CN115511838A - 一种基于群智能优化的植物病害高精度识别方法 - Google Patents
一种基于群智能优化的植物病害高精度识别方法 Download PDFInfo
- Publication number
- CN115511838A CN115511838A CN202211195512.9A CN202211195512A CN115511838A CN 115511838 A CN115511838 A CN 115511838A CN 202211195512 A CN202211195512 A CN 202211195512A CN 115511838 A CN115511838 A CN 115511838A
- Authority
- CN
- China
- Prior art keywords
- plant disease
- features
- color
- image
- feature
- 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
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于群智能优化的植物病害高精度识别方法,包括:1)对植物病害图像预处理;2)人工设计特征的定义和提取;3)基于樽海鞘群算法的特征选择方法筛选最有价值的特征;4)植物病害图像的分类识别。本发明对植物表型组学的重大贡献是开发了一种新颖的计算方法提取了植物病害图像中的人工设计特征并对重要特征进行精确筛选,实现了植物病害的高精度分类识别或分级鉴定。它将为基于计算机视觉的植物病害图像分类提供新的思路。本发明可应用于智慧农业、植物保护等诸多领域,具有广泛的应用前景。
Description
技术领域
本发明涉及植物病害自动识别领域,具体涉及一种基于群智能优化的植物病害高精度识别方法。
背景技术
植物在其生长发育过程中常常会受到各种病原体的攻击,可能导致其生理和形态发生异常或病变,从而影响其正常生长发育。这些疾病的常见外在表现包括叶片变色、组织变形或坏死、根部萎缩等。植物病害,特别是作物病害,有可能会造成一定区域内的经济损失或粮食短缺等社会问题。因此,对植物病害的早期诊断和预警,特别是对植物病害严重程度和药物抗性的准确预测,将有助于制定有效的防治策略,从而有效减轻或阻止病害传播、减少农业经济损失。近年来,植物表型组学的诞生,为研究者自动、非破坏性地获得高通量植物表型图像提供了有效途径,也使得计算机辅助的植物病害快速诊断和实时监测成为可能。
目前,基于图像的植物病害识别主要有两大类方法:一是传统的机器学习方法;二是深度学习方法。传统方法的总体思路包括以下步骤:植物病害图像输入、图像预处理、图像分割、图像特征提取、特征选择和病害样本分类。由于图像特征的定义过分依赖专家经验,不可避免地会混入冗余和不相关的特征,从而影响分类模型的预测精度和泛化能力。深度学习方法虽然能提供比传统方法更高的预测精度,但其局限性也十分明显:1)深度特征缺乏解释性;2)当训练样本数不足时,分类器的参数优化变得十分困难。
因此,针对基于叶部图像的植物病害自动识别需要建立一种高精度、可解释、低功耗的计算方案。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种采用群智能计算策略优化的植物病害识别的实现方法。
本发明所述方法在用于植物病害检测时,一种基于群智能优化的植物病害高精度识别方法,包括四个计算步骤:
1)对植物病害图像预处理;
2)人工设计特征(Handcrafted feature)的定义和提取;
3)基于樽海鞘群算法的特征选择方法筛选最有价值的特征;
4)植物病害图像的分类识别。
步骤1)中,对植物病害图像预处理,具体包括:
1.1)从每张植物病害图像中去除背景和边缘,只保留叶片的有效区域;
1.2)对有效区域使用GrabCut算法进行前景分割,得到植物叶部图像;
1.3)将每个植物叶部图像转换到五个颜色空间。
步骤1.3)中,五个颜色空间为RGB、HSV、Lab、YCrCb和Luv。
步骤2)中,人工设计特征的定义和提取,具体包括:
2.1)分别从五个颜色空间中提取颜色特征;
2.2)从颜色空间中提取纹理特征。
步骤2.1)中,颜色特征用颜色矩表示,包括颜色一阶矩、颜色二阶矩和颜色三阶矩。
步骤2.2)中,从颜色空间中提取纹理特征,具体包括:
从RGB、HSV和Lab颜色空间中提取纹理特征CLCM(颜色级灰度共生矩阵)和LBP(局部二进制模式)。
为病害植物的图像分类定义两种类型的人工设计特征,包括颜色和纹理特征。颜色特征主要用颜色矩表示,包括颜色一阶矩、颜色二阶矩和颜色三阶矩。由于每个像素在颜色空间中具有三个颜色通道,因此一幅图像的颜色矩可用9个分量来描述。因此,五个颜色空间将提供45种颜色特征。此外,纹理描述符包括CLCM和LBP。在这里,我们主要关注RGB、HSV和Lab空间中的纹理描述符。总共有36个基于GLCM的纹理特征和90个基于LBP的特征。综上所述,从每张带有病斑的叶片图像中可提取171个人工设计特征。
