CN109308697A - 一种基于机器学习算法的树叶病害识别方法 - Google Patents
一种基于机器学习算法的树叶病害识别方法 Download PDFInfo
- Publication number
- CN109308697A CN109308697A CN201811087765.8A CN201811087765A CN109308697A CN 109308697 A CN109308697 A CN 109308697A CN 201811087765 A CN201811087765 A CN 201811087765A CN 109308697 A CN109308697 A CN 109308697A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- machine learning
- method based
- learning algorithm
- 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
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 59
- 201000010099 disease Diseases 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 238000002790 cross-validation Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 241000269627 Amphiuma means Species 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 241000607479 Yersinia pestis Species 0.000 abstract description 11
- 238000012549 training Methods 0.000 abstract description 5
- 230000008093 supporting effect Effects 0.000 abstract description 2
- 235000013399 edible fruits Nutrition 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 241000219998 Philenoptera violacea Species 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 239000002420 orchard Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 208000031968 Cadaver Diseases 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 244000299906 Cucumis sativus var. sativus Species 0.000 description 1
- 241000221785 Erysiphales Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000233679 Peronosporaceae Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器学习算法的树叶病害识别方法,属于图像处理技术领域。本发明首先对采集的树叶样本图像进行灰度化、图像增强和去噪等预处理操作;然后通过自适应阈值算法对预处理后的图像进行分割,有效地表征样本图像的纹理信息;选择RGB颜色空间提取样本图像的颜色特征,同时依据灰度共生矩阵提取分割图像的纹理特征;最后选择支持向量机模型利用交叉验证算法对样本图像进行分类识别,先采用网格寻优法对SVM模型的主要参数进行优化,再选取识别准确率最优的参数建立SVM分类识别模型。本发明可以通过训练使得计算机能够自动识别树叶的病虫害,极大的减少了空间和时间开销,也提高了识别的精度,具有快速、准确和鲁棒性强的特点。
Description
技术领域
本发明涉及计算机信息图像处理技术领域,更具体地说,涉及一种基于机器学习算法的树叶病害识别方法。
背景技术
伴随着我国经济的不断高速发展,和人口快速的增长,我国的农业相应的也发展起来,水果已成为寻常百姓家中必备食品,由于水果需求很大,它的种植面积也在不断扩大。随着水果生产面积的增加,它的病害问题也逐渐引起专家的关注与重视,正确高效地识别果树的病害类型可以使果树得到及时的治疗,从而降低不必要的损失,增加果园的产量。
当下,图像处理技术得到飞速发展,同时在生活及生产上的应用也逐渐普及。于是图像识别技术在农业领域的应用也使得农作物病害的治理和防治取得了极大的改善。对果树树叶的病害图像进行快速辨别,主要涉及到对图像采集、图像预处理、图像分割、图像特征提取、图像分类识别等方面进行研究与实现,且取得了不错的成果。
