CN117853936A - 小麦冠层图像的冻害识别方法、系统、终端及存储介质 - Google Patents
小麦冠层图像的冻害识别方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN117853936A CN117853936A CN202410263255.0A CN202410263255A CN117853936A CN 117853936 A CN117853936 A CN 117853936A CN 202410263255 A CN202410263255 A CN 202410263255A CN 117853936 A CN117853936 A CN 117853936A
- Authority
- CN
- China
- Prior art keywords
- image
- wheat
- parameters
- canopy
- images
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 103
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 53
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 29
- 230000006378 damage Effects 0.000 title claims abstract description 29
- 230000008014 freezing Effects 0.000 title claims abstract description 29
- 238000007710 freezing Methods 0.000 title claims abstract description 29
- 208000014674 injury Diseases 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000009746 freeze damage Effects 0.000 claims abstract description 56
- 238000009826 distribution Methods 0.000 claims abstract description 48
- 230000001186 cumulative effect Effects 0.000 claims abstract description 31
- 238000000556 factor analysis Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000012272 crop production Methods 0.000 abstract description 3
- 238000013145 classification model Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000846 Bartlett's test Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008636 plant growth process Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect 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
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域，具体提供一种小麦冠层图像的冻害识别方法、系统、终端及存储介质，包括：采集小麦冠层图像，构建小麦冠层图像的色阶累积直方图，并基于所述色阶累积直方图分析冠层叶片的多个色阶偏态分布特征参数；利用因子分析法从多个色阶偏态分布特征参数中筛选出核心参数；将所述核心参数输入朴素贝叶斯分类器，所述朴素贝叶斯分类器基于所述核心参数识别小麦冻害等级。通过图像采集与处理、参数提取及判定分析等算法的固化，可实现小麦冻害等级的智能快速准确识别，为作物生产精准管理提供信息支持，准确度可达90.32%。
Description
技术领域
本发明属于图像识别技术领域，具体涉及一种小麦冠层图像的冻害识别方法、系统、终端及存储介质。
背景技术
小麦冻害是植株生长过程中因气温急剧降低而遭受的灾害，冻害在小麦叶片、茎秆等器官的表现最为直观，冬小麦冠层叶色表型在冻害发生前后会有明显变化。当前，利用气象资料结合冻害发生的气象指标是开展冬小麦冻害等级监测的传统手段，但由于气象观测站点多位于城市郊区，远离农田，与真实的麦田小气候存在一定差异，导致小麦冻害等级监测存在较大误差。
传统的小麦冻害程度和冻害面积监测手段多为农技人员实地调查，受到环境条件的变化（风，太阳角，温度，湿度）以及昼夜节律的影响，存在效率低且数据质量难以保证的问题。随着科技的发展，卫星遥感数据和高光谱数据等多源资料在小麦冻害监测预警方面的应用越来越广泛。有相关技术利用光学遥感卫星、MODIS卫星和多时相GF-1卫星等遥感影像数据开展冬小麦冻害等级监测。例如，一些研究发现苗期小麦冠层高光谱反射率对冻害有着很好的响应，并明确了遭受冻害的小麦产量预估的最佳时段和模拟技术。
然而，卫星遥感和高光谱手段分别存在时空分辨率较低、成本高等不足，无法满足智慧农业气象服务的需求。
发明内容
针对现有技术的上述不足，本发明提供一种小麦冠层图像的冻害识别方法、系统、终端及存储介质，以解决上述技术问题。
第一方面，本发明提供一种小麦冠层图像的冻害识别方法，包括：
采集小麦冠层图像，构建小麦冠层图像的色阶累积直方图，并基于所述色阶累积直方图分析冠层叶片的多个色阶偏态分布特征参数；
利用因子分析法从多个色阶偏态分布特征参数中筛选出核心参数；
将所述核心参数输入朴素贝叶斯分类器，所述朴素贝叶斯分类器基于所述核心参数识别小麦冻害等级。
在一个可选的实施方式中，采集小麦冠层图像，构建小麦冠层图像的色阶累积直方图，并基于所述色阶累积直方图分析冠层叶片的多个色阶偏态分布特征参数，包括：
利用高清摄像机从多个采样位置采集多张小麦冠层图像，将多种小麦冠层图像保存至样本集；
从样本集中剔除强光图像和存在霜雪覆盖小麦冠层的图像；
对样本集中的图像进行切割、去噪和信息采集，并基于采集的信息构建图像的色阶累积直方图；
基于所述色阶累积直方图，分别用均值、中值、模值、偏度和峰度函数分析冠层叶片色阶偏态分布特征，得到20个特征参数；
将20个特征参数保存为图像色阶分布的色阶倾斜分布特征参数表。
在一个可选的实施方式中，利用因子分析法从多个色阶偏态分布特征参数中筛选出核心参数，包括：
对多个色阶偏态分布特征参数进行KMO检验和巴特利球形检验，若KMO值＞0.7且巴特利球形检验的P值＜0.05，则对相应的色阶偏态分布特征参数作为变量进行因子分析；
根据因子特征值、累积贡献率、碎石图确定最佳综合因子；
计算每个变量的主成分得分系数，并按照主成分得分系数的绝对值由大到小对变量进行排序；
将排序最靠前的6个变量设置为核心参数。
在一个可选的实施方式中，所述方法还包括：
构建朴素贝叶斯分类器；
设置拍摄参数，所述拍摄参数包括拍摄高度为580cm、图像分辨率1920×1080、固定焦距和自动白平衡；
按照所述拍摄参数在多个采样点采集无冻害图像19幅、轻度冻害图像16幅、重度冻害图像12幅，并为图像标记冻害等级；
将标记后的图像保存至数据集，并将数据集分割为训练集和验证集；
利用训练集对所述朴素贝叶斯分类器进行训练，并利用验证集对训练后的朴素贝叶斯分类器进行准确度验证。
第二方面，本发明提供一种小麦冠层图像的冻害识别系统，包括：
图像采集模块，用于采集小麦冠层图像，构建小麦冠层图像的色阶累积直方图，并基于所述色阶累积直方图分析冠层叶片的多个色阶偏态分布特征参数；
因子分析模块，用于利用因子分析法从多个色阶偏态分布特征参数中筛选出核心参数；
分类识别模块，用于将所述核心参数输入朴素贝叶斯分类器，所述朴素贝叶斯分类器基于所述核心参数识别小麦冻害等级。
在一个可选的实施方式中，所述图像采集模块包括：
图像采集单元，用于利用高清摄像机从多个采样位置采集多张小麦冠层图像，将多种小麦冠层图像保存至样本集；
图像过滤单元，用于从样本集中剔除强光图像和存在霜雪覆盖小麦冠层的图像；
图像处理单元，用于对样本集中的图像进行切割、去噪和信息采集，并基于采集的信息构建图像的色阶累积直方图；
图像分析单元，用于基于所述色阶累积直方图，分别用均值、中值、模值、偏度和峰度函数分析冠层叶片色阶偏态分布特征，得到20个特征参数；
特征存储单元，用于将20个特征参数保存为图像色阶分布的色阶倾斜分布特征参数表。
在一个可选的实施方式中，所述因子分析模块包括：
参数校验单元，用于对多个色阶偏态分布特征参数进行KMO检验和巴特利球形检验，若KMO值＞0.7且巴特利球形检验的P值＜0.05，则对相应的色阶偏态分布特征参数作为变量进行因子分析；
因子确定单元，用于根据因子特征值、累积贡献率、碎石图确定最佳综合因子；
得分计算单元，用于计算每个变量的主成分得分系数，并按照主成分得分系数的绝对值由大到小对变量进行排序；
核心提取单元，用于将排序最靠前的6个变量设置为核心参数。
在一个可选的实施方式中，所述系统还包括：
模型构建模块，用于构建朴素贝叶斯分类器；
拍摄设置模块，用于设置拍摄参数，所述拍摄参数包括拍摄高度为580cm、图像分辨率1920×1080、固定焦距和自动白平衡；
素材获取模块，用于按照所述拍摄参数在多个采样点采集无冻害图像19幅、轻度冻害图像16幅、重度冻害图像12幅，并为图像标记冻害等级；