步骤3)中,基于樽海鞘群算法的特征选择方法,具体包括:
针对上述提取的人工设计特征,开发了一种基于樽海鞘群算法的特征选择方法,命名为SSAFS,用于筛选植物(病害)表型图像的最优特征子集,用于最大限度地提高分类精度、降低计算开销。
SSAFS算法的灵感来自称为鲑鱼的海洋生物的群集行为。樽海鞘是来自Salpidae家族的桶形,自由漂浮的被囊类动物。在海洋中航行和觅食时,鲑鱼通常以一种称为鲑鱼链的形式漂浮在一起。算法背后的主要思想是基于鲑鱼链的思想来模仿海洋中鲑鱼的成群行为。位于链头的樽海鞘是领导者,领导者后面的个体扮演追随者的角色。这些个体中的每一个都代表目标问题(食物来源)的候选解决方案。而特征选择任务就是SSAFS算法需要解决的“目标问题”。
3.1)我们用二维矩阵表示一个包含N个个体的种群A。表示第k次迭代后领导者在第j维的位置。表示第i个追随者在第j维的位置(2≤i≤N)。在求解特征选择问题时,所有的候选解都是限定为二进制,即若等于0,表示特征未选中;等于1,则表示特征已选中。
本发明所述的特征选择方法SSAFS包括三个步骤:种群初始化;适应度计算;种群进化。
3.2)种群初始化
SSAFS的第一步是种群初始化。在这一步中,将随机生成一群樽海鞘个体。初始种群的质量与算法的收敛速度密切相关。混沌映射是一个非线性动态系统,可以生成具有许多特征的随机数。该系统生成的数字涉及不可预测性、遍历性、规律性和非重复性。
在本发明中,混沌映射被用来初始化均匀分布的樽海鞘,以提高基于其遍历特性的搜索算法的解的多样性。在原始SSA中,樽海鞘的初始状态定义为式(1)。
ok+1=μok(1-ok) (2)
其中,μ逻辑映射的分岔参数。由于特征选择是一个二进制问题,使用传递函数将SSA的连续版本转换为二进制版本。因此,式(1)中的通过下式(3-4)转换为二进制,即“1”表示选中特征,“0”表示未选中特征:
3.3)适应度计算
在SSAFS群算法中,适应度函数是评估群体中个体强度的重要指标。适应度值反映了每个候选解对目标问题的拟合优度。因此,适应度函数的选择决定了多目标算法在优化过程中的平衡。作为一个多目标问题,特征选择试图同时最小化所选特征的子集并最大化给定分类器的输出精度。根据上述基础,为实现两个目标之间的平衡而构建的用于确定这种情况下解决方案的适应度函数定义如下式(5):
其中,函数Err(*)表示潜在特征子集FS的分类误差,|FS|和N分别表示选择特征的数量和特征的总数。系数ρ和φ是控制分类精度和特征选择率的平衡参数。此外,ρ和φ满足ρ∈[0,1]和ρ+φ=1。此外,kNN算法是一种简单的非参数和基于实例的分类器,它依赖于通过测量给定未标记实例与其最近的k个邻居之间的距离来对未标记实例进行分类。本研究采用KNN模型计算分类误差。
3.4)种群进化
樽海鞘链的领导者的作用是寻找食物来源。因此,领导者的位置将根据食物源的位置动态更新。一旦领导者陷入局部最优,整个种群就会陷入局部停滞。为了避免这个问题,采用了正余弦算法来提高种群进化的质量。SSAFS算法中的领导者位置更新如式(6-7)所示:
在式(6)中,参数r2决定了搜索空间中当前解周围的邻域,其取值范围是[0,2π]。系数r3调节搜索过程的速度。参数r4用于在正弦分量和余弦分量之间切换领导者的更新策略。r4用于在正弦分量和余弦分量之间切换领导者的更新策略。特别地,r1是一个在[0,1]范围内均匀分布的随机数,它决定了当前解的方向。在迭代的早期阶段,r1有助于探索搜索空间,同时有助于利用可用的搜索空间。
追随者的位置更新如式(8)所示:
其中,v0是初始速度。A是加速度,即a=vfinal/v0;总体而言,下一次迭代中第i个追随者的位置由其当前位置和之前位置共同决定:
通过公式(1)~(9)筛选出最有价值的特征。
步骤4)中,植物病害图像的分类识别,包括:
4.1)筛选出的最有价值的特征构成了最优特征子集;
4.2)采用最优特征子集构建神经网络模型分类器,对植物病害图像进行分类识别。
通过SSAFS算法得到最优特征子集后,构建神经网络模型作为分类器,验证预测精度。该网络涉及四层,包括输入层、输出层和两个隐藏层。输入层的神经元数量等于从SSAFS获得的最优特征子集的维数。输出层由三个具有布尔状态的神经元组成,表示图像分类的判别结果。
与现有技术相比,本发明具有如下优点:
本发明提供了一种基于图像的植物病害高精度识别的实现方法。本发明对植物表型组学的重大贡献是开发了一种新颖的计算方法提取了植物病害图像中的人工设计特征并对重要特征进行精确筛选,实现了植物病害的高精度分类识别或分级鉴定。它将为基于计算机视觉的植物病害图像分类提供新的思路。本发明可应用于智慧农业、植物保护等诸多领域,具有广泛的应用前景。
