【技术实现步骤摘要】
一种基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法
[0001]本专利技术涉及马铃薯病害自动化诊断
,尤其涉及一种基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法。
技术介绍
[0002]作物损失的预防取决于诊断和控制植物病害的能力。当前,植物病害是对全球粮食安全的重大威胁,每年造成全球10
‑
16%的作物损失。马铃薯作为仅次于小麦、水稻和玉米的世界第四大粮食作物,随着马铃薯种植面积和总产量逐年提高,马铃薯病害问题越来越受到重视。早晚疫病是马铃薯常见病害,由真菌传染导致,感染早疫病的马铃薯叶片会过早枯萎,进而降低产量并产生经济影响。因此,建立快速有效的马铃薯早晚疫病检测方法显得尤为重要。
[0003]在引入机器学习来检测植物病害之前,马铃薯病害的诊断很大程度上依赖于专业的农艺师或植物病理学家。然而,由于感染体征的多样性和不同物种之间相似症状的巨大差异,这对专家鉴别病害的能力提出了更高的要求。因此,依靠机器学习获取马铃薯病害特征模式能有效对多种病害进行诊断,从而提高鉴别病害的效率。目前,有学者采取了OTSU
‑
SFLA图像分割算法,对于马铃薯叶片病斑图像进行了分割处理。该算法能够对马铃薯早疫病等5种常见病害分割优化,并通过建立卷积神经网络识别模型进行图像特征提取和识别。形状特征方面,由于不同茶叶病害的致病机理不同,有学者提出围绕茶叶病病斑提取8类几何特征,分别建立矩形度、伸长度、复杂性、圆度及面积凹凸比5种组合形状特征。特征融合方面,有学者利用卷积神经网络提取 ...
【技术保护点】
【技术特征摘要】
1.一种基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法,其特征在于:包括如下步骤,S1、利用Fast K
‑
Means算法对马铃薯叶片灰度图像进行分割,获得叶片受关注的区域;S2、使用GLCM算法对叶片受关注的区域提取11类纹理特征信息,以形成病害特征向量;S3、将训练集和测试集中所有图像的病害特征向量分别输入投票分类器,以分别训练投票分类器和测试训练好的投票分类器,将符合测试要求的训练好的投票分类器作为马铃薯病害识别模型。2.根据权利要求1所述的基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法,其特征在于:马铃薯叶片灰度图像的获取过程为,S01、图像采集:选择马铃薯叶片形状与植株生长情况差异大的田间采集马铃薯病害叶片图像,拍摄包括早上、晚上、中午、阴天、晴天与雨天在内的不同条件下的马铃薯病害叶片图像,并从中选取N幅马铃薯健康和患病叶片图像构建马铃薯图像数据集;所述马铃薯图像数据集包含不同发病周期的叶片样本;其中,早疫病、晚疫病和正常叶类的图像数比例为11∶9∶10;马铃薯图像数据集中的所有图像按比例划分为训练集和测试集;S02、图像预处理:对马铃薯图像数据集中的所有图像依次进行噪声消除、图像强度平衡和目标排除操作,之后再进行图像裁剪、平滑处理以及图像增强操作,并将RGB格式的图像转换为灰度格式的图像,进而获取马铃薯叶片灰度图像。3.根据权利要求1所述的基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法,其特征在于:步骤S1中Fast K
‑
Means聚类算法的聚类过程如下,S11、设有K个聚类,每个聚类中有n个中心向量;S12、确定每个级别值与聚类中心c
k
之间的欧氏距离,并将每个值归属给最近的聚类中心;即第k个聚类向量以色标值r和聚类中心c
k
为界的欧氏距离为d(r,c
k
),色标值r分配给其最近的聚类中心的c
k
;c
k
=(c
k,1
,
…
,c
k,n
),k=1,2,
…
,KS13、计算每个聚类级别的平均值,为每个聚类创建一个新的聚类中心;S14、重复步骤S11至S13,直到新的聚类中心与原始图像数据完全匹配。4....
【专利技术属性】
技术研发人员:代国威,樊景超,胡林,闫燊,
申请(专利权)人:中国农业科学院农业信息研究所,
类型:发明
国别省市:
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。