CN111429455A - 基于粗糙集和bp神经网络的棉花病害识别方法及系统 - Google Patents

基于粗糙集和bp神经网络的棉花病害识别方法及系统 Download PDF

Info

Publication number
CN111429455A
CN111429455A CN202010336253.1A CN202010336253A CN111429455A CN 111429455 A CN111429455 A CN 111429455A CN 202010336253 A CN202010336253 A CN 202010336253A CN 111429455 A CN111429455 A CN 111429455A
Authority
CN
China
Prior art keywords
image
disease
cotton
cotton disease
identification
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
CN202010336253.1A
Other languages
English (en)
Inventor
邱利逸
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.)
Hangzhou Haojing Cloud Information Technology Co ltd
Original Assignee
Hangzhou Haojing Cloud Information Technology Co ltd
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 Hangzhou Haojing Cloud Information Technology Co ltd filed Critical Hangzhou Haojing Cloud Information Technology Co ltd
Priority to CN202010336253.1A priority Critical patent/CN111429455A/zh
Publication of CN111429455A publication Critical patent/CN111429455A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明公开了一种基于粗糙集和BP神经网络的棉花病害识别方法及系统，其中方法包括：对棉花病害图像进行图像预处理，以提取棉花病害图像上的病害特征；基于粗糙集对提取的病害特征进行特征优选，得到经特征优选后的棉花病害图像；以经特征优选后的棉花病害图像为BP神经网络的训练样本，训练形成棉花病害识别模型；利用棉花病害识别模型对棉花病害图像进行病害识别，输出病害类型识别结果。本发明通过粗糙集进行病害特征优选后形成的棉花病害图像的数据维度大幅降低，有利于提高棉花病害识别模型的训练速度。另外，本发明以具有较强非线性映射能力的BP神经网络为训练网络，训练形成的棉花病害识别模型具有更高地识别精度。

Description

基于粗糙集和BP神经网络的棉花病害识别方法及系统
技术领域
本发明涉及农业技术领域，具体涉及一种基于粗糙集和BP神经网络的棉花病害识别方法及系统。
背景技术
常见的棉花病害有轮纹病、角斑病、褐斑病、盲椿象等。部分棉花病害的症状非常相似，很难通过传统的肉眼观察方式对这些棉花病害进行快速识别，导致无法及时对症下药，以致棉花减产。
近些年，国内外农业技术领域专家应用计算机视觉识别技术和图像处理技术，对作物病害的自动识别和诊断做了大量研究。比如，通过应用神经网络技术对君子兰的软腐病进行机器自动识别；通过应用分形理论提取棉花病斑的形状分形特征以识别棉花病害等，但这些借助神经网络或计算机图像识别技术的作物病害自动识别方法都是直接将提取的病害特征图像作为分类器的输入，没有对病害特征进行优选，输入到分类器的数据维数过多，导致对于分类器的训练过程过长，训练效率低下，而且所训练的分类器识别稳定性较差，识别精度较低，无法对作物的各种病害进行有效识别。
发明内容
本发明的目的在于提供一种基于粗糙集和BP神经网络的棉花病害识别方法及系统，通过粗糙集对提取的棉花病害图像的病害特征进行优选，并以经特征优选后形成的棉花病害图像作为训练样本，降低了模型训练样本的数据维度，大幅提高了模型训练的速度。另外，本发明以具有较强非线性映射能力的BP神经网络作为模型训练网络，所训练形成的棉花病害识别模型具有更高地稳定性和识别精度。
为达此目的，本发明采用以下技术方案：
提供一种基于粗糙集和BP神经网络的棉花病害识别方法，包括：
对棉花病害图像进行图像预处理，以提取所述棉花病害图像上的病害特征，所述病害特征包括所述棉花病害图像上的病斑区域的颜色特征和病斑纹理特征；
基于粗糙集对提取的所述棉花病害图像的所述病害特征进行特征优选，得到经特征优选后的所述棉花病害图像；
以经特征优选后的所述棉花病害图像为BP神经网络的训练样本，训练形成棉花病害识别模型；
利用所述棉花病害识别模型对所述棉花病害图像进行病害识别，输出病害类型识别结果。
作为本发明的一种优选方案，对所述棉花病害图像进行图像预处理的方法包括如下步骤：
步骤L1，对所述棉花病害图像进行颜色空间转换，得到每张所述棉花病害图像对应的H分量图像、a*分量图像和b*分量图像；
步骤L2，对所述H分量图像、所述a*分量图像和所述b*分量图像进行图像滤波处理，去除各分量图像的图像噪声；
步骤L3，对经图像滤波处理后的所述H分量图像、所述a*分量图像和所述b*分量图像进行图像分割处理，以在各分量图像上区分出所述病斑区域；
步骤L4，对经图像分割处理后的所述H分量图像、所述a*分量图像和所述b*分量图像进行图像融合，得到H+a*+b*分量图像；
步骤L5，对所述H+a*+b*分量图像进行图像二值化处理，得到棉花病斑二值图像；
步骤L6，对所述病斑二值图像与原始的未作图像预处理的所述棉花病害图像作交集运算，得到一交集图；
步骤L7，提取出所述交集图上的所述病斑区域的所述颜色特征和所述病斑纹理特征。
作为本发明的一种优选方案，所述步骤L1中，对所述棉花病害图像进行颜色空间转换包括将RGB颜色空间下的所述棉花病害图像转换到HSI颜色空间和L*a*b*颜色空间，将所述棉花病害图像从所述RGB颜色空间转换到所述HSI颜色空间通过以下公式实现：
Figure BDA0002466138140000021
Figure BDA0002466138140000022
Figure BDA0002466138140000023
Figure BDA0002466138140000024
上式中，θ为两个待比较颜色在所述RGB颜色空间的矢量角度；
R为所述RGB颜色空间中R颜色分量的颜色值；
G为所述RGB颜色空间中G颜色分量的颜色值；
B为所述RGB颜色空间中B颜色分量的颜色值；
H为经HSI颜色空间转换后的所述棉花病害图像的色调；
S为经HSI颜色空间转换后的所述棉花病害图像的饱和度；
I为经HSI颜色空间转换后的所述棉花病害图像的强度；
所述H分量图像为过滤掉HSI颜色空间下的饱和度S、强度I，保留色调H后的所述棉花病害图像。
作为本发明的一种优选方案，所述步骤L2中，对所述H分量图像、所述a*分量图像和所述b*分量图像进行图像滤波的方法为高斯滤波。
作为本发明的一种优选方案，所述步骤L3中，对经图像滤波处理后的所述H分量图像、所述a*分量图像和所述b*分量图像进行图像分割的方法为最大类间方差法。
作为本发明的一种优选方案，所述步骤L7中，通过颜色矩提取所述交集图上的所述病斑区域的所述颜色特征；
通过灰度共生矩阵提取所述交集图上的所述病斑区域的所述病斑纹理特征。
作为本发明的一种优选方案，至少通过所述颜色矩的一阶矩、二阶矩和三阶矩提取所述病斑区域的所述颜色特征，其中，所述病斑区域对应的一阶矩颜色特征的特征值xRGB1通过以下公式(1)计算而得：
Figure BDA0002466138140000031
公式(1)中，D用于表示所述棉花病害图像中病斑所在的所述病斑区域；
Pi用于表示所述病斑区域内第i个像素的灰度值；
N为所述病斑区域内的像素个数；
所述病斑区域对应的二阶矩颜色特征的特征值xRGB2通过以下公式(2)计算而得：
Figure BDA0002466138140000032
所述病斑区域对应的三阶矩颜色特征的特征值xRGB3通过以下公式(3)计算而得：
Figure BDA0002466138140000033
作为本发明的一种优选方案，通过所述灰度共生矩阵中的角二阶矩、熵、对比度，局部平稳、自相关、均值和方差至少7个矩阵特征提取所述病斑区域的所述病斑纹理特征。
作为本发明的一种优选方案，基于粗糙集对所述棉花病害图像上的所述病害特征进行特征优选的过程如下：
以所述棉花病害图像上的各所述病害特征为条件属性构建棉花病害识别决策表；
对所述棉花病害识别决策表中的各个规则元素的元素值进行数据离散化处理；
对经数据离散化处理后的所述棉花病害识别决策表的属性进行约简处理，得到所述棉花病害识别决策表的相对最小属性约简；
以各所述相对最小属性约简为评估条件，对所述棉花病害图像的病害类型识别准确率进行评估，并根据评估准确率高低最终明确符合准确率识别预期的所述相对最小属性约简；
以最终明确的所述相对最小属性约简为优选依据，从图像预处理得到的各所述病害特征中优选出所述棉花病害图像的优选病害特征，并将经特征优选后的所述棉花病害图像作为所述BP神经网络的所述训练样本；所述优选病害特征包括至少一个所述颜色特征和至少一个所述病斑纹理特征。
本发明还提供了一种棉花病害识别系统，可实现所述棉花病害识别方法，该系统包括：
图像采集模块，用于采集所述棉花病害图像；
图像预处理模块，连接所述图像采集模块，用于对采集的所述棉花病害图像进行图像预处理，以提取出所述棉花病害图像上的所述病害特征；所述病害特征包括所述棉花病害图像上的所述病斑区域的所述颜色特征和所述病斑纹理特征；
病害特征优选模块，连接所述图像预处理模块，用于基于粗糙集对各所述病害特征进行特征优选，得到经特征优选后的所述棉花病害图像，所述病害特征优选模块中包括：
棉花病害识别决策表构建单元，用于以所述棉花病害图像上的各所述病害特征为条件属性构建所述棉花病害识别决策表；
数据离散化处理单元，连接所述棉花病害识别决策表构建单元，用于对所述棉花病害识别决策表中的各规则元素的元素值进行数据离散化处理；
决策表属性约简处理单元，连接所述数据离散化处理单元，用于对经数据离散化处理后的所述棉花病害识别决策表的属性进行约简处理，得到所述棉花病害识别决策表的相对最小属性约简；
棉花病害类型识别评估单元，连接所述决策表属性约简处理单元，用于以经约简处理得到的各所述相对最小属性约简为评估条件，对所述棉花病害图像的病害类型的识别准确率进行评估，并根据评估准确率高低最终明确符合准确率识别预期的所述相对最小属性约简；
病害特征优选单元，连接所述棉花病害类型识别评估单元，用于以最终明确的所述相对最小属性约简为依据，从图像预处理得到的各所述病害特征中优选出所述棉花病害图像的优选病害特征，形成经特征优选后的所述棉花病害图像；所述优选病害特征包括至少一个所述颜色特征和至少一个所述病斑纹理特征；
棉花病害识别模型训练模块，连接所述病害特征优选模块，用于以经特征优选后的所述棉花病害图像为所述BP神经网络的训练样本，训练形成所述棉花病害识别模型；
病害识别模块，分别连接所述图像采集模块和所述棉花病害识别模型训练模块，用于通过所述棉花病害识别模型对采集的所述棉花病害图像进行病害识别分类，输出病害类型识别结果。
本发明的有益效果：
1、本发明通过粗糙集对经图像预处理提取到的棉花病害特征进行特征优选后形成的棉花病害图像的数据维度大幅降低，有利于提升棉花病害识别模型的训练速度。
2、本发明以经特征优选后的棉花病害图像为训练样本，并基于具有较强非线性映射能力的BP神经网络训练形成的棉花病害识别模型具有更高地的稳定性和识别精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述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。
图1是本发明一实施例提供的基于粗糙集和BP神经网络的棉花病害识别方法的步骤图；
图2是对所述棉花病害图像进行图像预处理的方法步骤图；
图3是基于粗糙集对所述棉花病害图像上的病害特征进行特征优选的方法步骤图；
图4是本发明一实施例提供的基于粗糙集和BP神经网络的棉花病害识别系统的系统结构示意图；
图5是本发明一实施例提供的所述棉花病害识别系统中的所述病害特征优选模块的结构示意图；
图6是常见的棉花病害的示意图；
图7是对所述棉花病害图像进行图像预处理的过程示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
粗糙集是波兰理工大学Z.pawlak教授提出的用来研究不完整数据、不精确知识的表达、学习、归纳等的一套理论。粗糙集具有较好地属性最小化约简能力，应用在本发明实施例中，可以对棉花病害特征进行属性最小化约简，从而实现对病害特征的优选。BP神经网络是一种典型的监督式神经网络分类器，具有很强的非线性映射能力，可通过学习自动提取合理的求解规则，应用在本发明实施例中，可提高棉花棉花病害识别模型的识别精度。本发明以粗糙集对棉花病害图像上的病害特征进行特征优选，摒弃冗余或次要的病害特征，保留对识别棉花病害起到关键作用的病害特征，并以经特征优选后形成的棉花病害图像为训练样本作为BP神经网络的输入，训练形成棉花病害识别模型，不仅大幅降低了训练样本的数据维度，提高了模型训练的速度，而且提高了模型的稳定性和识别精度。
图1示出了本发明一实施例提供的基于粗糙集和BP神经网络的棉花病害识别方法。具体地，请参照图1，本发明实施例提供的棉花病害识别方法包括如下步骤：
步骤S1，对棉花病害图像进行图像预处理，以提取棉花病害图像上的病害特征，病害特征包括棉花病害图像上的病斑区域的颜色特征和病斑纹理特征。
步骤S2，基于粗糙集对提取的棉花病害图像的病害特征进行特征优选，得到经特征优选后的棉花病害图像；
步骤S3，以经特征优选后的棉花病害图像为BP神经网络的训练样本，训练形成棉花病害识别模型；
步骤S4，利用该棉花病害识别模型对棉花病害图像进行病害识别，输出病害类型识别结果。
用于采集棉花病害图像的现有设备有许多，比如可以采用高清数码相机、智能终端等进行棉花病害图像采集，所以采集设备的具体品牌、型号等参数在此不做说明。
目前，对于作物病害的研究多在人工控制的光照条件下进行，其研究结果与真实的自然光条件下的病害情况存在较大差异，为了避免光照对病害特征的影响，确保后续训练形成的的棉花病害识别模型的识别精度，本发明采集的棉花病害图像均来自于自然光条件下的棉花种植地。为确保图像采集的多样性，本发明共采集棉花病害图像400幅，其中轮纹病、角斑病、褐斑病和盲椿象各100幅。400幅棉花病害图像按比例划分为训练集和验证集。训练集中的棉花病害图像作为棉花病害识别模型的训练样本，验证集中的棉花病害图像作为验证所训练的棉花病害识别模型的模型性能。图6示出了四种棉花病害的示意图，其中轮纹病的病害图像请参照图6a；角斑病的病害图像请参照图6b；褐斑病的病害图像请参照图6c；盲椿象的病害图像请参照图6d。由图6可知，轮纹病、角斑病、褐斑病和盲椿象的病害特征相似度较高，很难用肉眼进行快速判断。
由于棉花病害图像中存在许多与病斑区域的病害特征不相关的图像信息，所以首先需要对棉花病害图像进行图像预处理，以消除棉花病害图像中与病害特征无关的信息。步骤S1中对图像进行预处理包括四个过程：分别是对图像进行颜色空间转换、图像滤波、图像分割和病害特征提取。图2示出了对棉花病害图像进行图像预处理的具体方法步骤。请参照图2，对棉花病害图像进行图像预处理的方法具体包括：
步骤L1，对棉花病害图像进行颜色空间转换，得到每张棉花病害图像对应的H分量图像、a*分量图像和b*分量图像。
步骤L2，对H分量图像、a*分量图像和b*分量图像进行图像滤波处理，去除各分量图像的图像噪声；
步骤L3，对经图像滤波处理后的H分量图像、a*分量图像和b*分量图像进行图像分割处理，以在各分量图像上区分出病斑区域；
步骤L4，对经图像分割处理后的H分量图像、a*分量图像和b*分量图像进行图像融合，得到H+a*+b*分量图像；
步骤L5，对H+a*+b*分量图像进行图像二值化处理，得到棉花病斑二值图像；
步骤L6，对病斑二值图像与原始的未作图像预处理的棉花病害图像进行交集运算，得到一交集图；
步骤L7，提取出交集图上的病斑区域的颜色特征和病斑纹理特征。
具体地，步骤L1中，对棉花病害图像进行颜色空间转换包括对同一张棉花病害图像进行RGB转HSI颜色空间转换和RGB转L*a*b*颜色空间转换。以下对棉花病害图像从RGB颜色空间转换到HSI颜色空间和转换到L*a*b*颜色空间进行具体说明。
首先对棉花病害图像从RGB颜色空间转换到HSI颜色空间的方法进行说明。RGB颜色空间下的图像受光照影响较大，RGB图像中的R分量颜色、G分量颜色和B分量颜色的颜色相关度较高，不利于对病害特征的有效提取，所以需要将棉花病害图像从RGB颜色空间转换到颜色信息和亮度信息相互独立的HSI颜色空间。
HSI颜色空间中的H表示图像的色调，S表示图像饱和度，I表示图像强度。图像饱和度S和强度I为图像亮度信息，所以为了减少亮度信息对病害特征的干扰，本发明摒弃了HSI颜色空间下的棉花病害图像的S分量图像和I分量图像，仅保留了H分量图像。
以下对RGB图像转HSI图像的具体过程进行阐述：
将图像从RGB颜色空间转换到HSI颜色空间存在许多现有的转换公式，但在实验过程中发现应用这些现有的转换公式经转换为HSI图像后保留的H分量图像中的病害特征丢失严重，所以本发明在总结实验经验的基础上，创新提出了一种RGB转HSI图像的转换公式，该转换公式为：
Figure BDA0002466138140000081
Figure BDA0002466138140000082
Figure BDA0002466138140000083
Figure BDA0002466138140000084
上式中，θ为两个待比较颜色在RGB颜色空间的矢量角度；
R为RGB颜色空间中R颜色分量的颜色值；
G为RGB颜色空间中G颜色分量的颜色值；
B为RGB颜色空间中B颜色分量的颜色值；
H为经HSI颜色空间转换后的棉花病害图像的色调；
S为经HSI颜色空间转换后的棉花病害图像的饱和度；
I为经HSI颜色空间转换后的棉花病害图像的强度；
H分量图像为过滤掉HSI颜色空间下的饱和度S、强度I，保留色调H后后的棉花病害图像。
图7示出了对棉花病害图像进行图像预处理的过程示意图。请参照图7a，图7a为RGB转HSI颜色空间后保留的H分量图像的示意图。图7a中的白色区域为H分量图像中的疑似病斑区域。图7e示出了棉花病害图像上真实的病斑区域(非背景色区域)，比较图7a和图7e可知，H分量图像中的疑似病斑区域的区域面积相比较真实的病斑区域较小，说明H分量图像存在病害特征丢失的情况。为了解决这个问题，本发明还需要将同一张棉花病害图像从RGB颜色空间转换到L*a*b*颜色空间，然后摒弃L*a*b*颜色空间下的表示图像亮度的L*分量图像，保留表示图像颜色信息的a*分量图像和b*分量图像，然后将H分量图像、a*分量图像和b*分量图像三张分量图像进行融合，得到H+a*+b*分量图像。图7b为a*分量图像，对比图7b和图7e发现，a*分量图像同样存在病斑区域丢失的情况。图7c为b*分量图像，对比图7c和图7e发现，b*分量图像同样存在病斑区域丢失的情况。图7d为H+a*+b*分量图像，对比图7d和图7e发现，H+a*+b*分量图像中的病斑区域与棉花病害图像中真实的各病斑区域的区域面积基本一致，表示H分量图像、a*分量图像和b*分量图像中的病斑区域存在互补关系。所以经图像融合形成的H+a*+b*分量图像基本可以完全表征出棉花病害图像上的病斑区域。
以下对棉花病害图像从RGB颜色空间转换到颜色信息和亮度信息相互独立的L*a*b*颜色空间的方法进行简要说明：
将棉花病害图像从RGB颜色空间转换为L*a*b*颜色空间包括两个步骤：
首选需要将图像从RGB颜色空间转换为XYZ颜色空间。RGB转XYZ颜色空间的方法为现有技术，具体地转换过程在此不做阐述；
然后将图像从XYZ颜色空间转换为L*a*b*颜色空间。同样地，XYZ转L*a*b*的方法为现有技术，所以具体地转换过程在此同样不做阐述。
L*a*b*颜色空间中的L*表示图像亮度，a*表示从洋红色到绿色的颜色范围，b*表示从黄色到蓝色的颜色范围。
由于自然光条件下采集的棉花病害图像噪声比较严重，影响对棉花病害特征的提取，所以需要对步骤L1转换得到的H分量图像、a*分量图像和b*分量图像进行图像滤波处理，以去除各分量图像的图像噪声。作为一种优选方案，步骤L2中，对H分量图像、a*分量图像和b*分量图像进行图像滤波的方法为高斯(Gaussian)滤波。高斯滤波是一种常见的图像降噪方法，所以具体的图像滤波过程在此不做说明。
为了在H分量图像、a*分量图像和b*分量图像中区分出目标区域(病斑区域)，步骤L3中，优选采用最大类间方差法(Otsu法)对H分量图像、a*分量图像和b*分量图像进行图像分割。最大类间方差法分割图像目标区域为现有技术，所以关于最大类间方差法分割图像目标区域的具体过程在此不做阐述。
图7a为经图像分割后的H分量图像；图7b为经图像分割后的a*分量图像；图7c为经图像分割后的b*分量图像。图7a、图7b和图7c中的白色区域为分割得到的病斑区域。这里需要强调的是，将图7a、图7b和图7c分别与图7e(图7e为棉花病害图像上真实的病斑区域)对比可知，对H分量图像、a*分量图像和b*分量图像进行图像分割得到的病斑区域均不能完全覆盖真实的病斑区域，表明对H分量图像、a*分量图像和b*分量图像进行图像分割得到的病斑区域存在缺失。但对比图7d(图7d为H+a*+b*分量图像)和图7e发现，H+a*+b*分量图像中的病斑区域与图7e中真实的病斑区域具有较高地吻合度，表示H分量图像、a*分量图像和b*分量图像上的病斑区域存在互补特征。所以本发明在步骤L4中，将经图像分割后的H分量图像、a*分量图像和b*分量图像进行图像融合，得到H+a*+b*分量图像。
图像融合的现有方法有许多，本发明实施例优选对经图像分割后的H分量图像、a*分量图像和b*分量图像进行求和运算，以将三张分量图像融合为H+a*+b*分量图像。通过求和运算对图像进行融合的方法同样为现有技术，所以关于H+a*+b*分量图像的具体融合过程在此不作阐述。
由于H+a*+b*分量图像存在颜色信息，非黑色的图像背景会对病斑区域的识别产生干扰，所以优选地，本发明在步骤L5中，对H+a*+b*分量图像进行图像二值化处理，得到棉花病斑二值图像。二值图像有利于准确区分图像中的病斑区域。
棉花病斑二值图像中的病斑区域丢失了颜色信息和纹理信息，为了提取出棉花病斑二值图像中病斑区域的颜色信息和纹理信息，首先需要重新获取病斑区域的颜色信息和纹理信息。在步骤L6中，本发明实施例通过对病斑二值图像与原始的未作图像预处理的棉花病害图像(RGB图像)作交集运算，得到一交集图。交集图中的病斑区域保留了原始的棉花病害图像上病斑区域的颜色特征和纹理特征。对图像进行交集运算的方法为现有技术，而且对图像进行交集运算的过程并非本发明要求权利保护的范围，所以关于图像交集运算的过程在此不作阐述。棉花病斑二值图像与原始的棉花病害图像作交集运算后的示意图请参照图7f。
在得到交集图后，需要对交集图中病斑区域的颜色特征和纹理特征进行特征提取。本发明实施例中，优选通过颜色矩提取交集图上的病斑区域的颜色特征。优选通过灰度共生矩阵提取交集图上的病斑区域的病斑纹理特征。
以下对颜色矩提取病斑区域的颜色特征的过程进行简要阐述：
颜色矩方法主要是用图像的矩表示图像中的颜色信息。颜色信息主要集中在低阶矩中。所以在确保颜色信息提取质量的前提下，综合考虑颜色信息的提取速度，本实施例利用颜色矩中的一阶矩、二阶矩和三阶矩提取病斑区域的颜色信息。
其中，病斑区域对应的一阶矩颜色特征的特征值xRGB1通过以下公式(1)计算而得：
Figure BDA0002466138140000111
公式(1)中，D用于表示棉花病害图像中病斑所在的病斑区域；
Pi用于表示病斑区域内第i个像素的灰度值；
N为病斑区域内的像素个数；
病斑区域对应的一阶矩颜色特征的特征值xRGB1包括病斑区域在RGB颜色空间下的R分量图像的对应的一阶矩颜色特征的特征值x1、G分量图像对应的一阶矩颜色特征的特征值x4、B分量图像对应的一阶矩颜色特征的特征值x7。
病斑区域对应的二阶矩颜色特征的特征值xRGB2通过以下公式(2)计算而得：
Figure BDA0002466138140000112
病斑区域对应的二阶矩颜色特征的特征值xRGB2包括病斑区域在RGB颜色空间下的R分量图像对应的二阶矩颜色特征的特征值x2、G分量图像对应的二阶矩颜色特征的特征值x5、B分量图像对应的二阶矩颜色特征的特征值x8.
病斑区域对应的三阶矩颜色特征的特征值xRGB3通过以下公式(3)计算而得：
Figure BDA0002466138140000113
病斑区域对应的三阶矩颜色特征的特征值xRGB3包括病斑区域在RGB颜色空间下的R分量图像对应的三阶矩颜色特征的特征值x3、G分量图像对应的三阶矩颜色特征的特征值x6、B分量图像对应的三阶矩颜色特征的特征值x9。
以下对灰度共生矩阵提取病斑区域的病斑纹理特征的过程进行简要阐述：
灰度共生矩阵是一种通过研究灰度的空间相关特征来描述纹理的常用方法。由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特征。灰度共生矩阵通过计算图像中有一定距离和一定方向的2个像素之间的灰度相关性，对图像的所有像素进行调查统计，反映图像在方向、相邻间隔、变化幅度及快慢上的综合信息。
本发明实施例优选通过灰度共生矩阵中的7个矩阵特征：角二阶矩、熵、对比度、局部平稳、自相关、均值和方差来提取病斑区域的病斑纹理特征。利用灰度共生矩阵提取图像纹理特征的方法为现有技术，所以关于灰度共生矩阵提取病斑纹理特征的具体过程在此不做阐述。
上述技术方案中，通过对采集的棉花病害图像的图像预处理过程，得到了棉花病害图像上的病斑区域在RGB颜色空间下R分量对应的一阶矩颜色特征的特征值x1、二阶矩颜色特征的特征值x2、三阶矩颜色特征的特征值x3；G分量对应的一阶矩颜色特征的特征值x4、二阶矩颜色特征的特征值x5、三阶矩颜色特征的特征值x6；B分量对应的一阶矩颜色特征的特征值x7、二阶矩颜色特征的特征值x8、三阶矩颜色特征的特征值x9以及该病斑区域对应的纹理特征“角二阶矩”的特征值x10、“熵”的特征值x11、“对比度”的特征值x12、“局部平稳”的特征值x13、“自相关”的特征值x14、“均值”的特征值x15、“方差”的特征值x16。但以x1～x16这16个特征去表征一个病斑区域的病斑特征的数据量还是过大，由x1～x16这16个病害特征形成的病斑区域图像作为棉花病害识别模型的训练样本，还是无法很好地解决训练样本因数据维数过大影响模型训练速度和模型识别精度的问题，所以在步骤S2中，本发明实施例基于粗糙集对提取的x1～x16这16个病害特征进行特征优选。
以下对粗糙集优选病害特征的过程进行重点阐述：
图3示出了基于粗糙集对棉花病害特征进行特征优选的方法步骤图。请参照图3，基于粗糙集对棉花病害图像上的病害特征进行特征优选的过程具体包括如下步骤：
步骤M1，以x1～x16这16个病害特征为条件属性构建棉花病害识别决策表；
步骤M2，对棉花病害识别决策表中的各个规则元素的元素值进行数据离散化处理；
步骤M3，对经数据离散化处理后的棉花病害识别决策表的属性进行约简处理，得到棉花病害识别决策表的相对最小属性约简；
步骤M4，以各相对最小属性约简为评估条件，对棉花病害图像的病害类型识别准确率进行评估，并根据评估准确率高低最终明确符合准确率识别预期的相对最小属性约简；
步骤M5，以最终明确的相对最小属性约简为优选依据，从x1～x16这16个病害特征中优选出棉花病害图像的优选病害特征，这些优选病害特征足以表征出病斑区域的病害特征。优选病害特征至少包括一个颜色特征和一个病斑纹理特征。
以下对粗糙集优选病害特征的过程进行详细阐述：
步骤M1中，构建的棉花病害识别决策表比如见下表a。
Figure BDA0002466138140000131
表a
表a中的u1～u8用于分别为不同的棉花病害图像(病害样本)。表a中各个规则元素的元素值为病害特征x1～x16的特征值经归一化处理后的值。
由于粗糙集要求样本的属性值(元素值)为离散型，而决策表a中的各条件属性的属性值均为连续型，所以首先需要对表a中的数据进行离散化处理。上述步骤M2中，优选采用等距离法对棉花病害识别决策表中的各个规则元素的元素值进行数据离散化处理。具体地，将表a中的条件属性的属性值离散为5个等级值。具体为，当条件属性的属性值在[0,0.2]之间取值为0，在[0.2,0.4]之间取值为1，在[0.4,0.6]之间取值为2，在[0.6,0.8]之间取值为3，在[0.8,1]之间取值为4。对条件属性值进行离散化的结果见下表b。
Figure BDA0002466138140000132
Figure BDA0002466138140000141
表b
步骤M3中，对表b进行约简处理的具体过程为现有技术，所以关于对表b的相对最小属性约简过程在此不做阐述。经约简处理后，得到表b的核属性比如为{x3，x5，x6，x12}，相对最小属性约简有{x3，x4，x5，x6，x9，x10，x12}，{x3，x5，x6，x10，x12，x15}，{x3，x5，x6，x10，x12}，{x3，x5，x6，x9，x12}和{x3，x4，x5，x6，x12}。
得到表b的相对最小属性约简后，需要以各相对最小属性约简为评估条件，对验证集中的棉花病害图像的病害类型识别准确率进行评估，并根据评估准确率的高低最终明确符合准确率预期的相对最小属性约简。具体地，在步骤M4中，可以以BP神经网络为评估器，以步骤M3得到的各相对最小属性约简为评估器的特征输入，输出对棉花病害种类的识别结果，然后根据识别结果的准确率高低优选出符合准确率识别预期的相对最小属性约简。比如，以{x3，x4，x5，x6，x9，x10，x12}为评估器特征输入时，识别准确率为85％；以{x3，x5，x6，x10，x12，x15}为评估器特征输入时，识别准确率为88％；以{x3，x5，x6，x10，x12}为评估器特征输入时，识别准确率为95％；以{x3，x5，x6，x9，x12}为评估器特征输入时，识别准确率为90％；以{x3，x4，x5，x6，x12}为评估器特征输入时，识别准确率为92％，若对于识别准确率的预期为93％以上，那么将{x3，x5，x6，x10，x12}作为最终明确的相对最小属性约简，以表征棉花病害图像的病害特征，将其他的x1、x2、x4、x7～x9、x11、x13～x16对应的病害特征视为冗余特征或次要特征进行过滤。
相对最小属性约简{x3，x5，x6，x10，x12}构成的决策表见下表c：
Figure BDA0002466138140000142
Figure BDA0002466138140000151
表c
由表c可知，当最终明确的相对最小属性约简为{x3,x5,x6,x10,x12}时，表示在RGB颜色空间下的棉花病害图像的R分量的二阶矩x3、G分量的二阶矩x5、G分量的三阶矩x6、角二阶矩x10和对比度x12对棉花病害种类的识别效果最好。
由此，通过粗糙集的属性约简处理，去除其中的冗余条件属性和次要条件属性，使决策表a的条件属性从16个精简到表c中的5个，大幅降低了棉花病害图像的数据维度。
另外需要强调的是，由于BP神经网络具有很强的非线性映射能力，本发明实施例优选采用BP神经网络，并以经特征优选后的棉花病害图像为BP神经网络的训练样本，训练形成棉花病害识别模型。由于基于粗糙集对棉花病害图像上的病害特征作了优选，所以作为训练样本的棉花病害图像的数据维度大幅降低，提升了模型训练的速度。而且由于BP神经网络具备较强的非线性映射能力，所以基于BP神经网络训练的棉花病害识别模型具有较好地稳定性和较高的识别精度。
另外，由于基于BP神经网络训练棉花病害识别模型的具体方法过程并非本发明要求权利保护的范围，所以关于模型训练的具体过程在此不做阐述。
本发明还提供了一种棉花病害识别系统，可实现上述的棉花病害识别方法，请参照图4，该系统包括：
图像采集模块1，用于采集棉花病害图像；
图像预处理模块2，连接图像采集模块1，用于对采集的棉花病害图像进行图像预处理，以提取出棉花病害图像上的病害特征；病害特征包括棉花病害图像上的病斑区域的颜色特征和病斑纹理特征；
病害特征优选模块3，连接图像预处理模块2，用于基于粗糙集对各病害特征进行特征优选，得到经特征优选后的棉花病害图像，
棉花病害识别模型训练模块4，连接病害特征优选模块3，用于以经特征优选后的棉花病害图像为BP神经网络的训练样本，训练形成棉花病害识别模型；
病害识别模块5，分别连接图像采集模块1和棉花病害识别模型训练模块4，用于通过棉花病害识别模型对采集的棉花病害图像进行病害识别分类，输出病害类型识别结果。
请参照图5，棉花病害识别系统中的病害特征优选模块3具体包括：
棉花病害识别决策表构建单元31，用于以棉花病害图像上的各病害特征为条件属性构建棉花病害识别决策表；
数据离散化处理单元32，连接棉花病害识别决策表构建单元31，用于对棉花病害识别决策表中的各规则元素的元素值进行数据离散化处理；
决策表属性约简处理单元33，连接数据离散化处理单元32，用于对经数据离散化处理后的棉花病害识别决策表的属性进行约简处理，得到棉花病害识别决策表的相对最小属性约简；
棉花病害类型识别评估单元34，连接决策表属性约简处理单元33，用于以经约简处理得到的各相对最小属性约简为评估条件，对棉花病害图像的病害类型的识别准确率进行评估，并根据评估准确率高低最终明确符合准确率识别预期的相对最小属性约简；
病害特征优选单元35，连接棉花病害类型识别评估单元34，用于以最终明确的相对最小属性约简为依据，从图像预处理得到的各病害特征中优选出棉花病害图像的优选病害特征，形成经特征优选后棉花病害图像；优选病害特征包括至少一个颜色特征和至少一个病斑纹理特征。
应用棉花病害识别系统优选病害特征的过程同上述的基于粗糙集优选病害特征的过程，在此不再赘述。棉花病害识别系统对棉花病害图像的图像预处理过程如上所述，在此同样不再赘述。
综上，本发明基于粗糙集对棉花病害图像进行病害特征优选，经特征优选后得到的棉花病害图像大幅降低了图像数据维度，进而提高了棉花病害识别模型的训练速度。另外，本发明以降维后的棉花病害图像为训练样本，并基于具有较强非线性映射能力的BP神经网络训练形成的棉花病害识别模型具有更高地识别精度。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (10)

1.一种基于粗糙集和BP神经网络的棉花病害识别方法，其特征在于，包括：
对棉花病害图像进行图像预处理，以提取所述棉花病害图像上的病害特征，所述病害特征包括所述棉花病害图像上的病斑区域的颜色特征和病斑纹理特征；
基于粗糙集对提取的所述棉花病害图像的所述病害特征进行特征优选，得到经特征优选后的所述棉花病害图像；
以经特征优选后的所述棉花病害图像为BP神经网络的训练样本，训练形成棉花病害识别模型；
利用所述棉花病害识别模型对所述棉花病害图像进行病害识别，输出病害类型识别结果。
2.如权利要求1所述的棉花病害识别方法，其特征在于，对所述棉花病害图像进行图像预处理的方法包括如下步骤：
步骤L1，对所述棉花病害图像进行颜色空间转换，得到每张所述棉花病害图像对应的H分量图像、a*分量图像和b*分量图像；
步骤L2，对所述H分量图像、所述a*分量图像和所述b*分量图像进行图像滤波处理，去除各分量图像的图像噪声；
步骤L3，对经图像滤波处理后的所述H分量图像、所述a*分量图像和所述b*分量图像进行图像分割处理，以在各分量图像上区分出所述病斑区域；
步骤L4，对经图像分割处理后的所述H分量图像、所述a*分量图像和所述b*分量图像进行图像融合，得到H+a*+b*分量图像；
步骤L5，对所述H+a*+b*分量图像进行图像二值化处理，得到棉花病斑二值图像；
步骤L6，对所述病斑二值图像与原始的未作图像预处理的所述棉花病害图像作交集运算，得到一交集图；
步骤L7，提取出所述交集图上的所述病斑区域的所述颜色特征和所述病斑纹理特征。
3.如权利要求2所述的棉花病害识别方法，其特征在于，所述步骤L1中，对所述棉花病害图像进行颜色空间转换包括将RGB颜色空间下的所述棉花病害图像转换到HSI颜色空间和L*a*b*颜色空间，将所述棉花病害图像从所述RGB颜色空间转换到所述HSI颜色空间通过以下公式实现：
Figure FDA0002466138130000011
Figure FDA0002466138130000021
Figure FDA0002466138130000022
Figure FDA0002466138130000023
上式中，θ为两个待比较颜色在所述RGB颜色空间的矢量角度；
R为所述RGB颜色空间中R颜色分量的颜色值；
G为所述RGB颜色空间中G颜色分量的颜色值；
B为所述RGB颜色空间中B颜色分量的颜色值；
H为经HSI颜色空间转换后的所述棉花病害图像的色调；
S为经HSI颜色空间转换后的所述棉花病害图像的饱和度；
I为经HSI颜色空间转换后的所述棉花病害图像的强度；
所述H分量图像为过滤掉HSI颜色空间下的饱和度S、强度I，保留色调H后的所述棉花病害图像。
4.如权利要求2所述的棉花病害识别方法，其特征在于，所述步骤L2中，对所述H分量图像、所述a*分量图像和所述b*分量图像进行图像滤波的方法为高斯滤波。
5.如权利要求2所述的棉花病害识别方法，其特征在于，所述步骤L3中，对经图像滤波处理后的所述H分量图像、所述a*分量图像和所述b*分量图像进行图像分割的方法为最大类间方差法。
6.如权利要求2所述的棉花病害识别方法，其特征在于，所述步骤L7中，通过颜色矩提取所述交集图上的所述病斑区域的所述颜色特征；
通过灰度共生矩阵提取所述交集图上的所述病斑区域的所述病斑纹理特征。
7.如权利要求6所述的棉花病害识别方法，其特征在于，至少通过所述颜色矩的一阶矩、二阶矩和三阶矩提取所述病斑区域的所述颜色特征，其中，所述病斑区域对应的一阶矩颜色特征的特征值xRGB1通过以下公式(1)计算而得：
Figure FDA0002466138130000024
公式(1)中，D用于表示所述棉花病害图像中病斑所在的所述病斑区域；
Pi用于表示所述病斑区域内第i个像素的灰度值；
N为所述病斑区域内的像素个数；
所述病斑区域对应的二阶矩颜色特征的特征值xRGB2通过以下公式(2)计算而得：
Figure FDA0002466138130000031
所述病斑区域对应的三阶矩颜色特征的特征值xRGB3通过以下公式(3)计算而得：
Figure FDA0002466138130000032
8.如权利要求6所述的棉花病害识别方法，其特征在于，通过所述灰度共生矩阵中的角二阶矩、熵、对比度，局部平稳、自相关、均值和方差至少7个矩阵特征提取所述病斑区域的所述病斑纹理特征。
9.如权利要求1所述的棉花病害识别方法，其特征在于，基于粗糙集对所述棉花病害图像上的所述病害特征进行特征优选的过程如下：
以所述棉花病害图像上的各所述病害特征为条件属性构建棉花病害识别决策表；
对所述棉花病害识别决策表中的各个规则元素的元素值进行数据离散化处理；
对经数据离散化处理后的所述棉花病害识别决策表的属性进行约简处理，得到所述棉花病害识别决策表的相对最小属性约简；
以各所述相对最小属性约简为评估条件，对所述棉花病害图像的病害类型识别准确率进行评估，并根据评估准确率高低最终明确符合准确率识别预期的所述相对最小属性约简；
以最终明确的所述相对最小属性约简为优选依据，从图像预处理得到的各所述病害特征中优选出所述棉花病害图像的优选病害特征，并将经特征优选后的所述棉花病害图像作为所述BP神经网络的所述训练样本；所述优选病害特征包括至少一个所述颜色特征和至少一个所述病斑纹理特征。
10.一种棉花病害识别系统，可实现如权1～9任意一项所述的棉花病害识别方法，其特征在于，包括：
图像采集模块，用于采集所述棉花病害图像；
图像预处理模块，连接所述图像采集模块，用于对采集的所述棉花病害图像进行图像预处理，以提取出所述棉花病害图像上的所述病害特征；所述病害特征包括所述棉花病害图像上的所述病斑区域的所述颜色特征和所述病斑纹理特征；
病害特征优选模块，连接所述图像预处理模块，用于基于粗糙集对各所述病害特征进行特征优选，得到经特征优选后的所述棉花病害图像，所述病害特征优选模块中包括：
棉花病害识别决策表构建单元，用于以所述棉花病害图像上的各所述病害特征为条件属性构建所述棉花病害识别决策表；
数据离散化处理单元，连接所述棉花病害识别决策表构建单元，用于对所述棉花病害识别决策表中的各规则元素的元素值进行数据离散化处理；
决策表属性约简处理单元，连接所述数据离散化处理单元，用于对经数据离散化处理后的所述棉花病害识别决策表的属性进行约简处理，得到所述棉花病害识别决策表的相对最小属性约简；
棉花病害类型识别评估单元，连接所述决策表属性约简处理单元，用于以经约简处理得到的各所述相对最小属性约简为评估条件，对所述棉花病害图像的病害类型的识别准确率进行评估，并根据评估准确率高低最终明确符合准确率识别预期的所述相对最小属性约简；
病害特征优选单元，连接所述棉花病害类型识别评估单元，用于以最终明确的所述相对最小属性约简为依据，从图像预处理得到的各所述病害特征中优选出所述棉花病害图像的优选病害特征，形成经特征优选后的所述棉花病害图像；所述优选病害特征包括至少一个所述颜色特征和至少一个所述病斑纹理特征；
棉花病害识别模型训练模块，连接所述病害特征优选模块，用于以经特征优选后的所述棉花病害图像为所述BP神经网络的训练样本，训练形成所述棉花病害识别模型；
病害识别模块，分别连接所述图像采集模块和所述棉花病害识别模型训练模块，用于通过所述棉花病害识别模型对采集的所述棉花病害图像进行病害识别分类，输出病害类型识别结果。
CN202010336253.1A 2020-04-24 2020-04-24 基于粗糙集和bp神经网络的棉花病害识别方法及系统 Pending CN111429455A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010336253.1A CN111429455A (zh) 2020-04-24 2020-04-24 基于粗糙集和bp神经网络的棉花病害识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010336253.1A CN111429455A (zh) 2020-04-24 2020-04-24 基于粗糙集和bp神经网络的棉花病害识别方法及系统

Publications (1)

Publication Number Publication Date
CN111429455A true CN111429455A (zh) 2020-07-17

Family

ID=71558754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010336253.1A Pending CN111429455A (zh) 2020-04-24 2020-04-24 基于粗糙集和bp神经网络的棉花病害识别方法及系统

Country Status (1)

Country Link
CN (1) CN111429455A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471747A (zh) * 2022-08-30 2022-12-13 广东省农业科学院环境园艺研究所 一种山茶花病虫害和生理病害的ai快速判识方法及应用

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446942A (zh) * 2016-09-18 2017-02-22 兰州交通大学 基于增量学习的农作物病害识别方法
CN107330892A (zh) * 2017-07-24 2017-11-07 内蒙古工业大学 一种基于随机森林法的向日葵病害识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446942A (zh) * 2016-09-18 2017-02-22 兰州交通大学 基于增量学习的农作物病害识别方法
CN107330892A (zh) * 2017-07-24 2017-11-07 内蒙古工业大学 一种基于随机森林法的向日葵病害识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张建华 等: "基于粗糙集和BP神经网络的棉花病害识别", 农业工程学报, vol. 28, no. 7, pages 1 - 2 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471747A (zh) * 2022-08-30 2022-12-13 广东省农业科学院环境园艺研究所 一种山茶花病虫害和生理病害的ai快速判识方法及应用
CN115471747B (zh) * 2022-08-30 2023-05-09 广东省农业科学院环境园艺研究所 一种山茶花病虫害和生理病害的ai快速判识方法及应用

Similar Documents

Publication Publication Date Title
CN107578418B (zh) 一种融合色彩和深度信息的室内场景轮廓检测方法
CN108319973B (zh) 一种树上柑橘果实检测方法
CN103559507B (zh) 基于颜色与形状特征相结合的交通标志检测方法
CN104966085B (zh) 一种基于多显著特征融合的遥感图像感兴趣区域检测方法
CN106023151B (zh) 一种开放环境下中医舌象目标检测方法
CN110033007B (zh) 基于深度姿态预估和多特征融合的行人衣着属性识别方法
CN106960182B (zh) 一种基于多特征集成的行人再识别方法
CN102844766A (zh) 基于人眼图像的多特征融合身份识别方法
CN108563979B (zh) 一种基于航拍农田图像判别水稻稻瘟病病情的方法
CN111666845B (zh) 基于关键帧采样的小样本深度学习多模态手语识别方法
CN102930249A (zh) 基于颜色和模型的农田害虫识别和计数方法
CN112906550B (zh) 一种基于分水岭变换的静态手势识别方法
CN111008647B (zh) 一种样本提取及基于空洞卷积与残差链接的图像分类方法
CN104598888B (zh) 一种人脸性别的识别方法
CN111160194B (zh) 一种基于多特征融合的静态手势图像识别方法
WO2018019149A1 (zh) 人体性别自动识别方法及装置
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN116630960B (zh) 基于纹理-颜色多尺度残差收缩网络的玉米病害识别方法
CN107705254A (zh) 一种基于街景图的城市环境评估方法
CN110598574A (zh) 智能人脸监控识别方法及系统
Wesolkowski et al. Global color image segmentation strategies: Euclidean distance vs. vector angle
CN116524224A (zh) 一种基于机器视觉的烤后烟叶类型检测方法及系统
CN113129390A (zh) 一种基于联合显著性的色盲图像重新着色方法及系统
CN114937298A (zh) 一种基于特征解耦的微表情识别方法
CN109165551B (zh) 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200717

WD01 Invention patent application deemed withdrawn after publication