农作物叶子虫害检测方法和系统的制作方法
【技术领域】
[0001]本发明涉及农业科技技术领域，特别是涉及一种农作物叶子虫害检测方法和系统。
【背景技术】
[0002]农作物的整个生长期内，受到多种有害生物危害，直接影响到农作物的产量和质量，给农业生产造成严重的破坏。在我国，每年由于病虫害所引起的损失都相当惊人。因此，农作物的病虫害防治在农作物生产和国民经济发展中占有极其重要的地位。
[0003]对叶子害虫种群数量进行抽样调查，是进行预测预报工作的一项基本任务。只有获取正确的抽样调查数据，才能对害虫的数量动态、种群密度以及害虫的危害程度进行准确的预测，进而才能对农作物进行精确喷药，并保证害虫防治工作的正确执行。
[0004]目前，病虫害发生程度在生产上仍多数采用人工肉眼观察分析的方法，该方法虽然简单易行，但需要操作人员具有一定的专业基础知识，而且由于蚜虫个体较小，长时间的人为眼睛观察不仅劳动量很大，效率极低，统计数据往往由于操作人员个体的差异而出现较大误差，使得各个调查者之间的调查结果可比性差。再者，当有害生物发生量大时，应用肉眼观察的方法将是一项繁重的工作，有些甚至不可能完成，例如有些会飞的害虫喜欢聚集在叶片背面，当翻动叶片要进行观察时，多数都已飞走。
[0005]因此，迫切需要研发一种能够针对该类小型群居性害虫的自动分析方法，以满足植物保护领域有害生物发生情况调查分析的研究需要。
【发明内容】
[0006]基于此，有必要针对效率低、计数误差大问题，提供一种农作物叶子虫害检测方法和系统。
[0007]—种农作物叶子虫害检测方法，包括如下步骤:
[0008]获取农作物叶子的虫害图像，对所述虫害图像进行灰度化得到虫害灰度图像；
[0009]采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线；其中，虫害边缘轮廓线为虫害区域与背景的分界线；
[0010]利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充，使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值，得到二值图像；
[0011]确定所述二值图像中虫害区域的面积，根据所述虫害区域的面积大小确定农作物叶子的虫害数量。
[0012]—种农作物叶子虫害检测系统，包括:
[0013]采集模块，用于获取农作物叶子的虫害图像，对所述虫害图像进行灰度化得到虫害灰度图像；
[0014]边缘检测模块，用于采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线；其中，虫害边缘轮廓线为虫害区域与背景的分界线；
[0015]第一填充模块，用于利用种子点填充方法对所述虫害边缘轮廓线内的虫害区域进行填充，使得所述虫害区域的像素值等于所述虫害边缘轮廓线的像素值，得到二值图像；
[0016]统计模块，用于确定所述二值图像中虫害区域的面积，根据所述虫害区域的面积大小确定农作物叶子的虫害数量。
[0017]上述农作物叶子虫害检测方法和系统，通过获取农作物叶子的虫害图像，在灰度图下提取虫害灰度图像的虫害边缘轮廓线，然后对虫害边缘轮廓线内的虫害区域进行填充得到二值图像，再根据二值图像中虫害区域的面积确定农作物叶子的虫害数量，可以准确、快速确定农作物害虫叶螨在叶片上的数量，提高了农作物叶子虫害检测效率，对虫害预测、预报产生积极作用。
【附图说明】
[0018]图1为本发明的农作物叶子虫害检测方法流程图；
[0019]图2为本发明的农作物叶子虫害检测系统结构示意图。
【具体实施方式】
[0020]下面结合附图对本发明的农作物叶子虫害检测方法和系统的【具体实施方式】作详细描述。
[0021]参考图1所示，图1为本发明的农作物叶子虫害检测方法流程图，包括如下步骤:
[0022]步骤S10，获取农作物叶子的虫害图像，对所述虫害图像进行灰度化得到虫害灰度图像；
[0023]在本步骤中，可以通过摄像设备获得的初始农作物叶片图像为彩色图像，对初始图像进行彩色预处理得到适合分析处理的灰度图像。
[0024]由于彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255中值可取，这样一个像素点可以有1600多万(255*255*255)的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为255种，将彩色图像转变成灰度图像以使后续的图像的计算量变得少一些。灰度图像的描述与彩色图像一样，仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。
[0025]步骤S20，采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线；其中，虫害边缘轮廓线为虫害区域与背景的分界线；
[0026]在本步骤中，是对灰度化后的虫害图像进行处理，由于虫害区域与叶片背景区域在灰度上有一定的差别，因此，通过提取出虫害边缘的轮廓线，可以将虫害区域分割出来。本步骤采用边缘检测技术来提取虫害区域与叶片背景的分界线。
[0027]在一个实施例中，步骤S20中采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线之前，还可以包括如下步骤:
[0028]根据所述虫害灰度图像的图片特征选择合适的滤波器对所述虫害灰度图像进行滤波去噪处理。
[0029]由于图像在形成过程中，会受到设备、环境、拍摄方式等因素的影响，致使引入许多噪声。所以，为了提高图像的质量以及后续的图像进行分割处理，因此，可以首先对图像进行去噪处理。可以根据实际的图片特征选择合适的滤波器对图像进行滤波以消除噪声，例如:均值滤波器、自适应滤波器、中直滤波器、小波去噪、形态学噪声滤除器、二维高斯滤波模版等。
[0030]在一个实施例中，步骤S20中采用边缘检测技术提取所述虫害灰度图像的虫害边缘轮廓线，可以包括步骤:
[0031](I)利用梯度算子计算所述虫害灰度图像的梯度图像；
[0032](2)利用阈值法对所述梯度图像进行边缘提取，得到虫害灰度图像的虫害边缘轮廓线。
[0033]作为一个优选的实施例，上述步骤(I)利用梯度算子计算所述虫害灰度图像的梯度图像，具体可以包括如下步骤:
[0034]利用导数算子计算所述虫害灰度图像在直角坐标系中水平方向和竖直方向两个方向的偏导数，并根据所述水平方向和竖直方向两个方向的偏导数计算出梯度大小和方向；比较所述虫害灰度图像设定像素的灰度值与其梯度方向上前后两个像素的灰度值的大小；若所述设定像素的灰度值大于所述梯度方向上前后两个像素的灰度值，则判定所述设定像素属于边缘像素；若所述设定像素的灰度值不大于所述梯度方向上前后两个像素的灰度值，则判定所述设定像素不属于边缘像素。
[0035]可以把边缘的梯度方向分为水平、垂直、45°方向、135°方向八个方向，各方向用不同的邻近像素进行比较，确定局部极大值，若某像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大的，则该像素不是边缘像素。
[0036]传统的边缘检测算法一般只考虑水平方向和竖直方向，对图像边缘的方向特征考虑较少，会漏检图像的一些细节，导致丢失部分边缘细节；而本发明采用多方向的边缘检测算法可以使得检测出的图像边缘较为完整，轮廓线清晰且连续性较好。
[0037]作为一个优选的实施例，上述(2)利用阈值法对所述梯度图像进行边缘提取，得到虫害灰度图像的虫害边缘轮廓线，可以包括步骤:
[0038]计算所述梯度图像的直方图，利用所述直方图确定一个高阈值和一个低阈值；判断梯度图像的像素值与所述高阈值和低阈值大小；若像素灰度值大于高阈值，则判定所述像素是边缘像素；若