CN113610877A - 一种基于svm多分类模型的作物病虫害识别方法及系统 - Google Patents
一种基于svm多分类模型的作物病虫害识别方法及系统 Download PDFInfo
- Publication number
- CN113610877A CN113610877A CN202110773088.0A CN202110773088A CN113610877A CN 113610877 A CN113610877 A CN 113610877A CN 202110773088 A CN202110773088 A CN 202110773088A CN 113610877 A CN113610877 A CN 113610877A
- Authority
- CN
- China
- Prior art keywords
- image
- blade
- sample
- denoising
- lbp
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 48
- 201000010099 disease Diseases 0.000 title claims abstract description 38
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 38
- 238000013145 classification model Methods 0.000 title claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 81
- 230000002146 bilateral effect Effects 0.000 claims abstract description 40
- 241000238631 Hexapoda Species 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 65
- 238000012545 processing Methods 0.000 claims description 60
- 239000013598 vector Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 7
- 244000038559 crop plants Species 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 241000209094 Oryza Species 0.000 description 41
- 235000007164 Oryza sativa Nutrition 0.000 description 41
- 235000009566 rice Nutrition 0.000 description 41
- 230000008569 process Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 241000254173 Coleoptera Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 239000000589 Siderophore Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于SVM多分类模型的作物病虫害识别方法及系统，其方法包括，基于双边滤波器对每一幅叶片样本图像进行去噪处理，得到叶片样本去噪图像集；对每一幅叶片样本去噪图像进行HOG特征提取和LBP特征提取，得到每一幅叶片样本去噪图像的HOG特征和LBP特征；根据分类正确率按权重将HOG特征和LBP特征进行线性组合，得到叶片样本去噪图像的混合特征；将所有叶片样本去噪图像的混合特征输入至初始SVM模型中进行训练，得到分类器；将待分类叶片去噪图像的混合特征输入至分类器中进行分类，得到所述待分类叶片的分类结果。本发明可以解决现有作物病虫害识别方法不能识别多种类型的作物病虫害，识别的准确度及鲁棒性低的问题。
Description
技术领域
本发明涉及计算机视觉和图像处理技术领域，具体涉及一种基于SVM多分类模型的作物病虫害识别方法及系统。
背景技术
农作物病虫害是我国主要农业灾害之一，具有种类多、影响大、时常爆发等特点。
为实现作物病虫害分类的智能化、信息化，目前图像处理技术和计算机视觉技术等被广泛应用于农作物图像识别诊断。由于判别作物病虫害的类型主要依靠作物的叶片图像信息，将所采集的作物叶片作为图像数据集，故近年来深度学习和机器学习也较多应用于对作物病虫害种类进行优化分类。
针对目前已知的作物病虫害自动识别的方法，较多适用于健康作物和某一种具体病虫害作物的二分类情况，不能识别多种类型的作物病虫害。此外，部分算法识别的准确度及鲁棒性不甚理想，不能较好满足当前农业领域的需求，实用性及稳定性较低。
发明内容
针对现有技术中的问题，本发明提出一种基于SVM多分类模型的作物病虫害识别方法及系统，解决现有作物病虫害识别方法不能识别多种类型的作物病虫害，识别的准确度及鲁棒性低的问题。
为了实现上述技术目的，本发明的技术方案是这样的：一种基于SVM多分类模型的作物病虫害识别方法，包括以下步骤，
S1，采集作物的多种叶片样本图像，得到叶片样本图像集；其中，叶片样本图像集中的每种叶片样本图像包含多幅；
S2，基于双边滤波器分别对叶片样本图像集中的每一幅叶片样本图像进行去噪处理，得到叶片样本去噪图像集；
S3，对叶片样本去噪图像集中的每一幅叶片样本去噪图像均分别进行HOG特征提取和LBP特征提取，得到每一幅叶片样本去噪图像的HOG特征和LBP特征；
S4，基于初始SVM模型对每一幅叶片样本去噪图像的HOG特征和LBP特征分别进行分类，并根据分类正确率按权重将HOG特征和LBP特征进行线性组合，得到每一幅叶片样本去噪图像的混合特征；
S5，将所有叶片样本去噪图像的混合特征输入至初始SVM模型中进行训练，得到分类器；
S6，采集作物待分类叶片的待分类叶片图像；采用所述S2的方法对所述待分类叶片图像进行去噪处理，得到待分类叶片去噪图像；采用所述S3的方法对所述待分类叶片去噪图像进行HOG特征提取和LBP特征提取，得到所述待分类叶片去噪图像的HOG特征和LBP特征；采用所述S4的方法对所述待分类叶片去噪图像的HOG特征和LBP特征进行混合，得到所述待分类叶片去噪图像的混合特征；将所述待分类叶片去噪图像的混合特征输入至所述S5得到的分类器中进行分类，得到所述待分类叶片的分类结果。
本发明的有益效果是：本发明将采集作物的多种叶片样本图像作为叶片样本图像集，先对作物叶片图像进行图像去噪处理，得到较好的图像质量；再根据作物叶片所表现出的不同边缘特征HOG以及纹理特征LBP进行提取，线性组合成混合特征，使得所提取的信息更为全面，再通过初始SVM模型进行训练与分类，可实现对多种类型作物病虫害图像高效处理与准确分类，具有很好的鲁棒性，降低农业基层人员的任务量，为及时防治作物病虫害提供有利诊断结果，可获得更大的作物经济效益。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述S2具体为，
S21，将所述叶片样本图像集中的每一幅叶片样本图像分别进行缩放处理，对应得到每一幅叶片样本图像的预设像素的叶片样本缩放图像；
S22，分别对每一幅所述叶片样本缩放图像进行灰度处理，对应得到每一幅所述叶片样本缩放图像的叶片样本灰度图像；
S23，利用双边滤波器分别对每一幅所述叶片样本灰度图像进行去噪处理，对应得到每一幅所述叶片样本灰度图像的叶片样本去噪图像；将所有所述叶片样本去噪图像进行集合，得到所述叶片样本去噪图像集。
采用上述进一步方案的有益效果是：本发明通过双边滤波器对叶片样本图像进行去噪处理，能够较好的保留了图像的边缘轮廓，使图像达到合适的效果，有利于进行后续的处理。
进一步，所述双边滤波器包括两个内核函数，分别为由像素欧式距离决定双边滤波器模板的距离模板函数以及由像素灰度差值决定双边滤波器模板的值域模板函数；
所述距离模板函数的表达式为，
所述值域模板函数的表达式为，
则所述双边滤波器模板的表达式为，
其中，d(i,j,k,l)为所述距离模板函数，(k,l)为双边滤波器模板的模板窗口的中心坐标，(i,j)为双边滤波器模板的模板窗口中去除中心坐标的任一坐标，σd为与所述距离模板函数对应的高斯函数的标准差；r(i,j,k,l)为所述值域模板函数，I(k,l)为双边滤波器模板的模板窗口的中心坐标(k,l)处的像素值，I(i,j)为双边滤波器模板的模板窗口中去除中心坐标的任一坐标(i,j)处的像素值，σr为与所述值域模板函数对应的高斯函数的标准差；w(i,j,k,l)为所述双边滤波器模板。
进一步，在所述S3中，对叶片样本去噪图像集中的任一幅叶片样本去噪图像进行HOG特征提取的具体步骤为，
S31a，对所述叶片样本去噪图像进行灰度处理，并对经过灰度处理后的所述叶片样本去噪图像进行Gamma滤波归一化处理，得到叶片样本去噪处理图像；其中，对经过灰度处理后的所述叶片样本去噪图像进行Gamma滤波归一化处理的公式为，I′(x,y)＝I(x,y)gamma；具体的，I′(x,y)为叶片样本去噪处理图像中像素点(x,y)处的坐标，I(x,y)为经过灰度处理后的所述叶片样本去噪图像中像素点(x,y)处的坐标，gamma为滤波归一化指数；
S32a，计算所述叶片样本去噪处理图像的梯度幅值和方向；其中，计算所述叶片样本去噪处理图像的梯度幅值和梯度方向的公式为，
具体的，G(x,y)和α(x,y)分别表示所述叶片样本去噪处理图像中像素点(x,y)处的梯度幅值和梯度方向；Gx(x,y)＝H(x+1,y)-H(x-1,y)，Gy(x,y)＝H(x,y+1)-H(x,y-1)，H(x+1,y)为所述叶片样本去噪处理图像中像素点(x+1,y)处的像素值，H(x-1,y)为所述叶片样本去噪处理图像中像素点(x-1,y)处的像素值，Gx(x,y)为所述叶片样本去噪处理图像中像素点(x,y)处的水平梯度；H(x,y+1)为所述叶片样本去噪处理图像中像素点(x,y+1)处的像素值，H(x,y-1)为所述叶片样本去噪处理图像中像素点(x,y-1)处的像素值，Gy(x,y)为所述叶片样本去噪处理图像中像素点(x,y)处的垂直梯度；
S33a，利用检测窗口在所述叶片样本去噪处理图中像进行检测，得到图像窗口；将所述图像窗口分为多个细胞单元格，并分别将每个所述细胞单元格中的所有像素的梯度直方图或边缘方向进行累加，对应得到每个所述细胞单元格的累加结果；分别将每个所述细胞单元格的累加结果映射到预设角度，对应形成每个所述细胞单元格的特征；
S34a，将相邻的多个所述细胞单元格组合形成细胞块，其中任一所述细胞单元格属于一个细胞块或同时属于多个不同的细胞块；根据每个所述细胞块包含的所述细胞单元格的特征，对应得到每个所述细胞块的特征；
S35a，将所述检测窗口内所有所述细胞块的特征进行串联，得到任一幅所述叶片样本去噪图像的HOG特征。
采用上述进一步方案的有益效果是：本发明通过计算与统计作物图像区域的梯度方向直方图构成特征，并将各特征进行串联，从而得到叶片样本去噪图像的HOG特征；整个处理过程中，降低了叶片样本去噪图像局部的阴影光照变化；在计算叶片样本去噪图像的梯度幅度和梯度方向时，能够获取图像的轮廓，并减少光照影响。
进一步，在所述S3中，对叶片样本去噪图像集中的任一幅叶片样本去噪图像进行LBP特征提取的具体步骤为，
S31b，构建LBP特征提取算子，并对所述LBP特征提取算子进行旋转不变性处理，得到圆形LBP特征提取算子；
S32b，利用所述圆形LBP特征提取算子对叶片样本去噪图像集中的任一幅叶片样本去噪图像进行LBP特征提取，得到任一幅所述叶片样本去噪图像的LBP特征。
采用上述进一步方案的有益效果是：本发明通过圆形LBP特征提取算子对叶片样本去噪图像进行特征提取，能较好适应旋转和不同尺度的叶片样本去噪图像特征，提高了LBP特征提取的准确度。
进一步，在所述S31b中，LBP特征提取算子的表达式为，
其中，LBPP,R表示以R为半径的P点邻域的LBP特征提取算子，ic为以R为半径的P点邻域中中心像素点的灰度值，ip为以R为半径的P点邻域中与中心像素点相邻像素点的灰度值，s(x)为符号函数，且满足
在所述S31b中，圆形LBP特征提取算子的表达式为，
LBP(xc,yc)＝min{ROR(LBPP,R,i)}；
其中，(xc,yc)为中心像素点，LBP(xc,yc)为中心像素点(xc,yc)处的LBP特征提取算子，i＝0,…,P-1为旋转编码起始点，ROR()为旋转函数。
进一步，在所述S4中，所述叶片样本去噪图像的混合特征的表达式为，F＝FHOG*WHOG+FLBP*WLBP；其中，F、FHOG以及FLBP分别为融合特征、HOG特征以及LBP特征，WHOG以及WLBP分别为分配给HOG特征的权重以及分配给LBP特征的权重。
进一步，所述S5具体为，将所有叶片样本去噪图像的混合特征输入至初始SVM模型中，利用初始SVM模型中的fitcecoc函数对所有叶片样本去噪图像的混合特征进行训练，得到所述分类器；
所述分类器具体为非线性支持向量机；
所述非线性支持向量机的函数为，
其中，所述非线性支持向量机的决策方程为yi[wTxi+b]≥1-ξi，ξi＞0，ξi为松弛因子，C为惩罚因子，xi表示样本点，yi表示样本点类别标签，w、b分别表示决策方程的两个系数向量，||w||为系数向量w的模，wT为系数向量w的转置；
所述非线性支持向量机的核函数为高斯径向基核函数，所述高斯径向基核函数为，
其中，xi和xj均表示样本点，σ表示高斯径向基核函数的宽度参数。
进一步，在所述S6中，利用所述分类器中的predict函数对所述待分类叶片去噪图像的混合特征进行分类，得到所述待分类叶片的分类结果。
基于上述一种基于SVM多分类模型的作物病虫害识别方法，本发明还提供一种基于SVM多分类模型的作物病虫害识别系统。
一种基于SVM多分类模型的作物病虫害识别系统，包括以下模块，
图像采集模块，其用于采集作物的多种叶片样本图像，得到叶片样本图像集；其中，叶片样本图像集中的每种叶片样本图像包含多幅；还用于采集作物待分类叶片的待分类叶片图像；
去噪模块，其用于基于双边滤波器分别对叶片样本图像集中的每一幅叶片样本图像进行去噪处理，得到叶片样本去噪图像集；还用于对所述待分类叶片图像进行去噪处理，得到待分类叶片去噪图像；
特征提取模块，其用于对叶片样本去噪图像集中的每一幅叶片样本去噪图像均分别进行HOG特征提取和LBP特征提取，得到每一幅叶片样本去噪图像的HOG特征和LBP特征；还用于对所述待分类叶片去噪图像进行HOG特征提取和LBP特征提取，得到所述待分类叶片去噪图像的HOG特征和LBP特征；
特征混合模块，其用于基于初始SVM模型对每一幅叶片样本去噪图像的HOG特征和LBP特征分别进行分类，并根据分类正确率按权重将HOG特征和LBP特征进行线性组合，得到每一幅叶片样本去噪图像的混合特征；还用于对所述待分类叶片去噪图像的HOG特征和LBP特征进行混合，得到所述待分类叶片去噪图像的混合特征；
训练模块，其用于将所有叶片样本去噪图像的混合特征输入至初始SVM模型中进行训练，得到分类器；
分类模块，其用于基于所述分类器对所述待分类叶片去噪图像的混合特征输进行分类，得到所述待分类叶片的分类结果。
本发明的有益效果是：本发明一种基于SVM多分类模型的作物病虫害识别系统通过图像采集模块采集作物叶片的图像，去噪模块对作物叶片的图像进行预处理，达到了更好的后续处理时效；通过特征提取模块对作物叶片的图像进行特征提取，特征混合模块求取每一幅叶片样本去噪图像的混合特征，训练模块构建最优分类器，分类模块对作物待分类叶片的图像进行分类以及结果的输出，可实现对多种类型作物病虫害图像高效处理与准确分类，具有很好的鲁棒性，降低农业基层人员的任务量，为及时防治作物病虫害提供有利诊断结果，可获得更大的作物经济效益。
附图说明
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。
图1为本发明实施例一种基于SVM多分类模型的作物病虫害识别方法的流程图；
图2为本发明实施例所述一种基于SVM多分类模型的作物病虫害识别方法中四种水稻叶片的示意图；
图3为提取水稻HOG特征的可视化图像；
图4为提取水稻LBP特征的可视化图像；
图5为采用本发明方法对水稻叶片进行分类所得结果的混淆矩阵；
图6为本发明实施例一种基于SVM多分类模型的作物病虫害识别系统的结构框图。
具体实施方式
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，所描述的实施例仅仅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所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种基于SVM多分类模型的作物病虫害识别方法，包括以下步骤：
S1，采集作物的多种叶片样本图像，得到叶片样本图像集；其中，叶片样本图像集中的每种叶片样本图像包含多幅；
S2，基于双边滤波器分别对叶片样本图像集中的每一幅叶片样本图像进行去噪处理，得到叶片样本去噪图像集；
S3，对叶片样本去噪图像集中的每一幅叶片样本去噪图像均分别进行HOG特征提取和LBP特征提取，得到每一幅叶片样本去噪图像的HOG特征和LBP特征；
S4，基于初始SVM模型对每一幅叶片样本去噪图像的HOG特征和LBP特征分别进行分类，并根据分类正确率按权重将HOG特征和LBP特征进行线性组合，得到每一幅叶片样本去噪图像的混合特征；
S5，将所有叶片样本去噪图像的混合特征输入至初始SVM模型中进行训练，得到分类器；
S6，采集作物待分类叶片的待分类叶片图像；采用所述S2的方法对所述待分类叶片图像进行去噪处理，得到待分类叶片去噪图像；采用所述S3的方法对所述待分类叶片去噪图像进行HOG特征提取和LBP特征提取，得到所述待分类叶片去噪图像的HOG特征和LBP特征；采用所述S4的方法对所述待分类叶片去噪图像的HOG特征和LBP特征进行混合，得到所述待分类叶片去噪图像的混合特征；将所述待分类叶片去噪图像的混合特征输入至所述S5得到的分类器中进行分类，得到所述待分类叶片的分类结果。
在本具体实施例中，作物具体为水稻，本实施例具体以水稻叶片为例进行说明；在其他实施例中，还可以以其他作为(例如小麦等)为例进行说明。其中水稻叶片的类型分为四种，如图2所示，从左至右排列依次为健康水稻叶片、褐斑病水稻叶片、铁甲虫病水稻叶片以及稻瘟病水稻叶片。
本具体实施例中，在所述S1中图像采集的过程中，选取农业现场的水稻田，采摘健康水稻叶片、褐斑病水稻叶片、铁甲虫病水稻叶片以及稻瘟病水稻叶片分别超过两百片以上，对采摘的叶片利用彩色高清相机在同一外在条件的环境下进行拍摄，保证拍摄的叶片处于图像正中心。
本具体实施例中，所述S2具体为，
S21，将所述叶片样本图像集中的每一幅叶片样本图像分别进行缩放处理，对应得到每一幅叶片样本图像的预设像素的叶片样本缩放图像；
S22，分别对每一幅所述叶片样本缩放图像进行灰度处理，对应得到每一幅所述叶片样本缩放图像的叶片样本灰度图像；
S23，利用双边滤波器分别对每一幅所述叶片样本灰度图像进行去噪处理，对应得到每一幅所述叶片样本灰度图像的叶片样本去噪图像；将所有所述叶片样本去噪图像进行集合，得到所述叶片样本去噪图像集。
例如，将所采集的高清彩色图像进行图像尺寸缩放，使用imagSize函数对图像缩放到256×256像素大小，然后将图像灰度化并进行去噪处理。选用双边滤波器进行去噪处理，达到图像增强的效果，减少图像灰度的尖锐变化，并且能够保留图像的边缘特征。
具体的，所述双边滤波器包括两个内核函数，分别为由像素欧式距离决定双边滤波器模板的距离模板函数(即与邻域的距离成一定比例)以及由像素灰度差值决定双边滤波器模板的值域模板函数(即与像素点附近的辐射分量距离成一定比例)；
所述距离模板函数的表达式为，
所述值域模板函数的表达式为，
则所述双边滤波器模板的表达式为，
其中，d(i,j,k,l)为所述距离模板函数，(k,l)为双边滤波器模板的模板窗口的中心坐标，(i,j)为双边滤波器模板的模板窗口中去除中心坐标的任一坐标，σd为与所述距离模板函数对应的高斯函数的标准差；r(i,j,k,l)为所述值域模板函数，I(k,l)为双边滤波器模板的模板窗口的中心坐标(k,l)处的像素值，I(i,j)为双边滤波器模板的模板窗口中去除中心坐标的任一坐标(i,j)处的像素值，σr为与所述值域模板函数对应的高斯函数的标准差；w(i,j,k,l)为所述双边滤波器模板。
本具体实施例中，在所述S3中，对叶片样本去噪图像集中的任一幅叶片样本去噪图像进行HOG特征提取的具体步骤为，
S31a，对所述叶片样本去噪图像进行灰度处理，并对经过灰度处理后的所述叶片样本去噪图像进行Gamma滤波归一化处理，得到叶片样本去噪处理图像；其中，对经过灰度处理后的所述叶片样本去噪图像进行Gamma滤波归一化处理的公式为，I′(x,y)＝I(x,y)gamma；具体的，I′(x,y)为叶片样本去噪处理图像中像素点(x,y)处的坐标，I(x,y)为经过灰度处理后的所述叶片样本去噪图像中像素点(x,y)处的坐标，gamma为滤波归一化指数，且gamma的取值可以为0.5；
S32a，计算所述叶片样本去噪处理图像的梯度幅值和方向；其中，计算所述叶片样本去噪处理图像的梯度幅值和梯度方向的公式为，
具体的，G(x,y)和α(x,y)分别表示所述叶片样本去噪处理图像中像素点(x,y)处的梯度幅值和梯度方向；Gx(x,y)＝H(x+1,y)-H(x-1,y)，Gy(x,y)＝H(x,y+1)-H(x,y-1)，H(x+1,y)为所述叶片样本去噪处理图像中像素点(x+1,y)处的像素值，H(x-1,y)为所述叶片样本去噪处理图像中像素点(x-1,y)处的像素值，Gx(x,y)为所述叶片样本去噪处理图像中像素点(x,y)处的水平梯度；H(x,y+1)为所述叶片样本去噪处理图像中像素点(x,y+1)处的像素值，H(x,y-1)为所述叶片样本去噪处理图像中像素点(x,y-1)处的像素值，Gy(x,y)为所述叶片样本去噪处理图像中像素点(x,y)处的垂直梯度；
S33a，利用检测窗口在所述叶片样本去噪处理图中像进行检测，得到图像窗口；将所述图像窗口分为多个细胞单元格，并分别将每个所述细胞单元格中的所有像素的梯度直方图或边缘方向进行累加，对应得到每个所述细胞单元格的累加结果；分别将每个所述细胞单元格的累加结果映射到预设角度，对应形成每个所述细胞单元格的特征；
S34a，将相邻的多个所述细胞单元格组合形成细胞块，其中任一所述细胞单元格属于一个细胞块或同时属于多个不同的细胞块；根据每个所述细胞块包含的所述细胞单元格的特征，对应得到每个所述细胞块的特征；
S35a，将所述检测窗口内所有所述细胞块的特征进行串联，得到任一幅所述叶片样本去噪图像的HOG特征。
HOG特征提取就是通过计算统计水稻叶片图像区域的梯度方向直方图构成特征。HOG特征描述子有两个主要参数，第一个为将图像分为小连通区域的细胞单元格，第二个为对应细胞单元各像素点梯度的方向数，用以构造特征描述器。首先对图像进行标准化Gamma空间和颜色空间，即为降低光照影响，需将图像Gamma滤波归一化，图像纹理的局部表层曝光比重大，可有效减少局部的阴影光照变化。Gamma滤波归一化后计算梯度幅值和方向获取轮廓及纹理要素，并减少光照影响。依据梯度幅值和方向进行细胞单元梯度直方图投影，将检测到的图像窗口分为数个小区域叫做细胞单元格，将每个细胞中所有像素的梯度直方图或边缘方向进行累加，将最终结果映射到一定角度形成特征。再进行单元格归一化，每几个细胞单元格组成一个块，一个细胞单元格可在多个不同块中。细胞单元格基于不同块进行归一化，其特征将以不同结果出现在最后向量中若干次，能将光照、阴影等进行压缩，得到HOG描述子。最后构造HOG特征向量，将检测窗口所有块的特征进行串联，结合得到HOG特征向量。使用HOG特征提取函数extractHOGFeatures完成对图像的HOG特征提取。
本具体实施例中，在所述S3中，对叶片样本去噪图像集中的任一幅叶片样本去噪图像进行LBP特征提取的具体步骤为，
S31b，构建LBP特征提取算子，并对所述LBP特征提取算子进行旋转不变性处理，得到圆形LBP特征提取算子；
S32b，利用所述圆形LBP特征提取算子对叶片样本去噪图像集中的任一幅叶片样本去噪图像进行LBP特征提取，得到任一幅所述叶片样本去噪图像的LBP特征。
具体的，在所述S31b中，LBP特征提取算子的表达式为，
其中，LBPP,R表示以R为半径的P点邻域的LBP特征提取算子，ic为以R为半径的P点邻域中中心像素点的灰度值，ip为以R为半径的P点邻域中与中心像素点相邻像素点的灰度值，s(x)为符号函数，且满足
在所述S31b中，圆形LBP特征提取算子的表达式为，
LBP(xc,yc)＝min{ROR(LBPP,R,i)}；
其中，(xc,yc)为中心像素点，LBP(xc,yc)为中心像素点(xc,yc)处的LBP特征提取算子，i＝0,…,P-1为旋转编码起始点，ROR()为旋转函数，描述了从中心像素点的正上方像素点开始进行逆时针旋转的过程。
LBP特征提取主要为了描述图像局部纹理特征，使用LBP特征提取函数extractLBPFeatures完成对图像的LBP特征提取。原始构建的LBP特征提取算子存在局限性：在半径范围固定的情况下，当图像经过了平移或旋转的变化时，得到的LBP特征值会发生一定差异，较大程度上影响了识别准确率。在水稻图像采集过程中一般存在平移或旋转等不规则非线性影响因素，本发明用具有旋转不变性的圆形LBP算子，能较好适应旋转和不同尺度的特征。在不断旋转的圆形领域得到一系列传统定义的LBP特征值，此领域的LBP值为所得最小值。
本具体实施例中，在所述S4中，所述叶片样本去噪图像的混合特征的表达式为，F＝FHOG*WHOG+FLBP*WLBP；其中，F、FHOG以及FLBP分别为融合特征、HOG特征以及LBP特征，WHOG以及WLBP分别为分配给HOG特征的权重以及分配给LBP特征的权重。
特征混合是将两种特征单一提取训练后的分类准确率作为权重分配依据，较大权重W分配给分类准确率较高的特征。
本具体实施例中，所述S5具体为，将所有叶片样本去噪图像的混合特征输入至初始SVM模型中，利用初始SVM模型中的fitcecoc函数对所有叶片样本去噪图像的混合特征进行训练，得到所述分类器；
所述分类器具体为非线性支持向量机；
所述非线性支持向量机的函数为，
其中，所述非线性支持向量机的决策方程为yi[wTxi+b]≥1-ξi，ξi＞0，ξi为松弛因子，C为惩罚因子，xi表示样本点，yi表示样本点类别标签，w、b分别表示决策方程的两个系数向量，||w||为系数向量w的模，wT为系数向量w的转置；
所述非线性支持向量机的核函数为高斯径向基核函数，所述高斯径向基核函数为，
其中，xi和xj均表示样本点，σ表示高斯径向基核函数的宽度参数。
本具体实施例中，在所述S6中，利用所述分类器中的predict函数对所述待分类叶片去噪图像的混合特征进行分类，得到所述待分类叶片的分类结果。
下面以水稻叶片为例具体解释本发明。
选取农业现场的水稻田，采摘四种类型水稻叶片如图2所示，从左至右依次排列为健康水稻叶片、褐斑病水稻叶片、铁甲虫病水稻叶片以及稻瘟病水稻叶片，分别超过两百片以上，对采摘的叶片利用彩色高清相机在同一外在条件的环境下进行拍摄，保证拍摄的叶片处于图像正中心。
将所采集的高清彩色图像进行图像尺寸缩放到256×256像素大小，然后将图像灰度化并进行去噪处理。选用双边滤波器进行去噪处理。对经去噪处理的图像进行特征提取，对图像进行HOG特征提取所得特征可视化效果如图3所示，以及LBP特征提取所得特征可视化效果如图4所示，最后将两种特征单一提取训练后的分类准确率作为权重分配依据，将两种特征按权重进行融合得到混合特征。
训练合适的分类器。将提取的训练集(叶片样本图像集)的混合特征输入到SVM，训练得到合适的分类器。对测试集(待分类叶片去噪图像)进行分类。将提取的测试集的混合特征通过得到的分类器进行分类，得到最终的输出结果如图5所示。工作人员可直观查看最终结果，并及时做出相应的防治措施，可实现针对水稻病虫害识别分类的智能化、信息化，并可对其他农作物做出进一步推广应用。
与现有技术相比，本发明所具有的优点和有益效果如下：
1)本发明调整了图像尺寸，并且在去噪的基础上较好的保留了图像的边缘轮廓，使图像达到合适的效果，有利于进一步的处理。
2)本发明提取了边缘特征HOG特征以及纹理特征LBP特征，并将二者线性结合，得到更具代表性的混合特征，使得所提取的信息更为全面。
3)本发明采用非线性核函数的SVM进行分类，能够得到良好的分类结果，使水稻识别率更加精确，本发明在仿真时可得到高达94％的分类准确率。
4)本发明实现了水稻病虫害的智能化信息化识别，能够对健康水稻、褐斑病水稻、铁甲虫病水稻及稻瘟病水稻进行精准多分类，其中，对铁甲虫病识别率高达97.8％，识别效果理想，对褐斑病、健康水稻、稻瘟病、识别率分别为91.5％、95.8％和92.0％，识别效果良好。
基于上述一种基于SVM多分类模型的作物病虫害识别方法，本发明还提供一种基于SVM多分类模型的作物病虫害识别系统。
如图6所示，一种基于SVM多分类模型的作物病虫害识别系统，包括以下模块，
图像采集模块，其用于采集作物的多种叶片样本图像，得到叶片样本图像集；其中，叶片样本图像集中的每种叶片样本图像包含多幅；还用于采集作物待分类叶片的待分类叶片图像；
去噪模块，其用于基于双边滤波器分别对叶片样本图像集中的每一幅叶片样本图像进行去噪处理，得到叶片样本去噪图像集；还用于对所述待分类叶片图像进行去噪处理，得到待分类叶片去噪图像；
特征提取模块，其用于对叶片样本去噪图像集中的每一幅叶片样本去噪图像均分别进行HOG特征提取和LBP特征提取，得到每一幅叶片样本去噪图像的HOG特征和LBP特征；还用于对所述待分类叶片去噪图像进行HOG特征提取和LBP特征提取，得到所述待分类叶片去噪图像的HOG特征和LBP特征；
特征混合模块，其用于基于初始SVM模型对每一幅叶片样本去噪图像的HOG特征和LBP特征分别进行分类，并根据分类正确率按权重将HOG特征和LBP特征进行线性组合，得到每一幅叶片样本去噪图像的混合特征；还用于对所述待分类叶片去噪图像的HOG特征和LBP特征进行混合，得到所述待分类叶片去噪图像的混合特征；
训练模块，其用于将所有叶片样本去噪图像的混合特征输入至初始SVM模型中进行训练，得到分类器；
分类模块，其用于基于所述分类器对所述待分类叶片去噪图像的混合特征输进行分类，得到所述待分类叶片的分类结果。
各模块的工作过程参见上述所述基于SVM多分类模型的作物病虫害识别方法中记载的对应过程，在此不再赘述。
本发明一种基于SVM多分类模型的作物病虫害识别系统通过图像采集模块采集作物叶片的图像，去噪模块对作物叶片的图像进行预处理，达到了更好的后续处理时效；通过特征提取模块对作物叶片的图像进行特征提取，特征混合模块求取每一幅叶片样本去噪图像的混合特征，训练模块构建最优分类器，分类模块对作物待分类叶片的图像进行分类以及结果的输出，可实现对多种类型作物病虫害图像高效处理与准确分类，具有很好的鲁棒性，降低农业基层人员的任务量，为及时防治作物病虫害提供有利诊断结果，可获得更大的作物经济效益。
需要说明的是，在本文中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于SVM多分类模型的作物病虫害识别方法，其特征在于：包括以下步骤，
S1，采集作物的多种叶片样本图像，得到叶片样本图像集；其中，叶片样本图像集中的每种叶片样本图像包含多幅；
S2，基于双边滤波器分别对叶片样本图像集中的每一幅叶片样本图像进行去噪处理，得到叶片样本去噪图像集；
S3，对叶片样本去噪图像集中的每一幅叶片样本去噪图像均分别进行HOG特征提取和LBP特征提取，得到每一幅叶片样本去噪图像的HOG特征和LBP特征；
S4，基于初始SVM模型对每一幅叶片样本去噪图像的HOG特征和LBP特征分别进行分类，并根据分类正确率按权重将HOG特征和LBP特征进行线性组合，得到每一幅叶片样本去噪图像的混合特征；
S5，将所有叶片样本去噪图像的混合特征输入至初始SVM模型中进行训练，得到分类器；
S6，采集作物待分类叶片的待分类叶片图像；采用所述S2的方法对所述待分类叶片图像进行去噪处理，得到待分类叶片去噪图像；采用所述S3的方法对所述待分类叶片去噪图像进行HOG特征提取和LBP特征提取，得到所述待分类叶片去噪图像的HOG特征和LBP特征；采用所述S4的方法对所述待分类叶片去噪图像的HOG特征和LBP特征进行混合，得到所述待分类叶片去噪图像的混合特征；将所述待分类叶片去噪图像的混合特征输入至所述S5得到的分类器中进行分类，得到所述待分类叶片的分类结果。
2.根据权利要求1所述的基于SVM多分类模型的作物病虫害识别方法，其特征在于：所述S2具体为，
S21，将所述叶片样本图像集中的每一幅叶片样本图像分别进行缩放处理，对应得到每一幅叶片样本图像的预设像素的叶片样本缩放图像；
S22，分别对每一幅所述叶片样本缩放图像进行灰度处理，对应得到每一幅所述叶片样本缩放图像的叶片样本灰度图像；
S23，利用双边滤波器分别对每一幅所述叶片样本灰度图像进行去噪处理，对应得到每一幅所述叶片样本灰度图像的叶片样本去噪图像；将所有所述叶片样本去噪图像进行集合，得到所述叶片样本去噪图像集。
3.根据权利要求1或2所述的基于SVM多分类模型的作物病虫害识别方法，其特征在于：所述双边滤波器包括两个内核函数，分别为由像素欧式距离决定双边滤波器模板的距离模板函数以及由像素灰度差值决定双边滤波器模板的值域模板函数；
所述距离模板函数的表达式为，
所述值域模板函数的表达式为，
则所述双边滤波器模板的表达式为，
其中，d(i,j,k,l)为所述距离模板函数，(k,l)为双边滤波器模板的模板窗口的中心坐标，(i,j)为双边滤波器模板的模板窗口中去除中心坐标的任一坐标，σd为与所述距离模板函数对应的高斯函数的标准差；r(i,j,k,l)为所述值域模板函数，I(k,l)为双边滤波器模板的模板窗口的中心坐标(k,l)处的像素值，I(i,j)为双边滤波器模板的模板窗口中去除中心坐标的任一坐标(i,j)处的像素值，σr为与所述值域模板函数对应的高斯函数的标准差；w(i,j,k,l)为所述双边滤波器模板。
4.根据权利要求1或2所述的基于SVM多分类模型的作物病虫害识别方法，其特征在于：在所述S3中，对叶片样本去噪图像集中的任一幅叶片样本去噪图像进行HOG特征提取的具体步骤为，
S31a，对所述叶片样本去噪图像进行灰度处理，并对经过灰度处理后的所述叶片样本去噪图像进行Gamma滤波归一化处理，得到叶片样本去噪处理图像；其中，对经过灰度处理后的所述叶片样本去噪图像进行Gamma滤波归一化处理的公式为，I′(x,y)＝I(x,y)gamma；具体的，I′(x,y)为叶片样本去噪处理图像中像素点(x,y)处的坐标，I(x,y)为经过灰度处理后的所述叶片样本去噪图像中像素点(x,y)处的坐标，gamma为滤波归一化指数；
S32a，计算所述叶片样本去噪处理图像的梯度幅值和方向；其中，计算所述叶片样本去噪处理图像的梯度幅值和梯度方向的公式为，
具体的，G(x,y)和α(x,y)分别表示所述叶片样本去噪处理图像中像素点(x,y)处的梯度幅值和梯度方向；Gx(x,y)＝H(x+1,y)-H(x-1,y)，Gy(x,y)＝H(x,y+1)-H(x,y-1)，H(x+1,y)为所述叶片样本去噪处理图像中像素点(x+1,y)处的像素值，H(x-1,y)为所述叶片样本去噪处理图像中像素点(x-1,y)处的像素值，Gx(x,y)为所述叶片样本去噪处理图像中像素点(x,y)处的水平梯度；H(x,y+1)为所述叶片样本去噪处理图像中像素点(x,y+1)处的像素值，H(x,y-1)为所述叶片样本去噪处理图像中像素点(x,y-1)处的像素值，Gy(x,y)为所述叶片样本去噪处理图像中像素点(x,y)处的垂直梯度；
S33a，利用检测窗口在所述叶片样本去噪处理图中像进行检测，得到图像窗口；将所述图像窗口分为多个细胞单元格，并分别将每个所述细胞单元格中的所有像素的梯度直方图或边缘方向进行累加，对应得到每个所述细胞单元格的累加结果；分别将每个所述细胞单元格的累加结果映射到预设角度，对应形成每个所述细胞单元格的特征；
S34a，将相邻的多个所述细胞单元格组合形成细胞块，其中任一所述细胞单元格属于一个细胞块或同时属于多个不同的细胞块；根据每个所述细胞块包含的所述细胞单元格的特征，对应得到每个所述细胞块的特征；
S35a，将所述检测窗口内所有所述细胞块的特征进行串联，得到任一幅所述叶片样本去噪图像的HOG特征。
5.根据权利要求1或2所述的基于SVM多分类模型的作物病虫害识别方法，其特征在于：在所述S3中，对叶片样本去噪图像集中的任一幅叶片样本去噪图像进行LBP特征提取的具体步骤为，
S31b，构建LBP特征提取算子，并对所述LBP特征提取算子进行旋转不变性处理，得到圆形LBP特征提取算子；
S32b，利用所述圆形LBP特征提取算子对叶片样本去噪图像集中的任一幅叶片样本去噪图像进行LBP特征提取，得到任一幅所述叶片样本去噪图像的LBP特征。
6.根据权利要求5所述的基于SVM多分类模型的作物病虫害识别方法，其特征在于：在所述S31b中，LBP特征提取算子的表达式为，
其中，LBPP,R表示以R为半径的P点邻域的LBP特征提取算子，ic为以R为半径的P点邻域中中心像素点的灰度值，ip为以R为半径的P点邻域中与中心像素点相邻像素点的灰度值，s(x)为符号函数，且满足
在所述S31b中，圆形LBP特征提取算子的表达式为，
LBP(xc,yc)＝min{ROR(LBPP,R,i)}；
其中，(xc,yc)为中心像素点，LBP(xc,yc)为中心像素点(xc,yc)处的LBP特征提取算子，i＝0,…,P-1为旋转编码起始点，ROR()为旋转函数。
7.根据权利要求1或2所述的基于SVM多分类模型的作物病虫害识别方法，其特征在于：在所述S4中，所述叶片样本去噪图像的混合特征的表达式为，F＝FHOG*WHOG+FLBP*WLBP；其中，F、FHOG以及FLBP分别为融合特征、HOG特征以及LBP特征，WHOG以及WLBP分别为分配给HOG特征的权重以及分配给LBP特征的权重。
8.根据权利要求1或2所述的基于SVM多分类模型的作物病虫害识别方法，其特征在于：所述S5具体为，将所有叶片样本去噪图像的混合特征输入至初始SVM模型中，利用初始SVM模型中的fitcecoc函数对所有叶片样本去噪图像的混合特征进行训练，得到所述分类器；
所述分类器具体为非线性支持向量机；
所述非线性支持向量机的函数为，
其中，所述非线性支持向量机的决策方程为yi[wTxi+b]≥1-ξi，ξi＞0，ξi为松弛因子，C为惩罚因子，xi表示样本点，yi表示样本点类别标签，w、b分别表示决策方程的两个系数向量，||w||为系数向量w的模，wT为系数向量w的转置；
所述非线性支持向量机的核函数为高斯径向基核函数，所述高斯径向基核函数为，
其中，xi和xj均表示样本点，σ表示高斯径向基核函数的宽度参数。
9.根据权利要求1或2所述的基于SVM多分类模型的作物病虫害识别方法，其特征在于：在所述S6中，利用所述分类器中的predict函数对所述待分类叶片去噪图像的混合特征进行分类，得到所述待分类叶片的分类结果。
10.一种基于SVM多分类模型的作物病虫害识别系统，其特征在于：包括以下模块，
图像采集模块，其用于采集作物的多种叶片样本图像，得到叶片样本图像集；其中，叶片样本图像集中的每种叶片样本图像包含多幅；还用于采集作物待分类叶片的待分类叶片图像；
去噪模块，其用于基于双边滤波器分别对叶片样本图像集中的每一幅叶片样本图像进行去噪处理，得到叶片样本去噪图像集；还用于对所述待分类叶片图像进行去噪处理，得到待分类叶片去噪图像；
特征提取模块，其用于对叶片样本去噪图像集中的每一幅叶片样本去噪图像均分别进行HOG特征提取和LBP特征提取，得到每一幅叶片样本去噪图像的HOG特征和LBP特征；还用于对所述待分类叶片去噪图像进行HOG特征提取和LBP特征提取，得到所述待分类叶片去噪图像的HOG特征和LBP特征；
特征混合模块，其用于基于初始SVM模型对每一幅叶片样本去噪图像的HOG特征和LBP特征分别进行分类，并根据分类正确率按权重将HOG特征和LBP特征进行线性组合，得到每一幅叶片样本去噪图像的混合特征；还用于对所述待分类叶片去噪图像的HOG特征和LBP特征进行混合，得到所述待分类叶片去噪图像的混合特征；
训练模块，其用于将所有叶片样本去噪图像的混合特征输入至初始SVM模型中进行训练，得到分类器；
分类模块，其用于基于所述分类器对所述待分类叶片去噪图像的混合特征输进行分类，得到所述待分类叶片的分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110773088.0A CN113610877A (zh) | 2021-07-08 | 2021-07-08 | 一种基于svm多分类模型的作物病虫害识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110773088.0A CN113610877A (zh) | 2021-07-08 | 2021-07-08 | 一种基于svm多分类模型的作物病虫害识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113610877A true CN113610877A (zh) | 2021-11-05 |
Family
ID=78337410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110773088.0A Pending CN113610877A (zh) | 2021-07-08 | 2021-07-08 | 一种基于svm多分类模型的作物病虫害识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610877A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114529503A (zh) * | 2021-12-17 | 2022-05-24 | 南京邮电大学 | 改进Gabor与HOG的自适应加权多特征融合的植物叶片识别方法 |
Citations (4)
| 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 |
| CN109086687A (zh) * | 2018-07-13 | 2018-12-25 | 东北大学 | 基于pca降维的hog-mblbp融合特征的交通标志识别方法 |
| CN109993228A (zh) * | 2019-04-02 | 2019-07-09 | 南通科技职业学院 | 基于机器视觉的植保无人机水稻纹枯病识别方法 |
| CN110490194A (zh) * | 2019-07-24 | 2019-11-22 | 广东工业大学 | 一种自适应权值的多特征分块融合交通标志的识别方法 |
-
2021
- 2021-07-08 CN CN202110773088.0A patent/CN113610877A/zh active Pending
Patent Citations (4)
| 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 |
| CN109086687A (zh) * | 2018-07-13 | 2018-12-25 | 东北大学 | 基于pca降维的hog-mblbp融合特征的交通标志识别方法 |
| CN109993228A (zh) * | 2019-04-02 | 2019-07-09 | 南通科技职业学院 | 基于机器视觉的植保无人机水稻纹枯病识别方法 |
| CN110490194A (zh) * | 2019-07-24 | 2019-11-22 | 广东工业大学 | 一种自适应权值的多特征分块融合交通标志的识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 方圆圆: "《人脸识别与美颜算法实战 基于Python、机器学习与深度学习》", 31 December 2020, pages: 174 * |
| 薛卫等: "基于多分辨率多类特征融合的梨叶小炭疽病斑识别", 《南京农业大学学报》, 8 December 2020 (2020-12-08), pages 982 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114529503A (zh) * | 2021-12-17 | 2022-05-24 | 南京邮电大学 | 改进Gabor与HOG的自适应加权多特征融合的植物叶片识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108038476B (zh) | 一种基于边缘检测与sift的人脸表情识别特征提取方法 | |
| CN110543837B (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
| Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
| Ishak et al. | Weed image classification using Gabor wavelet and gradient field distribution | |
| CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 | |
| CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
| CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
| Hyeon et al. | Diagnosing cervical cell images using pre-trained convolutional neural network as feature extractor | |
| CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
| CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
| Qing et al. | Automated detection and identification of white-backed planthoppers in paddy fields using image processing | |
| CN107437068B (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
| CN108256486B (zh) | 一种基于非负低秩和半监督学习的图像识别方法及装置 | |
| CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| Jadhav et al. | Soybean leaf disease detection and severity measurement using multiclass SVM and KNN classifier | |
| CN112435214B (zh) | 基于先验框线性缩放的花粉检测方法、装置和电子设备 | |
| CN105447859A (zh) | 一种田间麦蚜虫计数方法 | |
| CN111507227B (zh) | 基于深度学习的多学生个体分割及状态自主识别方法 | |
| CN109886932A (zh) | 基于svm的轮速传感器齿圈表面缺陷检测方法 | |
| CN109815945A (zh) | 一种基于图像识别的呼吸道检查结果判读系统和方法 | |
| Tosawadi et al. | On the use of class activation map on rice blast disease identification and localization | |
| CN113610877A (zh) | 一种基于svm多分类模型的作物病虫害识别方法及系统 | |
| Shen et al. | Yolov5-based model integrating separable convolutions for detection of wheat head images | |
| CN113947796A (zh) | 一种基于身份识别的人体温度趋势检测方法及装置 | |
| Pushpa et al. | Deep learning model for plant species classification using leaf vein features |
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 |