基于监督学习的小麦条锈病严重度评估方法技术

本发明专利技术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。本发明专利技术方法简便、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。要意义。要意义。

【技术实现步骤摘要】
基于监督学习的小麦条锈病严重度评估方法


[0001]本专利技术涉及植物保护
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。

技术实现思路

[0006]本专利技术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。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]基于监督学习的小麦条锈病严重度评估方法，包括：
[0009]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；
[0010]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；
[0011]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。
[0012]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。
[0013]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：
[0014]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。
[0015]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：
[0016][0017]其中，S
p
为病斑面积占叶片总面积的百分率；A
d
为病斑区域像素数量，A
l
为叶片区域总像素数量。
[0018]优选地，构建所述小麦条锈病严重度评估模型，包括：
[0019]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。
[0020]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。
[0021]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。
[0022]优选地，构建所述小麦条锈病严重度评估最优SVM模型，包括：
[0023]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。
[0024]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：
[0025]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。
[0026]优选地，构建所述小麦条锈病严重度评估最优KNN模型，包括：
[0027]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。
[0028]本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。4.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，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，S
p
为病斑面积占叶片总面积的百分率；A
d
为病斑区域像素数量，A
l
为叶片区域总像素数量。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...

【专利技术属性】
技术研发人员：王海光，蒋倩，王红丽，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：