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

本发明专利技术公开了一种基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法，包括S1、利用Fast K

【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浅层特征，利用相关系数分析法除去冗余特征图，取得的弱相关特征图用于提取HOG特征，通过支持向量机算法进行分类。
[0004]但是机器学习技术在植物病害识别方面仍然存在一些缺陷：传统的机器学习技术仍然依赖于为训练模型提取重要特征；多数研究方法，提取的特征较为单一，且在植物病害中，使用了不当的特征提取方法(如HOG)，导致机器学习特征过少，影像最终的识别结果；大多数研究采用单个分类器对提取的特征进行分类，分类效果并不理想。

技术实现思路

[0005]本专利技术的目的在于提供一种基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法，从而解决现有技术中存在的前述问题。
[0006]为了实现上述目的，本专利技术采用的技术方案如下：
[0007]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，
[0008]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；
[0009]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；
[0010]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。
[0011]优选的，马铃薯叶片灰度图像的获取过程为，
[0012]S01、图像采集：
[0013]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；
[0014]S02、图像预处理：
[0015]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。
[0016]优选的，步骤S1中Fast K
‑
Means聚类算法的聚类过程如下，
[0017]S11、设有K个聚类，每个聚类中有n个中心向量；
[0018]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
；
[0019]c
k
＝(c
k，1
，
…
，c
k，n
)，k＝1，2，
…
，K
[0020][0021]S13、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；
[0022]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。
[0023]优选的，步骤S2具体包括如下内容，
[0024]S21、设f(x，y)为大小为M
×
N的灰度图像，(x1，y1)和(x2，y2)为灰度图像中θ方向距离为d的两个像素点的坐标，x2＝x1+d
×
cosθ，y2＝y1+d
×
sinθ；
[0025]则灰度共生矩阵P(i，j，d，θ)为，
[0026]P(i，j，d，θ)＝${(x1，y1)，(x2，y2)∈M
×
N，f(x1，y1)＝i，f(x2，y2)＝j}
[0027]其中，${}为集合元素个数；d为两个像素点之间的距离；θ为两个像素点的连线与坐标横轴正方向的夹角；
[0028]S22、对灰度共生矩阵进行归一化处理，计算公式为，
[0029][0030]其中，P(i，j)为归一化处理后的灰度共生矩阵；R为灰度共生矩阵中所有元素的总和；
[0031]S23、设置灰度级为8bits，度量纹理窗口大小为5
×
5，距离d为4，方向角θ分别为0
°
、45
°
、90
°
和135
°
，获取4个灰度共生矩阵，并分别计算这4个灰度共生矩阵的11类纹理特征信息，以形成病害特征向量。
[0032]优选的，所述灰度共生矩阵的11类纹理特征信息包括同质性、对比度、相异性、角
二阶矩、能量、最大概率、熵、均值、方差、相关性和逆差矩。
[0033]优选的，步骤S3中投票分类器包括支持向量机、K最邻近和随机森林在内的三个子分类器。
[0034]优选的，步骤S3具体为，投票分类器依次对三个子分类器建立三个线程处理特征向量，投票分类器采取10折交叉验证，对每两个分类器输出的结果按照序列进行比较，投票的最终结果作为识别的马铃薯病害类别。
[0035]优选的，步骤S3的训练过程中，投票分类器对其包含的三个子分类器使用网格搜索各子分类器的超参数，取得最优超参数作为所属子分类器的最终参数，进而获取训练好的投票分类器。
[0036]本专利技术的有本文档来自技高网...

【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：