CN117274981B - 一种基于图像识别的辣椒病理推测方法和装置 - Google Patents
一种基于图像识别的辣椒病理推测方法和装置 Download PDFInfo
- Publication number
- CN117274981B CN117274981B CN202311226781.1A CN202311226781A CN117274981B CN 117274981 B CN117274981 B CN 117274981B CN 202311226781 A CN202311226781 A CN 202311226781A CN 117274981 B CN117274981 B CN 117274981B
- Authority
- CN
- China
- Prior art keywords
- value
- spot
- edge
- image
- tone
- 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
- 235000002566 Capsicum Nutrition 0.000 title claims abstract description 102
- 230000007170 pathology Effects 0.000 title claims abstract description 62
- 239000006002 Pepper Substances 0.000 title claims abstract description 61
- 235000016761 Piper aduncum Nutrition 0.000 title claims abstract description 61
- 235000017804 Piper guineense Nutrition 0.000 title claims abstract description 61
- 235000008184 Piper nigrum Nutrition 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 28
- 244000203593 Piper nigrum Species 0.000 title 1
- 241000722363 Piper Species 0.000 claims abstract description 64
- 239000001390 capsicum minimum Substances 0.000 claims description 37
- 201000010099 disease Diseases 0.000 claims description 37
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 37
- 238000013507 mapping Methods 0.000 claims description 19
- 238000000926 separation method Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 15
- 230000002146 bilateral effect Effects 0.000 claims description 11
- 241000700605 Viruses Species 0.000 claims description 10
- 230000001580 bacterial effect Effects 0.000 claims description 8
- 231100000915 pathological change Toxicity 0.000 claims description 7
- 230000036285 pathological change Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 241000193738 Bacillus anthracis Species 0.000 claims description 5
- 241000233866 Fungi Species 0.000 claims description 5
- 241000894006 Bacteria Species 0.000 claims description 4
- 241000233614 Phytophthora Species 0.000 claims description 4
- 241000758706 Piperaceae Species 0.000 claims description 4
- 230000003612 virological effect Effects 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 240000008574 Capsicum frutescens Species 0.000 claims 11
- 235000002568 Capsicum frutescens Nutrition 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 2
- 241000208293 Capsicum Species 0.000 description 27
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004383 yellowing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design 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
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000016776 visual perception Effects 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
