基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法，包括：獲取水稻病害圖像數(shù)據(jù)，并進(jìn)行圖像預(yù)處理；進(jìn)行視覺顯著性檢測，從顯著圖序列中尋找到理想病斑輪廓的水稻病害圖像；對水稻病害圖像從顏色、形態(tài)和紋理這三個方面提取特征，進(jìn)行差異性分析和主成分分析，找到不同的特征組合；對不同的特征組合進(jìn)行機(jī)器學(xué)習(xí)模型的構(gòu)建，將預(yù)測結(jié)果反饋至客戶端。本發(fā)明還公開了一種基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別系統(tǒng)。本發(fā)明通過采集圖像信息，并將該圖像通過網(wǎng)絡(luò)傳輸給服務(wù)器端，通過服務(wù)器端對所采集的組培圖像進(jìn)行預(yù)處理和病斑檢測，并根據(jù)檢測的結(jié)果，通過手機(jī)短信和信號燈以及PC端，提醒管理人員。
【專利說明】
基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及圖像識別技術(shù)領(lǐng)域，尤其是一種基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病 害識別方法及系統(tǒng)。
【背景技術(shù)】
[0002] 圖像識別技術(shù)已經(jīng)應(yīng)用在各個領(lǐng)域，目前比較成熟的就有指紋識別、人臉識別和 智能交通，也體現(xiàn)在智能農(nóng)業(yè)、地圖與地形配準(zhǔn)、自然資源分析、天氣預(yù)報、環(huán)境監(jiān)測和生理 病變研究等許多領(lǐng)域。在農(nóng)業(yè)方面，如作物病蟲害檢測，能夠通過圖像識別技術(shù)，檢測農(nóng)作 物的病蟲害情況和生長情況。
[0003] 目前，應(yīng)用在在農(nóng)業(yè)方面的圖像識別技術(shù)多是針對自然生長的部分作物進(jìn)行研究 處理，而且還沒有專門針對水稻的病蟲害檢測系統(tǒng)，多是依賴人工進(jìn)行病蟲害檢測，缺乏智 能化，自動化。由于水稻病害識別準(zhǔn)確率低或者征維度大，二者的此消彼長給水稻病害識別 系統(tǒng)的開發(fā)帶來一定的代價。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的首要目的在于提供一種能夠自動、高效地檢測水稻圖像的病害情況，提 供預(yù)警信息的基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法。
[0005] 為實現(xiàn)上述目的，本發(fā)明采用了以下技術(shù)方案：一種基于主成分分析和神經(jīng)網(wǎng)絡(luò) 的水稻病害識別方法，該方法包括下列順序的步驟：
[0006] (1)獲取通過農(nóng)業(yè)專家進(jìn)行病斑標(biāo)注的水稻病害圖像數(shù)據(jù)；
[0007] (2)對獲取的水稻病斑圖片進(jìn)行圖像預(yù)處理；
[0008] (3)對預(yù)處理后的水稻病斑圖像進(jìn)行視覺顯著性檢測，構(gòu)建譜尺度空間，根據(jù)一定 的信息熵準(zhǔn)則從顯著圖序列中尋找到理想病斑輪廓的水稻病害圖像；
[0009] (4)對水稻病害圖像從顏色、形態(tài)和紋理這三個方面提取特征，進(jìn)行差異性分析， 從這三個方面分別對差異效果差的特征組合進(jìn)行基于特征數(shù)閾值調(diào)整的主成分分析，從而 找到不同的特征組合；
[0010] (5)對不同的特征組合進(jìn)行機(jī)器學(xué)習(xí)模型的構(gòu)建，同時調(diào)整權(quán)重迭代參數(shù)，找出準(zhǔn) 確率最高的權(quán)重迭代參數(shù)和特征組合，反過來利用這樣的權(quán)重迭代參數(shù)和特征組合所構(gòu)建 的理想模型預(yù)測水稻病害的類型，從而將預(yù)測結(jié)果反饋至客戶端。