素材处理模块，用于将标记后的图像保存至数据集，并将数据集分割为训练集和验证集；
模型训练模块，用于利用训练集对所述朴素贝叶斯分类器进行训练，并利用验证集对训练后的朴素贝叶斯分类器进行准确度验证。
第三方面，提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
本发明的有益效果在于，本发明提供的小麦冠层图像的冻害识别方法、系统、终端及存储介质，通过图像采集与处理、参数提取及判定分析等算法的固化，可实现小麦冻害等级的智能快速准确识别，为作物生产精准管理提供信息支持，准确度可达90.32%。此外，该方法具有较高的移植性，同样可以应用于其他气象灾害（如干旱、渍涝等）和病虫害等级的智能监测识别上。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
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，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地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的系统的示意性框图。
图3为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
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。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明实施例提供的小麦冠层图像的冻害识别方法由计算机设备执行，相应地，小麦冠层图像的冻害识别系统运行于计算机设备中。
图1是本发明一个实施例的方法的示意性流程图。其中，图1执行主体可以为一种小麦冠层图像的冻害识别系统。根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
如图1所示，该方法包括：
步骤110，采集小麦冠层图像，构建小麦冠层图像的色阶累积直方图，并基于所述色阶累积直方图分析冠层叶片的多个色阶偏态分布特征参数；
步骤120，利用因子分析法从多个色阶偏态分布特征参数中筛选出核心参数；
步骤130，将所述核心参数输入朴素贝叶斯分类器，所述朴素贝叶斯分类器基于所述核心参数识别小麦冻害等级。
为了便于对本发明的理解，下面以本发明小麦冠层图像的冻害识别方法的原理，结合实施例中对小麦冠层图像的冻害进行识别的过程，对本发明提供的小麦冠层图像的冻害识别方法做进一步的描述。
具体的，所述小麦冠层图像的冻害识别方法包括：
S1、小麦长势自动观测站安装位置
3套小麦长势自动观测站分别安装于多个采样点，并分别标记为M1、M2、M3。具体经纬度分别为：36°28'12"N、119°43'48"E，36°58'38"N、116°58'282"E，N36°40'32"N、116°38'56"E。
S2、小麦冻害图像采集
小麦冠层图像是在自然环境中采集的。用于采集图像的设备为：中国浙江省浙江大华技术股份有限公司的高清摄像机，设备型号为：DH-SD-65F630U-HN-Q，图像分辨率为1920×1080，安装高度为580厘米。采用固定焦距拍摄和自动白平衡，采集时次为16:00。图像采集时段如下：
M1：2022 年 11 月 22 日至 2023 年 1 月 21 日下午；
M2：2022 年 11 月 10 日至 2023 年 1 月 13 日下午；
M3：2022 年 11 月 23 日至 2023 年 1 月 26 日下午。
为了准确获取小麦冠层累积分布信息，在选择图像时剔除了强光、霜雪覆盖的图像。最终，有 47 幅冠层图像可供研究。其中，无冻害图像（T1 ）19 幅，轻度冻害图像 （T2）16 幅，重度冻害图像（T3）12 幅。为扩充样本容量，将78张小麦冠层图像样本进行4等分，选择两站每张图片的左上部分图片构建建模组样本集M1，共47张图片；剩余右上、左下和右下3部分图片构建验证组样本集，共141张图片；选择另外取样点的图片构建应用检验组样本集，共124张图片（表1）。
表1 样本分类及数量
S3、小麦图像冠层叶片色阶倾斜分布（CGSD）特征的提取
对图像进行处理和信息采集在对图像进行切割、去噪和信息采集后，构建图像的色阶累积直方图。然后分别用均值、中值、模值、偏度和峰度函数分析冠层叶片色阶偏态分布特征。然后得到 20 个 CGSD 参数，包括R通道色阶的均值R Mean, R通道色阶的中位数R Median, R通道色阶的众数R Mode, R通道色阶的偏度R Skewness, R通道色阶的峰度R Kurtosis,G通道色阶的均值G Mean, G通道色阶的中位数G Median, G通道色阶的众数G Mode, G通道色阶的偏度G Skewness, G通道色阶的峰度G Kurtosis, B通道色阶的均值B Mean, B通道色阶的中位数B Median, B通道色阶的众数B Mode, B通道色阶的偏度B Skewness, B通道色阶的峰度B Kurtosis, Y通道色阶的均值Y Mean, Y通道色阶的中位数Y Median, Y通道色阶的众数Y Mode, Y通道色阶的偏度Y Skewness和 Y通道色阶的峰度Y Kurtosis。最后形成 RGB 图像色阶分布的 CGSD 参数表。
S4、小麦冻害等级分类方法
因子分析法可将众多变量转化成少数具有代表性的综合因子，进而简化数据结构，筛选得到核心参数。对20个小麦冠层RGB颜色偏态分布参数进行因子分析。
①以1/4样本为分析样本（n=47），对20个输入变量进行Kaiser-Meyer-Olkin（KMO）检验与巴特利（Bartlett）球形检验，当KMO值＞0.7，Bartlett检验的P值＜0.05，即说明变量可进行下一步的因子分析。
②根据因子特征值、累积贡献率、碎石图确定最佳综合因子。
③计算每个变量的主成分得分系数：；
式中，FSCi为第i个变量的主成分得分系数，VDRj为第j个综合因子的方差贡献率，CDRj为第j个综合因子的累积贡献率，SCij为第i个变量在第j个综合因子中的得分。通过比较各变量主成分得分系数的绝对值大小，将排名前五的变量确定为核心参数，并以这6个核心参数作为朴素贝叶斯分类器的输入变量，以小麦冻害人工分类等级作为输出变量，构建贝叶斯分类模型F6。
表2 小麦冻害等级分级模型
S5、基于先验型数据的小麦冻害等级的贝叶斯判定模型构建
以小麦冻害人工分类等级作为先验结果，以部分图片构成的建模组20个小麦冠层叶色信息为自变量，采用朴素贝叶斯分类器构建小麦冻害等级判定模型F5，结果发现（表3）：对比无先验性数据的K-means聚类分析方法和系统聚类分析方法，采用先验分类数据的贝叶斯分类算法对小麦冻害等级判定准确率得到明显提升，建模样本不同等级冻害的判定准确率在81.25%—100%，平均为87.23%；对高密和济阳两站其他图片构成的组间验证样本冻害等级的判定准确率在85.42%—100%，平均为90.07%。这表明基于小麦叶色信息并采用先验分类数据的贝叶斯分类模型可提升冻害等级判定效果。
表3基于冠层叶色信息的贝叶斯分类模型F5判定准确度
利用以上构建的小麦冻害等级的贝叶斯分类判定模型F5对齐河站进行应用检验后发现（表4），模型在实际应用时，尤其是跨生态区应用时其判定准确率仅为66.13%，具有提升空间。因此，需要对贝叶斯分类判定模型进行优化。
表4基于冠层叶色信息的贝叶斯分类模型F5对齐河站的判定准确度
模型的优化首先考虑输入变量，20个小麦冠层叶色信息变量虽然可全面表征叶色状态，但这些变量之间存在共线性，而过多共线性变量的输入会影响分类模型的判定精度。因此，采用因子分析法，以筛选出表征小麦冻害的核心叶色变量，去除其他共线性叶色信息的干扰。首先，对建模样本的20个小麦冠层叶色信息变量进行球形检验，所得KMO值为0.781，Bartlett 检验 P 值接近 0，说明数据能够进行因子分析。根据因子分析结果（表5），依据特征值大于1和累计贡献率，确定2个最佳综合因子。进一步对这2个综合因子进行载荷分析后可以看出（表7），综合因子1排名前5载荷参数分别为G Skewness、G Median、G Mode、G Mean、Y Skewness和YMode；综合因子2排名前5载荷参数分别为R Kurtosis、Y Kurtosis、G Kurtosis、R Mode、R Skewness和B Kurtosis。通过对特征参数的得分分析后可以看出，在RGB颜色模型偏态参数中的核心参数分别为R Kurtosis、G Skewness、G Median、G Mode、Y Skewness和G Mean。
表5综合因子的方差分析
表6综合因子旋转后参数载荷及特征参数在综合因子中的得分
以6个核心叶色信息参数（R Kurtosis、G Skewness、G Median、G Mode、Y Skewness和G Mean）作为输入变量，构建小麦冻害等级判定的贝叶斯分类模型F6，并进行模型判定精度检验。结果可以看出（表7），F6模型对建模样本和组间验证样本的整体准确度与模型F5接近，对组外验证样本的判定准确度明显优于模型F5，达90.32%。由此可以看出，采用贝叶斯分类时，输入的信息量并不是越多越好，输入变量间存在的共线性放大了相似参数的作用，干扰了模型的判定性能。
表7 优化后的贝叶斯分类模型F6的判定准确度
在一些实施例中，所述小麦冠层图像的冻害识别系统可以包括多个由计算机程序段所组成的功能模块。所述小麦冠层图像的冻害识别系统中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行（详见图1描述）小麦冠层图像的冻害识别的功能。
