CN105868784A - 一种基于sae-svm的病虫害检测系统 - Google Patents

一种基于sae-svm的病虫害检测系统 Download PDF

Info

Publication number
CN105868784A
CN105868784A CN201610195402.0A CN201610195402A CN105868784A CN 105868784 A CN105868784 A CN 105868784A CN 201610195402 A CN201610195402 A CN 201610195402A CN 105868784 A CN105868784 A CN 105868784A
Authority
CN
China
Prior art keywords
image
pest
sae
disease damage
disease
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
CN201610195402.0A
Other languages
English (en)
Inventor
许先璠
杜晓婷
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.)
Anhui University
Original Assignee
Anhui 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 Anhui University filed Critical Anhui University
Priority to CN201610195402.0A priority Critical patent/CN105868784A/zh
Publication of CN105868784A publication Critical patent/CN105868784A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6267Classification techniques
    • G06K9/6268Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches
    • G06K9/6269Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches based on the distance between the decision surface and training patterns lying on the boundary of the class cluster, e.g. support vector machines
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing

Abstract

本发明提供一种基于SAE‑SVM的病虫害检测系统,涉及现代农业技术领域,包括设置于种植区垄间的图像采集装置以及安装在室内的大数据服务器平台,所得信息显示于LED点阵显示屏上并上传至云网络;所述图像采集装置通过无线网络与大数据服务器平台的连接;利用栈式自编码SAE提取图像特征,组成特征向量,然后对每幅叶片图像的特征向量用支持向量机SVM方法进行训练,训练后形成一个分类器,然后将大量的植物叶片图像用这个分类器进行检测,检测植物叶片是否发生病虫害;本发明能够实现病虫害的检测和识别,能够在病虫害初期就发现情况,便于及时进行处理,减少经济损失,精确度高,可靠性好。

Description

一种基于SAE-SVM的病虫害检测系统
技术领域
[0001]本发明涉及现代农业技术领域,具体涉及一种基于SAE-SVM的病虫害检测系统。
背景技术
[0002]病虫害在农业生产中的发生和危害十分的频繁且严重,给人们带来了经济上的巨大损失;目前,病虫害的检测方法通常采用田间调查和预测预报相结合的方法进行施药决策和病虫害综合治理,而田间调查与预测预报均依靠人工检测,即利用人工感官在现场检查病虫害,借助放大镜、显微镜等工具或直接用肉眼判别病虫害的种类,并统计数量,这种方法要求检测者具备较高的素质,熟悉业务,这样才可取得较好的效果,这就导致人工检测不可避免的存在误差,不利于农业生产的自动化、高效管理。
[0003]专利号为CN 102706877A的文件中公开了一种便携式棉花病虫害检测系统及方法,由集中在嵌入式系统内的软件系统、嵌入式系统、图像采集装置组成,用户通过操作嵌入式系统,实时采集田间棉花病虫害图像信息,提取病虫害特征,并分析其特征;将其特征与棉花病虫害特征参数进行匹配,确定棉花病虫害类型;通过图像处理方法提取病虫害特征,最后分析其受害程度。将处理结果输出至嵌入式系统的显示器上。若处理结果有异议,可通过嵌入式系统的网络通信功能上传至服务器,由专家对其分析。该方法对病虫害检测不够准确,存在误差,不利于农业生产的自动化、高效管理。
发明内容
[0004]针对现有技术的不足,本发明提供了一种基于SAE-SVM的病虫害检测系统,能够实现病虫害的检测和识别,能够在病虫害初期就发现情况,便于及时进行处理,减少经济损失,精确度高,可靠性好。
[0005]为实现以上目的,本发明通过以下技术方案予以实现:包括设置于种植区垄间的图像采集装置以及安装在室内的大数据服务器平台,所得信息显示于LED点阵显示屏上并上传至云网络;所述图像采集装置通过无线网络与大数据服务器平台的连接。
[0006]所述图像采集装置安装在可沿导轨运动的机架上,所述图像采集装置包括可运动摄像头、图像预处理模块、RAM外部存储器、动力系统;所述图像预处理模块通过内部数据总线与RAM外部存储器连接。
[0007]所述动力系统包括太阳能电池板,蓄电池,使得检测系统避免了掉电现象;所述图像预处理模块通过电源接口与动力系统连接。
[0008]所述图像预处理模块中包括直方图均衡化、阙值平滑算子、中值滤波、梯度算子、ROBERTS算子、SOBEL算子、Laplacian算子等,所述图像预处理模块对作物的主要危害叶子的病害图像进行增强,选取最佳的图像增强方法。
[0009]所述大数据服务器平台包括特征向量提取和分类器;
[0010]所述特征向量提取方法使用栈式自编码算法,用无标签数据和无监督逐层贪婪训练算法训练完深度网络后,相对于随机初始化权重,深度网络各层所得到的初始化权重矿将位于参数空间较好的区间;
[0011]所述分类器采用支持向量机SVM机器学习的方法;采用有监督的学习方法对整个系统进行微调,可能持续数小时;所述分类器样本获得过程:在农业场景监控的视频数据中,获取足够植物叶片的图像样本,将其分为正常生长和发生病虫害两类,作为正负样本,组成样本库。
[0012]所述检测系统,包括如下步骤:
[0013] S1.系统启动后,安装有图像采集装置机架沿导轨在种植区运动;可运动摄像头装置对视野范围内的农作物探测成像并对图像按照权利要求书4所述过程进行预处理,将处理后的图像信息通过无线通信传送至大数据服务器平台;
[0014] S2.大数据服务器平台按照权利要求书5所述,对接收到的图像信息利用栈式自编码算法通过无标签数据和无监督逐层贪婪训练算法训练深度网络进行特征向量提取;
[0015] S3.将每幅图像的特征向量通过权利要求书5所述的分类器进行分类,判断植物叶片是否发生病虫害;
[0016] S4.将其结果上传至云网络并显示于LED点阵屏上,方便种植者及时发现病虫害问题并处理。
[0017]本发明提供了一种基于SAE-SVM的病虫害检测系统能够实现病虫害的检测和识另IJ,能够在病虫害初期就发现情况,便于及时进行处理,减少经济损失,精确度高,可靠性好。
附图说明
[0018]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简单地介绍,显而易见地,下面描述中的附图仅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的前提下,还可以根据这些附图获得其他的附图。
[0019]图1为本发明的结构示意图;
[0020]图2为本发明的检测流程图。
具体实施方式
[0021]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。
[0022] 实施例:
[0023]如图1,一种基于SAE-SVM的病虫害检测系统,包括设置于种植区垄间的图像采集装置以及安装在室内的大数据服务器平台,所得信息显示于LED点阵显示屏上并上传至云网络;图像采集装置通过无线网络与大数据服务器平台的连接;图像采集装置安装在可沿导轨运动的机架上,图像采集装置包括可运动摄像头、图像预处理模块、RAM外部存储器、动力系统;图像预处理模块通过内部数据总线与RAM外部存储器连接;动力系统包括太阳能电池板,蓄电池,使得检测系统避免了掉电现象;图像预处理模块通过电源接口与动力系统连接;大数据服务器平台包括特征向量提取模块和分类器。
[0024]如图2所示,图像预处理模块中包括直方图均衡化、阙值平滑算子、中值滤波、梯度算子、ROBERTS算子、SOBEL算子、Laplacian算子等,图像预处理模块对作物的主要危害叶子的病害图像进行增强,选取最佳的图像增强方法;特征向量提取方法使用栈式自编码算法,用无标签数据和无监督逐层贪婪训练算法训练完深度网络后,相对于随机初始化权重,深度网络各层所得到的初始化权重f将位于参数空间较好的区间;分类器采用支持向量机SVM机器学习的方法;采用有监督的学习方法对整个系统进行微调,可能持续数小时;分类器样本获得过程:在农业场景监控的视频数据中,获取足够植物叶片的图像样本,将其分为正常生长和发生病虫害两类,作为正负样本,组成样本库。
[0025]整个检测系统包括如下步骤:
[0026] S1.系统启动后,安装有图像采集装置机架沿导轨在种植区运动;可运动摄像头装置对视野范围内的农作物探测成像并对图像按照进行预处理,将处理后的图像信息通过无线通信传送至大数据服务器平台;
[0027] S2.大数据服务器平台对接收到的图像信息利用栈式自编码算法通过无标签数据和无监督逐层贪婪训练算法训练深度网络进行特征向量提取;
[0028] S3.将每幅图像的特征向量通过分类器进行分类,判断植物叶片是否发生病虫害;
[0029] S4.将其结果上传至云网络并显示于LED点阵屏上,方便种植者及时发现病虫害问题并处理。
[0030]本发明首先在农业场景监控的视频数据中,获取足够植物叶片的图像样本,将其分为正常生长和发生病虫害两类,作为正负样本,组成样本库。利用栈式自编码提取图像特征,组成特征向量然后对每幅叶片图像的特征向量用SVM的机器学习方法进行训练,训练后形成一个分类器,然后将大量的植物叶片图像用这个分类器进行检测,检测植物叶片是否发生病虫害。
[0031]本发明能够实现病虫害的检测和识别,能够在病虫害初期就发现情况,便于及时进行处理,减少经济损失,精确度高,可靠性好。
[0032]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 (6)

1.一种基于SAE-SVM的病虫害检测系统,其特征在于,包括设置于种植区垄间的图像采集装置以及安装在室内的大数据服务器平台,所得信息显示于LED点阵显示屏上并上传至云网络;所述图像采集装置通过无线网络与大数据服务器平台的连接。
2.如权利要求1所述的基于SAE-SVM的病虫害检测系统,其特征在于,所述图像采集装置安装在可沿导轨运动的机架上,所述图像采集装置包括可运动摄像头、图像预处理模块、RAM外部存储器、动力系统;所述图像预处理模块通过内部数据总线与RAM外部存储器连接。
3.如权利要求1所述的基于SAE-SVM的病虫害检测系统,其特征在于,所述动力系统包括太阳能电池板,蓄电池,使得检测系统避免了掉电现象;所述图像预处理模块通过电源接口与动力系统连接。
4.如权利要求1所述的基于SAE-SVM的病虫害检测系统,其特征在于,所述图像预处理模块中包括直方图均衡化、阙值平滑算子、中值滤波、梯度算子、ROBERTS算子、SOBEL算子、Laplacian算子等,所述图像预处理模块对作物的主要危害叶子的病害图像进行增强,选取最佳的图像增强方法。
5.如权利要求1所述的基于SAE-SVM的病虫害检测系统,其特征在于,所述大数据服务器平台包括特征向量提取模块和分类器; 所述特征向量提取方法使用栈式自编码算法,用无标签数据和无监督逐层贪婪训练算法训练完深度网络后,相对于随机初始化权重,深度网络各层所得到的初始化权重f将位于参数空间较好的区间; 所述分类器采用支持向量机SVM机器学习的方法;采用有监督的学习方法对整个系统进行微调,可能持续数小时;所述分类器样本获得过程:在农业场景监控的视频数据中,获取足够植物叶片的图像样本,将其分为正常生长和发生病虫害两类,作为正负样本,组成样本库。
6.一种基于SAE-SVM的病虫害检测系统,其特征在于:包括如下步骤: S1.系统启动后,安装有图像采集装置机架沿导轨在种植区运动;可运动摄像头装置对视野范围内的农作物探测成像并对图像按照权利要求书4所述过程进行预处理,将处理后的图像信息通过无线通信传送至大数据服务器平台; S2.大数据服务器平台按照权利要求书5所述,对接收到的图像信息利用栈式自编码算法通过无标签数据和无监督逐层贪婪训练算法训练深度网络进行特征向量提取; S3.将每幅图像的特征向量通过权利要求书5所述的分类器进行分类,判断植物叶片是否发生病虫害; S4.将其结果上传至云网络并显示于LED点阵屏上,方便种植者及时发现病虫害问题并处理。
CN201610195402.0A 2016-03-29 2016-03-29 一种基于sae-svm的病虫害检测系统 Pending CN105868784A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610195402.0A CN105868784A (zh) 2016-03-29 2016-03-29 一种基于sae-svm的病虫害检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610195402.0A CN105868784A (zh) 2016-03-29 2016-03-29 一种基于sae-svm的病虫害检测系统

Publications (1)

Publication Number Publication Date
CN105868784A true CN105868784A (zh) 2016-08-17

Family

ID=56626588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610195402.0A Pending CN105868784A (zh) 2016-03-29 2016-03-29 一种基于sae-svm的病虫害检测系统

Country Status (1)

Country Link
CN (1) CN105868784A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919716A (zh) * 2017-03-14 2017-07-04 湖南威达科技有限公司 一种基于大数据与图像识别的家庭养护百里香的app
CN107272620A (zh) * 2017-06-23 2017-10-20 深圳市盛路物联通讯技术有限公司 一种基于物联网的智能监控大棚的方法及装置
CN108764177A (zh) * 2018-05-31 2018-11-06 安徽大学 一种基于低秩分解和表示联合学习的运动目标检测方法
CN110188824A (zh) * 2019-05-31 2019-08-30 重庆大学 一种小样本植物病害识别方法及系统
CN110458240A (zh) * 2019-08-16 2019-11-15 集美大学 一种三相桥式整流器故障诊断方法、终端设备及存储介质
CN110796148A (zh) * 2019-10-12 2020-02-14 广西大学 一种荔枝虫害监测识别系统和监测识别方法
CN112307910A (zh) * 2020-10-16 2021-02-02 山东省烟台苹果大数据有限公司 一种基于深度学习的果园病虫害检测系统及其检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915446A (zh) * 2012-09-20 2013-02-06 复旦大学 基于svm机器学习的植物病虫害检测方法
CN104104921A (zh) * 2014-07-24 2014-10-15 成都市晶林科技有限公司 一种病虫害检测系统及方法
CN104954746A (zh) * 2015-06-16 2015-09-30 江苏大学 一种智能化移动车载式远程作物数字图像采集系统及其方法
CN105044106A (zh) * 2015-06-26 2015-11-11 广西壮族自治区农业科学院玉米研究所 一种多功能玉米病虫害检测装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915446A (zh) * 2012-09-20 2013-02-06 复旦大学 基于svm机器学习的植物病虫害检测方法
CN104104921A (zh) * 2014-07-24 2014-10-15 成都市晶林科技有限公司 一种病虫害检测系统及方法
CN104954746A (zh) * 2015-06-16 2015-09-30 江苏大学 一种智能化移动车载式远程作物数字图像采集系统及其方法
CN105044106A (zh) * 2015-06-26 2015-11-11 广西壮族自治区农业科学院玉米研究所 一种多功能玉米病虫害检测装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUSHU GAO 等,: "Extract Features Using Stacked Denoised Autoencoder", 《ICIC 2014: INTELLIGENT COMPUTING IN BIOINFORMATICS》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919716A (zh) * 2017-03-14 2017-07-04 湖南威达科技有限公司 一种基于大数据与图像识别的家庭养护百里香的app
CN107272620A (zh) * 2017-06-23 2017-10-20 深圳市盛路物联通讯技术有限公司 一种基于物联网的智能监控大棚的方法及装置
CN108764177A (zh) * 2018-05-31 2018-11-06 安徽大学 一种基于低秩分解和表示联合学习的运动目标检测方法
CN108764177B (zh) * 2018-05-31 2021-08-27 安徽大学 一种基于低秩分解和表示联合学习的运动目标检测方法
CN110188824A (zh) * 2019-05-31 2019-08-30 重庆大学 一种小样本植物病害识别方法及系统
CN110188824B (zh) * 2019-05-31 2021-05-14 重庆大学 一种小样本植物病害识别方法及系统
CN110458240A (zh) * 2019-08-16 2019-11-15 集美大学 一种三相桥式整流器故障诊断方法、终端设备及存储介质
CN110796148A (zh) * 2019-10-12 2020-02-14 广西大学 一种荔枝虫害监测识别系统和监测识别方法
CN110796148B (zh) * 2019-10-12 2020-07-07 广西大学 一种荔枝虫害监测识别系统和监测识别方法
CN112307910A (zh) * 2020-10-16 2021-02-02 山东省烟台苹果大数据有限公司 一种基于深度学习的果园病虫害检测系统及其检测方法

Similar Documents

Publication Publication Date Title
CN105868784A (zh) 一种基于sae-svm的病虫害检测系统
Revathi et al. Classification of cotton leaf spot diseases using image processing edge detection techniques
Nuske et al. Automated visual yield estimation in vineyards
CN106997475B (zh) 一种基于并行卷积神经网络的害虫图像识别方法
JP6935377B2 (ja) 時空間画像の変化を自動推論するためのシステムおよび方法
Revathi et al. Advance computing enrichment evaluation of cotton leaf spot disease detection using Image Edge detection
CN104091175B (zh) 一种基于Kinect深度信息获取技术的害虫图像自动识别方法
CN103336966B (zh) 一种应用于农业智能机械的杂草图像辨识方法
CN109220226A (zh) 果实自动识别分类及采摘的果园智能化系统
Sun et al. Image processing algorithms for infield single cotton boll counting and yield prediction
CN103093208A (zh) 一种果蔬识别的方法及系统
CN108491807B (zh) 一种奶牛发情行为实时监测方法及系统
Concepcion II et al. Lettuce growth stage identification based on phytomorphological variations using coupled color superpixels and multifold watershed transformation
CN111462058A (zh) 一种水稻有效穗快速检测方法
CN111929299A (zh) 一种基于机器视觉的农产品种植分析管理系统
WO2018120634A1 (zh) 病虫害识别方法及装置
CN108037123A (zh) 一种杂交稻钵体盘播种性能参数精密检测方法
CN111638216A (zh) 一种用于监测病虫害的无人机系统的甜菜相关病症分析方法
CN106909898A (zh) 秸秆还田监测中的图像智能分析终端及方法
CN112034912A (zh) 一种基于实时反馈的温室作物病害防治方法
CN109828623B (zh) 温室作物情景感知的生产管理方法及装置
CN109684960A (zh) 落叶剂的喷洒时间的确定方法及系统
Warke et al. Novel Approach of Classification and Detection of Rice Plant Diseases
KR102393265B1 (ko) 버섯 병해충 검출 시스템
Poorni et al. Detection of Rice Leaf Diseases Using Convolutional Neural Network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
CB03 Change of inventor or designer information

Inventor after: Du Xiaoting

Inventor after: Xu Xianfan

Inventor before: Xu Xianfan

Inventor before: Du Xiaoting

COR Change of bibliographic data
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160817