KR20180133612A - 특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 분석방법 - Google Patents

특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 분석방법 Download PDF

Info

Publication number
KR20180133612A
KR20180133612A KR1020170070638A KR20170070638A KR20180133612A KR 20180133612 A KR20180133612 A KR 20180133612A KR 1020170070638 A KR1020170070638 A KR 1020170070638A KR 20170070638 A KR20170070638 A KR 20170070638A KR 20180133612 A KR20180133612 A KR 20180133612A
Authority
KR
South Korea
Prior art keywords
image
fruit
image feature
pest
feature point
Prior art date
Application number
KR1020170070638A
Other languages
English (en)
Inventor
김수진
Original Assignee
주식회사 엘시스
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 주식회사 엘시스 filed Critical 주식회사 엘시스
Priority to KR1020170070638A priority Critical patent/KR20180133612A/ko
Publication of KR20180133612A publication Critical patent/KR20180133612A/ko

Links

Images

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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G17/00—Cultivation of hops, vines, fruit trees, or like trees
    • A01G17/005—Cultivation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F17/30017—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06K9/4642—
    • G06K9/6267—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Agronomy & Crop Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Environmental Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Animal Husbandry (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Botany (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 병해충 이미지 분석방법에 관한 것으로, 보다 구체적으로는 특용 과수의 영상을 촬영하여 과수 자체의 영상 특징점과 과수의 병해 영상 특징점, 해충 영상 특징점을 추출하여 기 저장된 데이터 베이스와 비교함으로써 과수의 유형 및 크기, 병해 및 해충의 종류, 유형을 판단할 수 있는 병해충 이미지 분석방법에 관한 것이다.

