CN104899547A - 基于图像理解的农作物病害诊断方法 - Google Patents

Abstract

本发明提供一种基于图像理解的农作物病害诊断方法，方法包括：获取农作物的图像数据，农作物的图像包括二值图、灰度图、彩色图和深度图；基于农作物的图像数据进行语义提取，建立农作物图像的语义模型，语义模型包含农作物图像中存在的病害对象与病害对象、正常对象与正常对象、病害对象与正常对象的相似性关系；根据农作物图像的语义模型，对农作物进行病害诊断。本发明提供的基于图像理解的农作物病害诊断方法，考虑了农作物图像中包含的各对象之间的关系和各对象具有的属性，不但提高了对农作物病害诊断的准确性，而且具有通用性强的特点。

Description

基于图像理解的农作物病害诊断方法

技术领域

本发明实施例涉及故障诊断技术领域，尤其涉及一种基于图像理解的农作物病害诊断方法。

背景技术

我国是一个农业大国，在农作物病害防治体系中，病害的诊断至今为薄弱环节。近年来变化异常的生态环境和多变的病害灾害，为病害防治带来较大困难。农作物的病害诊断从实质上讲，就是一个故障诊断问题，但是农作物的病害诊断与一般的设备故障诊断相比，由于农作物具有生命特征，其病害特征表现较一般设备复杂，同一病征在不同个体上或在同一个体的不同时期都有一定的差异，而且病害特征的变化也较为复杂。

目前国内外还没有一种通用的、有效的、适合农作物的病害智能诊断方法。现有技术的基于图像理解的农作物病害诊断方法，仅对病害图像本身综合考虑颜色、形状和纹理等各方面的特征，而没有考虑病害图像包含的语义关系，因此具有局限性，且识别准确率较低，同时在病害识别方面存在通用性不强、智能化不足、实用性较差等缺陷。

发明内容

针对现有技术的上述缺陷，本发明提供一种基于图像理解的农作物病害诊断方法。

本发明提供一种基于图像理解的农作物病害诊断方法，包括：

获取农作物的图像数据，农作物的图像包括二值图、灰度图、彩色图和深度图；

基于农作物的图像数据进行语义提取，建立农作物图像的语义模 型，所述语义模型包含农作物图像中存在的病害对象与病害对象、正常对象与正常对象、病害对象与正常对象的相似性关系；

根据农作物图像的语义模型，对农作物进行病害诊断。

优选地，如上所述的方法，所述语义模型为倒置的树，用父子节点、兄弟节点表示各对象之间的关系，用语义模型中的属性来描述各对象具有的属性。

如上所述的方法，所述基于农作物的图像数据进行语义提取，具体包括：

以统计学习为基础，使用支持向量机SVM算法对病害对象分类，然后对同一病害对象再用数学方法进行相似性度量。

可选地，如上所述的方法，还包括：

对所述农作物病害诊断方法进行仿真，形成一个功能相容的计算软件包，并对所述农作物病害诊断方法进行验证。

本发明提供的技术方案，首先获取农作物的图像数据，农作物的图像包括二值图、灰度图、彩色图和深度图，然后基于农作物的图像数据进行语义提取，建立农作物图像的语义模型，语义模型包含农作物图像中存在的病害对象与病害对象、正常对象与正常对象、病害对象与正常对象的相似性关系，进而根据农作物图像的语义模型，对农作物进行病害诊断。本发明提供的基于图像理解的农作物病害诊断方法，由于考虑了农作物图像中包含的各对象之间的关系和各对象具有的属性，不但提高了对农作物病害诊断的准确性，而且具有通用性强的特点。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的基于图像理解的农作物病害诊断方法实施例的流程图；

图2为本发明提供的语义模型实施例的示意图；

图3为本发明提供的基于图像理解的农作物病害诊断系统的示意图。

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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明提供的基于图像理解的农作物病害诊断方法实施例的流程图。如图1所示，本实施例的方法可以包括：

S101、获取农作物的图像数据，农作物的图像包括二值图、灰度图、彩色图和深度图。

为了能够正确地理解图像的内容，首先要做的事情就是把图像中被识别的对象提取出来，然后利用知识和模型对其加以识别，从而获得图像的含义。如何来提取目标所固有的一些特征，目前运用较多的方法仍然是图像分割。如何在图像理解中加以应用，是图像理解系统要解决的问题之一。

针对上述问题，本发明采用新的基于无向图结构模型及区域统计模型的图像理解方法，将区域统计集合中的上下近似概念和无向图结构模型结合。无向图结构模型应用于图像分割中，提出新的基于知识的分割算法；利用区域统计模型的约简过程对构建的知识库进行了属性约简和规则提取，提出基于区域统计模型的图像理解推理新方法。

S102、基于农作物的图像数据进行语义提取，建立农作物图像的语义模型，语义模型包含农作物图像中存在的病害对象与病害对象、正常对象与正常对象、病害对象与正常对象的相似性关系。

基于图像理解的语义知识获取，具体的，根据基于机器学习的语义提取方法，对于农作物病害图像，首先将其分割成3×3大小的图像子块 中从中获取图像特征，建立以缩短底层特征与高层语义差距的贝叶斯框架，包括在像素的光谱、纹理及其他属性上的自动融合、在分割的图像区域上的反复分裂—合并算法、根据区域之间的空间关系为图像建模等贝叶斯分类器用于训练和学习用户给出的病害对象和正常对象，从而得到病害图像相关语义特征。在语义获取的过程中，如果产生的误差很大，结合人工干预进行反馈。当用户针对关键字或示例进行查找时，可对系统给出的病害图像进行相关性判定，同时系统根据用户的反馈产生或修改图像语义。

S103、根据农作物图像的语义模型，对农作物进行病害诊断。

本发明提供的基于图像理解的农作物病害诊断方法，首先获取农作物的图像数据，农作物的图像包括二值图、灰度图、彩色图和深度图，然后基于农作物的图像数据进行语义提取，建立农作物图像的语义模型，语义模型包含农作物图像中存在的病害对象与病害对象、正常对象与正常对象、病害对象与正常对象的相似性关系，进而根据农作物图像的语义模型，对农作物进行病害诊断。本发明提供的基于图像理解的农作物病害诊断方法，由于考虑了农作物图像中包含的各对象之间的关系和各对象具有的属性，不但提高了对农作物病害诊断的准确性，而且具有通用性强的特点。

图2为本发明提供的语义模型实施例的示意图。如图2所示，可以将语义模型表示为倒置的树，用父子节点、兄弟节点表示各对象之间的关系，用语义模型中的属性来描述各对象具有的属性。

如上所述的方法，所述基于农作物的图像数据进行语义提取，具体可以包括：以统计学习为基础，使用支持向量机SVM算法对病害对象分类，然后对同一病害对象再用数学方法进行相似性度量。

如何将计算机视觉所得到的数据、识别结果作为人工智能处理的知识？如何用人工智能处理的知识、获得的新知识来指导计算机视觉更容易、更准确、更快地获得数据、处理数据，得到识别结果

在病害图像理解框架下，可以应用机器学习方式获得语义知识。基于机器学习的语义特征提取方法也可以分成基于概率的方法和基于统 计的方法。基于概率的方法用随机数学模型描述图像语义特性，并建立概念模式分类器。基于统计方法获取语义知识可以使用支持向量机。其本质是在高维空间中寻找一个超平面对样本进行分类，使分类错误率最小。

基于机器学习的语义提取方法可以最大限度地减少人工干预，为今后实现真正语义层次上的智能图像语义提取打下基础，然而这类方法在现实世界中使用时会受到一些限制。项目中融合这两种语义提取方法，以统计学习为基础，使用SVM对病害对象分类，然后对同一病害对象再用数学方法进行相似性度量。从而实现较精确的病害识别。

图3为本发明提供的基于图像理解的农作物病害诊断系统的示意图。如图3所示，参照数字图像处理层次划分方法，本发明的智能诊断系统可以分为以下的四个层次：数据层、描述层、认知层和应用层。各层的功能如下：

数据层：获取图像数据，这里的图像可以是二值图、灰度图、彩色的和深度图等，本层主要针对摄像头或数码相机采集到的彩色照片/灰度图。主要涉及到图像的压缩和传输。数字图像的基本操作如：平滑、滤波等一些去噪操作亦可归入该层。该层的主要操作对象是象素。

描述层：提取特征，度量特征之间的相似性(即距离)；采用的技术有子空间方法(Subspace)如ISA、ICA、PCA。该层的主要任务就是将象素表示符号化。

认知层：图像理解，即学习和推理；该层是系统的“大脑”。该层非常复杂，涉及面很广，正确的认知(理解)必需有强大的知识库作为支撑。该层操作的主要对象是符号。具体的任务还包括知识库的建立。

诊断层：根据智能诊断任务需求，设计相应的分类器、识别算法等。具体如图2所示。

可选地，如上所述的方法，还可以包括：

对所述农作物病害诊断方法进行仿真，形成一个功能相容的计算软件包，并对所述农作物病害诊断方法进行验证。

对于智能诊断方面，可以采用具有n个神经元离散时延马尔可夫跳 跃神经网络来实现，其可由下面动力学方程表示：

上式中，x(k)＝[x₁(k) x₂(k) ... x_n(k)]^T表示神经元状态向量；f(x(k))＝[f₁(x₁(k)) f₂(x₂(k)) ... f_n(x_n(k))]^T表示非线性激活函数，神经元初始状态f(0)＝0；C(r(k))＝diag{c₁(r(k)),c₂(r(k)),...,c_n(r(k))}表示当每个神经元从网络和外部输入断开时，其将重置潜在的隔离休息状态速率。A(r(k))＝[a_ij(r(k))]_n×n和B(r(k))＝[b_ij(r(k))]_n×n分别表示连接权矩陈和延迟连接权矩陈；d≥0表明离散时间延迟；表示初始情况，另外，ΔA(r(k))、ΔB(r(k))与ΔC(r(k))是时延参数不确定性，它们满足

[ΔA(r(k))]ΔB(r(k))ΔC(r(k))]＝M(r(k))F(r(k),k)[N₁(r(k))N₂(r(k))N₃(r(k))]  (2) 

其中，M(r(k))、N₁(r(k))、N₂(r(k))、N₃(r(k))为具有适合维数的实常矩陈，F(r(k))表示未知满足下列条件的时延矩陈函数，马尔可夫链r(k)(k≥0)在一个有限状态空间S＝{1,2,...s}取值，转移概率矩陈 $\widehat{\mathrm{\ψ}}=\left[{\mathrm{\λ}}_{\mathrm{ij}}\right]$ 由下式给出： $\mathrm{Prob}\{r(k+1)=j|r\left(k\right)=i\}={\mathrm{\λ}}_{\mathrm{ij}},\∀i,j\∈S,$ 其中，λ_ij≥0(i,j∈S)为从i到j的转移概率，并且满足

对于离散时间不确定马尔可夫跳跃神经网络稳定标准证明问题，在完全已知转移概率下，离散时间不确定马尔可夫跳跃神经网络(式1)的一个稳定标准。下面的定理提出了式(1)渐近稳定的充分条件。

定理1：假定假设1成立。神经网络式(1)渐近稳定于均方根，如果存在一个矩陈集合P_i>0(i∈S)，二维矩陈Q>0并且R>0，和两个对角矩陈集合F_i>0且H_i>0满足

${\widehat{\mathrm{\&Phi;}}}_i=\left[\begin{array}{cccc}{\mathrm{\&phi;}}_{11}-{\mathrm{\&Lambda;}}_1{F}_i& *& *& *\\ 0& -Q-{\mathrm{\&Lambda;}}_1{H}_i& *& *\\ {\tilde{A}}_i^T{\stackrel{\&OverBar;}{P}}_i{\tilde{C}}_i+{\mathrm{\&Lambda;}}_2{F}_i& 0& {\tilde{A}}_i^T{\stackrel{\&OverBar;}{P}}_i{\tilde{A}}_i+R-F_i& *\\ {\tilde{B}}_i^T{\stackrel{\&OverBar;}{P}}_i{\tilde{C}}_i& {\mathrm{\&Lambda;}}_2{H}_i& {\tilde{B}}_i^T{\stackrel{\&OverBar;}{P}}_i{\tilde{A}}_i& {\tilde{B}}_i^T{\stackrel{\&OverBar;}{P}}_i{\tilde{B}}_i-R-H_i\end{array}\right]<0,i\&Element;S,$ 其中  ${\stackrel{\&OverBar;}{P}}_i=\underset{j\&Element;S}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_{\mathrm{ij}}{P}_j,{\mathrm{\&phi;}}_{11}={\tilde{C}}_i^T{\stackrel{\&OverBar;}{P}}_i{\tilde{C}}_i-P_i+Q,{\tilde{A}}_i=A_i+{\mathrm{\&Delta;A}}_i,{\tilde{B}}_i=B_i+{\mathrm{\&Delta;B}}_i,{\tilde{C}}_i=C_i+{\mathrm{\&Delta;C}}_i,$ ${\mathrm{\&Lambda;}}_1=\mathrm{diag}\{{\mathrm{\&sigma;}}_1^{+}{\mathrm{\&sigma;}}_1^{-},{\mathrm{\&sigma;}}_2^{+}{\mathrm{\&sigma;}}_2^{-},...,{\mathrm{\&sigma;}}_n^{+}{\mathrm{\&sigma;}}_n^{-}\},{\mathrm{\&Lambda;}}_2=\mathrm{diag}\{({\mathrm{\&sigma;}}_1^{+}+{\mathrm{\&sigma;}}_1^{-})/2,({\mathrm{\&sigma;}}_2^{+}+{\mathrm{\&sigma;}}_2^{-})/2,...,({\mathrm{\&sigma;}}_n^{+}+{\mathrm{\&sigma;}}_n^{-})/2\}.$

证明：定义下面Lyapunov函数

$V(x\left(k\right),k,r\left(k\right))=x^T\left(k\right)P\left(r\left(k\right)\right)x\left(k\right)+\underset{i=k-d}{\overset{k-l}{\mathrm{\&Sigma;}}}{x}^T\left(i\right)\mathrm{Qx}\left(i\right)+\underset{i=k-d}{\overset{k-l}{\mathrm{\&Sigma;}}}{f}^T\left(x\left(i\right)\right)\mathrm{Rf}\left(x\left(i\right)\right),$ 由于i∈S，有 $E\left\{V(x(k+1),k+1,r(k+1))\right|x\left(k\right),r\left(k\right)=i\}-V(x\left(k\right),k,i)$

$=\underset{j=1}{\overset{S}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ij}}{x}^T(k+1)P_{j}x(k+1)+\underset{i=k-d+l}{\overset{k}{\mathrm{\&Sigma;}}}{x}^T\left(i\right)\mathrm{Qx}\left(i\right)+\underset{i=k-d+l}{\overset{k}{\mathrm{\&Sigma;}}}{f}^T\left(x\left(i\right)\right)\mathrm{Rf}\left(x\left(i\right)\right)-x^T\left(k\right)P_{i}x\left(k\right)$

$-\underset{i=k-d}{\overset{k-l}{\mathrm{\&Sigma;}}}{x}^T\left(i\right)\mathrm{Qx}\left(i\right)-\underset{i=k-d}{\overset{k-l}{\mathrm{\&Sigma;}}}{f}^T\left(x\left(i\right)\right)\mathrm{Rf}\left(x\left(i\right)\right)$

$=[{\tilde{C}}_{i}x\left(k\right)+{\tilde{A}}_{i}f\left(x\left(k\right)\right)+{\tilde{B}}_{i}f\left(x(k-d)\right){]}^T{\stackrel{\&OverBar;}{P}}_i[{\tilde{C}}_{i}x\left(k\right)+{\tilde{A}}_{i}f\left(x\left(k\right)\right)+{\tilde{B}}_{i}f\left(x(k-d)\right)]$

$-x^T\left(k\right)P\left(r\left(k\right)\right)x\left(k\right)+x^T\left(k\right)\mathrm{Qx}\left(k\right)-x^T(k-d)\mathrm{Qx}(k-d)+f^T\left(x\left(k\right)\right)\mathrm{Rf}\left(x\left(k\right)\right)$

$-f^T\left(x(k-d)\right)\mathrm{Rf}\left(x(k-d)\right)$

$={\mathrm{\&xi;}}^T\left(k\right){\stackrel{\&OverBar;}{\mathrm{\&Gamma;}}}_i\mathrm{\&xi;}\left(k\right),$

其中ξ(k):＝[x^T(k) x^T(k-d) f^T(x(k)) f^T(x(k-d))]^T，

${\stackrel{\&OverBar;}{\mathrm{\&Gamma;}}}_i=\left[\begin{array}{cccc}{\mathrm{\&phi;}}_{11}& *& *& *\\ 0& -Q& *& *\\ {\tilde{A}}_i^T{\stackrel{\&OverBar;}{P}}_i{\tilde{C}}_i& 0& {\tilde{A}}_i^T{\stackrel{\&OverBar;}{P}}_i{\tilde{A}}_i+R& *\\ {\tilde{B}}_i^T{\stackrel{\&OverBar;}{P}}_i{\tilde{C}}_i& 0& {\tilde{B}}_i^T{\stackrel{\&OverBar;}{P}}_i{\tilde{A}}_i& {\tilde{B}}_i^T{\stackrel{\&OverBar;}{P}}_i{\tilde{B}}_i-R\end{array}\right]$

另外，它遵循假设1和引理3，即

${\left[\begin{array}{c}x\left(k\right)\\ f\left(x\left(k\right)\right)\end{array}\right]}^T\left[\begin{array}{cc}{\mathrm{\&Lambda;}}_1{F}_i& -{\mathrm{\&Lambda;}}_2{F}_i\\ -{\mathrm{\&Lambda;}}_2{F}_i& F_i\end{array}\right]\left[\begin{array}{c}x\left(k\right)\\ f\left(x\left(k\right)\right)\end{array}\right]\&le;0,$

${\left[\begin{array}{c}x(k-d)\\ f\left(x(k-d)\right)\end{array}\right]}^T\left[\begin{array}{cc}{\mathrm{\&Lambda;}}_1{H}_i& -{\mathrm{\&Lambda;}}_2{H}_i\\ -{\mathrm{\&Lambda;}}_2{H}_i& H_i\end{array}\right]\left[\begin{array}{c}x(k-d)\\ f\left(x(k-d)\right)\end{array}\right]\&le;0$

因此，我们有 

$\begin{array}{c}E\left\{V(x(k+1),k+1,r(k+1))\right|x\left(k\right),r\left(k\right)=i\}-V(x\left(k\right),k,i)={\mathrm{\&xi;}}^T\left(k\right)\frac{-}{{\mathrm{\&Gamma;}}_i}\mathrm{\&xi;}\left(k\right)\\ \&le;{\mathrm{\&xi;}}^T\left(k\right)\frac{-}{{\mathrm{\&Gamma;}}_i}\mathrm{\&xi;}\left(k\right)-{\left[\begin{array}{c}x\left(k\right)\\ f\left(x\left(k\right)\right)\end{array}\right]}^T\left[\begin{array}{cc}{\mathrm{\&Lambda;}}_1{F}_i& -{\mathrm{\&Lambda;}}_2{F}_i\\ -{\mathrm{\&Lambda;}}_2{F}_i& F_i\end{array}\right]\left[\begin{array}{c}x\left(k\right)\\ f\left(x\left(k\right)\right)\end{array}\right]\\ -{\left[\begin{array}{c}x(k-d)\\ f\left(x(k-d)\right)\end{array}\right]}^T\left[\begin{array}{cc}{\mathrm{\&Lambda;}}_1{H}_i& -{\mathrm{\&Lambda;}}_2{H}_i\\ -{\mathrm{\&Lambda;}}_2{H}_i& H_i\end{array}\right]\left[\begin{array}{c}x(k-d)\\ f\left(x(k-d)\right)\end{array}\right]\\ ={\mathrm{\&xi;}}^T\left(k\right)\frac{\mathrm{\&Lambda;}}{{\mathrm{\&Phi;}}_i}\mathrm{\&xi;}\left(k\right)\end{array}.---\left(11\right)$

根据不等式(8)，有

E{V(x(k+1),k+1,r(k+1))|x(k),r(k)＝i}-V(x(k),k,i)≤-λ_min(-Φ_i)|ξ(k)|²<0

(12)

表明

E{V(x(k+1),k+1,r(k+1))}-E{V(x(k),k,i)}≤-λ_min(-Φ_i)|E{ξ(k)|²}。  (13)

给定正整数m，从0到m对不等式(13)两端递归总结，有

$E\left\{V(x(m+1),m+1,r(m+1))\right\}-E\left\{V(x\left(0\right),0,r\left(0\right))\right\}\&le;-{\mathrm{\&lambda;}}_{\min }(-{\mathrm{\&Phi;}}_i)\underset{k=0}{\overset{m}{\mathrm{\&Sigma;}}}E\left\{{\left|\mathrm{\&xi;}\left(k\right)\right|}^2\right\},---\left(14\right)$

因此有

$\underset{k=0}{\overset{m}{\mathrm{\&Sigma;}}}E\{{\left|\mathrm{\&xi;}\left(k\right)\right|}^2\&le;\frac{1}{{\mathrm{\&lambda;}}_{\min }(-\frac{\mathrm{\&Lambda;}}{{\mathrm{\&Phi;}}_i})}E\{V(x\left(0\right),0,r\left(0\right))\}$

令m→∞，可知该序列是收敛的，意味着

$\underset{k\&RightArrow;\&infin;}{\lim }E\left\{{\left|x\left(k\right)\right|}^2\right\}=0.$

定理得证。 

图像理解的基本过程就是计算机对输入场景的相应区域和目标进行语义化标记输出的过程，场景中的目标分析在目标识别和检测过程中，由于进行了认知概念划分，因此只要有足够的训练学习均可将其进 行简单的名称语义化描述，更通常的语义化描述则涉及通用的概念模型描述，并建立区域特征与语义单词的概率对应关系，体现了数据和知识之间的转换。

数据层知识源由图像分割所需的算法和通用的知识组成，负责区域和边缘信息的融合形成分割结果。

认知层知识源由图像常用的特征提取算法组成，选择满足一定条件的作物病害目标，然后对选出的这些病害目标进行特征提取。

诊断层知识源由模型库和模型匹配方法组成，模型库由图像理解场景中病害对象的框架和识别目标所用算法组成，指导认知层处理、目标病害与模型中的对象类进行匹配，形成最终的景物解释。

本发明实施例的方案具有如下特点：

(1)本发明基于图像理解的思想来设计智能诊断系统，通过对图像理解相关理论研究，解决农作物病害智能诊断问题。本发明有机的把知识和分割、识别理解紧密的联系在一起，把图像理解的理论和实际的应用结合起来，从而形成一个较为完整的体系结构。

(2)本发明给出一个可接受的图像理解层次框架，并在此基础上结合知识的表示形式进行模型设计，具有较高的应用价值。

(3)本发明结合图像理解的目标提取，给出了一种依据边统计分析的自适应分割方法。该算法对于目标的提取具有简单及较高的可靠性。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (4)

1.一种基于图像理解的农作物病害诊断方法，其特征在于，包括：

获取农作物的图像数据，农作物的图像包括二值图、灰度图、彩色图和深度图；

基于农作物的图像数据进行语义提取，建立农作物图像的语义模型，所述语义模型包含农作物图像中存在的病害对象与病害对象、正常对象与正常对象、病害对象与正常对象的相似性关系；

根据农作物图像的语义模型，对农作物进行病害诊断。

2.根据权利要求1所述的方法，其特征在于，所述语义模型为倒置的树，用父子节点、兄弟节点表示各对象之间的关系，用语义模型中的属性来描述各对象具有的属性。

3.根据权利要求1所述的方法，其特征在于，所述基于农作物的图像数据进行语义提取，具体包括：

以统计学习为基础，使用支持向量机SVM算法对病害对象分类，然后对同一病害对象再用数学方法进行相似性度量。

4.根据权利要求1-3任一项所述的方法，其特征在于，还包括：

对所述农作物病害诊断方法进行仿真，形成一个功能相容的计算软件包，并对所述农作物病害诊断方法进行验证。