DE10221124A1 - Verfahren und Vorrichtung zur automatischen Auszählung und Klassifizierung von tierischen Schädlingen - Google Patents

Verfahren und Vorrichtung zur automatischen Auszählung und Klassifizierung von tierischen Schädlingen

Info

Publication number
DE10221124A1
DE10221124A1 DE10221124A DE10221124A DE10221124A1 DE 10221124 A1 DE10221124 A1 DE 10221124A1 DE 10221124 A DE10221124 A DE 10221124A DE 10221124 A DE10221124 A DE 10221124A DE 10221124 A1 DE10221124 A1 DE 10221124A1
Authority
DE
Germany
Prior art keywords
image
objects
flat base
animal pests
analysis
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.)
Withdrawn
Application number
DE10221124A
Other languages
English (en)
Inventor
Walter Schmitt
Franco Fois
Peter Trodtfeld
Hanskarl Kirfel
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayer CropScience AG
Original Assignee
Bayer CropScience AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bayer CropScience AG filed Critical Bayer CropScience AG
Priority to DE10221124A priority Critical patent/DE10221124A1/de
Publication of DE10221124A1 publication Critical patent/DE10221124A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • 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
    • G06T2207/30004—Biomedical image processing

Abstract

Die Erfindung betrifft ein Verfahren zur Auszählung und/oder Klassifizierung von tierischen Schädlingen zur Bestimmung des Befalls von Pflanzen mit den Schritten DOLLAR A a) Bereitstellen einer flachen Unterlage mit den tierischen Schädlingen einer Befallsprobe, wobei zumindestens für einen Teil der tierischen Schädlinge das Verhältnis der Fläche eines tierischen Schädlings zur Gesamtfläche der Unterlage höchstens 10·-5· beträgt, bevorzugt kleiner als 5 È 10·-6·, besonders bevorzugt kleiner als 10·-6· ist, DOLLAR A b) Platzierung der flachen Unterlage in einer digitalen Bilderfassungseinheit, die mit einer digitalen Datenverarbeitungseinrichtung verbunden werden kann, DOLLAR A c) Aufnahme eines Bildes der flachen Unterlage mit den darauf befindlichen Objekten mit einer Auflösung von mindestens 10·7·-10·8· Pixeln, DOLLAR A d) Analyse des aufgenommenen Bildes durch die digitale Datenverarbeitungseinrichtung DOLLAR A sowie eine Vorrichtung zur Durchführung dieses Verfahrens.

