一种基于云模型的小麦赤霉病害等级判定方法技术

本发明专利技术属于农作物病害监测技术领域，具体涉及一种基于云模型的小麦赤霉病害等级判定方法，包括病害区域的提取、颜色特征的构造、生成小麦赤霉菌颜色特征云模型、建立综合评价模型以及评价模型的分析；利用小麦赤霉病在逐渐病变过程中，病害区域的颜色变化与小麦病穗率等级的关系，结合云模型三个数字特征得出病害区域的颜色特征云，利用云模型对小麦赤霉病等级实现非硬性划分，实现综合评价。

A Method for Determining the Grade of Wheat Scab Disease Based on Cloud Model

The invention belongs to the technical field of crop disease monitoring, and specifically relates to a method for judging the grade of wheat scab disease based on cloud model, including the extraction of disease area, the construction of color features, the generation of color feature cloud model of wheat scab, the establishment of comprehensive evaluation model and the analysis of evaluation model, and the use of color of disease area in the process of wheat scab progressive lesion. Based on the relationship between the change and the grade of wheat ear disease rate, the color characteristic cloud of the disease area was obtained by combining the three digital characteristics of cloud model. The non-rigid classification of wheat scab grade was realized by using cloud model, and the comprehensive evaluation was realized.

【技术实现步骤摘要】
一种基于云模型的小麦赤霉病害等级判定方法
本专利技术属于农作物病害监测
，具体涉及一种基于云模型的小麦赤霉病害等级判定方法。
技术介绍
计算机技术的迅速发展，提高了植物病害自动检测识别的速度和效率。如高光谱技术、图像处理技术等。如梁琨，杜莹莹等人使用高光谱成像仪，分别对健康小麦籽粒图像和赤霉病小麦籽粒图像分析其光谱仪信息反射率特征。通过一系列的光谱预处理方法消除光谱图像噪声，然后对纹理特征、形态参数和平均灰度特征波段进行识别，最后建立识别模型。邵庆、张楠等人对小麦的叶部病害进行图像去噪，然后对病害部位实现形状特征提取，不仅在图像处理上是一种进步，同时完善了小麦病害的特征数据库。根据小麦赤霉病测报技术规范标准，将单株小麦赤霉病发生程度病情程度分为4个等级，但过度的“硬划分”会导致两种概念值极其接近的对象，被归为不同的等级中。例如：检测出的病穗率为25.8%，根据规范标准的分级标准，该单株小麦属于2级，但该值极其接近25%，等级划分的并不合理；且目前以麦穗为对象的赤霉病研究都是将其从活体摘除下来，有的甚至剥离为麦穗粒，经过一系列的识别检测方法统计病穗率，但这些都是某固定状态下的检测，由于此时病害程度已经确定，病害过程的变化未可知，相当于缺乏了一个动态参数来说明其病害过程的变化。
技术实现思路
本专利技术在云模型知识表示的基础上，由单株活体小麦从未发病到开始发病的颜色变化，构造的特征参数，在规范标准给出的分级标准上，加入该颜色特征，作为病穗率以外的另一个影响因子，生成颜色特征云模型，实现对分级更为合理的评价。本专利技术跟进了活体小麦的生长过程，从未发病到各病情程度不同的状态，统计颜色变化程度，构造特征参数，作为识别和评价小麦病害程度的一个指标，提供了一种基于云模型的小麦赤霉病害等级判定方法。相比较于对已摘除的小麦检测，更具有说服力。本专利技术是通过以下技术方案实现的：一种基于云模型的小麦赤霉病害等级判定方法，包括以下步骤：S1、病害区域的提取S11、在田间采集小麦麦穗的初始图像，经过去噪得到初处理图像；S12、采用Otsu方法对初处理图像在Lab空间下的a分量进行图像分割，得到a分量图像；S13、对初处理图像采用边缘识别算法得到麦穗边缘图像；S14、对a分量图像和麦穗边缘图像的灰度值分别进行位运算，将a分量图像和麦穗边缘图像灰度值相同的像素点设为0（黑色），将灰度值不同的像素点设为255（白色），然后将像素点为255的像素点记为病害像素点，得到病害像素点分布图；S15、利用病害像素点分布图与初始图像对应，提取初始图像中对应病害像素点分布图处的初始像素点，得到初始像素点分布图；S16、利用初始像素点分布图在初始图像中的对应位置标红，得到病害标记图像；S2、颜色特征的构造S21、以步骤S15中所得到的初始像素点的颜色作为统计小麦赤霉病发病情况颜色矩的基础，利用一阶距、二阶距、三阶矩的计算公式统计单株小麦赤霉病发病情况的颜色矩，一阶距、二阶距、三阶矩的计算公式如下：一阶距的计算公式：二阶距的计算公式：三阶距的计算公式；S22、根据颜色空间HSV、RGB和Lab中各颜色分量之间的组合关系，构造多个中间颜色参数；S23、记颜色矩和中间颜色参数为评价颜色参数，利用相关性函数corr()计算各评价颜色参数的相关系数；S24、对各评价颜色参数的相关系数的显著性水平进行判断；表1评价颜色参数的相关系数对以上评价颜色参数的相关系数分析，可知，只有21个颜色参数与小麦病穗率的相关性达到了50%以上，有14个颜色参数与病穗率呈负相关；一般认为：相关系数在0-0.09为没有相关性，0.1-0.3为弱相关，0.3-0.5为中等相关，0.5-1.0为强相关。但由于相关系数的大小并不稳定，不能直接说明其相关关系；因为相关系数是与数据本身的性质有关的，相关系数本身是会变动的，随着样本量的增加和减少，计算出来的相关性系数可能会发生变化，所以判断强弱不仅要看相关系数，还要看显著性大小；显著性水平是估计总体参数落在某一区间内，可能犯错误的概率，用α表示；α越小，表示总体参数落在错误的区间的概率越小，则表明相关关系的估计越容易正确，α越大，表示总体参数落在错误的区间的概率越大，即相关关系的估计越容易出现错误；一般情况下认为α是小于0.1的。在表1中，相关系数后的**代表着显著性水平达到0.01，*表示显著性水平达到0.05。S25、选择相关系数显著性水平达到0.01的评价颜色参数记为相关颜色参数，所以本文选取h-mean、s-mean、h-std、s-std四个相关颜色参数作为小麦赤霉病颜色特征云模型的数据源；S3、生成小麦赤霉菌颜色特征云模型，所述小麦赤霉菌颜色特征云模型由期望Ex、熵En、超熵He三个数字特征描述S31、利用相关颜色参数绘制在不同的小麦病穗率等级对应的频率分布曲线；S32、求出各频率分布曲线中的峰值点，将所得峰值点对应的x值作为需生成云模型的期望Ex；S33、根据公式计算熵En和超熵He；S4、建立综合评价模型云模型是由各个云滴组成，云滴对概念的贡献不一，在无穷区间上的所有云滴对概念的贡献值应该为1，但在分区间中，需要考虑到各云滴对概念的贡献值大小；根据3En准则的概念，取云模型中X的一个分区间，计算该区间上的云滴对概念A的平均贡献，平均贡献的公式如下：由平均贡献的公式得出，整个区间上的元素对概念A贡献的总和公式如下：经分析后，论域[Ex-3En，Ex+3En]中的元素对概念的贡献达到了99.74%，分布在论域区间[Ex-3En，Ex+3En]以外的元素，由于贡献值过低，基本可以不计其影响；S41、根据相关颜色参数对应的数字特征，计算Ex-0.67En和Ex+0.67En的值；S42、根据不同的小麦病穗率的等级，分别以区间[Ex-0.67En，Ex+0.67En]构建评价模型；S5、评价模型的分析S51、对某等级的小麦病穗率进行评价，判断该等级内每个相关颜色参数对应的区间[Ex-0.67En，Ex+0.67En]作为相关颜色参数评价区间，该等级内所有相关参数对应的相关颜色参数评价区间如果同时相交，则将无线接近高一等级的小麦病穗率的等级划定在当前等级中；否则，则不可以划定到当前等级中。其中，所述RGB颜色空间中的R，G，B的比例值表示色度坐标（r，g，b），满足r+g+b=1，其计算公式分别为：r=R/（R+G+B）；g=G/（R+G+B）；b=B/（R+G+B）。其中，所述步骤S11中去噪方法为中值滤波去噪；所述频率分布曲线利用python库中的hist（）函数绘制。其中，所述小麦病穗率的等级包括：一级病穗率为20-25%、二级病穗率为45-50%、三级病穗率为70-75%。其中，所述峰值点为频率分布曲线的局部最大值。本专利技术相比现有技术具有以下优点：本专利技术中利用综合分级的评判标准，能够对在不使用活体采摘麦穗粒对小麦麦穗赤霉病发病情况进行跟踪，能够有效的缓解硬划分的局限性，能够为小麦赤霉病的评价提供标准，为小麦赤霉病的施水、施药提供合理的指导。附图说明图1是Lab颜色空间a分量和b分量的直方图；图2是a分量图像；图3是麦穗边缘图像；图4是病害像素点分布图；图5是初始像素点分布图；图6是病害标记图像；图7-10是一级病穗率的四个相关本文档来自技高网...

【技术保护点】
1.一种基于云模型的小麦赤霉病害等级判定方法，其特征在于，包括以下步骤：S1、病害区域的提取S11、在田间采集小麦麦穗的初始图像，经过去噪得到初处理图像；S12、采用Otsu方法对初处理图像在Lab空间下的a分量进行图像分割，得到a分量图像；S13、对初处理图像采用边缘识别算法得到麦穗边缘图像；S14、对a分量图像和麦穗边缘图像的灰度值分别进行位运算，将a分量图像和麦穗边缘图像灰度值相同的像素点设为0，将灰度值不同的像素点设为255，然后将像素点为255的像素点记为病害像素点，得到病害像素点分布图；S15、利用病害像素点分布图与初始图像对应，提取初始图像中对应病害像素点分布图处的初始像素点，得到初始像素点分布图；S16、利用初始像素点分布图在初始图像中的对应位置标红，得到病害标记图像；S2、颜色特征的构造S21、以步骤S15中所得到的初始像素点的颜色作为统计小麦赤霉病发病情况颜色矩的基础，利用一阶距、二阶距、三阶矩的计算公式统计单株小麦赤霉病发病情况的颜色矩，一阶距、二阶距、三阶矩的计算公式如下：一阶距的计算公式：

【技术特征摘要】
1.一种基于云模型的小麦赤霉病害等级判定方法，其特征在于，包括以下步骤：S1、病害区域的提取S11、在田间采集小麦麦穗的初始图像，经过去噪得到初处理图像；S12、采用Otsu方法对初处理图像在Lab空间下的a分量进行图像分割，得到a分量图像；S13、对初处理图像采用边缘识别算法得到麦穗边缘图像；S14、对a分量图像和麦穗边缘图像的灰度值分别进行位运算，将a分量图像和麦穗边缘图像灰度值相同的像素点设为0，将灰度值不同的像素点设为255，然后将像素点为255的像素点记为病害像素点，得到病害像素点分布图；S15、利用病害像素点分布图与初始图像对应，提取初始图像中对应病害像素点分布图处的初始像素点，得到初始像素点分布图；S16、利用初始像素点分布图在初始图像中的对应位置标红，得到病害标记图像；S2、颜色特征的构造S21、以步骤S15中所得到的初始像素点的颜色作为统计小麦赤霉病发病情况颜色矩的基础，利用一阶距、二阶距、三阶矩的计算公式统计单株小麦赤霉病发病情况的颜色矩，一阶距、二阶距、三阶矩的计算公式如下：一阶距的计算公式：二阶距的计算公式：三阶距的计算公式：；S22、根据颜色空间HSV、RGB和Lab中各颜色分量之间的组合关系，构造多个中间颜色参数；S23、记颜色矩和中间颜色参数为评价颜色参数，利用相关性函数corr()计算各评价颜色参数的相关系数；S24、对各评价颜色参数的相关系数的显著性水平进行判断；S25、选择相关系数显著性水平达到0.01的评价颜色参数记为相关颜色参数，将相关颜色参数作为小麦赤霉病颜色特征云模型的数据源；S3、生成小麦赤霉菌颜色特征云模型，所述小麦赤霉菌颜色特征云模型由期望Ex、熵En、超熵He三个数字特征描述S31、利用相关颜色参数绘制在不同的小麦病穗率等级对应的频率分布曲线；S32、求出各频率分布曲线中的峰值点，将所得峰值...

【专利技术属性】
技术研发人员：许高建，沈杰，李绍稳，吴国栋，涂立静，林晨，吴云志，傅运之，冯宇翔，王帅，张蕴，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：安徽,34