附图说明
图1为本发明所述的基于SSAFS算法的植物病害高精度识别的整体流程图。
图2为本发明所述的SSAFS新算法的流程图。
图3为本发明所述方法已成功测试的多种植物病害的叶片图像案例。
图4为本发明所述的SSAFS算法在六个数据集上的稳定性测试。
图5为本发明所述的SSAFS算法在六个数据集上的收敛性测试。
图6为本发明所述的SSAFS算法获得的六个数据集的最优特征子集在神经网络模型上的分类精度测试。
具体实施方式
结合附图对本发明创造的进一步详细的说明,至少具体描述一个最佳实施例,这种描述的具体化程度应达到使所属技术领域的技术人员按照所描述的内容能够重现发明或者实用新型,而不必再花费创造性的劳动,如不必再进行摸索研究和实验。
一种植物病害高精度识别的群智能计算策略及其实现方法。
本发明所述方法在用于植物病害检测时,包括四个计算步骤:图像预处理;人工设计特征的定义和提取;基于樽海鞘群算法的特征选择方法筛选最有价值的特征;分类性能测试。
1、图像预处理
首先,从每张图像中去除背景和边缘,只保留叶片的有效区域,以便提取的局部特征可以表征叶子图像中的病变。我们使用GrabCut算法来实现前景分割。其次,将每个原始图像转换为五个颜色空间(RGB、HSV、Lab、YCrCb和Luv),以便能在不同颜色空间上提取图像级的颜色特征。
2、人工设计特征的定义和提取
为病害植物的图像分类定义两种类型的手工特征,包括颜色和纹理特征。颜色特征主要用颜色矩表示,包括颜色一阶矩、颜色二阶矩和颜色三阶矩。由于每个像素在颜色空间中具有三个颜色通道,因此一张图像的颜色矩有9个分量来描述。因此,五个颜色空间将提供45种颜色特征。此外,纹理描述符包括CLCM和LBP。在这里,我们主要关注RGB、HSV和Lab空间中的纹理描述符。总共有36个基于GLCM的纹理特征和90个基于LBP的特征。综上所述,从每个带有病变的叶子图像中提取了171个人工设计特征。
3、基于樽海鞘群算法的特征选择方法
针对上述提取的人工设计特征,开发了一种基于樽海鞘群算法的特征选择方法,命名为SSAFS,用于筛选植物(病害)表型图像的最优特征子集,以最大限度地提高分类精度、降低计算开销。
SSAFS算法的灵感来自称为鲑鱼的海洋生物的群集行为。樽海鞘是来自Salpidae家族的桶形,自由漂浮的被囊类动物。在海洋中航行和觅食时,鲑鱼通常以一种称为鲑鱼链的形式漂浮在一起。算法背后的主要思想是基于鲑鱼链的思想来模仿海洋中鲑鱼的成群行为。位于链头的樽海鞘是领导者,领导者后面的个体扮演追随者的角色。这些个体中的每一个都代表目标问题(食物来源)的候选解决方案。而特征选择任务就是SSAFS算法需要解决的“目标问题”。
本发明所述的特征选择方法SSAFS包括三个步骤:种群初始化;适应度计算;种群进化。
(3.1)种群初始化
SSAFS的第一步是种群初始化。在这一步中,将随机生成一群樽海鞘个体。初始种群的质量与算法的收敛速度密切相关。混沌映射是一个非线性动态系统,可以生成具有许多特征的随机数。该系统生成的数字涉及不可预测性、遍历性、规律性和非重复性。
在本发明中,混沌映射被用来初始化均匀分布的樽海鞘,以提高基于其遍历特性的搜索算法的解的多样性。在原始SSA中,樽海鞘的初始状态定义为式(1)。
ok+1=μok(1-ok) (2)
其中,μ逻辑映射的分岔参数。由于特征选择是一个二进制问题,使用传递函数将SSA的连续版本转换为二进制版本。因此,式(1)中的通过下式(3-4)转换为二进制,即“1”表示选中特征,“0”表示未选中特征:
(3.2)适应度计算
在SSAFS群算法中,适应度函数是评估群体中个体强度的重要指标。适应度值反映了每个候选解对目标问题的拟合优度。因此,适应度函数的选择决定了多目标算法在优化过程中的平衡。作为一个多目标问题,特征选择试图同时最小化所选特征的子集并最大化给定分类器的输出精度。根据上述基础,为实现两个目标之间的平衡而构建的用于确定这种情况下解决方案的适应度函数定义如下式(5):
其中,函数Err(*)表示潜在特征子集FS的分类误差,|FS|和N分别表示选择特征的数量和特征的总数。系数ρ和φ是控制分类精度和特征选择率的平衡参数。此外,ρ和φ满足ρ∈[0,1]和ρ+φ=1。此外,kNN算法是一种简单的非参数和基于实例的分类器,它依赖于通过测量给定未标记实例与其最近的k个邻居之间的距离来对未标记实例进行分类。本研究采用KNN模型计算分类误差。
(3.3)种群进化
樽海鞘链的领导者的作用是寻找食物来源。因此,领导者的位置将根据食物源的位置动态更新。一旦领导者陷入局部最优,整个种群就会陷入局部停滞。为了避免这个问题,采用了正余弦算法来提高种群进化的质量。SSAFS算法中的领导者位置更新如式(6-7)所示:
