CN113627531B - 基于支持向量机分类算法测定梨树轮纹病抗性的方法 - Google Patents
基于支持向量机分类算法测定梨树轮纹病抗性的方法 Download PDFInfo
- Publication number
- CN113627531B CN113627531B CN202110919361.6A CN202110919361A CN113627531B CN 113627531 B CN113627531 B CN 113627531B CN 202110919361 A CN202110919361 A CN 202110919361A CN 113627531 B CN113627531 B CN 113627531B
- Authority
- CN
- China
- Prior art keywords
- image
- disease
- pear
- optimal
- area
- 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.)
- Active
Links
- 235000014443 Pyrus communis Nutrition 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 25
- 238000007635 classification algorithm Methods 0.000 title claims abstract description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 53
- 201000010099 disease Diseases 0.000 claims abstract description 50
- 241000220324 Pyrus Species 0.000 claims abstract description 37
- 239000002245 particle Substances 0.000 claims abstract description 35
- 230000003902 lesion Effects 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 208000035240 Disease Resistance Diseases 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 14
- 240000001987 Pyrus communis Species 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 206010053615 Thermal burn Diseases 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 235000021017 pears Nutrition 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000000691 measurement method Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000555706 Botryosphaeria dothidea Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241001477931 Mythimna unipuncta Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Marine Sciences & Fisheries (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Agronomy & Crop Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于支持向量机分类算法测定梨树轮纹病抗性的方法,属于图像处理技术领域。本发明采用大津(Otsu)算法确定病斑区域分割的最佳阈值,以最大精度分割、提取病斑区域。采用粒子群算法(PSO)优化机器学习SVM算法参数,建立梨树轮纹病最佳SVM分类器。借助参考物体计算病斑区域的当量圆直径,并根据病斑的当量圆直径测算发病等级,确定病情指数并划分抗病性。与传统直尺十字交叉测量法相比,该方法不仅可以检测病斑类型,对发病等级和病情指数的判断也更科学,更准确。同时,对于多片叶子也可实施检测,极大的提升工作效率,为规模化测定梨等果树的轮纹病抗性提供高效实用的方法。
Description
技术领域
本发明涉及植物抗病性鉴定评价和资源筛选技术领域,具体是一种基于支持向量机分类算法测定梨树轮纹病抗性的方法。
背景技术
梨是世界上种植最广泛的果树之一,我国也是梨产业大国,其栽培面积和产量均居世界首位。在梨产业中,病害是制约梨产业发展的重要因素,严重影响梨果实的产量和品质。其中,轮纹病是梨生产中最严重的病害之一,由坏死型营养真菌(Botryosphaeriadothidea)引起。轮纹病又称褐腐病、水烂或粗皮病,主要发生在梨叶片、枝条和果实上。当梨树叶片受到轮纹病菌侵害时,叶片表面会出现褐色或棕色的同心轮纹状病斑,并随着病害程度加剧,病斑不断扩大,严重时会导致梨出现早期落叶现象。轮纹菌侵害后的梨叶片,外观上会呈现近似圆形的不规则病斑。
