CN114997300A - 基于监督学习的小麦条锈病严重度评估方法 - Google Patents
基于监督学习的小麦条锈病严重度评估方法 Download PDFInfo
- Publication number
- CN114997300A CN114997300A CN202210585552.8A CN202210585552A CN114997300A CN 114997300 A CN114997300 A CN 114997300A CN 202210585552 A CN202210585552 A CN 202210585552A CN 114997300 A CN114997300 A CN 114997300A
- Authority
- CN
- China
- Prior art keywords
- stripe rust
- wheat stripe
- severity
- diseased
- optimal
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- 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]
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于监督学习的小麦条锈病严重度评估方法,包括:采集小麦条锈病病叶图像,对所述病叶图像进行预处理,获取小麦条锈病发病单叶分割图像和病斑分割图像;基于所述小麦条锈病发病单叶分割图像和所述病斑分割图像获取发病单叶总面积和病斑面积,计算所述病斑面积占所述发病单叶总面积的百分率;基于监督学习,构建小麦条锈病严重度评估模型,以严重度评估准确率为评价指标,获得最优小麦条锈病严重度评估模型,利用所述最优小麦条锈病严重度评估模型对小麦条锈病发病叶片严重度进行评估。本发明方法简便、易于操作,有利于在实际中应用,并可提高严重度评估的准确性,对于小麦条锈病的调查、监测、预测预报和防控具有重要意义。
Description
技术领域
本发明涉及植物保护技术领域,特别是涉及一种基于监督学习的小麦条锈病严重度评估方法。
背景技术
由条形柄锈菌小麦专化型(Puccinia striiformis f.sp.tritici)引起的小麦条锈病是世界范围内小麦上的一种重要病害,是我国小麦生产中最重要的病害之一。小麦条锈病具有流行频率高、发生面积广、危害严重等特点,曾在我国多次发生大流行,一直是我国小麦安全生产的严重威胁,其2020年9月被我国农业农村部列入《一类农作物病虫害名录》。为了可持续、有效地控制小麦条锈病的发生和流行,开展该病害的调查和监测非常重要。通过病害调查和监测,可为该病害表型测定、预测预报、病害防治策略制定等提供依据。
严重度(severity)是小麦条锈病调查和监测过程中需要测定的一种重要指标。严重度是描述单个植物或单个植物器官等调查植物单元发病严重程度的指标。开展植物病害严重度评估时,应当严格按照相应植物病害的严重度分级标准进行。根据我国现行的中华人民共和国国家标准“小麦条锈病测报技术规范”(GB/T 15795-2011),小麦条锈病的严重度依据病叶上病斑面积占叶片总面积的百分率进行划分,利用分级法将其划分为1%、5%、10%、20%、40%、60%、80%、100%共8个级别,处于级别之间的病情取其接近值,已经发病但是严重度低于1%的记为1%。通常情况下,小麦条锈病的病斑面积即是指发病叶片上的所有夏孢子堆的面积。
目前,小麦条锈病的严重度调查和评估主要是依靠有经验的人员利用肉眼观察法进行。除了肉眼观察法外,有时可以利用所调查的普遍率进行严重度估测,或者借助图像处理技术、遥感技术、近红外光谱技术等进行严重度级别辨识或估测。在实验室内开展研究工作时,可以通过网格纸测定法、纸样称重法等进行小麦条锈病严重度的评估。基于遥感技术和近红外光谱技术的小麦条锈病严重度评估主要仍处于研究阶段,在实际生产中应用很少。基于图像处理的小麦条锈病严重度评估研究逐渐增多。利用图像处理技术进行小麦条锈病严重度评估,目前主要有两种方法,一种方法是基于所提取的病害图像特征直接进行小麦条锈病严重度级别评估;另一种方法是通过图像处理,获得病斑面积占发病叶片总面积的百分率,然后将获得的百分率直接与病害严重度分级标准相对照,进而确定相应发病叶片的严重度级别。由于小麦条锈病严重度分级标准中的级别所代表的病斑面积占发病叶片总面积的百分率并非是病斑面积占发病叶片总面积的实际百分率,对于一定的小麦条锈病严重度级别发病叶片,病斑面积占发病叶片总面积的实际百分率会明显低于严重度分级标准中的百分率,从而使获得的病斑面积占发病叶片总面积的百分率与严重度分级标准中的百分率不能吻合,导致严重度评估的误差较大或完全错误,会严重影响小麦条锈病严重度的准确评估。
小麦条锈病严重度评估的现有方法往往存在费时费力、评估误差大、准确性低或可应用性差等问题,需要研究一种简便、易于操作、快速、准确的小麦条锈病严重度评估方法,这对于该病害的调查、监测、预测预报和防控等具有重要意义。
发明内容
本发明的目的是提供一种基于监督学习的小麦条锈病严重度评估方法,以解决上述现有技术中存在的问题。
为实现上述目的,本发明提供了如下方案:
基于监督学习的小麦条锈病严重度评估方法,包括:
采集小麦条锈病病叶图像,对所述病叶图像进行预处理,获取小麦条锈病发病单叶分割图像和病斑分割图像;
基于所述小麦条锈病发病单叶分割图像和所述病斑分割图像获取发病单叶总面积和病斑面积,计算所述病斑面积占所述发病单叶总面积的百分率;
基于监督学习,构建小麦条锈病严重度评估模型,以严重度评估准确率为评价指标,获得最优小麦条锈病严重度评估模型,利用所述最优小麦条锈病严重度评估模型对小麦条锈病发病叶片严重度进行评估。
优选地,采集所述小麦条锈病病叶图像,包括:利用具有拍照功能的设备获取所述小麦条锈病的病叶图像,其中,所述小麦条锈病包括不同严重度级别。
优选地,对所述病叶图像进行预处理,获取发病单叶分割图像和病斑分割图像,包括:
将小麦条锈病发病单叶从所述病叶图像的背景中进行分离,获得所述小麦条锈病发病单叶分割图像,将病斑从所述小麦条锈病发病单叶分割图像上进行分割,获得所述病斑分割图像。
优选地,计算所述病斑面积占所述发病单叶总面积的百分率的方法为:
其中,Sp为病斑面积占叶片总面积的百分率;Ad为病斑区域像素数量,Al为叶片区域总像素数量。
优选地,构建所述小麦条锈病严重度评估模型,包括:
基于所述病斑面积占所述发病单叶总面积的百分率,通过监督学习方法,构建所述小麦条锈病严重度评估模型,其中所述监督学习方法包括支持向量机SVM、随机森林、K最近邻KNN三种监督学习方法。
优选地,构建所述小麦条锈病严重度评估模型,包括:将不同严重度级别的图像分别按照建模比采用系统抽样法划分为训练集和测试集,再将所有严重度级别的所述训练集和所述测试集分别重新组合成新的训练集和测试集,基于重新组合成的所述新的训练集构建所述小麦条锈病严重度评估模型,其中,所述不同严重度级别的图像包括已经获得病斑面积占发病单叶总面积的百分率数据的图像。
优选地,所述最优小麦条锈病严重度评估模型是从所构建的小麦条锈病严重度评估最优SVM模型、小麦条锈病严重度评估最优随机森林模型和小麦条锈病严重度评估最优KNN模型中根据所述严重度评估准确率选择获得的所述最优小麦条锈病严重度评估模型。
优选地,构建所述小麦条锈病严重度评估最优SVM模型,包括:
利用径向基核函数,采用网格搜索算法,在预设范围内,设定搜索步距,搜索最优的惩罚参数C和核函数参数g,通过3折交叉验证方法,将训练集严重度评估准确率达到最高时的所述惩罚参数C和所述核函数参数g作为最优模型参数,构建所述小麦条锈病严重度评估最优SVM模型。
优选地,构建所述小麦条锈病严重度评估最优随机森林模型,包括:
确定所需决策树的数目,根据小麦条锈病严重度评估效果,确定最优决策树数目,基于所述最优决策树数目,构建所述小麦条锈病严重度评估最优随机森林模型。
优选地,构建所述小麦条锈病严重度评估最优KNN模型,包括:
基于KNN分类器,选用欧几里得距离为默认的距离度量,在预设范围内,以相同步长选择不同的K值,建立不同模型,根据所述小麦条锈病严重度评估效果,确定最优K值,利用所述最优K值,构建所述小麦条锈病严重度评估最优KNN模型。
本发明的有益效果为:
(1)本发明方法简便、易于操作,所构建的小麦条锈病严重度评估模型是依据病斑面积占发病叶片总面积的实际百分率,利用监督学习方法,建立的小麦条锈病严重度级别与病斑面积占发病叶片总面积的百分率之间的关系模型,更有利于在实际中应用,并可提高严重度评估的准确性,对于小麦条锈病的调查、监测、预测预报和防控具有重要意义;
(2)本发明提供的方法从根本上解决了小麦条锈病严重度级别评估划分难度大和依据病斑面积占发病叶片总面积的实际百分率难与严重度分级标准中的病斑面积占叶片总面积的百分率直接对照而进行病害严重度评估的问题。
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为本发明实施例的基于监督学习的小麦条锈病严重度评估方法流程图。
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在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种基于监督学习的小麦条锈病严重度评估方法,其具体的技术方案(图1)如下:
1)小麦条锈病各个严重度级别的发病叶片图像获取
利用数码相机、手机或具有拍照功能的摄像头等设备拍照获得小麦条锈病的各个严重度级别的发病叶片图像。
2)叶片区域图像分割和病斑图像分割
借助于图像处理软件手动或自动将小麦条锈病发病单叶从背景中分割出来,获得小麦条锈病发病单叶分割图像,并将病斑从发病单叶上分割出来,获得病斑分割图像。
3)发病单叶总面积和病斑面积计算
借助于图像处理软件提取小麦条锈病发病单叶和病斑的面积特征,获得发病单叶总面积和病斑面积;或者借助于图像处理软件,统计计算发病单叶总像素的数量和病斑像素的数量。
4)病斑面积占发病单叶总面积百分率的计算
根据获得的发病单叶总面积和病斑面积或发病单叶总像素的数量和病斑像素的数量,由病斑面积(病斑像素数)除以发病单叶总面积(发病单叶总像素数)获得病斑面积占发病单叶总面积的百分率。
5)基于监督学习的小麦条锈病严重度评估模型的构建
基于获得的各个严重度级别对应发病叶片的病斑面积占叶片总面积的百分率,利用SVM、随机森林、KNN等监督学习方法,构建小麦条锈病严重度评估模型。
6)基于监督学习的小麦条锈病严重度最优模型的确定
以严重度评估准确率为评价指标,对所构建的基于监督学习的各个小麦条锈病严重度评估模型进行评价,获得基于监督学习的小麦条锈病严重度评估最优模型,按照获得的小麦条锈病严重度评估最优模型对小麦条锈病发病叶片进行严重度评估。
7)小麦条锈病发病叶片的严重度评估
根据小麦条锈病病叶或获取的小麦条锈病病叶图像,估计或通过图像处理获得发病叶片中病斑面积占叶片总面积的百分率,然后根据所获得的小麦条锈病严重度评估最优模型,评估确定小麦条锈病发病叶片的严重度级别。
在本具体实施方式中,包含两个实施例,分别为未考虑健康叶片情况下的基于监督学习的小麦条锈病严重度评估方法和考虑健康叶片情况下的基于监督学习的小麦条锈病严重度评估方法。下面对这两种情况分别进行说明。
实施例1.一种基于监督学习的小麦条锈病严重度评估方法(未考虑健康叶片情况):
1)小麦条锈病各个严重度级别的发病叶片图像获取
按照我国“小麦条锈病测报技术规范”(GB/T 15795-2011)中的小麦条锈病严重度分级标准,从中国农业大学上庄实验站和中国农业大学宏观植物病理学实验室人工气候室发生条锈病的小麦上分别采集严重度级别为1%、5%、10%、20%、40%、60%、80%、100%的小麦条锈病典型症状病叶样品,将每一病叶铺平展开用双面胶固定于纯白色A4纸上进行拍照。图像采集设备为NIKON D700数码单反相机、HUAWEI P30手机、iPhone 6S手机,所采集图像的分辨率分别为4256×2832像素、3648×2736像素、4032×3024像素,格式均为JEPG,24位图。获得小麦条锈病每一严重度级别病叶图像50张,共获得400张图像。
2)叶片区域图像分割和病斑区域图像分割
使用Adobe Photoshop 2022(以下简称PS)软件分别完成对叶片区域的手动分割和病斑区域的手动分割。在PS软件中打开小麦条锈病发病叶片图像,使用快速选择工具选中完整叶片区域,选择反向,将前景色填充为黑色;最后将图像分别存储为JPEG格式和TIFF格式。使用快速选择工具时,未选择增强边缘,多数情况下,大小选择钢笔压力,设为5像素,硬度为0%,间距为25%,角度为35°,圆度为100%。在完成发病叶片分割后,复制叶片图层(PS软件中该图层名为背景)形成新图层(PS软件中该图层名为图层1)。隐藏背景图层,显示并选中图层1;反复使用魔棒工具选中非病斑区域并将其填充为黑色,从而完成对病斑的初步分割;若还有非病斑区域未显示为黑色,则使用套索工具圏中该区域并将其填充为黑色,从而完成对病斑的二次分割;显示背景图层,选中图层1,通过对图层1的反复显示和隐藏,检查是否对病斑区域进行了完全分割;检查中若有病斑区域显示为黑色,选中并隐藏图层1,显示背景图层,使用套索工具圈中该区域并将其清除;直至完全手动分割出病斑区域后,使用魔棒工具点击非病斑区域,然后选择反向,最后将图层1分别存储为JPEG格式和TIFF格式的图像。在使用魔棒工具时,取样大小设为取样点,容差设置为0~35,根据实际选择情况分别对容差值进行调整和对连续选项进行选择;使用套索工具时,羽化设为0像素;以上所有处理,均未选择消除锯齿和对所有图层取样选项。
