明通过优化病害区域的选取,提高果树繁育中叶片病虫害区域的分析的速度和准确度。
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 (10)
1.一种果树繁育中叶片病虫害区域分析方法,其特征在于,所述方法包括以下步骤:
获取果树繁育过程中的单个叶片图像;
根据所述单个叶片图像内边缘的形状特征获取疑似病害区域,所述疑似病害区域内包含逐层分布的轮纹区域;根据所述疑似病害区域的位置特征获取病害近边侵入度;
根据所述疑似病害区域内像素点在预设邻域窗口内的灰度值离散特征,筛选出分生孢子器像素点并获得每个所述分生孢子器像素点的分生孢子器显著度;根据各个所述轮纹区域内的所述分生孢子器显著度,获取各个轮纹区域内的轮纹病斑特征值;
根据所述病害近边侵入度和所有所述轮纹区域内的所述轮纹病斑特征值,获取所述疑似病害区域的炭疽病害特征指数;根据所述炭疽病害特征指数筛选出真实病害区域;在所述真实病害区域中根据相邻所述轮纹区域的所述轮纹病斑特征值的变化特征进行计算获取所述真实病害区域的炭疽病害侵染速度;
根据炭疽病害特征指数和炭疽病害侵染速度,获取所述真实病害区域的炭疽病害严重程度。
2.根据权利要求1所述的一种果树繁育中叶片病虫害区域分析方法,其特征在于,所述疑似病害区域获取方法,具体包括:
在所述单个叶片图像上,根据霍夫圆检测算法提取图像中的圆形区域,每个所述圆形区域之间为一个所述轮纹区域,所述轮纹区域逐层分布,最外层轮纹区域对应的最大圆形区域所围成的区域为所述疑似病害区域。
3.根据权利要求1所述的一种果树繁育中叶片病虫害区域分析方法,其特征在于,所述病害近边侵入度获取方法,具体包括:
获取所述病害区域的中心与所述单个叶片图像的叶片边界边缘上每个边缘点之间距离的病害离散程度;获取所述疑似病害区域的中心与所述单个叶片图像的叶片边缘距离的极差;根据所述病害离散程度与所述极差获取病害近边侵入度,所述病害离散程度与所述极差均与所述病害近边侵入度呈正相关关系。
4.根据权利要求1所述的一种果树繁育中叶片病虫害区域分析方法,其特征在于,所述分生孢子器像素点的获取方法,具体包括:
采用孤立森林算法在预设邻域窗口内对像素点进行异常值分析,获取邻域窗口中心像素点的异常值分数;将疑似病害区域所有像素点进行异常值分析,获取每个像素点的异常值分数,获取所述疑似病害区域内所有像素点异常值分数的均值;将所述异常值分数的均值与预设调整比例的乘积作为异常值阈值,当所述像素点异常值分数大于所述异常值阈值,将对应像素点标记为分生孢子器像素点。
5.根据权利要求4所述的一种果树繁育中叶片病虫害区域分析方法,其特征在于,所述分生孢子器显著度的获取方法,具体包括:
通过计算所述分生孢子器像素点的灰度值与所述预设邻域窗口中所有像素点的灰度值均值的差异,获取灰度相异程度;计算所述灰度相异程度与分生孢子器像素点的异常值分数的乘积,获取所述分生孢子器显著度。
6.根据权利要求1所述的一种果树繁育中叶片病虫害区域分析方法,其特征在于,所述获取各个轮纹区域内的轮纹病斑特征值,包括:
将每个所述轮纹区域内的所述分生孢子器像素点的所述分生孢子器显著度累加,获得所述轮纹病斑特征值。
7.根据权利要求1所述的一种果树繁育中叶片病虫害区域分析方法,其特征在于,所述炭疽病害特征指数的获取方法包括:
在所述疑似病害区域中,计算所述病害近边侵入度与各个轮纹区域内的所述轮纹病斑特征值累加和的乘积,获取炭疽病害第一特征指数,将所述炭疽病害第一特征指数进行归一化,获取炭疽病害特征指数。
8.根据权利要求1所述的一种果树繁育中叶片病虫害区域分析方法,其特征在于,所述炭疽病害侵染速度的获取方法包括:
在所述真实病害区域中,通过各轮纹区域的所述轮纹病斑特征值的差分获取各个相邻轮纹的轮纹扩散速度,将各个相邻轮纹的所述轮纹扩散速度通过指数移动平均法进行加权计算获取所述真实病害区域的炭疽病害侵染速度。
9.根据权利要求1所述的一种果树繁育中叶片病虫害区域分析方法,其特征在于,所述炭疽病害严重程度的获取方法包括:
通过计算炭疽病害特征指数和炭疽病害侵染速度的乘积,获取所述真实病害区域的所述炭疽病害严重程度。
10.根据权利要求4所述的一种果树繁育中叶片病虫害区域分析方法,其特征在于,所述预设调整比例为1.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196951.6A CN116958572B (zh) | 2023-09-18 | 2023-09-18 | 一种果树繁育中叶片病虫害区域分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196951.6A CN116958572B (zh) | 2023-09-18 | 2023-09-18 | 一种果树繁育中叶片病虫害区域分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116958572A true CN116958572A (zh) | 2023-10-27 |
CN116958572B CN116958572B (zh) | 2023-12-19 |
Family
ID=88451436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311196951.6A Active CN116958572B (zh) | 2023-09-18 | 2023-09-18 | 一种果树繁育中叶片病虫害区域分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958572B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274248A (zh) * | 2023-11-20 | 2023-12-22 | 滨州三元家纺有限公司 | 一种布料印染瑕疵缺陷视觉检测方法 |
