CN113255440B - 一种基于机器学习的农作物叶片异常检测方法及*** - Google Patents

一种基于机器学习的农作物叶片异常检测方法及*** Download PDF

Info

Publication number
CN113255440B
CN113255440B CN202110396252.0A CN202110396252A CN113255440B CN 113255440 B CN113255440 B CN 113255440B CN 202110396252 A CN202110396252 A CN 202110396252A CN 113255440 B CN113255440 B CN 113255440B
Authority
CN
China
Prior art keywords
image
crop
model
test
abnormal
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.)
Active
Application number
CN202110396252.0A
Other languages
English (en)
Other versions
CN113255440A (zh
Inventor
孙晓勇
张梓婷
韩金玉
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.)
Shandong Agricultural University
Original Assignee
Shandong Agricultural University
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 Shandong Agricultural University filed Critical Shandong Agricultural University
Priority to CN202110396252.0A priority Critical patent/CN113255440B/zh
Publication of CN113255440A publication Critical patent/CN113255440A/zh
Application granted granted Critical
Publication of CN113255440B publication Critical patent/CN113255440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于机器学***台，为保障农业安全奠定基础，因此具有良好的实际应用之价值。

Description

一种基于机器学习的农作物叶片异常检测方法及***
技术领域
本发明属于农作物异常检测和计算机视觉技术领域，具体涉及一种基于机器学习的农作物叶片异常检测方法及***。
背景技术
公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
农业安全是生物安全的重要组成部分，也是国家安全体系的一部分。我国是农业国，人口众多，农作物必不可少，是我们的营养来源、文化的一部分，对我国的经济发展也很重要。因此，保障我国的农作物生物安全是一个很严峻的任务。目前由于全球变暖等环境因素以及外部因素的影响，我国农作物病虫草害普遍存在，如何在较早的阶段发现并预警尤为重要。受经济全球化影响，我国进口种子可能会携带外来入侵病毒等严重影响农作物健康状况。
目前有很多监测技术，深度学习准确率高，但是发明人发现，其存在两个问题：1、需要大量异常(生物胁迫与非生物胁迫)数据集，但是往往异常发生时间地点特殊，无法预测，采集需大量人力物力；2、如果遇到未知病害或虫害等，存在检测不出的缺陷。
发明内容
针对上述现有技术的不足，本发明提供一种基于机器学***台，为保障农业安全奠定基础，因此具有良好的实际应用之价值。
本发明是通过如下技术方案实现的：
本发明的第一个方面，提供一种基于机器学习的农作物叶片异常检测方法，包括：获取农作物叶片图像数据，将所述农作物叶片图像数据输入机器学习模型中，输出农作物叶片是否异常的结果；
其中，所述机器学习模型通过仅将农作物正常叶片图像数据作为训练集进行训练获得。
