一種基于sae-svm的病蟲害檢測系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供一種基于SAE?SVM的病蟲害檢測系統(tǒng)，涉及現(xiàn)代農(nóng)業(yè)技術(shù)領(lǐng)域，包括設(shè)置于種植區(qū)壟間的圖像采集裝置以及安裝在室內(nèi)的大數(shù)據(jù)服務(wù)器平臺，所得信息顯示于LED點陣顯示屏上并上傳至云網(wǎng)絡(luò)；所述圖像采集裝置通過無線網(wǎng)絡(luò)與大數(shù)據(jù)服務(wù)器平臺的連接；利用棧式自編碼SAE提取圖像特征，組成特征向量，然后對每幅葉片圖像的特征向量用支持向量機SVM方法進行訓(xùn)練，訓(xùn)練后形成一個分類器，然后將大量的植物葉片圖像用這個分類器進行檢測，檢測植物葉片是否發(fā)生病蟲害；本發(fā)明能夠?qū)崿F(xiàn)病蟲害的檢測和識別，能夠在病蟲害初期就發(fā)現(xiàn)情況，便于及時進行處理，減少經(jīng)濟損失，精確度高，可靠性好。
【專利說明】
一種基于SAE-SVM的病蟲害檢測系統(tǒng)
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及現(xiàn)代農(nóng)業(yè)技術(shù)領(lǐng)域，具體涉及一種基于SAE-SVM的病蟲害檢測系統(tǒng)。
【背景技術(shù)】
[0002]病蟲害在農(nóng)業(yè)生產(chǎn)中的發(fā)生和危害十分的頻繁且嚴(yán)重，給人們帶來了經(jīng)濟上的巨大損失；目前，病蟲害的檢測方法通常采用田間調(diào)查和預(yù)測預(yù)報相結(jié)合的方法進行施藥決策和病蟲害綜合治理，而田間調(diào)查與預(yù)測預(yù)報均依靠人工檢測，即利用人工感官在現(xiàn)場檢查病蟲害，借助放大鏡、顯微鏡等工具或直接用肉眼判別病蟲害的種類，并統(tǒng)計數(shù)量，這種方法要求檢測者具備較高的素質(zhì)，熟悉業(yè)務(wù)，這樣才可取得較好的效果，這就導(dǎo)致人工檢測不可避免的存在誤差，不利于農(nóng)業(yè)生產(chǎn)的自動化、高效管理。
[0003]專利號為CN102706877A的文件中公開了一種便攜式棉花病蟲害檢測系統(tǒng)及方法，由集中在嵌入式系統(tǒng)內(nèi)的軟件系統(tǒng)、嵌入式系統(tǒng)、圖像采集裝置組成，用戶通過操作嵌入式系統(tǒng)，實時采集田間棉花病蟲害圖像信息，提取病蟲害特征，并分析其特征;將其特征與棉花病蟲害特征參數(shù)進行匹配，確定棉花病蟲害類型;通過圖像處理方法提取病蟲害特征，最后分析其受害程度。將處理結(jié)果輸出至嵌入式系統(tǒng)的顯示器上。若處理結(jié)果有異議，可通過嵌入式系統(tǒng)的網(wǎng)絡(luò)通信功能上傳至服務(wù)器，由專家對其分析。該方法對病蟲害檢測不夠準(zhǔn)確，存在誤差，不利于農(nóng)業(yè)生產(chǎn)的自動化、高效管理。

【發(fā)明內(nèi)容】

[0004]針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于SAE-SVM的病蟲害檢測系統(tǒng)，能夠?qū)崿F(xiàn)病蟲害的檢測和識別，能夠在病蟲害初期就發(fā)現(xiàn)情況，便于及時進行處理，減少經(jīng)濟損失，精確度高，可靠性好。
[0005]為實現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實現(xiàn):包括設(shè)置于種植區(qū)壟間的圖像采集裝置以及安裝在室內(nèi)的大數(shù)據(jù)服務(wù)器平臺，所得信息顯示于LED點陣顯示屏上并上傳至云網(wǎng)絡(luò);所述圖像采集裝置通過無線網(wǎng)絡(luò)與大數(shù)據(jù)服務(wù)器平臺的連接。