经检索,MohammedE1-Helly等(2004)开发了一个全面的图像处理***,可以自动检测叶斑以确定疾病类型。该***使用人工神经网络作为分类器来识别黄瓜白粉病,霜霉病和叶害虫。但该方法计算量较大,时间消耗多,算法性能较差。
2015年,中国专利申请号:CN104422660A,公开日为2015年3月18日,公开了一种高光谱的植物叶片病虫害诊断***,包括高光谱成像仪、镜头、标定白板、样本放置平台、线光源、线光源支持壁、电控位移台、移动平台控制装置、暗箱、可调支架脚和计算机。高光谱成像仪和线光源一起固连在电控位移台上,受移动平台控制装置控制一起移动;在移动过程中线光源照射标定白板和被测植物叶片,高光谱成像仪采集数据并实时上传到计算机;经过图像分析和处理软件处理后,输入已经建立的病虫害三重诊断模型,实时定量得到植物的病虫害感染程度,据此分析决策是否对测量植物喷药以及用药种类剂量及喷头形式。该申请案主要用于快速地诊断植物的病虫害感染程度,对提高精准施药的决策水平、实现精细农业起到积极作用。但该申请案的不足之处是,无法对不同病虫害进行区分。
2015年,中国专利申请号CN201510321137.1,申请日为2015年6月11日,发明创造名称为:融合光谱和图像信息的作物病虫害识别和区分方法,该申请案基于光谱和图像信息处理技术获取光谱图像数据,之后进行叶片区域与背景分离、病虫伤斑提取、光谱特征和图像特征计算。最终使用费氏线性判别分析模型输出叶片的病虫害类型。该申请案可以有效地对不同类型病虫害进行识别,为农药施用管理和病虫害绿色防控提供科学决策的依据。但该申请案所用光谱图像需要专业人员获取且设备昂贵,不利于推广运用。
发明内容
1.发明要解决的技术问题
传统的果树树叶病害治理的方法主要依靠果农或者农业专家亲自到果园里查看果树的生长状况,这种方法通过人眼判断果树的生长状况和病害,因而识别的结果会存在一定的误差,同时也耗时耗力。为了克服上述问题,本发明提出了一种基于机器学习算法的树叶病害识别方法;本发明可以通过计算机自动识别不同类型果树树叶病害,较大地减少空间和时间开销,同时也提高了识别精度;针对采集的样本图像质量参差不齐,图像特征不够突出,本发明对样本图像进行了预处理,从而使样本便于后续工作的进行;针对样本图像表现的纹理差异不明显,不便于纹理特征提取,本发明对预处理后的图像采用自适应阈值算法进行图像分割,从而很好地凸显样本图像的纹理特征;针对支持向量机(SVM)模型在默认参数下无法满足识别要求,本发明结合交叉验证算法利用网格寻优法获取SVM模型的最优参数,从而达到最佳效果,为果病害防止提供支持。
2.技术方案
为达到上述目的,本发明提供的技术方案为:
本发明的一种基于机器学习算法的树叶病害识别方法,其步骤为:
1)采集树叶样本图像,共收集健康图像和病害图像各一百幅,并对图像进行预处理;
2)采用自适应阈值分割法对预处理后的样本图像进行分割,突出样本图像的纹理特征;
3)基于RGB颜色空间提取样本图像的颜色特征和分割图像的纹理特征;
4)提取出所有样本图像的特征,设为样本特征集m,采用交叉验证的方法构建SVM分类模型;
5)利用网格寻优法寻找最优参数,所述参数为惩罚因子C和核参数g;
6)利用步骤5)寻找的最优参数,即可得到最优的SVM分类模型,将测试样本图像输入到训练好的SVM分类模型,得到识别结果。
更进一步地,步骤1)所述的图像预处理过程为:首先对样本图像大小进行尺寸调整和灰度化处理,调整尺寸为100*100,然后使用直方图均衡化算法对灰度图像进行图像增强操作,最后采用中值滤波算法对图像进行去噪处理。
更进一步地,所述的图像增强操作过程为:首先将原图像的像素灰度值归一化并统计各灰度级的分布概率,然后利用累积变换函数对归一化的灰度值进行变换并按照相同的灰度级将其转换为标准的灰度值,从而得到经均衡化处理后的新图像。
更进一步地,步骤2)对样本图像进行分割的过程为:
设定图像在像素点(a,b)处的灰度值为k(a,b),以像素点(a,b)为中心的B×B窗口,其中B表示窗口的边长,C表示差值,计算图像中各个像素(a,b)的阈值v(a,b),计算公式如下:
对图像中各个像素点(a,b)用v(a,b)值逐点进行二值化:
更进一步地,步骤3)所述的颜色特征包括RGB三个通道的均值、方差、偏度、峰度、熵和梯度六个特征,纹理特征包括角二阶矩ASM、熵ENT、对比度CON和逆差阵IDM。
更进一步地,步骤3)所述的颜色特征表示如下:
A.均值:
B.方差:
C.偏度:
D.峰度:
E.熵:
F.梯度:
上式中,p(k)表示在图像中像素灰度值为k的分布概率,nk为其频数,n为像素总数,L为灰度级数,为均值,δ2为方差,kk为偏度,kF为峰度,kE为熵,M×N表示图像的大小,表示灰度值为k的像素在水平方向的梯度,表示灰度值为k的像素在垂直方向的梯度,kg为其平均梯度。
更进一步地,步骤3)所述的纹理特征表示如下:
A.角二阶矩(ASM):
B.熵(ENT):
C.对比度(CON):
D.逆差阵(IDM):
