DE202023104014U1 - Ein Bildsegmentierungssystem zur Erkennung von Pflanzenkrankheiten auf der Grundlage einer spärlichen Partikelschwarm-Optimierungstechnik - Google Patents

Abstract

Ein Bildsegmentierungssystem (100) zur Erkennung von Pflanzenkrankheiten auf der Grundlage einer spärlichen Partikelschwarm-Optimierungstechnik, wobei das System (100) Folgendes umfasst:
ein Bildsammelmodul (102) zum Sammeln von Bildern von mindestens einem Erntegut, die in einer Datenbank (110) gespeichert werden;
ein Vorverarbeitungsmodul (104), das mit dem Bildsammelmodul (102) verbunden ist, um das gesammelte Bild zu verbessern, wobei eine ursprüngliche Farbe des gesammelten Erntebildes in einen Farbraum umgewandelt und geglättet wird, um das Bild zu verbessern; und
ein Bildsegmentierungsmodul (106), das mit dem Vorverarbeitungsmodul (104) verbunden ist, um das vorverarbeitete Bild in eine Vielzahl von Segmenten zu segmentieren, indem die Rechenzeit auf der Grundlage einer Sparse-Particle-Swarm-Optimization-Technik (S_PSO) zur Erkennung von Pflanzenkrankheiten reduziert wird.

Description

• BEREICH DER ERFINDUNG
• Die vorliegende Erfindung bezieht sich auf das Gebiet der Bildverarbeitungssysteme. Insbesondere bezieht sich die vorliegende Erfindung auf ein auf Einschränkungen basierendes komplexes Bildsegmentierungssystem für Nutzpflanzen, das auf einer spärlichen Partikelschwarm-Optimierungstechnik zur frühen und effizienten Erkennung von Pflanzenkrankheiten beruht.
• HINTERGRUND DER ERFINDUNG
• Die Landwirtschaft ist ein Bereich, in dem die Bildsegmentierung häufig zur Analyse verwendet wird. Die Bildsegmentierung spielt eine wichtige Rolle in der Landwirtschaft, wo die Segmentierung von Erntebildern häufig für die Analyse verwendet wird. Das Hauptziel der Bildsegmentierung besteht darin, das Bild anhand von Merkmalen wie Intensität oder Farbe in ähnliche Regionen zu unterteilen, um aussagekräftige Informationen zu extrahieren.
• In Entwicklungsländern wie Asien, einschließlich China, sind mehr als 50 % der Bevölkerung direkt von landwirtschaftlichen Erzeugnissen abhängig. Es wird behauptet, dass 30 % oder mehr der Ernten während der Produktion verloren gehen. Die anderen großen Verluste in der Anfangsphase des Pflanzenwachstums, z. B. bei der Erkennung der Bananenblattkrankheit und der Frühdiagnose der Teeblattkrankheit, sind auf Pilz- und Bakterieninfektionen usw. zurückzuführen. Dies führt zu Einkommenseinbußen bei den Landwirten und der Agrarindustrie. Mit Hilfe der Technologie lassen sich diese Verluste also verringern.
• Für die Segmentierung eines Erntebildes wurden mehrere Techniken vorgeschlagen. Die Segmentierung mit Hilfe der Schwellenwertmethode hat sich aufgrund ihrer Einfachheit durchgesetzt. Die Aufteilung eines Bildes basiert auf dem Histogramm und wird als zwei- oder mehrstufig bezeichnet, basierend auf der Aufteilung eines Bildes in zwei oder mehr als zwei Klassen.
• Die Segmentierung auf der Grundlage der Entropie hat die Forscher wegen der besseren Genauigkeit angezogen. Die Forscher haben verschiedene Techniken zur Segmentierung eines Bildes im Bereich der Landwirtschaft eingesetzt. In diesem Zusammenhang haben einige Autoren den mehrstufigen Segmentierungsansatz unter Verwendung verschiedener Zielfunktionen angewandt, die im Bereich der Landwirtschaft auf verschiedenen Schwellenwertebenen eingesetzt wurden. Der mehrstufige Schwellenwertansatz ist recht nützlich, um die Krankheit auf niedrigeren und höheren Schwellenwerten zu identifizieren. Allerdings ist die Rechenzeit eine Herausforderung, die mit zunehmender Schwellenwertstufe exponentiell ansteigt.
• Die gängigsten Optimierungsverfahren, die in der Literatur zur Lösung verschiedener technischer Probleme verwendet werden, wie z. B. genetische Algorithmen, menschenbasierte Algorithmen und schwarmbasierte Optimierungsverfahren wie die Partikelschwarmoptimierung (PSO), wurden vorgeschlagen, um den bestmöglichen Schwellenwert zu finden. Jede dieser Optimierungstechniken hat ihre eigenen Auswirkungen.
• Die oben genannten traditionellen Optimierungsverfahren sind jedoch von Natur aus komplex und haben einen hohen Rechenaufwand.
• Um die oben genannten Einschränkungen zu überwinden, besteht daher die Notwendigkeit, eine einfache und recheneffiziente Optimierungstechnik zu entwickeln. Die Sparse Particle Swarm Optimization Technique (S_PSO) ist eine recheneffiziente Technik, die für ein Bildsegmentierungssystem zur Erkennung von Pflanzenkrankheiten verwendet wurde.
• Die durch die vorliegende Erfindung offenbarten technischen Fortschritte überwinden die Einschränkungen und Nachteile bestehender und konventioneller Systeme und Methoden.
• ZUSAMMENFASSUNG DER ERFINDUNG
• Die vorliegende Erfindung bezieht sich im Allgemeinen auf ein Bildsegmentierungssystem zur Erkennung von Pflanzenkrankheiten, das auf der Technik der spärlichen Partikelschwarmoptimierung basiert.
• Gegenstand der vorliegenden Erfindung ist ein effizientes Segmentierungssystem zur frühzeitigen und effizienten Erkennung von Pflanzenkrankheiten.
• Ein weiteres Ziel der vorliegenden Erfindung ist es, ein rechnerisch effizientes Verfahren zur spärlichen Partikelschwarmoptimierung bereitzustellen.
• Ein weiteres Ziel der vorliegenden Erfindung ist die Durchführung einer mehrstufigen Schwellenwertbildung eines Bildes.
• Ein weiteres Ziel der vorliegenden Erfindung ist die Verbesserung der Genauigkeit der Erntegutsegmentierung.
• In einer Ausführungsform von ist ein Bildsegmentierungssystem zur Erkennung von Pflanzenkrankheiten auf der Grundlage einer spärlichen Partikelschwarmoptimierungstechnik vorgesehen, wobei das System Folgendes umfasst:
• ein Bildsammelmodul zum Sammeln des eingegebenen Erntebildes;
• ein Vorverarbeitungsmodul, das mit dem Bildsammelmodul verbunden ist, um das gesammelte Bild zu verbessern, wobei eine ursprüngliche Farbe des gesammelten Erntebildes in einen L*a*b*-Farbraum umgewandelt und geglättet wird, um das Bild zu verbessern; und
• ein Bildsegmentierungsmodul, das mit dem Vorverarbeitungsmodul verbunden ist, um das vorverarbeitete Bild in eine Vielzahl von Segmenten zu segmentieren, indem die Rechenzeit auf der Grundlage einer Sparse-Particle-Swarm-Optimization-Technik (S_PSO) zur Erkennung von Pflanzenkrankheiten reduziert wird.
• In einer Ausführungsform ist das Vorverarbeitungsmodul mit einem Gauß-Filter zur Glättung des Erntebildes ausgestattet, um die Krankheit zu erkennen.
• In einer Ausführungsform wird das komplexe Schnittbild in einen Luminanz- (L*) oder Helligkeitsfarbraum, einen Farbraum (a*) und einen Farbraum (b*) (L*a*b*) umgewandelt, um das Bild farbunabhängig zu machen.
• In einer Ausführungsform ist ein Berechnungsmodul mit dem Bildsegmentierungsmodul verbunden, um die Kreuzentropie zwischen dem Original und dem segmentierten Bild zu minimieren.
• In einer Ausführungsform wird eine mehrstufige Schwellenwertbildung des segmentierten Bildes durch Kombination der S_PSO-Technik mit der minimalen Kreuzentropie als Zielfunktion durchgeführt.
• In einer Ausführungsform umfasst die Sparse Particle Swarm Optimization (S_PSO) Technik:
• ein Initialisierungsmodul zur Erzeugung eines beliebig dünn besetzten Schwarmes von Partikeln der Dimensionen (N, M) in einem Suchraum;
• ein Bewertungsmodul, das mit dem Initialisierungsmodul verbunden ist, um die Fitnessfunktion eines Schwarms auf der Grundlage einer Zielfunktion zu bewerten, wobei für jedes Schwarmteilchen ein persönlicher Bestwert und ein globaler Bestwert festgelegt wird, um die Fitness eines neuen Schwarmteilchens zu bestimmen; und
• ein mit dem Auswertemodul verbundenes Aktualisierungsmodul zum Aktualisieren der vom Auswertemodul erhaltenen persönlichen und globalen Bestleistung in der Datenbank.
• In einer Ausführungsform ist N die Größe eines Schwarms und M die Größe der einzelnen Partikel im Schwarm.
• In einer Ausführungsform ist das Initialisierungsmodul so konfiguriert, dass es:
• Berechnung der Anzahl der Elemente ungleich Null (c) auf der Grundlage der Größe des Schwarms und der Größe der einzelnen Partikel im Schwarm;
• Erzeugung von Zufallsindizes für Nicht-Null-Elemente (c) für jede Dimension des Schwarms (a, b), um paarweise einen Ort mit Nicht-Null-Werten zu definieren;
• einen Zufallswert (v) in einem Bereich für jedes (a, b)-Paar von Indizes erzeugen; und
• den spärlich besetzten Schwarm mit einer Dichte (D) zu erzeugen, indem jedem Schwarmteilchen paarweise eindeutige Orte (a, b) mit dem Wert V zugewiesen werden.
• Um die Vorteile und Merkmale der vorliegenden Erfindung weiter zu verdeutlichen, wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf spezifische Ausführungsformen davon, die in der beigefügten Zeichnung dargestellt ist, gemacht werden. Es wird davon ausgegangen, dass diese Zeichnung nur typische Ausführungsformen der Erfindung zeigt und daher nicht als Einschränkung ihres Umfangs zu betrachten ist. Die Erfindung wird mit zusätzlicher Spezifität und Detail mit der beigefügten Zeichnung beschrieben und erläutert werden.
• KURZBESCHREIBUNG DER ABBILDUNG
• Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Erfindung werden besser verstanden, wenn die folgende detaillierte Beschreibung unter Bezugnahme auf die beigefügte Zeichnung gelesen wird, in der gleiche Zeichen gleiche Teile darstellen, wobei:
• zeigt ein Blockdiagramm eines Bildsegmentierungssystems für die Erkennung von Pflanzenkrankheiten auf der Grundlage einer spärlichen Partikelschwarm-Optimierungstechnik.
• Der Fachmann wird verstehen, dass die Elemente in der Zeichnung der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet wurden. Die Flussdiagramme veranschaulichen beispielsweise das Verfahren anhand der wichtigsten Schritte, um das Verständnis der Aspekte der vorliegenden Offenbarung zu verbessern. Darüber hinaus kann es sein, dass eine oder mehrere Komponenten der Vorrichtung in der Zeichnung durch herkömmliche Symbole dargestellt sind, und dass die Zeichnung nur die spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind, um die Zeichnung nicht mit Details zu überfrachten, die für Fachleute, die mit der vorliegenden Beschreibung vertraut sind, leicht erkennbar sind.
• DETAILLIERTE BESCHREIBUNG:
• Um das Verständnis der Erfindung zu fördern, wird nun auf die in der Zeichnung dargestellte Ausführungsform Bezug genommen und diese mit bestimmten Worten beschrieben. Es versteht sich jedoch von selbst, dass damit keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weitere Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Grundsätze der Erfindung in Betracht gezogen werden, wie sie einem Fachmann auf dem Gebiet der Erfindung normalerweise einfallen würden.
• Es versteht sich für den Fachmann von selbst, dass die vorstehende allgemeine Beschreibung und die folgende ausführliche Beschreibung beispielhaft und erläuternd für die Erfindung sind und nicht als einschränkend angesehen werden sollen.
• Wenn in dieser Beschreibung von „einem Aspekt“, „einem anderen Aspekt“ oder ähnlichem die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Erfindung enthalten ist. Daher können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen es aber nicht.
• Die Ausdrücke „umfasst“, „enthaltend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, so dass ein Verfahren oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte umfasst, sondern auch andere Schritte enthalten kann, die nicht ausdrücklich aufgeführt sind oder zu einem solchen Verfahren oder einer solchen Methode gehören. Ebenso schließen eine oder mehrere Vorrichtungen oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, die mit „umfasst...a“ eingeleitet werden, nicht ohne weitere Einschränkungen die Existenz anderer Vorrichtungen oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen oder anderer Komponenten oder zusätzlicher Vorrichtungen oder zusätzlicher Teilsysteme oder zusätzlicher Elemente oder zusätzlicher Strukturen oder zusätzlicher Komponenten aus.
• Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Fachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden wird. Das System, die Methoden und die Beispiele, die hier angegeben werden, dienen nur der Veranschaulichung und sind nicht als Einschränkung gedacht.
• Ausführungsformen der vorliegenden Erfindung werden im Folgenden unter Bezugnahme auf die beigefügte Zeichnung im Detail beschrieben.
• zeigt ein Blockdiagramm eines Bildsegmentierungssystems (100) für die Erkennung von Pflanzenkrankheiten auf der Grundlage der Sparse-Particle-Swarm-Optimization-Technik, wobei das System (100) Folgendes umfasst:
• ein Bildsammelmodul (102) zum Sammeln von Bildern von mindestens einem Erntegut, die in einer Datenbank (110) gespeichert werden;
• ein Vorverarbeitungsmodul (104), das mit dem Bildsammelmodul (102) verbunden ist, um das gesammelte Bild zu verbessern, wobei eine ursprüngliche Farbe des gesammelten Erntebildes in einen Farbraum umgewandelt und geglättet wird, um das Bild zu verbessern; und
• ein Bildsegmentierungsmodul (106), das mit dem Vorverarbeitungsmodul (104) verbunden ist, um das vorverarbeitete Bild in eine Vielzahl von Segmenten zu segmentieren, indem die Berechnungszeit auf der Grundlage einer Sparse-Particle-Swarm-Optimization-Technik (S_PSO) zur Erkennung von Pflanzenkrankheiten reduziert wird.
• In einer Ausführungsform ist ein Gauß-Filter (104a) in das Vorverarbeitungsmodul (104) integriert, um das Erntebild zu glätten und die Krankheit zu identifizieren.
• In einer Ausführungsform wird das komplexe Schnittbild in einen Luminanz- (L*) oder Helligkeitsfarbraum, einen Farbraum (a*) und einen Farbraum (b*) (L*a*b*) umgewandelt, um das Bild farbunabhängig zu machen.
• In einer Ausführungsform ist ein Berechnungsmodul (106a) mit dem Bildsegmentierungsmodul (106) verbunden, um eine Eignungsfunktion zu bewerten und die Kreuzentropie zwischen dem ursprünglichen und dem segmentierten Bild zu minimieren, wobei die minimale Kreuzentropie eine Zielfunktion darstellt.
• In einer Ausführungsform wird eine mehrstufige Schwellenwertbildung des segmentierten Bildes durch Kombination der S_PSO-Technik mit der minimalen Kreuzentropie als Zielfunktion durchgeführt.
• In einer Ausführungsform umfasst die Sparse Particle Swarm Optimization (S_PSO) Technik:
• ein Initialisierungsmodul (108a) zur Erzeugung eines beliebig dünn besetzten Schwarmes von Partikeln der Dimensionen (N, M) in einem Suchraum;
• ein Bewertungsmodul (108b), das mit dem Initialisierungsmodul (108a) verbunden ist, um die Fitnessfunktion eines Schwarms auf der Grundlage einer Zielfunktion zu bewerten, wobei für jedes Schwarmteilchen ein persönlicher Bestwert und ein globaler Bestwert festgelegt wird, um die Fitness eines neuen Schwarmteilchens zu bestimmen; und
• ein Aktualisierungsmodul (108c), das mit dem Auswertemodul (108b) verbunden ist, um die vom Auswertemodul (108b) erhaltenen persönlichen und globalen Bestwerte in einer Datenbank (110) zu aktualisieren.
• In einer Ausführungsform ist N die Größe eines Schwarms und M die Größe der einzelnen Partikel im Schwarm.
• In einer Ausführungsform ist das Initialisierungsmodul (108a) so konfiguriert, dass es:
• Berechnung der Anzahl der Elemente ungleich Null (c) auf der Grundlage der Größe des Schwarms und der Größe der einzelnen Partikel im Schwarm;
• Erzeugung von Zufallsindizes für Nicht-Null-Elemente (c) für jede Dimension des Schwarms (a, b), um paarweise einen Ort mit Nicht-Null-Werten zu definieren;
• einen Zufallswert (v) in einem Bereich für jedes (a, b)-Paar von Indizes erzeugen; und
• den spärlich besetzten Schwarm mit einer Dichte (D) zu erzeugen, indem jedem Schwarmteilchen paarweise eindeutige Orte (a, b) mit dem Wert V zugewiesen werden.
• Labor-Farbraum: In der Landwirtschaft sind die Bilder von Pflanzen in der Umgebung von unterschiedlicher Intensität mit komplexen Hintergründen. Der erste Schritt besteht darin, das ursprüngliche Farbbild in den L*a*b*-Farbraum umzuwandeln, der die wahrnehmbare Farbe mit exakter Farbspezifikation beibehält. Die Farbvariation kann eine praktikable Lösung für die Erkennung von Krankheiten in den Erntebildern sein.
• Vorverarbeitung: Meistens ist die Krankheit in den Erntebildern an den Rändern und im flachen Teil der Erntebilder vorhanden. Die Krankheit beeinträchtigt die frühe Wachstumsphase und wirkt sich somit auf die Wirtschaft des Landes aus. Daher wird zur Vorverarbeitung ein Gauß-Filter auf das in den L*a*b*-Farbraum transformierte Bild angewendet, um es zu glätten. Dieser Prozess hilft bei der Identifizierung der Krankheit. Der Filterungsprozess erfolgt unter Verwendung von Gleichung (1). $$I_1=Gauss\text{'}scherFilter\left(I\right)$$

  
• Kreuzentropie: Die Beziehung zwischen zwei Wahrscheinlichkeitsverteilungsfunktionen innerhalb derselben Menge wird als Kreuzentropie bezeichnet, die wie folgt definiert ist: $$D\left(u,v\right)={\displaystyle \sum {}_{i=1}^N{u}_i\times log\frac{u_i}{v_i}}$$

  
• Der MCE wird wie folgt berechnet: $$D\left(th\right)={\displaystyle \sum {}_{i=1}^{th-1}}i\times h\left(i\right)\times log\left(\frac{i}{\mu \left(\mathrm{1,}th\right)}\right)+{\displaystyle \sum {}_{i=th}^L}i\times h\left(i\right)\times log\left(\frac{i}{\mu \left(th,L+1\right)}\right)$$

  
• Der optimale Schwellenwert wird wie folgt ermittelt: $$th\ast =argmi{n}_{t}D\left(th\right)$$

  
• Rekursive minimale Kreuzentropie (RMCE): Es handelt sich um eine verbesserte Version der minimalen Kreuzentropie, die eine rechnerische Programmierung zur Minimierung der Kreuzentropie verwendet. $$\begin{array}{l}D\left(th\right)=-{\displaystyle \sum {}_{i=1}^L}i\times h\left(i\right)\times log\left(i\right)-{\displaystyle \sum {}_{i=1}^{th-1}i\times h\left(i\right)\times log\mu \left(\mathrm{1,}th\right)}-\\ {\displaystyle \sum {}_{i=th}^{L}i\times h\left(i\right)\times log\mu \left(th,L+1\right)})\end{array}$$

  

  $$\begin{array}{l}D\left(th\right)=-{\displaystyle \sum {}_{i=1}^{th-1}i\times h\left(i\right)\times log\mu \left(\mathrm{1,}th\right)-{\displaystyle \sum {}_{i=th}^{L}i\times h\left(i\right)\times log\left(\mu \left(th,L+1\right)\right)}}\\ D\left(th\right)=-{\displaystyle \sum _{i=1}^{th-1}i\times h\left(i\right)\times log\mu \left(\mathrm{1,}th\right)-{\displaystyle \sum _{i=th}^{L}i\times h\left(i\right)\times log\left(\mu \left(th,L+1\right)\right)}}\end{array}$$

  

  $$=s^1\left(\mathrm{1,}th\right)\times log\left(\frac{s^1\left(\mathrm{1,}th\right)}{s^0\left(\mathrm{1,}th\right)}\right)-s^1\left(th,L+1\right)\times log\left(\frac{s^1\left(th,L+1\right)}{s^0\left(th,L+1\right)}\right)$$

  

  wo, s^c1 und s^c0 das erste bzw. das Nullmoment bezeichnen. Die Zielfunktion wird wie folgt umgeschrieben: $${\sigma }_{MCE}\left(t{h}_1,t{h}_2\mathrm{,.......,}t{h}_k\right)=-s^1\left(t{h}_{i-1},t{h}_i\right)\times log\left(\frac{s^1\left(t{h}_{i-1},t{h}_i\right)}{s^0\left(t{h}_{i-1},t{h}_i\right)}\right)$$

  
• Der optimale Wert wird mit Hilfe von Gleichung (8) ermittelt, die wie folgt lautet: $$\left[t{h}_1^{*},t{h}_2^{*}\mathrm{,...,}t{h}_k^{*}\right]=argmin\left\{{\sigma }_{MCE}\left(t{h}_1^c,t{h}_2^c\mathrm{,...,}t{h}_k^c\right)\right\}$$

  
• Es wird festgestellt, dass $t{h}_1^{*}<t{h}_2^{*}<\mathrm{...}t{h}_k^{*}<L-1.$

  

  In einem Farbbild gibt es drei verschiedene Kanäle, während ein Graustufenbild nur einen Kanal hat.
• Das Hauptziel des vorgeschlagenen Systems ist es, die Genauigkeit des segmentierten Bildes mit weniger Rechenzeit zu erhöhen. Daher wurde eine Beschränkung auf SSIM angewendet. Der SSIM ist eine Metrik, mit der bestimmt werden kann, wie ähnlich sich das Originalbild und das Ergebnisbild sind. Nach der Durchführung des mehrstufigen Schwellenwerts für die Bilder mit komplexem Hintergrund unter Verwendung der vorgeschlagenen Technik liefert SSIM Informationen über den Treueparameter. Schließlich wird der Mittelwert der Treueparameter berechnet. Der Höchstwert des SSIM ist eins. Dann wird der Fehler berechnet, der sich aus der Differenz zwischen dem SSIM-Wert des Ergebnisbildes (SSIM_O) und eins (SSIM_T=1) ergibt. Das Segmentierungsergebnis ist umso besser, je mehr der Fehler gegen Null tendiert. Die vorgeschlagene Technik wurde auch mit PSO und PSO-Varianten wie CWI_PSO, DI_PSO, CFI_PSO, NLI_PSO und LDI_PSO verglichen, um die Genauigkeit zu bestätigen. Die Constraint-basierte Technik hat einen einzigartigen Vorteil für die Verbesserung der Genauigkeit des segmentierten Bildes.
• Das experimentelle Ergebnis wurde mit MATLAB ausgewertet. Das Histogramm jeder Farbkomponente ist multimodal mit einer Bildgröße von 2048*1365, und die Graustufen L = 256. Es wurden mehrere Parameterwerte ausprobiert, aber die bestmöglichen Parameterwerte für Sparse PSO und die PSO-Variante wurden wie folgt gewählt: Schwarmgröße: 25, Gesamtzahl der Durchläufe: 25, Problemdimension: 3, Beschleunigungsfaktor: 15, Dichte 0,51 und Gesamtzahl der Iterationen: 300. In diesem Papier wird S_PSO mit einer Zielfunktion kombiniert, um den bestmöglichen Schwellenwert zu finden. Die Verbesserung der Genauigkeit ist unser primäres Ziel für eine bessere Verständlichkeit und Analyse des segmentierten Bildes. Daher wurde zur Verbesserung der Genauigkeit eine Beschränkung auf SSIM angewendet. Um die Effektivität des vorgeschlagenen Systems abzuschätzen, wurden die Fidelity-Parameter verwendet. $$PSNR=10log10\left(\frac{{\left(255\right)}^2}{MSE}\right)$$

  

  $$RMSE=\sqrt{\frac{1}{m\times n}{\displaystyle \sum {}_{i=1}^m{\displaystyle \sum {}_{j=1}^n}{\left[x_1\left(i,j\right)-x_2\left(i,j\right)\right]}^2}}$$

  

  wo, x₂ und x₁ segmentierte Bilder und Originalbilder sind. $$SSIM\left(x_1,x_2\right)=\frac{{\displaystyle \sum {}_{s\in \Omega }\left(2{\mu }_{x1}{\mu }_{x2}+C1\right)\left(2{\sigma }_{x1x2}+C2\right)}}{\left({\mu }_{x1}^2+{\mu }_{x2}^2+c1\right)\left({\sigma }_{x1}^2+{\sigma }_{x2}^2+c2\right)}$$

  
• Wobei, µ_x1, µ_x2, σ_x1, σ_x2, and σ_x1x2 den Mittelwert, die Standardabweichung und die Kreuzkovarianz des ursprünglichen und des segmentierten Bildes bezeichnen. C1 and C2 sind konstant und werden auf 0,6 gesetzt. $$FSIM\left(x_1,x_2\right)=\frac{{\displaystyle \sum {}_{s\in \Omega }{s}_L\left(x\right)P{C}_m\left(x\right)}}{{\displaystyle \sum {}_{s\in \Omega }P{C}_m\left(x\right)}}$$

  

  s_L(x) und PC_m bezeichnen die Ähnlichkeit bzw. die Phasenkongruenz.
• Tabelle I zeigt den PSNR-Wert für verschiedene Algorithmen bei unterschiedlichen Schwellenwerten. Das vorgeschlagene System zeigt einen besseren PSNR-Wert als PSO und seine Varianten wie CWI_PSO, DI_PSO, CFI_PSO, NLI_PSO und LDI_PSO. Um die Krankheit zu identifizieren, wird die vorgeschlagene Methode mit verschiedenen Schwellenwerten durchgeführt. Die Genauigkeit wird durch PSNR bestimmt. Die Farbvariation bei verschiedenen Schwellenwerten mit besserem PSNR, die Ergebnisse können besser visualisiert werden. Die Genauigkeit der vorgeschlagenen Technik und der PSO-Varianten ist wie folgt Proposed technique > PSO > DI_PS0 > LDI_PS0 > NLI_PS0 > CFI_PS0 > CWI_PS0. Das segmentierte Bild, das eine bessere Verständlichkeit aufweist, kann hilfreich sein, um die Krankheit in den komplexen Hintergrundbildern zu erkennen. Tabelle I Vergleich des PSNR der vorgeschlagenen Methode und der PSO-Variante

  Test-Bilder	k	CWI_PSO	DI_PSO	LDI_PSO	CFI_PSO	NLI_PSO	PSO	Vorgeschlagenes System
  1	2	14.6588	14.7241	14.7104	14.0487	14.6523	14.7104	14.7191
  	5	18.2895	18.7794	18.9521	18.038	19.4851	19.2124	20.4479
  	8	20.2721	20.5409	21.1965	20.5874	20.6938	21.365	23.4188
  	16	23.9996	23.6617	23.0034	24.6057	23.2757	24.9193	26.0231
  2	2	13.1930	13.5641	13.3930	13.3269	13.3930	13.3960	13.5035
  	5	17.3724	18.1070	18.2353	17.9492	18.2419	18.6076	19.2127
  	8	18.4747	20.1825	20.2612	20.6184	21.0652	20.3491	23.1642
  	16	22.4207	25.1940	24.6025	24.2224	22.7929	24.9374	26.0266

• Tabelle II zeigt den RMSE-Wert für verschiedene Algorithmen bei unterschiedlichen Schwellenwerten. Die vorgeschlagene Methode zeigt einen niedrigeren MSE-Wert als PSO und seine Varianten wie CWI_PSO, DI_PSO, CFI_PSO, NLI_PSO und LDI_PSO. Der mittlere quadratische Fehler tendiert gegen Null, was auf eine bessere Verständlichkeit der Segmentierungsbilder hindeutet. Die Genauigkeit des Algorithmus wird auch durch den RMSE bestimmt. Die Genauigkeit ist wie folgt angeordnet Proposed technique > PSO > DI_PSO > LDI_PSO > NLI_PSO > CFI_PSO > CWI_PSO. Tabelle II Vergleich des RMSE bei Verwendung der vorgeschlagenen Methode und der PSO-Variante

  Test-Bilder	k	CWI_PSO	DI_PSO	LDI_PSO	CFI_PSO	NLI_PSO	PSO	Vorgeschlagenes System
  1	2	47.2398	46.8904	46.9657	51.4028	47.2758	46.9657	46.9155
  	5	32.8636	29.3957	29.0323	32.0348	27.2795	28.1336	24.6097
  	8	25.0194	24.3879	22.9403	23.8883	24.2433	22.4920	17.7555
  	16	16.6462	16.7449	19.4388	15.1244	18.8638	14.5006	13.0598
  2	2	55.8681	53.5355	54.5940	55.0116	54.5940	54.5738	55.1543
  	5	34.8573	32.1837	31.6894	32.4794	31.6527	30.3286	28.3297
  	8	32.0199	25.9413	24.7639	23.8465	23.2873	25.3738	18.1909
  	16	19.7816	14.0517	15.0253	16.0796	18.4926	14.6157	13.6528

• Tabelle III und Tabelle IV zeigen die SSIM- und FSIM-Werte für verschiedene Methoden bei unterschiedlichen Schwellenwerten. Der SSIM-Wert tendiert gegen eins und zeigt eine bessere Segmentierung. Im Bereich der Landwirtschaft sind die Bilder meist komplex und dicht. Daher nimmt das mehrstufige Schwellenwertverfahren für solche Bilder Zeit in Anspruch. Das vorgeschlagene System wurde jedoch mit sechs verschiedenen PSO und deren Varianten verglichen und benötigt weniger Rechenzeit, was durch Tabelle V bestätigt wird. Darüber hinaus benötigt die vorgeschlagene Technik weniger Rechenzeit als die anderen Varianten von PSO. Tabelle III Vergleich der SSIM der vorgeschlagenen Methode und der PSO-Variante

  Test-Bilder	k	CWI_SO	DI_PSO	LDI_PSO	CFI_PSO	NLI_PSO	PSO	Vorgeschlagenes System
  1	2	0.9276	0.9287	0.9285	0.9214	0.9274	0.9285	0.9286
  	5	0.9646	0.9726	0.9702	0.9652	0.9744	0.9726	0.9789
  	8	0.9824	0.9801	0.9808	0.9806	0.9784	0.9816	0.9921
  	16	0.9908	0.9911	0.9856	0.9935	0.9864	0.9933	0.9949
  2	2	0.9067	0.9164	0.9116	0.9100	0.9116	0.9116	0.9279
  	5	0.9697	0.9655	0.9667	0.9703	0.9668	0.9700	0.9782
  	8	0.9745	0.9763	0.9831	0.9845	0.9815	0.9776	0.9916
  	16	0.9876	0.9945	0.9940	0.9915	0.9904	0.9935	0.9951

  Tabelle IV Vergleich der FSIM bei Verwendung der vorgeschlagenen Methode und der PSO-Variante

  Test-Bilder	k	CWI_SO	DI_PSO	LDI_PSO	CFI_PSO	NLI_PSO	PSO	Vorgeschlagenes System
  1	2	0.7219	0.7226	0.7221	0.6673	0.7217	0.7221	0.7190
  	5	0.8024	0.7952	0.8281	0.7978	0.8344	0.8317	0.8520
  	8	0.8284	0.8349	0.8754	0.8423	0.8687	0.8754	0.8615
  	16	0.8969	0.8884	0.9062	0.8863	0.9067	0.9042	0.9091
  2	2	0.7138	0.7147	0.7151	0.7145	0.7151	0.7098	0.6992
  	5	0.7732	0.8437	0.8422	0.8147	0.8413	0.8462	0.8319
  	8	0.7948	0.8881	0.8562	0.8490	0.8871	0.8776	0.8910
  	16	0.8962	0.9321	0.9146	0.9238	0.8860	0.9293	0.9296

  Tabelle V Vergleich der CPU-Zeit bei Verwendung der vorgeschlagenen Methode und der PSO-Variante

  Test-Bilder	k	CWI_SO	DI_PSO	LDI_PSO	CFI_PSO	NLI_PSO	PSO	Vorgeschlagenes System
  1	2	10.8258	11.3164	10.4608	10.6211	11.3539	10.7676	10.3617
  	5	11.6643	12.6347	11.6827	11.1647	11.7510	11.5135	10.4361
  	8	12.3957	13.5112	12.2410	12.4781	12.2171	12.1303	11.1094
  	16	13.9214	14.5020	13.3495	13.4692	13.9895	13.3692	12.0247
  2	2	11.0084	10.7169	10.8258	10.4189	11.4176	10.6066	10.1125
  	5	11.4451	11.9083	11.6029	11.2614	11.7146	12.5556	10.9858
  	8	12.3511	12.2284	12.1993	12.1791	13.1304	12.8832	12.0510
  	16	14.2239	14.0695	13.3964	13.4827	13.6445	13.3400	12.2115

• Die Erkennung von Pflanzenkrankheiten mit Hilfe von mehrstufigen Schwellenwerten ist eine der Lösungen, um die Landwirtschaft zu unterstützen und die Produktionsverluste von Kleinbauern auf das Niveau der Industrie zu reduzieren. Für die Echtzeitanwendung wird weniger Rechenzeit benötigt. In dieser Arbeit wird S_PSO in die Zielfunktion integriert, um den bestmöglichen Schwellenwert zu ermitteln. S_PSO sucht nach dem bestmöglichen Schwellenwert mit weniger Rechenzeit. Die L*a*b*-Farbraumtransformation bewahrt die wahrnehmbare Farbe mit exakter Farbspezifikation, während der Gauß-Filter zur Glättung verwendet wird, was bei der Erkennung von Krankheiten hilfreich sein kann. Das segmentierte Bild des vorgeschlagenen Systems ist mit verschiedenen Schwellenwerten besser verständlich. Außerdem wurde es mit PSO und PSO-Varianten wie CWI_PSO, DI_PSO, CFI_PSO, NLI_PSO und LDI_PSO verglichen. Es wurde festgestellt, dass der Fidelity-Parameter auf einer niedrigeren Ebene vergleichbare Ergebnisse liefert, aber auf einer höheren Ebene übertrifft er die Ergebnisse. Je besser Fidelity-Parameter wie PSNR, SSIM, RMSE und FSIM sind, desto verständlicher sind die Bilder, was die Erkennung von Krankheiten erleichtert. Die größte Stärke der vorgeschlagenen Technik ist die geringere Rechenzeit im Vergleich zu PSO und PSO-Varianten wie CWI_PSO, DI_PSO, CFI_PSO, NLI_PSO und LDI_PSO. In Zukunft kann die vorgeschlagene Methode auch auf andere Arten von Erntebildern angewendet werden.
• Die Zeichnung und die vorangehende Beschreibung geben Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. So kann beispielsweise die Reihenfolge der hier beschriebenen Prozesse geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Flussdiagramms nicht in der dargestellten Reihenfolge ausgeführt werden; auch müssen nicht unbedingt alle Aktionen durchgeführt werden. Auch können die Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt. Zahlreiche Variationen sind möglich, unabhängig davon, ob sie in der Beschreibung explizit aufgeführt sind oder nicht, wie z. B. Unterschiede in der Struktur, den Abmessungen und der Verwendung von Materialien. Der Umfang der Ausführungsformen ist mindestens so groß wie in den folgenden Ansprüchen angegeben.
• Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf bestimmte Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und Komponenten, die dazu führen können, dass ein Vorteil, ein Nutzen oder eine Lösung auftritt oder ausgeprägter wird, sind jedoch nicht als kritisches, erforderliches oder wesentliches Merkmal oder Komponente eines oder aller Ansprüche zu verstehen.

Claims (8)

1. Ein Bildsegmentierungssystem (100) zur Erkennung von Pflanzenkrankheiten auf der Grundlage einer spärlichen Partikelschwarm-Optimierungstechnik, wobei das System (100) Folgendes umfasst: ein Bildsammelmodul (102) zum Sammeln von Bildern von mindestens einem Erntegut, die in einer Datenbank (110) gespeichert werden; ein Vorverarbeitungsmodul (104), das mit dem Bildsammelmodul (102) verbunden ist, um das gesammelte Bild zu verbessern, wobei eine ursprüngliche Farbe des gesammelten Erntebildes in einen Farbraum umgewandelt und geglättet wird, um das Bild zu verbessern; und ein Bildsegmentierungsmodul (106), das mit dem Vorverarbeitungsmodul (104) verbunden ist, um das vorverarbeitete Bild in eine Vielzahl von Segmenten zu segmentieren, indem die Rechenzeit auf der Grundlage einer Sparse-Particle-Swarm-Optimization-Technik (S_PSO) zur Erkennung von Pflanzenkrankheiten reduziert wird.
2. System nach Anspruch 1, wobei ein Gauß-Filter (104a) mit dem Vorverarbeitungsmodul (104) zum Glätten des Erntebildes zur Identifizierung der Krankheit eingesetzt wird.
3. System nach Anspruch 1, wobei das komplexe Schnittbild in einen Luminanz-„L*“- oder Helligkeitsfarbraum, einen Farbraum „a*“ und einen Farbraum „b*“ (L*a*b*) umgewandelt wird, um das Bild farbgeräteunabhängig zu machen.
4. System nach Anspruch 1, wobei ein Berechnungsmodul (106a) mit dem Bildsegmentierungsmodul (106) verbunden ist, um die Fitnessfunktion auszuwerten.
5. System nach Anspruch 1, wobei eine mehrstufige Schwellenwertbildung des segmentierten Bildes durch Kombination der S_PSO-Technik mit der minimalen Kreuzentropie als Zielfunktion durchgeführt wird.
6. System nach Anspruch 1, wobei die Sparse Particle Swarm Technik (S_PSO) Folgendes umfasst: ein Initialisierungsmodul (108a) zur Erzeugung eines beliebig dünn besetzten Schwarmes von Partikeln der Dimensionen (N, M) in einem Suchraum; ein Bewertungsmodul (108b), das mit dem Initialisierungsmodul (108a) verbunden ist, um die Fitnessfunktion eines Schwarms auf der Grundlage einer Zielfunktion zu bewerten, wobei für jedes Schwarmteilchen ein persönlicher Bestwert und ein globaler Bestwert festgelegt wird, um die Fitness eines neuen Schwarmteilchens zu bestimmen; und ein Aktualisierungsmodul (108c), das mit dem Auswertemodul (108b) verbunden ist, um die vom Auswertemodul (108b) erhaltenen persönlichen und globalen Bestwerte in einer Datenbank (110) zu aktualisieren.
7. System nach Anspruch 6, wobei N die Größe eines Schwarms und M die Größe der einzelnen Partikel im Schwarm ist.
8. Das System nach Anspruch 6, wobei das Initialisierungsmodul (108a) so konfiguriert ist, dass es: Berechnung der Anzahl der Elemente ungleich Null (c) auf der Grundlage der Größe des Schwarms und der Größe der einzelnen Partikel im Schwarm; Erzeugung von Zufallsindizes für Nicht-Null-Elemente (c) für jede Dimension des Schwarms (a, b), um paarweise einen Ort mit Nicht-Null-Werten zu definieren; einen Zufallswert (v) in einem Bereich für jedes (a, b)-Paar von Indizes erzeugen; und den spärlich besetzten Schwarm mit einer Dichte (D) zu erzeugen, indem jedem Schwarmteilchen paarweise eindeutige Orte (a, b) mit dem Wert V zugewiesen werden.

Images