CN113112451A - 基于图像处理的绿色叶片病害特征优化及病害识别方法 - Google Patents
基于图像处理的绿色叶片病害特征优化及病害识别方法 Download PDFInfo
- Publication number
- CN113112451A CN113112451A CN202110249740.9A CN202110249740A CN113112451A CN 113112451 A CN113112451 A CN 113112451A CN 202110249740 A CN202110249740 A CN 202110249740A CN 113112451 A CN113112451 A CN 113112451A
- Authority
- CN
- China
- Prior art keywords
- image
- disease
- optimization
- feature
- features
- 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
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 61
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 230000003902 lesion Effects 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 206010039509 Scab Diseases 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 22
- 239000003016 pheromone Substances 0.000 claims description 15
- 241000257303 Hymenoptera Species 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000003711 image thresholding Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 210000000349 chromosome Anatomy 0.000 description 14
- 108090000623 proteins and genes Proteins 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 240000008067 Cucumis sativus Species 0.000 description 5
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 241000221785 Erysiphales Species 0.000 description 3
- 241000233679 Peronosporaceae Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003500 gene array Methods 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 206010034960 Photophobia Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 208000013469 light sensitivity Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20024—Filtering details
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像数据处理技术领域，提供了一种基于图像处理的绿色叶片病害特征优化及病害识别方法，包括如下步骤：采用标准差自适应的高斯滤波降噪声算法对图像进行预处理，得到预处理图像；利用超绿特征的最大类间方差法，将预处理图像的背景部分去除，完成图像分割，提取出病斑图像；对病斑图像进行特征提取，并利用蚁群算法对特征的空间进行降维优化，得到优化特征组合；选用GA‑BP神经网络(利用遗传算法进行权阈值优化的BP神经网络)作为分类器进行病害分类识别。借此，本发明能够利用图像处理技术准确识别叶片病斑种类，省时省力，能够在农业种植领域大范围推广使用，有助于提高农作物的产量和农产品的质量，降低劳动强度。
Description
技术领域
本发明涉及图像数据处理技术领域，尤其涉及一种基于图像处理的绿色叶片病害特征优化及病害识别方法。
背景技术
当前我国正处于传统农业向现代农业转型升级的关键时期，如何提高农作物的产量和农产品的质量、如何解放劳动力成为研究热点。传统作物诊断主要是通过农业专家进行，但是农业专家的服务能力取决于其自身的经验知识，其诊断主观性强，无法做到精准。另外，农业专家服务区域范围有限，我国又是一个农业大国，对农业专家的需求量大，产生了具备丰富经验的农业专家数量无法满足当前农业发展需求的矛盾。随着图像处理及人工智能的技术的应用和发展，利用图像处理对作物病虫害进行预测和诊断具有重要的经济与社会价值。但是目前的病虫害技术来讲，还存在着识别效率和识别准确率不高、识别种类不多、训练需求样本大等痛点问题。
综上可知，现有技术在实际使用上显然存在不便与缺陷，所以有必要加以改进。
发明内容
针对上述的缺陷，本发明的目的在于提供一种基于图像处理的绿色叶片病害特征优化及病害识别方法，其能够利用图像处理技术准确识别叶片病斑种类，省时省力，能够在农业种植领域大范围推广使用，有助于提高农作物的产量和农产品的质量，降低劳动强度。
为了实现上述目的，本发明提供一种基于图像处理的绿色叶片病害特征优化及病害识别方法，包括如下步骤：
步骤一图像预处理
采用标准差自适应的高斯滤波降噪声算法对图像进行预处理，降低图像采集过程中产生的噪声，得到预处理图像。
步骤二图像分割与提取
利用基于超绿特征的最大类间方差法，将所述预处理图像的背景部分去除，完成图像分割，提取出叶片图像；再从叶片图像中提取病斑图像。
步骤三图像特征提取及优化
对所述病斑图像进行特征提取，并利用蚁群算法对所述特征的空间进行降维优化，得到优化特征组合数据。
步骤四分类识别
将所述优化特征组合数据作为输入量，建立三层的BP神经网络，并利用遗传算法对BP神经网络的初始权值和阈值进行优化，利用训练样本进行模型构建，实现对叶片病害种类的识别。
进一步的，所述高斯滤波降噪声算法的标准差σ通过卷积窗口区域内像素点的像素值方差求得。
进一步的，使用所述最大类间方差法对所述预处理图像进行分割提取过程中，包括如下步骤：
A1提取所述预处理图像的红、绿、蓝三个颜色通道的图像，生成超绿图像；
A2图象阈值分割：利用一维OSTU方法对所述超绿图像进行图像分割，分割出二值图像；
A3背景图像分割：遍历所述二值图像所有像素点，结合所述预处理图像，提取出所述预处理图像中的叶片图像；
A4病斑图像提取：从所述叶片图像中提取病斑图像。
进一步的，对所述病斑图像进行特征提取的过程中，特征包括颜色特征、纹理特征和形态特征。
进一步的，所述颜色特征的指标包括一阶颜色矩、二阶颜色矩和三阶颜色矩。
进一步的，采用灰度共生矩阵方法提取所述病斑图像的纹理特征。
进一步的，所述纹理特征指标包括最大概率值、能量、熵、对比度、相关性、均匀性、形态特征、病斑平均面积、病斑周长、最小矩形面积、矩形度、复杂度和宽长。
8、根据权利要求1所述的基于图像处理的绿色叶片病害特征优化及病害识别方法，其特征在于，利用蚁群算法进行降维优化包括如下步骤：
S1问题的数学定义
问题定义：设一组22维的特征为{w1,w2,......,w11,......,w21,w22}，从特征集合中选出最优子集；
S2问题解的建立
用R只蚂蚁建立问题的解，解集合用{q1,j,q2,j,......,q11,j,......,q21,j,q22,j}表示；
S3适应度函数确定
将分类准确率和特征数量作为参数纳入适应度函数；
S4局部搜索和信息素更新
利用局部搜索策略提高蚂蚁解集合的质量；所有蚂蚁局部搜索完成后，为一次迭代，每次迭代后，挑选出表现最优的10％的蚂蚁的解集合进行信息素增强；
S5停止条件
选择最大运行次数T0作为终止条件。
进一步的，分类识别过程中，采用三层BP神经网络，所述三层BP神经网络包括输入层、隐藏层和输出层。
进一步的，所述初始权值和初始阈值的优化包括如下步骤：m1编码及初始化种群；m2建立适应度函数；m3建立选择、交叉、变异函数；m4确定终止次数。
本发明的目的在于提供一种基于图像处理的绿色叶片病害特征优化及病害识别方法，利用标准差自适应的高斯滤波去噪声算法降低环境、设备等给图片带来的噪声，利用基于超绿特征的OSTU分割方法实现病斑图像的高质量分割；利用蚁群算法对图片特征实现优化降维，提高训练及识别效率，降低无关特征带来的干扰；提取多个特征组合作为分类器算法输入量，利用蚁群算法对BP神经网络初始权阈值进行优化，改善了BP神经网络随权、阈值所带来的局部收敛缺陷，提高了识别准确率。对叶片病害的预测实验结果显示，本发明的病斑图像识别识别方法，准确率为97.5％，通过与单纯BP神经网络作为分类器的算法比较显示，GA-BP神经网络分类器具有明显的优势。综上所述，本发明的有益效果为：能够利用图像处理技术准确识别叶片病斑种类，省时省力，能够在农业种植领域大范围推广使用，有助于提高农作物的产量和农产品的质量，降低劳动强度。
附图说明
图1是本发明经过图像降噪后的图片；
图2是本发明目标图像提取流程图；
图3是本发明经过提取处理后得到的目标图像；
图4是本发明提取到的病斑图像；
图5是本发明利用GA-BP对病斑叶片进行分类预测的流程图；
图6是本发明三层BP神经网络拓扑结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种基于图像处理的绿色叶片病害特征优化及病害识别方法，包括如下步骤：
步骤一 图像预处理
图像采集过程中，受环境、采集设备等因素的制约，图像会产生噪声，干扰后期的图像分割、特征提取以及分类识别，因此，需要对图像进行图像降噪的预处理，降低图像采集过程中环境、采集设备等产生的噪声。
图像降噪主要目的是降低环境因素对图片质量的影响，使原始图像达到更好地处理效果，为特征提取、分类识别做准备。
本发明采用标准差自适应的高斯滤波降噪声算法对图像进行预处理。
对于大小为(2k+1)×(2k+1)的卷积窗口，高斯核中(i,j)位置处元素值的计算公式如下：
为解决人为设定标准差σ导致图像细节丢失差异偏大的影响，本算法采用自适应的σ值；由公式可知，σ值越大高斯滤波器的频带就越宽，平滑程度就越好。
另外，通过分析发现，像素点的标准差σ与像素点的像素值方差有着正相关关系，因此，本发明通过方差求得标准差σ，解决人为主观设定存在的问题，卷积窗口区域内像素点的像素值方差公式如下：
式中，f(i,j)代表以(i,j)为中心的(2k+1)×(2k+1)的区域范围。方差越大，代表区域内的离散程度越强，需要减少σ；方差越小，代表区域内的离散程度越小，需要增加σ。根据这一特性将D(i,j)与f(i,j)建立联系，得到函数R(i,j)；
R(i,j)≈D(i,j)×2πσ2，得出，自适应σ：
由此可以看出，R固定时，当方差D越大，σ值越小，高斯滤波器的频带就越窄，就越容易保留当前的细节。经过图像降噪后的图片如图1所示。
步骤二 图像分割与提取
利用图像处理技术，将预处理图像的背景部分去除，提取出叶片区域。
病害识别过程中的输入图片包括背景噪声，背景噪声对特征提取及分类识别都有很大影响，连续的病害分析需要进行良好的叶片分割。
本发明以绿色病害叶片为例，结合叶片的色彩特征采用一种基于超绿特征的最大类间方差方法(OTSU)，该方法增加了绿色通道的权重值，使得RGB图像中的绿色分量更加突出，可用于绿色叶片病害的图像分割中。具体方法步骤如下：
A1超绿图像生成：提取预处理图像的R、G、B三个颜色通道的图像，超绿图像的生成公式如下：
式中，Y为超绿图像的灰度值，R(i,j)、G(i,j)、B(i,j)分别为图像(i,j)位置处红、绿、蓝三个通道像素值。
A2图象阈值分割：利用一维OSTU方法对预处理图像进行图像分割，该方法能够自适应二值化阈值调整，分割出目标叶片。
假设预处理图像的灰度级为[0,L-1]，其像素总数为N，阈值T将图像分为[0,T]的背景目标(记为类B)和[T+1,L-1]的前景目标(记为类P)，分别用Pb和Pp表示其出现的概率,Pb和Pp的表示公式如下：
B、P两类的灰度值平均值分别用μb、μp表示，两肋间的方差定义σ2，σ2公式如下：σ2＝Pb(ub-u0)2+Pp(up-u0)2，式中：
使得方差σ2最大的阈值Topt就是最佳阈值，定义为：
利用最佳阈值Topt对预处理图像进行二值化，得到最终的二值化图像，然后经过基本的值化膨胀和腐蚀，开运算，闭运算操作，去除孔洞得到最终二值图像。
A3背景图像分割：遍历二值图像所有像素点，结合预处理图像，提取出预处理图像中的叶片图像，该叶片图像即为目标图像。
用h(x,y)代表新生成的空白图像，f(x,y)代表预处理图像，g(x,y)代表二值化图像。首先，新建空白图像h(x,y)，尺寸与f(x,y)一致；然后遍历g(x,y)中所有像素点，如果像素点g(x,y)位置对应灰度值为1，对应像素点的h(x,y)则等于原始图像f(x,y)的像素值，如果为g(x,y)灰度值0，对应像素点的h(x,y)的像素值则为(0,0,0)；如果遍历完毕，则生成目标图像h(x,y)，如果没有遍历完毕，再继续遍历g(x,y)中所有像素点。目标图像提取流程图见图2，经过提取处理后得到的目标图像见图3。
A4病斑图像提取：经过背景分割处理后可得到较为完整的叶片图片，为了提高识别有效性，减少干扰，还需要进一步的从叶片图像中提取病斑图像。
由于本发明以绿色病害叶片为例，考虑到叶片图像颜色为绿色特征，利用上述图象阈值分割方法反向剔除绿色叶片背景，最终提取到病斑图像。病斑图像见图4。
步骤三 图像特征提取及优化
对图像分割后的图片进行特征提取，特征提取主要包括：颜色、纹理特征、形态特征等，并利用优化算法对原始特征空间进行降维优化，提升模型泛化能力。
1、图像特征提取
a颜色特征
一阶颜色矩
式中，μk代表K通道的一阶颜色矩，代表病害叶片病斑的明暗度；Pkj代表K通道的灰度值，N代表K通道的有效像素数量(非零像素值)。
二阶颜色矩
式中，σk代表二阶颜色矩，代表黄瓜病变叶片病斑图像中的颜色分布情况；Pkj代表K通道的灰度值，N代表K通道的有效像素数量(非零像素值)；μk代表K通道的一阶颜色矩。
三阶颜色矩
式中，Sk代表三阶颜色矩，代表黄瓜病变叶片病斑图像的颜色空间分布对称性；Pkj代表K通道的灰度值，N代表K通道的有效像素数量(非零像素值)；μk代表K通道的一阶颜色矩。
b纹理特征
采用灰度共生矩阵提取叶片病斑纹理图像特征。灰度共生矩阵是一种通过分析灰度值的空间相关性来描述纹理的常用方法，灰度共生矩阵是目标图像上相隔一定距离的两像素分别具有某灰度的状况进行统计。为了减少计算量，将256个灰度级划分为L个级别，按照步距为d，沿四个方向(0°，45°，90°，135°)进行计算，并求取特征值，取特征值的平均值，并进行归一化处理，得到最终的灰度共生矩阵，表示如下：
最大概率值
式中，Pd_max代表病变叶片病斑图像灰度共生矩阵中最强的响应度，Pd(i,j)分别代表灰度级i和j的响应情况。
能量
式中，Asm代表灰度图像纹理分布的均匀性度量，用于反映病变叶片病斑图像纹理的粗细程度，Asm与粗细程度成反比，Asm越小，代表病变叶片病斑图片表面纹理越细，Asm越大，代表病变叶片病斑图片叶片纹理越粗。
熵
式中，Ent是目标图像纹理信息量的度量，能够反映病变叶片病斑图像纹理的复杂程度。熵值ASM越小，纹理图像复杂度越低，反之，则越复杂。
对比度
式中，Con是目标图像纹理辨识程度的度量，目标图像纹理越深，Pd(i,j)数值分布越均匀，Con值越大，图像纹理越清晰。反之，图像纹理则越模糊。
相关性
式中，Cor是描述图像灰度值相似程度的度量，u1,u2分别代表像素i和j的均值，σ1 2，σ2 2分别是像素i和像素j的方差。
均匀性
式中，Hom是描述图像局部平稳性的度量，能够反映图像局部同质性和局部纹理变化的情况。
c形态特征
病斑平均面积
式中，A是图像中的病斑面积的衡量度量，病斑面积用病斑图像所包含的像素总数表示。
病斑周长L＝A-SUM(in)，式中，L是图像中病斑形状周长的衡量度量，周长用边缘像素总和表示。SUM(in)代表8个相邻像素全部为目标点的像素总数。
圆形度
式中，Cir是描述病斑图像圆形度的度量，Cir的取值范围为[0-1]，越接近于1，代表病斑图像越接近于原型。
最小矩形面积Amer＝Lmer×Wmer，式中，Amer是病斑图像最小矩形面积的衡量度量，Lmer是最小外包围矩形的长，Wmer是最小外包围矩形的宽。
矩形度
式中，Rec是描述病斑图形矩形度的度量，A代表病斑图像的面积，Rcr代表病斑图像外接矩形面积。Rec越大，代表越接近于矩形。
复杂度
式中，C是反映病斑图像形状复杂情况的度量，C值越大，病斑图像越复杂，反之，则越简单。
宽长比
式中，R是衡量病斑图像长宽比的度量，R越大，代表越病斑图像越细长。
2、特征组合优化
多个病斑特征对病害识别的贡献程度有差异，从计算公式中可以看出，部分特征之间存在着一定的相关关系，可能存在一定的共线性问题。同时，引入无关特征或分类能力差的特征可能导致分类器产生噪声，会降低识别的效率和准确率。为此，本发明使用蚁群算法(Ant Colony algorithm,ACA)进行特征组合优化。组合优化的步骤如下(本发明选用22个病斑特征)：
S1问题的数学定义
问题定义：设一组22维的特征为{w1,w2,......,w11,......,w21,w22}，从特征集合中选出最优子集。
S2问题解的建立
用R只蚂蚁建立问题的解，解集合用{q1,j,q2,j,......,q11,j,......,q21,j,q22,j}表示，解集合中每一个元素的取值代表了该特征的选择情况，0代表未选择，1代表选择。初始时刻，每个特征解的信息素一样(标记为τ0)。用τi,j代表特征Wi的解j(j∈{0,1})的信息素，因此，每个特征都有两个解，也就有两个信息素。信息素矩阵用Ph表示。
每次迭代时，每只蚂蚁均产生一个0～1间的随机数序列{r(l)1,r(l)2,......,r(l)11,......,r(l)21,r(l)22}，其序列长度同特征维度一致，设定阈值r0，如果r(l)i<r0，特征wi最大信息素值的解被选中；如果r(l)i>r0则采用轮盘赌算法选择对应解。其表示如下：
式中，Pi,j代表轮盘赌算法中，特征wi对应的解为j的归一化概率，用于选择解。
S3适应度函数确定
将分类准确率和特征数量作为参数纳入适应度函数，其表示如下：
式中，F(l)代表蚂蚁l所生成解的适应度值；Rc(l)代表用蚂蚁l生成解作为特征集生所对应的分类正确率；λ代表权重参数；n(l)代表蚂蚁l生成解所对应的特征集的特征数量。
S4局部搜索和信息素更新
利用局部搜索策略来提高蚂蚁解集合的质量。每次全局搜索完成后，每只蚂蚁均产生一个0～1间的随机数序列，标记为{ram(l)1,ram(l)2,......ram(l)11,......,ram(l)21,ram(l)22}，其序列长度同特征维度一致，ram(l)11决定了第i个特征解L次迭代时候变异情况。设定阈值ram0，当ram(l)11<ram0，则对应位特征值进行取反操作，重新计算适应度函数，如果适应度函数高于局部搜索钱适应度函数，用当前特征解结合取代原先特征解结合，否则原特征解集合不变。
所有蚂蚁局部搜索完成后，算作一次迭代。每次迭代后，挑选出表现最优的10％的蚂蚁的解集合进行信息素增强，其更新规则公式如下：
式中，ρ代表信息素保留系数，ρ∈[0,1]，ρ越大代表信息素挥发越慢。L代表10％表现最优的蚂蚁；如果特征wi被蚂蚁l选中，则
如果特征wi未被蚂蚁l选中，则
S5停止条件
选择最大运行次数T0作为终止条件。
步骤四 分类识别
优化后的特征数据作为输入样本，采用BP神经网络(GA-BP)算法进行样本分类识别。利用GA-BP对病斑叶片进行分类预测的流程图见图5所示。
BP神经网络是一种误差逆传播训练的前馈神经网络，是目前应用最为广泛的神经网络模型之一，主要包括前向传递和误差逆传播。在前向传递中，如果输出层得不到期望输出量，则误差就会反向传递，重新调整权值和阈值，从而使输出量不断的逼近期望输出量。
本发明采用三层BP神经网络，分别是输入层、隐藏层和输出层。选取经过蚁群算法优化后的m个特征作为输入参数。输出层，n个输出量对应黄瓜病斑的类型。神经元数量根据经验公式和计算结果均方误差确定，公式如下：
式中，a为1～10的常数。m×q×n的三层BP神经网络拓扑结构见图6。
隐藏层的传递函数f(x)选取值域为(0,1)内的激活函数sigmoid函数；输出层的传递函数f’(x)选取softmax函数作为激活函数。
Sigmoid函数为：
Softmax函数为：
隐含层的输入量与输出量关系为：
式中，wi,k代表第i个输入量xi到第k个神经元的权重，θk代表第k个神经元的偏置阈值。
输出层输入量与输入量的关系为：
式中，w'k,v代表第k个输入量Hk到第v个神经元的权重，θv代表第v个神经元的偏置阈值。
遗传算法是一种模拟生物进化论的启发式搜索优化算法，利用遗传算法对BP神经网络的初始权值和初始阈值进行优化，以避免分配权、阈值随机性和易于局部收敛的缺点，提高训练后的BP神经网络模型的准确率，实现对病害叶片的更精准预测。
权阈值优化步骤如下：m1编码及初始化种群；m2建立适应度函数；m3建立选择、交叉、变异函数；m4确定终止次数。
m1编码及初始化种群
本发明中BP神经网络模型采用的是3层的m×q×n的网络拓扑结构，隐藏层共有m×q个权重系数、q个阈值系数，输出层有q×n个权重系数、n个阈值系数，所以共有m×q+q×n+q+n个权阈值，即染色体长度为m×q+q×n+q+n。染色体是上节BP神经网络模型wi,k，θk，w'i,k，θ'k权阈值系数有序组合在一起的实数数组。初始化种群，设种群规模为B。
m2建立适应度函数
将BP神经网络模型的输出量与期望输出量之间的误差绝对值平方和总和作为个体适应度值，适应度越低代表模型输出量与期望输出量越接近，模型越精确，其计算公式为：
式中，F(v)代表个体V的适应度值，
代表测试集第k个样本的第i个输出量的期望输出值，D代表测试集样本数量。
m3建立选择、交叉、变异函数
建立染色体选择方法
采用轮盘赌法进行染色体选择，每个个体v选择概率公式为：
式中，P(v)代表个体被选择的概率，B代表个体种群数量，F(v)代表个体V的适应度值。
建立交叉函数
染色体采用实数数组进行编码，所以采用实数交叉发进行交叉操作。假设染色体x和染色体y进行交叉，交叉点为e，交叉后的染色体为x'和y',则x'和y'表示为：
式中，x0,e代表染色体x中第0到e的连续基因数组；ye+1,p代表染色体y中第(e+1)到p的连续基因数组；y0,e代表染色体y中第0到e的连续基因数组；xe+1,p代表染色体x中第(e+1)到第p的连续基因数组；p代表染色体中基因总数量。e由随机数b(值域：[0,1])确定，表示为：e＝b×p＝b×(m×q+q×n+q+n)。
建立变异函数
选取第z个染色体的第f个基因zf进行变异，变异的公式为：
式中，z′f为w染色体变异后的基因；
为zf基因的上界值，
为zf基因的下界值；r代表随机数，值域[0,1]；s代表当前迭代次数；G代表总迭代次数。
为了验证本发明基于图像处理的绿色叶片病害特征优化及病害识别方法，本发明选取黄瓜霜霉病、白粉病、褐斑病、炭疽病四种以叶片病斑为直接表现的黄瓜病害作为试验对象，每种病害叶片各选取60个样本作为训练样本，20个作为测试样本。
经过步骤一的图像预处理和步骤二的图像分割与提取后，均可以获得良好的分割效果，并且经过试验显示，基于超绿特征的图像分割方法对光线敏感程度和颜色变化不同的黄瓜病斑叶片均具有良好的鲁棒性，为步骤三的图像特征提取和优化、步骤四的分类识别奠定基础。
试验中，步骤三的图像特征提取和优化，利用蚁群算法对提取的22个特征进行优化组合，优化效果以适应度作为最终判别标准。22个特征向量按照表1的顺序进行编码，1代表选择该特征，0代表未选择该特征。
表1 特征向量顺序编码表
试验设置蚂蚁数量为100，提取特征数量为22，信息素保留系数ρ取值0.5，信息素更新比例L为10％，特征解选择阈值r0取0.3，适应度函数随机参数λ根据实际试验情况取值为0.01，局部搜索系数ram0取值0.05。优化算法共进行5次，每次迭代次数设置为10，运行结果见表2。
表2 蚁群算法优化后的组合结果
从表2可以看出，当特征组合为“1101101000001110010010”时，识别准确率和准确度都达到了最高，分别为97.5％和88.63％。因此，我们选择一阶颜色矩(R1)、一阶颜色矩(G1)、二阶颜色矩(R2)、二阶颜色矩(G2)、三阶颜色矩(R3)、对比度、相关性、均匀性、圆形度、复杂度的特征组合用于分类识别。
选定经过蚁群算法优化后的10个变量作为输入层输入量，选定分类的4种病斑类别(霜霉病、白粉病、褐斑病、炭疽病)作为输出层输出量，确定隐藏层神经元数量为13个，建立10×13×4的神经网络。利用遗传算法对初始化权值和阈值进行优化，初始化种群规模为50，迭代次数为5。
结果显示，测试集识别准确率高达97.5％，1例白粉病识别为霜霉病，1例褐斑病识别为炭疽病，可能是由于病害特征之间有一定相似性或采集样本多种病害融所造成的的。具体识别结果见表3。
表3 四种病斑图像的识别情况
为了对比GA-BP神经网络作为分类器的优势，本发明选取未经优化的BP神经网络和经过权阈值优化的GA-BP神经网络进行比较，BP神经网络识别正确率为82.5％，低于GA-BP神经网络的97.5％，具体试验结果如表4所示。
表4 GA-BP与BP神经网络预测结果
综上所述，本发明提出了一种基于图像处理的绿色叶片病害特征优化及病害识别方法，利用标准差自适应的高斯滤波去噪声算法降低环境、设备等给图片带来的噪声，利用基于超绿特征的OSTU分割方法实现病斑图像的高质量分割；利用蚁群算法对图片特征实现优化降维，提高训练及识别效率，降低无关特征带来的干扰；提取多个特征组合作为分类器算法输入量，利用蚁群算法对BP神经网络初始权阈值进行优化，改善了BP神经网络随权、阈值所带来的局部收敛缺陷，提高了识别准确率。对叶片病害的预测实验结果显示，本发明的病斑图像识别识别方法，准确率为97.5％，通过与单纯BP神经网络作为分类器的算法比较显示，GA-BP神经网络分类器具有明显的优势。综上所述，本发明的有益效果为：能够利用图像处理技术准确识别叶片病斑种类，省时省力，能够在农业种植领域大范围推广使用，有助于提高农作物的产量和农产品的质量，降低劳动强度。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种基于图像处理的绿色叶片病害特征优化及病害识别方法，其特征在于，包括如下步骤：
步骤一图像预处理
采用标准差自适应的高斯滤波降噪声算法对图像进行预处理，降低图像采集过程中产生的噪声，得到预处理图像；
步骤二图像分割与提取
利用基于超绿特征的最大类间方差法，将所述预处理图像的背景部分去除，完成图像分割，提取出叶片图像；再从叶片图像中提取病斑图像；
步骤三图像特征提取及优化
对所述病斑图像进行特征提取，并利用蚁群算法对所述特征的空间进行降维优化，得到优化特征组合数据；
步骤四分类识别
将所述优化特征组合数据作为输入量，建立三层的BP神经网络，并利用遗传算法对BP神经网络的初始权值和阈值进行优化，利用训练样本进行模型构建，实现对叶片病害种类的识别。
2.根据权利要求1所述的基于图像处理的绿色叶片病害特征优化及病害识别方法，其特征在于，所述高斯滤波降噪声算法的标准差σ通过卷积窗口区域内像素点的像素值方差求得。
3.根据权利要求1所述的基于图像处理的绿色叶片病害特征优化及病害识别方法，其特征在于，使用所述最大类间方差法对所述预处理图像进行分割提取过程中，包括如下步骤：
A1提取所述预处理图像的红、绿、蓝三个颜色通道的图像，生成超绿图像；
A2图象阈值分割：利用一维OSTU方法对所述超绿图像进行图像分割，分割出二值图像；
A3背景图像分割：遍历所述二值图像所有像素点，结合所述预处理图像，提取出所述预处理图像中的叶片图像；
A4病斑图像提取：从所述叶片图像中提取病斑图像。
4.根据权利要求1所述的基于图像处理的绿色叶片病害特征优化及病害识别方法，其特征在于，对所述病斑图像进行特征提取的过程中，特征包括颜色特征、纹理特征和形态特征。
5.根据权利要求4所述的基于图像处理的绿色叶片病害特征优化及病害识别方法，其特征在于，所述颜色特征的指标包括一阶颜色矩、二阶颜色矩和三阶颜色矩。
6.根据权利要求4所述的基于图像处理的绿色叶片病害特征优化及病害识别方法，其特征在于，采用灰度共生矩阵方法提取所述病斑图像的纹理特征。
7.根据权利要求6所述的基于图像处理的绿色叶片病害特征优化及病害识别方法，其特征在于，所述纹理特征指标包括最大概率值、能量、熵、对比度、相关性、均匀性、形态特征、病斑平均面积、病斑周长、最小矩形面积、矩形度、复杂度和宽长。
8.根据权利要求1所述的基于图像处理的绿色叶片病害特征优化及病害识别方法，其特征在于，利用蚁群算法进行降维优化包括如下步骤：
S1问题的数学定义
问题定义：设一组22维的特征为{w1,w2,......,w11,......,w21,w22}，从特征集合中选出最优子集；
S2问题解的建立
用R只蚂蚁建立问题的解，解集合用{q1,j,q2,j,......,q11,j,......,q21,j,q22,j}表示；
S3适应度函数确定
将分类准确率和特征数量作为参数纳入适应度函数；
S4局部搜索和信息素更新
利用局部搜索策略提高蚂蚁解集合的质量；所有蚂蚁局部搜索完成后，为一次迭代，每次迭代后，挑选出表现最优的10％的蚂蚁的解集合进行信息素增强；
S5停止条件
选择最大运行次数T0作为终止条件。
9.根据权利要求1所述的基于图像处理的绿色叶片病害特征优化及病害识别方法，其特征在于，分类识别过程中，三层的所述BP神经网络包括输入层、隐藏层和输出层。
10.根据权利要求1所述的基于图像处理的绿色叶片病害特征优化及病害识别方法，其特征在于，所述初始权值和初始阈值的优化包括如下步骤：m1编码及初始化种群；m2建立适应度函数；m3建立选择、交叉、变异函数；m4确定终止次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110249740.9A CN113112451A (zh) | 2021-03-08 | 2021-03-08 | 基于图像处理的绿色叶片病害特征优化及病害识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110249740.9A CN113112451A (zh) | 2021-03-08 | 2021-03-08 | 基于图像处理的绿色叶片病害特征优化及病害识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113112451A true CN113112451A (zh) | 2021-07-13 |
Family
ID=76710818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110249740.9A Pending CN113112451A (zh) | 2021-03-08 | 2021-03-08 | 基于图像处理的绿色叶片病害特征优化及病害识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113112451A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591716A (zh) * | 2021-07-29 | 2021-11-02 | 四川大学 | 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法 |
| CN113826602A (zh) * | 2021-10-18 | 2021-12-24 | 广东海洋大学 | 一种基于物联网的小型多功能农业机器人 |
| CN116030112A (zh) * | 2022-11-28 | 2023-04-28 | 四川省地质工程勘察院集团有限公司 | 一种基于图像处理计算山体植被覆盖率的方法及系统 |
| CN116630815A (zh) * | 2023-07-25 | 2023-08-22 | 济南玖通志恒信息技术有限公司 | 一种智慧农业病虫害检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
| 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 |
| CN107563389A (zh) * | 2017-09-11 | 2018-01-09 | 合肥工业大学 | 一种基于深度学习的农作物病害识别方法 |
| CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
-
2021
- 2021-03-08 CN CN202110249740.9A patent/CN113112451A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
| 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 |
| CN107563389A (zh) * | 2017-09-11 | 2018-01-09 | 合肥工业大学 | 一种基于深度学习的农作物病害识别方法 |
| CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| 关莹: ""基于图像处理的水稻叶部病害快速识别方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 * |
| 张红涛等: ""基于 CS-SVM 的谷子叶片病害图像识别"", 《浙江农业学报》 * |
| 李健等: ""基于改进高斯滤波算法的叶片图像去噪方法"", 《南方农业学报》 * |
| 陈悦宁等: ""基于优化 BP 神经网络的水稻病害识别算法研究"", 《计算机技术与应用》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591716A (zh) * | 2021-07-29 | 2021-11-02 | 四川大学 | 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法 |
| CN113591716B (zh) * | 2021-07-29 | 2023-05-05 | 四川大学 | 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法 |
| CN113826602A (zh) * | 2021-10-18 | 2021-12-24 | 广东海洋大学 | 一种基于物联网的小型多功能农业机器人 |
| CN116030112A (zh) * | 2022-11-28 | 2023-04-28 | 四川省地质工程勘察院集团有限公司 | 一种基于图像处理计算山体植被覆盖率的方法及系统 |
| CN116630815A (zh) * | 2023-07-25 | 2023-08-22 | 济南玖通志恒信息技术有限公司 | 一种智慧农业病虫害检测方法 |
| CN116630815B (zh) * | 2023-07-25 | 2023-09-22 | 济南玖通志恒信息技术有限公司 | 一种智慧农业病虫害检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113112451A (zh) | 基于图像处理的绿色叶片病害特征优化及病害识别方法 | |
| CN110516596B (zh) | 基于Octave卷积的空谱注意力高光谱图像分类方法 | |
| CN111723675B (zh) | 基于多重相似性度量深度学习的遥感图像场景分类方法 | |
| CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| CN111639719B (zh) | 基于时空运动和特征融合的足迹图像检索方法 | |
| CN107451616A (zh) | 基于深度半监督迁移学习的多光谱遥感图像地物分类方法 | |
| CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
| CN110322445B (zh) | 基于最大化预测和标签间相关性损失函数的语义分割方法 | |
| CN106611421B (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
| CN101980298B (zh) | 基于多智能体遗传聚类算法的图像分割方法 | |
| CN111611972B (zh) | 基于多视图多任务集成学习的作物叶片种类识别方法 | |
| CN106651884B (zh) | 基于素描结构的平均场变分贝叶斯sar图像分割方法 | |
| CN104899255A (zh) | 适用于训练深度卷积神经网络的图像数据库的构建方法 | |
| CN106874862B (zh) | 基于子模技术和半监督学习的人群计数方法 | |
| CN112509017B (zh) | 一种基于可学习差分算法的遥感影像变化检测方法 | |
| Yu et al. | Recognition method of soybean leaf diseases using residual neural network based on transfer learning | |
| CN109886146A (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
| CN114581451A (zh) | 一种基于散射图神经网络的大脑磁共振图像分割方法 | |
| CN112329818A (zh) | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 | |
| CN117011714A (zh) | 基于伪标签辅助的高光谱图像分类方法 | |
| Liao et al. | Image segmentation based on deep learning features | |
| CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
| CN114550164B (zh) | 一种基于深度学习的番茄叶片病害识别研究方法 | |
| CN115511838A (zh) | 一种基于群智能优化的植物病害高精度识别方法 | |
| CN104239903A (zh) | 一种基于qpso算法的图像边缘检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |
|
| RJ01 | Rejection of invention patent application after publication |