Description

특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 분석방법{Insect pest image analyzing method for insect pest prediction system of cash crops}
본 발명은 병해충 이미지 분석방법에 관한 것으로, 보다 구체적으로는 특용 과수의 영상을 촬영하여 과수 자체의 영상 특징점과 과수의 병해 영상 특징점, 해충 영상 특징점을 추출하여 기 저장된 데이터 베이스와 비교함으로써 과수의 유형 및 크기, 병해 및 해충의 종류, 유형을 판단할 수 있는 병해충 이미지 분석방법에 관한 것이다.
최근 들어, 농업 기술에 IT 기술의 접목시켜 병해충을 통합적으로 예측함으로써 작물 재배의 효율을 향상시킬 수 있는 시스템들이 속속 개발되어 농업 현장에 적용되고 있으며, 이러한 병해충 통합 예측 시스템은 노지뿐만 아니라 시설 작물 재배(온실 재배) 분야에서 광범위하게 활용되고 있다.
이러한 병해충 통합 예측 시스템은 여러 가지 센서장치와 제어장치 등을 구비하여 발생가능한 병해충을 미리 예측해 줌으로써 병해충의 발생을 미리 예방할 수 있어 작물에서의 단위 면적당 생산량을 획기적으로 증대시키고 있다. 여기에서, 작물은, 예컨대 채소, 화훼, 과일 등일 수 있으며, 특히 매실과 같은 특용 과수일 수 있다.
또한, 병해충 통합 예측 시스템은 다양한 작물들에 대한 병해충 정보들 및 각 작물별 병해충들에 대한 방제역 정보들을 병해충 데이터베이스로 구축하고, 필요할 때마다 사용자 인터페이스를 통해 병해충 데이터베이스를 검색하여 원하는 병해충 관련 정보를 얻을 수 있도록 함으로써, 작물의 생장시에 발생할 수 있는 병해충에 대해 적절하게 대응하도록 하는 서비스를 제공하고 있다.
그러나 기존의 병해충 통합 예측 시스템은 병해충의 이미지만을 제공할 뿐 과수의 상태 및 병해충 여부를 자동으로 판단하여 출력할 수 없는 문제점이 있다.
본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로 본 발명의 목적은 과수 영상의 촬영만으로 과수의 상태, 병해 및 해충 정보를 자동으로 분석하여 출력함으로써 과수에서 발생한 병해충 정보를 정확하게 제공할 수 있는 병해충 이미지 분석방법을 게공하는 것이다.
상기의 목적을 달성하기 위하여 본 발명은 과수영상을 실시간으로 촬영하는 단계; 상기 과수영상의 영상 특징점을 추출하는 단계; 상기 영상 특징점과 특징점 데이터베이스를 비교하여 과수의 유형 및 크기, 병해 및 해충의 종류, 유형을 판단하는 단계;를 포함하는 것을 특징으로 하는 병해충 이미지 분석 방법을 제공한다.
바람직한 실시예에 있어서, 상기 과수영상의 영상 특징점은 영상 히스토그램(histogram), SIFT(Scale-invariant feature transform), HOG(histogram of gradient), Haar(Haar-like features), Ferns, LBP(Local binary patterns) 또는 MCT(Modified Census Transform)의 특징값이다.
바람직한 실시예에 있어서, 상기 영상 특징점은 과수 영상 특징점, 병해 영상 특징점 및 해충 영상 특징점으로 분류되어 추출된다.
바람직한 실시예에 있어서, 상기 영상 특징점은 상기 특징점 데이터베이스의 특징점들과 히스토그램 비교(Comparing histograms) 또는 템플릿 매칭(Template matching)을 통해 비교된다.
바람직한 실시예에 있어서, 상기 과수영상을 촬영하는 위치의 온도 및 습도를 포함하는 환경 정보 측정단계를 더 포함하고, 상기 영상 특징점은 상기 과수영상이 촬영된 날짜, 시간 및 상기 환경 정보가 맵핑된다.
본 발명은 다음과 같은 우수한 효과를 가진다.
본 발명의 병해충 이미지 분석방법에 의하면, 과수 영상으로부터 과수, 병해, 해충 특징점을 추출하여 기 저장된 특징점 데이터베이스와 비교함으로써 과수의 유형, 크기, 병해 및 해충의 종류, 유형을 정확하게 자동으로 판단할 수 있는 장점이 잇다.
도 1은 본 발명의 일 실시예에 따른 병해충 이미지 분석방법을 수행하기 위한 환경을 보여주는 도면,
도 2는 본 발명의 일 실시예에 따른 병해충 이미지 분석방법의 흐름도이다.
본 발명에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있는데 이 경우에는 단순한 용어의 명칭이 아닌 발명의 상세한 설명 부분에 기재되거나 사용된 의미를 고려하여 그 의미가 파악되어야 할 것이다.
이하, 첨부한 도면에 도시된 바람직한 실시예들을 참조하여 본 발명의 기술적 구성을 상세하게 설명한다.
그러나 본 발명은 여기서 설명되는 실시예에 한정되지 않고 다른 형태로 구체화될 수도 있다. 명세서 전체에 걸쳐 동일한 참조번호는 동일한 구성요소를 나타낸다.
도 1을 참조하면, 본 발명의 일 실싱에에 따른 병해충 이미지 분석방법은 카메라(100), 환경센서(200) 및 병해충 이미지 분석시스템(300)을 통해 이루어진다.
상기 카메라(100)는 과수원에 설치되어 과수(10)의 영상(이하, '과수 영상'이라 함)을 촬영한다.
또한, 상기 과수 영상에는 병해충(20)의 영상도 포함된다.
또한, 상기 병해충(20)은 상기 과수(10)에서 발생한 병해(disease) 및 해충(insect pest)을 포함한다.
상기 환경센서(200)는 과수원에 설치되어 과수의 재배 환경을 측정하는 센서이다.
또한, 상기 환경센서(200)는 온도 센서 및 습도 센서를 포함한다.
상기 병해충 이미지 분석시스템(300)은 상기 카메라(100)로부터 과수 영상을 수신하고, 상기 환경센서(200)로부터 환경 정보를 수신한다.
또한, 상기 병해충 이미지 분석시스템(300)에는 과수 영상 특징점, 병해 영상 특징점 및 해충 영상 특징점이 저장된 특징점 데이터베이스가 구비된다.
또한, 상기 병해충 이미지 분석시스템(300)은 수신된 과수 영상의 과수 영상 특징점, 병해 영상 특징점 및 해충 영상 특징점을 추출하여 상기 특징점 데이터베이스와 비교함으로써 과수의 유형 및 크기, 병해 및 해충의 종류, 유형을 판단한다.
더욱 자세하게는 도 2를 참조하면, 먼저, 상기 카메라(100)가 과수(10)의 영상을 실시간으로 촬영한다(S1000).
이 때, 상기 환경 센서(200)는 과수원의 환경 정보를 계측한다.
다음, 상기 병해충 이미지 분석시스템(300)은 상기 카메라(100)로부터 과수 영상을 수신하고 상기 환경 센서(200)로부터 환경 정보를 수신한다.
다음, 상기 병해충 이미지 분석시스템(300)은 상기 과수 영상을 영상처리하여 영상 특징점을 추출한다(S2000).
또한, 상기 영상 특징점은 영상 히스토그램(histogram), SIFT(Scale-invariant feature transform), HOG(histogram of gradient), Haar(Haar-like features), Ferns, LBP(Local binary patterns) 또는 MCT(Modified Census Transform)의 특징값일 수 있다.
또한, 상기 영상 특징점은 과수 영상 특징점, 병해 영상 특징점 및 해충 영상 특징점을 포함한다.
한편, 상기 병해충 이미지 분석시스템(300)은 상기 해충 영상 특징점을 추출하기 위해 먼저, 과수 영상 내의 움직임 객체가 존재하는지 판단하고(S3000), 상기 움직임 객체가 존재할 경우, 상기 움직임 객체를 추출하여 해충 영상 특징점을 계산한다(S4000).
다음, 상기 병해충 이미지 분석시스템(300)은 추출된 과수 영상 특징점, 병해 영상 특징점 및 해충 영상 특징점을 기 저장된 특징점 데이터베이스와 비교하여 과수의 유형 및 크기, 병해 및 해충의 종류, 유형을 판단하고(S6000), 판단된 결과를 출력한다(S7000).
또한, 영상 특징점들의 비교는 히스토그램 비교(Comparing histograms) 또는 템플릿 매칭(Template matching)을 통해 이루어질 수 있다.
또한, 상기 과수 영상 특징점, 병해 영상 특징점 및 해충 영상 특징점에는 상기 과수 영상이 촬영된 날짜, 시간 및 상기 환경 센서(200)에서 측정된 환경 정보가 맵핑될 수 있고, 영상 특징점들의 비교시 상기 환경 정보를 이용하여 미리 설정된 범위 내의 환경 정보를 갖거나 동일한 환경 정보를 갖는 특징점 데이터베이스의 정보를 서로 비교하여 과수의 유형 및 크기, 병해 및 해충의 종류, 유형을 판단할 수 있다.
즉, 본 발명의 일 실시예에 따른 병해충 이미지 분석방법에 의하면, 날짜, 시간 및 환경에 따른 과수의 유형 및 크기와 발생한 병해 및 해충의 종류, 유형을 정확하게 분석할 수 있는 장점이 있다.
이상에서 살펴본 바와 같이 본 발명은 바람직한 실시예를 들어 도시하고 설명하였으나, 상기한 실시예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.
100:카메라 200:환경센서
300:병해충 이미지 분석시스템