- G06V20/68—Food, e.g. fruit or vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06V10/40—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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于图像识别的辣椒病理推测方法和装置,涉及辣椒病理识别检测技术领域,本发明根据辣椒的叶片图像生成第一识别图像和第二识别图像,并设定坐标将二者内部的像素点一一映射,然后通过第一识别图像内部的灰度值识别叶片的边缘部分和斑点部分,获取边缘部分和斑点部分的像素点信息,然后通过和第二识别图像进行映射,获取边缘部分和斑点部分的像素点信息的色调值,从而分析出叶片部分的色调、边缘部分的色调以及斑点的大小和色调等特征,使用灰度值图片识别叶片的边缘、斑点等形态特征,使用HSV颜色空间的图片识别边缘、斑点的色调特征,将两个维度相结合准确提取辣椒叶片的特征,推测出辣椒感染的疾病和病理。
Description
技术领域
本发明涉及辣椒病理识别检测技术领域,具体为一种基于图像识别的辣椒病理推测方法和装置。
背景技术
当辣椒植株生病时,叶片会发生一些变化,包括颜色或质地的改变,有的疾病还会导致叶片表面出现斑点,辣椒生病的不同病理对于叶片的影响不同,对于叶片的影响主要体现在叶片颜色、边缘颜色、斑点的颜色大小等,例如,当辣椒受到炭疽菌属的真菌所引起的病害即炭疽病时,叶片的斑点通常是小到中等,斑点为浅绿色,当辣椒受到细菌引起所引起的斑点病害即细菌性斑点病时,叶片边缘有较深的红褐色边缘,斑点通常是小到中等,斑点为浅绿色至黄绿色,因此通过对叶片的情况进行判断能够对于辣椒生病的病理进行推测。
传统的辣椒病理的推测一般采用专业人士进行人工推测判断,但是随着图像识别技术的发展,能够通过计算机对图像进行分析和理解,实现自动识别、分类和理解图像中的对象和特征,因此辣椒叶片的病理变化也可以通过图像识别技术来进行分析和诊断,这样可以快速处理大量的图像数据,并提供快速的结果,相比之下,人工进行推测需要耗费更多的时间和人力资源,因此采用图像识别对辣椒的病理推测能够有效地提高病理推测的效率,缩短时间。
现有技术中的,公开号为CN 116050524 A提供的一种基于图计算的辣椒病理推理方法,其通过从患病辣椒图片中获取该辣椒植株患病特征表现,包括根、茎基部、叶等部位的表现特征,构建时序辣椒病理推理模型来对辣椒病理进行推理,该方案需要收集大量的根、茎基部、叶等部位的数据来构建时序辣椒病理推理模型,而且在识别时仍旧需要根、茎基部、叶等部位的图片,在识别时需要拍摄大量的图片来进行识别推理,操作十分地麻烦,因此现有技术中不足在于,无法单纯地依靠辣椒的叶片照片对于辣椒的病理推测。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种基于图像识别的辣椒病理推测方法和装置,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于图像识别的辣椒病理推测方法,具体步骤包括:
S1:获取辣椒的叶片图像,并对辣椒的叶片图像进行图像缩放,将图像的图像尺寸统一调整为224*224大小,然后将图像复制成为相同的两组图像,一组进行灰度化处理后,获得第一识别图像,另一组将图像从RGB颜色空间转换到HSV颜色空间后,获得第二识别图像,并将第一识别图像和第二识别图像的像素点位置进行一一映射;
S2:对第一识别图像使用双边滤波器进行滤波,统计256个灰度级别中每个级别的像素点的频次构成灰度直方图,并计算直方图中各个阈值的类间方差,通过类间方差选取最佳分隔阈值,使用最佳分隔阈值对进行滤波处理后的第一识别图像进行阈值分割,识别出叶片部分和背景部分,并提取出第一识别图像的叶片部分构成第三识别图像;
S3:使用Sobel算子计算第三识别图像每个像素点的水平方向梯度值和垂直方向梯度值,并生成包括所有像素点梯度幅值数据的第一梯度幅值数据集合,并判断当前像素点的梯度幅值和相邻像素点梯度幅值之间的误差率,若是误差率小于设定的误差率阈值,则保留该像素值,否则设为0,设定并使用第一边缘梯度阈值判断第三识别图像中的边缘像素点;
S4:在生成的包括每个像素点的梯度幅值的数据的第一梯度幅值数据集合中,将已经确定的边缘像素点的梯度阈值设置为0,构成第二梯度幅值数据集合,使用第二边缘梯度阈值判断第三识别图像中的斑点边缘像素点,并标识第三识别图像中的不连通的斑点区域,并为每个区域分配一个唯一的标签;
S5:统计第三识别图像中叶片部分的像素点数目以及斑点区域的标签数目、每个斑点边缘像素点内部的像素点数目,并将第三识别图像中各个像素点的位置映射到第二识别图像中,并采集第三识别图像中各个像素点对应的色调值,计算叶片部分中除边缘像素点内部和斑点边缘像素点外部之间的像素点的平均色调值,根据每个斑点区域内部的像素点数目生成斑点像素点均值,并根据生成斑点像素点均值和叶片部分的像素点数目生成斑点大小指数,最后根据斑点边缘像素点和边缘像素点对应的色调值生成斑点色调平均指数和边缘色调平均指数;
S6:根据斑点大小指数、斑点色调平均指数、边缘色调平均指数和叶片部分的平均色调值,依据辣椒疫病、炭疽病、细菌性斑点病和辣椒花叶病毒病引起的辣椒叶片的病变情况,综合推理辣椒的病理。
进一步地,对于图像缩放后的图像的像素点进行坐标标注,最下边的像素行为第一行,最左边的像素列为第一列,第一识别图像和第二识别图像的像素点位置通过坐标进行一一映射,让每一个像素点均有唯一一个坐标值。
进一步地,计算最佳分隔阈值所依据的具体逻辑为:
遍历所有可能的阈值,根据每个阈值的数值将第一识别图像分割为背景部分和前景部分,统计背景部分和前景部分的像素点的数量,并计算背景部分和前景部分的像素点的灰度值的均值,按照下列公式计算对应阈值的类间方差:
σ(t)2=wB(t)*wF(t)*(μB(t)-μF(t))2
其中,σ(t)2表示阈值为t时的类间方差,t∈[0,255],且t∈N+,wB(t)、wF(t)分别为阈值为t时的背景部分和前景部分的像素点的数量,μB(t)、μF(t)分别为阈值为t时的背景部分和前景部分的像素点的灰度值的均值;
计算类间方差达到最大时的阈值的取值,并将该取值定义为最佳分隔阈值。
进一步地,计算每个像素点的水平方向梯度值和垂直方向梯度值时,将像素点的灰度值及其相邻像素点的灰度值与Sobel算子的水平方向梯度模板进行乘积,并将所有乘积的结果相加,得到该像素的水平方向梯度值,将像素点的灰度值及其相邻像素点的灰度值与Sobel算子的垂直方向梯度模板进行乘积,并将所有乘积的结果相加,得到该像素的水平方向梯度值,计算水平方向梯度值和垂直方向梯度值所依据的公式为:
其中,St(i,j)、Ct(i,j)分别为第i行、第j列像素点的水平方向梯度值和垂直方向梯度值,Xh(i,j)为第i行、第j列像素点的灰度值,
生成像素点的梯度幅值所依据的公式为:
其中,Gt(i,j)为第i行、第j列像素点的梯度幅值。
进一步地,生成当前像素点的梯度幅值和相邻像素点梯度幅值之间的误差率所依据的公式为:
其中,Gt(p,q)为第p行、第q列像素点的梯度幅值,E[(i,j)、(p,q)]为当前像素点第i行、第j列的像素点的梯度幅值和相邻像素点第p行、第q列像素点之间的误差率;
当E[(i,j)、(p,q)]≤δ时,保留当前像素点的梯度幅值,即第i行、第j列的像素点的梯度幅值;
当[(i,j)、(p,q)]>δ时,将当前像素点的梯度幅值置为0,即第i行、第j列的像素点的梯度幅值置为0;
其中,δ为误差率阈值,误差率阈值的取值范围为5%~15%。
进一步地,使用第一边缘梯度阈值判断像素点是否属于边缘像素点时,设定第一边缘梯度阈值,若Gt(i,j)≥εb,则判断第i行、第j列的像素点属于第三识别图像中的边缘像素点,否则判断不属于第三识别图像中的边缘像素点;
使用第二边缘梯度阈值判断像素点是否属于斑点边缘像素点时,设定第二边缘梯度阈值,若Gt(m,n)≥εd,则判断第m行、第n列的像素点属于第三识别图像中的斑点边缘像素点,否则判断不属于第三识别图像中的斑点边缘像素点,εb为预设的第一边缘梯度阈值,εd为预设的第二边缘梯度阈值,且εd=α*εb,其中α为斑点梯度权重,0.05≤α≤0.35,Gt(i,j)为第i行、第j列像素点的梯度幅值。
进一步地,计算叶片部分的平均色调值所采用的方法为确定边缘像素点内部和斑点边缘像素点外部的像素点数目,以及各个像素点的色调值,将边缘像素点内部和斑点边缘像素点外部之间的像素点的色调值进行求和后,除以像素点数目即可得到平均色调值;
生成斑点大小指数的方法为首先采集所有斑点边缘像素点内部的像素点数目,然后除以斑点区域的标签数目即可得到斑点像素点均值,然后除以叶片部分的总的像素点数目即可得到斑点大小指数,生成斑点色调平均指数的方法为采集斑点边缘像素点的数目和各个像素点的色调值,将斑点边缘像素点的色调值之和除以像素点的数目即可得到斑点色调平均指数,生成边缘色调平均指数的方法为采集边缘像素点的数目和各个像素点的色调值,将边缘像素点的色调值之和除以像素点的数目即可得到边缘色调平均指数。
进一步地,根据斑点大小指数、斑点色调平均指数、边缘色调平均指数和叶片部分的平均色调值推理辣椒的病理所依据的具体逻辑为:
当平均色调值的数值在75≤PS≤125之间,斑点大小指数的数值满足40%≤Bdx,斑点色调平均指数的数值在25≤Bp≤65之间时,判断辣椒的病理为受到疫霉菌所引起的病害;
当平均色调值的数值在90≤PS≤150之间,斑点大小指数的数值满足15%≤Bdx<40%,斑点色调平均指数的数值在85≤Bp≤110之间时,判断辣椒的病理为受到炭疽菌属的真菌所引起的病害;
当边缘色调平均指数的数值在15≤BS≤45之间,平均色调值的数值在90≤PS≤150之间,斑点大小指数的数值满足15%≤Bdx<40%,斑点色调平均指数的数值在75≤Bp≤120之间时,判断辣椒的病理为受到细菌引起所引起的斑点病害;
当平均色调值的数值在75≤PS≤125之间,斑点大小指数的数值满足50%≤Bdx,斑点色调平均指数的数值在65≤Bs≤110之间时,判断辣椒的病理为受到辣椒花叶病毒引起的病毒性病害;
其中,PS为叶片部分的平均色调值,Bdx为斑点大小指数,Bp为斑点色调平均指数,BS为边缘色调平均指数。
本发明另外还提供一种基于图像识别的辣椒病理推测装置,所述装置用于实现上述的辣椒病理推测方法,包括:
图像预处理模块,用于获取辣椒的叶片图像,并对辣椒的叶片图像进行图像缩放,将图像的图像尺寸统一调整为224*224大小,然后将图像复制成为相同的两组图像,一组进行灰度化处理后,获得第一识别图像,另一组将图像从RGB颜色空间转换到HSV颜色空间后,获得第二识别图像,并将第一识别图像和第二识别图像的像素点位置进行一一映射;
图像分割模块,用于对第一识别图像使用双边滤波器进行滤波,统计256个灰度级别中每个级别的像素点的频次构成灰度直方图,并计算直方图中各个阈值的类间方差,通过类间方差选取最佳分隔阈值,使用最佳分隔阈值对进行滤波处理后的第一识别图像进行阈值分割,识别出叶片部分和背景部分,并提取出第一识别图像的叶片部分构成第三识别图像;
边缘识别模块,用于使用Sobel算子计算第三识别图像每个像素点的水平方向梯度值和垂直方向梯度值,并生成包括所有像素点梯度幅值数据的第一梯度幅值数据集合,并判断当前像素点的梯度幅值和相邻像素点梯度幅值之间的误差率,若是误差率小于设定的误差率阈值,则保留该像素值,否则设为0,设定并使用第一边缘梯度阈值判断第三识别图像中的边缘像素点;
斑点识别模块,用于在生成的包括每个像素点的梯度幅值的数据的第一梯度幅值数据集合中,将已经确定的边缘像素点的梯度阈值设置为0,构成第二梯度幅值数据集合,使用第二边缘梯度阈值判断第三识别图像中的斑点边缘像素点,并标识第三识别图像中的不连通的斑点区域,并为每个区域分配一个唯一的标签;
色调映射采集模块,用于统计第三识别图像中叶片部分的像素点数目以及斑点区域的标签数目、每个斑点边缘像素点内部的像素点数目,并将第三识别图像中各个像素点的位置映射到第二识别图像中,并采集第三识别图像中各个像素点对应的色调值,计算叶片部分中除边缘像素点内部和斑点边缘像素点外部之间的像素点的平均色调值,根据每个斑点区域内部的像素点数目生成斑点像素点均值,并根据生成斑点像素点均值和叶片部分的像素点数目生成斑点大小指数,最后根据斑点边缘像素点和边缘像素点对应的色调值生成斑点色调平均指数和边缘色调平均指数;
病理推测模块,用于根据斑点大小指数、斑点色调平均指数、边缘色调平均指数和叶片部分的平均色调值,依据辣椒疫病、炭疽病、细菌性斑点病和辣椒花叶病毒病引起的辣椒叶片的病变情况,综合推理辣椒的病理。
与现有技术相比,本发明的有益效果是:
本发明根据辣椒的叶片图像内部的特征对于辣椒的病理进行推测,首先生成第一识别图像和第二识别图像,并设定坐标将二者内部的像素点一一映射,然后通过第一识别图像内部的灰度值识别叶片的边缘部分和斑点部分,获取边缘部分和斑点部分的像素点信息,然后通过和第二识别图像进行映射,获取边缘部分和斑点部分的像素点信息的色调值,从而分析出叶片部分的色调、边缘部分的色调以及斑点的大小和色调等特征,通过这些特征能够准确地推测出辣椒感染的疾病和病理;
