【技术实现步骤摘要】
本专利技术涉及模式识别和机器学习领域,尤其涉及一种基于增量学习的农作物病害识别方法。
技术介绍
传统的农作物病害识别方法,通常是从病害样本数据库中提取的特征向量使用神经网络进行训练得到一个分类器,当用户上传病害图像时,根据训练得到分类器对病害种类进行识别。为了得到较高的分类精度,要求训练样本集越完备越好,但在实际应用中,完整的样本集很难获得,由于对问题理解的局限性和实际应用中的复杂性,很难精确、完整地定义训练样本集,使得一次性获得和保存所有数据的代价会随着时间增长变得越来越高;许多实际问题也不允许等到获得所有数据后再进行学习,当新样本加入时,为了得到更精确的学习结果,需要将以前训练集中的数据和新的训练集中的数据合并以后进行训练。这样操作复杂,每次都需要重新训练神经网络也需要消耗大量的时间和内存容量。特别地,如果训练数据特别大,内存容量可能无法满足训练神经网络的需求。
技术实现思路
本专利技术的目的在于提供一种识别效率高、识别种类多的基于增量学习的病害识别方法,该方法具有病害同类之间变化鲁棒性强、不同类之间相似性敏感的特点。为实现上述目的专利技术采用如下方案:基于增量学习的农作物病害识别方法,包括以下步骤:步骤1收集原始病害图像进行图像预处理;步骤1-1收集病害原始图像,标记其种类;步骤1-2对病害图像进行灰度变换,把彩色病害图像转换成灰度图像,提取每一个像素的R、G、B分量,转换公式如下:Gray=0.299*R+0.587*G+0.114*B步骤1-3对病害图像进行图像增强,先使用中值滤波进行去噪,接着对去噪后的图像进行直方图均衡化;步骤1-4对病害图像进 ...
【技术保护点】
基于增量学习的农作物病害识别方法,其特征在于包括以下步骤:步骤1收集原始病害图像进行图像预处理;步骤1‑1收集病害原始图像,标记其种类;步骤1‑2对病害图像进行灰度变换,把彩色病害图像转换成灰度图像,提取每一个像素的R、G、B分量,转换公式如下:Gray=0.299*R+0.587*G+0.114*B步骤1‑3对病害图像进行图像增强,先使用中值滤波进行去噪,接着对去噪后的图像进行直方图均衡化;步骤1‑4对病害图像进行分割,采用阈值分割,将病害图像中病斑与叶片背景进行分离,获得只含有病斑的图像;步骤1‑5对病害图像进行轮廓提取;步骤1‑6对病害图像进行病害提取,将轮廓图像与原图叠加进行与运算,得到去除了叶片背景的病斑图像;步骤2对经过预处理的病害图像进行特征提取,包括颜色特征、纹理特征以及形态特征,把提取的三方面的特征作为识别分类的特征向量,构建样本数据库;步骤3利用负相关集成神经网络对样本库病害图像进行演化计算模拟增量学习过程,确定负相关学习系统的初始参数,并用此初始参数初始化一个基于负相关学习的集成神经网络分类器;步骤3‑1对于病害样本训练集合D,D={(x(1),d(1)),…,( ...
【技术特征摘要】
1.基于增量学习的农作物病害识别方法,其特征在于包括以下步骤:步骤1收集原始病害图像进行图像预处理;步骤1-1收集病害原始图像,标记其种类;步骤1-2对病害图像进行灰度变换,把彩色病害图像转换成灰度图像,提取每一个像素的R、G、B分量,转换公式如下:Gray=0.299*R+0.587*G+0.114*B步骤1-3对病害图像进行图像增强,先使用中值滤波进行去噪,接着对去噪后的图像进行直方图均衡化;步骤1-4对病害图像进行分割,采用阈值分割,将病害图像中病斑与叶片背景进行分离,获得只含有病斑的图像;步骤1-5...
【专利技术属性】
技术研发人员:胡晓辉,杜永文,王军,
申请(专利权)人:兰州交通大学,
类型:发明
国别省市:甘肃;62
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。