1.一種基于馬爾可夫模型和長(zhǎng)短記憶時(shí)網(wǎng)絡(luò)的植物葉面斑點(diǎn)擴(kuò)散預(yù)測(cè)方法，其特征在于，該方法具體包括：
2.如權(quán)利要求1所述基于馬爾可夫模型和長(zhǎng)短記憶時(shí)網(wǎng)絡(luò)的植物葉面斑點(diǎn)擴(kuò)散預(yù)測(cè)方法，其特征在于，所述s1，周期性的采集有斑點(diǎn)的同一片植物葉面圖像，例如每2-3天采集一次，直到葉面大面積枯萎或掉落。
3.如權(quán)利要求1所述基于馬爾可夫模型和長(zhǎng)短記憶時(shí)網(wǎng)絡(luò)的植物葉面斑點(diǎn)擴(kuò)散預(yù)測(cè)方法，其特征在于，所述s1，處理收集到的葉子圖像，每個(gè)圖像處理的主要步驟包括背景去除、病斑分割、圖像灰度化、病害程度分級(jí)和特征提取，對(duì)于具有病變周期的一系列圖像，每種類型的特征可以從每幅圖像中提取一次，以形成特征的時(shí)間序列，該時(shí)間序列用作時(shí)間序列模型的訓(xùn)練數(shù)據(jù)：
4.如權(quán)利要求1所述基于馬爾可夫模型和長(zhǎng)短記憶時(shí)網(wǎng)絡(luò)的植物葉面斑點(diǎn)擴(kuò)散預(yù)測(cè)方法，其特征在于，所述s2，選用lstm模型預(yù)測(cè)下一個(gè)狀態(tài)的葉面斑點(diǎn)特征值，該模型需要進(jìn)行訓(xùn)練，訓(xùn)練之后才可以用于預(yù)測(cè)，本發(fā)明使用了三個(gè)長(zhǎng)短記憶時(shí)網(wǎng)絡(luò)。
5.如權(quán)利要求1所述基于馬爾可夫模型和長(zhǎng)短記憶時(shí)網(wǎng)絡(luò)的植物葉面斑點(diǎn)擴(kuò)散預(yù)測(cè)方法，其特征在于，所述s3，預(yù)測(cè)方式為每次先用訓(xùn)練后的lstm模型對(duì)下一狀態(tài)的葉面特征進(jìn)行一步預(yù)測(cè)，預(yù)測(cè)以后的值和當(dāng)前值進(jìn)行對(duì)比，計(jì)算出葉面各類像素的轉(zhuǎn)移概率，之后，采用馬爾可夫模型對(duì)各個(gè)像素進(jìn)行概率計(jì)算，最后針對(duì)計(jì)算結(jié)果進(jìn)行調(diào)整，得出預(yù)測(cè)的灰度等級(jí)圖：
6.一種基于如權(quán)利要求1-5所述基于馬爾可夫模型和長(zhǎng)短記憶時(shí)網(wǎng)絡(luò)的植物葉面斑點(diǎn)擴(kuò)散預(yù)測(cè)系統(tǒng)，其特征在于，該系統(tǒng)具體包括：
7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，圖像采集及預(yù)處理模塊周期性地采集有斑點(diǎn)的同一片植物葉面圖像，例如每2-3天采集一次，直到葉面大面積枯萎或掉落，并對(duì)收集到的葉子圖像進(jìn)行背景去除、病斑分割、圖像灰度化、病害程度分級(jí)和特征提取等處理。
8.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，lstm預(yù)測(cè)模型訓(xùn)練模塊選用lstm模型預(yù)測(cè)下一個(gè)狀態(tài)的葉面斑點(diǎn)特征值，該模塊包含三個(gè)長(zhǎng)短記憶時(shí)網(wǎng)絡(luò)，并通過訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，以提高預(yù)測(cè)的準(zhǔn)確性。
9.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，斑點(diǎn)擴(kuò)散預(yù)測(cè)模塊通過先用訓(xùn)練后的lstm模型對(duì)下一狀態(tài)的葉面特征進(jìn)行一步預(yù)測(cè)，然后計(jì)算出葉面各類像素的轉(zhuǎn)移概率，之后采用馬爾可夫模型對(duì)各個(gè)像素進(jìn)行概率計(jì)算，最后針對(duì)計(jì)算結(jié)果進(jìn)行調(diào)整，得出預(yù)測(cè)的灰度等級(jí)圖，并通過圖像調(diào)整使得斑點(diǎn)區(qū)域變成聯(lián)通區(qū)域，以更真實(shí)地模擬葉面斑點(diǎn)的擴(kuò)散情況。