[0011] 所述圖像預(yù)處理是指對獲取的圖像信息進(jìn)行高斯濾波處理，對整幅圖像進(jìn)行加權(quán) 平均的過程，每一個像素點的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到； 用一個模板掃描圖像中的每一個像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代 模板中心像素點的值。
[0012] 所述視覺顯著性檢測包括以下步驟：
[0013] a)將原始圖像表示成四元數(shù)圖像形式，如式⑴所示，
[0014] f(n，m) =wifi+W2f2i+W3f3j+W4f4k (I)
[0015] 式中，奶~對是權(quán)重，f^fzt是特征圖，fi是運動特征，f2是亮度特征，f3和f4是顏色 特征;對于靜止輸入圖像而言，顯然的計算，如式⑵至式⑷所示：
[0016] f2= (r+g+b)/2 (2)
[0017] f3 = R-G,R=r-(g+b)/2,G = g-(r+b)/2 (3)
[0018] f4=B_Y，B = b-(r+g)/2，Y= (r+g)/2_ I r_g I/2_b (4)
[0019] 式（1)、（2)、（3)、（4)中，1'4，13表示彩色圖像的三通道，'\￥1 = 0，'\￥2 = 0.5，'\￥3='?4 = 0.25；
[0020] b)將四元數(shù)圖像表示成傅里葉變換形式，四元數(shù)圖像傅里葉變換的極坐標(biāo)形式如 式(5)所元·
[0021]
(5)
[0022] 式中I I . I I表示超復(fù)數(shù)矩陣每一個元素的模，F(xiàn)h[u，v]是f(n，m)的頻率域表示；[0023] A(u,v) = I |Fh[u,v] | (6)
[0024] (7)
[0025] (B)
[0026] 式中，F(xiàn)F表示四元數(shù)圖像的傅里葉變換形式，S表示四元數(shù)圖像的實部，V表示其虛 部;A(u，v)表示幅度譜、P(u，v)表示傅里葉變換的相角、x(u，v)表示頻譜中虛部的規(guī)整； [0027] c)構(gòu)建譜尺度空間
[0028] 高斯核函數(shù)以及譜尺度空間定義，如式(9)所示：
[0029]
(9)
[0030] Λ (u,k,k) = (g(. , . ；k)A)(u,v)(10)
[0031] 式中，k是空間尺度參數(shù)，k=l，2,3. . .K(K=[log*min{H，W}]+l)，t〇表示高斯分布 的方差性質(zhì)，一般取值為〇. 5;
[0032] d)計算不同尺度上的顯著圖
[0033] 枏抿R怒i+笪m的幅麼i普和相份遒_i+笪m不同尺度上的顯著圖，如式（11)所示：
[0034]
(11)
[0035] 式中，g是一個固定尺度的高斯核函數(shù)，&是1^尺度下的顯著圖，這樣就得到一系列 的顯著圖{sk};
[0036] e)最終確認(rèn)顯著圖
[0037] 首先，依據(jù)設(shè)宙的熵準(zhǔn)咖詵檉出最合適的尺度kP，如式（12)所示：
[0038]
(12)
[0039] 式中，Ak= Σ Ek(n，m)Norm(sk(n，m))，k是一個和最終顯著圖同尺寸的2D中心高斯 掩膜，Σ Σ k(n，m) = I; H2D(X)是一個經(jīng)過低通高斯核函數(shù)gn二位信號X卷積后計算出的熵， H2D(x)=H{gn*x}，然后根據(jù)kP最小化原則從中選擇出最終顯著圖；
[0040] f)定位顯著區(qū)域
[0041] 將最終的顯著圖作為掩膜圖像和原始輸入圖像進(jìn)行點乘，即可得到圖像中顯著區(qū) 域。
[0042]所述的特征是從三個方面進(jìn)行提取的，顏色方面提取HSV模型下的一階矩、二階矩 和三階矩;形態(tài)方面提取矩形度、似圓度、面積、周長和葉狀性;紋理方面提取灰度共生矩陣 下三個方向的能量、對比度、自相關(guān)、信息熵、最大概率、逆差矩和CluT。
