CN108305270A - 一种基于手机拍照的仓储粮虫计数系统及方法 - Google Patents
一种基于手机拍照的仓储粮虫计数系统及方法 Download PDFInfo
- Publication number
- CN108305270A CN108305270A CN201810226464.2A CN201810226464A CN108305270A CN 108305270 A CN108305270 A CN 108305270A CN 201810226464 A CN201810226464 A CN 201810226464A CN 108305270 A CN108305270 A CN 108305270A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel point
- pixel
- grain
- warehousing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 39
- 241000238631 Hexapoda Species 0.000 claims description 58
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 241001397056 Calamobius filum Species 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000007423 decrease Effects 0.000 abstract 1
- 230000006866 deterioration Effects 0.000 abstract 1
- 241000607479 Yersinia pestis Species 0.000 description 8
- 238000007619 statistical method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种基于手机拍照的仓储粮虫计数系统及方法，所述方法依次包括如下步骤：步骤（1）：获取图像；步骤（2）：对获取的图像进行彩色图像灰度化获得灰度化图像；步骤（3）：将灰度化图像进行图像滑动窗二值化处理，将图像内各个像素点的值赋为“0”或“255”；步骤（4）：对步骤（3）获取的图像进行图像降质；步骤（5）：根据步骤（4）得到的图像进行仓储粮虫的计数。本发明所述的方法，与现有技术相比，能够改善图像亮度不均匀造成统计结果准确率下降的问题，而且采用直方图统计选取粮虫分布区间的方法有效提高了粮虫数目统计正确率。
Description
技术领域
本发明属于粮虫数目计数领域，尤其涉及一种基于手机拍照的仓储粮虫计数系统及方法。
背景技术
在仓储粮虫综合防治过程中，把储粮虫害数量控制在对储粮形成损害的范围以内，既不会因为害虫数量过多引起储粮的严重损失，也不会因过度治理虫害造成不必要的浪费，加重对粮食和环境的污染，所以及时准确地掌握仓储虫害信息显得尤为重要。
利用图像处理技术实现对储粮虫害的正确识别和数目统计是近年来仓储粮虫综合防治中具有活力的交叉研究方向之一。近年来，出现了一些利用图像处理来进行早期储粮虫害计数的方法，主要有根据粮虫对象的形态特性进行计数、基于粮虫灰度图像二值化以及像素点数分析的计数等方法，表明了基于图像处理的仓储粮虫信息监测的可行性和有效性，但是这些方法在对微小粮虫进行计数时的准确性上还有一定的提升空间，而且存在图像采集与监测系统软硬件价格昂贵，粮库测点较多时造成的粮虫监测系统成本过高，以及不能实时检测等问题。
发明内容
本发明旨在提供一种使用方便，使用效果好的基于手机拍照的仓储粮虫计数系统及方法。
为解决上述技术问题，本发明提供了如下的技术方案：一种基于手机拍照的仓储粮虫计数系统，所述系统包括图像采集模块和图像处理模块；
图像采集模块将采集到的图像信息传输到图像处理模块进行处理，图像处理模块对粮虫进行识别与计数。
所述图像采集模块为摄像头。
所述系统还包括图像选取模块，图像采集模块将采集到的图像信息传输到图像选取模块，图像选取模块将选取后的图像传输到图像处理模块进行处理。
一种利用上述系统进行的基于手机拍照的仓储粮虫计数方法，所述方法依次包括如下步骤：
步骤（1）：获取图像；
步骤（2）：对获取的图像进行彩色图像灰度化获得灰度化图像；
步骤（3）：将灰度化图像进行图像滑动窗二值化处理，将图像内各个像素点的值赋为“0”或“255”；
步骤（4）：对步骤（3）获取的图像进行图像降质；
步骤（5）：根据步骤（4）得到的图像进行仓储粮虫的计数；
计数方法为：
1）寻找图像内的连通域，连通域共有M个；
2）计算各个连通域内像素点的数目，按公式（2）计算各个具有相同像素点个数的连通域在总的连通域内的比值；
（公式2）
其中，M y 为具有y个像素点的连通域的总个数；W y 为具有y个像素点的连通域占总的连通域的比值；
3）以连通域内像素点的个数为横坐标，具有相同像素点个数的连通域在总的连通域内的比值为纵坐标列出直方图；
4）根据正态分布，计算直方图中分布区间与95.4%最接近的区间，将该区间作为粮虫的连通域取值范围；将该范围外的连通域剔除；