CN117437248A (zh) * | 2023-12-19 | 2024-01-23 | 中国海洋大学 | 一种面向蓝莓品质检测的病害区域分割方法 |
CN117893541A (zh) * | 2024-03-18 | 2024-04-16 | 济南玖通志恒信息技术有限公司 | 一种基于边缘检测的果树叶部花叶病分析方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901477A (zh) * | 2010-07-27 | 2010-12-01 | 中国农业大学 | 植物叶片田间图像边缘提取方法及其系统 |
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
KR20180053003A (ko) * | 2016-11-11 | 2018-05-21 | 전북대학교산학협력단 | 딥 러닝을 이용한 작물 병충해 검출 및 진단 방법 및 장치 |
AU2020102883A4 (en) * | 2020-10-20 | 2020-12-17 | Zhengzhou Sias University | Apple disease identification method based on the histogram of layered gradient directions in logarithmic frequency domain |
CN113303156A (zh) * | 2021-05-08 | 2021-08-27 | 重庆三峡农业科学院(重庆市万州区甘宁蚕种场) | 一种柑橘轮斑病快速抗性鉴定方法 |
US20210383549A1 (en) * | 2019-06-04 | 2021-12-09 | Tencent Technology (Shenzhen) Company Limited | Image recognition method and related apparatus based on artificial intelligence |
CN115713532A (zh) * | 2023-01-06 | 2023-02-24 | 卡松科技股份有限公司 | 一种工业润滑油悬浮水污染检测方法 |
CN115830003A (zh) * | 2022-12-26 | 2023-03-21 | 信阳农林学院 | 一种茶园叶片病害的智能监测防治方法 |
US20230206626A1 (en) * | 2021-12-29 | 2023-06-29 | Chinsu Lin | Plant disease and pest control method using spectral remote sensing and artificial intelligence |
WO2023130347A1 (zh) * | 2022-01-07 | 2023-07-13 | 山东省果树研究所 | 一种提高苹果果实轮纹病抗性的制剂及方法 |
CN116630815A (zh) * | 2023-07-25 | 2023-08-22 | 济南玖通志恒信息技术有限公司 | 一种智慧农业病虫害检测方法 |
CN116740055A (zh) * | 2023-08-09 | 2023-09-12 | 苏州科尔珀恩机械科技有限公司 | 一种基于图像数据的回转炉轮带缺陷检测方法 |
-
2023
- 2023-09-18 CN CN202311196951.6A patent/CN116958572B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901477A (zh) * | 2010-07-27 | 2010-12-01 | 中国农业大学 | 植物叶片田间图像边缘提取方法及其系统 |
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
KR20180053003A (ko) * | 2016-11-11 | 2018-05-21 | 전북대학교산학협력단 | 딥 러닝을 이용한 작물 병충해 검출 및 진단 방법 및 장치 |
US20210383549A1 (en) * | 2019-06-04 | 2021-12-09 | Tencent Technology (Shenzhen) Company Limited | Image recognition method and related apparatus based on artificial intelligence |
AU2020102883A4 (en) * | 2020-10-20 | 2020-12-17 | Zhengzhou Sias University | Apple disease identification method based on the histogram of layered gradient directions in logarithmic frequency domain |
CN113303156A (zh) * | 2021-05-08 | 2021-08-27 | 重庆三峡农业科学院(重庆市万州区甘宁蚕种场) | 一种柑橘轮斑病快速抗性鉴定方法 |
US20230206626A1 (en) * | 2021-12-29 | 2023-06-29 | Chinsu Lin | Plant disease and pest control method using spectral remote sensing and artificial intelligence |
WO2023130347A1 (zh) * | 2022-01-07 | 2023-07-13 | 山东省果树研究所 | 一种提高苹果果实轮纹病抗性的制剂及方法 |
CN115830003A (zh) * | 2022-12-26 | 2023-03-21 | 信阳农林学院 | 一种茶园叶片病害的智能监测防治方法 |