其中,G(i,j)为灰度共生矩阵中的元素,L为灰度级数。
更进一步地,步骤4)中所述SVM分类模型的核函数为径向基核函数:
其中,核参数g代表核函数的宽度。
更进一步地,步骤5)中所述的惩罚因子C和核参数g的默认值分别为500和0.5。
更进一步地,步骤5)中寻找到的惩罚因子C和核参数g的最优值是7000和0.006。
3.有益效果
采用本发明提供的技术方案,与已有的公知技术相比,具有如下显著效果:
(1)本发明的一种基于机器学习算法的树叶病害识别方法,在图像预处理过程中首先对尺寸调整后的图像进行灰度化和图像增强处理,然后使用中值滤波算法对图像进行去噪处理。经过该处理后,可以改善图像质量、丰富图像信息,加强图像观感和提高图像识别效果。
(2)本发明的一种基于机器学习算法的树叶病害识别方法,在图像分割中使用自适应阈值分割算法能很好的将样本图像中的健康图像和病害图像在纹理表达上有效区分,经过图像分割,为后续的样本图像的纹理特征提取提供了有利条件。
(3)本发明的一种基于机器学习算法的树叶病害识别方法,在特征提取中基于RGB颜色空间提取样本图像的颜色特征,并用分割后的样本图像生成灰度共生矩阵,从而提取其纹理特征,经过特征提取,将样本图像转化为表征图像的特征值,为后面的样本图像分类模型的训练提供了必要条件。
(4)本发明的一种基于机器学习算法的树叶病害识别方法,在图像识别中通过交叉验证算法对SVM模型进行训练和测试,并使用网格寻优法获取SVM模型的最优参数,经过该训练后,可以达到最佳的识别效果。
附图说明
图1为本发明的一种基于机器学习算法的树叶病害识别方法的流程图;
图2为本发明实施例1中所述苹果树叶灰度图像(病害图像);
图3为图2图像的增强效果图;
图4为图3中值滤波后的去噪图像;
图5为图4自适应阈值分割后的效果图;
图6为图2经预处理与自适应阈值分割后的效果图;
图7为本分类模型判断为生病的效果图;
图8为本分类模型判断为健康的效果图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
实施例1
结合图1,本实施例的一种基于机器学习算法的树叶病害识别方法,以对苹果树叶进行病害识别为例,对病害图像进行识别的步骤如下:
1)图像预处理:采集苹果树叶样本图像,所述样本图像包含健康和病害图像,病害图像中含有病害区域和一定的健康区域,只要含有病害区域的样本图像即可认定为病害图像,本实施例共收集了健康图像和病害图像各一百幅,并对这些图像进行预处理。
所述图像预处理过程为:首先对样本图像大小进行尺寸调整和灰度化处理,获得如图2所示的灰度图,调整尺寸为100*100,然后使用直方图均衡化算法对灰度图像进行图像增强操作,所述的图像增强操作过程为:
首先将原图像的像素灰度值k归一化得到rk并计算各灰度级的分布概率p(rk),然后利用累积变换函数T(·)对归一化的灰度值rk进行变换得到sk并按照相同的灰度级将其转换为标准的灰度值,从而得到经均衡化处理后的新图像,进行图像增强获得的效果如图3所示,经过上述处理后可以提高图像的对比度,丰富图像的细节。所述累积变换函数如下:
上式中n为像素总数,nj为不同灰度级的像素数目,L为灰度级数,j=0,1,...,k。
最后采用中值滤波算法进行去噪处理,得到如图4所示的去噪图像,经过去噪处理后,在滤除噪声的同时,最大程度的保留了图像的细节与轮廓。
2)图像分割:
在分割算法中设定图像在像素点(a,b)处的灰度值为k(a,b),以像素点(a,b)为中心的B×B窗口,其中B表示窗口的边长,C表示差值,计算图像中各个像素(a,b)的阈值v(a,b),计算公式如下:
对图像中各个像素点(a,b)用v(a,b)值逐点进行二值化:
对去噪后的图像进行自适应阈值分割得到如图5所示的效果图以及对健康图像经步骤1)和步骤2)得到如图6所示的效果图。从图5和图6对比可以看出,健康的分割图像纹理分布均匀,纹理基元较小,而病害的分割图像纹理分布错乱,纹理基元较大,这表明样本图像经步骤1)和步骤2)后纹理特征被有效表征。
3)图像特征提取:利用步骤2)所述的领域自适应阈值分割算法对步骤1)预处理后的苹果树叶图像进行分割,凸显健康图像和病害图像的纹理特征。
首先基于RGB颜色空间,选用苹果树叶病害图像的颜色特征中的颜色矩,根据苹果树叶病害图像归一化后的灰度值分别提取R,G,B三个通道的均值,方差,偏度,峰度,熵,梯度六个特征值,每一个特征值,其在数字图像处理中都代表了图片某一方面的特点。然后根据图像亮度分布规律及相似亮度的像素空间位置特点,在步骤3)分割后的样本图像中统计按照一定方向和距离且灰度值分别为i-1与j-1的像素组合出现的频数记为G(i,j),其中i=1,2,...,L,j=1,2,...,L,进而生成灰度共生矩阵G,从而提取其二阶矩(ASM)、熵(ENT)、对比度(CON)和逆差阵(IDM)等纹理特征。
所述的六个颜色特征描述如下:
A.均值(Mean):反映了图像的亮度,均值越大说明图像亮度越大,反之越小。
B.方差(Variance):是一种衡量样本分布均匀性的尺度标准。
C.偏度(Skewness):描述的是样本总体取值分布的对称性,即图像的扭曲度。