目前,梨树对于轮纹病害抗性的分类研究仅限于人工操作方法。梨树轮纹病害识别主要依靠人工肉眼进行观察,而抗病性分析的原始数据病斑直径是利用直尺进行十字交叉法获取。但当病斑为不规则形状时,获取的病斑直径就容易产生较大的测量误差,造成梨树抗性分类错误。因此,建立精确、快速、重复性好的梨树轮纹病抗性鉴定方法成为目前梨轮纹病抗性识别系统亟待解决的问题。
现阶段,机器学习算法广泛应用于植物病害类型识别。梨树轮纹病病害在颜色、形状、大小等一些外在特征上有着区别其他病害类型的显著特征。通过机器视觉可以直观地获取差异,对轮纹病害进行精准识别。梨树轮纹病斑区域通过图像分割技术与主体进行分离,并借助参考物体快速计算病斑区域的当量圆直径。根据病斑的当量圆直径检定梨树发病等级,确定其病情指数并划分抗病性,为后续试验奠定基础。
发明内容
本发明目的是针对现有技术中存在的问题,开发同时能对多叶片是否患有轮纹病害进行诊断,并依据病斑的当量圆直径完成抗病性划分等多功能于一体的梨树轮纹病抗性测定方法。
技术方案:
本发明公开了一种基于支持向量机分类算法测定梨树轮纹病抗性的方法,它包括以下步骤:
S1、采集多种梨品种树叶样品并接种轮纹病,采集发病状态不一的梨树叶图像并分类发病状态,建立样本数据库;
S2、梨树叶图像预处理,将叶片图像中的病斑区域与非病斑区域分开;
S3、在病斑区域获取轮纹病斑的图像特征,构造轮纹病斑的特征向量;
S4、基于特征向量训练支持向量机SVM分类器;
S5、获取待测定梨树叶的图像数据;
S6、采用K均值聚类算法对待测定的梨树叶片进行多类病斑识别与分类;
S7、依次提取待测定梨树叶中每一类病斑的单个图像特征向量集,构建图像特征向量集;
S8、将图像特征向量集输入S4训练好的SVM分类器,诊断叶片是否患有轮纹病害。
优选的,S2具体为:
S2-1、彩色图像进行二值化处理获得二值图;
S2-2、应用Otsu分割阈值算法计算二值化图像的最佳分割阈值,运用最佳分割阈值将图像分为病斑区域与非病斑区域;
S2-3、使用形态运算符“open”进行杂点消除,获得最佳的分割图像;
S2-4、将分割图像与原始图像进行映射以获得蒙版彩色图像,其中轮纹病区域以彩色表示,图像的其余部分为黑色。
优选的,S2-1具体为:在GRB彩色图像中,搜寻G分量小于150,将其设置为0进行图像增强;对增强图像进行灰度化处理,并根据二值化阈值函数自动计算最佳阈值,将灰度图转化为二值图。
优选的,S2-3具体为:使用形态运算符“open”搜寻噪点,通过正向和反向填充方法将噪点分别填充至非病斑区域与病斑区域,获得最佳的分割图像。
优选的,S3中,所述图像特征包括统计特性中的均值、标准差、峰度和灰度共生矩阵中的能量、相关性、对比度、熵值;
构造轮纹病斑的特征向量为:
v={MEAN,STD,KUR,ASM,COR,CON,ENTI}
式中:MEAN,STD,KUR分别为图像灰度直方图的均值、标准差和峰度,ASM,COR,CON,ENT分别为灰度共生矩阵的能量、相关性、对比度和熵值。
优选的,S4中,训练SVM分类器,径向基核函数为:
式中,||xi-xj||2为两个特征向量之间的平方欧几里得距离,核参数g代表核函数的宽度,e为自然指数。
优选的,引入粒子群算法PSO自动寻找最优的惩罚系数c与松弛变量g并建立SVM最优分类模型;由于粒子群算法存在局部最优现象,所以在迭代中使每个粒子存在30%变异为随机粒子的概率,用以实现全局最优;PSO初始参数C1=C2=1.5;
S4-1:将SVM模型参数(c,g)映射成粒子的位置坐标(x,y),设定初始种群大小为100,并随机初始化粒子的速度和位置;
S4-2:确定适应度值:粒子的适应度值越大,则粒子位置越好;用每个粒子的k交叉验证值作为模型的适应度;
S4-3:计算每个粒子的适应度值,同时更新个体极值;
S4-4:粒子以30%的概率发生变异,并寻找全局极值和全局极值的位置;
S4-5:按粒子群算法的位置、速度更新规则更新粒子的位置及速度;
S4-6:判断是否达到迭代结束的条件,若达到迭代条件,输出最优粒子的位置,并将粒子的位置(x,y)映射为SVM模型的参数(c,g);若未达到,则返回第3步。
优选的,S6具体为:
S6-1、为所有的聚类取得一个最初的中心,获得k个初始聚类中心;
S6-2、将样本集中的数据依据最小距离的准则分配到离得最近的聚类中;
S6-3、把任意一个聚类中的数据的均值再定义为新的中心;
S6-4、循环步骤S6-2和S6-3,至聚类中心不再改变时停止;
S6-5、结束,得到k个聚类。
优选的,它还包括步骤S9、对患有轮纹病的叶片计算轮纹病斑区域的当量圆直径,根据当量圆直径划分抗病性等级。
优选的,S7依次提取待测定梨树叶中每一类病斑的单个图像特征向量集,构建图像特征向量集;将图像特征向量集输入S4训练好的SVM分类器,诊断叶片是否患有轮纹病害。
优选的,S9具体为:
S9-1、依次计算轮纹病斑区域内的像素面积为S1,S2,S3,…Si;
S9-2、选取已知直径D的参考物,计算参考物的像素面积S;
S9-3将轮纹病斑区域的像素面积与已知直径的参考物的像素面积作对比,得出病斑区域的当量圆直径Di:
Di=SiD/S;
S9-4、根据病斑的当量圆直径Di测算发病等级、病情指数并划分抗病性。
本发明的有益效果