CN115713532A (zh) * | 2023-01-06 | 2023-02-24 | 卡松科技股份有限公司 | 一种工业润滑油悬浮水污染检测方法 |
CN116630815A (zh) * | 2023-07-25 | 2023-08-22 | 济南玖通志恒信息技术有限公司 | 一种智慧农业病虫害检测方法 |
CN116740055A (zh) * | 2023-08-09 | 2023-09-12 | 苏州科尔珀恩机械科技有限公司 | 一种基于图像数据的回转炉轮带缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
张水发;王开义;刘忠强;杨锋;王志彬;: "基于离散余弦变换和区域生长的白粉虱图像分割算法", 农业工程学报, no. 17, pages 129 - 136 * |
王云鹏;刁智华;宋寅卯;王欢;: "棉花叶部害螨病斑形态特征提取", 郑州轻工业学院学报(自然科学版), no. 04, pages 70 - 74 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274248A (zh) * | 2023-11-20 | 2023-12-22 | 滨州三元家纺有限公司 | 一种布料印染瑕疵缺陷视觉检测方法 |
CN117274248B (zh) * | 2023-11-20 | 2024-02-02 | 滨州三元家纺有限公司 | 一种布料印染瑕疵缺陷视觉检测方法 |
CN117437248A (zh) * | 2023-12-19 | 2024-01-23 | 中国海洋大学 | 一种面向蓝莓品质检测的病害区域分割方法 |
CN117437248B (zh) * | 2023-12-19 | 2024-03-08 | 中国海洋大学 | 一种面向蓝莓品质检测的病害区域分割方法 |
CN117893541A (zh) * | 2024-03-18 | 2024-04-16 | 济南玖通志恒信息技术有限公司 | 一种基于边缘检测的果树叶部花叶病分析方法 |
CN117893541B (zh) * | 2024-03-18 | 2024-05-28 | 济南玖通志恒信息技术有限公司 | 一种基于边缘检测的果树叶部花叶病分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116958572B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116958572B (zh) | 一种果树繁育中叶片病虫害区域分析方法 | |
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
CN112101159B (zh) | 多时相林业遥感影像变化监测方法 | |
Zapotoczny et al. | Application of image analysis for the varietal classification of barley:: Morphological features | |
US10729117B2 (en) | Pest monitoring method based on machine vision | |
CN108040997B (zh) | 一种基于机器视觉的虫害监测方法 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN110082298B (zh) | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN105095907B (zh) | 一种基于rbf神经网络的棉花异质纤维鉴别方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
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 | |
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 | |
CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
CN107610122A (zh) | 一种基于Micro‑CT的单籽粒谷物内部虫害检测方法 | |
Manohar et al. | Image processing system based identification and classification of leaf disease: A case study on paddy leaf | |
CN115456960A (zh) | 一种柑橘黄龙病虫害的监测预警系统及方法 | |
Taujuddin et al. | Detection of plant disease on leaves using blobs detection and statistical analysis | |
CN105279244A (zh) | 甘蔗种芽分类特征数据库的建立方法 | |
Shajahan et al. | An improved retinal blood vessel segmentation algorithm based on multistructure elements morphology | |
CN115392311A (zh) | 基于变分模态分解的高效甘蔗茎节识别方法 | |
Di et al. | The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature | |
CN114092418A (zh) | 农田作物无人机影像的阴影检测方法 |
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 |