D.峰度(Kurtosis):描述的是样本的峰值陡峭或平缓程度。
E.熵(Entropy):它表征图像中灰度分布的聚集特征所包含的信息量。
F.梯度(Gradient):描述图像灰度值的变化快慢的情况。
其中,p(k)表示在图像中像素灰度值为k的分布概率,nk为其频数,n为像素总数,为均值,L为灰度级数,δ2为方差,kk为偏度,kF为峰度,kE为熵,M×N表示图像的大小,表示灰度值为k的像素在水平方向的梯度,表示灰度值为k的像素在垂直方向的梯度,kg为其平均梯度。
所述的四个纹理特征描述如下:
A.角二阶矩(ASM):用来衡量灰度分布是否均匀和纹理的宽度,当图像纹理较窄、灰度分布均匀时,值较大,反之,较小。
B.熵(ENT):描述图像具有的信息量和信息复杂程度,当复杂程度高时,熵值较大,反之则较小。
C.对比度(CON):描述一幅图像灰度值最大和最小之间的量度,即指灰度值的反差情况。反差越大代表对比越大,反差越小代表对比越小。
D.逆差阵(IDM):描述图像纹理可分辨程度和是否周期呈现。易于分辨,规律性强的,则值大,反之值较小。
其中,G(i,j)为灰度共生矩阵中的元素,L为灰度级数。
4)重复上述步骤提取出所有样本图像的特征,设为样本特征集m;
5)图像分类模型训练:采用交叉验证的方法即将样本特征集m分为n个子集,随机选取其中的n-1个子集来训练SVM分类模型,剩下的1个子集用来测试。在模型训练中需要优化的参数主要有两个,分别是惩罚因子(C)和核参数(g),利用网格寻优法寻找最优参数。本实施例中SVM的核函数为径向基核函数(RBF):
其中,核参数g代表核函数的宽度。
所述的惩罚因子(C)和核参数(g)的默认值是500和0.5。寻找到的惩罚因子(C)和核参数(g)的最优值是7000和0.006。
6)苹果树叶病害分类识别:利用步骤5)寻找的最优参数,即可得到最优的SVM分类模型,将测试样本图像输入到训练好的SVM分类模型,得到如图7和图8所示的识别结果。
本实施例对苹果树叶病害识别的预测时间和识别准确率详见表1,由表1中数据可以看出本实施例的准确率达到了96.67%,同时预测时间也可以满足实时性要求。
表1测试图像识别结果表
参数值 | 预测时间 | 识别准确率 |
默认参数 | 3ms | 83.33% |
最优参数 | 2.3ms | 96.67% |
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (10)
1.一种基于机器学习算法的树叶病害识别方法,其特征在于,其步骤为:
1)采集树叶样本图像,共收集健康图像和病害图像各一百幅,并对图像进行预处理;
2)采用自适应阈值分割法对预处理后的样本图像进行分割,突出样本图像的纹理特征;
3)基于RGB颜色空间提取样本图像的颜色特征和分割图像的纹理特征;
4)提取出所有样本图像的特征,设为样本特征集m,采用交叉验证的方法构建SVM分类模型;
5)利用网格寻优法寻找最优参数,所述参数为惩罚因子C和核参数g;
6)利用步骤5)寻找的最优参数,即可得到最优的SVM分类模型,将测试样本图像输入到训练好的SVM分类模型,得到识别结果。
2.根据权利要求1所述的一种基于机器学习算法的树叶病害识别方法,其特征在于:步骤1)所述的图像预处理过程为:首先对样本图像大小进行尺寸调整和灰度化处理,调整尺寸为100*100,然后使用直方图均衡化算法对灰度图像进行图像增强操作,最后采用中值滤波算法对图像进行去噪处理。
3.根据权利要求2所述的一种基于机器学习算法的树叶病害识别方法,其特征在于:所述的图像增强操作过程为:首先将原图像的像素灰度值归一化灰度值并统计各灰度级的分布概率,然后利用累积变换函数对归一化的灰度值进行变换并按照相同的灰度级将其转换为标准的灰度值,从而得到经均衡化处理后的新图像。
4.根据权利要求1-3任一项所述的一种基于机器学习算法的树叶病害识别方法,其特征在于:步骤2)对样本图像进行分割的过程为:
设定图像在像素点(a,b)处的灰度值为k(a,b),以像素点(a,b)为中心的B×B窗口,其中B表示窗口的边长,C表示差值,计算图像中各个像素(a,b)的阈值v(a,b),计算公式如下:
对图像中各个像素点(a,b)用v(a,b)值逐点进行二值化:
5.根据权利要求4所述的一种基于机器学习算法的树叶病害识别方法,其特征在于:步骤3)所述的颜色特征包括RGB三个通道的均值、方差、偏度、峰度、熵和梯度六个特征,纹理特征包括角二阶矩ASM、熵ENT、对比度CON和逆差阵IDM。
6.根据权利要求5所述的一种基于机器学习算法的树叶病害识别方法,其特征在于:步骤3)所述的颜色特征表示如下:
A.均值:
B.方差:
C.偏度:
D.峰度:
E.熵:
F.梯度:
上式中,p(k)表示在图像中像素灰度值为k的分布概率,nk为其频数,n为像素总数,L为灰度级数,为均值,δ2为方差,kk为偏度,kF为峰度,kE为熵,M×N表示图像的大小,表示灰度值为k的像素在水平方向的梯度,表示灰度值为k的像素在垂直方向的梯度,kg为其平均梯度。
7.根据权利要求6所述的一种基于机器学习算法的树叶病害识别方法,其特征在于:步骤3)所述的纹理特征表示如下:
