CN118196841A - 基于红外图像的园林病虫害智能防控方法及系统 - Google Patents
基于红外图像的园林病虫害智能防控方法及系统 Download PDFInfo
- Publication number
- CN118196841A CN118196841A CN202410612703.3A CN202410612703A CN118196841A CN 118196841 A CN118196841 A CN 118196841A CN 202410612703 A CN202410612703 A CN 202410612703A CN 118196841 A CN118196841 A CN 118196841A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- infrared image
- pest
- spreading trend
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 104
- 201000010099 disease Diseases 0.000 title claims abstract description 43
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 38
- 241000238631 Hexapoda Species 0.000 title claims abstract description 37
- 230000002265 prevention Effects 0.000 title claims description 15
- 230000007480 spreading Effects 0.000 claims abstract description 98
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000001914 filtration Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Catching Or Destruction (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于红外图像的园林病虫害智能防控方法及系统,包括:获取地表红外图像,并构建地表红外图像的亮度高斯金字塔和颜色高斯金字塔;根据颜色高斯金字塔,获得每个像素点在每个方向的蔓延趋势;根据每个像素点在每个方向的蔓延趋势,获得每个像素点对应虫害的整体蔓延趋势矢量;根据每个像素点对应虫害的整体蔓延趋势矢量,获得每个像素点的蔓延趋势的真实性;根据每个像素点的蔓延趋势的真实性,获得最优滤波窗口;对地表红外图像进行滤波,获得病虫害区域的显著图;获取病虫害区域边界。本发明通过分析地表红外图像中虫害的趋势特征,提高了虫害区域识别的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于红外图像的园林病虫害智能防控方法及系统。
背景技术
红外线检测植物病虫害在农业中有着广泛的应用,可以帮助农民及时发现植物的健康状况并及时采取措施,避免病虫害扩散,并且红外线检测植物病虫害可以对植物的生长过程进行监控和管理,在保证植物健康的同时提高产量和质量。
在实际操作过程中,利用Gabor滤波器获取图像中的纹理特征时,由于虫害区域的蔓延呈辐射状,且虫害影响的严重性与其在地表红外图像中颜色有关,此时若滤波器窗口设置过大,会使得严重程度较小的虫害区域在后续获取矩阵差时特征表现效果较差,导致在最终显著图中表现不明显,相反若窗口设置过小,则会导致某些正常植被区域在最终显著图中表现为虫害区域,降低了虫害区域识别和突出的准确性。
发明内容
本发明提供基于红外图像的园林病虫害智能防控方法及系统,以解决现有的问题。
本发明的基于红外图像的园林病虫害智能防控方法及系统采用如下技术方案:
本发明提出了基于红外图像的园林病虫害智能防控方法,该方法包括以下步骤:
获取地表红外图像,并构建地表红外图像的亮度高斯金字塔和颜色高斯金字塔;
根据颜色高斯金字塔,获得每个像素点在每个方向的蔓延趋势;根据每个像素点在每个方向的蔓延趋势,获得每个像素点对应虫害的整体蔓延趋势矢量;
根据每个像素点对应虫害的整体蔓延趋势矢量,获得每个像素点的蔓延趋势的真实性;
