CN113989536A - 一种基于布谷鸟搜索算法的番茄病害识别方法 - Google Patents
一种基于布谷鸟搜索算法的番茄病害识别方法 Download PDFInfo
- Publication number
- CN113989536A CN113989536A CN202010643435.3A CN202010643435A CN113989536A CN 113989536 A CN113989536 A CN 113989536A CN 202010643435 A CN202010643435 A CN 202010643435A CN 113989536 A CN113989536 A CN 113989536A
- Authority
- CN
- China
- Prior art keywords
- model
- tomato
- disease
- search algorithm
- cuckoo search
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于布谷鸟搜索算法的番茄病害识别方法,识别灰霉病、白粉病、晚疫病3种番茄病害。该方法首先利用相机采集3种番茄病害图像和正常叶片各100张,整理分类;基于k‑means初始化GMM模型的聚类算法对病害图像作分割,去除复杂背景;用HSI变换取得病害图像的色度信息,通过调节所需色度范围分割出病斑部位;进一步提取病斑颜色特征、纹理特征等56个,利用ReliefF算法选取47个优良分类特征;利用布谷鸟搜索算法优化神经网络构建番茄CS‑BP植株病害识别器,将47个优良分类特征输入其中,可以有效准确识别3种番茄病害,对番茄病害防治具有重要意义。
Description
技术领域
本发明属于图像识别技术领域,尤其是一种基于布谷鸟搜索算法的番茄病害识别方法。
背景技术
番茄是我们日常生活中常见的蔬菜,富含丰富的维生素,被许多人喜爱。随着科学技术的发展,温室大棚可以实现番茄4季种植,而大棚种植环境下也经常会出现番茄病害。
番茄的生长过程中主要且经常发生的病害有:灰霉病、白粉病、晚疫病3种。当温室大棚湿度较大时植株感染病菌产生灰霉病,严重影响果实;白粉病和灰霉病一样也是病菌感染,严重影响植株生长;温室大棚单一的种植方式造成晚疫病的发生,晚疫病传播速度很快,影响植株生长。这3种病害在温室大棚环境下极易发生,严重影响番茄的产量。及早发现病害然后有针对性地进行治疗尤其重要。因此,准确的番茄植物病害识别具有重要意义。
由于番茄病害多为病菌产生,发病情况相似,很难区分。长久以来,番茄病害的发现都比较晚,并且是由种植人员自己断定并施药,其缺点是易判别错误,无法有效防治。随着科学技术的发展,神经网络和深度学习开始用于植物病害识别,而现有的研究中很少针对番茄病害识别,或者病害识别准确率低、速度较慢。
发明内容
本发明提出一种基于布谷鸟搜索算法的番茄病害识别方法,利用布谷鸟搜索算法,使3种番茄病害的识别准确率达到最优。
一种基于布谷鸟搜索算法的番茄病害识别方法,包括以下步骤:
步骤1,建立番茄病害检测数据集,该数据集采用相机分别拍摄灰霉病、白粉病、晚疫病3种番茄病害叶片和正常叶片各100张;
步骤2,对采集到的图片分类存储在相应类别的文件夹中,然后进行图像处理;
步骤3,对图像进行背景分离、病斑分割;
步骤4,提取分类特征;
步骤5,利用Relief F算法选取47个优良分类特征;
步骤6,采用CS(布谷鸟搜索算法)优化BP神经网络构建分类器模型;
步骤7,对模型进行训练,从而得到植物病害检测结果。
所述步骤3的具体实现方法为:用k-means聚类方法将病害图像先处理成R、G、B值,然后将k-means聚类总数K设为2,实现对三维数据的初始聚类,将聚类结果作为初始值传给GMM模型拟合出数据集的概率分布,实现背景分离;再将病害图像转为HSI颜色模型,通过调节所需色度范围分离出病害部位,实现病斑分割。
所述步骤4的具体实现方法为:提取RGB颜色模型的R、G、B颜色成分,颜色空间HSV的色调H、饱和度S、明度V,颜色模型HSI中的色度H、饱和度S、强度I共9种颜色特征;利用灰度-梯度共生矩阵方法分别提取病害图像在RGB模型,HSV模型,HSI模型上的灰度平均、逆差距、惯性、混合熵、梯度熵、灰度均方差、梯度平均、灰度熵、相关性等共45个纹理特征;利用tamura方法提取RGB模型上的粗糙度、对比度2个纹理特征;总计提取56个特征。
所述步骤6的具体实现方法为:用CS算法(布谷鸟搜索算法)寻优得到最优鸟巢,直接作为BP网络权值阈值。
所述步骤7的具体实现方法为:采用保留交叉验证方式,选择65%作为训练集将47个优良分类特征输入模型进行训练,35%作为测试集用于验证。
本发明具有以下优点:
一、先提取了56个特征,然后利用ReliefF算法选取47个优良分类特征,剔除了不相干和冗余的特征,使识别特征维度降低,有效保留了优良特征,提高模型精确度,简化分类模型,提高模型运行速度。