本发明的第二个方面，提供一种基于机器学习的农作物叶片异常检测***，所述***包括：
农作物叶片图像获取模块，用于获取农作物叶片图像数据；
农作物叶片图像预处理模块，对获取的农作物叶片图像数据进行预处理；
机器学习模型模块，基于农作物叶片图像数据，提取训练集和测试集数据，利用机器学习算法，建立机器学习模型模块。
其中，训练集仅包含农作物正常叶片图像数据；
农作物叶片异常与否输出模块，基于上述建立的机器学习模型模块，输出待测农作物叶片异常与否的结果。
本发明的第三个方面，提供一种非暂态计算机程序产品，所述非暂态计算机程序产品包括存储在计算机能够读的介质上的计算机能够执行的代码段，所述计算机能够执行的代码段用于执行上述基于机器学习的农作物叶片异常检测方法所进行的步骤。
本发明的第四个方面，提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述基于机器学习的农作物叶片异常检测方法所进行的步骤。
上述一个或多个技术方案的有益技术效果：
上述技术方案提供一种基于机器学***台，为保障农业安全奠定基础，因此具有良好的实际应用之价值。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明基于机器学习的农作物叶片异常检测方法的流程图。
图2为本发明实施例1采用加权求和作为判断依据示意图；其中，wn(n＝1,2,3)代表不同的权重值。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。应理解，本发明的保护范围不局限于下述特定的具体实施方案；还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本发明的保护范围。
本发明公开了可用于执行所公开的方法和***的部件。本文公开了这些以及其他部件，并且应当理解，当公开这些部件的组合、子组、交互、组等时，尽管可能没有明确公开对这些部件的各种单独和集合组合和排列中每一者的特定引用，但对于所有的方法和***，本文对每一者都进行了具体地设想和描述。这适用于本申请的所有方面，包括但不限于所公开的方法中的步骤。因此，如果存在可进行的各种另外的步骤，则应当理解，这些另外的步骤中的每一个步骤可利用所公开的方法的任何特定实施方案或实施方案的组合来进行。
如前所述，目前有很多监测技术，深度学习准确率高，但是其存在两个问题：1、需要大量异常(生物胁迫与非生物胁迫)数据集，但是往往异常发生时间地点特殊，无法预测，采集需大量人力物力；2、如果遇到未知病害或虫害等，存在检测不出的缺陷。
有鉴于此，本发明提供一种基于机器学习的农作物叶片异常检测方法，包括：获取农作物叶片图像数据，将所述农作物叶片图像数据输入机器学习模型中，输出农作物叶片是否异常的结果；
其中，所述机器学习模型通过仅将农作物正常叶片图像数据作为训练集进行训练获得。
本发明的又一具体实施方式中，所述机器学习模型通过以下方式获得：
获取农作物叶片图像数据，将所述农作物叶片图像数据分为训练数据集和测试数据集，其中，所述训练数据集仅包含农作物正常叶片图像数据，而测试数据集同时包含农作物正常叶片图像数据和异常叶片图像数据；
对训练数据集进行训练(如基于聚类分析)得到参考标准模型；
将测试数据计算结果与所述参考标准模型进行比对，来测试所述参考标准模型。
其中，异常叶片包括生物胁迫(如病害、虫害等)与非生物胁迫(如干旱、涝害、营养缺乏以及其他非正常环境因素)造成的叶片异常，如叶片黄化、红化、黑斑、叶片反卷等。
本发明的又一具体实施方式中，对农作物叶片图像数据优先进行预处理，所述预处理方法包括但不限于标准化、图像去噪、图像去雾以及图像分割等。
其中，所述标准化处理计算公式如式(1)所示：
Figure BDA0003018673810000051
其中，standardized_image是标准化后的图像矩阵，μ表示数据集均值，X表示图像矩阵，σ表示标准方差，N表示图像X的像素数量。图像标准化是将数据通过去均值实现中心化的处理，根据凸优化理论与数据概率分布相关知识，数据中心化符合数据分布规律，从而更容易取得训练之后的泛化效果。
本发明的又一具体实施方式中，所述图像分割可采用Grabcut算法以及阈值分割。
本发明的又一具体实施方式中，所述参考标准模型可采用如下任意一种或两种方式获得：
1)选择选择一张正常图像作为标准图像，计算标准RGB图像各维度平均值，确定一个三维坐标点作为标准点(xs,ys,zs)，求其它正常图像各维度平均值点与标准点之间的距离，将平均距离作为标准距离ls；或，
2)对训练集进行聚类和分块，提取聚类后中每类正常数据集的每个块对应的颜色矩特征，分别求得每一类中所有图像对应块的颜色矩特征平均值作为一个model，即均值模型。
本发明的又一具体实施方式中，所述方式2)中，对训练集使用K-Means++聚类，设置聚类数为：2,3,4,5以及不进行聚类。根据数据集中图像大小设置分块数为2*2、4*4、8*8块。不同聚类不分块进行对比实验。
颜色矩一共只需要9个分量(3个颜色分量，每个分量上3个低阶矩),颜色通道分为两种：1)RGB三通道；2)HSV三通道。使用不同颜色矩特征用于对比实验结果。3个低阶矩计算公式如式(2)(3)(4)所示：
Figure BDA0003018673810000061
Figure BDA0003018673810000062
Figure BDA0003018673810000063
公式(2)-(4)中，N表示图片中的总的像素数，pij表示第j个像素在第i个颜色通道上的像素值，Ei(一阶矩)表示第i个颜色通道上所有像素的均值，σi(二阶矩)表示第i个颜色通道上所有像素的标准差，si(三阶矩)表示第i个颜色通道上所有像素的斜度(skewness)的3次方根。
相对应的，判断测试集异常与否的方法对应上述两种参考标准获得方式也有两种计算方法：
1)确定倍率α，计算需要检测的图像与标准点之间距离ps，若大于标准距离乘倍率，即ps>ls*α，则判断为图像异常。
其中，需要检测的图像与标准点之间距离的计算方式ps分为两种：1)分别求整个图像的各维度的平均值，计算与标准点两点间的距离；2)从需要检测图像中每次提取事先确定大小的一块区域，计算其均值点，然后计算两点间距离，便于确定图像中异常部位。
2)测试图像通过求得的块特征与均值模型对应的块特征进行比对，比对方法如下公式(5)所示：
Figure BDA0003018673810000071
其中，N为一张图片的分块数，bj为测试图片第j个块特征，mij为modeli中第j个块特征，i＝1,2,...视聚类数而定。给定阈值Ti,若(上式公式特征均差)<Ti则说明该测试图像被modeli判定为正常图片，反之为异常图片。
不同聚类数对应不同model，只要被其中一个model测试为正常图片，就断定该测试图片为正常图片；若被所有model都判断为异常图片，则才能说明该测试图片为异常图片。
为了取得一个适合的阈值，我们将每一类的正常图片与其model求块特征的平均差，得到差值的集合(其中某一类图像计算的结果，大小为该类中图片的数量)。通过一定量的实验后，发现将差值集的中位数的1.5倍值作为阈值较为理想。
本发明的又一具体实施方式中，当同时采用上述两种方法获得参考标准模型，进而用于判断农作物叶片是否异常时，给予上述方法不同权重，以最终加权求和结果为判断标准。
本发明的又一具体实施方式中，提供一种基于机器学习的农作物叶片异常检测***，所述***包括：
农作物叶片图像获取模块，用于获取农作物叶片图像数据；
农作物叶片图像预处理模块，对获取的农作物叶片图像数据进行预处理；
机器学习模型模块，基于农作物叶片图像数据，提取训练集和测试集数据，利用机器学习算法，建立机器学习模型模块；
其中，训练集仅包含农作物正常叶片图像数据；
农作物叶片异常与否输出模块，基于上述建立的机器学习模型模块，输出待测农作物叶片异常与否的结果。
本发明的又一具体实施方式中，农作物叶片图像预处理模块对农作物叶片图像数据进行预处理方法包括但不限于标准化、图像去噪、图像去雾以及图像分割等。
所述标准化处理计算公式如式(1)所示：
Figure BDA0003018673810000081
其中，standardized_image是标准化后的图像矩阵，μ表示数据集均值，X表示图像矩阵，σ表示标准方差，N表示图像X的像素数量。图像标准化是将数据通过去均值实现中心化的处理，根据凸优化理论与数据概率分布相关知识，数据中心化符合数据分布规律，从而更容易取得训练之后的泛化效果。
其中，所述图像分割可采用Grabcut算法以及阈值分割。
本发明的又一具体实施方式中，在机器学习模型模块中，对训练数据集进行训练(如基于聚类分析)得到参考标准模型；
将测试数据计算结果与所述参考标准模型进行比对，来测试所述参考标准模型。
所述参考标准模型可采用如下任意一种或两种方式获得：
1)选择选择一张正常图像作为标准图像，计算标准RGB图像各维度平均值，确定一个三维坐标点作为标准点(xs,ys,zs)，求其它正常图像各维度平均值点与标准点之间的距离，将平均距离作为标准距离ls；或，
2)对训练集进行聚类和分块，提取聚类后中每类正常数据集的每个块对应的颜色矩特征，分别求得每一类中所有图像对应块的颜色矩特征平均值作为一个model，即均值模型。
具体的，所述方式2)中，对训练集使用K-Means++聚类，设置聚类数为：2,3,4,5以及不进行聚类。根据数据集中图像大小设置分块数为2*2、4*4、8*8块。不同聚类不分块进行对比实验。
颜色矩一共只需要9个分量(3个颜色分量，每个分量上3个低阶矩),颜色通道分为两种：1)RGB三通道；2)HSV三通道。使用不同颜色矩特征用于对比实验结果。3个低阶矩计算公式如式(2)(3)(4)所示：
Figure BDA0003018673810000091
Figure BDA0003018673810000092
Figure BDA0003018673810000093
公式(2)-(4)中，N表示图片中的总的像素数，pij表示第j个像素在第i个颜色通道上的像素值，Ei(一阶矩)表示第i个颜色通道上所有像素的均值，σi(二阶矩)表示第i个颜色通道上所有像素的标准差，si(三阶矩)表示第i个颜色通道上所有像素的斜度(skewness)的3次方根。
相对应的，判断测试集异常与否的方法对应上述两种参考标准获得方式也有两种计算方法：
1)确定倍率α，计算需要检测的图像与标准点之间距离ps，若大于标准距离乘倍率，即ps>ls*α，则判断为图像异常。
其中，需要检测的图像与标准点之间距离的计算方式ps分为两种：1)分别求整个图像的各维度的平均值，计算与标准点两点间的距离；2)从需要检测图像中每次提取事先确定大小的一块区域，计算其均值点，然后计算两点间距离，便于确定图像中异常部位。
2)测试图像通过求得的块特征与均值模型对应的块特征进行比对，比对方法如下公式(5)所示：
Figure BDA0003018673810000101
其中，N为一张图片的分块数，bj为测试图片第j个块特征，mij为modeli中第j个块特征，i＝1,2,...视聚类数而定。给定阈值Ti,若(上式公式特征均差)<Ti则说明该测试图像被modeli判定为正常图片，反之为异常图片。
不同聚类数对应不同model，只要被其中一个model测试为正常图片，就断定该测试图片为正常图片；若被所有model都判断为异常图片，则才能说明该测试图片为异常图片。
为了取得一个适合的阈值，我们将每一类的正常图片与其model求块特征的平均差，得到差值的集合(其中某一类图像计算的结果，大小为该类中图片的数量)。通过一定量的实验后，发现将差值集的中位数的1.5倍值作为阈值较为理想。
本发明的又一具体实施方式中，当同时采用上述两种方法获得参考标准模型，进而用于判断农作物叶片是否异常时，给予上述方法不同权重，以最终加权求和结果为判断标准。
本发明的又一具体实施方式中，提供一种非暂态计算机程序产品，所述非暂态计算机程序产品包括存储在计算机能够读的介质上的计算机能够执行的代码段，所述计算机能够执行的代码段用于执行上述基于机器学习的农作物叶片异常检测方法所进行的步骤。
本发明的又一具体实施方式中，提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述基于机器学习的农作物叶片异常检测方法所进行的步骤。
以下通过实施例对本发明做进一步解释说明，但不构成对本发明的限制。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
实施例1
一种基于机器学习的农作物叶片异常检测方法，它采用以下步骤：
S1：获取农作物正常叶片图像数据
S2：构建训练集与测试集
S3：对数据集图像进行预处理
S4：对训练集进行操作，得出参考标准
S5：将测试集计算结果与参考模型进行比对，并判断其异常与否
S2-1:构建训练集与测试集之前，首先需要将不同种类农作物数据集分为正常数据集与异常数据集，重新命名图像名，正常图像标注为normal，异常图像标注为abnormal。
S2-2:训练集正常数据与测试集正常数据按8:2比例进行拆分。
S3-1:对图像数据集进行标准化处理，计算公式如式(1)所示：
Figure BDA0003018673810000111
其中，standardized_image是标准化后的图像矩阵，μ表示数据集均值，X表示图像矩阵，σ表示标准方差，N表示图像X的像素数量。
S3-2:对图像数据集还进行了图像去噪、图像去雾以及图像分割等预处理操作。
S3-3:图像分割对应不同种类农作物数据集分别采取了两种方法：Grabcut算法以及阈值分割。
S3-4:图像分割后的数据集用于对比实验，提高实验准确率。
S4-1:有两种方法计算参考标准1)选择一张正常图像作为标准图像，计算标准RGB图像各维度平均值，确定一个三维坐标点作为标准点(xs,ys,zs)，求其它正常图像各维度平均值点与标准点之间的距离，将平均距离作为标准距离ls。2)对训练集进行聚类和分块，提取聚类后中每类正常数据集的每个块对应的颜色矩特征，分别求得每一类中所有图像对应块的颜色矩特征平均值作为一个model，即均值模型。
参考标准计算方法2)中对训练集使用K-Means++聚类，设置聚类数为：2,3,4,5以及不进行聚类。根据数据集中图像大小设置分块数为2*2、4*4、8*8块。不同聚类不分块进行对比实验。
参考标准计算方法2)中颜色矩一共只需要9个分量(3个颜色分量，每个分量上3个低阶矩),颜色通道分为两种：1)RGB三通道；2)HSV三通道。使用不同颜色矩特征用于对比实验结果。3个低阶矩计算公式如式(2)(3)(4)所示：
Figure BDA0003018673810000121
Figure BDA0003018673810000131
Figure BDA0003018673810000132
公式(2)-(4)中，N表示图片中的总的像素数，pij表示第j个像素在第i个颜色通道上的像素值，Ei(一阶矩)表示第i个颜色通道上所有像素的均值，σi(二阶矩)表示第i个颜色通道上所有像素的标准差，si(三阶矩)表示第i个颜色通道上所有像素的斜度(skewness)的3次方根。
S5-1:测试集异常与否的判断方法对应上述两种参考标准也有两种计算方法：1)确定倍率α，计算需要检测的图像与标准点之间距离ps，若大于标准距离乘倍率，即ps>ls*α，则判断为图像异常。2)测试图像通过求得的块特征与均值模型对应的块特征进行比对，比对方法如下公式(5)所示：
Figure BDA0003018673810000133
其中N为一张图片的分块数，bj为测试图片第j个块特征，mij为modeli中第j个块特征，i＝1,2,...视聚类数而定。给定阈值Ti,若(上式公式特征均差)<Ti则说明该测试图像被modeli判定为正常图片，反之为异常图片。
不同聚类数对应不同model，只要被其中一个model测试为正常图片，就断定该测试图片为正常图片；若被所有model都判断为异常图片，则才能说明该测试图片为异常图片。
为了取得一个适合的阈值，我们将每一类的正常图片与其model求块特征的平均差，得到差值的集合(其中某一类图像计算的结果，大小为该类中图片的数量)。通过一定量的实验后，发现将差值集的中位数的1.5倍值作为阈值较为理想。
需要检测的图像与标准点之间距离的计算方式分为两种：1)分别求整个图像的各维度的平均值，计算与标准点两点间的距离；2)从需要检测图像中每次提取事先确定大小的一块区域，计算其均值点，然后计算两点间距离，便于确定图像中异常部位。
实施例2
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1方法中的各个操作，为了简洁，在此不再赘述。
所述电子设备可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(Smart Phone，如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解，在本发明中，该处理器可以是中央处理单元CPU，该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意的是，以上实例仅用于说明本发明的技术方案而非对其进行限制。尽管参照所给出的实例对本发明进行了详细说明，但是本领域的普通技术人员可根据需要对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (13)

1.一种基于机器学习的农作物叶片异常检测方法，其特征在于，包括：获取农作物叶片图像数据，将所述农作物叶片图像数据输入机器学习模型中，输出农作物叶片是否异常的结果；
其中，所述机器学习模型通过仅将农作物正常叶片图像数据作为训练集进行训练获得；
所述机器学习模型通过以下方式获得：
获取农作物叶片图像数据，将所述农作物叶片图像数据分为训练数据集和测试数据集，其中，所述训练数据集仅包含农作物正常叶片图像数据，而测试数据集同时包含农作物正常叶片图像数据和异常叶片图像数据；
对训练数据集进行训练得到参考标准模型；
将测试数据计算结果与所述参考标准模型进行比对，来测试所述参考标准模型；
所述参考标准模型采用如下两种方式获得：
1）选择选择一张正常图像作为标准图像，计算标准RGB图像各维度平均值，确定一个三维坐标点作为标准点（xs,ys,zs），求其它正常图像各维度平均值点与标准点之间的距离，将平均距离作为标准距离ls；
2）对训练集进行聚类和分块，提取聚类后中每类正常数据集的每个块对应的颜色矩特征，分别求得每一类中所有图像对应块的颜色矩特征平均值作为一个model，即均值模型；
同时采用上述两种方法获得参考标准模型，用于判断农作物叶片是否异常，给予两种方法不同权重，以最终加权求和结果为判断标准。
2.如权利要求1所述的方法，其特征在于，异常叶片包括生物胁迫与非生物胁迫造成的叶片异常。
3.如权利要求1所述的方法，其特征在于，对农作物叶片图像数据优先进行预处理，所述预处理方法包括标准化、图像去噪、图像去雾以及图像分割。
4.如权利要求3所述的方法，其特征在于，所述图像分割采用Grabcut算法以及阈值分割。
5.如权利要求1所述的方法，其特征在于，所述方式2）中，对训练集使用K-Means++聚类，设置聚类数；和，根据数据集中图像大小设置分块数。
6.如权利要求1所述的方法，其特征在于，判断测试集异常与否的方法对应两种参考标准获得方式存在两种计算方法：
1）确定倍率α，计算需要检测的图像与标准点之间距离ps，若大于标准距离乘倍率，即ps>ls*α，则判断为图像异常；
2）测试图像通过求得的块特征与均值模型对应的块特征进行比对，进而与阈值Ti比较。
7.如权利要求6所述的方法，其特征在于，需要检测的图像与标准点之间距离的计算方式ps分为两种：1）分别求整个图像的各维度的平均值，计算与标准点两点间的距离；2）从需要检测图像中每次提取事先确定大小的一块区域，计算其均值点，然后计算两点间距离，便于确定图像中异常部位。
8.如权利要求6所述的方法，其特征在于，所述阈值Ti取值为差值集的中位数的1.5倍。
9.如权利要求8所述的方法，其特征在于，所述差值集通过将每一类的正常图片与其model求块特征的平均差获得。
10.如权利要求6所述的方法，其特征在于，不同聚类数对应不同model，只要被其中一个model测试为正常图片，就判定测试图片为正常图片；若被所有model均判定为异常图片，才判定该测试图片为异常图片。
11.一种基于机器学习的农作物叶片异常检测***，其特征在于，所述***包括：
农作物叶片图像获取模块，用于获取农作物叶片图像数据；
农作物叶片图像预处理模块，对获取的农作物叶片图像数据进行预处理；
机器学习模型模块，基于农作物叶片图像数据，提取训练集和测试集数据，利用机器学习算法，建立机器学习模型模块；
农作物叶片异常与否输出模块，基于建立的机器学习模型模块，输出待测农作物叶片异常与否的结果；
所述机器学习模型模块通过以下方式获得：
获取农作物叶片图像数据，将所述农作物叶片图像数据分为训练数据集和测试数据集，其中，所述训练数据集仅包含农作物正常叶片图像数据，而测试数据集同时包含农作物正常叶片图像数据和异常叶片图像数据；
对训练数据集进行训练得到参考标准模型；
将测试数据计算结果与所述参考标准模型进行比对，来测试所述参考标准模型；
所述参考标准模型采用如下两种方式获得：
1）选择选择一张正常图像作为标准图像，计算标准RGB图像各维度平均值，确定一个三维坐标点作为标准点（xs,ys,zs），求其它正常图像各维度平均值点与标准点之间的距离，将平均距离作为标准距离ls；
2）对训练集进行聚类和分块，提取聚类后中每类正常数据集的每个块对应的颜色矩特征，分别求得每一类中所有图像对应块的颜色矩特征平均值作为一个model，即均值模型；
同时采用上述两种方法获得参考标准模型，用于判断农作物叶片是否异常，给予两种方法不同权重，以最终加权求和结果为判断标准。
12.如权利要求11所述的***，其特征在于，农作物叶片图像预处理模块对农作物叶片图像数据进行预处理方法包括标准化、图像去噪、图像去雾和图像分割；
所述图像分割采用Grabcut算法和阈值分割；
在机器学习模型模块中，对训练数据集进行训练得到参考标准模型；
将测试数据计算结果与所述参考标准模型进行比对，来测试所述参考标准模型。
13.一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-10任一项所述基于机器学习的农作物叶片异常检测方法所进行的步骤。
CN202110396252.0A 2021-04-13 2021-04-13 一种基于机器学习的农作物叶片异常检测方法及*** Active CN113255440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110396252.0A CN113255440B (zh) 2021-04-13 2021-04-13 一种基于机器学习的农作物叶片异常检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110396252.0A CN113255440B (zh) 2021-04-13 2021-04-13 一种基于机器学习的农作物叶片异常检测方法及***

Publications (2)

Publication Number Publication Date
CN113255440A CN113255440A (zh) 2021-08-13
CN113255440B true CN113255440B (zh) 2022-11-25

Family

ID=77221014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110396252.0A Active CN113255440B (zh) 2021-04-13 2021-04-13 一种基于机器学习的农作物叶片异常检测方法及***

Country Status (1)

Country Link
CN (1) CN113255440B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116649160B (zh) * 2023-08-01 2023-10-10 南京康之春生物科技有限公司 食用菌菌种生产监测***及监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034872A (zh) * 2012-12-26 2013-04-10 四川农业大学 基于颜色和模糊聚类算法的农田害虫识别方法
CN107633199A (zh) * 2017-08-07 2018-01-26 浙江工业大学 一种基于深度学习的苹果采摘机器人果实目标检测方法
CN112257702A (zh) * 2020-11-12 2021-01-22 武荣盛 一种基于增量学习的农作物病害识别方法
CN112257730A (zh) * 2020-11-20 2021-01-22 湖南本业绿色防控科技股份有限公司 植物害虫图像识别方法、装置、设备及存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489006A (zh) * 2013-10-11 2014-01-01 河南城建学院 一种基于计算机视觉的水稻病虫草害诊断方法
CN104199822B (zh) * 2014-07-11 2018-05-18 五八同城信息技术有限公司 一种识别搜索对应的需求分类的方法和***
CN104598908B (zh) * 2014-09-26 2017-11-28 浙江理工大学 一种农作物叶部病害识别方法
CN104680191B (zh) * 2014-11-24 2018-11-13 海南大学 一种基于活动轮廓模型的植物病虫害检测方法
CN106127735B (zh) * 2016-06-14 2018-12-04 中国农业大学 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置
CN106803257B (zh) * 2016-12-22 2020-04-10 北京农业信息技术研究中心 一种作物病害叶片图像中病斑的分割方法
CN106778786A (zh) * 2016-12-29 2017-05-31 西京学院 基于对数频域分层梯度方向直方图的苹果病害识别方法
CN110717903A (zh) * 2019-09-30 2020-01-21 天津大学 一种利用计算机视觉技术进行农作物病害检测的方法
CN111160373B (zh) * 2019-12-30 2022-07-15 重庆邮电大学 一种变速鼓零件缺陷图像特征提取以及检测分类方法
CN111556032A (zh) * 2020-04-14 2020-08-18 江苏天人工业互联网研究院有限公司 一种基于人工智能算法的工业大数据处理***
CN113807418A (zh) * 2021-09-02 2021-12-17 乐创达投资(广东)有限公司 一种基于高斯混合模型的注塑机能耗异常检测方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034872A (zh) * 2012-12-26 2013-04-10 四川农业大学 基于颜色和模糊聚类算法的农田害虫识别方法
CN107633199A (zh) * 2017-08-07 2018-01-26 浙江工业大学 一种基于深度学习的苹果采摘机器人果实目标检测方法
CN112257702A (zh) * 2020-11-12 2021-01-22 武荣盛 一种基于增量学习的农作物病害识别方法
CN112257730A (zh) * 2020-11-20 2021-01-22 湖南本业绿色防控科技股份有限公司 植物害虫图像识别方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113255440A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Liu et al. Automatic grape bunch detection in vineyards with an SVM classifier
CN113159147B (zh) 基于神经网络的图像识别方法、装置、电子设备
Rahaman et al. An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm
Liu et al. A robust automated flower estimation system for grape vines
CN109886928B (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN112016400B (zh) 一种基于深度学习的单类目标检测方法、设备及存储介质
CN112613454A (zh) 一种电力基建施工现场违章识别方法及***
CN110909657A (zh) 一种隧道表观病害图像识别的方法
CN114463637B (zh) 一种基于深度学习的冬小麦遥感识别分析方法和***
CN115439654B (zh) 动态约束下的弱监督农田地块精细化分割方法及***
Ye et al. An image-based approach for automatic detecting tasseling stage of maize using spatio-temporal saliency
Dong et al. Automatic inspection and evaluation system for pavement distress
CN113255440B (zh) 一种基于机器学习的农作物叶片异常检测方法及***
CN115272826A (zh) 一种基于卷积神经网络的图像识别方法、装置及***
CN114511523B (zh) 基于自监督学习的胃癌分子亚型分类方法及装置
US20160283821A1 (en) Image processing method and system for extracting distorted circular image elements
CN116137061B (zh) 数量统计模型的训练方法、装置、电子设备及存储介质
CN115908363A (zh) 肿瘤细胞统计方法、装置、设备和存储介质
CN115273009A (zh) 基于深度学习的道路裂纹检测方法及***
CN111179226B (zh) 视野图的识别方法、装置及计算机存储介质
CN114496099A (zh) 细胞功能注释方法、装置、设备及介质
CN113889233A (zh) 基于流形回归网络的细胞定位与计数方法及应用
CN113506266A (zh) 舌头腻苔的检测方法、装置、设备及存储介质
CN112801013A (zh) 一种基于关键点识别校验的人脸识别方法、***及装置
CN112465821A (zh) 一种基于边界关键点感知的多尺度害虫图像检测方法

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