本发明采用大津(Otsu)算法确定病斑区域分割的最佳阈值,以最大精度分割、提取病斑区域。采用粒子群算法(PSO)优化支持向量机(SVM)算法参数,建立梨树轮纹病最佳SVM分类器。借助参考物体计算病斑区域的当量圆直径,并根据病斑的当量圆直径测算发病等级,确定病情指数并划分抗病性。与传统直尺十字交叉测量法相比,该方法不仅可以检测病斑类型,对发病等级和病情指数的判断也更科学,更准确。同时,对于多片叶子也可实施检测,极大的提升工作效率。
附图说明
图1为本发明方法的流程示意图
图2为本发明方法中PSO-SVM群智能分类器参数计算流程图
图3为梨树叶片图像采用K均值聚类分割后的效果图
图4为梨树叶片图像分割后得到的完整轮纹病斑区域效果图
图5为梨树轮纹病斑区域当量圆直径效果图
图6为轮纹病斑区域直径自动化输出至execl表格图
具体实施方式
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,但本发明的保护范围不限于此:
实施例1,结合图1:
S1:本实施例野外采集480种梨品种叶片并接种轮纹病。训练样本与测试样本的比例为2∶1。
S2:应用Otsu分割阈值算法计算二值化图像的最佳分割阈值,运用最佳分割阈值将图像分为轮纹病斑区域与非病斑区域;
S3:轮纹病斑区域图像特征提取,包括统计特性中的均值、标准差、峰度和灰度共生矩阵中的能量、相关性、对比度、熵值;
构造轮纹病斑的特征向量为:
v={MEAN,STD,KUR,ASM,COR,CON,ENTI}
式中:MEAN,STD,KUR分别为图像灰度直方图的均值、标准差和峰度,ASM,COR,CON,ENT分别为灰度共生矩阵的能量、相关性、对比度和熵值。
S4:利用S3中提出的轮纹病斑区域图像特征,参照图2计算流程,训练PSO-SVM群智能分类器,并把种群中具有最大适应度函数值的惩罚系数(c)和核函数参数(g)作为支持向量机模型的最优参数。由于粒子群算法存在局部最优现象,所以在迭代中使每个粒子存在30%变异为随机粒子的概率,用以实现全局最优。PSO初始参数C1=C2=1.5。
S5:采集待鉴定的梨树叶片图像,使用K-means空间聚类算法对图像内的特征区域进行分类。根据图像内元素筛选出叶片、病斑、标签三类不同特征目标,并创建一个空白元胞数组来存储聚类结果。具体步骤如下:首先在样本空间中随机选择3个初始聚类中心,计算图像中其他像素点与初始聚类中心的相似度距离,并将它们赋给相似度距离最高的簇,然后重新计算每个簇的聚类中心,重复上述过程,直到聚类准则函数收敛且误差平方和函数值最小。本实施例识别效果如图3所示。
S6:在分类过程中,可能出现病斑中的白色区域分类至其他区域的可能,如图3所示。因此需要合并1,3两簇,获取完整的叶片病斑区域,效果如图4所示。
S7:获取待检定图像中完整病斑图像特征包括统计特性中的均值、标准差、峰度和灰度共生矩阵中的能量、相关性、对比度、熵值,输入提前训练好的PSO-SVM群智能梨树轮纹病分类器中,判断是否患病;本实施例中病斑区域被判定为患病,则继续实行病斑区域直径检测。
S8:图像右上角硬币区域真实直径作为已知条件,以此作为参照,计算病斑区域的面积对应的当量圆直径;最终在图5上展示病斑的真实直径:
S9:将计算得到的病斑真实直径从matlab中导入excel,效果如图6所示,完成自动化输出结果,可直接用于后续实验。
本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种基于支持向量机分类算法测定梨树轮纹病抗性的方法,其特征在于它包括以下步骤:
S1、采集多种梨品种树叶样品并接种轮纹病,采集发病状态不一的梨树叶图像并分类发病状态,建立样本数据库;
S2、梨树叶图像预处理,将叶片图像中的病斑区域与非病斑区域分开;
S3、在病斑区域获取轮纹病斑的图像特征,构造轮纹病斑的特征向量;
S4、基于特征向量训练支持向量机SVM分类器;
S5、获取待测定梨树叶的图像数据;
S6、采用K均值聚类算法对待测定的梨树叶片进行多类病斑识别与分类;
S7、依次提取待测定梨树叶中每一类病斑的单个图像特征向量集,构建图像特征向量集;
S8、将图像特征向量集输入S4训练好的SVM分类器,诊断叶片是否患有轮纹病害;
S9、对患有轮纹病的叶片计算轮纹病斑区域的当量圆直径,根据当量圆直径划分抗病性等级。
2.根据权利要求1所述的方法,其特征在于S2具体为:
S2-1、彩色图像进行二值化处理获得二值图;
S2-2、应用Otsu分割阈值算法计算二值图的最佳分割阈值,运用最佳分割阈值将图像分为病斑区域与非病斑区域;
S2-3、使用形态运算符“open”进行杂点消除,获得最佳的分割图像;
S2-4、将分割图像与原始图像进行映射以获得蒙版彩色图像,其中轮纹病区域以彩色表示,图像的其余部分为黑色。
3.根据权利要求2所述的方法,其特征在于S2-1具体为:在GRB彩色图像中,搜寻G分量小于150,将其设置为0进行图像增强;对增强图像进行灰度化处理,并根据二值化阈值函数自动计算最佳阈值,将灰度图转化为二值图。
4.根据权利要求2所述的方法,其特征在于S2-3具体为:使用形态运算符“open”搜寻噪点,通过正向和反向填充方法将噪点分别填充至非病斑区域与病斑区域,获得最佳的分割图像。
5.根据权利要求1所述的方法,其特征在于S3中,所述图像特征包括统计特性中的均值、标准差、峰度和灰度共生矩阵中的能量、相关性、对比度、熵值;
构造轮纹病斑的特征向量为:
v={MEAN,STD,KUR,ASM,COR,CON,ENTI}
式中:MEAN,STD,KUR分别为统计特性中的均值、标准差和峰度,ASM,COR,CON,ENT分别为灰度共生矩阵的能量、相关性、对比度和熵值。
6.根据权利要求1所述的方法,其特征在于S4中,训练SVM分类器,径向基核函数为:
式中,‖xi-xj‖2为两个特征向量之间的平方欧几里得距离,核参数g代表核函数的宽度,e为自然指数。
7.根据权利要求6所述的方法,其特征在于引入粒子群算法PSO自动寻找最优的惩罚系数c与松弛变量g并建立SVM最优分类模型;由于粒子群算法存在局部最优现象,所以在迭代中使每个粒子存在30%变异为随机粒子的概率,用以实现全局最优;PSO初始参数C1=C2=1.5;
S4-1:将SVM模型参数(c,g)映射成粒子的位置坐标(x,y),设定初始种群大小为100,并随机初始化粒子的速度和位置;
S4-2:确定适应度值:粒子的适应度值越大,则粒子位置越好;用每个粒子的k交叉验证值作为模型的适应度;
S4-3:计算每个粒子的适应度值,同时更新个体极值;
S4-4:粒子以30%的概率发生变异,并寻找全局极值和全局极值的位置;
S4-5:按粒子群算法的位置、速度更新规则更新粒子的位置及速度;
S4-6:判断是否达到迭代结束的条件,若达到迭代条件,输出最优粒子的位置,并将粒子的位置(x,y)映射为SVM模型的参数(c,g);若未达到,则返回第3步。
8.根据权利要求1所述的方法,其特征在于S6具体为:
S6-1、为所有的聚类取得一个最初的中心,获得k个初始聚类中心;
S6-2、将样本集中的数据依据最小距离的准则分配到离得最近的聚类中;
S6-3、把任意一个聚类中的数据的均值再定义为新的中心;
S6-4、循环步骤S6-2和S6-3,至聚类中心不再改变时停止;
S6-5、结束,得到k个聚类。
9.根据权利要求1所述的方法,其特征在于S9具体为:
S9-1、依次计算轮纹病斑区域内的像素面积为S1,S2,S3,…Si;
S9-2、选取已知直径D的参考物,计算参考物的像素面积S;
S9-3将轮纹病斑区域的像素面积与已知直径的参考物的像素面积作对比,得出病斑区域的当量圆直径Di:
Di=Si D/S;
S9-4、根据病斑的当量圆直径Di测算发病等级、病情指数并划分抗病性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110919361.6A CN113627531B (zh) | 2021-08-11 | 2021-08-11 | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110919361.6A CN113627531B (zh) | 2021-08-11 | 2021-08-11 | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627531A CN113627531A (zh) | 2021-11-09 |
CN113627531B true CN113627531B (zh) | 2023-12-08 |
Family
ID=78384465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110919361.6A Active CN113627531B (zh) | 2021-08-11 | 2021-08-11 | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627531B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973001B (zh) * | 2022-06-17 | 2023-02-03 | 东北林业大学 | 一种湿地植物生长信息监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112070095A (zh) * | 2020-09-14 | 2020-12-11 | 衢州学院 | 一种基于物联网技术的胡柚病虫害监测方法 |
CN112085032A (zh) * | 2020-09-14 | 2020-12-15 | 衢州学院 | 基于物联网图像处理与svm结合的胡柚病虫害动态监测模型 |
CN113077452A (zh) * | 2021-04-09 | 2021-07-06 | 电子科技大学成都学院 | 基于dnn网络和斑点检测算法的苹果树病虫害检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015054666A1 (en) * | 2013-10-10 | 2015-04-16 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multi-classifier ensemble schemes |
-
2021
- 2021-08-11 CN CN202110919361.6A patent/CN113627531B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112070095A (zh) * | 2020-09-14 | 2020-12-11 | 衢州学院 | 一种基于物联网技术的胡柚病虫害监测方法 |