Description

  • Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Auszählung und/oder Klassifizierung von tierischen Schädlingen zur Bestimmung des Befalls von Pflanzen mit tierischen Schädlingen. Die Bestimmung eines solchen Befalls erfolgt im allgemeinen durch eine statistische Aussage über die pro Blatt oder Pflanze vorhandene Anzahl der Schadinsekten. Die Bestimmung der Befallsstärke von Pflanzen ist notwendig zur Überprüfung der Wirksamkeit von Insektiziden, aber auch zur Feststellung eines Bedarfs zur Behandlung von Pflanzen mit Insektiziden.
  • Insbesondere bei kleinen saugenden Insekten (Blattläuse, Spinnmilben) ist ein häufig verwendetes Verfahren zur Feststellung der Befallsstärke das Abbürsten und Auffangen der tierischen Schädlinge von einer repräsentativen Anzahl von Blättern.
  • Nach konventioneller Vorgehensweise werden die tierischen Schädlinge anschließend visuell ausgezählt und dabei gegebenenfalls noch in verschiedene Klassen (z. B. unterschiedliche Entwicklungsstadien oder lebende oder tote tierische Schädlinge) eingeteilt. Aufgrund der geringen Größe der tierischen Schädlinge ist das Zählen nur mit Hilfe einer Vergrößerungsoptik (Lupe, Mikroskop) möglich. Diese Vorgehensweise bedeutet einen erheblichen Aufwand. Zusätzlich ist die Gefahr einer Fehlzählung relativ groß, da die Arbeit eine hohe Konzentration erfordert.
  • Für die automatisierte Erkennung und Zählung von Objekten sind verschiedene bild- analytische Verfahren bekannt und beschrieben (siehe z. B. Ernst, "Einführung in die digitale Bildverarbeitung", Franzis-Verlag, 1991, p. 195-233). Typischerweise wird zur Bilderzeugung bei solchen Verfahren eine CCD-Kamera verwendet, deren Bilder in einem Computer (z. B. PC) digitalisiert und anschließend durch eine spezialisierte Software ausgewertet werden. Der Einsatz solcher Bildauswertesysteme zur Bestimmung toxischer, oder insektizider Wirkung auf Mikroorganismen und Insekten in Wasser ist in WO 95/25955 und JP 2000231635-A beschrieben. In beiden Fällen ist das primäre Ziel eine Bestimmung der Mobilität einer relativ kleinen Anzahl von Tieren, die sich in einem kleinen Wasservolumen aufhalten. Nachteilig an diesen Verfahren ist, dass sie zunächst nur auf die Bahn-Verfolgung von bewegten Objekten angelegt sind. Hieraus ergibt sich die Notwendigkeit Serien von zeitlich schnell aufeinanderfolgenden Bildern aufzunehmen. Dies ist mit den derzeit zur Verfügung stehenden technischen Mitteln (CCD-Kameras) nur mit begrenzter örtlicher Bildauflösung möglich (< 5 Mio Bildpunkte (Pixel)). Eine Erkennung und Zählung verschiedener, auch unbewegter Objekte anhand von anderen Merkmalen als der Beweglichkeit, ist bei den beschriebenen Methoden nicht vorgesehen und mit ihnen auch nicht möglich.
  • Um eine Klassifizierung von Objekten nach Form und/oder Farbe vornehmen zu können, sollte ein einzelnes Objekt mindestens 100 Bildpunkte umfassen. In Bildern mit 5 Millionen Bildpunkten können daher nur Objekte klassifiziert werden, deren Fläche mindesten den 2 × 10-5ten Teil der Bildfläche einnimmt.
  • Für unbewegte Objekte (Gewebeschnitte, Mineralien) ist der Einsatz von Photoscannern zur Bilderzeugung in der Bildanalyse in einigen Beispielen beschrieben (Gebert A; Werner K; Posselt W., ANATOMY AND EMBRYOLOGY 198 (5) (1998): 435-438; Marschallinger R., COMPUTERS & GEOSCIENCES 23 (1) (1997): 119-126). Diese sind nach dem derzeitigen Stand in der Lage Bilder mit bis zu 5 × 108 Pixeln zu erzeugen.
  • Die erfindungsgemäße Aufgabe besteht in der Abbildung eines Ensembles von tierischen Schädlingen, das auch sehr kleine tierische Schädlinge umfasst, in einem einzigen Bild zur automatischen Auszählung und Klassifizierung mit einer Qualität, die für die anschließende Bildanalyse nach Form und/oder Farbe ausreichend ist.
  • Die erfindungsgemäße Aufgabe wird durch das Verfahren zur Auszählung und/oder Klassifizierung von tierischen Schädlingen zur Bestimmung des Befalls von Pflanzen, enthaltend die Schritte
    • a) Bereitstellen einer flachen Unterlage mit den tierischen Schädlingen einer Befallsprobe, wobei zumindestens für einen Teil der tierischen Schädlinge das Verhältnis der Fläche eines tierischen Schädlings zur Gesamtfläche der Unterlage höchstens 10-5 beträgt, bevorzugt kleiner als 5 × 10-6, besonders bevorzugt kleiner als 10-6 ist,
    • b) Platzierung der flachen Unterlage in einer digitalen Bilderfassungseinheit, die mit einer digitalen Datenverarbeitungseinrichtung verbunden werden kann,
    • c) Aufnahme eines Bildes der gesamten flachen Unterlage mit den darauf befindlichen Objekten mit einer Auflösung im Bereich von mindestens 107 bis 108 Pixeln,
    • d) Analyse des aufgenommenen Bildes durch die digitale Datenverarbeitungseinrichtung,
    gelöst.
  • Die Fläche des tierischen Schädlings meint dabei die auf die Unterlage projezierte Fläche des Körpers des tierischen Schädlings.
  • Die gewählte Auflösung bei der Aufnahme eines Bildes der gesamten flachen Unterlage mit den darauf befindlichen Objekten ist abhängig vom Verhältnis der Fläche der tierischen Schädlinge zur Fläche der Unterlage, je kleiner dieses Verhältnis ist, desto höher muss die Auflösung sein.
  • Mit dem erfindungsgemäßen Verfahren, kann bei einer typischen Fläche der tierischen Schädlinge von 0,03 mm2 der Durchmesser der Unterlage bis zu 20 cm betragen und immer noch eine für die automatische Auszählung und Klassifizierung ausreichende Qualität für die Bildanalyse nach Form und/oder Farbe gewährleistet werden.
  • Zur Erzeugung der Befallsprobe kann zunächst wie bei der visuellen Auswertung vorgegangen werden, das heißt, die tierischen Schädlinge werden zunächst von den Blättern einer oder mehrerer Pflanzen auf eine flache Unterlage abgebürstet.
  • Die flache Unterlage hat bevorzugt eine Fläche von mindestens 5 000 mm2, um alle herunterfallenden tierischen Schädlinge aufzufangen.
  • Vorteilhaft ist die Verwendung eines Flachbettscanners als Bilderfassungseinheit, da mit diesem die Auflösung von mindestens 107 Pixeln erreicht werden kann, und gleichzeitig Flächen in der typischen Größe von > 5 000 mm2 abgebildet werden können. So lassen sich ohne Vergrößerungsoptik auch sehr kleine tierische Schädlinge wie z. B. Spinnmilben oder Blattläuse und auch deren Eier in ausreichender Qualität abbilden.
  • Die digitale Bilderfassungseinheit kann auch transportabel sein.
  • Bei Verwendung einer transparenten Unterlage kann diese mit den tierischen Schädlingen direkt auf die digitale Bilderfassungseinheit z. B. den Flachbett-Scanner gelegt und abgebildet werden. In Fällen, in denen die tierischen Schädlingen z. B. aufgrund von Farbunterschieden gut auf einer intransparenten Unterlage wie Papier erkennen lassen, ist auch die Abbildung mit der intransparenten Unterlage möglich.
  • Bevorzugt werden die aufgenommenen Bilder vor dem Analyseschritt in einer Speichereinheit der digitalen Datenverarbeitungseinrichtung abgespeichert und die Analyse der Bilder erfolgt dann zu einem späteren Zeitpunkt, z. B. mindestens ein Stunde später und/oder an einem anderen Ort. Wenn die Befallsprobe z. B. auf einem Versuchsfeld aufgenommen wurde, dann kann die Analyse der aufgenommenen Bilder zu einem späteren Zeitpunkt in geschlossenen Arbeitsräumen erfolgen.
  • Die Ergebnisse der Analyse können in einer Speichereinheit der digitalen Datenverarbeitungseinrichtung abgespeichert werden.
  • Das Verfahren zur Auszählung und/oder Klassifizierung von tierischen Schädlingen richtet sich nach der im jeweiligen Fall spezifischen Fragestellung. Im wesentlichen können folgende Arten der Auswertung auftreten:
    • - Erkennen und Zählen der lebenden tierischen Schädlinge
    • - Klassifizierung der lebenden tierischen Schädlinge in verschiedene Arten, z. B. Nützlinge, Schädlinge, für den Versuch nicht relevante tierische Schädlinge
    • - Klassifizierung der lebenden tierischen Schädlinge in Entwicklungsstadien
    • - Zählung von Eiern oder sonstiger ruhender Objekte
  • Zum Erkennen der lebenden tierischen Schädlinge wird deren Bewegung ausgenutzt. Dies geschieht dadurch, dass zwei Bilder der gleichen Befallsprobe in einem gewissen zeitlichen Abstand aufgenommen und voneinander subtrahiert werden. Im so entstehenden Differenzbild sind dann nur noch Objekte zu erkennen, die sich im Zeitraum zwischen der Aufnahme der beiden Bildern bewegt haben. Der Zeitraum zwischen der Aufnahme der beiden Bilder liegt bevorzugt im Bereich von 0,5 bis 10 min, besonders bevorzugt im Bereich von 1 bis 5 min. Eventuell müssen die tierischen Schädlinge in diesem Zeitraum durch einen Reiz zur Bewegung veranlasst werden. In der Regel ist hierfür jedoch die zur Bildaufnahme notwendige Beleuchtung als Lichtreiz ausreichend.
  • Eine Klassifizierung der im Differenzbild erkannten, lebenden tierischen Schädlinge nach Arten oder nach Entwicklungsstadien lässt sich mit in der digitalen Bildanalyse üblichen EDV-Mitteln anhand von Form und Farbmerkmalen durchführen, wobei jeder Klasse von tierischen Schädlingen bestimmte Formmerkmale und Farb- bzw. Grauwerte zugeordnet sind. Formmerkmale können dabei sein die Größe der eingenommenen Bildfläche, typische Formmaße wie Rundheit, Form und Länge des Umfangs oder ein Formfaktor.
  • Zur Zählung von Eiern und anderen ruhenden Objekten werden diese zunächst anhand von vorgegebenen Formmerkmalen und Farb- oder Grauwerten im Originalbild erkannt und dann gezählt. Im Gegensatz zur Erkennung im Differenzbild sind hier allerdings die Anforderungen deutlich höher, da das Originalbild in der Regel eine große Anzahl störender Objekte (wie Schmutzpartikel) enthält, von denen die gesuchten Objekte unterschieden werden müssen. Daher ist die Anwendung auf Eier oder sonstige ruhende Objekte beschränkt, die sich in ihren Merkmalen eindeutig von zufällig vorhandenen unterscheiden. Bei Eiern ist dies z. B. durch ihre einheitlich runde Form gegeben.
  • Nach der Analyse des oder der aufgenommenen Bilder kann durch eine geeignete Software die Zusammenfassung der Ergebnisse in Berichts- oder Tabellenform erfolgen. Auch der direkte Eintrag der Ergebnisse in eine Ergebnisdatenbank ist möglich.
  • Die Lösung der erfindungsgemäßen Aufgabe besteht weiterhin in einer Vorrichtung zur Auszählung und/oder Klassifizierung von tierischen Schädlingen, enthaltend eine digitale Bilderfassungseinheit zur Aufnahme eines Bildes einer flachen Unterlage mit darauf befindlichen tierischen Schädlingen einer Befallsprobe mit einer Auflösung von mindestens 107-108 Pixeln, wobei zumindestens für einen Teil der tierischen Schädlinge das Verhältnis der Fläche eines tierischen Schädlings zur Bildfläche höchstens 10-5 beträgt, bevorzugt kleiner als 5 × 10-6, besonders bevorzugt kleiner als 10-6 ist, und die digitale Bilderfassungseinheit mit einer digitalen Datenverarbeitungseinrichtung verbunden werden kann. Weiterhin weist die Vorrichtung eine digitale Datenverarbeitungseinrichtung mit einem Prozessor zur Analyse der aufgenommenen Bilder der flachen Unterlage mit den darauf befindlichen tierischen Schädlingen und einer Speichereinheit zur Speicherung des Bildes der flachen Unterlage mit den darauf befindlichen tierischen Schädlingen und/oder der Ergebnisse der Analyse.
  • Der Prozessor kann geeignete Programmittel aufweisen, um ein Differenzbild zwischen zwei durch die digitale Bilderfassungseinheit aufgenommenen Bildern zu erzeugen.
  • Der Prozessor kann geeignete Standard-Objekterkennungsalgorithmen aufweisen, um die Zahl von Objekten auf einem durch die digitale Bilderfassungseinheit aufgenommenen Bild oder einem Differenzbild zu ermitteln.
  • Der Prozessor kann auch geeignete Programmittel aufweisen, um über eine digitale Bildanalyse von Objekten auf einem durch die digitale Bilderfassungseinheit aufgenommenen Bild oder einem Differenzbild nach vorgegebenen Formmerkmalen und Farb- bzw. Grauwerten, die Objekte bestimmten Klassen, die durch bestimmte Formmerkmale und Farb- bzw. Grauwerte gekennzeichnet sind, zuzuordnen.
  • Die Formmerkmale können dabei die Größe der eingenommenen Bildfläche, die Rundheit, Form und Länge des Umfangs oder ein Formfaktor sein.
  • Durch die mögliche Trennung von Bildaufnahme und -auswertung ergibt sich als besonderer Vorteil des erfindungsgemäßen Verfahrens die Möglichkeit die Bilder der Befallsprobe mit einer mobilen Bilderfassungseinheit direkt am Ort der Probennahme (Versuchsfeld) zu erfassen. Die aufgenommenen Bilder können dann gespeichert und zu einem späteren Zeitpunkt ausgewertet werden.
    • Figuren und Beispiele
  • Im folgenden wird am Beispiel der Auswertung eines Versuches mit Spinnmilben gezeigt, dass die beschriebene Vorgehensweise zu Ergebnissen führt, die gut mit den auf herkömmlichem Weg erhaltenen übereinstimmen.
  • Für den Versuch wurden fünf mit Spinnmilben befallene Buschbohnenblätter untersucht. Die Blätter wurden in einer speziellen Apparatur mit rotierenden Bürsten abgebürstet, und das abgebürstete Material auf einer transparenten Kunststoffscheibe mit einem Durchmesser von 9 cm aufgefangen.
  • Die visuelle Auswertung erfolgte durch Auszählen der auf der Kunststoffscheibe befindlichen beweglichen, das heißt lebenden Tiere und der Eier. Aufgrund der geringen Fläche der zu zählenden Objekte (0,008-0,2 mm2) wurde hierfür ein Binokular verwendet. Zur besseren Orientierung wird die Kunststoffscheibe während des Zählens auf einer Segmentscheibe mit 20 Segmenten platziert. Die Zählung erfolgt dann segmentweise. Bei größeren Dichten der zu zählenden Objekte erfolgt die Auszählung üblicherweise nur in einer Stichprobe der Segmente. Die Gesamtzahl wird dann auf die gesamte Fläche hochgerechnet.
  • Für die automatische Auswertung wurden die Kunststoffplatten mit einem Flachbettscanner vor einem dunklen Hintergrund eingescannt, wobei jeweils zwei Bilder in einem zeitlichen Abstand von 90 s aufgenommen und im angeschlossenen Computer abgespeichert wurden.
  • Zur Zählung der lebenden Tiere wurden die beiden digital vorliegenden Bilder einer Probe von einander subtrahiert. Im erhaltenen Differenzbild sind nur noch Objekte vor schwarzem Hintergrund enthalten, die sich in der Zeit zwischen den beiden Bildaufnahmen bewegt haben. Diese wurden mit einem Standard-Objekterkennungsalgorithmus (Segmentierung) anhand ihres Helligkeitswertes erkannt und gezählt. Die so erhaltene Zahl gibt in Tabelle 1 die Anzahl der Tiere an.
  • Das Zählen der Eier erfolgte ebenfalls durch Erkennung und Zählung von Objekten in einem der beiden Originalbilder. In diesem Fall wurden neben der Helligkeit noch weitere Kriterien verwendet, um die Eier von sonstigen in der Proben enthaltenen Partikeln (z. B. Staub) zu unterscheiden. Konkret waren dies die Eigenschaften:
    • - Größe = Anzahl der Bildpunkt im gefundenen Objekt
    • - Grauwert
    • - Formfaktor = Verhältnis von großer und kleiner Halbachse einer Ellipse, die an das Objekt angepasst wird
    • - Rundheit = Umfang2/(Fläche.4.π)
  • Wie aus der Tabelle zu erkennen ist, ergibt sich eine sehr gute Übereinstimmung für die Ergebnisse der beiden Methoden. Tabelle 1 Vergleich zwischen visueller und automatischer Auswertung für Spinnmilben-Versuche

Claims (28)

1. Verfahren zur Auszählung und/oder Klassifizierung von tierischen Schädlingen zur Bestimmung des Befalls von Pflanzen, enthaltend die Schritte
a) Bereitstellen einer flachen Unterlage mit den tierischen Schädlingen einer Befallsprobe, wobei zumindestens für einen Teil der tierischen Schädlinge das Verhältnis der Fläche eines tierischen Schädlings zur Gesamtfläche der Unterlage höchstens 10-5 beträgt, bevorzugt kleiner als 5 × 10-6, besonders bevorzugt kleiner als 10-6 ist,
b) Platzierung der flachen Unterlage in einer digitalen Bilderfassungseinheit, die mit einer digitalen Datenverarbeitungseinrichtung verbunden werden kann,
c) Aufnahme eines Bildes der flachen Unterlage mit den darauf befindlichen Objekten mit einer Auflösung von mindestens 107 bis 108 Pixeln,
d) Analyse des aufgenommenen Bildes durch die digitale Datenverarbeitungseinrichtung.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass vor Schritt a) die tierischen Schädlinge von den Blättern einer oder mehrerer Pflanzen abgebürstet und auf einer flachen Unterlage aufgefangen werden.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die flache Unterlage ein Fläche von mindestens 5000 mm2 hat.
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Unterlage transparent ist.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass die digitale Bilderfassungseinheit ein Flachbettscanner ist.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass die digitale Bilderfassungseinheit transportabel ist.
7. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass vor Schritt d) die aufgenommenen Bilder in einer Speichereinheit der digitalen Datenverarbeitungseinrichtung abgespeichert werden.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass Schritt d) in einem zeitlichen Abstand t1 und/oder räumlich getrennt von Schritt d) erfolgt.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass t1 mindestens 1 Stunde beträgt.
10. Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass nach Schritt d) als weiterer Schritt die Speicherung der Ergebnisse der Analyse in einer Speichereinheit der digitalen Datenverarbeitungseinrichtung erfolgt.
11. Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass es sich bei den tierischen Schädlingen um Spinnenmilben oder Blattläuse handelt.
12. Verfahren nach einem der Ansprüche 1 bis 11, dadurch gekennzeichnet, dass die tierischen Schädlinge der Probe lebende Tiere, tote Tiere und/oder Eier sind.
13. Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass die Analyse in der Erkennung und Zählung der lebenden Tiere besteht und die Schritte
1. Aufnahme eines weiteren Bildes der flachen Unterlage mit den darauf befindlichen Objekten in einem zeitlichen Abstand t2 zur ersten Aufnahme des Bildes der flachen Unterlage,
2. Berechnung eines Differenzbildes zwischen erstem und zweitem Bild der flachen Unterlage
3. Zählung aller Objekte auf dem Differenzbild.
14. Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass die Analyse in der Klassifizierung der lebenden Tiere in verschiedene Arten besteht und die Schritte
1. Aufnahme eines weiteren Bildes der flachen Unterlage mit den darauf befindlichen Objekten in einem zeitlichen Abstand t2 zur ersten Aufnahme des Bildes der flachen Unterlage,
2. Berechnung eines Differenzbildes zwischen erstem und zweitem Bild der flachen Unterlage
3. digitale Bildanalyse der Objekte des Differenzbildes nach vorgegebenen Form- und Farbmerkmalen, wobei jeder Klasse bestimmte Formmerkmale und Farb- bzw. Grauwerte zugeordnet sind.
15. Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass die Analyse in der Klassifizierung der lebenden Tiere in verschiedene Entwicklungsstadien besteht und die Schritte
1. Aufnahme eines weiteren Bildes der flachen Unterlage mit den darauf befindlichen Objekten in einem zeitlichen Abstand t2 zur ersten Aufnahme des Bildes der flachen Unterlage,
2. Berechnung eines Differenzbildes zwischen erstem und zweitem Bild der flachen Unterlage
3. digitale Bildanalyse der Objekte des Differenzbildes nach vorgegebenen Form- und Farbmerkmalen, wobei jedem Entwicklungsstadium bestimmte Formmerkmale und Farb- bzw. Grauwerte zugeordnet sind.
16. Verfahren nach einem der Ansprüche 13 bis 15, dadurch gekennzeichnet, dass t2 im Bereich von 0,5 bis 10 min. bevorzugt von 1 bis 5 min liegt.
17. Verfahren nach einem der Ansprüche 13 bis 16, dadurch gekennzeichnet, dass zwischen Schritt c) und Schritt d1) ein Reiz auf die tierischen Schädlinge auf der flachen Unterlage ausgeübt wird.
18. Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass die Analyse in der Zählung von Eiern oder anderen ruhenden Objekten besteht und eine digitale Bildanalyse des Bildes der flachen Unterlage nach vorgegebenen Formmerkmale und Farb- oder Grauwerten für die Eier oder andere ruhende Objekte erfolgt und dann die Zahl der so ermittelten Eier oder anderer ruhender Objekte gezählt wird.
19. Verfahren nach Anspruch 14 bis 18, dadurch gekennzeichnet, dass die Formmerkmale die Größe der eingenommenen Bildfläche, die Rundheit, Form und Länge des Umfangs oder ein Formfaktor sind.
20. Vorrichtung zur Durchführung des Verfahrens nach den Ansprüchen 1 bis 19, enthaltend
- eine digitale Bilderfassungseinheit zur Aufnahme eines Bildes einer flachen Unterlage mit darauf befindlichen tierischen Schädlingen einer Befallsprobe mit einer Auflösung von mindestens 107-108 Pixeln, wobei zumindestens für einen Teil der tierischen Schädlinge das Verhältnis der Fläche eines tierischen Schädlings zur Gesamtfläche der Unterlage höchstens 10-5 beträgt, bevorzugt kleiner als 5 × 10-6, besonders bevorzugt kleiner als 10-6 ist,
- eine digitale Datenverarbeitungseinrichtung mit einem Prozessor zur Analyse der aufgenommenen Bilder der flachen Unterlage und einer Speichereinheit zur Speicherung des Bildes der flachen Unterlage und/oder der Ergebnisse der Analyse.
21. Vorrichtung nach Anspruch 20, dadurch gekennzeichnet, dass Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die flache Unterlage ein Fläche von mindestens 5000 mm2 hat.
22. Vorrichtung nach Anspruch 20 oder 21, dadurch gekennzeichnet, dass die Unterlage transparent ist.
23. Vorrichtung nach einem der Ansprüche 20 bis 22, dadurch gekennzeichnet, dass die digitale Bilderfassungseinheit ein Flachbettscanner ist.
24. Vorrichtung nach einem der Ansprüche 20 bis 23, dadurch gekennzeichnet, dass die digitale Bilderfassungseinheit transportabel ist.
25. Vorrichtung nach einem der Ansprüche 20 bis 24, dadurch gekennzeichnet, dass der Prozessor geeignete Programmittel aufweist, um ein Differenzbild zwischen zwei durch die digitale Bilderfassungseinheit aufgenommenen Bildern zu erzeugen.
26. Vorrichtung nach einem der Ansprüche 20 bis 25, dadurch gekennzeichnet, dass der Prozessor geeignete Standard-Objekterkennungsalgorithmen aufweist, um die Zahl von Objekten auf einem durch die digitale Bilderfassungseinheit aufgenommenen Bild oder einem Differenzbild zu ermitteln.
27. Vorrichtung nach einem der Ansprüche 20 bis 26, dadurch gekennzeichnet, dass der Prozessor geeignete Programmittel aufweist, um über eine digitale Bildanalyse von Objekten auf einem durch die digitale Bilderfassungseinheit aufgenommenen Bild oder einem Differenzbild nach vorgegebenen Formmerkmalen und Farb- bzw. Grauwerten, die Objekten bestimmten Klasse die durch bestimmte Formmerkmale und Farb- bzw. Grauwerte gekennzeichnet sind, zuzuordnen.
28. Vorrichtung nach Anspruch 27, dadurch gekennzeichnet, dass Formmerkmale die Größe der eingenommenen Bildfläche, die Rundheit, Form und Länge des Umfangs oder ein Formfaktor sind.
DE10221124A 2002-05-13 2002-05-13 Verfahren und Vorrichtung zur automatischen Auszählung und Klassifizierung von tierischen Schädlingen Withdrawn DE10221124A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE10221124A DE10221124A1 (de) 2002-05-13 2002-05-13 Verfahren und Vorrichtung zur automatischen Auszählung und Klassifizierung von tierischen Schädlingen

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE10221124A DE10221124A1 (de) 2002-05-13 2002-05-13 Verfahren und Vorrichtung zur automatischen Auszählung und Klassifizierung von tierischen Schädlingen

Publications (1)

Publication Number Publication Date
DE10221124A1 true DE10221124A1 (de) 2003-11-27

Family

ID=29285320

Family Applications (1)

Application Number Title Priority Date Filing Date
DE10221124A Withdrawn DE10221124A1 (de) 2002-05-13 2002-05-13 Verfahren und Vorrichtung zur automatischen Auszählung und Klassifizierung von tierischen Schädlingen

Country Status (1)

Country Link
DE (1) DE10221124A1 (de)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2480496A (en) * 2010-05-21 2011-11-23 Henry James Innes Baxendell Method and apparatus for the monitoring and control of pests in honeybee colonies
CN103235935A (zh) * 2013-04-18 2013-08-07 北京农业信息技术研究中心 一种白粉虱种群密度的估计方法
DE102016225806A1 (de) * 2016-12-21 2018-06-21 Henkel Ag & Co. Kgaa Verfahren zur Erfassung und Klassifizierung von Objekten
EP3626077A1 (de) * 2018-09-21 2020-03-25 Bayer AG Schädlingskontrolle
WO2020058175A1 (de) * 2018-09-21 2020-03-26 Bayer Aktiengesellschaft Detektion von gliederfüssern
US20220217966A1 (en) * 2021-01-11 2022-07-14 Zhejiang University Digital detection method and system for predicting drug resistance of transgenic maize

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3836716A1 (de) * 1988-10-28 1990-05-03 Zeiss Carl Fa Verfahren zur auswertung von zellbildern
DE4211904A1 (de) * 1991-04-09 1992-11-19 Werner Maier Verfahren und vorrichtung zum erstellen einer artenliste fuer eine fluessige probe
US5403722A (en) * 1992-07-13 1995-04-04 Minnesota Mining And Manufacturing Company Technique to count objects in a scanned image
DE19845883A1 (de) * 1997-10-15 1999-05-27 Lemnatec Gmbh Labor Fuer Elekt Vorrichtung zur Durchführung von Biotests

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3836716A1 (de) * 1988-10-28 1990-05-03 Zeiss Carl Fa Verfahren zur auswertung von zellbildern
DE4211904A1 (de) * 1991-04-09 1992-11-19 Werner Maier Verfahren und vorrichtung zum erstellen einer artenliste fuer eine fluessige probe
US5403722A (en) * 1992-07-13 1995-04-04 Minnesota Mining And Manufacturing Company Technique to count objects in a scanned image
DE19845883A1 (de) * 1997-10-15 1999-05-27 Lemnatec Gmbh Labor Fuer Elekt Vorrichtung zur Durchführung von Biotests

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2480496A (en) * 2010-05-21 2011-11-23 Henry James Innes Baxendell Method and apparatus for the monitoring and control of pests in honeybee colonies
CN103235935A (zh) * 2013-04-18 2013-08-07 北京农业信息技术研究中心 一种白粉虱种群密度的估计方法
DE102016225806A1 (de) * 2016-12-21 2018-06-21 Henkel Ag & Co. Kgaa Verfahren zur Erfassung und Klassifizierung von Objekten
EP3626077A1 (de) * 2018-09-21 2020-03-25 Bayer AG Schädlingskontrolle
WO2020058175A1 (de) * 2018-09-21 2020-03-26 Bayer Aktiengesellschaft Detektion von gliederfüssern
US11659826B2 (en) 2018-09-21 2023-05-30 Bayer Aktiengesellschaft Detection of arthropods
US20220217966A1 (en) * 2021-01-11 2022-07-14 Zhejiang University Digital detection method and system for predicting drug resistance of transgenic maize
US11864552B2 (en) * 2021-01-11 2024-01-09 Zhejiang University Digital detection method and system for predicting drug resistance of transgenic maize

Similar Documents

Publication Publication Date Title
Miranda et al. Pest detection and extraction using image processing techniques
DE2831582C2 (de) Verfahren zur Identifizierung einer Person und Vorrichtung zur Durchführung des Verfahrens
DE19747415C2 (de) Verfahren zur Unterstützung eines Betrachters bei der Durchmusterung einer Probe und zytologisches Probenanalysiersystem
DE102008059788B4 (de) Analyse und Klassifizierung insbesondere biologischer oder biochemischer Objekte auf Basis von Zeitreihen-Bildern, anwendbar bei der zytometrischen Time-Lapse-Zellanalyse in der bildbasierten Zytometrie
DE60307583T2 (de) Auswertung der Schärfe eines Bildes der Iris eines Auges
DE102013017395B3 (de) Verfahren und Vorrichtung zur automatisierten Waldbrandfrüherkennung mittels optischer Detektion von Rauchwolken
EP1181525B1 (de) Verfahren zur automatischen analyse von mikroskopaufnahmen
EP2656277B1 (de) Vorrichtung und verfahren zur bestimmung von objekten in einer farbaufnahme
EP1797533B1 (de) Verfahren und vorrichtung zur segmentierung einer digitalen abbildung von zellen
DE4211904C2 (de) Automatisches Verfahren zum Erstellen einer Liste unterschiedlicher Arten für eine flüssige Probe
WO2010063252A1 (de) Verfahren zur vermessung des wachstums von blattscheiben von pflanzen sowie eine dazu geeignete vorrichtung
DE102012110375A1 (de) Verfahren und Vorrichtung zum Ausführen verschiedener Dekodieralgorithmen an verschiedenen Positionen
EP2034461A2 (de) Verfahren zur Detektion und/oder Verfolgung von bewegten Objekten in einer Überwachungsszene mit Störern, Vorrichtung sowie Computerprogramm
DE60313662T2 (de) Histologische bewertung des nuklearpleomorphismus
DE10100615A1 (de) Handerkennung mit Positionsbestimmung
Garcia et al. Acquisition of digital images and identification of Aedes Aegypti mosquito eggs using classification and deep learning
DE10221124A1 (de) Verfahren und Vorrichtung zur automatischen Auszählung und Klassifizierung von tierischen Schädlingen
EP3247990B1 (de) Verfahren und vorrichtung zur ermittlung der wirkung von wirkstoffen an nematoden und anderen organismen in wässrigen tests
DE10347123B4 (de) Verfahren zur automatischen Bestimmung auf einem Träger gesammelter luftgetragener Partikel insbesondere Pilzsporen
DE19801400C2 (de) Verfahren zur automatischen Erkennung, Eigenschaftsbeschreibung und Interpretation von Hep-2-Zellmustern
DE102009033927B4 (de) Vorrichtung und Verfahren zum Lokalisieren eines validen Bereiches eines Blutausstriches
DE2450112B2 (de) Verfahren und Anordnung zur zerstörungsfreien Analyse biologischer Zellen einer mindestens zwei unterschiedliche, Licht bekannter Wellenlange unterschiedlich stark absorbierende Zellen typen in zueinander festgelegter Lage enthaltenden Probe
DE112018000224B4 (de) Verfahren und Vorrichtung zum Bestimmen einer Position eines Schlitzes in einer zu verarbeitenden Probe
EP1154370B1 (de) Automatische Bonitierung von biologischen Objekten auf der Basis dynamischer Farbanalyse mit nachfolgender Grössen- und Formanalyse
DE102008001174A1 (de) Inspektionssystem und -verfahren für die optische Untersuchung von Objektoberflächen, insbesondere von Waferoberflächen

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8130 Withdrawal