3)分割的叶片区域图像和病斑区域图像像素统计
在本实施例中,使用PS软件分别完成对分割的叶片区域图像和病斑区域图像的像素统计。在PS软件中选择分割后的完整叶片区域,从直方图面板中查看叶片区域像素并将其记录在Microsoft Excel2016(以下简称Excel)表中。在PS软件中选择分割后的病斑区域,从直方图面板中查看病斑区域像素并将其记录在Excel表中。
4)病斑面积占叶片总面积百分率的计算
使用记录在Excel表中的叶片区域像素和病斑区域像素,分别对各个严重度级别所对应的发病叶片图像进行其病斑像素数所占叶片总像素数的百分率的计算,即获得相应发病叶片的病斑面积所占叶片总面积的百分率,计算公式如下:
式中,Sp为病斑面积占叶片总面积的百分率;Ad为病斑区域像素数量,Al为叶片区域总像素数量。
5)基于监督学习的小麦条锈病严重度评估模型的构建
将病害严重度划分为1-8个级别,将病害严重度1%对应严重度级别设为1,病害严重度5%对应严重度级别设为2,病害严重度10%对应严重度级别设为3,病害严重度20%对应严重度级别设为4,病害严重度40%对应严重度级别设为5,病害严重度60%对应严重度级别设为6,病害严重度80%对应严重度级别设为7,病害严重度100%对应严重度级别设为8,共包括8个类别,每个类别含有50个样品。将所有样品按照病斑面积占叶片总面积百分率从大到小进行排序,将每个类别的图像分别按照建模比4:1和3:2采用系统抽样法划分为训练集和测试集,再将所有类别的训练集和测试集分别重新组合成新的训练集和测试集。对8个类别的图像,每个类别分别按照建模比4:1和3:2采用系统抽样法划分为训练集和测试集,这样,在每个建模比情况下,就可以分别获得8个训练集和8个测试集(每个严重度级别的图像被分为1个训练集和1个测试集),然后由8个训练集组成新的训练集,由8个测试集组成新的测试集。
当建模比为4:1时,训练集和测试集分别包含320个和80个样品;当建模比为3:2时,训练集和测试集分别包含240个和160个样品。基于病斑面积占叶片总面积的百分率,利用SVM、随机森林、KNN三种监督学习方法,构建小麦条锈病严重度评估模型。
利用LIBSVM-3.23软件包中的C-SVM进行小麦条锈病严重度评估SVM模型的构建。在构建小麦条锈病严重度评估SVM模型时,利用径向基核函数,采用网格搜索算法(gridsearch algorithm),在2-10~210范围内,搜索步距为0.4,搜索最优的惩罚参数C和核函数参数g,利用3折交叉验证方法,将训练集严重度评估准确率达到最高时的C和g作为最优模型参数,用于构建小麦条锈病严重度评估最优SVM模型。
利用随机森林构建小麦条锈病严重度评估模型时,决策树的数目分别选取10、20、30、40、50、60、70、80、100,根据所建模型的严重度评估效果,确定最优决策树数目,然后利用最优决策树数目、其他参数均使用默认值,构建小麦条锈病严重度评估最优随机森林模型。
利用MATLAB R2019b中自带的KNN分类器进行小麦条锈病严重度评估模型的构建,选用欧几里得距离(Euclidean distance)为默认的距离度量,在1~20范围内,以2作为步长选择不同的K值,建立不同模型,根据所建模型的严重度评估效果,确定最优K值,然后利用最优K值、其他参数均使用默认值,构建小麦条锈病严重度评估最优KNN模型。
利用所构建的最优SVM模型、随机森林模型和KNN模型,对训练集和测试集进行小麦条锈病严重度评估,分别计算严重度评估准确率,以选择最优的小麦条锈病严重度评估模型。
6)基于SVM、随机森林、KNN的小麦条锈病严重度评估模型的评估结果
利用所构建的小麦条锈病严重度评估最优的SVM模型、随机森林模型和KNN模型,对训练集和测试集进行小麦条锈病严重度评估,评估结果表1所示,表1为基于SVM、随机森林、KNN构建的小麦条锈病严重度评估模型的评估结果。
表1
结果表明,在建模比为4:1情况下,当最优参数C和g分别为1.741和6.964时,基于SVM构建的小麦条锈病严重度评估模型最优;当最佳决策树数目为10时,基于随机森林构建的小麦条锈病严重度评估模型最优;当最佳K值为3时,基于KNN构建的小麦条锈病严重度评估模型最优。在建模比为3:2情况下,当最优参数C和g分别为0.758和6.964时,基于SVM构建的小麦条锈病严重度评估模型最优;当最佳决策树数目为20时,基于随机森林构建的小麦条锈病严重度评估模型最优;当最佳K值为5时,基于KNN构建的小麦条锈病严重度评估模型最优。结果表明,利用SVM、随机森林、KNN三种监督学习方法所构建的小麦条锈病严重度评估模型,在不同的建模比情况下,严重度评估效果均很好。在利用SVM、随机森林、KNN三种监督学习方法所构建的小麦条锈病严重度评估模型中,仅利用KNN方法构建的小麦条锈病严重度评估模型,在建模比为4:1时,训练集和测试集的严重度评估准确率分别为99.69%和100.00%,其他两种方法构建的小麦条锈病严重度评估模型对训练集和测试集的严重度评估准确率均达到100.00%。
结果表明,对未含健康叶片的小麦条锈病发病叶片严重度进行评估时,利用SVM、随机森林、KNN三种监督学习方法构建的严重度评估模型效果均较好,其中,在两种建模比情况下,利用SVM和随机森林方法构建的小麦条锈病严重度评估模型的效果均最优,对训练集和测试集的严重度评估准确率均达到100.00%。结果表明,利用本发明提供的小麦条锈病严重度评估方法可以获得非常高的准确性,本发明提供的方法可以应用于小麦条锈病严重度评估。
实施例2.一种基于监督学习的小麦条锈病严重度评估方法(考虑健康叶片情况):
1)小麦条锈病各个严重度级别的发病叶片图像获取;
2)叶片区域图像分割和病斑图像分割;
3)分割的叶片区域图像和病斑区域图像像素统计;
4)病斑面积占叶片总面积百分率的计算;
以上步骤实现方法与实施例1实现方式中所采用的方法均相同,此处不再赘述。
5)基于监督学习的小麦条锈病严重度评估模型的构建
为了使得构建的小麦条锈病严重度评估模型能够对健康叶片进行评估,将健康叶片的病斑面积占叶片总面积百分率记为0%,每一个病斑面积占叶片总面积百分率为0%的健康叶片作为一个健康叶片图像样品,共补充50个健康叶片样品。将病害严重度划分为0-8个级别,将健康叶片样品对应严重度级别设为0,病害严重度1%对应严重度级别设为1,病害严重度5%对应严重度级别设为2,病害严重度10%对应严重度级别设为3,病害严重度20%对应严重度级别设为4,病害严重度40%对应严重度级别设为5,病害严重度60%对应严重度级别设为6,病害严重度80%对应严重度级别设为7,病害严重度100%对应严重度级别设为8,共包括9个类别,每个类别含有50个样品。将所有样品按照病斑面积占叶片总面积百分率从大到小进行排序,将每个类别的图像分别按照建模比4:1和3:2采用系统抽样法划分为训练集和测试集,再将所有类别的训练集和测试集分别重新组合成新的训练集和测试集。当建模比为4:1时,训练集和测试集分别包含360个和90个样品;当建模比为3:2时,训练集和测试集分别包含270个和180个样品。基于病斑面积占叶片总面积的百分率,利用SVM、随机森林、KNN三种监督学习方法,构建小麦条锈病严重度评估模型。
借助LIBSVM-3.23软件包中的C-SVM进行小麦条锈病严重度评估SVM模型的构建。在构建小麦条锈病严重度评估SVM模型时,利用径向基核函数,采用网格搜索算法(gridsearch algorithm),在2-10~210范围内,搜索步距为0.4,搜索最优的惩罚参数C和核函数参数g,利用3折交叉验证方法,将训练集严重度评估准确率达到最高时的C和g作为最优模型参数,用于构建小麦条锈病严重度评估最优SVM模型。
利用随机森林构建小麦条锈病严重度评估模型时,决策树的数目分别选取10、20、30、40、50、60、70、80、100,根据所建模型的严重度评估效果,确定最优决策树数目,然后利用最优决策树数目、其他参数均使用默认值,构建小麦条锈病严重度评估最优随机森林模型。
利用MATLAB R2019b中自带的KNN分类器进行小麦条锈病严重度评估模型的构建,选用欧几里得距离(Euclidean distance)为默认的距离度量,在1~20范围内,以2作为步长选择不同的K值,建立不同模型,根据所建模型的严重度评估效果,确定最优K值,然后利用最优K值、其他参数均使用默认值,构建小麦条锈病严重度评估最优KNN模型。
利用构建的最优SVM模型、随机森林模型和KNN模型,对训练集和测试集进行小麦条锈病严重度评估,分别计算严重度评估准确率,以选择最优的小麦条锈病严重度评估模型。
6)基于SVM、随机森林、KNN的小麦条锈病严重度评估模型的评估结果
利用构建的小麦条锈病严重度评估最优的SVM模型、随机森林模型和KNN模型,对训练集和测试集进行小麦条锈病严重度评估,评估结果表2所示。表2为基于SVM、随机森林、KNN构建的小麦条锈病严重度评估模型的评估结果(含有健康叶片情况下)。
表2
结果表明,利用SVM、随机森林、KNN三种监督学习方法所构建的小麦条锈病严重度评估模型,在不同的建模比情况下,对训练集严重度评估准确率均达到99%以上,对测试集严重度评估准确率均达到100.00%。在建模比为4:1情况下,当最优参数C和g分别为2.297和4时,所构建的小麦条锈病严重度评估最优SVM模型对训练集和测试集的评估准确率分别为99.72%和100.00%;当最优决策树数目为10时,所构建的小麦条锈病严重度评估最优随机森林模型对训练集和测试集的评估准确率均达到100.00%;当最优K值为9时,所构建的小麦条锈病严重度评估最优KNN模型对训练集和测试集的评估准确率分别为99.17%和100.00%。在建模比为3:2情况下,当最优参数C和g分别为194.012和0.330时,所构建的小麦条锈病严重度评估最优SVM模型对训练集和测试集的评估准确率分别为99.63%和100.00%;当最优决策树数目为20时,所构建的小麦条锈病严重度评估最优随机森林模型对训练集和测试集的评估准确率均达到100.00%;当最优K值为5时,所构建的小麦条锈病严重度评估最优KNN模型对训练集和测试集的评估准确率分别为99.63%和100.00%。
结果表明,对包含健康叶片的小麦条锈病发病叶片严重度进行评估时,利用SVM、随机森林、KNN三种监督学习方法构建的严重度评估模型效果均较好,其中,在两种建模比情况下构建的小麦条锈病严重度评估随机森林模型的效果均最优,对训练集和测试集的评估准确率均达到100.00%。结果表明,利用本发明提供的小麦条锈病严重度评估方法可以获得很高的准确性,本发明提供的方法可以应用于小麦条锈病严重度评估。
在本发明的两个实施例中,无论是在未考虑小麦条锈病健康叶片的情况下,还是在考虑小麦条锈病健康叶片的情况下,对每一严重度级别的小麦条锈病样品,按照4:1和3:2两个建模比使用系统抽样法进行抽样,分别建立训练集和测试集,再将所有严重度级别的训练集和测试集分别重新组合成新的训练集和测试集,在这两种建模比下,利用SVM、随机森林、KNN三种监督学习方法所构建的小麦条锈病严重度评估模型均获得了非常好的严重度评估效果,特别是经过SVM、随机森林、KNN三种建模方法比较后获得的小麦条锈病严重度评估最优模型对训练集和测试集的严重度评估准确率均为100.00%,对小麦条锈病严重度的评估效果非常好。因此,本发明提供的基于监督学习的小麦条锈病严重度评估方法是非常好的一种方法。该方法简单易用、准确性高,彻底解决了依据病斑面积占发病叶片总面积的百分率进行小麦条锈病严重度评估时严重度分级标准中病斑面积占发病叶片总面积的百分率与病斑面积占发病叶片总面积的实际百分率不一致的问题,为准确评估小麦条锈病严重度提供了基础。本发明提供的方法和思路也同样适用于其他依据病斑面积占植物单元总面积的比率进行病害严重度评估时严重度划分级别中病斑面积占植物单元总面积的比率与病斑面积占植物单元总面积的实际比率不一致的病害,例如小麦叶锈病等,可用于解决这类病害的严重度评估问题。本发明实施例中利用了SVM、随机森林、KNN三种监督学习方法建立小麦条锈锈病严重度评估模型,这里仅是提供了两个实施例,采用本发明所提供的思路,利用其他监督学习方法建立小麦条锈病严重评估模型也同样在本发明专利保护范围之内。
本发明提供了一种小麦条锈病严重度评估方法,该方法简便、易于操作,所构建的小麦条锈病严重度评估模型是依据病斑面积占发病叶片总面积的实际百分率,利用监督学习方法,建立的小麦条锈病严重度级别与病斑面积占发病叶片总面积的百分率之间的关系模型,更有利于在实际中应用,并可提高严重度评估的准确性,对于小麦条锈病的调查、监测、预测预报和防控具有重要意义。本发明提供的方法从根本上解决了小麦条锈病严重度级别评估划分难度大和依据病斑面积占发病叶片总面积的实际百分率难与严重度分级标准中的病斑面积占叶片总面积的百分率直接对照而进行病害严重度评估的问题。
在利用图像处理进行小麦条锈病严重度评估中,目前全部是根据分割获得病斑面积占发病叶片总面积的百分率与严重度分级标准中的病斑面积占叶片总面积的百分率直接对照进行严重度评估的,或者根据提取的图像特征建立识别模型进行分类识别的。由于小麦条锈病的病斑面积占发病叶片总面积的实际百分率会明显低于严重度分级标准中对应的百分率,从而会导致严重度评估的误差较大或完全错误,本发明彻底解决了这一问题。
本发明为基于图像处理技术的小麦条锈病严重度自动评估的实现提供了最基础的依据和思路,有利于小麦条锈病严重度自动评估系统的开发和提高小麦条锈病严重度评估的准确性,有利于小麦条锈病严重度评估的自动化和智能化的实现,可为小麦条锈病预测预报、品种抗病性鉴定和品种选育、病害防治策略制定等提供更可靠的支撑。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.基于监督学习的小麦条锈病严重度评估方法,其特征在于,包括:
采集小麦条锈病病叶图像,对所述病叶图像进行预处理,获取小麦条锈病发病单叶分割图像和病斑分割图像;
基于所述小麦条锈病发病单叶分割图像和所述病斑分割图像获取发病单叶总面积和病斑面积,计算所述病斑面积占所述发病单叶总面积的百分率;
基于监督学习,构建小麦条锈病严重度评估模型,以严重度评估准确率为评价指标,获得最优小麦条锈病严重度评估模型,利用所述最优小麦条锈病严重度评估模型对小麦条锈病发病叶片严重度进行评估。
2.根据权利要求1所述的基于监督学习的小麦条锈病严重度评估方法,其特征在于,采集所述小麦条锈病病叶图像,包括:利用具有拍照功能的设备获取所述小麦条锈病的病叶图像,其中,所述小麦条锈病包括不同严重度级别。
3.根据权利要求2所述的基于监督学习的小麦条锈病严重度评估方法,其特征在于,对所述病叶图像进行预处理,获取发病单叶分割图像和病斑分割图像,包括:
将小麦条锈病发病单叶从所述病叶图像的背景中进行分离,获得所述小麦条锈病发病单叶分割图像,将病斑从所述小麦条锈病发病单叶分割图像上进行分割,获得所述病斑分割图像。
5.根据权利要求1所述的基于监督学习的小麦条锈病严重度评估方法,其特征在于,构建所述小麦条锈病严重度评估模型,包括:
基于所述病斑面积占所述发病单叶总面积的百分率,通过监督学习方法,构建所述小麦条锈病严重度评估模型,其中所述监督学习方法包括支持向量机SVM、随机森林、K最近邻KNN三种监督学习方法。
6.根据权利要求1所述的基于监督学习的小麦条锈病严重度评估方法,其特征在于,构建所述小麦条锈病严重度评估模型,包括:将不同严重度级别的图像分别按照建模比采用系统抽样法划分为训练集和测试集,再将所有严重度级别的所述训练集和所述测试集分别重新组合成新的训练集和测试集,基于重新组合成的所述新的训练集构建所述小麦条锈病严重度评估模型,其中,所述不同严重度级别的图像包括已经获得病斑面积占发病单叶总面积的百分率数据的图像。
7.根据权利要求1所述的基于监督学习的小麦条锈病严重度评估方法,其特征在于,所述最优小麦条锈病严重度评估模型是从所构建的小麦条锈病严重度评估最优SVM模型、小麦条锈病严重度评估最优随机森林模型和小麦条锈病严重度评估最优KNN模型中根据所述严重度评估准确率选择获得的所述最优小麦条锈病严重度评估模型。
8.根据权利要求7所述的基于监督学习的小麦条锈病严重度评估方法,其特征在于,构建所述小麦条锈病严重度评估最优SVM模型,包括:
利用径向基核函数,采用网格搜索算法,在预设范围内,设定搜索步距,搜索最优的惩罚参数C和核函数参数g,通过3折交叉验证方法,将训练集严重度评估准确率达到最高时的所述惩罚参数C和所述核函数参数g作为最优模型参数,构建所述小麦条锈病严重度评估最优SVM模型。
9.根据权利要求7所述的基于监督学习的小麦条锈病严重度评估方法,其特征在于,构建所述小麦条锈病严重度评估最优随机森林模型,包括:
确定所需决策树的数目,根据小麦条锈病严重度评估效果,确定最优决策树数目,基于所述最优决策树数目,构建所述小麦条锈病严重度评估最优随机森林模型。
10.根据权利要求7所述的基于监督学习的小麦条锈病严重度评估方法,其特征在于,构建所述小麦条锈病严重度评估最优KNN模型,包括:
基于KNN分类器,选用欧几里得距离为默认的距离度量,在预设范围内,以相同步长选择不同的K值,建立不同模型,根据所述小麦条锈病严重度评估效果,确定最优K值,利用所述最优K值,构建所述小麦条锈病严重度评估最优KNN模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210585552.8A CN114997300A (zh) | 2022-05-27 | 2022-05-27 | 基于监督学习的小麦条锈病严重度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210585552.8A CN114997300A (zh) | 2022-05-27 | 2022-05-27 | 基于监督学习的小麦条锈病严重度评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114997300A true CN114997300A (zh) | 2022-09-02 |
Family
ID=83028788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210585552.8A Pending CN114997300A (zh) | 2022-05-27 | 2022-05-27 | 基于监督学习的小麦条锈病严重度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997300A (zh) |
-
2022
- 2022-05-27 CN CN202210585552.8A patent/CN114997300A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN105021529B (zh) | 融合光谱和图像信息的作物病虫害识别和区分方法 | |
WO2020207070A1 (zh) | 深圳海域水质评价方法及系统 | |
CN110378232B (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
CN109829882B (zh) | 一种糖尿病视网膜病变分期预测方法 | |
CN117078672A (zh) | 基于计算机视觉的手机屏幕缺陷智能检测方法 | |
CN113658174B (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
CN103778630A (zh) | 基于android的田间病害程度图像识别方法 | |
CN103984964A (zh) | 一种试纸条图像识别方法及系统 | |
CN111598868B (zh) | 一种肺部超声图像识别方法和系统 | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
CN115760858A (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
CN115292887A (zh) | 基于病斑面积比率的植物病害严重度评估方法及装置 | |
CN114998732A (zh) | 一种植物病害严重度评估方法及装置 | |
WO2021248599A1 (zh) | 一种类型异常图斑自动识别方法及系统 | |
CN114997300A (zh) | 基于监督学习的小麦条锈病严重度评估方法 | |
CN107316131A (zh) | 一种基于图像识别的电能计量装置安装工艺质量检测系统 | |
CN112690815A (zh) | 基于肺部图像报告辅助诊断病变等级的系统和方法 | |
CN115239947A (zh) | 基于无监督学习的小麦条锈病严重度评估方法及装置 | |
CN108846839A (zh) | 一种基于扇形邻域差异直方图的匣钵裂纹检测方法 | |
CN115101150A (zh) | 一种普外科临床用肿瘤手术的标本收集方法 | |
CN113255781A (zh) | Cp-ebus的代表性图片选取方法、装置以及诊断系统 | |
CN108764212B (zh) | 一种用于调查打草场地的遥感自动识别方法 | |
CN114022389B (zh) | 一种基于数码相机进行植物叶色等级判别的方法 |
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 |