基于主成分分析和神经网络的水稻病害识别方法及系统技术方案

本发明专利技术涉及一种基于主成分分析和神经网络的水稻病害识别方法，包括：获取水稻病害图像数据，并进行图像预处理；进行视觉显著性检测，从显著图序列中寻找到理想病斑轮廓的水稻病害图像；对水稻病害图像从颜色、形态和纹理这三个方面提取特征，进行差异性分析和主成分分析，找到不同的特征组合；对不同的特征组合进行机器学习模型的构建，将预测结果反馈至客户端。本发明专利技术还公开了一种基于主成分分析和神经网络的水稻病害识别系统。本发明专利技术通过采集图像信息，并将该图像通过网络传输给服务器端，通过服务器端对所采集的组培图像进行预处理和病斑检测，并根据检测的结果，通过手机短信和信号灯以及PC端，提醒管理人员。

【技术实现步骤摘要】

本专利技术涉及图像识别
，尤其是一种基于主成分分析和神经网络的水稻病害识别方法及系统。
技术介绍
图像识别技术已经应用在各个领域，目前比较成熟的就有指纹识别、人脸识别和智能交通，也体现在智能农业、地图与地形配准、自然资源分析、天气预报、环境监测和生理病变研究等许多领域。在农业方面，如作物病虫害检测，能够通过图像识别技术，检测农作物的病虫害情况和生长情况。目前，应用在在农业方面的图像识别技术多是针对自然生长的部分作物进行研究处理，而且还没有专门针对水稻的病虫害检测系统，多是依赖人工进行病虫害检测，缺乏智能化，自动化。由于水稻病害识别准确率低或者征维度大，二者的此消彼长给水稻病害识别系统的开发带来一定的代价。
技术实现思路
本专利技术的首要目的在于提供一种能够自动、高效地检测水稻图像的病害情况，提供预警信息的基于主成分分析和神经网络的水稻病害识别方法。为实现上述目的，本专利技术采用了以下技术方案：一种基于主成分分析和神经网络的水稻病害识别方法，该方法包括下列顺序的步骤：(1)获取通过农业专家进行病斑标注的水稻病害图像数据；(2)对获取的水稻病斑图片进行图像预处理；(3)对预处理后的水稻病斑图像进行视觉显著性检测，构建谱尺度空间，根据一定的信息熵准则从显著图序列中寻找到理想病斑轮廓的水稻病害图像；(4)对水稻病害图像从颜色、形态和纹理这三个方面提取特征，进行差异性分析，从这三个方面分别对差异效果差的特征组合进行基于特征数阈值调整的主成分分析，从而找到不同的特征组合；(5)对不同的特征组合进行机器学习模型的构建，同时调整权重迭代参
数，找出准确率最高的权重迭代参数和特征组合，反过来利用这样的权重迭代参数和特征组合所构建的理想模型预测水稻病害的类型，从而将预测结果反馈至客户端。所述图像预处理是指对获取的图像信息进行高斯滤波处理，对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到；用一个模板扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。所述视觉显著性检测包括以下步骤：a)将原始图像表示成四元数图像形式，如式(1)所示，f(n,m)＝w1f1+w2f2i+w3f3j+w4f4k (1)式中，w1～w4是权重，f1～f4是特征图，f1是运动特征，f2是亮度特征，f3和f4是颜色特征；对于静止输入图像而言，显然f1＝0；f2～f4的计算，如式(2)至式(4)所示：f2＝(r+g+b)/2 (2)f3＝R-G,R＝r-(g+b)/2，G＝g-(r+b)/2 (3)f4＝B-Y，B＝b-(r+g)/2，Y＝(r+g)/2-|r-g|/2-b (4)式(1)、(2)、(3)、(4)中，r，g，b表示彩色图像的三通道，w1＝0，w2＝0.5，w3＝w4＝0.25；b)将四元数图像表示成傅里叶变换形式，四元数图像傅里叶变换的极坐标形式如式(5)所示： F H [ u , v ] = | | F H [ u , v ] | | e u P ( u , v ) - - - ( 5 ) ]]>式中||.||表示超复数矩阵每一个元素的模，FH[u,v]是f(n，m)的频率域表示；A(u,v)＝||FH[u,v]|| (6) P ( u , v ) = tan - 1 | | V ( F F ( u , v ) ) | | | | S ( F F ( u , v ) ) | | - - - ( 7 ) ]]> χ ( u , v ) = V ( F F ( U , V ) ) | | V ( F F ( U , V ) ) | | - - - ( 8 ) ]]>式中，FF表示四元数图像的傅里叶变换形式，S表示四元数图像的实部，V表示其虚部；A(u,v)表示幅度谱、P(u,v)表示傅里叶变换的相角、χ(u,v)表示频谱中虚部的规整；c)构建谱尺度空间高斯核函数以及谱尺度空间定义，如式(9)所示： g ( u , v , k ) = 1 2 π 2 k - 1 本文档来自技高网...

【技术保护点】
一种基于主成分分析和神经网络的水稻病害识别方法，该方法包括下列顺序的步骤：(1)获取通过农业专家进行病斑标注的水稻病害图像数据；(2)对获取的水稻病斑图片进行图像预处理；(3)对预处理后的水稻病斑图像进行视觉显著性检测，构建谱尺度空间，根据一定的信息熵准则从显著图序列中寻找到理想病斑轮廓的水稻病害图像；(4)对水稻病害图像从颜色、形态和纹理这三个方面提取特征，进行差异性分析，从这三个方面分别对差异效果差的特征组合进行基于特征数阈值调整的主成分分析，从而找到不同的特征组合；(5)对不同的特征组合进行机器学习模型的构建，同时调整权重迭代参数，找出准确率最高的权重迭代参数和特征组合，反过来利用这样的权重迭代参数和特征组合所构建的理想模型预测水稻病害的类型，从而将预测结果反馈至客户端。

【技术特征摘要】
1.一种基于主成分分析和神经网络的水稻病害识别方法，该方法包括下列顺序的步骤：(1)获取通过农业专家进行病斑标注的水稻病害图像数据；(2)对获取的水稻病斑图片进行图像预处理；(3)对预处理后的水稻病斑图像进行视觉显著性检测，构建谱尺度空间，根据一定的信息熵准则从显著图序列中寻找到理想病斑轮廓的水稻病害图像；(4)对水稻病害图像从颜色、形态和纹理这三个方面提取特征，进行差异性分析，从这三个方面分别对差异效果差的特征组合进行基于特征数阈值调整的主成分分析，从而找到不同的特征组合；(5)对不同的特征组合进行机器学习模型的构建，同时调整权重迭代参数，找出准确率最高的权重迭代参数和特征组合，反过来利用这样的权重迭代参数和特征组合所构建的理想模型预测水稻病害的类型，从而将预测结果反馈至客户端。2.根据权利要求1所述的基于主成分分析和神经网络的水稻病害识别方法，其特征在于：所述图像预处理是指对获取的图像信息进行高斯滤波处理，对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到；用一个模板扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。3.根据权利要求1所述的基于主成分分析和神经网络的水稻病害识别方法，其特征在于：所述视觉显著性检测包括以下步骤：a)将原始图像表示成四元数图像形式，如式(1)所示，f(n,m)＝w1f1+w2f2i+w3f3j+w4f4k (1)式中，w1～w4是权重，f1～f4是特征图，f1是运动特征，f2是亮度特征，f3和f4是颜色特征；对于静止输入图像而言，显然f1＝0；f2～f4的计算，如式(2)至式(4)所示：f2＝(r+g+b)/2 (2)f3＝R-G,R＝r-(g+b)/2，G＝g-(r+b)/2 (3)f4＝B-Y，B＝b-(r+g)/2，Y＝(r+g)/2-|r-g|/2-b (4)式(1)、(2)、(3)、(4)中，r，g，b表示彩色图像的三通道，w1＝0，w2＝0.5，w3＝w4＝0.25；b)将四元数图像表示成傅里叶变换形式，四元数图像傅里叶变换的极坐标形式如式(5)所示：FH[u,v]＝||FH[u,v]||euP(u,v) (5)式中||.||表示超复数矩阵每一个元素的模，FH[u,v]是f(n，m)的频率域表示；A(u,v)＝||FH[u,v]|| (6) P ( u , v ) = tan - 1 | | V ( F F ( u , v ) ) | | | | S ( F F ( u , v ...

【专利技术属性】
技术研发人员：韩强，李淼，张健，高会议，董俊，陈雷，袁媛，
申请(专利权)人：无锡中科智能农业发展有限责任公司，
类型：发明
国别省市：江苏;32