在式(6)中,参数r2决定了搜索空间中当前解周围的邻域,其取值范围是[0,2π]。系数r3调节搜索过程的速度。参数r4用于在正弦分量和余弦分量之间切换领导者的更新策略。r4用于在正弦分量和余弦分量之间切换领导者的更新策略。特别地,r1是一个在[0,1]范围内均匀分布的随机数,它决定了当前解的方向。在迭代的早期阶段,r1有助于探索搜索空间,同时有助于利用可用的搜索空间。
追随者的位置更新如式(8)所示:
其中,v0是初始速度。A是加速度,即a=vfinal/v0;总体而言,下一次迭代中第i个追随者的位置由其当前位置和之前位置共同决定:
4、分类性能测试
通过SSAFS算法得到最优特征子集后,构建神经网络模型作为分类器,验证预测精度。该网络涉及四层,包括输入层、输出层和两个隐藏层。输入层的神经元数量等于从SSAFS获得的最优特征子集的维数。输出层由三个具有布尔状态的神经元组成,表示图像分类的判别结果。
本发明基于群智能优化的植物病害高精度识别的实现方法,在所述方法中,通过开发一种名为SSAFS的群智能算法对表征植物病害图像的人工设计特征进行优选,进而构建的分类器能极大地提高图像分类的预测精度,并大幅降低计算开销。
图1为本发明所述的基于SSAFS算法的植物病害高精度识别的整体流程图。首先,通过背景分割得到病害图像的有效区域;然后,在不同颜色空间中提取叶片的颜色和纹理特征。SSAFS算法筛选了最优特征子集以后,构建神经网络分类器实现图像分类。
图2为本发明所述的SSAFS新算法的流程图。它包括三个步骤:种群初始化;适应度计算;种群进化。
图3为本发明所述方法已成功测试的多种植物病害的图像案例。共选取了有关植物病害的六个叶片图像数据集。(A-D)四个数据集用于不同病害分类识别(包括苹果、玉米、葡萄和咖啡);(E-F)两个数据集用于病害严重等级的鉴定(包括玉米锈病和咖啡潜叶虫病各三个病害严重等级)。本发明所述方法不仅适用于同种植物上的不同病害分类,还适用于同种病害不同严重程度的分级预测。
图4为本发明所述的SSAFS算法在六个数据集上的稳定性测试。(A-D)分别表示苹果、玉米、葡萄和咖啡的不同病害的分类识别;(E-F)表示玉米锈病和咖啡潜叶虫病等各三个病害严重等级的分类识别。SSAFS算法在这6个数据集上均表现出稳定的收敛性能。进一步证明,种群初始化加速了SSAFS算法收敛,且性能非常稳定。
图5为本发明所述的SSAFS算法在六个数据集上的收敛性测试。(A-D)分别表示苹果、玉米、葡萄和咖啡的不同病害的分类识别;(E-F)表示玉米锈病和咖啡潜叶虫病等各三个病害严重等级的分类识别。与三种经典的群智能算法(SSA,ABC,GA)相比较,证明了我们发明的SSAFS在求解过程中收敛速度非常快。
图6为本本发明所述的SSAFS算法获得的六个数据集的最优特征子集在神经网络模型上的分类精度测试。(A)精度曲线;(B)损失函数曲线。在上述六个图像数据集上获得的最优特征子集平均维度分别为50、44、35、45、17、19。从每个数据集选取统计频次排名靠前的特征组成最优特征子集,构建神经网络分类器样本集按照4:1的比例划分为训练和测试集,以分类准确率进行评估。分类精度最高可达97.5%。
表1为本发明所述的SSAFS算法获得的六个数据集的最优特征子集(与与其他三种经典方法相比较)。实验证明,我们发明的SSAFS算法求解的最优特征子集,不但具有很高的分类性能,而且最小化了特征维数。
表1
综上所述,本发明提供了植物病害高精度识别的智能计算新方法,此项技术可以应用于植物保护、作物病害自动检测等诸多领域。
由于算法对输入的植物病害图像尺寸和质量要求低、对计算资源的依赖性较低、易于移至、易于升级维护等特点,使用方便,界面友好、费用低廉等特点,因此,本技术具有很高的推广价值。
本发明基于特征选择策略的植物病害高精度识别的实现方法的思路,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部份均可用现有技术加以实现。
Claims (8)
1.一种基于群智能优化的植物病害高精度识别方法,其特征在于,包括以下步骤:
1)对植物病害图像预处理;
2)人工设计特征的定义和提取;
3)基于樽海鞘群算法的特征选择方法筛选最有价值的特征;
4)植物病害图像的分类识别。
2.根据权利要求1所述的基于群智能优化的植物病害高精度识别方法,其特征在于,步骤1)中,对植物病害图像预处理,具体包括:
1.1)从每张植物病害图像中去除背景和边缘,只保留叶片的有效区域;
1.2)对有效区域使用GrabCut算法进行前景分割,得到植物叶部图像;
1.3)将每个植物叶部图像转换到五个颜色空间。
3.根据权利要求2所述的基于群智能优化的植物病害高精度识别方法,其特征在于,步骤1.3)中,五个颜色空间为RGB、HSV、Lab、YCrCb和Luv。
4.根据权利要求1所述的基于群智能优化的植物病害高精度识别方法,其特征在于,步骤2)中,人工设计特征的定义和提取,具体包括:
2.1)分别从五个颜色空间中提取颜色特征;
2.2)从颜色空间中提取纹理特征。
5.根据权利要求4所述的基于群智能优化的植物病害高精度识别方法,其特征在于,步骤2.1)中,颜色特征用颜色矩表示,包括颜色一阶矩、颜色二阶矩和颜色三阶矩。
6.根据权利要求4所述的基于群智能优化的植物病害高精度识别方法,其特征在于,步骤2.2)中,从颜色空间中提取纹理特征,具体包括:
从RGB、HSV和Lab颜色空间中提取纹理特征CLCM和LBP。
7.根据权利要求1所述的基于群智能优化的植物病害高精度识别方法,其特征在于,步骤3)中,基于樽海鞘群算法的特征选择方法筛选最有价值的特征,具体包括:
3.1)用二维矩阵表示一个包含N个个体的种群A,D为维度,在求解特征选择问题时,所有的候选解都是限定为二进制,即 表示第i张图像的第j个特征,第j个特征为颜色特征或纹理特征,若等于0,表示特征未选中;等于1,则表示特征已选中;
3.2)种群初始化:
樽海鞘的初始状态定义为式(1),
ok+1=μok(1-ok) (2)
其中,μ逻辑映射的分岔参数;
参数C是二进制化的阈值;
3.3)适应度计算:
特征选择试图同时最小化所选特征的子集并最大化给定分类器的输出精度,为实现两个目标之间的平衡而构建的用于确定这种情况下解决方案的适应度函数定义如下式(5):
其中,Fitness值用于评价特征子集FS的优劣,函数Err(*)表示潜在特征子集FS的分类误差,|FS|和N分别表示选择特征的数量和特征的总数;
系数ρ和φ是控制分类精度和特征选择率的平衡参数,ρ和φ满足ρ∈[0,1]和ρ+φ=1;
采用KNN模型计算分类误差;
3.4)种群进化
算法中的领导者位置更新如式(6)-(7)所示:
在式(6)中,和分别表示领导者在第k+1代和第k代的第j维坐标,K表示总迭代次数,a为加速度,参数r2决定了搜索空间中当前解周围的邻域,其取值范围是[0,2π];系数r3调节搜索过程的速度;参数r4用于在正弦分量和余弦分量之间切换领导者的更新策略;r1是一个在[0,1]范围内均匀分布的随机数;
追随者的位置更新如式(8)所示:
其中,v0是初始速度,a是加速度,即a=vfinal/v0;下一次迭代中第i个追随者的位置由其当前位置和之前位置共同决定:
通过公式(1)~(9)筛选出最有价值的特征。
8.根据权利要求1所述的基于群智能优化的植物病害高精度识别方法,其特征在于,步骤4)中,植物病害图像的分类识别,包括:
4.1)筛选出的最有价值的特征构成了最优特征子集;
4.2)采用最优特征子集构建神经网络模型分类器,对植物病害图像进行分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211195512.9A CN115511838A (zh) | 2022-09-28 | 2022-09-28 | 一种基于群智能优化的植物病害高精度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211195512.9A CN115511838A (zh) | 2022-09-28 | 2022-09-28 | 一种基于群智能优化的植物病害高精度识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115511838A true CN115511838A (zh) | 2022-12-23 |
Family
ID=84508534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211195512.9A Pending CN115511838A (zh) | 2022-09-28 | 2022-09-28 | 一种基于群智能优化的植物病害高精度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511838A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688785A (zh) * | 2024-02-02 | 2024-03-12 | 东北大学 | 一种基于种植思想的全张量重力梯度数据反演方法 |
-
2022
- 2022-09-28 CN CN202211195512.9A patent/CN115511838A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688785A (zh) * | 2024-02-02 | 2024-03-12 | 东北大学 | 一种基于种植思想的全张量重力梯度数据反演方法 |
CN117688785B (zh) * | 2024-02-02 | 2024-04-16 | 东北大学 | 一种基于种植思想的全张量重力梯度数据反演方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haridasan et al. | Deep learning system for paddy plant disease detection and classification | |
CN112801212B (zh) | 一种基于小样本半监督学习的白细胞分类计数方法 | |
Panchal et al. | Plant diseases detection and classification using machine learning models | |
Aqel et al. | Extreme learning machine for plant diseases classification: a sustainable approach for smart agriculture | |
CN105930815B (zh) | 一种水下生物检测方法和系统 | |
CN106778687B (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN108596195B (zh) | 一种基于稀疏编码特征提取的场景识别方法 | |
CN108764358A (zh) | 一种太赫兹图像识别方法、装置、设备及可读存储介质 | |
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 | |
CN106874862B (zh) | 基于子模技术和半监督学习的人群计数方法 | |
Alsmadi et al. | Fish recognition based on the combination between robust feature selection, image segmentation and geometrical parameter techniques using Artificial Neural Network and Decision Tree | |
CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
CN113344045B (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
CN111626969B (zh) | 一种基于注意力机制的玉米病害图像处理方法 | |
CN115511838A (zh) | 一种基于群智能优化的植物病害高精度识别方法 | |
Nga et al. | Combining binary particle swarm optimization with support vector machine for enhancing rice varieties classification accuracy | |
Singh et al. | Performance Analysis of CNN Models with Data Augmentation in Rice Diseases | |
Vasudevan et al. | A Hybrid Approach for Plant Disease Detection Using E-GAN and CapsNet. | |
CN114399018A (zh) | 一种基于轮转操控策略麻雀优化的EfficientNet陶瓷碎片分类方法 | |
Su et al. | A CNN-LSVM model for imbalanced images identification of wheat leaf | |
Deng et al. | Estimating the severity of sugarcane aphids infestation on sorghum with machine vision | |
CN116363461A (zh) | 多视图儿童肿瘤病理图像分类的深度网络增量学习方法 | |
Ibrahimi et al. | A review on plant diseases detection using artificial intelligence techniques | |
Milosavljević et al. | Species identification for aquatic biomonitoring using deep residual cnn and transfer learning | |
CN112800968A (zh) | 一种基于hog分块的特征直方图融合对饮水区域猪的身份识别办法 |
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 |