[0043] 所述的主成分分析是指對水稻顏色特征中差異性不明顯的4個特征分量進(jìn)行主成 分分析，其有效特征值個數(shù)為2~3個;對水稻形狀特征中差異性不明顯的7個特征分量進(jìn)行 PCA計算，其有效特征值為2~3個;對水稻紋理特征中差異性不明顯的14維特征值進(jìn)行PCA 計算，其有效特征值為4~6個;因此，顏色方面的特征值個數(shù)N(A1)取值為2和3,紋理方面特 征值個數(shù)Ν(λ 2)取值為2和3，紋理方面特征值個數(shù)Ν(λ3)取值為4，5和6。
[0044] 所述的特征組合是指通過基于有效特征值個數(shù)閾值調(diào)整的PCA計算，將4個顏色特 征分量和顏色主成分矩陣線性計算得到的3個主成分特征分量分別標(biāo)記為Υ1，Υ2，Υ3;將7個 形狀特征分量和紋理主成分矩陣線性計算得到的3個主成分特征分量標(biāo)記為Xl，Χ2，Χ3;將 14維紋理特征分量和表紋理主成分矩陣線性計算得到的6為主成分分量分別標(biāo)記為Wl，W2， W3，W4，W5，W6。這樣，通過不同的特征值個數(shù)閾值調(diào)整和取值，得到12個不同的特征組合，將 其特征集分別標(biāo)記為T 1-T12t3
[0045] 所述的機(jī)器學(xué)習(xí)模型是指分別對12個特征組合，通過對權(quán)重迭代參數(shù)進(jìn)行調(diào)整， 構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)，最后根據(jù)訓(xùn)練集和測試集上的識別準(zhǔn)確率得出最佳模型參數(shù)以及特征 組合，反過來利用理想的特征組合和最優(yōu)參數(shù)來通過RBF神經(jīng)網(wǎng)絡(luò)預(yù)測未知的水稻病害圖 像。
[0046] 本發(fā)明的另一目的在于提供一種基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別系 統(tǒng)，包括：
[0047]服務(wù)器端，接收所采集到的圖像信息，對圖像的每一幀進(jìn)行預(yù)處理、視覺顯著性檢 測和病斑檢測，并將檢測結(jié)果通過有線/無線網(wǎng)絡(luò)發(fā)送至客戶端；
[0048] 客戶端，用于接收服務(wù)器端的判斷結(jié)果，通過手機(jī)短信、信號燈、PC機(jī)將判斷結(jié)果 提供給管理人員，并發(fā)出預(yù)警。
[0049] 所述服務(wù)器端包括：
[0050] 圖像信息預(yù)處理模塊，對獲取的圖像進(jìn)行平滑處理，去除噪聲部分，使得圖像顯得 更加清晰，圖像的背景部分更加單一；
[0051] 視覺顯著性檢測模塊，用于獲取水稻病斑輪廓，便于進(jìn)行下一步水稻病害識別； [0052]主成分分析和特征融合模塊，通過PCA可以達(dá)到降維的目的，使得模式識別處理速 度更快，通過三個方面的PCA處理，將結(jié)果特征進(jìn)行組合，得到一個完整的特征向量；
[0053]模式判別模塊，通過RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類，判別水稻病害類型。
[0054]所述客戶端包括：
[0055]手機(jī)短信通知模塊，用于將病害圖像判別結(jié)果發(fā)送到農(nóng)戶手機(jī)上，使得農(nóng)戶可以 及時得到圖像的病害類型，以便進(jìn)行有針對性的治療；
[0056]信號燈，用于對水稻病害結(jié)果反饋的一種信號提示，專門針對有病害的圖像而言； [0057] PC機(jī)，用于獲取在服務(wù)器上進(jìn)行識別的病害圖像信息，通過服務(wù)器的處理，將處理 結(jié)果發(fā)送到農(nóng)戶的計算機(jī)上，以便于農(nóng)戶可以通過PC端來查看水稻病害情況。