本实施例中，所述小麦冠层图像的冻害识别系统根据其所执行的功能，可以被划分为多个功能模块，如图2所示。系统200的功能模块可以包括：图像采集模块210、因子分析模块220、分类识别模块230。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
图像采集模块，用于采集小麦冠层图像，构建小麦冠层图像的色阶累积直方图，并基于所述色阶累积直方图分析冠层叶片的多个色阶偏态分布特征参数；
因子分析模块，用于利用因子分析法从多个色阶偏态分布特征参数中筛选出核心参数；
分类识别模块，用于将所述核心参数输入朴素贝叶斯分类器，所述朴素贝叶斯分类器基于所述核心参数识别小麦冻害等级。
可选地，作为本发明一个实施例，所述图像采集模块包括：
图像采集单元，用于利用高清摄像机从多个采样位置采集多张小麦冠层图像，将多种小麦冠层图像保存至样本集；
图像过滤单元，用于从样本集中剔除强光图像和存在霜雪覆盖小麦冠层的图像；
图像处理单元，用于对样本集中的图像进行切割、去噪和信息采集，并基于采集的信息构建图像的色阶累积直方图；
图像分析单元，用于基于所述色阶累积直方图，分别用均值、中值、模值、偏度和峰度函数分析冠层叶片色阶偏态分布特征，得到20个特征参数；
特征存储单元，用于将20个特征参数保存为图像色阶分布的色阶倾斜分布特征参数表。
可选地，作为本发明一个实施例，所述因子分析模块包括：
参数校验单元，用于对多个色阶偏态分布特征参数进行KMO检验和巴特利球形检验，若KMO值＞0.7且巴特利球形检验的P值＜0.05，则对相应的色阶偏态分布特征参数作为变量进行因子分析；
因子确定单元，用于根据因子特征值、累积贡献率、碎石图确定最佳综合因子；
得分计算单元，用于计算每个变量的主成分得分系数，并按照主成分得分系数的绝对值由大到小对变量进行排序；
核心提取单元，用于将排序最靠前的6个变量设置为核心参数。
可选地，作为本发明一个实施例，所述系统还包括：
模型构建模块，用于构建朴素贝叶斯分类器；
拍摄设置模块，用于设置拍摄参数，所述拍摄参数包括拍摄高度为580cm、图像分辨率1920×1080、固定焦距和自动白平衡；
素材获取模块，用于按照所述拍摄参数在多个采样点采集无冻害图像19幅、轻度冻害图像16幅、重度冻害图像12幅，并为图像标记冻害等级；
素材处理模块，用于将标记后的图像保存至数据集，并将数据集分割为训练集和验证集；
模型训练模块，用于利用训练集对所述朴素贝叶斯分类器进行训练，并利用验证集对训练后的朴素贝叶斯分类器进行准确度验证。
图3为本发明实施例提供的一种终端300的结构示意图，该终端300可以用于执行本发明实施例提供的小麦冠层图像的冻害识别方法。
其中，该终端300可以包括：处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器320可以用于存储处理器310的执行指令，存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。当存储器320中的执行指令由处理器310执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC) 组成，例如可以由单颗封装的IC 所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器310可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元330，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（英文：read-only memory，简称：ROM）或随机存储记忆体（英文：random access memory，简称：RAM）等。
因此，本发明通过图像采集与处理、参数提取及判定分析等算法的固化，可实现小麦冻害等级的智能快速准确识别，为作物生产精准管理提供信息支持，准确度可达90.32%。此外，该方法具有较高的移植性，同样可以应用于其他气象灾害（如干旱、渍涝等）和病虫害等级的智能监测识别上，本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端（可以是个人计算机，服务器，或者第二终端、网络终端等）执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种小麦冠层图像的冻害识别方法，其特征在于，包括：
采集小麦冠层图像，构建小麦冠层图像的色阶累积直方图，并基于所述色阶累积直方图分析冠层叶片的多个色阶偏态分布特征参数；
利用因子分析法从多个色阶偏态分布特征参数中筛选出核心参数；
将所述核心参数输入朴素贝叶斯分类器，所述朴素贝叶斯分类器基于所述核心参数识别小麦冻害等级。
2.根据权利要求1所述的方法，其特征在于，采集小麦冠层图像，构建小麦冠层图像的色阶累积直方图，并基于所述色阶累积直方图分析冠层叶片的多个色阶偏态分布特征参数，包括：
利用高清摄像机从多个采样位置采集多张小麦冠层图像，将多种小麦冠层图像保存至样本集；
从样本集中剔除强光图像和存在霜雪覆盖小麦冠层的图像；
对样本集中的图像进行切割、去噪和信息采集，并基于采集的信息构建图像的色阶累积直方图；
基于所述色阶累积直方图，分别用均值、中值、模值、偏度和峰度函数分析冠层叶片色阶偏态分布特征，得到20个特征参数；
将20个特征参数保存为图像色阶分布的色阶倾斜分布特征参数表。
3.根据权利要求2所述的方法，其特征在于，利用因子分析法从多个色阶偏态分布特征参数中筛选出核心参数，包括：
对多个色阶偏态分布特征参数进行KMO检验和巴特利球形检验，若KMO值＞0.7且巴特利球形检验的P值＜0.05，则对相应的色阶偏态分布特征参数作为变量进行因子分析；
根据因子特征值、累积贡献率、碎石图确定最佳综合因子；
计算每个变量的主成分得分系数，并按照主成分得分系数的绝对值由大到小对变量进行排序；
将排序最靠前的6个变量设置为核心参数。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建朴素贝叶斯分类器；
设置拍摄参数，所述拍摄参数包括拍摄高度为580cm、图像分辨率1920×1080、固定焦距和自动白平衡；
按照所述拍摄参数在多个采样点采集无冻害图像19幅、轻度冻害图像16幅、重度冻害图像12幅，并为图像标记冻害等级；
将标记后的图像保存至数据集，并将数据集分割为训练集和验证集；
利用训练集对所述朴素贝叶斯分类器进行训练，并利用验证集对训练后的朴素贝叶斯分类器进行准确度验证。
5.一种小麦冠层图像的冻害识别系统，其特征在于，包括：
图像采集模块，用于采集小麦冠层图像，构建小麦冠层图像的色阶累积直方图，并基于所述色阶累积直方图分析冠层叶片的多个色阶偏态分布特征参数；
因子分析模块，用于利用因子分析法从多个色阶偏态分布特征参数中筛选出核心参数；
分类识别模块，用于将所述核心参数输入朴素贝叶斯分类器，所述朴素贝叶斯分类器基于所述核心参数识别小麦冻害等级。
6.根据权利要求5所述的系统，其特征在于，所述图像采集模块包括：
图像采集单元，用于利用高清摄像机从多个采样位置采集多张小麦冠层图像，将多种小麦冠层图像保存至样本集；
图像过滤单元，用于从样本集中剔除强光图像和存在霜雪覆盖小麦冠层的图像；
图像处理单元，用于对样本集中的图像进行切割、去噪和信息采集，并基于采集的信息构建图像的色阶累积直方图；
图像分析单元，用于基于所述色阶累积直方图，分别用均值、中值、模值、偏度和峰度函数分析冠层叶片色阶偏态分布特征，得到20个特征参数；
特征存储单元，用于将20个特征参数保存为图像色阶分布的色阶倾斜分布特征参数表。
7.根据权利要求6所述的系统，其特征在于，所述因子分析模块包括：
参数校验单元，用于对多个色阶偏态分布特征参数进行KMO检验和巴特利球形检验，若KMO值＞0.7且巴特利球形检验的P值＜0.05，则对相应的色阶偏态分布特征参数作为变量进行因子分析；
因子确定单元，用于根据因子特征值、累积贡献率、碎石图确定最佳综合因子；
得分计算单元，用于计算每个变量的主成分得分系数，并按照主成分得分系数的绝对值由大到小对变量进行排序；
核心提取单元，用于将排序最靠前的6个变量设置为核心参数。
8.根据权利要求5所述的系统，其特征在于，所述系统还包括：
模型构建模块，用于构建朴素贝叶斯分类器；
拍摄设置模块，用于设置拍摄参数，所述拍摄参数包括拍摄高度为580cm、图像分辨率1920×1080、固定焦距和自动白平衡；
素材获取模块，用于按照所述拍摄参数在多个采样点采集无冻害图像19幅、轻度冻害图像16幅、重度冻害图像12幅，并为图像标记冻害等级；
素材处理模块，用于将标记后的图像保存至数据集，并将数据集分割为训练集和验证集；
模型训练模块，用于利用训练集对所述朴素贝叶斯分类器进行训练，并利用验证集对训练后的朴素贝叶斯分类器进行准确度验证。
9.一种终端，其特征在于，包括：
存储器，用于存储小麦冠层图像的冻害识别程序；
处理器，用于执行所述小麦冠层图像的冻害识别程序时实现如权利要求1-4任一项所述小麦冠层图像的冻害识别方法的步骤。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述可读存储介质上存储有小麦冠层图像的冻害识别程序，所述小麦冠层图像的冻害识别程序被处理器执行时实现如权利要求1-4任一项所述小麦冠层图像的冻害识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410263255.0A CN117853936B (zh) | 2024-03-08 | 2024-03-08 | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410263255.0A CN117853936B (zh) | 2024-03-08 | 2024-03-08 | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117853936A true CN117853936A (zh) | 2024-04-09 |
| CN117853936B CN117853936B (zh) | 2024-05-31 |
Family
ID=90543764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410263255.0A Active CN117853936B (zh) | 2024-03-08 | 2024-03-08 | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117853936B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106442329A (zh) * | 2016-08-31 | 2017-02-22 | 青岛农业大学 | 一种基于冠层图像参数的冬小麦叶面积指数估算方法 |
| CN110415181A (zh) * | 2019-06-12 | 2019-11-05 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
| CN113218887A (zh) * | 2021-06-23 | 2021-08-06 | 河南农业大学 | 一种小麦冻害严重程度快速监测评估方法 |
| CN113570538A (zh) * | 2020-04-28 | 2021-10-29 | 福建省烟草公司龙岩市公司 | 一种叶片rgb图像偏态分布参数信息采集及分析方法 |
| CN115563484A (zh) * | 2022-11-08 | 2023-01-03 | 东南大学 | 一种基于生理唤醒识别的街道绿化品质检测方法 |
| CN116089789A (zh) * | 2022-11-29 | 2023-05-09 | 新疆兴农网信息中心 | 北疆冬小麦越冬期冻害指数构建算法 |
| CN116541692A (zh) * | 2023-06-07 | 2023-08-04 | 重庆科技学院 | 一种基于测井基础数据的地质甜点定量评价方法 |
-
2024
- 2024-03-08 CN CN202410263255.0A patent/CN117853936B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106442329A (zh) * | 2016-08-31 | 2017-02-22 | 青岛农业大学 | 一种基于冠层图像参数的冬小麦叶面积指数估算方法 |
| CN110415181A (zh) * | 2019-06-12 | 2019-11-05 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
| CN113570538A (zh) * | 2020-04-28 | 2021-10-29 | 福建省烟草公司龙岩市公司 | 一种叶片rgb图像偏态分布参数信息采集及分析方法 |
| CN113218887A (zh) * | 2021-06-23 | 2021-08-06 | 河南农业大学 | 一种小麦冻害严重程度快速监测评估方法 |
| CN115563484A (zh) * | 2022-11-08 | 2023-01-03 | 东南大学 | 一种基于生理唤醒识别的街道绿化品质检测方法 |
| CN116089789A (zh) * | 2022-11-29 | 2023-05-09 | 新疆兴农网信息中心 | 北疆冬小麦越冬期冻害指数构建算法 |
| CN116541692A (zh) * | 2023-06-07 | 2023-08-04 | 重庆科技学院 | 一种基于测井基础数据的地质甜点定量评价方法 |
Non-Patent Citations (5)
| Title |
|---|
| 张佩;陈郑盟;刘春伟;王福政;江海东;高苹;: "冬小麦产量结构要素预报方法", 农业工程学报, no. 08, 23 April 2020 (2020-04-23) * |
| 张佩等: "冬小麦产量结构要素预报方法", 农业工程学报, 30 April 2020 (2020-04-30), pages 1 * |
| 童德文;陈钰;杜超凡;雷佳;范辉;林雷通;石三三;沈平;: "开放环境下烟叶等级RGB图像智能识别及判别模型的构建", 贵州农业科学, no. 03, 15 March 2020 (2020-03-15) * |
| 钟仪华;李榕;: "基于主成分分析的最小二乘支持向量机岩性识别方法", 测井技术, no. 05, 20 October 2009 (2009-10-20) * |
| 马晓丹;朱可心;关海鸥;冯佳睿;刘梦;郑明;: "农作物图像特征提取技术及其在病害诊断中的应用", 黑龙江八一农垦大学学报, no. 02, 20 April 2019 (2019-04-20) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117853936B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fernandez-Gallego et al. | Wheat ear counting in-field conditions: high throughput and low-cost approach using RGB images | |
| CN109086826B (zh) | 基于图像深度学习的小麦干旱识别方法 | |
| CN111918547B (zh) | 树冠识别装置、识别方法、程序和记录介质 | |
| CN111767802A (zh) | 一种对象异常状态的检测方法和装置 | |
| CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
| CN106991449B (zh) | 一种生活场景重构辅助识别蓝莓品种的方法 | |
| CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
| CN114219847A (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
| CN111191543A (zh) | 油菜产量估测方法 | |
| Ouyang et al. | Assessment of canopy size using UAV-based point cloud analysis to detect the severity and spatial distribution of canopy decline | |
| CN117589767B (zh) | 一种烟叶采收时间确定方法、电子设备和存储介质 | |
| CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
| CN117541423A (zh) | 基于融合图谱特征的棉蚜危害监测方法及系统 | |
| CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
| CN112101313B (zh) | 一种机房机器人巡检方法及系统 | |
| CN114299379A (zh) | 一种基于高动态影像的阴影区植被覆盖度提取方法 | |
| CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
| CN117853936B (zh) | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 | |
| CN112418073A (zh) | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 | |
| CN112240869A (zh) | 一种基于高分遥感影像的草原地块信息提取方法 | |
| CN115019205B (zh) | 一种基于无人机多光谱影像的油菜花期spad和lai估测方法 | |
| Victorino et al. | Grapevine yield prediction using image analysis-improving the estimation of non-visible bunches | |
| Toda et al. | Determination of species-specific leaf angle distribution and plant area index in a cool-temperate mixed forest from UAV and upward-pointing digital photography | |
| CN112287787B (zh) | 一种基于梯度直方图特征的作物倒伏分级方法 | |
| CN115420688A (zh) | 一种基于物联网的农业灾害信息遥感提取损失评估方法 |
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 |