A.角二阶矩:
B.熵:
C.对比度:
D.逆差阵:
其中,G(i,j)为灰度共生矩阵中的元素,L为灰度级数。
8.根据权利要求7所述的一种基于机器学习算法的树叶病害识别方法,其特征在于:步骤4)中所述SVM分类模型的核函数为径向基核函数:
其中,核参数g代表核函数的宽度。
9.根据权利要求8所述的一种基于机器学习算法的树叶病害识别方法,其特征在于:步骤5)中所述的惩罚因子C和核参数g的默认值分别为500和0.5。
10.根据权利要求8所述的一种基于机器学习算法的树叶病害识别方法,其特征在于:步骤5)中寻找到的惩罚因子C和核参数g的最优值是7000和0.006。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811087765.8A CN109308697B (zh) | 2018-09-18 | 2018-09-18 | 一种基于机器学习算法的树叶病害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811087765.8A CN109308697B (zh) | 2018-09-18 | 2018-09-18 | 一种基于机器学习算法的树叶病害识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109308697A true CN109308697A (zh) | 2019-02-05 |
CN109308697B CN109308697B (zh) | 2024-03-22 |
Family
ID=65225162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811087765.8A Active CN109308697B (zh) | 2018-09-18 | 2018-09-18 | 一种基于机器学习算法的树叶病害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308697B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858501A (zh) * | 2019-02-20 | 2019-06-07 | 云南农业大学 | 一种两相流流型特征提取方法 |
CN110349118A (zh) * | 2019-03-28 | 2019-10-18 | 云南农业大学 | 基于计算机视觉技术的天麻品质检测方法 |
CN110346312A (zh) * | 2019-07-19 | 2019-10-18 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
CN110378433A (zh) * | 2019-07-24 | 2019-10-25 | 重庆大学 | 基于pso-svm的桥梁拉索表面缺陷的分类识别方法 |
CN110598732A (zh) * | 2019-08-02 | 2019-12-20 | 佛山职业技术学院 | 一种基于图像识别的植物健康检测方法及装置 |
CN110728286A (zh) * | 2019-09-24 | 2020-01-24 | 西安理工大学 | 一种基于火花图像的砂带磨削材料去除率识别方法 |
CN110771591A (zh) * | 2019-11-13 | 2020-02-11 | 吉林省农业机械研究院 | 一种基于图像识别自动变量喷药装置 |
CN110874835A (zh) * | 2019-10-25 | 2020-03-10 | 北京农业信息技术研究中心 | 作物叶部病害抗性鉴定方法、***、电子设备及存储介质 |
CN111507940A (zh) * | 2020-03-18 | 2020-08-07 | 仲恺农业工程学院 | 一种基于图像识别的柑橘果园病虫害识别与报警的***及方法 |
CN111652834A (zh) * | 2019-03-02 | 2020-09-11 | 周口师范学院 | 一种基于支持向量机的钢卷捆扎带识别方法 |
CN111861103A (zh) * | 2020-06-05 | 2020-10-30 | 中南民族大学 | 一种基于多特征与多分类器的鲜茶叶分类方法 |
CN111967357A (zh) * | 2020-08-05 | 2020-11-20 | 茅台学院 | 一种基于机器视觉的高粱病害智能识别***及识别方法 |
CN112014398A (zh) * | 2019-05-29 | 2020-12-01 | 天津中元百宜科技有限责任公司 | 一种基于机器视觉的病害管道缺陷分类建库与识别的方法 |
CN112580659A (zh) * | 2020-11-10 | 2021-03-30 | 湘潭大学 | 一种基于机器视觉的矿石识别方法 |
CN112959939A (zh) * | 2021-03-17 | 2021-06-15 | 新阳荣乐(重庆)汽车电子有限公司 | 一种加强型智能车灯控制方法 |
CN113011467A (zh) * | 2021-02-25 | 2021-06-22 | 南京中医药大学 | 基于图像结构纹理信息的当归药材产地识别方法 |
CN113112451A (zh) * | 2021-03-08 | 2021-07-13 | 潍坊科技学院 | 基于图像处理的绿色叶片病害特征优化及病害识别方法 |
CN113379781A (zh) * | 2021-07-29 | 2021-09-10 | 浙江大华技术股份有限公司 | 图像处理方法和装置、存储介质及电子设备 |
CN113627531A (zh) * | 2021-08-11 | 2021-11-09 | 南京农业大学 | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 |
CN113627528A (zh) * | 2021-08-11 | 2021-11-09 | 江南大学 | 一种基于人眼视觉深度学习的国画所属画家自动识别方法 |
CN113679082A (zh) * | 2021-06-24 | 2021-11-23 | 中国烟草总公司郑州烟草研究院 | 一种雪茄烟智能分切方法和装置 |
CN113688959A (zh) * | 2021-10-26 | 2021-11-23 | 寿光得峰生态农业有限公司 | 一种基于人工智能的植物病虫害诊断方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214306A (zh) * | 2011-06-16 | 2011-10-12 | 中国农业大学 | 叶片病斑识别方法及装置 |
US20130136312A1 (en) * | 2011-11-24 | 2013-05-30 | Shih-Mu TSENG | Method and system for recognizing plant diseases and recording medium |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及*** |
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
-
2018
- 2018-09-18 CN CN201811087765.8A patent/CN109308697B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214306A (zh) * | 2011-06-16 | 2011-10-12 | 中国农业大学 | 叶片病斑识别方法及装置 |
US20130136312A1 (en) * | 2011-11-24 | 2013-05-30 | Shih-Mu TSENG | Method and system for recognizing plant diseases and recording medium |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及*** |
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
Non-Patent Citations (3)
Title |
---|
ON2WAY: "Python下opencv使用笔记(四) (图像的阈值处理)", 《CSDN HTTPS://BLOG.CSDN.NET/ON2WAY/ARTICLE/DETAILS/46812121》 * |
ON2WAY: "Python下opencv使用笔记(四) (图像的阈值处理)", 《CSDN HTTPS://BLOG.CSDN.NET/ON2WAY/ARTICLE/DETAILS/46812121》, 9 July 2015 (2015-07-09), pages 1 - 2 * |
魏丽冉;岳峻;李振波;寇光杰;曲海平;: "基于核函数支持向量机的植物叶部病害多分类检测方法", 农业机械学报, no. 1, 25 December 2017 (2017-12-25), pages 171 - 176 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858501A (zh) * | 2019-02-20 | 2019-06-07 | 云南农业大学 | 一种两相流流型特征提取方法 |
CN111652834A (zh) * | 2019-03-02 | 2020-09-11 | 周口师范学院 | 一种基于支持向量机的钢卷捆扎带识别方法 |
CN110349118A (zh) * | 2019-03-28 | 2019-10-18 | 云南农业大学 | 基于计算机视觉技术的天麻品质检测方法 |
CN112014398A (zh) * | 2019-05-29 | 2020-12-01 | 天津中元百宜科技有限责任公司 | 一种基于机器视觉的病害管道缺陷分类建库与识别的方法 |
CN110346312A (zh) * | 2019-07-19 | 2019-10-18 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
CN110346312B (zh) * | 2019-07-19 | 2021-08-10 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
CN110378433A (zh) * | 2019-07-24 | 2019-10-25 | 重庆大学 | 基于pso-svm的桥梁拉索表面缺陷的分类识别方法 |
CN110598732A (zh) * | 2019-08-02 | 2019-12-20 | 佛山职业技术学院 | 一种基于图像识别的植物健康检测方法及装置 |
CN110728286B (zh) * | 2019-09-24 | 2023-02-10 | 西安理工大学 | 一种基于火花图像的砂带磨削材料去除率识别方法 |
CN110728286A (zh) * | 2019-09-24 | 2020-01-24 | 西安理工大学 | 一种基于火花图像的砂带磨削材料去除率识别方法 |
CN110874835A (zh) * | 2019-10-25 | 2020-03-10 | 北京农业信息技术研究中心 | 作物叶部病害抗性鉴定方法、***、电子设备及存储介质 |
CN110874835B (zh) * | 2019-10-25 | 2022-09-16 | 北京农业信息技术研究中心 | 作物叶部病害抗性鉴定方法、***、电子设备及存储介质 |
CN110771591A (zh) * | 2019-11-13 | 2020-02-11 | 吉林省农业机械研究院 | 一种基于图像识别自动变量喷药装置 |
CN111507940A (zh) * | 2020-03-18 | 2020-08-07 | 仲恺农业工程学院 | 一种基于图像识别的柑橘果园病虫害识别与报警的***及方法 |
CN111861103A (zh) * | 2020-06-05 | 2020-10-30 | 中南民族大学 | 一种基于多特征与多分类器的鲜茶叶分类方法 |
CN111861103B (zh) * | 2020-06-05 | 2024-01-12 | 中南民族大学 | 一种基于多特征与多分类器的鲜茶叶分类方法 |
CN111967357A (zh) * | 2020-08-05 | 2020-11-20 | 茅台学院 | 一种基于机器视觉的高粱病害智能识别***及识别方法 |
CN112580659A (zh) * | 2020-11-10 | 2021-03-30 | 湘潭大学 | 一种基于机器视觉的矿石识别方法 |
CN113011467A (zh) * | 2021-02-25 | 2021-06-22 | 南京中医药大学 | 基于图像结构纹理信息的当归药材产地识别方法 |
CN113011467B (zh) * | 2021-02-25 | 2024-06-14 | 南京中医药大学 | 基于图像结构纹理信息的当归药材产地识别方法 |
CN113112451A (zh) * | 2021-03-08 | 2021-07-13 | 潍坊科技学院 | 基于图像处理的绿色叶片病害特征优化及病害识别方法 |
CN112959939A (zh) * | 2021-03-17 | 2021-06-15 | 新阳荣乐(重庆)汽车电子有限公司 | 一种加强型智能车灯控制方法 |
CN113679082A (zh) * | 2021-06-24 | 2021-11-23 | 中国烟草总公司郑州烟草研究院 | 一种雪茄烟智能分切方法和装置 |
CN113379781A (zh) * | 2021-07-29 | 2021-09-10 | 浙江大华技术股份有限公司 | 图像处理方法和装置、存储介质及电子设备 |
CN113627528A (zh) * | 2021-08-11 | 2021-11-09 | 江南大学 | 一种基于人眼视觉深度学习的国画所属画家自动识别方法 |
CN113627531B (zh) * | 2021-08-11 | 2023-12-08 | 南京农业大学 | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 |
CN113627531A (zh) * | 2021-08-11 | 2021-11-09 | 南京农业大学 | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 |
CN113688959A (zh) * | 2021-10-26 | 2021-11-23 | 寿光得峰生态农业有限公司 | 一种基于人工智能的植物病虫害诊断方法及*** |
CN113688959B (zh) * | 2021-10-26 | 2022-02-18 | 寿光得峰生态农业有限公司 | 一种基于人工智能的植物病虫害诊断方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109308697B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308697A (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
Bhargava et al. | Fruits and vegetables quality evaluation using computer vision: A review | |
Kurtulmuş et al. | Classification of pepper seeds using machine vision based on neural network | |
CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
Pereira et al. | Recent advances in image processing techniques for automated harvesting purposes: A review | |
CN111860330A (zh) | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 | |
CN109034269A (zh) | 一种基于计算机视觉技术的棉铃虫雌雄成虫判别方法 | |
CN105320970B (zh) | 一种马铃薯病害诊断装置、诊断***及诊断方法 | |
CN110827273A (zh) | 一种基于区域卷积神经网络的茶叶病害检测方法 | |
Tumang | Pests and diseases identification in mango using MATLAB | |
CN109101891A (zh) | 一种融合人工智能的水稻病虫害检测***及其检测方法 | |
CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
Wang et al. | Improved rotation kernel transformation directional feature for recognition of wheat stripe rust and powdery mildew | |
CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及*** | |
Srivastav et al. | Tea leaf disease detection using deep learning-based convolutional neural networks | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
Ji et al. | Apple color automatic grading method based on machine vision | |
Prabhu et al. | A deep learning approach to identify defects in coffee leaves using convoluional neural network | |
CN115862003A (zh) | 一种基于轻量化YOLOv5的在体苹果目标检测和分级方法 | |
Ullagaddi et al. | Automatic robust segmentation scheme for pathological problems in mango crop | |
Radhakrishnan | Identification of citrus fruit diseases through intelligent computational approaches: a review | |
Singh et al. | A novel algorithm for segmentation of diseased apple leaf images | |
Sandhiya et al. | Disease Detection of Various Plant Leaf Using Image Processing Technique | |
Theerthagiri | Plant Leaf disease detection using supervised machine learning algorithm | |
Valenzuela et al. | Assessment of Lettuce (Lactuta sativa) Crop Health Using Backpropagation Neural Network |
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 |