[0058]由上述技術(shù)方案可知，本發(fā)明通過采集圖像信息，并將該圖像通過網(wǎng)絡(luò)傳輸給服 務(wù)器端，通過服務(wù)器端對所采集的組培圖像進(jìn)行預(yù)處理和病斑檢測，并根據(jù)檢測的結(jié)果，通 過手機(jī)短信和信號燈以及PC端，提醒管理人員，發(fā)現(xiàn)有水稻病害類型，管理人員可以根據(jù)提 示信息進(jìn)行相應(yīng)的操作。本發(fā)明可以對輸入圖像信息自動檢測，能夠高效地檢測水稻圖像 的病害情況。
【附圖說明】
[0059]圖1為本發(fā)明的方法流程圖；
[0060]圖2為本發(fā)明的系統(tǒng)結(jié)構(gòu)框圖。
【具體實施方式】
[0061]如圖1所示，一種基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法，該方法包括下 列順序的步驟：（1)獲取通過農(nóng)業(yè)專家進(jìn)行病斑標(biāo)注的水稻病害圖像數(shù)據(jù)；（2)對獲取的水 稻病斑圖片進(jìn)行圖像預(yù)處理；（3)對預(yù)處理后的水稻病斑圖像進(jìn)行視覺顯著性檢測，構(gòu)建譜 尺度空間，根據(jù)一定的信息熵準(zhǔn)則從顯著圖序列中尋找到理想病斑輪廓的水稻病害圖像； (4)對水稻病害圖像從顏色、形態(tài)和紋理這三個方面提取特征，進(jìn)行差異性分析，從這三個 方面分別對差異效果差的特征組合進(jìn)行基于特征數(shù)閾值調(diào)整的主成分分析，從而找到不同 的特征組合；（5)對不同的特征組合進(jìn)行機(jī)器學(xué)習(xí)模型的構(gòu)建，同時調(diào)整權(quán)重迭代參數(shù)，找 出準(zhǔn)確率最高的權(quán)重迭代參數(shù)和特征組合，反過來利用這樣的權(quán)重迭代參數(shù)和特征組合所 構(gòu)建的理想模型預(yù)測水稻病害的類型，從而將預(yù)測結(jié)果反饋至客戶端。
[0062]如圖1所示，所述圖像預(yù)處理是指對獲取的圖像信息進(jìn)行高斯濾波處理，對整幅圖 像進(jìn)行加權(quán)平均的過程，每一個像素點的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán) 平均后得到；用一個模板掃描圖像中的每一個像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均 灰度值去替代模板中心像素點的值。模板或稱卷積、掩模。
[0063]如圖1所示，所述視覺顯著性檢測包括以下步驟：
[0064] a)將原始圖像表示成四元數(shù)圖像形式，如式(1)所示，
[0065] f (n,m) =wifi+W2f2i+W3f3 j+W4f4k (I)
[0066] 式中，Wl~W4是權(quán)重，fl~f4是特征圖，fl是運動特征，f2是亮度特征，f3和f4是顏色 特征;對于靜止輸入圖像而言，顯然的計算，如式⑵至式⑷所示：
[0067] f2= (r+g+b)/2 (2)
[0068] f3 = R-G,R=r-(g+b)/2,G = g-(r+b)/2 (3)
[0069] f4=B_Y，B = b-(r+g)/2，Y= (r+g)/2_ I r_g I/2_b (4)
[0070] 式（1)、（2)、（3)、（4)中，1^，13表示彩色圖像的三通道，'\￥1 = 0，'\￥2 = 0.5，'\￥3='?4 = 0.25；
[0071] b)將四元數(shù)圖像表示成傅里葉變換形式，四元數(shù)圖像傅里葉變換的極坐標(biāo)形式如 式(5)所示：
[0072]
(5)[0073] 式中I I . I I表示超復(fù)數(shù)矩陣每一個元素的模，F(xiàn)h[u，v]是f(n，m)的頻率域表示；[0074"· λ (,Λ- I I u.S,, ..1 I I {a\
[0075； (7)
[0076； (8)
[0077]式中，F(xiàn)F表示四元數(shù)圖像的傅里葉變換形式，S表示四元數(shù)圖像的實部，V表示其虛 部;A(u，v)表示幅度譜、P(u，v)表示傅里葉變換的相角、x(u，v)表示頻譜中虛部的規(guī)整； [0078] c)構(gòu)建譜尺度空間