根据每个像素点的蔓延趋势的真实性,获得最优滤波窗口;根据最优滤波窗口,对地表红外图像进行滤波,获得病虫害区域的显著图;
根据病虫害区域的显著图,获取病虫害区域边界。
进一步地,所述获取地表红外图像,并构建地表红外图像的亮度高斯金字塔和颜色高斯金字塔,包括的具体步骤如下:
获取地表红外数据,根据地表红外数据绘制地表红外图像,将地表红外图像作为高斯金字塔的输入图像,构建亮度高斯金字塔和颜色高斯金字塔。
进一步地,所述根据颜色高斯金字塔,获得每个像素点在每个方向的蔓延趋势,包括的具体步骤如下:
预设Gabor滤波的初始滤波窗口边长;以任意一个像素点为中心构建一个窗口与初始滤波窗口边长相同的邻域窗口,获取该像素点的邻域窗口,将该像素点与邻域窗口内每个边缘像素点相连,得到若干条连线,每条连线对应一个方向;则像素点在各方向的蔓延趋势的具体计算公式如下:
其中,表示第/>个像素点在/>方向的蔓延趋势,/>表示红色特征,/>表示红色特征的尺度大小总数,/>表示第/>个尺度下第/>个像素点在/>方向的连线中第/>个像素点的像素值,/>表示第/>个尺度下第/>个像素点在/>方向的连线中第/>个像素点的像素值,/>表示连线方向经过的像素点总个数,/>表示绝对值函数。
进一步地,所述根据每个像素点在每个方向的蔓延趋势,获得每个像素点对应虫害的整体蔓延趋势矢量,包括的具体步骤如下:
当小于等于0时,将该方向的矢量模长记为0,当/>大于0时,将/>记为该方向的矢量模长,/>为矢量的方向,得到第/>个像素点的每个方向的矢量,将第/>个像素点所有方向的矢量进行累加,得到的矢量和作为第/>个像素点对应虫害的整体蔓延趋势矢量。
进一步地,所述根据每个像素点对应虫害的整体蔓延趋势矢量,获得每个像素点的蔓延趋势的真实性,包括的具体步骤如下:
将第个像素点在红、黄颜色通道中的实际像素值的和,与绿、蓝颜色通道中的实际像素值的和的比值,并与第/>个像素点的整体亮度值的乘积,记为第一乘积,根据第一乘积以及第/>个像素点的蔓延趋势,获得每个像素点的蔓延趋势的真实性。
进一步地,所述根据第一乘积以及第个像素点的蔓延趋势,获得每个像素点的蔓延趋势的真实性,包括的具体步骤如下:
对地表红外图像中第个像素点获取Gabor滤波的窗口,记为第/>个像素点的滤波窗口,则第/>个像素点的蔓延趋势的真实性的计算公式如下:
其中,表示第/>个像素点的蔓延趋势的真实性,/>,/>,/>,/>分别表示第/>个尺度下第/>个像素点所在红、黄、绿、蓝颜色特征通道中的实际像素值,/>表示第/>个尺度下第/>个像素点的整体亮度值,/>表示尺度的数量,/>表示滤波窗口的边长,/>表示第/>个像素点的整体蔓延趋势矢量,/>表示滤波窗口内第/>个像素点的整体蔓延趋势矢量,/>表示第/>个像素点的整体蔓延趋势矢量与水平向右方向的夹角,/>表示滤波窗口内第/>个像素点的整体蔓延趋势矢量与水平向右方向的夹角,/>表示第/>个像素点与滤波窗口内第/>个像素点之间的距离,/>表示第/>个像素点与第/>个像素点的滤波窗口内其他像素点之间的距离最大值,/>表示绝对值函数,/>表示第一乘积。
进一步地,所述根据每个像素点的蔓延趋势的真实性,获得最优滤波窗口,包括的具体步骤如下:
对于地表红外图像中第个像素点,将第/>个像素点所有方向的矢量的末端相连,形成的多边形作为第/>个像素点的蔓延范围,则滤波窗口大小的目标函数如下:
其中,表示滤波窗口的边长为/>时目标函数的输出值,/>表示滤波窗口的边长,/>表示第/>个像素点的蔓延范围的面积,/>表示第/>个像素点蔓延趋势真实性,/>表示地表红外图像上像素点的数量,/>表示线性归一化函数;
根据滤波窗口的边长变化下目标函数的输出值,获取最优滤波窗口。
进一步地,所述根据滤波窗口的边长变化下目标函数的输出值,获取最优滤波窗口,包括的具体步骤如下:
根据迭代步长及初始滤波窗口边长,对滤波窗口的边长进行迭代,得到若干滤波窗口边长,将目标函数输出值最大的滤波窗口边长,作为最优滤波窗口边长,得到最优滤波窗口。
进一步地,所述根据病虫害区域的显著图,获取病虫害区域边界,包括的具体步骤如下:
对病虫害区域的显著图进行边缘检测,获得病虫害区域边界。
本发明还提出了基于红外图像的园林病虫害智能防控系统,包括存储器、处理器以及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器执行所述存储器存储的计算机程序,以实现前述的基于红外图像的园林病虫害智能防控方法。
本发明的技术方案的有益效果是:通过分析窗口内不同方向上像素点的像素值变化情况,获取像素点在任意方向上的虫害蔓延趋势,避免直接利用梯度获取蔓延方向时,实际虫害对不同种类植被的喜好程度和其自身受虫害影响的程度不同,导致趋势大小和方向不准确,提高了窗口大小设定的准确性;通过分析窗口内像素点之间的蔓延趋势差异,结合自身在多个颜色通道内的特征表现,获取蔓延趋势的真实性,结合后续构建滤波窗口大小的目标函数,获取最优滤波窗口,避免了部分较为离散分布的受病害区域无法突出表示,进而导致后续设定窗口大小不合适,使得最终病虫害区域在显著图中丢失部分区域,提高了算法对园林病虫害区域凸显的准确性。
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,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他的附图。
图1为本发明基于红外图像的园林病虫害智能防控方法的步骤流程图。
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基于红外图像的园林病虫害智能防控方法及系统,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基于红外图像的园林病虫害智能防控方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于红外图像的园林病虫害智能防控方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取地表红外图像,并构建地表红外图像的亮度高斯金字塔和颜色高斯金字塔。
具体的,利用无人机获得地表红外数据,根据地表红外数据绘制地表红外图像。
需要说明的是,在地表红外图像中暖色包括红色和橙色,表示较高的表面温度,由于病虫害或植物疾病会导致受感染区域的温度升高,因此暖色调区域可能代表有病虫害的植物或植物组织;冷色包括蓝色和绿色,表示较低的表面温度,在地表红外图像中,由于健康的植物通常具有较低的表面温度,因此冷色调区域可能是健康的植物组织。人眼在识别图像时,对于两个颜色不同的相邻区域,由于颜色的不同产生不同的显著表现,例如红绿、蓝黄的组合,会让人更加着重关注暖色调区域,因为算法结合了人眼的识别偏好,所以利用/>算法对园林地表红外图像的病虫害进行防控。
具体的,将地表红外图像作为输入图像表示为高斯金字塔的第0层。进而在九个尺度下,分别采用3×3的高斯滤波器进行滤波和下采样,得到尺度为输入图像的1/2、1/4、1/8…1/256 的九个三通道图像。然后,分别构建亮度高斯金字塔和颜色高斯金字塔。在每个尺度下,亮度高斯金字塔通过对三通道图像进行均值处理得到,而颜色高斯金字塔则在每个尺度下分别提取红、绿、黄、蓝四个颜色通道的特征,其中,高斯金字塔为现有技术,具体方法不再赘述。
至此,获得地表红外图像,并构建地表红外图像的亮度高斯金字塔和颜色高斯金字塔。
步骤S002:根据颜色高斯金字塔,获得每个像素点在每个方向的蔓延趋势;根据每个像素点在每个方向的蔓延趋势,获得每个像素点对应虫害的整体蔓延趋势矢量。
需要说明的是,在利用Gabor滤波时,通常会使用固定数值对不同尺度的图像进行下采样,病虫害区域通常呈现暖色调,即红色和黄色较为突出,根据先验知识,病虫害区域在传播和蔓延过程中表现出不同的扩散速度,因为不同种类植被受虫害影响的程度和虫害传播的方式各不相同,因此可以利用这些信息来对原始窗口大小进行调整。
具体的,本实施例预设Gabor滤波的初始滤波窗口边长为7,针对任意一个尺度下的任意一个颜色特征图像中的任意一个像素点,以任意一个像素点为中心点构建一个窗口与初始滤波窗口边长相同的邻域窗口,即7×7大小的邻域窗口,将该像素点与邻域窗口内每个边缘像素点相连,得到若干条连线,每条连线对应一个方向,则每个连线经过个像素点;需要说明的是,在同一直线上的两条连线视为不同的连线,则得到7*4-4共24条连线对应24个方向。
进一步的,以红色特征为例,获取每个像素点在窗口内每个方向的像素值变化,则每个像素点在每个方向的蔓延趋势的计算公式为:
其中,表示第/>个像素点在/>方向的蔓延趋势,/>表示红色特征,/>表示红色特征的尺度大小总数,/>表示第/>个尺度下第/>个像素点在/>方向的连线中第/>个像素点的像素值,/>表示第/>个尺度下第/>个像素点在/>方向的连线中第/>个像素点的像素值,/>表示连线经过的像素点总个数,/>表示绝对值函数。
所需说明的是,表示第/>个尺度下第/>个像素点连线延伸方向的第/>个像素点和第/>个像素点在红色特征的对应尺度下的像素值差异,该值越大说明当前位置植被的颜色变化趋势越大,表现虫害蔓延趋势的可能性越大;遍历方向上所有像素点,由此得;同时,由于下采样过程中图像尺寸发生改变,包含的信息有少量缺失但整体位置变化较小,因此选取像素点采样后替换的像素点继续计算方向上的像素值变化,由此得/>,即/>,该值越大说明第/>个尺度下第/>个像素点在/>方向上的变化趋势越高。
进一步的,根据上述方式,获得每个颜色特征下每个像素点在各个方向上的蔓延趋势;根据蔓延趋势数值获取第/>个像素点矢量的模长,/>为矢量的方向。当/>小于等于0时,将该方向的矢量模长记为0,当/>大于0时,将/>记为该方向的矢量模长,获取第/>个像素点的每个方向的矢量。将第/>个像素点所有方向的矢量进行累加,得到的矢量和作为第个像素点对应虫害的整体蔓延趋势矢量。
至此,得到每个像素点对应虫害的整体蔓延趋势矢量;其中通过分析窗口内不同方向上像素点的像素值变化情况,获取像素点在任意方向上的虫害蔓延趋势,该操作避免了直接利用梯度获取蔓延方向时,实际虫害对不同种类植被的喜好程度和其自身受虫害影响的程度不同,导致趋势大小和方向不准确;从而提高窗口大小设定的准确性。
步骤S003:根据每个像素点对应虫害的整体蔓延趋势矢量,获得每个像素点的蔓延趋势的真实性。
需要说明的是,在地表红外图像中,受到虫害感染的植被可能呈现相对孤立的像素点,也可能存在距离较近的虫害影响的位置,因此,距离较近的受虫害影响位置可能表现出相似的整体蔓延趋势,所以仅根据单个像素点的整体蔓延趋势矢量来定义窗口大小无法准确突出较为分散的受虫害区域,为了更准确地判断任意像素点的蔓延趋势,本实施例计算像素点周围多个像素点的实际分布表现。
进一步需要说明的是,由于虫害通常表现为暖色调,在统计不同颜色特征各个尺度图像内每个像素点的蔓延趋势时,根据每个像素点在不同颜色特征内的数值表现,对蔓延趋势进行加权修正,而周边像素点与当前像素点之间的距离越近,同时其他像素点的蔓延趋势矢量角度和模长与其相差越小,且红色黄色特征值差异也越小,则说明它们之间的相似度越高;由于Gabor算法对每个像素点都生成了一个窗口,因此只需要比较当前像素点与窗口内其他像素点的差异。
具体的,对地表红外图像中第个像素点获取Gabor滤波的窗口,记为第/>个像素点的滤波窗口,其中滤波窗口的边长采用初始滤波窗口边长,则第/>个像素点的蔓延趋势的真实性的计算公式如下:
其中,表示第/>个像素点的蔓延趋势的真实性,/>,/>,/>,/>分别表示第/>个尺度下第/>个像素点所在红、黄、绿、蓝颜色特征通道中的实际像素值,/>表示第/>个尺度下第/>个像素点的整体亮度值,/>表示尺度的数量,/>表示滤波窗口的边长,/>表示第/>个像素点的整体蔓延趋势矢量,/>表示滤波窗口内第/>个像素点的整体蔓延趋势矢量, />表示第/>个像素点的整体蔓延趋势矢量与水平向右方向的夹角,/>表示滤波窗口内第/>个像素点的整体蔓延趋势矢量与水平向右方向的夹角,/>表示第/>个像素点与滤波窗口内第/>个像素点之间的距离,/>表示第/>个像素点与第/>个像素点的滤波窗口内其他像素点之间的距离最大值,/>表示绝对值函数;需要说明的是,滤波窗口内的像素点计算过程中不包括地表红外图像中第/>个像素点本身,即对第/>个像素点与其滤波窗口中其他像素点进行分析计算。
所需说明的是,由于地表红外图像中表现虫害影响植被的颜色为暖色,同时由于图像显著度取决于红-绿、黄-蓝之间的像素值差异,因此通过叠加暖色调像素值与冷色调像素值并获取比值,即,该值越大说明当前像素点所在位置的颜色表现虫害影响越严重,其向外蔓延的趋势越大;获取亮度特征值/>,该值越大同样表现当前像素点在图像中突出程度越高,表现病害的可能性越大;同样由于下采样过程中图像尺寸发生改变,包含的信息有少量缺失但整体位置变化较小,因此选取像素点采样后替换的像素点继续计算并求比例均值,由此得/>,该值越大则当前像素点在该方向上的延伸的可能性越高,其真实性越高;/>表示当前窗口内第/>个像素点的与第/>个像素点之间的距离归一化值,该值越大说明当前两个像素点之间的相关性越低,因此利用/>表示;/>表示两个像素点的整体蔓延趋势矢量差异,同时利用上述距离相关性加权,遍历窗口内所有像素点,由此得/>,此时当窗口内任意两个像素点自身的趋势越大,同时二者之间的矢量角度差异越小,则当前像素点表现虫害趋势的真实性越高;结合上述计算的像素点自身颜色特征,由此得/>,该值越大说明第/>个像素点的实际虫害蔓延趋势真实性越大。
进一步的,根据上述方式,获得每个像素点的蔓延趋势的真实性。
步骤S004:根据每个像素点的蔓延趋势的真实性,获得最优滤波窗口;根据最优滤波窗口,对地表红外图像进行滤波,获得病虫害区域的显著图。
需要说明的是,如果改变滤波窗口的大小,导致窗口边缘的像素点数量增加,蔓延趋势方向也相应增多,此时,将各个蔓延趋势方向的末端相连,形成一个多边形,从而获取当前像素点的整体虫害蔓延范围,计算当前像素点的整体虫害蔓延范围的面积。蔓延趋势矢量数量的增加意味着窗口大小的增大,而相应的,形成的多边形边缘也会增多。然而随着窗口大小的增加,窗口内其他像素点对当前像素点的影响也会增加,如果窗口内存在大量正常植被表现得像素点,那么所获得的蔓延趋势以及真实性可能会降低,多边形面积的增加代表着当前像素点对应的植被区域受到的病虫害影响范围增大。这也意味着该像素点的重要性增加,需要更突出地呈现。
具体的,对于地表红外图像中第个像素点,该像素点具有整体蔓延趋势矢量,而整体蔓延趋势矢量由多个方向的矢量叠加得到,则将该像素点所有方向的矢量的末端相连,形成的多边形作为第/>个像素点的蔓延范围,则滤波窗口大小的目标函数如下:
其中,表示滤波窗口的边长为/>时目标函数的输出值,/>表示滤波窗口的边长,/>表示第/>个像素点的蔓延范围的面积,/>表示第/>个像素点蔓延趋势真实性,/>表示地表红外图像上像素点的数量,/>表示线性归一化函数,归一化对象分别喂地表红外图像中所有像素点的蔓延范围的面积或蔓延趋势真实性。
进一步的,以2为迭代步长,将从7开始进行迭代,直至/>为最大值25时,停止迭代,得到若干滤波窗口边长,将目标函数输出值最大的滤波窗口边长,作为最优滤波窗口边长,得到最优滤波窗口;通过最优滤波窗口在地表红外图像的高斯金字塔中每个尺度下的图像进行Gabor滤波,得到每个尺度下的滤波响应图像,对每个尺度下的滤波响应图像进行下采样,获得每个尺度下采样后的特征图,将所有尺度的特征图归一化,并调整至相同尺寸,通过叠加得到亮度、颜色和方向显著图,将亮度、颜色和方向显著图求均,获得最终视觉显著图,并作为病虫害区域的显著图;其中通过每个尺度下采样后的特征图,得到亮度、颜色和方向显著图,并求均得到最终视觉显著图,均为/>算法的现有技术,本实施例不再赘述。
至此,获得病虫害区域的显著图。
步骤S005:根据病虫害区域的显著图,获取病虫害区域边界。
具体的,利用Canny算子对病虫害区域的显著图进行边缘检测,获得病虫害区域边界,以此完成对病虫害区域的智能识别和防控,其中,Canny算子边缘检测为现有技术,具体不再赘述。
本发明还提供了基于红外图像的园林病虫害智能防控系统,包括存储器、处理器以及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器执行所述存储器存储的计算机程序,以实现前述的基于红外图像的园林病虫害智能防控方法的步骤。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于红外图像的园林病虫害智能防控方法,其特征在于,该方法包括以下步骤:
获取地表红外图像,并构建地表红外图像的亮度高斯金字塔和颜色高斯金字塔;
根据颜色高斯金字塔,获得每个像素点在每个方向的蔓延趋势;根据每个像素点在每个方向的蔓延趋势,获得每个像素点对应虫害的整体蔓延趋势矢量;
根据每个像素点对应虫害的整体蔓延趋势矢量,获得每个像素点的蔓延趋势的真实性;
根据每个像素点的蔓延趋势的真实性,获得最优滤波窗口;根据最优滤波窗口,对地表红外图像进行滤波,获得病虫害区域的显著图;
根据病虫害区域的显著图,获取病虫害区域边界。
2.根据权利要求1所述基于红外图像的园林病虫害智能防控方法,其特征在于,所述获取地表红外图像,并构建地表红外图像的亮度高斯金字塔和颜色高斯金字塔,包括的具体步骤如下:
获取地表红外数据,根据地表红外数据绘制地表红外图像,将地表红外图像作为高斯金字塔的输入图像,构建亮度高斯金字塔和颜色高斯金字塔。
3.根据权利要求1所述基于红外图像的园林病虫害智能防控方法,其特征在于,所述根据颜色高斯金字塔,获得每个像素点在每个方向的蔓延趋势,包括的具体步骤如下:
预设Gabor滤波的初始滤波窗口边长;以任意一个像素点为中心构建一个窗口与初始滤波窗口边长相同的邻域窗口,获取该像素点的邻域窗口,将该像素点与邻域窗口内每个边缘像素点相连,得到若干条连线,每条连线对应一个方向;则像素点在各方向的蔓延趋势的具体计算公式如下:
其中,表示第/>个像素点在/>方向的蔓延趋势,/>表示红色特征,/>表示红色特征的尺度大小总数,/>表示第/>个尺度下第/>个像素点在/>方向的连线中第/>个像素点的像素值,表示第/>个尺度下第/>个像素点在/>方向的连线中第/>个像素点的像素值,/>表示连线方向经过的像素点总个数,/>表示绝对值函数。
4.根据权利要求3所述基于红外图像的园林病虫害智能防控方法,其特征在于,所述根据每个像素点在每个方向的蔓延趋势,获得每个像素点对应虫害的整体蔓延趋势矢量,包括的具体步骤如下:
当小于等于0时,将该方向的矢量模长记为0,当/>大于0时,将/>记为该方向的矢量模长,/>为矢量的方向,得到第/>个像素点的每个方向的矢量,将第/>个像素点所有方向的矢量进行累加,得到的矢量和作为第/>个像素点对应虫害的整体蔓延趋势矢量。
5.根据权利要求1所述基于红外图像的园林病虫害智能防控方法,其特征在于,所述根据每个像素点对应虫害的整体蔓延趋势矢量,获得每个像素点的蔓延趋势的真实性,包括的具体步骤如下:
将第个像素点在红、黄颜色通道中的实际像素值的和,与绿、蓝颜色通道中的实际像素值的和的比值,并与第/>个像素点的整体亮度值的乘积,记为第一乘积,根据第一乘积以及第/>个像素点的蔓延趋势,获得每个像素点的蔓延趋势的真实性。
6.根据权利要求5所述基于红外图像的园林病虫害智能防控方法,其特征在于,所述根据第一乘积以及第个像素点的蔓延趋势,获得每个像素点的蔓延趋势的真实性,包括的具体步骤如下:
对地表红外图像中第个像素点获取Gabor滤波的窗口,记为第/>个像素点的滤波窗口,则第/>个像素点的蔓延趋势的真实性的计算公式如下:
其中,表示第/>个像素点的蔓延趋势的真实性,/>,/>,/>,/>分别表示第/>个尺度下第/>个像素点所在红、黄、绿、蓝颜色特征通道中的实际像素值,/>表示第/>个尺度下第/>个像素点的整体亮度值,/>表示尺度的数量,/>表示滤波窗口的边长,/>表示第/>个像素点的整体蔓延趋势矢量,/>表示滤波窗口内第/>个像素点的整体蔓延趋势矢量,/>表示第/>个像素点的整体蔓延趋势矢量与水平向右方向的夹角,/>表示滤波窗口内第/>个像素点的整体蔓延趋势矢量与水平向右方向的夹角,/>表示第/>个像素点与滤波窗口内第/>个像素点之间的距离,/>表示第/>个像素点与第/>个像素点的滤波窗口内其他像素点之间的距离最大值,/>表示绝对值函数,/>表示第一乘积。
7.根据权利要求4所述基于红外图像的园林病虫害智能防控方法,其特征在于,所述根据每个像素点的蔓延趋势的真实性,获得最优滤波窗口,包括的具体步骤如下:
对于地表红外图像中第个像素点,将第/>个像素点所有方向的矢量的末端相连,形成的多边形作为第/>个像素点的蔓延范围,则滤波窗口大小的目标函数如下:
其中,表示滤波窗口的边长为/>时目标函数的输出值,/>表示滤波窗口的边长,/>表示第/>个像素点的蔓延范围的面积,/>表示第/>个像素点蔓延趋势真实性,/>表示地表红外图像上像素点的数量,/>表示线性归一化函数;
根据滤波窗口的边长变化下目标函数的输出值,获取最优滤波窗口。
8.根据权利要求7所述基于红外图像的园林病虫害智能防控方法,其特征在于,所述根据滤波窗口的边长变化下目标函数的输出值,获取最优滤波窗口,包括的具体步骤如下:
根据迭代步长及初始滤波窗口边长,对滤波窗口的边长进行迭代,得到若干滤波窗口边长,将目标函数输出值最大的滤波窗口边长,作为最优滤波窗口边长,得到最优滤波窗口。
9.根据权利要求1所述基于红外图像的园林病虫害智能防控方法,其特征在于,所述根据病虫害区域的显著图,获取病虫害区域边界,包括的具体步骤如下:
对病虫害区域的显著图进行边缘检测,获得病虫害区域边界。
10.基于红外图像的园林病虫害智能防控系统,包括存储器、处理器以及存储在所述存储器上并在所述处理器上运行的计算机程序,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-9任一项所述基于红外图像的园林病虫害智能防控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410612703.3A CN118196841A (zh) | 2024-05-17 | 2024-05-17 | 基于红外图像的园林病虫害智能防控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410612703.3A CN118196841A (zh) | 2024-05-17 | 2024-05-17 | 基于红外图像的园林病虫害智能防控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118196841A true CN118196841A (zh) | 2024-06-14 |
Family
ID=91404500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410612703.3A Pending CN118196841A (zh) | 2024-05-17 | 2024-05-17 | 基于红外图像的园林病虫害智能防控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118196841A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020078692A1 (de) * | 2018-10-17 | 2020-04-23 | Robert Bosch Gmbh | Verfahren zum ausbringen eines spritzmittels auf ein feld |
CN112102211A (zh) * | 2020-11-18 | 2020-12-18 | 南京农业大学 | 一种基于温度和图像的作物胁迫预警系统及预警方法 |
CN115409742A (zh) * | 2022-11-02 | 2022-11-29 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 一种基于园林绿化的植被覆盖密度评估方法 |
CN116258968A (zh) * | 2023-05-10 | 2023-06-13 | 蒙阴县国有林场总场(蒙阴县国有岱崮林场) | 一种林果病虫管理方法及系统 |
CN117974989A (zh) * | 2024-03-28 | 2024-05-03 | 济宁市市政园林养护中心 | 一种园林植物病虫害区域快速检测方法 |
-
2024
- 2024-05-17 CN CN202410612703.3A patent/CN118196841A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020078692A1 (de) * | 2018-10-17 | 2020-04-23 | Robert Bosch Gmbh | Verfahren zum ausbringen eines spritzmittels auf ein feld |
CN112102211A (zh) * | 2020-11-18 | 2020-12-18 | 南京农业大学 | 一种基于温度和图像的作物胁迫预警系统及预警方法 |
CN115409742A (zh) * | 2022-11-02 | 2022-11-29 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 一种基于园林绿化的植被覆盖密度评估方法 |
CN116258968A (zh) * | 2023-05-10 | 2023-06-13 | 蒙阴县国有林场总场(蒙阴县国有岱崮林场) | 一种林果病虫管理方法及系统 |
CN117974989A (zh) * | 2024-03-28 | 2024-05-03 | 济宁市市政园林养护中心 | 一种园林植物病虫害区域快速检测方法 |
Non-Patent Citations (4)
Title |
---|
XUANXIN LIU等: "Acoustic Denoising Using Artificial Intelligence for Wood-Boring Pests Semanotus bifasciatus Larvae Early Monitoring", 《SENSORS》, 19 May 2022 (2022-05-19) * |
ZHAO JUAN等: "Field pest identification by an improved Gabor texture segmentation scheme", 《NEW ZEALAND JOURNAL OF AGRICULTURAL RESEARCH》, 22 February 2010 (2010-02-22) * |
刁智华: "大田小麦叶部病害智能诊断系统研究与应用", 《中国博士学位论文全文数据库 农业科技辑》, 15 October 2010 (2010-10-15) * |
张会敏;谢泽奇;张善文;: "基于改进k-means算法的猕猴桃叶部病斑分割方法", 电脑知识与技术, no. 25, 5 September 2020 (2020-09-05) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A near real-time deep learning approach for detecting rice phenology based on UAV images | |
Sarangdhar et al. | Machine learning regression technique for cotton leaf disease detection and controlling using IoT | |
CA2740503C (en) | Variable rate sprayer system and method of variably applying agrochemicals | |
Zhu et al. | In-field automatic observation of wheat heading stage using computer vision | |
CN107067043B (zh) | 一种农作物病虫害检测方法 | |
CA3129174A1 (en) | Method and apparatus for acquiring boundary of area to be operated, and operation route planning method | |
CN109711345B (zh) | 一种火焰图像识别方法、装置及其存储介质 | |
CN103336966B (zh) | 一种应用于农业智能机械的杂草图像辨识方法 | |
Hočevar et al. | Flowering estimation in apple orchards by image analysis | |
Bao et al. | UAV remote sensing detection of tea leaf blight based on DDMA-YOLO | |
US11710232B2 (en) | Image processing based advisory system and a method thereof | |
CN108960295B (zh) | 多时相的全极化sar图像提取特征的方法及分类方法 | |
CN108629289B (zh) | 农田的识别方法及系统、应用于农业的无人机 | |
CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
CN109190571B (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 | |
EP4256465A1 (en) | System and method for determining damage on plants after herbicide application | |
CN115953690B (zh) | 用于无人收割机行进校准的倒伏作物识别方法 | |
CN112204569A (zh) | 结合多光谱和地表语义的作业规划方法、装置及设备 | |
CN111753615A (zh) | 变量喷洒方法及装置、电子设备及存储介质 | |
Sukhanov et al. | Fusion of LiDAR, hyperspectral and RGB data for urban land use and land cover classification | |
CN118196841A (zh) | 基于红外图像的园林病虫害智能防控方法及系统 | |
CN112418050B (zh) | 退耕地信息遥感识别方法及装置 | |
CN111610159B (zh) | 地表温度降尺度估算方法及植被水分胁迫监测方法 | |
CN116258968B (zh) | 一种林果病虫管理方法及系统 | |
CN115527111A (zh) | 水稻种植信息及复种指数遥感提取方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |