專利名稱:基于svm機器學習的植物病蟲害檢測方法
技術(shù)領(lǐng)域:
本發(fā)明屬于數(shù)字圖像處理及模式識別技術(shù)領(lǐng)域,具體涉及農(nóng)業(yè)視頻監(jiān)控中的植物病蟲害檢測方法。
背景技術(shù):
植物病蟲害檢測作為一門跨學科的前沿技術(shù),融合了農(nóng)業(yè)的植物生長,計算機行業(yè)的圖像處理、模式識別、人工智能等多種不同領(lǐng)域的理論知識。在農(nóng)業(yè)場景大棚大田植物病蟲害檢測領(lǐng)域中有著廣闊的應用前景,植物病蟲害檢測方法的研究具有重要的實際意義和理論價值。植物病蟲害檢測是在農(nóng)業(yè)場景的植物生長過程中檢測植物的葉片是否發(fā)生病蟲害。在植物病蟲害檢測方法的研究上,大致有兩種思路一是依賴于專家知識庫,首先為專家知識庫認定為發(fā)生病蟲害的植物葉片建模,然后用實際的植物葉片來與之進行匹配;二·是不依賴于先驗知識,通過對植物葉片進行特征提取,最終檢測葉片是否發(fā)生病蟲害。圍繞這兩種思路,產(chǎn)生了一些植物病蟲害檢測的方法。但迄今為止,植物病蟲害檢測方法的實用性、準確性和實時性仍未得到有效的解決。植物病蟲害檢測有如下幾種常用的方法
I、人工檢測
目前最常見的植物病蟲害檢測方法是人工方法,通常是農(nóng)民或檢測人員根據(jù)自己的實際種植經(jīng)驗來識別作物是否發(fā)生病蟲害;當農(nóng)民或檢測人員熟悉或了解病蟲害時,識別的速度很快;但需要人深入田間地頭檢測,需要的人力資源較大,而且可能覆蓋面不足;現(xiàn)在有開發(fā)出一些專家系統(tǒng)來協(xié)助農(nóng)戶檢測病蟲害。2、化學檢測
化學檢測主要用于實驗室,利用化學成本的分析來識別病蟲害,該方法準確可靠,但是對于農(nóng)戶來說操作較復雜,而且檢測成本比較高,檢測時間較長,設備也不便捷,不能實現(xiàn)實時檢測。3、光譜技術(shù)檢測
光譜圖像分析技術(shù)是光學、化學計量學、計算機技術(shù)、光譜數(shù)據(jù)處理和數(shù)據(jù)關(guān)聯(lián)技術(shù)等的綜合,因為光譜能夠直接反映分子內(nèi)部結(jié)構(gòu)和運動狀態(tài),特征性強,靈敏度高,這種技術(shù)在工、農(nóng)業(yè)和科學研究中廣泛應用,但這種技術(shù)容易受到環(huán)境水分的影響。4、圖像處理技術(shù)檢測
圖像處理技術(shù)可以分析植物葉片圖像的顏色、紋理等信息,從而快速和準確地檢測病蟲害的發(fā)生,但對于病蟲害的種類區(qū)分難度比較大,在實際監(jiān)控場景中光照也容易對圖像質(zhì)量產(chǎn)生影響,影響病蟲害檢測的準確率。以上這些植物病蟲害檢測算法,是比較常用和有效的方法,但都沒有特別通用的算法。對于不同的環(huán)境,光照,不同的病蟲害類型,效果千差萬別。在實際的病蟲害檢測應用中,需要特別區(qū)分和選擇。
發(fā)明內(nèi)容
本發(fā)明的目的是,提供一種具有較好普適性的基于SVM機器學習的植物病蟲害檢測方法,本發(fā)明能夠?qū)Σ煌闹参?,不同的病蟲害種類,使用相同的方法進行植物病蟲害檢測,同時方法具有實用性、準確性和實時性。本發(fā)明提出的基于SVM機器學習的植物病蟲害檢測方法,具體步驟如下
(O獲取農(nóng)業(yè)場景中大量植物葉片的圖像,確定樣本
首先在農(nóng)業(yè)場景監(jiān)控的視頻數(shù)據(jù)中,獲取植物葉片的圖像,等概率抽樣其中部分植物葉片將其分為正常生長和發(fā)生病蟲害兩類,作為正負樣本,組成樣本庫。
(2)提取圖像特征,組成特征向量
從植物正負樣本葉片圖像中提取植物的顏色特征、HSV特征、邊緣特征和HOG特征。顏色特征獲取圖像每個像素點綠色分量的像素值(0-255)構(gòu)造顏色直方圖,然后進行歸一化,從而得到圖像的顏色特征。HSV特征HSV分別代表色調(diào)、飽和度、亮度,每個像素點色調(diào)取值范圍是O度 359度,每個像素點飽和度、亮度取值范圍是O. O I. O,構(gòu)造色調(diào)、飽和度、亮度直方圖,并分別進行歸一化,從而得到圖像的HSV特征。邊緣特征獲取圖像每個像素點的亮度值,采用Sobel算子計算其梯度矢量,即
權(quán)利要求
1.一種基于SVM機器學習的植物病蟲害檢測方法,其特征在于具體步驟如下 (O獲取農(nóng)業(yè)場景中大量植物葉片的圖像 首先在農(nóng)業(yè)場景監(jiān)控的視頻數(shù)據(jù)中,獲取植物葉片的圖像,等概率抽樣其中部分植物葉片將其分為正常生長和發(fā)生病蟲害兩類,作為正負樣本,組成樣本庫; (2)提取圖像特征,組成特征向量 對于樣本庫中的植物葉片圖像分別提取植物葉片的顏色特征、HSV特征、邊緣特征和HOG特征; 顏色特征獲取圖像每個像素點綠色分量的0-255像素值構(gòu)造顏色直方圖,然后進行歸一化,從而得到圖像的顏色特征; HSV特征HSV分別代表色調(diào)、飽和度和亮度,每個像素點色調(diào)取值范圍是O 360度,每個像素點飽和度、亮度取值范圍是O. O I. 0,構(gòu)造色調(diào)、飽和度和亮度直方圖,并分別進行歸一化,從而得到圖像的HSV特征; 邊緣特征獲取圖像每個像素點的亮度值,采用Sobel算子計算每個像素點的梯度矢量,即
全文摘要
本發(fā)明屬于數(shù)字圖像處理及模式識別技術(shù)領(lǐng)域,具體為一種基于SVM機器學習的植物病蟲害檢測方法。本發(fā)明首先在大量農(nóng)業(yè)場景的監(jiān)控視頻中,獲取大量正常生長的植物葉片和發(fā)生病蟲害的植物葉片,從正常生長的植物葉片和發(fā)生病蟲害的植物葉片中各抽取部分圖片作為樣本,對每幅葉片圖像提取特征(包括顏色特征、HSV特征、邊緣特征和HOG特征),將這些特征組合成特征向量;然后對每幅葉片圖像的特征向量用SVM的機器學習方法進行訓練,訓練后形成一個分類器,然后將大量的植物葉片圖像用這個分類器進行檢測,檢測植物葉片是否發(fā)生病蟲害。相比于生物學方面的植物病蟲害檢測方法,本發(fā)明具有更高的實時性和易實施性,較好解決了必須深入田間地頭才能檢測植物病蟲害的弊端。
文檔編號G06K9/62GK102915446SQ20121035124
公開日2013年2月6日 申請日期2012年9月20日 優(yōu)先權(quán)日2012年9月20日
發(fā)明者蔣龍泉, 魯帥, 董文彧, 郭躍飛, 馮瑞 申請人:復旦大學