[0079] 高斯核函數(shù)以及譜尺度空間定義，如式(9)所示：
[0080]
C9)
[0081] Λ (u,k,k) = (g(. , . ；k)A)(u,v) (10)
[0082] 式中，k是空間尺度參數(shù)，k=l，2,3. . .K(K=[log*min{H，W}]+l)，t〇表示高斯分布 的方差性質(zhì)，一般取值為〇. 5;
[0083] d)計算不同尺度上的顯著圖
[0084] 根據(jù)已經(jīng)計算出的幅度譜和相位譜，計算出不同尺度上的顯著圖，如式（11)所示：
[0085]
(11)
[0086] 式中，g是一個固定尺度的高斯核函數(shù)，&是1^尺度下的顯著圖，這樣就得到一系列 的顯著圖{sk};
[0087] e)最終確認(rèn)顯著圖
[0088] 首先，依據(jù)設(shè)定的熵準(zhǔn)則選擇出最合適的尺度kP，如式（12)所示：
[0089]
(12)
[0090] 式中，Xk= Σ Ek(n，m)Norm(sk(n，m))，k是一個和最終顯著圖同尺寸的2D中心高斯 掩膜，Σ Σ k(n，m) = I; H2D(X)是一個經(jīng)過低通高斯核函數(shù)gn二位信號X卷積后計算出的熵， H2d(X) =H{gn*x}，然后根據(jù)心最小化原則從中選擇出最終顯著圖；
[0091 ] f)定位顯著區(qū)域
[0092]將最終的顯著圖作為掩膜圖像和原始輸入圖像進(jìn)行點乘，即可得到圖像中顯著區(qū) 域。
[0093]如圖1所示，所述的特征是從三個方面進(jìn)行提取的，顏色方面提取HSV模型下的一 階矩、二階矩和三階矩;形態(tài)方面提取矩形度、似圓度、面積、周長和葉狀性;紋理方面提取 灰度共生矩陣下三個方向的能量、對比度、自相關(guān)、信息熵、最大概率、逆差矩和CluT (Cluster tendency)。
[0094] 所述的主成分分析是指對水稻顏色特征中差異性不明顯的4個特征分量進(jìn)行主成 分分析，其有效特征值個數(shù)為2~3個;對水稻形狀特征中差異性不明顯的7個特征分量進(jìn)行 PCA計算，其有效特征值為2~3個;對水稻紋理特征中差異性不明顯的14維特征值進(jìn)行PCA 計算，其有效特征值為4~6個;因此，顏色方面的特征值個數(shù)N(A1)取值為2和3,紋理方面特 征值個數(shù)Ν(λ 2)取值為2和3，紋理方面特征值個數(shù)Ν(λ3)取值為4，5和6。
[0095] 所述的特征組合是指通過基于有效特征值個數(shù)閾值調(diào)整的PCA計算，將4個顏色特 征分量和顏色主成分矩陣線性計算得到的3個主成分特征分量分別標(biāo)記為Υ1，Υ2，Υ3;將7個 形狀特征分量和紋理主成分矩陣線性計算得到的3個主成分特征分量標(biāo)記為Xl，Χ2，Χ3;將 14維紋理特征分量和表紋理主成分矩陣線性計算得到的6為主成分分量分別標(biāo)記為Wl，W2， W3，W4，W5，W6。這樣，通過不同的特征值個數(shù)閾值調(diào)整和取值，得到12個不同的特征組合，將 其特征集分別標(biāo)記為T 1-T12t3
[0096]所述的機(jī)器學(xué)習(xí)模型是指分別對12個特征組合，通過對權(quán)重迭代參數(shù)進(jìn)行調(diào)整， 構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)，最后根據(jù)訓(xùn)練集和測試集上的識別準(zhǔn)確率得出最佳模型參數(shù)以及特征 組合，反過來利用理想的特征組合和最優(yōu)參數(shù)來通過RBF神經(jīng)網(wǎng)絡(luò)預(yù)測未知的水稻病害圖 像。
[0097]如圖2所示，本系統(tǒng)包括:服務(wù)器端，接收所采集到的圖像信息，對圖像的每一幀進(jìn) 行預(yù)處理、視覺顯著性檢測和病斑檢測，并將檢測結(jié)果通過有線/無線網(wǎng)絡(luò)發(fā)送至客戶端； 客戶端，用于接收服務(wù)器端的判斷結(jié)果，通過手機(jī)短信、信號燈、PC機(jī)將判斷結(jié)果提供給管 理人員，并發(fā)出預(yù)警。
[0098]所述服務(wù)器端包括：圖像信息預(yù)處理模塊，對獲取的圖像進(jìn)行平滑處理，去除噪聲 部分，使得圖像顯得更加清晰，圖像的背景部分更加單一;視覺顯著性檢測模塊，用于獲取 水稻病斑輪廓，便于進(jìn)行下一步水稻病害識別；主成分分析和特征融合模塊，通過PCA可以 達(dá)到降維的目的，使得模式識別處理速度更快，通過三個方面的PCA處理，將結(jié)果特征進(jìn)行 組合，得到一個完整的特征向量;模式判別模塊，通過RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類，判別水稻 病害類型。
[0099] 所述客戶端包括:手機(jī)短信通知模塊，用于將病害圖像判別結(jié)果發(fā)送到農(nóng)戶手機(jī) 上，使得農(nóng)戶可以及時得到圖像的病害類型，以便進(jìn)行有針對性的治療;信號燈，用于對水 稻病害結(jié)果反饋的一種信號提示，專門針對有病害的圖像而言;PC機(jī)，用于獲取在服務(wù)器上 進(jìn)行識別的病害圖像信息，通過服務(wù)器的處理，將處理結(jié)果發(fā)送到農(nóng)戶的計算機(jī)上，以便于 農(nóng)戶可以通過PC端來查看水稻病害情況。
[0100] 綜上所述，本發(fā)明通過采集圖像信息，并將該圖像通過網(wǎng)絡(luò)傳輸給服務(wù)器端，通過 服務(wù)器端對所采集的組培圖像進(jìn)行預(yù)處理和病斑檢測，并根據(jù)檢測的結(jié)果，通過手機(jī)短信 和信號燈以及PC端，提醒管理人員，發(fā)現(xiàn)有水稻病害類型，管理人員可以根據(jù)提示信息進(jìn)行 相應(yīng)的操作。
【主權(quán)項】
1. 一種基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法，該方法包括下列順序的步 驟： (1) 獲取通過農(nóng)業(yè)專家進(jìn)行病斑標(biāo)注的水稻病害圖像數(shù)據(jù)； (2) 對獲取的水稻病斑圖片進(jìn)行圖像預(yù)處理； (3) 對預(yù)處理后的水稻病斑圖像進(jìn)行視覺顯著性檢測，構(gòu)建譜尺度空間，根據(jù)一定的信 息賭準(zhǔn)則從顯著圖序列中尋找到理想病斑輪廓的水稻病害圖像； (4) 對水稻病害圖像從顏色、形態(tài)和紋理運Ξ個方面提取特征，進(jìn)行差異性分析，從運 Ξ個方面分別對差異效果差的特征組合進(jìn)行基于特征數(shù)闊值調(diào)整的主成分分析，從而找到 不同的特征組合； (5) 對不同的特征組合進(jìn)行機(jī)器學(xué)習(xí)模型的構(gòu)建，同時調(diào)整權(quán)重迭代參數(shù)，找出準(zhǔn)確率 最高的權(quán)重迭代參數(shù)和特征組合，反過來利用運樣的權(quán)重迭代參數(shù)和特征組合所構(gòu)建的理 想模型預(yù)測水稻病害的類型，從而將預(yù)測結(jié)果反饋至客戶端。2. 根據(jù)權(quán)利要求1所述的基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法，其特征在 于:所述圖像預(yù)處理是指對獲取的圖像信息進(jìn)行高斯濾波處理，對整幅圖像進(jìn)行加權(quán)平均 的過程，每一個像素點的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到；用一 個模板掃描圖像中的每一個像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板 中屯、像素點的值。3. 根據(jù)權(quán)利要求1所述的基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法，其特征在 于:所述視覺顯著性檢測包括W下步驟： a) 將原始圖像表示成四元數(shù)圖像形式，如式(1)所示， f (η ,m) =wifi+W2f2i+W3f3 j+W4f4k (1) 式中，W1~W4是權(quán)重，fl~f4是特征圖，fl是運動特征，f2是見度特征，f3和f4是顏色特征； 對于靜止輸入圖像而言，顯然fl = 〇;f2~f4的計算，如式(2)至式(4)所示： f2=(r+g+b)/2 (2) f3 = R-G,R = r-(g+b)/2,G = g-(r+b)/2 (3) f4 = B-Y,B = b-(r+g)/2 ,Υ= (r+g)/2-1 r-g | /2-b (4) 式（1)、（2)、（3)、（4)中，1'，邑，13表示彩色圖像的置圍道，'\￥1 = 0，'\￥2 = 0.5，'\￥3 =訊4 = 0.25; b) 將四元數(shù)圖像表示成傅里葉變換形式，四元數(shù)圖像傅里葉變換的極坐標(biāo)形式如式 (5)所示： Fh[u，v]= I |FH[u，v]||eUP(u'v) (5) 式中Μ . Μ表示超復(fù)數(shù)矩陣每一個元素的模，F(xiàn)h[u，v]是f(n，m)的頻率域表示；式中，F(xiàn)F表示四元數(shù)圖像的傅里葉變換形式，S表示四元數(shù)圖像的實部，V表示其虛部;A (u，v)表示幅度譜、P(u，v)表示傅里葉變換的相角、x(u，v)表示頻譜中虛部的規(guī)整； C)構(gòu)建譜尺度空間 高斯核函數(shù)W及譜尺度空間定義，如式(9)所示：(9) 八（u,k,k) = (g(. ,. ;k)A)(u,v) (10) 式中，k是空間尺度參數(shù)，k=l，2,3. . .Κ化=[log*min化，W}]+l)，t〇表示高斯分布的方 差性質(zhì)，一般取值為0.5; d) 計算不同尺度上的顯著圖 根據(jù)已經(jīng)計算出的幅度譜和相位譜，計算出不同尺度上的顯著圖，如式（11)所示：(11) 式中，g是一個固定尺度的高斯核函數(shù)，Sk是k尺度下的顯著圖，運樣就得到一系列的顯 著圖{Sk}; e) 最終確認(rèn)顯著圖 首先，依據(jù)設(shè)定的賭準(zhǔn)則選擇出最合適的尺度kp，如式（12)所示： = ai~g min U/分。(12) 式中，Ak= Σ Ek(n,m)No;rm(sk(n,m))，k是一個和最終顯著圖同尺寸的2D中屯、高斯掩 膜，Σ Σ k(η，m) = 1;此D(X)是一個經(jīng)過低通高斯核函數(shù)gn二位信號X卷積后計算出的賭，此D (X) =H{gn*x}，然后根據(jù)kp最小化原則從中選擇出最終顯著圖； f) 定位顯著區(qū)域 將最終的顯著圖作為掩膜圖像和原始輸入圖像進(jìn)行點乘，即可得到圖像中顯著區(qū)域。4. 根據(jù)權(quán)利要求1所述的基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法，其特征在 于:所述的特征是從Ξ個方面進(jìn)行提取的，顏色方面提取HSV模型下的一階矩、二階矩和Ξ 階矩;形態(tài)方面提取矩形度、似圓度、面積、周長和葉狀性;紋理方面提取灰度共生矩陣下Ξ 個方向的能量、對比度、自相關(guān)、信息賭、最大概率、逆差矩和CluT。5. 根據(jù)權(quán)利要求1所述的基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法，其特征在 于:所述的主成分分析是指對水稻顏色特征中差異性不明顯的4個特征分量進(jìn)行主成分分 析，其有效特征值個數(shù)為2~3個;對水稻形狀特征中差異性不明顯的7個特征分量進(jìn)行PCA 計算，其有效特征值為2~3個;對水稻紋理特征中差異性不明顯的14維特征值進(jìn)行PCA計 算，其有效特征值為4~6個；因此，顏色方面的特征值個數(shù)Ν(λι)取值為2和3，紋理方面特征 值個數(shù)Ν(λ2)取值為2和3，紋理方面特征值個數(shù)Ν(λ3)取值為4，5和6。6. 根據(jù)權(quán)利要求1所述的基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法，其特征在 于:所述的特征組合是指通過基于有效特征值個數(shù)闊值調(diào)整的PCA計算，將4個顏色特征分 量和顏色主成分矩陣線性計算得到的3個主成分特征分量分別標(biāo)記為Υ1，Υ2，Υ3;將7個形狀 特征分量和紋理主成分矩陣線性計算得到的3個主成分特征分量標(biāo)記為XI，Χ2，Χ3;將14維 紋理特征分量和表紋理主成分矩陣線性計算得到的6為主成分分量分別標(biāo)記為W1，W2，W3， ￥4，胖5，胖6。運樣，通過不同的特征值個數(shù)闊值調(diào)整和取值，得到12個不同的特征組合，將其 特征集分別標(biāo)記為Τι~Τ?2。7. 根據(jù)權(quán)利要求1所述的基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法，其特征在 于：所述的機(jī)器學(xué)習(xí)模型是指分別對12個特征組合，通過對權(quán)重迭代參數(shù)進(jìn)行調(diào)整，構(gòu)建 RB巧巾經(jīng)網(wǎng)絡(luò)，最后根據(jù)訓(xùn)練集和測試集上的識別準(zhǔn)確率得出最佳模型參數(shù)W及特征組合， 反過來利用理想的特征組合和最優(yōu)參數(shù)來通過RB巧巾經(jīng)網(wǎng)絡(luò)預(yù)測未知的水稻病害圖像。8. 實現(xiàn)權(quán)利要求1所述的基于主成分分析和神經(jīng)網(wǎng)絡(luò)的水稻病害識別方法的系統(tǒng)，其 特征在于:包括： 服務(wù)器端，接收所采集到的圖像信息，對圖像的每一帖進(jìn)行預(yù)處理、視覺顯著性檢測和 病斑檢測，并將檢測結(jié)果通過有線/無線網(wǎng)絡(luò)發(fā)送至客戶端； 客戶端，用于接收服務(wù)器端的判斷結(jié)果，通過手機(jī)短信、信號燈、PC機(jī)將判斷結(jié)果提供 給管理人員，并發(fā)出預(yù)警。9. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于:所述服務(wù)器端包括： 圖像信息預(yù)處理模塊，對獲取的圖像進(jìn)行平滑處理，去除噪聲部分，使得圖像顯得更加 清晰，圖像的背景部分更加單一； 視覺顯著性檢測模塊，用于獲取水稻病斑輪廓，便于進(jìn)行下一步水稻病害識別； 主成分分析和特征融合模塊，通過PCA可W達(dá)到降維的目的，使得模式識別處理速度更 快，通過Ξ個方面的PCA處理，將結(jié)果特征進(jìn)行組合，得到一個完整的特征向量； 模式判別模塊，通過RB巧巾經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類，判別水稻病害類型。10. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于:所述客戶端包括： 手機(jī)短信通知模塊，用于將病害圖像判別結(jié)果發(fā)送到農(nóng)戶手機(jī)上，使得農(nóng)戶可W及時 得到圖像的病害類型，W便進(jìn)行有針對性的治療； 信號燈，用于對水稻病害結(jié)果反饋的一種信號提示，?？卺槍τ胁『Φ膱D像而言； PC機(jī)，用于獲取在服務(wù)器上進(jìn)行識別的病害圖像信息，通過服務(wù)器的處理，將處理結(jié)果 發(fā)送到農(nóng)戶的計算機(jī)上，W便于農(nóng)戶可W通過PC端來查看水稻病害情況。
【文檔編號】G06K9/40GK105938564SQ201610281122
【公開日】2016年9月14日
【申請日】2016年4月29日
【發(fā)明人】韓強, 李淼, 張健, 高會議, 董俊, 陳雷, 袁媛
【申請人】無錫中科智能農(nóng)業(yè)發(fā)展有限責(zé)任公司