本发明首次采用灰度值图片和HSV颜色空间的图片相互映射的方法,针对辣椒染病时叶片的边缘色调会发生变化和生出斑点的特定,通过两张图片映射的方式进行结合,使用灰度值图片识别叶片的边缘、斑点等形态特征,使用HSV颜色空间的图片识别边缘、斑点的色调特征,将两个维度相结合准确提取辣椒叶片的特征,并结合不同疾病造成辣椒叶的特征不同的特点,推测出辣椒感染的疾病和病理,只需要辣椒的叶片即可推测病理,不需要额外的操作。
附图说明
图1为本发明整体方法流程示意图;
图2为本发明中第一识别图像的灰度值图像;
图3为本发明中第二识别图像的HSV图像;
图4为本发明中的第二识别图像在HSV颜色空间内色调、饱和度和亮度示意图;
图5为本发明中的第一识别图像进行阈值分割后的图像;
图6为本发明中的边缘像素点和斑点边缘像素点的像素示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”“下”“左”“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例:
请参阅图1-6,本发明提供一种技术方案:
一种基于图像识别的辣椒病理推测方法,具体步骤包括:
获取辣椒的叶片图像,并对辣椒的叶片图像进行图像缩放,将图像的图像尺寸统一调整为224*224大小,然后将图像复制成为相同的两组图像,一组进行灰度化处理后,获得第一识别图像,另一组将图像从RGB颜色空间转换到HSV颜色空间后,获得第二识别图像,并将第一识别图像和第二识别图像的像素点位置进行一一映射。
本实施例中,将叶片图像尺寸调整为224*224的大小意味着将图像的宽度和高度调整为相同的固定尺寸,即224像素,将图像调整为相同大小,可以确保每个图像采用本方法进行推测识别时具有相同的尺寸,简化了进行推测的处理过程,图像的尺寸调整可能会引入一定的失真或信息损失,将图像调整为常见的224*224尺寸,可以避免过大的失真,并保留图像中的重要特征,对于图像缩放后的图像的像素点进行坐标标注,最下边的像素行为第一行,最左边的像素列为第一列,第一识别图像和第二识别图像的像素点位置通过坐标进行一一映射,让每一个像素点均有唯一一个坐标值。
本实施例中,获取辣椒的叶片图像为彩色图像,由于本实施例后续需要对第一识别图像进行阈值分割等操作,需要使用到灰度值和二值图,因此需要对叶片图像进行灰度化处理获得第一识别图像,为了让第一识别图像更加接近于人眼的视觉感知,本实施例采用的灰度化处理方法所依据的具体公式为:
Y=0.298*R+0.587*G+0.114*B
其中,Y是像素在第一识别图像中的灰度值,R、G、B分别为图像缩放后的叶片图像的像素红分量值、绿分量值和蓝分量值。
本实施例中,HSV是一种常见的颜色模型,它代表色彩的三个属性:色调(H)、饱和度(S)和亮度(V),色调表示颜色的基本属性,HSV颜色空间中,色调的取值范围是0到360度,从红色开始,按顺时针方向编码其他颜色,饱和度表示颜色的纯度或深浅程度,较高的饱和度表示颜色更鲜艳,而较低的饱和度则表示颜色更灰暗,在HSV颜色空间中,饱和度的取值范围是0%到100%,其中0%表示灰度图像,而100%表示完全饱和的颜色,亮度表示颜色的明暗程度,较高的亮度值表示颜色较亮,较低的亮度值表示颜色较暗,在HSV颜色空间中,亮度的取值范围是0%到100%,其中0%表示黑色,100%表示白色,HSV颜色模型相比于常见的RGB颜色模型,更贴近人类对颜色的感知,它更容易理解和使用。
对第一识别图像使用双边滤波器进行滤波,统计256个灰度级别中每个级别的像素点的频次构成灰度直方图,并计算直方图中各个阈值的类间方差,通过类间方差选取最佳分隔阈值,使用最佳分隔阈值对进行滤波处理后的第一识别图像进行阈值分割,识别出叶片部分和背景部分,并提取出第一识别图像的叶片部分构成第三识别图像。
本实施例中,由于第一识别图像中的像素点和第二识别图片中的像素点的位置一一映射,因此第三识别图像和第二识别图像的像素点位置也存在一一映射的关系,使用双边滤波器对于第一识别图像进行滤波,使用双边滤波器时,对于当前像素点,计算该像素与周围第一识别图像的像素点的空间权重和像素值权重,空间权重根据高斯函数计算像素之间的距离计算,距离较近的像素具有较高的权重,像素值权重根据高斯函数计算像素之间的相似性计算,像素值相似的像素具有较高的权重,将空间权重和像素值权重相乘得到最终的像素权重,将该像素与邻域像素根据权重进行加权平均,得到滤波后的像素值,遍历第一识别图像,每一个位置的像素点完成滤波,其中像素之间的相似性计算为像素点灰度值的差值。
双边滤波器在降噪时不仅要考虑像素点之间的空间距离关系,还要考虑像素点之间像素值的相似性,结合这两者一起来考虑,使得通过双边滤波降噪处理后的第一识别图像可保持原始图像的大体分块进而保持边缘,因此,双边滤波器在滤波降噪的时候既能够降噪还能够将模糊的第一识别图像边缘保持清晰平滑。
本实施例中,计算最佳分隔阈值所依据的具体逻辑为:
遍历所有可能的阈值,根据每个阈值的数值将第一识别图像分割为背景部分和前景部分,统计背景部分和前景部分的像素点的数量,并计算背景部分和前景部分的像素点的灰度值的均值,按照下列公式计算对应阈值的类间方差:
σ(t)2=wB(t)*wF(t)*(μB(t)-μF(t))2
其中,σ(t)2表示阈值为t时的类间方差,t∈[0,255],且t∈N+,wB(t)、wF(t)分别为阈值为t时的背景部分和前景部分的像素点的数量,μB(t)、μF(t)分别为阈值为t时的背景部分和前景部分的像素点的灰度值的均值;
计算类间方差达到最大时的阈值的取值,并将该取值定义为最佳分隔阈值。
在分割为背景部分和前景部分时,像素点的灰度值小于等于t则判断该像素点属于背景部分,大于t则判断该像素点属于前景部分,前景部分即为本实施例中的叶片部分。
使用Sobel算子计算第三识别图像每个像素点的水平方向梯度值和垂直方向梯度值,并生成包括所有像素点梯度幅值数据的第一梯度幅值数据集合,并判断当前像素点的梯度幅值和相邻像素点梯度幅值之间的误差率,若是误差率小于设定的误差率阈值,则保留该像素值,否则设为0,设定并使用第一边缘梯度阈值判断第三识别图像中的边缘像素点。
本实施例中,计算每个像素点的水平方向梯度值和垂直方向梯度值时,将像素点的灰度值及其相邻像素点的灰度值与Sobel算子的水平方向梯度模板进行乘积,并将所有乘积的结果相加,得到该像素的水平方向梯度值,将像素点的灰度值及其相邻像素点的灰度值与Sobel算子的垂直方向梯度模板进行乘积,并将所有乘积的结果相加,得到该像素的水平方向梯度值,计算水平方向梯度值和垂直方向梯度值所依据的公式为:
其中,St(i,j)、Ct(i,j)分别为第i行、第j列像素点的水平方向梯度值和垂直方向梯度值,Xh(i,j)为第i行、第j列像素点的灰度值,
生成像素点的梯度幅值所依据的公式为:
其中,Gt(i,j)为第i行、第j列像素点的梯度幅值。
本实施例中,第三识别图像的图像尺寸仍旧为224*224大小,由于本实施例中仅提取出第一识别图像的叶片部分构成第三识别图像,因此第三识别图像将背景部分的像素点全部替换为灰度值为0的像素点。
梯度幅值描述了第三识别图像中灰度值的变化速度和方向,由于叶片部分的边缘外侧的灰度值为0,因此边缘处存在较大的灰度变化,边缘表示一个区域内像素灰度值的突然变化或者较大的斜率,当存在一个边缘时,像素的灰度值会在边缘处发生明显的变化。
本实施例中,当前像素点的相邻像素点为包围当前像素点周围的八个像素点,生成当前像素点的梯度幅值和相邻像素点梯度幅值之间的误差率所依据的公式为:
其中,Gt(p,q)为第p行、第q列像素点的梯度幅值,E[(i,j)、(p,q)]为当前像素点第i行、第j列的像素点的梯度幅值和相邻像素点第p行、第q列像素点之间的误差率;
当E[(i,j)、(p,q)]≤δ时,保留当前像素点的梯度幅值,即第i行、第j列的像素点的梯度幅值;
当[(i,j)、(p,q)]>δ时,将当前像素点的梯度幅值置为0,即第i行、第j列的像素点的梯度幅值置为0。
其中,δ为误差率阈值,误差率阈值的取值范围为5%~15%。
由于辣椒出现病理情况时,有的疾病会导致辣椒叶片的边缘部分出现变黄等情况,因此本实施例通过当前像素点的梯度幅值和相邻像素点梯度幅值之间的误差率并结合误差率阈值来提取出叶片边缘具有一定宽度的边缘带,从而方便后期病理的推测,由于像素的灰度值会在边缘处发生明显的变化,并且梯度幅值较大,因此叶片边缘外侧的像素点即背景部分灰度值为0的像素点和边缘的像素点的梯度幅值之间的误差较大,因此边缘带内的像素点为叶片的边缘向内侧拓展的像素点,因此,边缘带内的像素点的位置均是在叶片部分内部。
本实施例中,第一梯度幅值数据集合中不仅会包含叶片的边缘部分的梯度数据,由于辣椒叶片在生病时,会产生暗褐色和黄色的病斑,因此第一梯度幅值数据集合中还会包括斑点部分的梯度幅值数据,但是和边缘部分相比,病斑的像素灰度值的变化率即梯度幅值数据小于边缘部分的梯度幅值数据,使用第一边缘梯度阈值判断像素点是否属于边缘像素点时,设定第一边缘梯度阈值,若Gt(i,j)≥εb,则判断第i行、第j列的像素点属于第三识别图像中的边缘像素点,否则判断不属于第三识别图像中的边缘像素点,εb为预设的第一边缘梯度阈值,根据图像的特点来确定,通过合理设置第一边缘梯度阈值,使其大于病斑部分的梯度幅值数据,能够剔除病斑部分的影响。
在生成的包括每个像素点的梯度幅值的数据的第一梯度幅值数据集合中,将已经确定的边缘像素点的梯度阈值设置为0,构成第二梯度幅值数据集合,使用第二边缘梯度阈值判断第三识别图像中的斑点边缘像素点,并标识第三识别图像中的不连通的斑点区域,并为每个区域分配一个唯一的标签;
使用第二边缘梯度阈值判断像素点是否属于斑点边缘像素点时,设定第二边缘梯度阈值,若Gt(m,n)≥εd,则判断第m行、第n列的像素点属于第三识别图像中的斑点边缘像素点,否则判断不属于第三识别图像中的斑点边缘像素点,εd为预设的第二边缘梯度阈值,且εd=α*εb,其中α为斑点梯度权重,0.05≤α≤0.35。
通过将已经确定的边缘像素点的梯度阈值设置为0,能够在第二梯度幅值数据集合中去除叶片边缘的像素点的影响,让识别斑点边缘像素点更加的精准,由于叶片上的斑点一般不会有一个,且各个斑点的像素点不连通,因此使用连通组件标记技术进行标记,并分配标签,便于后期的统计。
统计第三识别图像中叶片部分的像素点数目以及斑点区域的标签数目、每个斑点边缘像素点内部的像素点数目,并将第三识别图像中各个像素点的位置映射到第二识别图像中,并采集第三识别图像中各个像素点对应的色调值,计算叶片部分中除边缘像素点内部和斑点边缘像素点外部之间的像素点的平均色调值,根据每个斑点区域内部的像素点数目生成斑点像素点均值,并根据生成斑点像素点均值和叶片部分的像素点数目生成斑点大小指数,最后根据斑点边缘像素点和边缘像素点对应的色调值生成斑点色调平均指数和边缘色调平均指数。
本实施例中,通过像素点的坐标位置将第三识别图像中各个像素点和第二识别图像中的像素点仅仅一一映射对应,由于第二识别图像基于HSV颜色空间后,因此通过采集第二识别图像内部的像素点的色调值,即可知晓第三识别图像中的叶片部分的像素点的色调值。
进一步地,计算叶片部分的平均色调值所采用的方法为确定边缘像素点内部和斑点边缘像素点外部的像素点数目,以及各个像素点的色调值,将边缘像素点内部和斑点边缘像素点外部之间的像素点的色调值进行求和后,除以像素点数目即可得到平均色调值。
生成斑点大小指数的方法为首先采集所有斑点边缘像素点内部的像素点数目,然后除以斑点区域的标签数目即可得到斑点像素点均值,然后除以叶片部分的总的像素点数目即可得到斑点大小指数,生成斑点色调平均指数的方法为采集斑点边缘像素点的数目和各个像素点的色调值,将斑点边缘像素点的色调值之和除以像素点的数目即可得到斑点色调平均指数,生成边缘色调平均指数的方法为采集边缘像素点的数目和各个像素点的色调值,将边缘像素点的色调值之和除以像素点的数目即可得到边缘色调平均指数。
根据斑点大小指数、斑点色调平均指数、边缘色调平均指数和叶片部分的平均色调值,依据辣椒疫病、炭疽病、细菌性斑点病和辣椒花叶病毒病引起的辣椒叶片的病变情况,综合推理辣椒的病理。
根据斑点大小指数、斑点色调平均指数、边缘色调平均指数和叶片部分的平均色调值推理辣椒的病理所依据的具体逻辑为:
当平均色调值的数值在75≤PS≤125之间,斑点大小指数的数值满足40%≤Bdx,斑点色调平均指数的数值在25≤Bp≤65之间时,判断辣椒的病理为受到疫霉菌所引起的病害;
当平均色调值的数值在90≤PS≤150之间,斑点大小指数的数值满足15%≤Bdx<40%,斑点色调平均指数的数值在85≤Bp≤110之间时,判断辣椒的病理为受到炭疽菌属的真菌所引起的病害;
当边缘色调平均指数的数值在15≤BS≤45之间,平均色调值的数值在90≤PS≤150之间,斑点大小指数的数值满足15%≤Bdx<40%,斑点色调平均指数的数值在75≤Bp≤120之间时,判断辣椒的病理为受到细菌引起所引起的斑点病害;
当平均色调值的数值在75≤PS≤125之间,斑点大小指数的数值满足50%≤Bdx,斑点色调平均指数的数值在65≤Bs≤110之间时,判断辣椒的病理为受到辣椒花叶病毒引起的病毒性病害。
其中,PS为叶片部分的平均色调值,Bdx为斑点大小指数,Bp为斑点色调平均指数,BS为边缘色调平均指数。
本实施例中,当辣椒受到疫霉菌所引起的病害即疫病时,叶片出现黄化,因此平均色调值的数值在75≤PS≤125之间,斑点通常是比较大的,可能覆盖整个叶片,因此斑点大小指数的数值Bdx≥40%,斑点呈暗褐色,因此斑点色调平均指数在25≤Bdx≤65之间。
当辣椒受到炭疽菌属的真菌所引起的病害即炭疽病时,叶片为绿色,因此平均色调值的数值在90≤Ps≤150之间,斑点通常是小到中等,因此斑点大小指数的数值满足15%≤Bdx<40%,斑点为浅绿色,因此斑点色调平均指数的数值在85≤Bdx≤110之间;
当辣椒受到细菌引起所引起的斑点病害即细菌性斑点病时,叶片边缘有较深的红褐色边缘,因此边缘色调平均指数的数值在15≤BS≤45之间,叶片为绿色,因此平均色调值的数值在90≤PS≤150之间,斑点通常是小到中等,因此斑点大小指数的数值满足15%≤Bdx<40%,斑点为浅绿色至黄绿色,因此斑点色调平均指数的数值在75≤Bdx≤120之间;
当辣椒受到辣椒花叶病毒引起的病毒性病害时,叶片出现黄化,因此平均色调值的数值在75≤PS≤125之间,叶片上出现大型黄化斑点,有时候整片叶片都可能呈现黄化,因此斑点大小指数的数值满足50%≤Bdx,斑点色调平均指数的数值在65≤Bdx≤110之间。
本发明另外还提供一种基于图像识别的辣椒病理推测装置,所述装置用于实现上述的辣椒病理推测方法,包括:
图像预处理模块,用于获取辣椒的叶片图像,并对辣椒的叶片图像进行图像缩放,将图像的图像尺寸统一调整为224*224大小,然后将图像复制成为相同的两组图像,一组进行灰度化处理后,获得第一识别图像,另一组将图像从RGB颜色空间转换到HSV颜色空间后,获得第二识别图像,并将第一识别图像和第二识别图像的像素点位置进行一一映射;
图像分割模块,用于对第一识别图像使用双边滤波器进行滤波,统计256个灰度级别中每个级别的像素点的频次构成灰度直方图,并计算直方图中各个阈值的类间方差,通过类间方差选取最佳分隔阈值,使用最佳分隔阈值对进行滤波处理后的第一识别图像进行阈值分割,识别出叶片部分和背景部分,并提取出第一识别图像的叶片部分构成第三识别图像;
边缘识别模块,用于使用Sobel算子计算第三识别图像每个像素点的水平方向梯度值和垂直方向梯度值,并生成包括所有像素点梯度幅值数据的第一梯度幅值数据集合,并判断当前像素点的梯度幅值和相邻像素点梯度幅值之间的误差率,若是误差率小于设定的误差率阈值,则保留该像素值,否则设为0,设定并使用第一边缘梯度阈值判断第三识别图像中的边缘像素点;
斑点识别模块,用于在生成的包括每个像素点的梯度幅值的数据的第一梯度幅值数据集合中,将已经确定的边缘像素点的梯度阈值设置为0,构成第二梯度幅值数据集合,使用第二边缘梯度阈值判断第三识别图像中的斑点边缘像素点,并标识第三识别图像中的不连通的斑点区域,并为每个区域分配一个唯一的标签;
色调映射采集模块,用于统计第三识别图像中叶片部分的像素点数目以及斑点区域的标签数目、每个斑点边缘像素点内部的像素点数目,并将第三识别图像中各个像素点的位置映射到第二识别图像中,并采集第三识别图像中各个像素点对应的色调值,计算叶片部分中除边缘像素点内部和斑点边缘像素点外部之间的像素点的平均色调值,根据每个斑点区域内部的像素点数目生成斑点像素点均值,并根据生成斑点像素点均值和叶片部分的像素点数目生成斑点大小指数,最后根据斑点边缘像素点和边缘像素点对应的色调值生成斑点色调平均指数和边缘色调平均指数;
病理推测模块,用于根据斑点大小指数、斑点色调平均指数、边缘色调平均指数和叶片部分的平均色调值,依据辣椒疫病、炭疽病、细菌性斑点病和辣椒花叶病毒病引起的辣椒叶片的病变情况,综合推理辣椒的病理。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种基于图像识别的辣椒病理推测方法,其特征在于,具体步骤包括:
S1:获取辣椒的叶片图像,并对辣椒的叶片图像进行图像缩放,将图像的图像尺寸统一调整为224*224大小,然后将图像复制成为相同的两组图像,一组进行灰度化处理后,获得第一识别图像,另一组将图像从RGB颜色空间转换到HSV颜色空间后,获得第二识别图像,并将第一识别图像和第二识别图像的像素点位置进行一一映射;
S2:对第一识别图像使用双边滤波器进行滤波,统计256个灰度级别中每个级别的像素点的频次构成灰度直方图,并计算直方图中各个阈值的类间方差,通过类间方差选取最佳分隔阈值,使用最佳分隔阈值对进行滤波处理后的第一识别图像进行阈值分割,识别出叶片部分和背景部分,并提取出第一识别图像的叶片部分构成第三识别图像;
S3:使用Sobel算子计算第三识别图像每个像素点的水平方向梯度值和垂直方向梯度值,并生成包括所有像素点梯度幅值数据的第一梯度幅值数据集合,并判断当前像素点的梯度幅值和相邻像素点梯度幅值之间的误差率,若是误差率小于设定的误差率阈值,则保留该像素值,否则设为0,设定并使用第一边缘梯度阈值判断第三识别图像中的边缘像素点;
S4:在生成的包括每个像素点的梯度幅值的数据的第一梯度幅值数据集合中,将已经确定的边缘像素点的梯度阈值设置为0,构成第二梯度幅值数据集合,使用第二边缘梯度阈值判断第三识别图像中的斑点边缘像素点,并标识第三识别图像中的不连通的斑点区域,并为每个区域分配一个唯一的标签;
S5:统计第三识别图像中叶片部分的像素点数目以及斑点区域的标签数目、每个斑点边缘像素点内部的像素点数目,并将第三识别图像中各个像素点的位置映射到第二识别图像中,并采集第三识别图像中各个像素点对应的色调值,计算叶片部分中除边缘像素点内部和斑点边缘像素点外部之间的像素点的平均色调值,根据每个斑点区域内部的像素点数目生成斑点像素点均值,并根据生成斑点像素点均值和叶片部分的像素点数目生成斑点大小指数,最后根据斑点边缘像素点和边缘像素点对应的色调值生成斑点色调平均指数和边缘色调平均指数;
S6:根据斑点大小指数、斑点色调平均指数、边缘色调平均指数和叶片部分的平均色调值,依据辣椒疫病、炭疽病、细菌性斑点病和辣椒花叶病毒病引起的辣椒叶片的病变情况,综合推理辣椒的病理。
2.根据权利要求1所述的一种基于图像识别的辣椒病理推测方法,其特征在于:对于图像缩放后的图像的像素点进行坐标标注,最下边的像素行为第一行,最左边的像素列为第一列,第一识别图像和第二识别图像的像素点位置通过坐标进行一一映射,让每一个像素点均有唯一一个坐标值。
3.根据权利要求2所述的一种基于图像识别的辣椒病理推测方法,其特征在于:计算最佳分隔阈值所依据的具体逻辑为:
遍历所有可能的阈值,根据每个阈值的数值将第一识别图像分割为背景部分和前景部分,统计背景部分和前景部分的像素点的数量,并计算背景部分和前景部分的像素点的灰度值的均值,按照下列公式计算对应阈值的类间方差:
σ(t)2=wB(t)*wF(t)*(μB(t)-μF(t))2
其中,σ(t)2表示阈值为t时的类间方差,t∈[0,255],且t∈N+,wB(t)、wF(t)分别为阈值为t时的背景部分和前景部分的像素点的数量,μB(t)、μF(t)分别为阈值为t时的背景部分和前景部分的像素点的灰度值的均值;
计算类间方差达到最大时的阈值的取值,并将该取值定义为最佳分隔阈值。
4.根据权利要求1所述的一种基于图像识别的辣椒病理推测方法,其特征在于:计算每个像素点的水平方向梯度值和垂直方向梯度值时,将像素点的灰度值及其相邻像素点的灰度值与Sobel算子的水平方向梯度模板进行乘积,并将所有乘积的结果相加,得到该像素的水平方向梯度值,将像素点的灰度值及其相邻像素点的灰度值与Sobel算子的垂直方向梯度模板进行乘积,并将所有乘积的结果相加,得到该像素的水平方向梯度值,计算水平方向梯度值和垂直方向梯度值所依据的公式为:
其中,St(i,j)、Ct(i,j)分别为第i行、第j列像素点的水平方向梯度值和垂直方向梯度值,Xh(i,j)为第i行、第j列像素点的灰度值,
生成像素点的梯度幅值所依据的公式为:
其中,Gt(i,j)为第i行、第j列像素点的梯度幅值。
5.根据权利要求4所述的一种基于图像识别的辣椒病理推测方法,其特征在于:生成当前像素点的梯度幅值和相邻像素点梯度幅值之间的误差率所依据的公式为:
其中,Gt(p,q)为第p行、第q列像素点的梯度幅值,E[(i,j)、(p,q)]为当前像素点第i行、第j列的像素点的梯度幅值和相邻像素点第p行、第q列像素点之间的误差率;
当E[(i,j)、(p,q)]≤δ时,保留当前像素点的梯度幅值,即第i行、第j列的像素点的梯度幅值;
当[(i,j)、(p,q)]>δ时,将当前像素点的梯度幅值置为0,即第i行、第j列的像素点的梯度幅值置为0;
其中,δ为误差率阈值,误差率阈值的取值范围为5%~15%。
6.根据权利要求1所述的一种基于图像识别的辣椒病理推测方法,其特征在于:使用第一边缘梯度阈值判断像素点是否属于边像素点时,设定第一边缘梯度阈值,若Gt(i,j)≥εb,则判断第i行、第j列的像素点属于第三识别图像中的边缘像素点,否则判断不属于第三识别图像中的边缘像素点;
使用第二边缘梯度阈值判断像素点是否属于斑点边缘像素点时,设定第二边缘梯度阈值,若Gt(m,n)≥εd,则判断第m行、第n列的像素点属于第三识别图像中的斑点边缘像素点,否则判断不属于第三识别图像中的斑点边缘像素点,εb为预设的第一边缘梯度阈值,εd为预设的第二边缘梯度阈值,且εd=α*εb,其中α为斑点梯度权重,0.05≤α≤0.35,Gt(i,j)为第i行、第j列像素点的梯度幅值。
7.根据权利要求1所述的一种基于图像识别的辣椒病理推测方法,其特征在于:计算叶片部分的平均色调值所采用的方法为确定边缘像素点内部和斑点边缘像素点外部的像素点数目,以及各个像素点的色调值,将边缘像素点内部和斑点边缘像素点外部之间的像素点的色调值进行求和后,除以像素点数目即可得到平均色调值;
生成斑点大小指数的方法为首先采集所有斑点边缘像素点内部的像素点数目,然后除以斑点区域的标签数目即可得到斑点像素点均值,然后除以叶片部分的总的像素点数目即可得到斑点大小指数,生成斑点色调平均指数的方法为采集斑点边缘像素点的数目和各个像素点的色调值,将斑点边缘像素点的色调值之和除以像素点的数目即可得到斑点色调平均指数,生成边缘色调平均指数的方法为采集边缘像素点的数目和各个像素点的色调值,将边缘像素点的色调值之和除以像素点的数目即可得到边缘色调平均指数。
8.根据权利要求1所述的一种基于图像识别的辣椒病理推测方法,其特征在于:根据斑点大小指数、斑点色调平均指数、边缘色调平均指数和叶片部分的平均色调值推理辣椒的病理所依据的具体逻辑为:
当平均色调值的数值在75≤PS≤125之间,斑点大小指数的数值满足40%≤Bdx,斑点色调平均指数的数值在25≤Bp≤65之间时,判断辣椒的病理为受到疫霉菌所引起的病害;
当平均色调值的数值在90≤PS≤150之间,斑点大小指数的数值满足15%≤Bdx<40%,斑点色调平均指数的数值在85≤Bp≤110之间时,判断辣椒的病理为受到炭疽菌属的真菌所引起的病害;
当边缘色调平均指数的数值在15≤BS≤45之间,平均色调值的数值在90≤PS≤150之间,斑点大小指数的数值满足15%≤Bdx<40%,斑点色调平均指数的数值在75≤Bp≤120之间时,判断辣椒的病理为受到细菌引起所引起的斑点病害;
当平均色调值的数值在75≤PS≤125之间,斑点大小指数的数值满足50%≤Bdx,斑点色调平均指数的数值在65≤Bs≤110之间时,判断辣椒的病理为受到辣椒花叶病毒引起的病毒性病害;
其中,PS为叶片部分的平均色调值,Bdx为斑点大小指数,Bp为斑点色调平均指数,BS为边缘色调平均指数。
9.一种基于图像识别的辣椒病理推测装置,其特征在于:所述装置用于实现权利要求1-8任一项所述的辣椒病理推测方法,包括:
图像预处理模块,用于获取辣椒的叶片图像,并对辣椒的叶片图像进行图像缩放,将图像的图像尺寸统一调整为224*224大小,然后将图像复制成为相同的两组图像,一组进行灰度化处理后,获得第一识别图像,另一组将图像从RGB颜色空间转换到HSV颜色空间后,获得第二识别图像,并将第一识别图像和第二识别图像的像素点位置进行一一映射;
图像分割模块,用于对第一识别图像使用双边滤波器进行滤波,统计256个灰度级别中每个级别的像素点的频次构成灰度直方图,并计算直方图中各个阈值的类间方差,通过类间方差选取最佳分隔阈值,使用最佳分隔阈值对进行滤波处理后的第一识别图像进行阈值分割,识别出叶片部分和背景部分,并提取出第一识别图像的叶片部分构成第三识别图像;
边缘识别模块,用于使用Sobel算子计算第三识别图像每个像素点的水平方向梯度值和垂直方向梯度值,并生成包括所有像素点梯度幅值数据的第一梯度幅值数据集合,并判断当前像素点的梯度幅值和相邻像素点梯度幅值之间的误差率,若是误差率小于设定的误差率阈值,则保留该像素值,否则设为0,设定并使用第一边缘梯度阈值判断第三识别图像中的边缘像素点;
斑点识别模块,用于在生成的包括每个像素点的梯度幅值的数据的第一梯度幅值数据集合中,将已经确定的边缘像素点的梯度阈值设置为0,构成第二梯度幅值数据集合,使用第二边缘梯度阈值判断第三识别图像中的斑点边缘像素点,并标识第三识别图像中的不连通的斑点区域,并为每个区域分配一个唯一的标签;