Claims (5)

  1. 과수영상을 실시간으로 촬영하는 단계;
    상기 과수영상의 영상 특징점을 추출하는 단계;
    상기 영상 특징점과 특징점 데이터베이스를 비교하여 과수의 유형 및 크기, 병해 및 해충의 종류, 유형을 판단하는 단계 ;를 포함하는 것을 특징으로 하는 병해충 이미지 분석 방법.
  2. 제 1 항에 있어서,
    상기 과수영상의 영상 특징점은 영상 히스토그램(histogram), SIFT(Scale-invariant feature transform), HOG(histogram of gradient), Haar(Haar-like features), Ferns, LBP(Local binary patterns) 또는 MCT(Modified Census Transform)의 특징값인 것을 특징으로 하는 병해충 이미지 분석 방법.
  3. 제 2 항에 있어서,
    상기 영상 특징점은 과수 영상 특징점, 병해 영상 특징점 및 해충 영상 특징점으로 분류되어 추출되는 것을 특징으로 하는 병해충 이미지 분석 방법.
  4. 제 3 항에 있어서,
    상기 영상 특징점은 상기 특징점 데이터베이스의 특징점들과 히스토그램 비교(Comparing histograms) 또는 템플릿 매칭(Template matching)을 통해 비교되는 것을 특징으로 하는 병해충 이미지 분석 방법.
  5. 제 1 항에 있어서,
    상기 과수영상을 촬영하는 위치의 온도 및 습도를 포함하는 환경 정보 측정단계를 더 포함하고,
    상기 영상 특징점은 상기 과수영상이 촬영된 날짜, 시간 및 상기 환경 정보가 맵핑되는 것을 특징으로 하는 병해충 이미지 분석 방법.
KR1020170070638A 2017-06-07 2017-06-07 특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 분석방법 KR20180133612A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170070638A KR20180133612A (ko) 2017-06-07 2017-06-07 특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 분석방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170070638A KR20180133612A (ko) 2017-06-07 2017-06-07 특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 분석방법