二、布谷鸟搜索算法寻优时不停变换角度和距离,可以加快寻优速度,利用CS算法(布谷鸟搜索算法)寻优得到最优鸟巢,直接作为BP网络权值阈值,经CS算法优化的BP神经网络更加科学有效。
附图说明
图1为基于布谷鸟搜索算法的番茄病害识别方法流程示意图;
图2为背景分离流程图;
图3为分割背景结果;
图4为病斑分割结果;
图5-1为部分颜色特征数据;
图5-2为RGB模型下的灰度-梯度共生矩阵纹理特征;
图5-3为HSI模型下的灰度-梯度共生矩阵纹理特征;
图5-4为HSV模型下的灰度-梯度共生矩阵纹理特征;
图6-1为CS-BP算法流程示意图;
图6-2为本模型神经网络示意图;
图7为分类器检测结果。
具体实施方式
为了便于理解本发明,下面将参照相关附图进一步详述。
本实例中,番茄病害识别方法的训练和测试过程是在软件MATLAB R2014b实现的,因此首先需要在PC机上安装此软件,PC机和MATLAB版本无具体要求,可以正常运行代码即可。
本发明如图1所示的一种基于布谷鸟搜索算法的番茄病害识别方法,主要包括以下步骤:
步骤1,建立番茄病害检测数据集。该数据集采用相机分别拍摄灰霉病、白粉病、晚疫病3种番茄病害叶片和正常叶片各100张;拍摄照片过程经由专业人士指导,确保采集番茄病害图片的准确性。
步骤2,对采集到的图片分类存储在相应类别的文件夹中,然后进行图像处理。
建立番茄病害识别文件夹,在其中建立灰霉病、白粉病、晚疫病、正常4个文件夹,将采集照片分别对应放入。
步骤3,对图像进行背景分离、病斑分割。
背景分离流程图如图2所示,背景分离结果如图3所示。
对于病害图像背景分离,利用背景部分与番茄病害叶片部分存在的差异,采用了GMM(Gaussian Mixture Model)聚类算法分割病害图像中杂草,阴影等模糊背景,利用GMM模型拟合出数据集的概率分布,实现聚类分离带病斑的番茄植株叶片与模糊背景。
对于病斑分割将病害图像转为HSI颜色模型,通过调节所需色度范围分离出病害部位,提取出有效病害。首先提取经背景分离得到的带病斑的病害叶片中的R、G、B分量,再由转换公式转换成H、S、I分量,然后归一化提取到的色度分量,将其作为色度调节因子h,通过改变h范围去除绿色部分,最后分离出形状完整的病斑。同时对白粉病,灰霉病,晚疫病在不同h值时的分割结果做了研究,当背景颜色为绿色时,直接以调节因子h∈[1/6,0.5]为基本值进行分割,基本能分割掉绿色背景部分,保留下完整病斑3种番茄病害病斑分割结果如图4所示。在MATLAB中分割400张图像病斑耗时7.61s,病斑分割算法执行速度较快,分割结果良好。
步骤4,提取分类特征。
首先提取颜色特征包括RGB颜色模型的R、G、B颜色成分,颜色空间HSV的色调H、饱和度S、明度V,颜色模型HSI中的色度H、饱和度S、强度I共9种颜色特征,对400个样本部分颜色特征如图5-1所示。
其次,利用灰度-梯度共生矩阵方法分别提取病害图像在RGB模型,HSV模型,HSI模型上的灰度平均、逆差距、惯性、混合熵、梯度熵、灰度均方差、梯度平均、灰度熵、相关性等共45个纹理特征,400个样本的部分特征如图5-2、图5-3、图5-4所示。
然后tamura方法提取RGB模型上的粗糙度、对比度纹理特征共2个。因此与灰度梯度矩阵方法结合起来共提取纹理特征47个。
步骤5,利用Relief F算法选取47个优良分类特征;
Relief算法属于一种特征权重算法,主要应用与特征维度较多时,去除线性相关的、对识别结果影响小的特征维度。本文利用reliefF处理四分类特征权重计算问题。实验步骤如下:
首先,每次从训练样本集中随机取出一个样本R,然后从和R同类的样本集中找出R的k个近邻样本(near Hits),即式1中的Hj,然后,从每个R的不同类的样本集中均找出k个近邻样本(near Misses),即式1中的Mj,最后更新每个特征的权重,更新公式如下:
本文选择k=20,分别执行40次得到每次权重。取权重的平均值,以0.05为阈值去除9个多余特征,分别为:HSV颜色空间下的H分量,灰度分布的不均匀性,梯度分布的不均匀性;RGB颜色空间下的灰度分布的不均匀性,梯度分布的不均匀性,惯性;HSI颜色空间下的灰度分布的不均匀性,梯度分布的不均匀性,逆差矩。最终得到维度空间[400,47]的优良特征集。
步骤6,采用CS(布谷鸟搜索算法)优化BP神经网络构建分类器模型。
本方法构造分类器输入的识别特征共47个,作为神经网络输入值x={x1,x2,..,x47},第一层输入a1=x,最终输出y值为识别的病害种类,模型图如图6-2所示。
布谷鸟优化BP神经网络(CS-BP)由CS算法寻优得到最优鸟巢,直接作为BP网络权值阈值,如图6-1所示。步骤如下:
1)首先初始化BP权值阈值,每一个鸟巢的维度d对应着一组BP神经网络的阈值权值,神经网络根据每一个鸟巢xn对训练集进行训练。
2)在最优鸟巢位置上做levy飞行,通过公式(2)确定飞行步长,
levy=alpha·s·(xn-xb) 式(2)
其中s指levy飞行步长,alpha=0.01。
3)通过更新公式(3)得到新的鸟窝位置,将产生的新一代鸟窝位置pt=[x1(t),x2(t),x3(t),...,xn(t)]T通过BP神经网络训练后,比较找出新巢最优位置fmin,此时最优鸟巢xb (t)(xb (t)∈pt)。
x(t+1)=x(t)+randn·levy 式(3)
4)再次比较新gt与旧pt的fmin,得到较优位置pt=[x1(t),x2(t),x3(t),...,xn(t)]T。
5)再次计算pt每组鸟巢位置对应的适应度值,找出适应度最优位置fmin,此时最优鸟巢xb(b{1,n})。
不断循环,当达到迭代条件或其他规则时停止,找出的最优值fmin对应的最优鸟巢位置xb即为优化BP的权值阈值。
步骤7,对模型进行训练,从而得到植物病害检测结果。
采用保留交叉验证方式,选择65%作为训练集将47个优良分类特征输入模型进行训练,35%作为测试集用于验证,结果如图7所示,平均准确率80.7%。
从实验结果可以看出,基于布谷鸟搜索算法优化的BP神经网络可以实现番茄黑霉病、白粉病、晚疫病3种病害的识别,准确率较好。
Claims (5)
1.一种基于布谷鸟搜索算法的番茄病害识别方法,包括以下步骤:
步骤1,建立番茄病害检测数据集,该数据集采用相机分别拍摄灰霉病、白粉病、晚疫病3种番茄病害叶片和正常叶片各100张;
步骤2,对采集到的图片分类存储在相应类别的文件夹中;
步骤3,对图像进行背景分离、病斑分割;
步骤4,提取分类特征;
步骤5,利用Relief F算法选取47个优良分类特征;
步骤,6,采用CS(布谷鸟搜索算法)优化BP神经网络构建分类器模型;
步骤7,对模型进行训练,从而得到植物病害检测结果。
2.如权利要求1所述的一种基于布谷鸟搜索算法的番茄病害识别方法,其特征在于:所述步骤3的具体实现方法为:用k-means聚类方法将病害图像先处理成R、G、B值,然后将k-means聚类总数K设为2,实现对三维数据的初始聚类,将聚类结果作为初始值传给GMM模型拟合出数据集的概率分布,实现背景分离;再将病害图像转为HSI颜色模型,通过调节所需色度范围分离出病害部位,实现病斑分割。
3.如权利要求1所述一种基于布谷鸟搜索算法的番茄病害识别方法,其特征在于:所述步骤4的具体实现方法为:提取RGB颜色模型的R、G、B颜色成分,颜色空间HSV的色调H、饱和度S、明度V,颜色模型HSI中的色度H、饱和度S、强度I共9种颜色特征;利用灰度-梯度共生矩阵方法分别提取病害图像在RGB模型,HSV模型,HSI模型上的灰度平均、逆差距、惯性、混合熵、梯度熵、灰度均方差、梯度平均、灰度熵、相关性等共45个纹理特征;利用tamura方法提取RGB模型上的粗糙度、对比度2个纹理特征;总计提取56个特征。
4.如权利要求1所述一种基于布谷鸟搜索算法的番茄病害识别方法,其特征在于:所述步骤6的具体实现方法为:用CS算法(布谷鸟搜索算法)寻优得到最优鸟巢,直接作为BP网络权值阈值。
5.如权利要求1所述一种基于布谷鸟搜索算法的番茄病害识别方法,其特征在于:所述步骤7的具体实现方法为:采用保留交叉验证方式,选择65%作为训练集将47个优良分类特征输入模型进行训练,35%作为测试集用于验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010643435.3A CN113989536A (zh) | 2020-07-09 | 2020-07-09 | 一种基于布谷鸟搜索算法的番茄病害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010643435.3A CN113989536A (zh) | 2020-07-09 | 2020-07-09 | 一种基于布谷鸟搜索算法的番茄病害识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989536A true CN113989536A (zh) | 2022-01-28 |
Family
ID=79731249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010643435.3A Pending CN113989536A (zh) | 2020-07-09 | 2020-07-09 | 一种基于布谷鸟搜索算法的番茄病害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989536A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115050014A (zh) * | 2022-06-15 | 2022-09-13 | 河北农业大学 | 一种基于图像文本学习的小样本番茄病害识别系统及方法 |
CN116740015A (zh) * | 2023-06-12 | 2023-09-12 | 北京长木谷医疗科技股份有限公司 | 基于深度学习的医学图像智能检测方法、装置及电子设备 |
-
2020
- 2020-07-09 CN CN202010643435.3A patent/CN113989536A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115050014A (zh) * | 2022-06-15 | 2022-09-13 | 河北农业大学 | 一种基于图像文本学习的小样本番茄病害识别系统及方法 |
CN116740015A (zh) * | 2023-06-12 | 2023-09-12 | 北京长木谷医疗科技股份有限公司 | 基于深度学习的医学图像智能检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Cloud shape classification system based on multi-channel cnn and improved fdm | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN105488536B (zh) | 一种基于多特征深度学习技术的农田害虫图像识别方法 | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN110837870B (zh) | 基于主动学习的声呐图像目标识别方法 | |
CN111540006B (zh) | 基于深度迁移学习的植物气孔智能检测与识别方法及系统 | |
CN109086799A (zh) | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 | |
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 | |
CN103839078B (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN110222215B (zh) | 一种基于f-ssd-iv3的作物害虫检测方法 | |
CN106845528A (zh) | 一种基于K‑means与深度学习的图像分类算法 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN111598001B (zh) | 一种基于图像处理的苹果树病虫害的识别方法 | |
CN105320970B (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
CN110956212A (zh) | 一种基于视觉特征融合的打叶质量检测方法 | |
Zhu et al. | The identification of white fertile eggs prior to incubation based on machine vision and least square support vector machine | |
CN112464983A (zh) | 一种用于苹果树叶病害图像分类的小样本学习方法 | |
Zhao et al. | A detection method for tomato fruit common physiological diseases based on YOLOv2 | |
CN113989536A (zh) | 一种基于布谷鸟搜索算法的番茄病害识别方法 | |
CN110503140A (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
CN103839076B (zh) | 一种基于光照特征的网络敏感图像识别方法 | |
CN113610035B (zh) | 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法 | |
Rachmad et al. | Corn leaf disease classification using local binary patterns (LBP) feature extraction | |
CN109145770B (zh) | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 |
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 |