色调映射采集模块,用于统计第三识别图像中叶片部分的像素点数目以及斑点区域的标签数目、每个斑点边缘像素点内部的像素点数目,并将第三识别图像中各个像素点的位置映射到第二识别图像中,并采集第三识别图像中各个像素点对应的色调值,计算叶片部分中除边缘像素点内部和斑点边缘像素点外部之间的像素点的平均色调值,根据每个斑点区域内部的像素点数目生成斑点像素点均值,并根据生成斑点像素点均值和叶片部分的像素点数目生成斑点大小指数,最后根据斑点边缘像素点和边缘像素点对应的色调值生成斑点色调平均指数和边缘色调平均指数;
病理推测模块,用于根据斑点大小指数、斑点色调平均指数、边缘色调平均指数和叶片部分的平均色调值,依据辣椒疫病、炭疽病、细菌性斑点病和辣椒花叶病毒病引起的辣椒叶片的病变情况,综合推理辣椒的病理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226781.1A CN117274981B (zh) | 2023-09-21 | 2023-09-21 | 一种基于图像识别的辣椒病理推测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226781.1A CN117274981B (zh) | 2023-09-21 | 2023-09-21 | 一种基于图像识别的辣椒病理推测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274981A CN117274981A (zh) | 2023-12-22 |
CN117274981B true CN117274981B (zh) | 2024-02-09 |
Family
ID=89203949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311226781.1A Active CN117274981B (zh) | 2023-09-21 | 2023-09-21 | 一种基于图像识别的辣椒病理推测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274981B (zh) |
Citations (3)
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 |
CN111415363A (zh) * | 2020-04-20 | 2020-07-14 | 电子科技大学中山学院 | 一种图像边缘识别方法 |
CN116596879A (zh) * | 2023-05-17 | 2023-08-15 | 旬邑县气象局 | 基于边界样本分位数的葡萄霜霉病自适应识别方法 |
-
2023
- 2023-09-21 CN CN202311226781.1A patent/CN117274981B/zh active Active
Patent Citations (3)
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 |
CN111415363A (zh) * | 2020-04-20 | 2020-07-14 | 电子科技大学中山学院 | 一种图像边缘识别方法 |
CN116596879A (zh) * | 2023-05-17 | 2023-08-15 | 旬邑县气象局 | 基于边界样本分位数的葡萄霜霉病自适应识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117274981A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Padmavathi et al. | Implementation of RGB and grayscale images in plant leaves disease detection–comparative study | |
CN105354865B (zh) | 多光谱遥感卫星影像自动云检测方法及系统 | |
CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
CN104637031B (zh) | 眼部图像处理方法和装置 | |
CN110268420B (zh) | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 | |
CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
WO2015092904A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
Mythili et al. | Color image segmentation using ERKFCM | |
CN111160194B (zh) | 一种基于多特征融合的静态手势图像识别方法 | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN115578660B (zh) | 基于遥感图像的土地地块分割方法 | |
CN111161281A (zh) | 一种人脸区域识别方法、装置及存储介质 | |
CN110751635A (zh) | 一种基于帧间差分和hsv颜色空间的口腔检测方法 | |
CN116912260B (zh) | 基于人工智能的肉鸡养殖健康状态检测方法 | |
CN117593540A (zh) | 一种基于智能化图像识别技术的压力性损伤分期识别方法 | |
CN111612797B (zh) | 一种水稻图像信息处理系统 | |
CN117274981B (zh) | 一种基于图像识别的辣椒病理推测方法和装置 | |
CN117197064A (zh) | 一种无接触眼红程度自动分析方法 | |
CN115082804B (zh) | 利用多特征数据处理分析的水稻病害识别方法 | |
CN108205814B (zh) | 彩色图像的黑白轮廓生成方法 | |
CN109961012A (zh) | 一种水下目标跟踪识别方法 | |
CN115187790A (zh) | 一种基于参考区域二值化结果的图像轮廓提取方法 | |
CN111046726B (zh) | 一种基于ai智能视觉的水下海参识别及定位方法 |
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 |