Publications (1)

Publication Number Publication Date
KR20180133612A true KR20180133612A (ko) 2018-12-17

Family

ID=65007597

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170070638A KR20180133612A (ko) 2017-06-07 2017-06-07 특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 분석방법

Country Status (1)

Country Link
KR (1) KR20180133612A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886287A (zh) * 2019-01-04 2019-06-14 平安科技（深圳）有限公司 杀虫剂确定方法、装置、计算机设备及存储介质
KR102347679B1 (ko) * 2021-04-22 2022-01-07 (주)아이티팩토리 지능적인 병충해 진단 및 병충해 전염의 방지가 가능한 스마트 팜 제어서버 및 그 제어방법
WO2022157306A1 (en) * 2021-01-21 2022-07-28 Ocado Innovation Limited A data collection and monitoring system, a controlled environment farming system, devices and related methods

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886287A (zh) * 2019-01-04 2019-06-14 平安科技（深圳）有限公司 杀虫剂确定方法、装置、计算机设备及存储介质
CN109886287B (zh) * 2019-01-04 2024-05-14 平安科技（深圳）有限公司 杀虫剂确定方法、装置、计算机设备及存储介质
WO2022157306A1 (en) * 2021-01-21 2022-07-28 Ocado Innovation Limited A data collection and monitoring system, a controlled environment farming system, devices and related methods
KR102347679B1 (ko) * 2021-04-22 2022-01-07 (주)아이티팩토리 지능적인 병충해 진단 및 병충해 전염의 방지가 가능한 스마트 팜 제어서버 및 그 제어방법

Similar Documents

Publication Publication Date Title
Qureshi et al. Machine vision for counting fruit on mango tree canopies
Johannes et al. Automatic plant disease diagnosis using mobile capture devices, applied on a wheat use case
Hamuda et al. Automatic crop detection under field conditions using the HSV colour space and morphological operations
Bah et al. Deep learning based classification system for identifying weeds using high-resolution UAV imagery
Zhu et al. In-field automatic observation of wheat heading stage using computer vision
KR101832724B1 (ko) 영상이미지를 통한 농작물 생육 진단 시스템 및 방법
Li et al. Immature green citrus fruit detection and counting based on fast normalized cross correlation (FNCC) using natural outdoor colour images
Sandika et al. Random forest based classification of diseases in grapes from images captured in uncontrolled environments
KR101763835B1 (ko) 군락에서 영상이미지를 통한 작물기관별 이미지식별시스템
Dutta et al. Segmentation of unhealthy leaves in cruciferous crops for early disease detection using vegetative indices and Otsu thresholding of aerial images
CN114766041A (zh) 用于确定作物损害的系统和方法
RU2769288C2 (ru) Прогнозирование урожайности зернового поля
Ahmed et al. AN AUTOMATIC LEAF BASED PLANT IDENTIFICATION SYSTEM.
Farjon et al. Deep-learning-based counting methods, datasets, and applications in agriculture: A review
Recio et al. Automated extraction of tree and plot-based parameters in citrus orchards from aerial images
KR20180133612A (ko) 특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 분석방법
Roth et al. Automated detection of individual clove trees for yield quantification in northeastern Madagascar based on multi-spectral satellite data
Giakoumoglou et al. White flies and black aphids detection in field vegetable crops using deep learning
Cruz et al. Precise real-time detection of nonforested areas with UAVs
Loresco et al. Computer vision performance metrics evaluation of object detection based on Haar-like, HOG and LBP features for scale-invariant lettuce leaf area calculation
Boatswain Jacques et al. Towards a machine vision-based yield monitor for the counting and quality mapping of shallots
Motie et al. Identification of Sunn-pest affected (Eurygaster Integriceps put.) wheat plants and their distribution in wheat fields using aerial imaging
Loresco et al. A scale-invariant lettuce leaf area calculation using machine vision and knowledge-based methods
WO2020172546A1 (en) Machine vision sensor system for optimal growing conditions
KR20180133610A (ko) 특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 수집방법