CN112085032A (zh) * | 2020-09-14 | 2020-12-15 | 衢州学院 | 基于物联网图像处理与svm结合的胡柚病虫害动态监测模型 |
CN113077452A (zh) * | 2021-04-09 | 2021-07-06 | 电子科技大学成都学院 | 基于dnn网络和斑点检测算法的苹果树病虫害检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113627531A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN110458847A (zh) | 基于cta影像的自动冠脉分割及中心线提取方法 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
Ji et al. | Recognition method of green pepper in greenhouse based on least-squares support vector machine optimized by the improved particle swarm optimization | |
CN105894044A (zh) | 一种基于车载激光扫描数据的单株树木点云自动提取方法 | |
CN109886277B (zh) | 一种基于轮廓分析的茶鲜叶识别方法 | |
CN112347894B (zh) | 基于迁移学习和高斯混合模型分离的单株植被提取方法 | |
CN110610506A (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
CN103177257A (zh) | 一种鸡腿菇图像识别方法与分级方法 | |
Ouyang et al. | The research of the strawberry disease identification based on image processing and pattern recognition | |
CN113657216A (zh) | 基于形状特征的点云场景树木树冠及木质点分离方法 | |
CN113627531B (zh) | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 | |
CN110866547B (zh) | 基于多特征和随机森林的中药饮片自动分类系统及方法 | |
Liu et al. | Development of a machine vision algorithm for recognition of peach fruit in a natural scene | |
Wang et al. | Segmentation of corn leaf disease based on fully convolution neural network | |
CN106326914B (zh) | 一种基于svm的珍珠多分类方法 | |
CN102938053A (zh) | 一种基于计算机视觉的甘蔗特征提取与识别方法 | |
Dong et al. | Fusing multilevel deep features for fabric defect detection based NTV-RPCA | |
CN109670408A (zh) | 一种基于对象的遥感图像水体提取方法 | |
CN109035311A (zh) | 一种弯骨骨折自动配准及内固定钢板预弯建模方法 | |
CN116188880B (zh) | 基于遥感影像和模糊识别的耕地分类的方法及其系统 | |
CN115601690B (zh) | 一种基于智慧农业的食用菌环境检测方法 | |
CN104239551B (zh) | 基于多特征vp树索引的遥感图像检索方法及装置 | |
CN116563714A (zh) | 一种自动化判别水稻生长阶段的方法和系统 |
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 | ||
CB02 | Change of applicant information |
Address after: 210043 Jiangsu Nanjing Qixia District Bagua Zhou street Jiangsu Qixia modern agriculture industrial park Nanjing Agricultural University modern horticulture industry science and Technology Innovation Center Applicant after: NANJING AGRICULTURAL University Address before: 210000 Wei Gang 1, Xuanwu District, Nanjing, Jiangsu Applicant before: NANJING AGRICULTURAL University |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |