CN115239947A - 基于无监督学习的小麦条锈病严重度评估方法及装置 - Google Patents

基于无监督学习的小麦条锈病严重度评估方法及装置 Download PDF

Info

Publication number
CN115239947A
CN115239947A CN202210820891.XA CN202210820891A CN115239947A CN 115239947 A CN115239947 A CN 115239947A CN 202210820891 A CN202210820891 A CN 202210820891A CN 115239947 A CN115239947 A CN 115239947A
Authority
CN
China
Prior art keywords
sample
diseased
severity
area
diseased leaf
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.)
Pending
Application number
CN202210820891.XA
Other languages
English (en)
Inventor
王海光
蒋倩
王红丽
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.)
China Agricultural University
Original Assignee
China 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 China Agricultural University filed Critical China Agricultural University
Priority to CN202210820891.XA priority Critical patent/CN115239947A/zh
Publication of CN115239947A publication Critical patent/CN115239947A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于无监督学习的小麦条锈病严重度评估方法及装置。该方法包括：获得待评估的发病叶片图像中病斑面积占发病叶片总面积的实际百分率；根据实际百分率及基于无监督学习得到的病害严重度评估模型对发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别；病害严重度评估模型是基于样本发病叶片图像及样本发病叶片图像对应的病害严重度评估结果训练得到。本发明公开的方法，能够获得理想的严重度评估结果，具有较高的可应用性，提高了小麦条锈病严重度评估的准确率，也为其他植物病害严重度的评估提供了参考，从而为植物病害预报、品种选育、品种抗病性鉴定及病害防治策略制定等提供了更可靠的支撑。

Description

基于无监督学习的小麦条锈病严重度评估方法及装置
技术领域
本发明涉及植物保护技术领域，具体涉及一种基于无监督学习的小麦条锈病严重度评估方法及装置。另外，还涉及一种电子设备及非暂态计算机可读存储介质。
背景技术
严重度(severity)是反映所调查发病单元严重程度的一个指标，其一般是依据所调查发病单元发病面积占所调查发病单元总面积的比率(以百分率或分数等形式表示)利用分级法按照从轻到重划分为不同的级别来表示的。植物病害严重度的评估需要严格按照相应植物病害的严重度分级标准进行。严重度是小麦条锈病等植物病害严重度调查和监测过程中需要测定的一种重要指标。根据小麦条锈病严重度的分级标准，小麦条锈病的严重度依据发病叶片上病斑面积(通常指发病叶片上的所有夏孢子堆的面积)占叶片总面积的百分率进行划分，利用分级法将其划分为1％、5％、10％、20％、40％、60％、80％、100％共8个级别，处于级别之间的病情取其接近值，已经发病但是严重度低于1％的记为1％。目前，进行小麦条锈病的严重度评估主要是利用肉眼观察法进行的。除肉眼观察法外，还可以利用网格纸测定法、纸样称重法、基于普遍率估测严重度的方法等进行小麦条锈病严重度的估测。信息技术的发展促进了图像处理技术、遥感技术、近红外光谱技术等在小麦条锈病严重度评估中的应用。基于遥感技术和近红外光谱技术的小麦条锈病严重度评估方法主要仍处于研究阶段，在实际生产中应用很少。基于图像处理技术的小麦条锈病严重度评估研究日益增多。目前，基于图像处理技术进行小麦条锈病严重度评估基本通过两种方式实现，一种是提取病害图像特征，然后基于图像特征进行小麦条锈病严重度级别评估；另一种是将获得的病害图像进行分割处理，获得叶片区域和病斑图像，计算病斑面积占发病叶片总面积的百分率，然后将获得的百分率直接与病害严重度分级标准中的百分率相对照，从而确定发病叶片的严重度级别。基于图像处理技术的小麦条锈病严重度评估的评估准确率有待进一步提高。并且，小麦条锈病严重度分级标准中给出的每一严重度级别对应的病斑面积占所调查叶片总面积的百分率并非是病斑面积占所调查叶片总面积的实际百分率，分级标准中给出的每一严重度级别对应的病斑面积占所调查叶片总面积的百分率大于病斑面积占所调查叶片总面积的实际百分率，这就为这类病害的严重度评估带来了很大难度，这也是严重影响基于图像处理技术的小麦条锈病严重度评估准确性的重要原因。由此可知，小麦条锈病严重度评估的各种方法往往存在费时费力、误差大、准确性低或可应用性差等问题，需要研究探索一种简便、易于操作、快速、准确性高的严重度评估方法，以便可用于及时、准确地获取病害相关信息，这对于该病害的调查、监测、预测预报、防控措施制定等具有重要意义。
发明内容
为此，本发明提供一种基于无监督学习的小麦条锈病严重度评估方法及装置，以解决现有技术中的小麦条锈病严重度评估费时费力、误差大、准确性低或可应用性差的问题。
本发明提供一种基于无监督学习的小麦条锈病严重度评估方法，包括：获取待评估的发病叶片图像；获得发病叶片图像中病斑面积占发病叶片总面积的实际百分率；根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别；其中，所述病害严重度评估模型是基于样本发病叶片图像以及所述样本发病叶片图像对应的病害严重度评估结果训练得到的。
进一步的，在根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估之前，还包括：获取小麦条锈病各个严重度级别的样本发病叶片图像；对所述样本发病叶片图像进行分割，获得样本发病叶片区域和样本病斑区域；基于所述样本发病叶片区域和所述样本病斑区域，分别确定样本发病叶片总面积和样本病斑面积；确定小麦条锈病各个严重度级别对应的样本发病叶片图像的所述样本病斑面积占样本发病叶片总面积的实际百分率；基于所述样本病斑面积占样本发病叶片总面积的实际百分率，利用无监督学习方法建立小麦条锈病的初始病害严重度评估模型；以严重度评估准确率为评价指标，对所构建的所述初始病害严重度评估模型进行评价，获得基于无监督学习的病害严重度评估模型。
进一步的，在获得样本发病叶片区域和样本病斑区域之后，还包括：确定所述样本发病叶片区域总像素数量和所述样本病斑区域的像素数量；基于所述样本发病叶片区域总像素数量和所述样本病斑区域的像素数量，确定各个严重度级别的每个样本发病叶片图像对应的样本病斑区域的像素数量占样本发病叶片区域总像素数量的百分率，将所述每个样本发病叶片图像对应的样本病斑区域的像素数量占样本发病叶片区域总像素数量的百分率作为所述样本病斑面积占样本发病叶片总面积的实际百分率。
进一步的，以严重度评估准确率为评价指标，对所构建的所述初始病害严重度评估模型进行评价，获得基于无监督学习的病害严重度评估模型，具体包括：将小麦条锈病各个严重度级别对应的样本发病叶片图像的所述样本病斑面积占样本发病叶片总面积的实际百分率作为数据集样本；所述数据集样本包含训练集样本和测试集样本；利用初始的K均值聚类模型或初始的谱聚类模型对所述训练集样本的聚类准确率进行统计，并利用所述初始的K均值聚类模型或所述初始的谱聚类模型对所述测试集样本进行小麦条锈病的严重度评估并统计预测准确率，基于所述聚类准确率和所述预测准确率确定所述初始的K均值聚类模型或所述初始的谱聚类模型针对各个严重度级别的评估结果，选择评估结果满足预设条件的K均值聚类模型或谱聚类模型作为所述病害严重度评估模型；其中，所述初始病害严重度评估模型为初始的K均值聚类模型或初始的谱聚类模型。
进一步的，根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别，具体包括：将所述实际百分率输入到所述病害严重度评估模型中进行严重度判别，并根据严重度判别结果确定所述发病叶片图像中的发病叶片的严重度级别。
本发明还提供一种基于无监督学习的小麦条锈病严重度评估装置，包括：图像获取单元，用于获取待评估的发病叶片图像；实际百分率确定单元，用于获得发病叶片图像中病斑面积占发病叶片总面积的实际百分率；严重度级别评估单元，用于根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别；其中，所述病害严重度评估模型是基于样本发病叶片图像以及所述样本发病叶片图像对应的病害严重度评估结果训练得到的。
进一步的，在根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估之前，还包括：样本图像获取单元，用于获取小麦条锈病各个严重度级别的样本发病叶片图像；样本图像分割单元，用于对所述样本发病叶片图像进行分割，获得样本发病叶片区域和样本病斑区域；区域面积确定单元，用于基于所述样本发病叶片区域和所述样本病斑区域，分别确定样本发病叶片总面积和样本病斑面积；样本病斑面积实际百分率确定单元，用于确定小麦条锈病各个严重度级别对应的样本发病叶片图像的所述样本病斑面积占样本发病叶片总面积的实际百分率；初始病害严重度评估模型构建单元，用于基于所述样本病斑面积占样本发病叶片总面积的实际百分率，利用无监督学习方法建立小麦条锈病的初始病害严重度评估模型；病害严重度评估模型确定单元，用于以严重度评估准确率为评价指标，对所构建的所述初始病害严重度评估模型进行评价，获得基于无监督学习的病害严重度评估模型。
进一步的，在获得样本发病叶片区域和样本病斑区域之后，还包括：第二百分率确定单元，用于确定所述样本发病叶片区域总像素数量和所述样本病斑区域的像素数量；基于所述样本发病叶片区域总像素数量和所述样本病斑区域的像素数量，确定各个严重度级别的每个样本发病叶片图像对应的样本病斑区域的像素数量占样本发病叶片区域总像素数量的百分率，将所述每个样本发病叶片图像对应的样本病斑区域的像素数量占样本发病叶片区域总像素数量的百分率作为所述样本病斑面积占样本发病叶片总面积的实际百分率。
进一步的，所述病害严重度评估模型确定单元，具体用于：
将小麦条锈病各个严重度级别对应的样本发病叶片图像的所述样本病斑面积占样本发病叶片总面积的实际百分率作为数据集样本；所述数据集样本包含训练集样本和测试集样本；利用初始的K均值聚类模型或初始的谱聚类模型对所述训练集样本的聚类准确率进行统计，并利用所述初始的K均值聚类模型或所述初始的谱聚类模型对所述测试集样本进行小麦条锈病严重度评估并统计预测准确率，基于所述聚类准确率和所述预测准确率确定所述初始的K均值聚类模型或所述初始的谱聚类模型针对各个严重度级别的评估结果，选择评估结果满足预设条件的K均值聚类模型或谱聚类模型作为所述病害严重度评估模型；其中，所述初始病害严重度评估模型为初始的K均值聚类模型或初始的谱聚类模型。
进一步的，所述严重度级别评估单元，具体用于：将所述实际百分率输入到所述病害严重度评估模型中进行严重度判别，并根据严重度判别结果确定发病叶片图像中的发病叶片的严重度级别。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项所述基于无监督学习的小麦条锈病严重度评估方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上任意一项所述的基于无监督学习的小麦条锈病严重度评估方法。
本发明所述的基于无监督学习的小麦条锈病严重度评估方法，通过获得待评估的发病叶片图像中病斑面积占发病叶片总面积的实际百分率；根据实际百分率以及基于无监督学习得到的病害严重度评估模型对发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别。本发明提供的方法能够获得理想的严重度评估结果，具有较高的可应用性，提高了植物病害严重度评估的准确率，从而为植物病害预报、品种选育、品种抗病性鉴定以及病害防治策略制定等提供了更可靠的支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
图1为本发明实施例提供的基于无监督学习的小麦条锈病严重度评估方法的流程示意图；
图2为本发明实施例提供的基于无监督学习的小麦条锈病严重度评估方法的完整流程图；
图3为本发明实施例提供的一种基于无监督学习的小麦条锈病严重度评估装置的结构示意图；
图4为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
为了解决小麦条锈病等植物病害严重度评估难度大以及依据病斑面积占发病叶片总面积的比率进行植物病害严重度评估时存在的问题，提高植物病害严重度评估的准确性，需要研究一种简便、易于操作、快速、准确性高的植物病害严重度评估方法，这对于小麦条锈病等植物病害的调查、监测、预测预报、防控措施制定等具有重要意义。本发明提供了一种基于无监督学习(unsupervised learning)的小麦条锈病严重度评估方法，该方法通过获得病斑面积占发病叶片总面积的实际百分率，然后利用K均值聚类算法(K_means聚类算法)、谱聚类(spectral clustering，SC)算法等无监督学习方法，将病斑面积占发病叶片总面积的实际百分率聚类为不同严重度类别，建立小麦条锈病病斑面积占发病叶片总面积实际百分率的聚类模型，即病害严重度评估模型，利用所建立的病害严重度评估模型可实现小麦条锈病发病叶片的严重度评估，克服了将病斑面积占发病叶片总面积的实际百分率与病害严重度分级标准中的各个严重度级别相应的百分率直接相对照而导致评估准确率低的问题。本发明提供的基于无监督学习的小麦条锈病严重度评估方法利用小麦条锈病病斑面积占发病叶片总面积的实际百分率，通过构建小麦条锈病病斑面积占发病叶片总面积实际百分率的病害严重度评估模型，根据所获得的病斑面积占发病叶片总面积的实际百分率即可评估相应发病叶片的严重度级别。该方法实际操作简单、快捷，并可获得准确率非常高的评估结果，为小麦条锈病等植物病害严重度的准确评估提供了方法，并为基于图像处理技术进行植物病害严重度的自动评估提供了依据和基础。
下面基于本发明所述的基于无监督学习的小麦条锈病严重度评估方法，对其实施例进行详细描述。如图1和2所示，其分别为本发明实施例提供的一种基于无监督学习的小麦条锈病严重度评估方法的流程示意图及完整流程图，具体过程包括以下步骤：
步骤101：获取待评估的发病叶片图像。
具体的，可通过数码相机、手机或摄像头等具有拍照功能的图像采集设备获取小麦条锈病各个严重度级别的发病叶片图像。在具体实施例中，可通过预设的图像处理软件手动或自动将发病叶片从背景中分割出来，获得发病叶片的分割图像，即提取出相应的发病叶片。
步骤102：获得发病叶片图像中病斑面积占发病叶片总面积的实际百分率。
具体的，所述病斑面积是指待评估的发病病斑的面积，对于小麦条锈病，通常为发病叶片上的所有夏孢子堆的面积。在本发明实施例中，需要预先通过图像处理软件分别完成对发病叶片图像中发病叶片区域和病斑区域进行分割，根据分割的区域分别计算出病斑面积和发病叶片总面积，进而根据两者的面积比值确定病斑面积占发病叶片总面积的实际百分率。
除此之外，还可通过所述图像处理软件统计各个严重度级别的发病叶片图像中病斑区域的像素数量和发病叶片区域总像素数量。将所述病斑区域的像素数量与所述发病叶片区域总像素数量的比值作为发病叶片图像中病斑面积占发病叶片总面积的实际百分率。
步骤103：根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别。其中，所述病害严重度评估模型是基于样本发病叶片图像以及所述样本发病叶片图像对应的病害严重度评估结果训练得到的。
具体的，可将所述实际百分率输入到所述病害严重度评估模型中进行严重度判别，并根据严重度判别结果确定所述发病叶片图像中的发病叶片的严重度级别。
根据小麦条锈病病叶片或获取的小麦条锈病病叶片图像，估计或通过图像处理获得发病叶片的病斑面积占叶片总面积的实际百分率，然后根据所获得的基于无监督学习的小麦条锈病的严重度评估模型，评估确定相应发病叶片的严重度级别。在本发明提供的技术方案中，小麦条锈病发病叶片的病斑面积占叶片总面积百分率，除了可以利用图像处理技术获得外，还可以利用肉眼观察法、网格纸测定法、纸样称重法等方法进行估计获得，在此不做具体限定。
需要说明的是，在根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估之前，还包括：获取小麦条锈病各个严重度级别的样本发病叶片图像；对所述样本发病叶片图像进行分割，获得样本发病叶片区域和样本病斑区域；基于所述样本发病叶片区域和所述样本病斑区域，分别确定样本发病叶片总面积和样本病斑面积；确定小麦条锈病各个严重度级别对应的样本发病叶片图像的所述样本病斑面积占样本发病叶片总面积的实际百分率；基于所述样本病斑面积占样本发病叶片总面积的实际百分率，利用无监督学习方法建立小麦条锈病的初始病害严重度评估模型；以严重度评估准确率为评价指标，对所构建的所述初始病害严重度评估模型进行评价，获得基于无监督学习的病害严重度评估模型。除此之外，在获得样本发病叶片区域和样本病斑区域之后，还可包括：确定所述样本发病叶片区域总像素数量和所述样本病斑区域的像素数量；基于所述样本发病叶片区域总像素数量和所述样本病斑区域的像素数量，确定各个严重度级别的每个样本发病叶片图像对应的样本病斑区域的像素数量占样本发病叶片区域总像素数量的百分率，将所述每个样本发病叶片图像对应的样本病斑区域的像素数量占样本发病叶片区域总像素数量的百分率作为所述样本病斑面积占样本发病叶片总面积的实际百分率。
其中，对所述样本发病叶片图像进行分割，获得样本发病叶片区域和样本病斑区域，对应的具体实现过程包括：利用预设的图像处理软件将样本发病叶片从背景中分割出来，获得样本发病叶片图像，然后将样本病斑从样本发病叶片图像上分割出来，获得样本病斑区域和样本发病叶片区域。
基于所述样本发病叶片区域和所述样本病斑区域，分别确定样本发病叶片总面积和样本病斑面积，对应的具体实现过程包括：
利用图像处理技术提取小麦条锈病样本发病叶片区域和样本病斑区域的面积特征，获得样本发病叶片总面积和样本病斑面积；或者利用图像处理软件，统计计算样本发病叶片总像素的数量和样本病斑像素的数量。
确定小麦条锈病各个严重度级别对应的样本发病叶片图像的所述样本病斑面积占样本发病叶片总面积的实际百分率，对应的具体实现过程包括：根据获得的样本发病叶片总面积和样本病斑面积或发病叶片总像素数量和样本病斑的像素数量，利用样本病斑面积(或样本病斑的像素数量)除以发病叶片总面积(或样本发病叶片总像素数量)，从而获得样本病斑面积占样本发病叶片总面积的实际百分率。
基于所述样本病斑面积占样本发病叶片总面积的百分率，利用无监督学习方法建立小麦条锈病的初始病害严重度评估模型，对应的具体实现过程包括：基于获得的各个严重度级别对应样本发病叶片的样本病斑面积占样本发病叶片总面积的实际百分率，利用K_means聚类算法、谱聚类算法等无监督学习方法，建立小麦条锈病的样本病斑面积占样本发病叶片总面积百分率的聚类模型，即基于无监督学习的初始病害严重度评估模型。
其中，以严重度评估准确率为评价指标，对所构建的所述初始病害严重度评估模型进行评价，获得基于无监督学习的病害严重度评估模型，对应的具体实现过程包括：将小麦条锈病各个严重度级别对应的样本发病叶片图像的所述样本病斑面积占样本发病叶片总面积的实际百分率作为数据集样本；所述数据集样本包含训练集样本和测试集样本；利用初始的K均值聚类模型(即K_means聚类算法)或初始的谱聚类模型(即谱聚类算法)对所述训练集样本的聚类准确率进行统计，并利用所述初始的K均值聚类模型或所述初始的谱聚类模型对所述测试集样本进行小麦条锈病的严重度评估并统计预测准确率，基于所述聚类准确率和所述预测准确率确定所述初始的K均值聚类模型或所述初始的谱聚类模型针对各个严重度级别的评估结果，选择评估结果满足预设条件的K均值聚类模型或谱聚类模型作为所述病害严重度评估模型。其中，所述初始病害严重度评估模型为初始的K均值聚类模型或初始的谱聚类模型。
在一个实施例中，未考虑健康叶片情况下，基于无监督学习的小麦条锈病的病害严重度评估方法包括：病害严重度评估模型构建及训练过程和基于病害严重度评估模型的病害严重度评估应用过程。
病害严重度评估模型构建及训练过程，具体包括步骤(1)-(5)。
(1)获取小麦条锈病各个严重度级别的发病叶片图像(即样本发病叶片图像)。按照预设的小麦条锈病严重度分级标准，从发生条锈病的小麦上分别采集严重度级别为1％、5％、10％、20％、40％、60％、80％、100％的小麦条锈病典型症状病叶样本，将每一病叶铺平展开用双面胶固定于纯白色A4纸上进行拍照。利用图像采集设备所采集的发病叶片图像的分辨率分别为4256×2832像素、3648×2736像素、4032×3024像素，格式可为JEPG，24位图。采集获得小麦条锈病每一严重度级别发病叶片图像50张，共获得400张发病叶片图像。
(2)发病叶片区域图像和病斑区域图像的分割。使用预设图像处理软件分别完成对发病叶片图像的叶片区域和病斑区域进行分割。
(3)统计分割的发病叶片区域图像和病斑区域图像的像素。在图像处理软件中分别完成对分割的叶片区域图像和病斑区域图像的像素统计。在图像处理软件中，选择分割后的完整叶片区域，从直方图面板中查看并记录叶片区域像素数量。在图像处理软件中，选择分割后的病斑区域，从直方图面板中查看并记录病斑区域像素数量。
(4)计算病斑面积占叶片总面积的实际百分率。根据记录的叶片区域像素和病斑区域像素的数量，对各个严重度级别的每一发病叶片图像，计算其病斑区域像素数量占叶片区域总像素数量的百分率，即获得相应发病叶片的病斑面积占发病叶片总面积的实际百分率，计算公式如下：
Figure BDA0003742379350000121
式中，Sp为病斑面积占发病叶片总面积的实际百分率；Ad为病斑区域像素数量，Al为发病叶片区域总像素数量。
(5)构建基于无监督学习的小麦条锈病严重度评估模型。按照病害严重度1-8个级别设置1-8个类别，将病害严重度1％、5％、10％、20％、40％、60％、80％、100％分别设为1、2、3、4、5、6、7、8，每个类别包含50个样本。将每一类别样本按照病斑面积占叶片总面积的实际百分率从大到小进行排序，然后每个类别样本分别按照建模比4:1和3:2采用***抽样法划分为训练集和测试集，再将所有类别的训练集和测试集分别重新组合成新的训练集和测试集。当建模比为4:1时，训练集TrainSet8-4:1和测试集TestSet8-4:1分别包含320个和80个样本；当建模比为3:2时，训练集TrainSet8-3:2和测试集TestSet8-3:2分别包含240个和160个样本。
将训练集TrainSet8-4:1和测试集TestSet8-4:1以及训练集TrainSet8-3:2和测试集TestSet8-3:2中的每一样本的病斑面积占叶片总面积的实际百分率和对应的类别编号输入到数据表中，并分别命名为train840、test810、train830、test820。在每一数据表中，第一列数据为病斑面积占叶片总面积的实际百分率，记为X；第二列为对应的类别编号，记为Y。基于病斑面积占叶片总面积的实际百分率，利用K_means聚类算法、谱聚类算法两种无监督学习方法，构建小麦条锈病严重度评估模型。根据所构建的小麦条锈病严重度评估模型对训练集的聚类准确率和对测试集的预测准确率，选择最优的小麦条锈病严重度评估模型。所述模型可基于Python语言，使用Pycharm软件进行构建的。
K_means聚类算法是一种基于距离聚类的无监督学习聚类算法，其通过对数据进行初始分组并不断更新聚类质心，直至各组内数据不再变化、满足迭代次数或误差小于所指定的值，从而完成对数据进行类别划分。构建基于K_means聚类算法的小麦条锈病严重度评估模型时，首先，调用Pandas库的read_excel()函数分别读取train840、test810、train830、test820四个数据表中的数据X和Y，然后用reshape(-1,1)函数将数据X从一维数组转换为一个一列的二维数组，以满足SciKit-Learn库对输入数据的要求。然后，调用SciKit-Learn库中Cluster模块，构建参数设置不同的K_means模型，用fit()函数引入训练集数据X对模型进行训练；使用labels_属性查看聚类后的标签，记为train_label，并调用Pandas库的value_counts()函数计算各标签的数量；使用predict()函数，用训练好的K_means模型对测试集数据X进行预测，将预测标签记为test_label，并调用Panda库的value_counts()函数计算其数量。构建K_means模型时，对于训练集train840，质心数n_clusters设置为8，用于初始化质心的生成器random_state设置为10，随机初始化次数n_init设置为1，初始化方法init设置为random，即随机从训练数据中选取初始质心，其他参数均使用默认值；对于训练集train830，质心数n_clusters设置为8，用于初始化质心的生成器random_state设置为8，随机初始化次数n_init设置为1，初始化方法init设置为random，其他参数均使用默认值。
谱聚类算法是一种基于图论的无监督学习聚类算法，其通过建立数据的拉普拉斯矩阵(Laplacian matrix)并计算矩阵的特征值和特征向量，实现特征向量空间构建，然后使用传统聚类算法对特征向量进行聚类，从而完成对数据进行类别划分。构建基于谱聚类算法的小麦条锈病严重度评估模型时，首先，调用Pandas库的read_excel()函数分别读取train840、test810、train830、test820四个数据表中的数据X和Y，然后用reshape(-1,1)函数将数据X从一维数组转换为一个一列的二维数组，以满足SciKit-Learn库对输入数据的要求。然后，调用SciKit-Learn库中Cluster模块，构建参数设置不同的谱聚类模型，用fit()函数引入训练集数据X对模型进行训练；使用labels_属性查看聚类后的标签，记为train_label，并调用Pandas库的value_counts()函数计算各标签的数量；使用fit_predict()函数，用训练好的谱聚类模型对测试集数据X进行预测，将预测标签记为test_label，并调用Pandas库的value_counts()函数计算其数量。构建谱聚类模型时，对于训练集train840，聚类维数n_clusters设置为8，相似矩阵的建立方法affinity设置为nearest_neighbors，即为K最邻近法，K最邻近法中K的个数设置为10，在嵌入空间中分配标签的策略assign_labels设置为discretize，即离散化方法，其他参数均使用默认值；对于训练集train830，聚类维数n_clusters设置为8，相似矩阵的建立方法affinity设置为nearest_neighbors，即为K最邻近法，K最邻近法中K的个数设置为7，在嵌入空间中分配标签的策略assign_labels设置为discretize，即离散化方法，其他参数均使用默认值。
基于病害严重度评估模型的病害严重度评估过程，包括步骤(6)。
(6)基于K_means聚类算法、谱聚类算法的小麦条锈病严重度评估模型的评估结果。基于所构建的小麦条锈病严重度评估K_means模型、谱聚类模型，统计对训练集样本的聚类准确率，利用模型对测试集进行小麦条锈病严重度评估并统计预测准确率，对数据集中各个类别的评估结果表1所示。
表1.基于K_means聚类算法、谱聚类算法构建的小麦条锈病严重度评估模型的评估结果(未含健康叶片情况下)
Figure BDA0003742379350000151
由此可知，在建模比为4:1情况下，构建的小麦条锈病严重度评估K_means模型对训练集train840的各个严重度级别数据的聚类准确率最低为70.00％，最高为100.00％；对测试集test810的各个严重度级别数据的预测准确率最低为70.00％，最高为100.00％；对训练集和测试集中数据的聚类结果在各个严重度级别之间差别较大。在建模比为4:1情况下，构建的小麦条锈病严重度评估谱聚类模型对训练集train840中各个严重度级别数据，除了对严重度级别10％和100％的聚类准确率分别为87.50％和92.50％外，对其他严重度级别的聚类准确率均为100.00％；对测试集test810中的各个严重度级别数据，除了对严重度级别10％的预测准确率为90.00％外，对其他严重度级别的聚类准确率均为100.00％；对训练集和测试集中数据的聚类结果均较好，在各个严重度级别之间差别相对较小。
在建模比为3:2情况下，构建的小麦条锈病严重度评估K_means模型对训练集train830的各个严重度级别数据的聚类准确率最低为66.67％，最高为100.00％，聚类准确率在各个严重度级别之间差别较大；对测试集test820的各个严重度级别数据的预测准确率最低为70.00％，最高为100.00％，预测准确率在各个严重度级别之间差别亦较大。在建模比为3:2情况下，构建的小麦条锈病严重度评估谱聚类模型对训练集train830中各个严重度级别数据，除了对严重度级别10％和100％的聚类准确率均为90.00％外，对其他严重度级别的聚类准确率均为100.00％，聚类准确率在各个严重度级别之间差别小，聚类效果非常好；对测试集test820中的各个严重度级别数据，除了对严重度级别10％、40％、100％的预测准确率分别为85.00％、95.00％、90.00％外，对其他严重度级别的聚类准确率均为100.00％，对测试集中数据的聚类结果均较好，在各个严重度级别之间差别相对较小。
综上，对未含健康叶片的小麦条锈病发病叶片严重度进行评估时，利用K_means聚类算法、谱聚类算法两种无监督学习方法所构建的小麦条锈病的严重度评估K_means模型和谱聚类模型(即病害严重度评估模型)的评估效果均是可以接受的。在两种建模比情况下，利用每一种无监督学习方法分别构建的小麦条锈病的病害严重度评估模型的评估效果之间差别不大，但是基于4:1建模比建模时所获得的严重度评估效果略好于基于3:2建模比建模时所获得的严重度评估效果。在任一建模比情况下，所构建的K_means模型的评估效果均低于谱聚类模型的评估效果，利用谱聚类算法所构建的小麦条锈病严重度评估模型的聚类准确率和预测准确率均较高，可以获得非常理想的小麦条锈病严重度级别评估的结果，可以将利用谱聚类算法构建的模型作为小麦条锈病的病害严重度评估模型。因此，为了利用基于无监督学习的小麦条锈病的病害严重度评估方法获得理想的严重度评估结果，本发明可以利用谱聚类算法构建小麦条锈病的病害严重度评估模型。由此可知，利用本发明提供的基于无监督学习的病害严重度评估方法可以获得较高的严重度评估准确性。
在另一个实施例中，考虑健康叶片情况下，基于无监督学习的小麦条锈病的病害严重度评估方法包括：病害严重度评估模型构建及训练过程和基于病害严重度评估模型的病害严重度评估应用过程。
病害严重度评估模型构建及训练过程，具体包括(1)-(5)。
(1)获取小麦条锈病各个严重度级别的发病叶片图像(即样本发病叶片图像)，与未考虑健康叶片情况下的步骤(1)相似，在此不再重复赘述。(2)叶片区域图像分割和病斑区域图像分割，与未考虑健康叶片情况下的步骤(2)相似，在此不再重复赘述。(3)统计分割的叶片区域图像和病斑区域图像的像素，与未考虑健康叶片情况下的步骤(3)相似，在此不再重复赘述。
(4)计算病斑面积占叶片总面积的实际百分率。根据记录的叶片区域像素和病斑区域的像素数量，对各个严重度级别每一发病叶片图像，计算其病斑区域像素数量占叶片区域总像素数量的百分率，即获得相应发病叶片的病斑面积占叶片总面积的实际百分率，计算公式如下：
Figure BDA0003742379350000181
式中，Sp为病斑面积占叶片总面积的实际百分率；Ad为病斑区域像素数量，Al为叶片区域总像素数量。
(5)构建基于无监督学习的小麦条锈病严重度评估模型。
为了使所构建的小麦条锈病严重度评估模型能够对健康叶片进行评估，将健康叶片的病斑面积占叶片总面积的实际百分率记为0％，将每一个病斑面积占叶片总面积的实际百分率为0％的健康叶片图像作为一个样本，共补充50个健康叶片图像样本。将病害严重度划分为0-8个类别，将健康叶片图像样本对应类别设为0，病害严重度1％、5％、10％、20％、40％、60％、80％、100％分别设为1、2、3、4、5、6、7、8，共包括9个类别，每个类别含有50个样本。将每一类别样本按照病斑面积占叶片总面积的实际百分率从大到小进行排序，然后每个类别样本分别按照建模比4:1和3:2采用***抽样法划分为训练集和测试集，再将所有类别的训练集和测试集分别重新组合成新的训练集和测试集。当建模比为4:1时，训练集TrainSet9-4:1和测试集TestSet9-4:1分别包含360个和90个样本；当建模比为3:2时，训练集TrainSet9-3:2测试集TestSet9-3:2分别包含270个和180个样本。
将训练集TrainSet9-4:1和测试集TestSet9-4:1以及训练集TrainSet9-3:2和测试集TestSet9-3:2中的每一样本的病斑面积占叶片总面积的实际百分率和对应的类别编号输入到数据表中，并分别命名为train940、test910、train930、test920。在每一数据表中，第一列数据为病斑面积占叶片总面积的实际百分率，记为X；第二列为对应的类别编号，记为Y。
基于病斑面积占叶片总面积的实际百分率，利用K_means聚类算法、谱聚类算法两种无监督学习方法，构建小麦条锈病严重度评估模型。根据所构建的小麦条锈病严重度评估模型对训练集的聚类准确率和对测试集的预测准确率，选择最优的小麦条锈病严重度评估模型。所述模型是基于Python语言，使用Pycharm软件进行构建。
基于病害严重度评估模型的病害严重度评估应用过程，具体包括步骤(6)。
(6)基于K_means聚类算法、谱聚类算法的小麦条锈病严重度评估模型的评估结果。基于所构建的小麦条锈病严重度评估K_means模型、谱聚类模型，统计对训练集样本的聚类准确率，利用模型对测试集进行小麦条锈病严重度评估并统计预测准确率，对数据集中各个类别的评估结果表2所示。
表2.基于K_means聚类算法、谱聚类算法构建的小麦条锈病严重度评估模型的评估结果(含健康叶片情况下)
Figure BDA0003742379350000191
Figure BDA0003742379350000201
由此可知，在建模比为4:1情况下，基于K_means聚类算法构建的小麦条锈病严重度评估模型对训练集train840的各个严重度级别数据的聚类准确率最低为70.00％，最高为100.00％，对各个严重度级别的聚类准确率差别较大；对测试集test810的各个严重度级别数据的预测准确率最低为70.00％，最高为100.00％，聚类准确率在各个严重度级别之间亦差别较大。在建模比为4:1情况下，基于谱聚类算法构建的小麦条锈病严重度评估模型对训练集train840中各个严重度级别数据，除了对严重度级别1％、10％、100％的聚类准确率分别为95％、85.00％和92.50％外，对其他严重度级别的聚类准确率均为100.00％，对各个严重度级别的聚类准确率较高；对测试集test810中的各个严重度级别数据，除了对严重度级别1％和10％的预测准确率均为90.00％外，对其他严重度级别的聚类准确率均为100.00％，对各个严重度级别的聚类准确率较高；对训练集和测试集中数据的聚类结果均很好。
在建模比为3:2情况下，基于K_means聚类算法构建的小麦条锈病严重度评估模型对训练集train830的各个严重度级别数据的聚类准确率最低为70.00％，最高为100.00％，对各个严重度级别的聚类准确率差别较大；对测试集test820的各个严重度级别数据的预测准确率最低为70.00％，最高为100.00％，聚类准确率在各个严重度级别之间亦差别较大。在建模比为3:2情况下，基于谱聚类算法构建的小麦条锈病严重度评估模型对训练集train830中各个严重度级别数据，除了对严重度级别1％、10％、80％、100％的聚类准确率分别为93.33％、86.67％、96.67％、93.33％外，对其他严重度级别的聚类准确率均为100.00％，对各个严重度级别的聚类准确率较高；对测试集test820中的各个严重度级别数据，除了对严重度级别1％、10％、40％、100％的预测准确率分别为95.00％、85.00％、90.00％、90.00％外，对其他严重度级别的聚类准确率均为100.00％，对各个严重度级别的聚类准确率较高；对训练集和测试集中数据的聚类结果均较好。
由此可知，对包含健康叶片的小麦条锈病发病叶片严重度进行评估时，利用K_means聚类算法、谱聚类算法两种无监督学习方法所构建的小麦条锈病严重度评估K_means模型和谱聚类模型的评估效果均是可以接受的，在两种建模比情况下，利用每一种无监督学习方法分别构建的小麦条锈病的病害严重度评估模型的评估效果之间差别不大，但是基于4:1建模比建模时所获得的严重度评估效果略好于基于3:2建模比建模时所获得的严重度评估效果。在任一建模比情况下，基于K_means聚类算法构建的小麦条锈病严重度评估模型的评估效果均低于基于谱聚类算法构建的小麦条锈病严重度评估模型的评估效果，利用谱聚类算法所构建的小麦条锈病严重度评估模型的聚类准确率和预测准确率均较高，可以获得较理想的小麦条锈病严重度级别评估的结果，本发明可以优先选择将利用谱聚类算法构建的模型作为小麦条锈病的病害严重度评估模型。当然，也可利用K_means聚类算法构建的模型作为小麦条锈病的病害严重度评估模型，在此不做具体限定。因此，为了利用基于无监督学习方法进行小麦条锈病严重度评估而获得较为理想的严重度评估结果，可以利用谱聚类算法构建小麦条锈病严重度评估模型。由此可知，利用本发明提供的基于无监督学习的小麦条锈病严重度评估方法可以获得较高的严重度评估准确性，本发明提供的方法可以应用于小麦条锈病的病害严重度评估。
在本发明提供的两个实施例中，无论是在未考虑小麦条锈病健康叶片的情况下，还是在考虑小麦条锈病健康叶片的情况下，对各个严重度级别的小麦条锈病样本，按照4:1和3:2两个建模比使用***抽样法进行抽样组建训练集和测试集，在这两种建模比下，利用K_means聚类算法、谱聚类算法两种无监督学习方法所构建的小麦条锈病严重度评估模型均可获得可以接受的严重度评估效果，特别是利用谱聚类算法建立的小麦条锈病严重度评估模型对训练集的聚类准确率和对测试集的预测准确率均较高，对小麦条锈病严重度的评估效果较为理想。因此，本发明提供的基于无监督学习的小麦条锈病严重度评估方法可以用于小麦条锈病的严重度评估。本发明提供的方法简单易用、准确性高，彻底解决了依据病斑面积占发病叶片总面积的百分率进行小麦条锈病严重度评估时严重度分级标准中病斑面积占发病叶片总面积的百分率与病斑面积占发病叶片总面积的实际百分率不一致的问题，依据获得的病斑面积占发病叶片总面积的实际百分率即可对相应发病叶片的严重度进行聚类评估，为准确评估小麦条锈病严重度提供了基础。本发明提供的方法和思路同样适用于其他依据病斑面积占发病叶片总面积的比率进行病害严重度评估的病害，也同样适用于小麦叶锈病等其他依据病斑面积占发病叶片总面积的比率进行病害严重度评估时严重度分级标准中病斑面积占发病叶片总面积的比率与病斑面积占发病叶片总面积的实际比率不一致的病害，可用于解决这类病害的严重度评估问题。本发明实施例中利用K_means聚类算法、谱聚类算法两种无监督学习方法建立小麦条锈锈病的病害严重度评估模型，这里仅是提供了两个实施例，采用本发明所提供的思路，利用其他无监督学习方法建立其他类似小麦条锈病的病害严重度评估模型也同样在本发明专利保护范围之内，即本发明方法不仅适用于小麦叶锈病的病害严重度评估，也适用于小麦叶锈病等其他类似病害的严重度评估，在此不再一一赘述。发病单元包含所述发病叶片。
本发明所述的基于无监督学习的小麦条锈病严重度评估方法，通过对待评估的发病叶片图像中病斑面积占发病叶片总面积的实际百分率；根据实际百分率以及基于无监督学习得到的病害严重度评估模型对发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别。本发明提供的方法能够获得理想的严重度评估结果，具有较高的可应用性，提高了植物病害严重度评估的准确率，从而为植物病害预报、品种选育、品种抗病性鉴定以及病害防治策略制定等提供了更可靠的支撑。
与上述提供的一种基于无监督学习的小麦条锈病严重度评估方法相对应，本发明还提供一种基于无监督学习的小麦条锈病严重度评估装置。由于该装置的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的基于无监督学习的小麦条锈病严重度评估装置的实施例仅是示意性的。
请参考图3所示，其为本发明实施例提供的一种基于无监督学习的小麦条锈病严重度评估装置的结构示意图。本发明所述的一种基于无监督学习的小麦条锈病严重度评估装置具体包括如下部分：
图像获取单元301，用于获取待评估的发病叶片图像；
实际百分率确定单元302，用于获得发病叶片图像中病斑面积占发病叶片总面积的实际百分率；
严重度级别评估单元303，用于根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别；
其中，所述病害严重度评估模型是基于样本发病叶片图像以及所述样本发病叶片图像对应的病害严重度评估结果训练得到的。
本发明所述的基于无监督学习的小麦条锈病严重度评估装置，通过获得待评估的发病叶片图像中病斑面积占发病叶片总面积的实际百分率，根据实际百分率以及基于无监督学习得到的病害严重度评估模型对发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别。本发明提供的方法能够获得理想的严重度评估结果，具有较高的可应用性，提高了植物病害严重度评估的准确率，从而为植物病害预报、品种选育、品种抗病性鉴定以及病害防治策略制定等提供了更可靠的支撑。
与上述提供的基于无监督学习的小麦条锈病严重度评估方法相对应，本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图4所示，其为本发明实施例公开的一种电子设备的实体结构示意图。该电子设备可以包括：处理器(processor)401、存储器(memory)402和通信总线403，其中，处理器401，存储器402通过通信总线403完成相互间的通信。处理器401可以调用存储器402中的逻辑指令，以执行基于无监督学习的小麦条锈病严重度评估方法，该方法包括：获取待评估的发病叶片图像；获得发病叶片图像中病斑面积占发病叶片总面积的实际百分率；根据实际百分率以及基于无监督学习得到的病害严重度评估模型对发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别；病害严重度评估模型是基于样本发病叶片图像以及样本发病叶片图像对应的病害严重度评估结果训练得到的。
此外，上述的存储器402中的逻辑指令可以通过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取存储介质中。基于这样的理解，本发明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)执行本发明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。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基于无监督学习的小麦条锈病严重度评估方法，该方法包括：获取待评估的发病叶片图像；获得发病叶片图像中病斑面积占发病叶片总面积的实际百分率；根据实际百分率以及基于无监督学习得到的病害严重度评估模型对发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别；病害严重度评估模型是基于样本发病叶片图像以及样本发病叶片图像对应的病害严重度评估结果训练得到的。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于无监督学习的小麦条锈病严重度评估方法，该方法包括：获取待评估的发病叶片图像；获得发病叶片图像中病斑面积占发病叶片总面积的实际百分率；根据实际百分率以及基于无监督学习得到的病害严重度评估模型对发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别；病害严重度评估模型是基于样本发病叶片图像以及样本发病叶片图像对应的病害严重度评估结果训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于无监督学习的小麦条锈病严重度评估方法，其特征在于，包括：
获取待评估的发病叶片图像；
获得发病叶片图像中病斑面积占发病叶片总面积的实际百分率；
根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别；
其中，所述病害严重度评估模型是基于样本发病叶片图像以及所述样本发病叶片图像对应的病害严重度评估结果训练得到的。
2.根据权利要求1所述的基于无监督学习的小麦条锈病严重度评估方法，其特征在于，在根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估之前，还包括：
获取小麦条锈病各个严重度级别的样本发病叶片图像；
对所述样本发病叶片图像进行分割，获得样本发病叶片区域和样本病斑区域；
基于所述样本发病叶片区域和所述样本病斑区域，分别确定样本发病叶片总面积和样本病斑面积；
确定小麦条锈病各个严重度级别对应的样本发病叶片图像的所述样本病斑面积占样本发病叶片总面积的实际百分率；
基于所述样本病斑面积占样本发病叶片总面积的实际百分率，利用无监督学习方法建立小麦条锈病的初始病害严重度评估模型；
以严重度评估准确率为评价指标，对所构建的所述初始病害严重度评估模型进行评价，获得基于无监督学习的病害严重度评估模型。
3.根据权利要求2所述的基于无监督学习的小麦条锈病严重度评估方法，其特征在于，在获得样本发病叶片区域和样本病斑区域之后，还包括：确定所述样本发病叶片区域总像素数量和所述样本病斑区域的像素数量；基于所述样本发病叶片区域总像素数量和所述样本病斑区域的像素数量，确定各个严重度级别的每个样本发病叶片图像对应的样本病斑区域的像素数量占样本发病叶片区域总像素数量的百分率，将所述每个样本发病叶片图像对应的样本病斑区域的像素数量占样本发病叶片区域总像素数量的百分率作为所述样本病斑面积占样本发病叶片总面积的实际百分率。
4.根据权利要求2所述的基于无监督学习的小麦条锈病严重度评估方法，其特征在于，以严重度评估准确率为评价指标，对所构建的所述初始病害严重度评估模型进行评价，获得基于无监督学习的病害严重度评估模型，具体包括：
将小麦条锈病各个严重度级别对应的样本发病叶片图像的所述样本病斑面积占样本发病叶片总面积的实际百分率作为数据集样本；所述数据集样本包含训练集样本和测试集样本；
利用初始的K均值聚类模型或初始的谱聚类模型对所述训练集样本的聚类准确率进行统计，并利用所述初始的K均值聚类模型或所述初始的谱聚类模型对所述测试集样本进行小麦条锈病的严重度评估并统计预测准确率，基于所述聚类准确率和所述预测准确率确定所述初始的K均值聚类模型或所述初始的谱聚类模型针对各个严重度级别的评估结果，选择评估结果满足预设条件的K均值聚类模型或谱聚类模型作为所述病害严重度评估模型；其中，所述初始病害严重度评估模型为初始的K均值聚类模型或初始的谱聚类模型。
5.根据权利要求1所述的基于无监督学习的小麦条锈病严重度评估方法，其特征在于，根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别，具体包括：
将所述实际百分率输入到所述病害严重度评估模型中进行严重度判别，并根据严重度判别结果确定所述发病叶片图像中的发病叶片的严重度级别。
6.一种基于无监督学习的小麦条锈病严重度评估装置，其特征在于，包括：
图像获取单元，用于获取待评估的发病叶片图像；
实际百分率确定单元，用于获得发病叶片图像中病斑面积占发病叶片总面积的实际百分率；
严重度级别评估单元，用于根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估，确定相应发病叶片的严重度级别；
其中，所述病害严重度评估模型是基于样本发病叶片图像以及所述样本发病叶片图像对应的病害严重度评估结果训练得到的。
7.根据权利要求6所述的基于无监督学习的小麦条锈病严重度评估装置，其特征在于，在根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图像中的发病叶片进行严重度评估之前，还包括：
样本图像获取单元，用于获取小麦条锈病各个严重度级别的样本发病叶片图像；
样本图像分割单元，用于对所述样本发病叶片图像进行分割，获得样本发病叶片区域和样本病斑区域；
区域面积确定单元，用于基于所述样本发病叶片区域和所述样本病斑区域，分别确定样本发病叶片总面积和样本病斑面积；
样本病斑面积实际百分率确定单元，用于确定小麦条锈病各个严重度级别对应的样本发病叶片图像的所述样本病斑面积占样本发病叶片总面积的实际百分率；
初始病害严重度评估模型构建单元，用于基于所述样本病斑面积占样本发病叶片总面积的实际百分率，利用无监督学习方法建立小麦条锈病的初始病害严重度评估模型；
病害严重度评估模型确定单元，用于以严重度评估准确率为评价指标，对所构建的所述初始病害严重度评估模型进行评价，获得基于无监督学习的病害严重度评估模型。
8.根据权利要求6所述的基于无监督学习的小麦条锈病严重度评估装置，其特征在于，在获得样本发病叶片区域和样本病斑区域之后，还包括：第二百分率确定单元，用于确定所述样本发病叶片区域总像素数量和所述样本病斑区域的像素数量；基于所述样本发病叶片区域总像素数量和所述样本病斑区域的像素数量，确定各个严重度级别的每个样本发病叶片图像对应的样本病斑区域的像素数量占样本发病叶片区域总像素数量的百分率，将所述每个样本发病叶片图像对应的样本病斑区域的像素数量占样本发病叶片区域总像素数量的百分率作为所述样本病斑面积占样本发病叶片总面积的实际百分率。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任意一项所述的基于无监督学习的小麦条锈病严重度评估方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5任意一项所述的基于无监督学习的小麦条锈病严重度评估方法的步骤。
CN202210820891.XA 2022-07-12 2022-07-12 基于无监督学习的小麦条锈病严重度评估方法及装置 Pending CN115239947A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210820891.XA CN115239947A (zh) 2022-07-12 2022-07-12 基于无监督学习的小麦条锈病严重度评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210820891.XA CN115239947A (zh) 2022-07-12 2022-07-12 基于无监督学习的小麦条锈病严重度评估方法及装置

Publications (1)

Publication Number Publication Date
CN115239947A true CN115239947A (zh) 2022-10-25

Family

ID=83674159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210820891.XA Pending CN115239947A (zh) 2022-07-12 2022-07-12 基于无监督学习的小麦条锈病严重度评估方法及装置

Country Status (1)

Country Link
CN (1) CN115239947A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468671A (zh) * 2023-03-21 2023-07-21 中化现代农业有限公司 植物病害程度检测方法、装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468671A (zh) * 2023-03-21 2023-07-21 中化现代农业有限公司 植物病害程度检测方法、装置、电子设备和存储介质
CN116468671B (zh) * 2023-03-21 2024-04-16 中化现代农业有限公司 植物病害程度检测方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
WO2021000524A1 (zh) 孔位保护门检测方法、装置、计算机设备和存储介质
CN107665492B (zh) 基于深度网络的结直肠全景数字病理图像组织分割方法
CN110648322B (zh) 一种子宫颈异常细胞检测方法及***
CN110021425B (zh) 一种比较检测器及其构建方法与***细胞检测方法
CN110210448B (zh) 一种智能人脸皮肤老化程度的识别与评估方法
CN113658174B (zh) 基于深度学习和图像处理算法的微核组学图像检测方法
CN111666900B (zh) 基于多源遥感影像的土地覆盖分类图的获取方法和装置
CN112819821B (zh) 一种细胞核图像检测方法
CN113240623B (zh) 一种路面病害检测方法及装置
CN111753873A (zh) 一种图像检测方法和装置
CN106340000A (zh) 骨龄评估方法
CN112613454A (zh) 一种电力基建施工现场违章识别方法及***
CN112215217B (zh) 模拟医师阅片的数字图像识别方法及装置
CN111932510A (zh) 一种图像清晰度的确定方法及装置
CN112183557A (zh) 基于胃癌组织病理图像纹理特征的msi预测模型构建方法
CN115439654B (zh) 动态约束下的弱监督农田地块精细化分割方法及***
CN115457044B (zh) 基于类激活映射的路面裂缝分割方法
CN111539910B (zh) 锈蚀区域检测方法及终端设备
CN110874835B (zh) 作物叶部病害抗性鉴定方法、***、电子设备及存储介质
CN114882306A (zh) 地形图比例尺鉴别方法、装置、存储介质及电子设备
CN111414930B (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN115239947A (zh) 基于无监督学习的小麦条锈病严重度评估方法及装置
CN108805181B (zh) 一种基于多分类模型的图像分类装置及分类方法
CN117422699A (zh) 公路检测方法、装置、计算机设备及存储介质
CN114998732A (zh) 一种植物病害严重度评估方法及装置

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