[0006]所述圖像采集裝置安裝在可沿導(dǎo)軌運動的機架上，所述圖像采集裝置包括可運動攝像頭、圖像預(yù)處理模塊、RAM外部存儲器、動力系統(tǒng);所述圖像預(yù)處理模塊通過內(nèi)部數(shù)據(jù)總線與RAM外部存儲器連接。
[0007]所述動力系統(tǒng)包括太陽能電池板，蓄電池，使得檢測系統(tǒng)避免了掉電現(xiàn)象;所述圖像預(yù)處理模塊通過電源接口與動力系統(tǒng)連接。
[0008]所述圖像預(yù)處理模塊中包括直方圖均衡化、闕值平滑算子、中值濾波、梯度算子、ROBERTS算子、SOBEL算子、Laplacian算子等，所述圖像預(yù)處理模塊對作物的主要危害葉子的病害圖像進行增強，選取最佳的圖像增強方法。
[0009]所述大數(shù)據(jù)服務(wù)器平臺包括特征向量提取和分類器；
[0010]所述特征向量提取方法使用棧式自編碼算法，用無標(biāo)簽數(shù)據(jù)和無監(jiān)督逐層貪婪訓(xùn)練算法訓(xùn)練完深度網(wǎng)絡(luò)后，相對于隨機初始化權(quán)重，深度網(wǎng)絡(luò)各層所得到的初始化權(quán)重礦將位于參數(shù)空間較好的區(qū)間；
[0011]所述分類器采用支持向量機SVM機器學(xué)習(xí)的方法;采用有監(jiān)督的學(xué)習(xí)方法對整個系統(tǒng)進行微調(diào)，可能持續(xù)數(shù)小時；所述分類器樣本獲得過程:在農(nóng)業(yè)場景監(jiān)控的視頻數(shù)據(jù)中，獲取足夠植物葉片的圖像樣本，將其分為正常生長和發(fā)生病蟲害兩類，作為正負樣本，組成樣本庫。
[0012]所述檢測系統(tǒng)，包括如下步驟:
[0013]S1.系統(tǒng)啟動后，安裝有圖像采集裝置機架沿導(dǎo)軌在種植區(qū)運動;可運動攝像頭裝置對視野范圍內(nèi)的農(nóng)作物探測成像并對圖像按照權(quán)利要求書4所述過程進行預(yù)處理，將處理后的圖像信息通過無線通信傳送至大數(shù)據(jù)服務(wù)器平臺；
[0014]S2.大數(shù)據(jù)服務(wù)器平臺按照權(quán)利要求書5所述，對接收到的圖像信息利用棧式自編碼算法通過無標(biāo)簽數(shù)據(jù)和無監(jiān)督逐層貪婪訓(xùn)練算法訓(xùn)練深度網(wǎng)絡(luò)進行特征向量提??；
[0015]S3.將每幅圖像的特征向量通過權(quán)利要求書5所述的分類器進行分類，判斷植物葉片是否發(fā)生病蟲害；
[0016]S4.將其結(jié)果上傳至云網(wǎng)絡(luò)并顯示于LED點陣屏上，方便種植者及時發(fā)現(xiàn)病蟲害問題并處理。
[0017]本發(fā)明提供了一種基于SAE-SVM的病蟲害檢測系統(tǒng)能夠?qū)崿F(xiàn)病蟲害的檢測和識另IJ，能夠在病蟲害初期就發(fā)現(xiàn)情況，便于及時進行處理，減少經(jīng)濟損失，精確度高，可靠性好。
【附圖說明】
[0018]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0019]圖1為本發(fā)明的結(jié)構(gòu)示意圖；
[0020]圖2為本發(fā)明的檢測流程圖。
【具體實施方式】
[0021]為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0022]實施例:
[0023]如圖1，一種基于SAE-SVM的病蟲害檢測系統(tǒng)，包括設(shè)置于種植區(qū)壟間的圖像采集裝置以及安裝在室內(nèi)的大數(shù)據(jù)服務(wù)器平臺，所得信息顯示于LED點陣顯示屏上并上傳至云網(wǎng)絡(luò)；圖像采集裝置通過無線網(wǎng)絡(luò)與大數(shù)據(jù)服務(wù)器平臺的連接；圖像采集裝置安裝在可沿導(dǎo)軌運動的機架上，圖像采集裝置包括可運動攝像頭、圖像預(yù)處理模塊、RAM外部存儲器、動力系統(tǒng)；圖像預(yù)處理模塊通過內(nèi)部數(shù)據(jù)總線與RAM外部存儲器連接;動力系統(tǒng)包括太陽能電池板，蓄電池，使得檢測系統(tǒng)避免了掉電現(xiàn)象；圖像預(yù)處理模塊通過電源接口與動力系統(tǒng)連接;大數(shù)據(jù)服務(wù)器平臺包括特征向量提取模塊和分類器。
[0024]如圖2所示，圖像預(yù)處理模塊中包括直方圖均衡化、闕值平滑算子、中值濾波、梯度算子、ROBERTS算子、SOBEL算子、Laplacian算子等，圖像預(yù)處理模塊對作物的主要危害葉子的病害圖像進行增強，選取最佳的圖像增強方法;特征向量提取方法使用棧式自編碼算法，用無標(biāo)簽數(shù)據(jù)和無監(jiān)督逐層貪婪訓(xùn)練算法訓(xùn)練完深度網(wǎng)絡(luò)后，相對于隨機初始化權(quán)重，深度網(wǎng)絡(luò)各層所得到的初始化權(quán)重f將位于參數(shù)空間較好的區(qū)間；分類器采用支持向量機SVM機器學(xué)習(xí)的方法;采用有監(jiān)督的學(xué)習(xí)方法對整個系統(tǒng)進行微調(diào)，可能持續(xù)數(shù)小時；分類器樣本獲得過程:在農(nóng)業(yè)場景監(jiān)控的視頻數(shù)據(jù)中，獲取足夠植物葉片的圖像樣本，將其分為正常生長和發(fā)生病蟲害兩類，作為正負樣本，組成樣本庫。
[0025]整個檢測系統(tǒng)包括如下步驟:
[0026]S1.系統(tǒng)啟動后，安裝有圖像采集裝置機架沿導(dǎo)軌在種植區(qū)運動;可運動攝像頭裝置對視野范圍內(nèi)的農(nóng)作物探測成像并對圖像按照進行預(yù)處理，將處理后的圖像信息通過無線通信傳送至大數(shù)據(jù)服務(wù)器平臺；
[0027]S2.大數(shù)據(jù)服務(wù)器平臺對接收到的圖像信息利用棧式自編碼算法通過無標(biāo)簽數(shù)據(jù)和無監(jiān)督逐層貪婪訓(xùn)練算法訓(xùn)練深度網(wǎng)絡(luò)進行特征向量提取；
[0028]S3.將每幅圖像的特征向量通過分類器進行分類，判斷植物葉片是否發(fā)生病蟲害；
[0029]S4.將其結(jié)果上傳至云網(wǎng)絡(luò)并顯示于LED點陣屏上，方便種植者及時發(fā)現(xiàn)病蟲害問題并處理。
[0030]本發(fā)明首先在農(nóng)業(yè)場景監(jiān)控的視頻數(shù)據(jù)中，獲取足夠植物葉片的圖像樣本，將其分為正常生長和發(fā)生病蟲害兩類，作為正負樣本，組成樣本庫。利用棧式自編碼提取圖像特征，組成特征向量然后對每幅葉片圖像的特征向量用SVM的機器學(xué)習(xí)方法進行訓(xùn)練，訓(xùn)練后形成一個分類器，然后將大量的植物葉片圖像用這個分類器進行檢測，檢測植物葉片是否發(fā)生病蟲害。
[0031]本發(fā)明能夠?qū)崿F(xiàn)病蟲害的檢測和識別，能夠在病蟲害初期就發(fā)現(xiàn)情況，便于及時進行處理，減少經(jīng)濟損失，精確度高，可靠性好。
[0032]以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分技術(shù)特征進行等同替換;而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。
【主權(quán)項】
1.一種基于SAE-SVM的病蟲害檢測系統(tǒng)，其特征在于，包括設(shè)置于種植區(qū)壟間的圖像采集裝置以及安裝在室內(nèi)的大數(shù)據(jù)服務(wù)器平臺，所得信息顯示于LED點陣顯示屏上并上傳至云網(wǎng)絡(luò);所述圖像采集裝置通過無線網(wǎng)絡(luò)與大數(shù)據(jù)服務(wù)器平臺的連接。2.如權(quán)利要求1所述的基于SAE-SVM的病蟲害檢測系統(tǒng)，其特征在于，所述圖像采集裝置安裝在可沿導(dǎo)軌運動的機架上，所述圖像采集裝置包括可運動攝像頭、圖像預(yù)處理模塊、RAM外部存儲器、動力系統(tǒng);所述圖像預(yù)處理模塊通過內(nèi)部數(shù)據(jù)總線與RAM外部存儲器連接。3.如權(quán)利要求1所述的基于SAE-SVM的病蟲害檢測系統(tǒng)，其特征在于，所述動力系統(tǒng)包括太陽能電池板，蓄電池，使得檢測系統(tǒng)避免了掉電現(xiàn)象;所述圖像預(yù)處理模塊通過電源接口與動力系統(tǒng)連接。4.如權(quán)利要求1所述的基于SAE-SVM的病蟲害檢測系統(tǒng)，其特征在于，所述圖像預(yù)處理模塊中包括直方圖均衡化、闕值平滑算子、中值濾波、梯度算子、ROBERTS算子、SOBEL算子、Laplacian算子等，所述圖像預(yù)處理模塊對作物的主要危害葉子的病害圖像進行增強，選取最佳的圖像增強方法。5.如權(quán)利要求1所述的基于SAE-SVM的病蟲害檢測系統(tǒng)，其特征在于，所述大數(shù)據(jù)服務(wù)器平臺包括特征向量提取模塊和分類器； 所述特征向量提取方法使用棧式自編碼算法，用無標(biāo)簽數(shù)據(jù)和無監(jiān)督逐層貪婪訓(xùn)練算法訓(xùn)練完深度網(wǎng)絡(luò)后，相對于隨機初始化權(quán)重，深度網(wǎng)絡(luò)各層所得到的初始化權(quán)重f將位于參數(shù)空間較好的區(qū)間； 所述分類器采用支持向量機SVM機器學(xué)習(xí)的方法;采用有監(jiān)督的學(xué)習(xí)方法對整個系統(tǒng)進行微調(diào)，可能持續(xù)數(shù)小時;所述分類器樣本獲得過程:在農(nóng)業(yè)場景監(jiān)控的視頻數(shù)據(jù)中，獲取足夠植物葉片的圖像樣本，將其分為正常生長和發(fā)生病蟲害兩類，作為正負樣本，組成樣本庫。6.一種基于SAE-SVM的病蟲害檢測系統(tǒng)，其特征在于:包括如下步驟: S1.系統(tǒng)啟動后，安裝有圖像采集裝置機架沿導(dǎo)軌在種植區(qū)運動;可運動攝像頭裝置對視野范圍內(nèi)的農(nóng)作物探測成像并對圖像按照權(quán)利要求書4所述過程進行預(yù)處理，將處理后的圖像信息通過無線通信傳送至大數(shù)據(jù)服務(wù)器平臺； S2.大數(shù)據(jù)服務(wù)器平臺按照權(quán)利要求書5所述，對接收到的圖像信息利用棧式自編碼算法通過無標(biāo)簽數(shù)據(jù)和無監(jiān)督逐層貪婪訓(xùn)練算法訓(xùn)練深度網(wǎng)絡(luò)進行特征向量提??； S3.將每幅圖像的特征向量通過權(quán)利要求書5所述的分類器進行分類，判斷植物葉片是否發(fā)生病蟲害； S4.將其結(jié)果上傳至云網(wǎng)絡(luò)并顯示于LED點陣屏上，方便種植者及時發(fā)現(xiàn)病蟲害問題并處理。
【文檔編號】G06K9/62GK105868784SQ201610195402
【公開日】2016年8月17日
【申請日】2016年3月29日
【發(fā)明人】許先璠, 杜曉婷
【申請人】安徽大學(xué)