5）根据最接近的区间内各个连通域内的像素点个数，每个像素点为1个仓储粮虫，最终求出仓储粮虫的计数。
在步骤（1）获取图像后需要选取图像范围，将选取范围内的图像传输到步骤（2）进行处理。
步骤（3）将灰度化图像进行图像滑动窗二值化处理的具体方法为：
（1）将图像划分为N个基本单位，基本单位的大小为n×n个像素点；
（2）将基本单位内像素点按公式（1）求阈值；
（i=1~n；j=1~n） （公式1）
其中，X为一个基本单位内灰度阈值；x ij 为第i行第j列的像素点的灰度值；
（3）对基本单位内各个像素点的灰度值进行重新赋值；
其中，为重新赋值后第i行第j列的像素点的灰度值。
基本单位为3*3像素点大小的正方形矩阵。
步骤（2）：对获取的图像进行彩色图像灰度化获得灰度化图像的方法为：将彩色图像的各个像素点转化为（0~255）的数值。
步骤（2）之后，需要对灰度化图像进行拉伸，拉伸的方法为：记第p个像素点的灰度化值为H p ，根据公式（3）获得拉伸后的图像的像素点值：
（公式3）
其中，H p 为第p个像素点的灰度化值；
为图像拉伸后第p个像素点的像素点值；
为设定值。
在步骤（5）的计数方法中，第1）步寻找图像内的连通域的方法为：将互相邻接的具有像素值“255”的像素区域提取出来，即从第一个像素点开始，寻找具有像素值“255”的像素点，再以该像素点为中心查询其上、下、左、右、左上、左下、右上、右下八个像素点是否同为“255”，并以此外推，直到找到整个闭合连通域为止，并将这些点清除。
通过以上技术方案，本发明的有益效果为：本发明提出了一种基于手机拍照的仓储粮虫计数方法，与现有技术相比，本方法能够改善图像亮度不均匀造成统计结果准确率下降的问题，而且采用直方图统计选取粮虫分布区间的方法有效提高了粮虫数目统计正确率。
附图说明
图1为本发明结构示意图；
图2为原始图像样本1；
图3为原始图像样本2；
图4为原始图像样本3；
图5为对原始图像样本1采用整体平均灰度作为阈值的二值化图像处理结果；
图6为对原始图像样本2采用整体平均灰度作为阈值的二值化图像处理结果；
图7为对原始图像样本3采用整体平均灰度作为阈值的二值化图像处理结果；
图8为对原始样本1采用滑动窗二值化方法的图像处理结果；
图9为对原始样本2采用滑动窗二值化方法的图像处理结果；
图10为对原始样本3采用滑动窗二值化方法的图像处理结果。
具体实施方式
一种基于手机拍照的仓储粮虫计数系统，如图1所示，所述系统包括图像采集模块、图像选取模块和图像处理模块；
图像采集模块将采集到的图像信息传输到图像选取模块，图像选取模块将选取后的图像传输到图像处理模块进行处理，图像处理模块对粮虫进行识别与计数。
其中，所述图像采集模块为摄像头。
在使用的时候，通过摄像头将图像采集过来，将采集过来的图像利用图像选取模块选取范围，其中，图像选取模块为成熟的现有技术，在现有的手机摄像系统中有着广泛的应用，如现有的手机对拍过的照片选取一定的范围，就为图像选取模块实现的功能。
本发明还公开了一种利用上述系统进行的基于手机拍照的仓储粮虫计数方法，所述方法依次包括如下步骤：
步骤（1）：获取图像；具体为通过摄像头获取图像。
为了提高计数的准确性，在步骤（1）获取图像后需要选取图像范围，将选取范围内的图像传输到步骤（2）进行处理。具体，选取图像范围为通过图像选取模块实现的，实现方法为成熟的现有技术。
步骤（2）：对获取的图像进行彩色图像灰度化获得灰度化图像；
具体方法为：将彩色图像的各个像素点转化为（0~255）的数值，此为成熟的现有技术。
在步骤（2）之后，需要对灰度化图像进行拉伸，拉伸的方法为：记第p个像素点的灰度化值为H p ，根据公式（3）获得拉伸后的图像的像素点值：
（公式3）
其中，H p 为第p个像素点的灰度化值；
为图像拉伸后第p个像素点的像素点值；
为设定值，使用者可以自己选择。
步骤（3）：将拉伸后的灰度化图像进行图像滑动窗二值化处理，将图像内各个像素点的值赋为“0”或“255”。
其中，将灰度化图像进行图像滑动窗二值化处理的具体方法为：
（1）将图像划分为N个基本单位，基本单位的大小为n×n个像素点；本实施例中基本单位为3×3像素点大小的正方形矩阵。
（2）将基本单位内像素点按公式（1）求阈值；
（i=1~n；j=1~n） （公式1）
其中，X为一个基本单位内灰度阈值；x ij 为第i行第j列的像素点的灰度值；
（3）对基本单位内各个像素点的灰度值进行重新赋值；
其中，为重新赋值后第i行第j列的像素点的灰度值。
通过选用滑动窗二值化处理，避免了因存在拍照过程曝光度不足，图像亮度分布不均匀的现象，导致灰度分布不均匀，进而影响到整体图像二值化阈值的选取，造成二值化图像失真，对后期粮虫识别与计数有较大影响而存在的问题，能够更好的保持图像质量。
步骤（4）：对步骤（3）获取的图像进行图像降质，其中，图像降质为成熟的现有技术，采用现有方法就可以实现。
通过对图像进行降质，降低图像数据量，保证检测与识别的实时性。
步骤（5）：根据步骤（4）得到的图像进行仓储粮虫的计数；
计数方法为：
1）寻找图像内的连通域，连通域共有M个；其中，寻找图像内的连通域的方法为：将互相邻接的具有像素值“255”的像素区域提取出来，即从第一个像素点开始，寻找具有像素值“255”的像素点，再以该像素点为中心查询其上、下、左、右、左上、左下、右上、右下八个像素点是否同为“255”，并以此外推，直到找到整个闭合连通域为止，并将这些点清除，以防重复技术。
2）计算各个连通域内像素点的数目，按公式（2）计算各个具有相同像素点个数的连通域在总的连通域内的比值；
（公式2）
其中，M y 为具有y个像素点的连通域的总个数；W y 为具有y个像素点的连通域占总的连通域的比值；
3）以连通域内像素点的个数为横坐标，具有相同像素点个数的连通域在总的连通域内的比值为纵坐标列出直方图；
4）根据正态分布，计算直方图中分布区间与95.4%最接近的区间，将该区间作为粮虫的连通域取值范围；将该范围外的连通域剔除；
5）根据最接近的区间内各个连通域内的像素点个数，每个像素点为1个仓储粮虫，最终求出仓储粮虫的计数。
如下表1所示，某次实验的直方图各连通域像素个数趋近于正态分布，我们选取其分布区间与真实值最接近的95.4%数值作为粮虫的连通域取值范围，并将范围外的连通域作为干扰项忽略，则将像素点个数为18~24的连通域2作为最接近的区间，将连通域1和连通域3剔除。实验结果证明，该方法降低了手机拍照的镜头焦距的随机性等噪声对计数结果准确性的影响，有效提高了系统粮虫数目统计的正确率。
表1 某次实验测试的连通域的直方图统计情况
| 连通域类型 | 所占像素点个数 | 同类连通域数目（个） | 比重（/连通域个数） |
| 连通域1 | 小于18 | 6 | 5.08% |
| 连通域2 | 18-24 | 110 | 94．23% |
| 连通域3 | 大于24 | 2 | 1.69% |
效果分析：
本文选用了三张包含不同亮度和密度的原始图像样本如图2、3和图4所示。采用整体平均灰度作为阈值的二值化图像处理结果分别如图5、6和图7所示。采用本文提出的滑动窗二值化方法的图像处理结果分别如图8、9和图10所示。
由图2~10的结果对比发现，滑动窗二值化方法的图像处理后，粮虫与背景的对比度更加明显。实验结果与理论分析一致。
在粮虫数目统计方面：以图10作为测试样本，得出本文的直方图统计法与传统的连通域算法的统计准确率对比结果如表2所示。
表3 不同方法的粮虫数目统计准确率
| 统计方法 | 粮虫数目（个） | 准确率（实际粮虫数目为60个） |
| 固定阀值的连通域统计法 | 72 | 80% |
| 直方图统计法 | 57 | 95% |
由表3 所示数据结果可以看出，本文提出的直方图统计算法，有效提高了粮虫统计的准确率。
本发明提出了一种基于手机拍照的仓储粮虫计数方法，与现有技术相比，本方法能够改善图像亮度不均匀造成统计结果准确率下降的问题，而且采用直方图统计选取粮虫分布区间的方法有效提高了粮虫数目统计正确率。
Claims (10)
1.一种基于手机拍照的仓储粮虫计数系统，其特征在于：所述系统包括图像采集模块和图像处理模块；
图像采集模块将采集到的图像信息传输到图像处理模块进行处理，图像处理模块对粮虫进行识别与计数。
2.如权利要求1所述的基于手机拍照的仓储粮虫计数系统，其特征在于：所述图像采集模块为摄像头。
3.如权利要求2所述的基于手机拍照的仓储粮虫计数系统，其特征在于：所述系统还包括图像选取模块，图像采集模块将采集到的图像信息传输到图像选取模块，图像选取模块将选取后的图像传输到图像处理模块进行处理。
4.一种利用权利要求1所述系统进行的基于手机拍照的仓储粮虫计数方法，其特征在于：所述方法依次包括如下步骤：
步骤（1）：获取图像；
步骤（2）：对获取的图像进行彩色图像灰度化获得灰度化图像；
步骤（3）：将灰度化图像进行图像滑动窗二值化处理，将图像内各个像素点的值赋为“0”或“255”；
步骤（4）：对步骤（3）获取的图像进行图像降质；
步骤（5）：根据步骤（4）得到的图像进行仓储粮虫的计数；
计数方法为：
1）寻找图像内的连通域，连通域共有M个；
2）计算各个连通域内像素点的数目，按公式（2）计算各个具有相同像素点个数的连通域在总的连通域内的比值；
（公式2）
其中，M y 为具有y个像素点的连通域的总个数；W y 为具有y个像素点的连通域占总的连通域的比值；
3）以连通域内像素点的个数为横坐标，具有相同像素点个数的连通域在总的连通域内的比值为纵坐标列出直方图；
4）根据正态分布，计算直方图中分布区间与95.4%最接近的区间，将该区间作为粮虫的连通域取值范围；将该范围外的连通域剔除；
5）根据最接近的区间内各个连通域内的像素点个数，每个像素点为1个仓储粮虫，最终求出仓储粮虫的计数。
5.如权利要求4所述的基于手机拍照的仓储粮虫计数方法，其特征在于：在步骤（1）获取图像后需要选取图像范围，将选取范围内的图像传输到步骤（2）进行处理。
6.如权利要求4所述的基于手机拍照的仓储粮虫计数方法，其特征在于：步骤（3）将灰度化图像进行图像滑动窗二值化处理的具体方法为：
（1）将图像划分为N个基本单位，基本单位的大小为n×n个像素点；
（2）将基本单位内像素点按公式（1）求阈值；
（i=1~n；j=1~n） （公式1）
其中，X为一个基本单位内灰度阈值；x ij 为第i行第j列的像素点的灰度值；
（3）对基本单位内各个像素点的灰度值进行重新赋值；
其中，为重新赋值后第i行第j列的像素点的灰度值。
7.如权利要求4所述的基于手机拍照的仓储粮虫计数方法，其特征在于：基本单位为3*3像素点大小的正方形矩阵。
8.如权利要求4所述的基于手机拍照的仓储粮虫计数方法，其特征在于：步骤（2）：对获取的图像进行彩色图像灰度化获得灰度化图像的方法为：将彩色图像的各个像素点转化为（0~255）的数值。
9.如权利要求4所述的基于手机拍照的仓储粮虫计数方法，其特征在于：步骤（2）之后，需要对灰度化图像进行拉伸，拉伸的方法为：记第p个像素点的灰度化值为H p ，根据公式（3）获得拉伸后的图像的像素点值：
（公式3）
其中，H p 为第p个像素点的灰度化值；
为图像拉伸后第p个像素点的像素点值；
为设定值。
10.如权利要求4所述的基于手机拍照的仓储粮虫计数方法，其特征在于：在步骤（5）的计数方法中，第1）步中寻找图像内的连通域的方法为：将互相邻接的具有像素值“255”的像素区域提取出来，即从第一个像素点开始，寻找具有像素值“255”的像素点，再以该像素点为中心查询其上、下、左、右、左上、左下、右上、右下八个像素点是否同为“255”，并以此外推，直到找到整个闭合连通域为止，并将这些点清除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810226464.2A CN108305270B (zh) | 2018-03-19 | 2018-03-19 | 一种基于手机拍照的仓储粮虫计数系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810226464.2A CN108305270B (zh) | 2018-03-19 | 2018-03-19 | 一种基于手机拍照的仓储粮虫计数系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108305270A true CN108305270A (zh) | 2018-07-20 |
| CN108305270B CN108305270B (zh) | 2022-11-01 |
Family
ID=62850297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810226464.2A Active CN108305270B (zh) | 2018-03-19 | 2018-03-19 | 一种基于手机拍照的仓储粮虫计数系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108305270B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272103A (zh) * | 2018-08-01 | 2019-01-25 | 河南工业大学 | 一种对害虫数量进行快速统计的方法 |
| CN109872301A (zh) * | 2018-12-26 | 2019-06-11 | 浙江清华长三角研究院 | 一种用于水稻病虫害识别计数的彩色图像预处理方法 |
| CN111507959A (zh) * | 2020-04-15 | 2020-08-07 | 江苏科恒环境科技有限公司 | 一种基于图像识别的菇头数量统计系统 |
| CN111639572A (zh) * | 2020-05-22 | 2020-09-08 | 上海交通大学 | 一种藤本月季高效花量估测的方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070291288A1 (en) * | 2006-06-15 | 2007-12-20 | Richard John Campbell | Methods and Systems for Segmenting a Digital Image into Regions |
| CN101170641A (zh) * | 2007-12-05 | 2008-04-30 | 北京航空航天大学 | 一种基于阈值分割的图像边缘检测方法 |
| CN101976350A (zh) * | 2010-10-20 | 2011-02-16 | 中国农业大学 | 基于视频分析的储粮害虫检测识别方法及其系统 |
| CN103246872A (zh) * | 2013-04-28 | 2013-08-14 | 北京农业智能装备技术研究中心 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
| CN104700417A (zh) * | 2015-01-19 | 2015-06-10 | 湖南大学 | 木材节子瑕疵的计算机图像自动识别方法 |
| CN104796591A (zh) * | 2015-05-04 | 2015-07-22 | 武向文 | 害虫的数量采集处理系统与方法 |
| CN104866897A (zh) * | 2015-06-12 | 2015-08-26 | 合肥市徽腾网络科技有限公司 | 蚜虫虫情调查方法及装置 |
| CN105374015A (zh) * | 2015-10-27 | 2016-03-02 | 湖北工业大学 | 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法 |
| CN106447020A (zh) * | 2016-09-13 | 2017-02-22 | 上海海事大学 | 一种智能菌落计数方法 |
| CN106483129A (zh) * | 2016-09-23 | 2017-03-08 | 电子科技大学 | 一种基于运动目标识别的白带滴虫自动检测的方法 |
| CN106815819A (zh) * | 2017-01-24 | 2017-06-09 | 河南工业大学 | 多策略粮虫视觉检测方法 |
| CN107545557A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 粪便图像中的虫卵检测方法和装置 |
| CN107644200A (zh) * | 2017-08-30 | 2018-01-30 | 中国农业大学 | 基于安卓系统的病虫害感染程度检测方法及系统 |
| CN107730470A (zh) * | 2017-10-18 | 2018-02-23 | 四川理工学院 | 一种显式表达多尺度和直方图截断的改进Retinex图像增强方法 |
-
2018
- 2018-03-19 CN CN201810226464.2A patent/CN108305270B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070291288A1 (en) * | 2006-06-15 | 2007-12-20 | Richard John Campbell | Methods and Systems for Segmenting a Digital Image into Regions |
| CN101170641A (zh) * | 2007-12-05 | 2008-04-30 | 北京航空航天大学 | 一种基于阈值分割的图像边缘检测方法 |
| CN101976350A (zh) * | 2010-10-20 | 2011-02-16 | 中国农业大学 | 基于视频分析的储粮害虫检测识别方法及其系统 |
| CN103246872A (zh) * | 2013-04-28 | 2013-08-14 | 北京农业智能装备技术研究中心 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
| CN104700417A (zh) * | 2015-01-19 | 2015-06-10 | 湖南大学 | 木材节子瑕疵的计算机图像自动识别方法 |
| CN104796591A (zh) * | 2015-05-04 | 2015-07-22 | 武向文 | 害虫的数量采集处理系统与方法 |
| CN104866897A (zh) * | 2015-06-12 | 2015-08-26 | 合肥市徽腾网络科技有限公司 | 蚜虫虫情调查方法及装置 |
| CN105374015A (zh) * | 2015-10-27 | 2016-03-02 | 湖北工业大学 | 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法 |
| CN107545557A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 粪便图像中的虫卵检测方法和装置 |
| CN106447020A (zh) * | 2016-09-13 | 2017-02-22 | 上海海事大学 | 一种智能菌落计数方法 |
| CN106483129A (zh) * | 2016-09-23 | 2017-03-08 | 电子科技大学 | 一种基于运动目标识别的白带滴虫自动检测的方法 |
| CN106815819A (zh) * | 2017-01-24 | 2017-06-09 | 河南工业大学 | 多策略粮虫视觉检测方法 |
| CN107644200A (zh) * | 2017-08-30 | 2018-01-30 | 中国农业大学 | 基于安卓系统的病虫害感染程度检测方法及系统 |
| CN107730470A (zh) * | 2017-10-18 | 2018-02-23 | 四川理工学院 | 一种显式表达多尺度和直方图截断的改进Retinex图像增强方法 |
Non-Patent Citations (6)
| Title |
|---|
| HUANG JING 等: "Research on the Rice Counting Method Based on Connected Component Labeling", 《2014 SIXTH INTERNATIONAL CONFERENCE ON MEASURING TECHNOLOGY AND MECHATRONICS AUTOMATION》 * |
| 刘忠强: "作物育种辅助决策关键技术研究与应用", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 张烨 等: "手背静脉图像二值化阈值算法", 《包装工程》 * |
| 张玉娟 等: "《遥感数字图像处理》", 31 July 2016 * |
| 朱亚娜 等: "仓储粮虫监测系统研究", 《中国农机化学报》 * |
| 马作炳 等: "《数学教学与模式创新》", 30 June 2017 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272103A (zh) * | 2018-08-01 | 2019-01-25 | 河南工业大学 | 一种对害虫数量进行快速统计的方法 |
| CN109872301A (zh) * | 2018-12-26 | 2019-06-11 | 浙江清华长三角研究院 | 一种用于水稻病虫害识别计数的彩色图像预处理方法 |
| CN109872301B (zh) * | 2018-12-26 | 2022-07-15 | 浙江清华长三角研究院 | 一种用于水稻病虫害识别计数的彩色图像预处理方法 |
| CN111507959A (zh) * | 2020-04-15 | 2020-08-07 | 江苏科恒环境科技有限公司 | 一种基于图像识别的菇头数量统计系统 |
| CN111639572A (zh) * | 2020-05-22 | 2020-09-08 | 上海交通大学 | 一种藤本月季高效花量估测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108305270B (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108305270B (zh) | 一种基于手机拍照的仓储粮虫计数系统及方法 | |
| WO2020224458A1 (zh) | 一种基于图像处理的电晕检测方法 | |
| CN109740721B (zh) | 麦穗计数方法及装置 | |
| Daniel et al. | Optimum green plane masking for the contrast enhancement of retinal images using enhanced genetic algorithm | |
| CN109684922A (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| CN113537182B (zh) | 染色体中期分裂相显微图像的自动识别方法与系统 | |
| CN112862849B (zh) | 一种基于图像分割和全卷积神经网络的田间稻穗计数方法 | |
| CN111738114B (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
| CN109859257A (zh) | 一种基于纹理方向性的皮肤图像纹理评估方法及系统 | |
| CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
| CN109919843B (zh) | 一种基于自适应四分法的皮肤图像纹理评估方法及系统 | |
| CN115187954A (zh) | 一种基于图像处理的特殊场景下交通标志识别方法 | |
| CN117746079B (zh) | 一种高光谱图像的聚类预测方法、系统、存储介质及设备 | |
| CN117079197B (zh) | 一种智慧工地管理方法及系统 | |
| CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
| CN114550069B (zh) | 一种基于深度学习的仔猪乳头计数方法 | |
| Dannemiller et al. | A new method for the segmentation of algae images using retinex and support vector machine | |
| CN113537410B (zh) | 一种通用的深度学习正样本自动均衡方法 | |
| CN112668405B (zh) | 一种土壤细菌数量的精确提取方法 | |
| CN112116598B (zh) | 一种花卉种类识别方法及系统 | |
| CN108133467B (zh) | 基于粒计算的水下图像增强系统及增强方法 | |
| Saberi et al. | Adaptive contrast enhancement of satellite images based on histogram and non-linear transfer function methods | |
| CN114758118A (zh) | 一种高效多尺度的羊正脸检测方法 | |
| CN112150481A (zh) | 一种白粉病图像分割方法 | |
| CN110782438B (zh) | 一种基于fpga的最大类间方差法的图像检测方法 |
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 |