CN109544538B - 小麦赤霉病病害等级分级方法及装置 - Google Patents

Abstract

本发明特别涉及一种小麦赤霉病病害等级分级方法，包括以下步骤：(A)采集得到原始图像；(B)对原始图像依次进行灰度化处理、二值化处理、开闭运算得到二值化图像；(C)将原始图像和二值化图像进行结合；(D)转换到Lab颜色空间，利用IABC‑K‑PCNN方法对a通道灰度图进行处理得到二值化的单穗赤霉病病斑图；(E)计算单穗面积S₁和病斑面积S₂，然后计算两者比值R；(F)根据国家标准、比值R将对该单穗的病害进行分级并将病害等级输出；还公开了一种分级装置。本发明提出的病害等级分级方法经大量样本测试，在小麦赤霉病田间调查时不破坏性采样，具有分级精度可靠、推广价值高等优势。

Description

小麦赤霉病病害等级分级方法及装置

技术领域

本发明涉及小麦赤霉病诊断技术领域，特别涉及一种小麦赤霉病病害等级分级方法及装置。

背景技术

作为传统农业大国，小麦在我国粮食安全中占据十分重要的地位。赤霉病作为小麦的主要病害之一，在我国江淮流域发病尤为严重，由于不能准确地对病害严重程度进行判断常导致过量施药，这对农业生态环境造成极大危害，严重影响到国家粮食安全和食品安全，因此，研究小麦赤霉病病害分级方法及诊断装置尤为重要。

目前，对小麦赤霉病的诊断大多采用人工目视判断、光谱诊断、常规图像处理等方法，这些方法都存在一些不足：人工目视判断受人的主观影响较大；光谱诊断对仪器和技术要求较高，这不适用于普通植保人员或农户；常规图像处理诊断小麦赤霉病的技术很少且大多为传统方法，并且，大多处于理论阶段，且没有在田间进行应用。因此，如何利用机器学习的图像处理技术开发出针对小麦赤霉病的分级方法及智能诊断装置成为了一个亟待解决的技术问题。

发明内容

本发明的首要目的在于提供一种小麦赤霉病病害等级分级方法，能够准确、快速的对小麦赤霉病进行病害分级。

为实现以上目的，本发明采用的技术方案为：一种小麦赤霉病病害等级分级方法，包括以下步骤：(A)无损、非破坏性获取单穗原始图像；(B)对原始图像依次进行灰度化处理、二值化处理、开闭运算得到二值化图像；(C)将原始图像和步骤B处理得到的二值化图像进行结合得到RGB图像；(D)将RGB图像转换到Lab颜色空间，利用IABC-K-PCNN方法对a通道灰度图进行处理得到二值化的单穗赤霉病病斑图，二值图像中0代表病斑；(E)根据步骤B处理得到的二值化图像计算单穗面积S₁，根据步骤D处理得到的二值化单穗赤霉病病斑图计算病斑面积S₂，然后计算两者比值R；(F)根据国家标准、比值R将对该单穗的病害进行分级并将病害等级输出。

与现有技术相比，本发明存在以下技术效果：针对小麦赤霉病这一穗部病害，根据基于人工蜂群的k均值聚类算法的原理对人工蜂群进行专属改进，利用改进后的算法对简化PCNN中的参数进行寻优，用以提高病斑分割精度，基于该专属特征参数寻优的赤霉病病斑分割结果非常准确，可有效避免因人工误断或高光谱仪器/技术操作带来的不确定性结果，并经过大量样本测试，确定该方法可靠、实用性强。

本发明的另一个目的在于提供一种小麦赤霉病病害等级分级装置，能够准确、迅速的实现小麦赤霉病的等级分级。

为实现以上目的，本发明采用的技术方案为：一种小麦赤霉病病害等级分级装置，包括采集单元、服务器端以及数据库；所述的采集单元包括摄像头、模数转换模块、通讯模块以及显示模块，摄像头用于采集麦穗的图像，模数转换模块用于将图像转换成数字信号并通过通讯模块发送至服务器端；服务器端按以下步骤对图像进行处理：(B)对原始图像依次进行灰度化处理、二值化处理、开闭运算得到二值化图像；(C)将原始图像和步骤B处理得到的二值化图像进行结合得到RGB图像；(D)将RGB图像转换到Lab颜色空间，利用IABC-K-PCNN方法对a通道灰度图进行处理得到二值化的单穗赤霉病病斑图，二值图像中0代表病斑；(E)根据步骤B处理得到的二值化图像计算单穗面积S₁，根据步骤D处理得到的二值化单穗赤霉病病斑图计算病斑面积S₂，然后计算两者比值R；(F)根据国家标准、比值R将对该单穗的病害进行分级；服务器端将病害等级输出至采集单元的显示模块进行显示，并将病害等级、调查时间和采集单元的位置信息存储至数据库中。

与现有技术相比，本发明存在以下技术效果：通过设置采集单元，可以很方便的对小麦麦穗图像进行采集；设置服务器端，依靠本发明提出的方法和模型，可以快速、准确的对上传的数据进行处理，大大降低了采集单元的成本；搭建数据库，可以对处理后的数据进行存储，方便后续的查询、分析；本装置结构简单、成本低，非常适合推广使用。

附图说明

图1是病害等级分级方法的流程图；

图2是病害等级分级装置的工作流程图；

图3是病害等级分级装置的采集单元结构示意图。

具体实施方式

下面结合图1至图3，对本发明做进一步详细叙述。

由于本案中公式众多，故下标只是针对某个公式而言的，不同公式中相同的下标所代表的意思不一定相同。

参阅图1，一种小麦赤霉病病害等级分级方法，包括以下步骤：(A)无损、非破坏性获取单穗原始图像；(B)对原始图像依次进行灰度化处理、二值化处理、开闭运算得到二值化图像，此图中黑色代表背景，白色代表单穗区域；(C)将原始图像和步骤B处理得到的二值化图像进行结合得到RGB图像；(D)将RGB图像转换到Lab颜色空间，利用IABC-K-PCNN方法对a通道灰度图进行处理得到二值化的单穗赤霉病病斑图，此图中0代表病斑区域和背景，1代表正常的单穗区域；(E)根据步骤B处理得到的二值化图像计算单穗面积S₁，根据步骤D处理得到的二值化单穗赤霉病病斑图计算病斑面积S₂，然后计算两者比值R；(F)根据国家标准、比值R将对该单穗的病害进行分级并将病害等级输出。这里根据基于人工蜂群的k均值聚类算法的原理对人工蜂群进行改进，并利用改进后的算法对简化PCNN模型中的参数进行寻优，以提高分割精度，基于此处理得到的单穗赤霉病病斑图结果非常准确，同时，该处理方法是基于机器学习的图像处理，避免了人工判断和高光谱诊断的不足，使用起来非常可靠。基于人工蜂群的k均值聚类算法，其对问题进行求优，并不能很好的对图像进行分割；基于人工蜂群的脉冲耦合神经网络，其初始化具有随机性，对后续的蜜源更新和求解有着一定的影响，且其收敛速度较慢，适应度函数也不够完备；针对上述问题，本发明根据基于人工蜂群的k均值聚类算法的原理对人工蜂群进行改进，并利用改进后的算法对简化PCNN中的参数进行寻优，以提高分割精度。

具体地，所述的步骤D中，IABC-K-PCNN方法对a通道灰度图的处理步骤包括：(D1)设置最大迭代次数MCN、控制参数Limit以及可行解个数N；(D2)分别以β,α_θ,V_θ,W_ij,kl这四个参数，产生初始样本集；(D3)以最大最小距离法对样本集进行初始化，产生{Z₁,Z₂,…,Z_N}个初始可行解；(D4)依次将初始可行解{Z₁,Z₂,…,Z_N}对应的β,α_θ,V_θ,W_ij,kl这四个参数作为PCNN网络模型中的参数，对a通道灰度图进行处理得到N个二值化的单穗赤霉病病斑图，根据二值化的单穗赤霉病病斑图中病斑区域和正常区域出现的概率计算每只蜜蜂的适应度，按适应度大小排序，将前一半作为引领蜂，后一半作为跟随蜂。

位置更新公式决定着蜜蜂能否快速准确地找到新的蜜源，ABC算法的位置更新公式具有很强的搜索能力，但是探索能力欠缺，在搜索邻域时具有迭代随机性、易陷入局部最优解、更新速度缓慢的缺点。故本发明中优选地，(D5)引领蜂利用如下位置更新式对其领域进行搜索得到新的位置，

式中，V_i,j表示在x_i,j附近产生的一个新的位置；k,m∈{1,2,…,N}，k,m,j都是通过随机公式产生的随机数k,m互斥且都不等于i；r_i,j∈[-1,1]；

是一个随机数；x_best,j代表食物丰富度最高的食物源。

如果新位置的适应度大于原先位置的适应度，则用新的位置更新原位置，否则保持原位置不变；若某引领蜂在Limit次迭代后都没有改变位置，则由引领蜂变为侦查蜂，并随机产生一个新的位置取代原位置；(D6)所有的引领蜂完成领域搜索后，根据以下公式计算跟随蜂选择引领蜂的概率P_i：

式中，i＝1,2,…,N，Fit_i即适应度函数；(D7)跟随蜂利用算得的概率P_i选择引领蜂，跟随蜂完成引领蜂选择后重复步骤D5进行领域搜索；(D8)所有的跟随蜂完成领域搜索后，将得到的位置作为聚类中心，对数据集进行一次K均值迭代聚类，把得到的聚类中心作为最优解更新蜂群；(D9)若当前迭代次数大于MCN，则迭代结束，将最后得到的最优解所对应的二值化的麦穗赤霉病病斑图代入步骤E中计算；否则返回步骤D5。

这里利用最大最小距离法初始化蜂群，把可行解代入简化PCNN模型中，并以最小交叉熵和最大熵的线性加权函数作为蜂群算法的适应度函数，引入全局引导的位置更新公式寻找新的蜜源，当算法逼近全局最优时，使用当前搜索到的全局最优解作为K均值初始聚类中心，利用K均值聚类局部寻优精细的特点继续寻优，直至找到最优解，并把最优解作为简化PCNN模型最终的参数值，通过这些步骤求得的单穗赤霉病病斑图更为准确，所计算得到的病斑面积也就非常准确，使得最后的分级更为合理。

为了更加客观的评价图像的分割结果，比较IABC-K-PCNN方法的优劣性和有效性，用最大类间方差法(Otsu),遗传算法(GA)，K均值聚类法(K-Means)和基于人工蜂群的脉冲耦合神经网络算法(ABC-PCNN)进行对比，其中IABC-K-PCNN的初始参数MCN＝100,Limit＝10,N＝60。以人工分割的金分割图像为标准计算各方法的分割精度、过分割率、欠分割率和分割时间来进行评价。同时，选取205个样本根据国家标准(人工计算)，比较不同算法计算的各病害等级麦穗分布情况，以此来说明本发明算法在赤霉病病害分级上的精度和优势，结果如表1和表2所示：

表1不同算法的分割精度、过分割率、欠分割率和分割时间

表2不同算法在各病害等级中错误识别麦穗的个数

由表1和2可看出，结合分割精度、过分割率、欠分割率和分割时间，可得出IABC-K-PCNN方法在赤霉病害识别时精度最高；通过各算法在病害等级划分时错分的个数，可得出IABC-K-PCNN方法用于赤霉病病害等级分级时效果最好。

优选地，所述的步骤D2中，按如下公式产生初始样本集：

其中，X_i,j(β,α_θ,V_θ,w)为β,α_θ,V_θ,W_ij,kl四个参数所对应的样本集，i＝1,2,…,50，j＝1,2,…,N，

为乘积系数，β∈[0,1]，α_θ∈[0,1]，V_θ∈[0,255]，W_ij,kl＝[w,1,w；1,0,1；w,1,w],w∈[0,1]。实际应用时，首先产生一个50×N的矩阵，矩阵中每个元素就对应一个样本，每个样本又包括四个参数，通过公式，按照每个参数的取值范围随机产生结果并存入到矩阵中：在[0,1]的范围中随机产生50×N个β值存入矩阵中；在[0,1]的范围中随机产生50×N个α_θ值存入矩阵中；在[0,255]的范围中随机产生50×N个V_θ值存入矩阵中；在[0,1]的范围中随机产生50×N个w值，然后每个w对应一个W_ij,kl，将W_ij,kl存入矩阵中。该步骤中，50×N只是一个例子，也可以使用更大的或较小的矩阵，矩阵越大，其对处理模块的要求就越高，一般根据实际情况选择一个较为合适的值即可。

进一步地，本发明中，所述的步骤D3包括以下步骤：(D31)给定θ，其中0<θ<1，任意取一个样本作为第一个聚类中心，如取Z₁＝x₁；(D32)寻找新的集合中心，直到最大最小距离不大于θ·D₁₂时或聚类中心个数达到N时，结束寻找聚类中心的计算：(D33)按最近邻原则把所有样本归属距离最近的聚类中心；(D34)若聚类中心没有N个，则返回步骤D31重新给定θ和第一个聚类中心；否则将N个聚类中心作为初始可行解。具体地，所述的步骤D32中按如下步骤寻找新的集合中心：(D321)计算其他所有样本到Z₁的距离D_i1；(D322)若

则取x_j为第二个聚类中心Z₂；(D323)计算其他所有样本到Z₁和Z₂的距离D_i1和D_i2；(D324)若D_k>θ·D₁₂，式中

D₁₂为Z₁和Z₂之间的距离，则取x_k为第三个聚类中心Z₃并执行下一步；若D_k≤θ·D₁₂，则执行步骤D34；(D325)若D_l>θ·D₁₂，式中

则取x_l为第四个聚类中心Z₄并执行下一步；若D_l≤θ·D₁₂，则执行步骤D34；(D326)依次类推，直到最大最小距离不大于θ·D₁₂时或聚类中心个数达到N时，结束寻找聚类中心的计算。通过以上步骤，可以从50×N个样本中产生N个初始可行解，该步骤可以方便的对蜂群进行初始化。

进一步地，所述的步骤D4中，简化PCNN网络模型的数学公式如下：

式中，F_ij(n)是反馈输入；S_ij是外部输入激励；L_ij(n)是连接输入；U_ij(n)是内部活动项；Y_ij(n)是脉冲输出值；θ_ij(n)是动态阈值；W_ij,kl是连接权矩阵；β为连接系数；V_θ和α_θ是动态门限的幅度常数和时间衰减常数，这些参数中，只有β,α_θ,V_θ,W_ij,kl四个参数设置较为困难。其中V_θ的作用是，当前神经元在点火时，使动态阈值迅速升高到一个峰值，使得该神经元在接下来的时间序列中无法再次点火；而时间衰减系数α_θ主要用于对动态阈值θ的衰减；β则决定了简化PCNN模型中脉冲的捕获程度，β值越大，点火神经元对领域神经元的捕获能力越强，就越容易出发神经元的同步点火，此时分割图像的轮廓明显，反之，捕获能力越弱，分割图像的细节越丰富。在本发明中，外部输入激励S_ij即为为步骤D中a通道灰度图中坐标值为i,j的像素点的灰度值；脉冲输出值Y_ij(n)即为步骤D中经过处理的二值化的麦穗赤霉病病斑图中坐标值为i,j的像素点的数值，取值为1时该像素点为黑色，取值为0时该像素点为白色。这里将步骤D3中产生的N个初始可行解所对应的N组四个参数分别代入PCNN模型中进行计算，得到N个初始可行解分别对应的二值化麦穗赤霉病病斑图。然后通过分析二值化的单穗赤霉病病斑图中病斑区域和正常区域出现的概率计算得到适应度。

接上述步骤，所述的步骤D4中，按如下公式计算每只蜜蜂的适应度：

式中，p₀,p₁分别为二值化的单穗赤霉病病斑图中病斑区域和正常区域出现的概率，就是将步骤D处理得到的二值化图像中的0减去步骤B处理得到的二值化图像中的0以后，再计算p₀,p₁，即p₀＝S₂/S₁，p₁＝1-p₀。ρ∈[0,1]，Fit(β,α_θ,V_θ,w)即为步骤D6中的适应度函数。需要注意的是，这里说的蜜蜂是人工蜂群算法中的专业描述，本发明中一个蜜蜂对应一个样本。

图像的格式有很多种，其中又以RGB模式最为常见，故本发明中，所述的步骤A中，原始图像为RGB模式；步骤B中，灰度化处理公式为f＝0.2989R+0.5870G+0.1140B，并采用最大类间方差法进行二值化处理。这里采用的是加权平均法来进行灰度化处理，其处理出的灰度图不易丢失细节，保证后续处理的精确性。

原始图像和二值化图像的结合有很多种方式，本发明中优选地，所述的步骤C中，原始图像和二值化图像按如下公式结合：

式中，a为二值化数值，取值为0或1，R、G、B为原始图像像素点的颜色分量，R′、G′、B′为结合后图像像素点的颜色分量。

在计算出麦穗的病斑面积后，就可以方便的计算出病斑面积相对于麦穗面积所占的比例，所述的步骤E中，R＝S₂/S₁。本发明中，参考国家标准《GBT 15796-2011小麦赤霉病测报技术规范》，以单个麦穗的病斑面积与总面积的比值为标准划分6个等级，即所述的步骤F中：若0≤R≤0.01，病害等级为0；若0.01<R≤0.1，病害等级为1；若0.1<R≤0.2，病害等级为2；若0.2<R≤0.3，病害等级为3；若0.3<R≤0.4，病害等级为4；若0.4<R，病害等级为5，这样的分级方式非常合理，分级后能够让人轻易的根据级数判断出病害的情况。

参阅图2，本发明中还公开了一种小麦赤霉病病害等级分级装置，包括采集单元10、服务器端20以及数据库30；所述的采集单元10包括摄像头11、模数转换模块12、通讯模块13以及显示模块14，摄像头11用于采集麦穗的图像，模数转换模块12用于将图像转换成数字信号并通过通讯模块13发送至服务器端20；服务器端20按前面所述的步骤B-F对图像进行处理，处理后，服务器端20将病害等级输出至采集单元10的显示模块14进行显示，并将病害等级、调查时间和采集单元的位置信息存储至数据库30中。通过设置采集单元10，可以很方便的对小麦单穗图像进行采集，服务器端20性能强，设置服务器端20后可以快速、准确的进行数据处理，并且大幅降低了采集单元10的成本，数据库30可以对处理后的数据进行存储方便后续的查询、分析，本装置结构简单、成本低，非常适合推广使用。

作为本发明的优选方案，包括移动终端40，所述的移动终端40为笔记本或平板电脑或手机，移动终端40与数据库30进行数据通信用于读取数据库30中存储的病害等级、调查时间和采集单元10的位置信息后处理成赤霉病分布图显示在移动终端40上，赤霉病分布图中包括地图以及地图各位置上标记的病害等级和调查时间。设置移动终端40，方便用户随时随地对所有采集单元10检测到的数据进行查看，赤霉病分布图能直观的显示出病害情况，方便后续的病害处理工作的展开。

参阅图3，采集单元10的结构有很多种，本实施例中优选地，所述的采集单元10包括方形外壳15、连接部16以及背景板17，方形外壳15和背景板17之间通过连接部16固定连接且背景板17的板面与方形外壳15的其中一个侧面平行布置且方形外壳15的该侧面上安装有摄像头11，模数转换模块12和通讯模块13容纳于方形外壳15中，显示模块14设置在方形外壳15的上板面。这里，方形外壳15可以很好的对各电路模块进行保护，设置背景板17后，可以方便的将小麦单穗放置在背景板17上进行拍照取样。

具体地，所述连接部16为长条状且其截面为倒梯形；连接部16的一端和背景板17固定连接，且连接部16的这一端设置有缺口或通孔161供小麦单穗穿过，这样设置以后，可以不用将小麦单穗截断下来就能获得小麦单穗的图片；连接部16的另一端插置于方形外壳15底部的凹槽151中，该凹槽151的截面为与连接部16截面相吻合的倒梯形，连接部16和凹槽151这样设置以后，保证了连接部16只能沿凹槽151的长度方向进行位移。连接部16的这一端沿连接部16的长度方向均匀间隔设置多个定位孔162，凹槽151的槽底设置有螺纹孔，定位螺丝163自连接部16的其中一个定位孔162中穿过后与螺纹孔构成配合实现连接部16位置的固定，通过这样设置，可以实现连接部16的位置可调，从而也就实现了背景板17的位置可调，避免摄像头11不能完整的拍下单穗照片或拍摄的麦穗照片过小。具体地，所述的背景板17为黑色、表面粗糙、不透光、不反光的材料制成，这样有利于后续的分析处理；背景板17朝向摄像头11一侧的板面上固定设置有两根或两根以上的黑色皮筋171用于固定小麦单穗。这样设置的采集单元10，具有操作方便、实时、无损、低成本等诸多优点，更加便于植保人员的田间工作。

Claims (8)

1.一种小麦赤霉病病害等级分级方法，其特征在于：包括以下步骤：

(A)无损、非破坏性获取单穗原始图像；

(B)对原始图像依次进行灰度化处理、二值化处理、开闭运算得到二值化图像；

(C)将原始图像和步骤B处理得到的二值化图像进行结合得到RGB图像；

(D)将RGB图像转换到Lab颜色空间，利用IABC-K-PCNN方法对a通道灰度图进行处理得到二值化的单穗赤霉病病斑图；

(E)根据步骤B处理得到的二值化图像计算单穗面积S₁，根据步骤D处理得到的二值化单穗赤霉病病斑图计算病斑面积S₂，然后计算两者比值R；

(F)根据国家标准、比值R将对该单穗的病害进行分级并将病害等级输出；

所述的步骤D中，IABC-K-PCNN方法对a通道灰度图的处理步骤包括：

(D1)设置最大迭代次数MCN、控制参数Limit以及可行解个数N；

(D2)分别以β,α_θ,V_θ,W_ij,kl这四个参数，产生初始样本集；

(D3)以最大最小距离法对样本集进行初始化，产生{Z₁,Z₂,…,Z_N}个初始可行解；

(D4)依次将初始可行解{Z₁,Z₂,…,Z_N}对应的β,α_θ,V_θ,W_ij,kl这四个参数作为简化PCNN网络模型中的参数，对a通道灰度图进行处理得到N个二值化的单穗赤霉病病斑图，根据二值化的单穗赤霉病病斑图中病斑区域和正常区域出现的概率计算每只蜜蜂的适应度，按适应度大小排序，将前一半作为引领蜂，后一半作为跟随蜂；

(D5)引领蜂利用如下位置更新式对其领域进行搜索得到新的位置，

式中，V_i,j表示在x_i,j附近产生的一个新的位置；k,m∈{1,2,…,N}，k,m,j都是通过随机公式产生的随机数k,m互斥且都不等于i；r_i,j∈[-1,1]；

是一个随机数；x_best,j代表食物丰富度最高的食物源；

如果新位置的适应度大于原先位置的适应度，则用新的位置更新原位置，否则保持原位置不变；若某引领蜂在Limit次迭代后都没有改变位置，则由引领蜂变为侦查蜂，并随机产生一个新的位置取代原位置；

(D6)所有的引领蜂完成领域搜索后，根据以下公式计算跟随蜂选择引领蜂的概率P_i：

式中，i＝1,2,…,N，Fit_i即适应度函数；

(D7)跟随蜂利用算得的概率P_i选择引领蜂，跟随蜂完成引领蜂选择后根据步骤D5中公式进行领域搜索；

(D8)所有的跟随蜂完成领域搜索后，将得到的位置作为聚类中心，对数据集进行一次K均值迭代聚类，把得到的聚类中心作为最优解更新蜂群；

(D9)若当前迭代次数大于MCN，则迭代结束，将最后得到的最优解所对应的二值化的麦穗赤霉病病斑图代入步骤E中计算；否则返回步骤D5；

所述的步骤D2中，按如下公式产生初始样本集：

其中，X_i,j{β,α_θ,V_θ,w)为β,α_θ,V_θ,W_ij,kl四个参数所对应的样本集，i＝1,2,…,50，j＝1,2,…,N，

为乘积系数，β∈[0,1]，α_θ∈[0,1]，V_θ∈[0,255]，W_ij,kl＝[w,1,w；1,0,1；w,1,w],w∈[0,1]；

所述的步骤C中，原始图像和二值化图像按如下公式结合：

式中，a为二值化数值，取值为0或1，R、G、B为原始图像像素点的颜色分量，R′、G′、B′为结合后图像像素点的颜色分量。

2.如权利要求1所述的小麦赤霉病病害等级分级方法，其特征在于：所述的步骤D4中，按如下公式计算每只蜜蜂的适应度：

式中，p₀,p₁分别为二值化的单穗赤霉病病斑图中病斑区域和正常区域出现的概率，ρ∈[0,1]，Fit(β,α_θ,V_θ,w)即为步骤D6中的适应度函数。

3.如权利要求1所述的小麦赤霉病病害等级分级方法，其特征在于：所述的步骤A中，原始图像为RGB模式；步骤B中，灰度化处理公式为f＝0.2989R+0.5870G+0.1140B，并采用最大类间方差法进行二值化处理。

4.如权利要求3所述的小麦赤霉病病害等级分级方法，其特征在于：所述的步骤E中，R＝S₂/S₁；所述的步骤F中：若0≤R≤0.01，病害等级为0；若0.01<R≤0.1，病害等级为1；若0.1<R≤0.2，病害等级为2；若0.2<R≤0.3，病害等级为3；若0.3<R≤0.4，病害等级为4；若0.4<R，病害等级为5。

5.一种小麦赤霉病病害等级分级装置，其特征在于：包括采集单元(10)、服务器端(20)以及数据库(30)；所述的采集单元(10)包括摄像头(11)、模数转换模块(12)、通讯模块(13)以及显示模块(14)，摄像头(11)用于采集单穗的图像，模数转换模块(12)用于将图像转换成数字信号并通过通讯模块(13)发送至服务器端(20)；服务器端(20)按以下步骤对图像进行处理：

(B)对原始图像依次进行灰度化处理、二值化处理、开闭运算得到二值化图像；

(C)将原始图像和步骤B处理得到的二值化图像进行结合得到RGB图像；

(D)将RGB图像转换到Lab颜色空间，利用IABC-K-PCNN方法对a通道灰度图进行处理得到二值化的单穗赤霉病病斑图；

(E)根据步骤B处理得到的二值化图像计算单穗面积S₁，根据步骤D处理得到的二值化单穗赤霉病病斑图计算病斑面积S₂，然后计算两者比值R；

(F)根据国家标准、比值R将对该单穗的病害进行分级；

服务器端(20)将病害等级输出至采集单元(10)的显示模块(14)进行显示，并将病害等级和采集单元(10)的位置信息存储至数据库(30)中；

所述的步骤D中，IABC-K-PCNN方法对a通道灰度图的处理步骤包括：

(D1)设置最大迭代次数MCN、控制参数Limit以及可行解个数N；

(D2)分别以β,α_θ,V_θ,W_ij,kl这四个参数，产生初始样本集；

(D3)以最大最小距离法对样本集进行初始化，产生{Z₁,Z₂,…,Z_N}个初始可行解；

(D4)依次将初始可行解{Z₁,Z₂,…,Z_N}对应的β,α_θ,V_θ,W_ij,kl这四个参数作为简化PCNN网络模型中的参数，对a通道灰度图进行处理得到N个二值化的单穗赤霉病病斑图，根据二值化的单穗赤霉病病斑图中病斑区域和正常区域出现的概率计算每只蜜蜂的适应度，按适应度大小排序，将前一半作为引领蜂，后一半作为跟随蜂；

(D5)引领蜂利用如下位置更新式对其领域进行搜索得到新的位置，

式中，V_i,j表示在x_i,j附近产生的一个新的位置；k,m∈{1,2,…,N}，k,m,j都是通过随机公式产生的随机数k,m互斥且都不等于i；r_i,j∈[-1,1]；

是一个随机数；x_best,j代表食物丰富度最高的食物源；

如果新位置的适应度大于原先位置的适应度，则用新的位置更新原位置，否则保持原位置不变；若某引领蜂在Limit次迭代后都没有改变位置，则由引领蜂变为侦查蜂，并随机产生一个新的位置取代原位置；

(D6)所有的引领蜂完成领域搜索后，根据以下公式计算跟随蜂选择引领蜂的概率P_i：

式中，i＝1,2,…,N，Fit_i即适应度函数；

(D7)跟随蜂利用算得的概率P_i选择引领蜂，跟随蜂完成引领蜂选择后根据步骤D5中公式进行领域搜索；

(D8)所有的跟随蜂完成领域搜索后，将得到的位置作为聚类中心，对数据集进行一次K均值迭代聚类，把得到的聚类中心作为最优解更新蜂群；

(D9)若当前迭代次数大于MCN，则迭代结束，将最后得到的最优解所对应的二值化的麦穗赤霉病病斑图代入步骤E中计算；否则返回步骤D5；

所述的步骤D2中，按如下公式产生初始样本集：

其中，X_i,j(β,α_θ,V_θ,w)为β,α_θ,V_θ,W_ij,kl四个参数所对应的样本集，i＝1,2,…,50，j＝1,2,…,N，

为乘积系数，β∈[0,1]，α_θ∈[0,1]，V_θ∈[0,255]，W_ij,kl＝[w,1,w；1,0,1；w,1,w],w∈[0,1]；

所述的步骤C中，原始图像和二值化图像按如下公式结合：

式中，a为二值化数值，取值为0或1，R、G、B为原始图像像素点的颜色分量，R′、G′、B′为结合后图像像素点的颜色分量。

6.如权利要求5所述的小麦赤霉病病害等级分级装置，其特征在于：包括移动终端(40)，所述的移动终端(40)为笔记本或平板电脑或手机，移动终端(40)与数据库(30)进行数据通信用于读取数据库(30)中存储的病害等级、调查时间和采集单元(10)的位置信息后处理成赤霉病分布图显示在移动终端(40)上，赤霉病分布图中包括地图以及地图各位置上标记的病害等级和调查时间。

7.如权利要求5所述的小麦赤霉病病害等级分级装置，其特征在于：所述的采集单元(10)包括方形外壳(15)、连接部(16)以及背景板(17)，方形外壳(15)和背景板(17)之间通过连接部(16)固定连接且背景板(17)的板面与方形外壳(15)的其中一个侧面平行布置且方形外壳(15)的该侧面上安装有摄像头(11)，模数转换模块(12)和通讯模块(13)容纳于方形外壳(15)中，显示模块(14)设置在方形外壳(15)的上板面。

8.如权利要求7所述的小麦赤霉病病害等级分级装置，其特征在于：所述连接部(16)为长条状且其截面为倒梯形；连接部(16)的一端和背景板(17)固定连接，且连接部(16)的这一端设置有缺口或通孔(161)供小麦单穗穿过；连接部(16)的另一端插置于方形外壳(15)底部的凹槽(151)中，该凹槽(151)的截面为与连接部(16)截面相吻合的倒梯形，连接部(16)的这一端沿连接部(16)的长度方向均匀间隔设置多个定位孔(162)，凹槽(151)的槽底设置有螺纹孔，定位螺丝(163)自连接部(16)的其中一个定位孔(162)中穿过后与螺纹孔构成配合实现连接部(16)位置的固定；

所述的背景板(17)为黑色、表面粗糙、不透光、不反光的材料制成，背景板(17)朝向摄像头(11)一侧的板面上固定设置有两根或两根以上的黑色皮筋(171)用于固定小麦单穗。

Images