基于人工智能的马铃薯病害监测方法、系统及电子设备技术方案

本发明专利技术涉及一种基于人工智能的马铃薯病害监测方法、系统及电子设备，基于SVM算法和卷积神经网络算法CNN得到马铃薯病害识别算法，能对采集到的马铃薯的待识别图像进行病害识后得到病害识别结果，解决了马铃薯病害识别问题，然后将病害识别结果反馈给用户，而且，本申请的马铃薯病害识别算法是基于SVM算法和卷积神经网络算法CNN，即基于人工智，在一定程度上提高了对马铃薯的病害识别结果的准确率，且减少人工巡查和人工查阅资料的工作量，能方便、及时且精确地对马铃薯的病害进行实时监测。

Potato disease monitoring method, system and electronic equipment based on Artificial Intelligence

【技术实现步骤摘要】
基于人工智能的马铃薯病害监测方法、系统及电子设备
本专利技术涉及农业
，尤其涉及一种基于人工智能的马铃薯病害监测方法、系统及电子设备。
技术介绍
我国是世界马铃薯第一生产大国，种植面积和产量约占世界的1/4。近年来，随着人们对粗粮需求量的增加，马铃薯加工技术的提高，马铃薯的种植规模、面积不断扩大。马铃薯病害也逐年加重，成为限制马铃薯高产、丰产的主要因素之一，严重影响了马铃薯产业的发展。而且对于大多数农户来说，由于耕作面积大，人员巡查方式无法及时发现病害，从而导致无法提前进行药物喷射以及病害的控制，不仅严重影响到了马铃薯的生长，降低了马铃薯的质量及产量，严重时更是导致马铃薯绝产。因此，如何更方便及时且精确地对马铃薯的病害进行实时监测、且能节省人力成本是业内亟待解决的技术问题。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术的不足，提供一种基于人工智能的马铃薯病害监测方法、系统及电子设备。本专利技术的一种基于人工智能的马铃薯病害监测方法的技术方案如下：S1、采集马铃薯的待识别图像；S2、调用基于SVM算法和CNN算法的马铃薯病害识别算法对所述待识别图像进行病害识别后得到病害识别结果；S3、将所述病害识别结果进行反馈。本专利技术的一种基于人工智能的马铃薯病害监测方法的有益效果如下：基于SVM算法和卷积神经网络算法CNN得到马铃薯病害识别算法，能对采集到的马铃薯的待识别图像进行病害识后得到病害识别结果，解决了马铃薯病害识别问题，然后将病害识别结果反馈给用户，而且，本申请的马铃薯病害识别算法是基于SVM算法和卷积神经网络算法CNN，即基于人工智，在一定程度上提高了对马铃薯的病害识别结果的准确率，且减少人工巡查和人工查阅资料的工作量，能方便、及时且精确地对马铃薯的病害进行实时监测。在上述方案的基础上，本专利技术的一种基于人工智能的马铃薯病害监测方法还可以做如下改进。进一步，所述马铃薯病害识别算法具体为：S20、从预先采集的马铃薯图像中识别出不同病害所对应的病斑，并获取每种所述病斑对应的多组所述病斑特征来构成马铃薯病害信息数据库；S21、将所述马铃薯病害信息数据库中的全部病斑特征进行归一化后得到归一化马铃薯病害信息数据库，以所述归一化马铃薯病害信息数据库作为所述SVM算法的训练样本集，采用径向基函数进行训练后得到训练模型，根据所述训练模型对马铃薯病害信息数据库中的每种病害进行识别，得到第一识别结果Q1；S22、以所述马铃薯病害信息数据库作为所述CNN算法的训练样本集，训练出CNN模型，根据所述CNN模型对所述马铃薯病害信息数据库中的每种病害进行识别，得到第二识别结果Q2；S23、通过第一公式得到比例系数W，进而得到所述马铃薯病害识别算法为：第一公式为：其中，F表示所述马铃薯病害信息数据库中的真实结果。采用上述进一步方案的有益效果是：具体说明了得到马铃薯病害识别算法的过程。进一步，S20具体为：S200、从预先采集的马铃薯图像中识别出不同病害所对应的病斑，并根据不同的病斑将将所述马铃薯图像进行分割，形成多个分割图像，每个所述分割图像对应一种病斑，且每个所述分割图像包括病斑和背景图像；S201、利用OTSU算法对每个所述分割图像的病斑和背景图像进行分割，得到每种所述病斑相对应的二值化图像；S202、从每个所述分割图像和每个所述二值化图像上提取每种所述病斑相对应的一组病斑特征；S203、重复执行S200至S202，获取每种所述病斑对应的多组所述病斑特征，以此来构成所述马铃薯病害信息数据库。采用上述进一步方案的有益效果是：具体说明了构建马铃薯病害信息数据库的过程。进一步，所述OTSU算法具体为：S2010、通过第二公式和第三公式建立每个所述分割图像的图像灰度直方图；所述第二公式为：所述第三公式为：pa＝na/NO，其中，a表示任一所述分割图像的像素值，b表示任一所述分割图像的灰度级，pa表示像素值为a时出现的概率，na表示像素值为a的图像灰度直方图，N表示b-1个na的总和，NO表示任一所述分割图像中所有的像素点的数量；S2011、通过第四公式和第五公式分别计算出所述背景图像在任一所述分割图像中出现的概率PB和所述病斑在任一所述分割图像中出现的概率PM，所述第四公式为：所述第五公式为：PM＝1-PB，其中，t表示预设阈值；S2012、通过第六公式计算出每个所述分割图像中的背景图像与病斑之间的类间方差σ2，再根据所述类间方差σ2得到相应的二值化图像；所述第六公式为：σ2＝PB(ωM-ω0)2-PM(ωM-ω0)2，其中，ω0＝PBωB+PMωM，其中，ωB表示任一所述分割图像中的背景图像的像素均值，ωM表示任一所述分割图像中的病斑的像素均值，ω0表示任一所述分割图像的像素均值，u和e表示整数且均表示灰度级，pu表示任意灰度级为u的像素点所出现的概率，pe表示任意灰度级为e的像素点所出现的概率，其中，nu表示灰度级为u的像素点的数量，ne表示灰度级为e的像素点的数量。采用上述进一步方案的有益效果是：对OTSU算法进行具体说明。进一步，所述病斑特征包括颜色特征，所述颜色特征具体为：按照RGB色彩模式通过第七公式、第八公式和第九公式所分别统计到的每个所述分割图像中R分量的平均值Ravg、G分量的平均值Gavg和B分量的平均值Bavg；所述第七公式为：所述第八公式为：所述第九公式为：其中，T表示任一所述分割图像的像素点的总数，k1表示任一所述分割图像中的病斑的像素点的总数，表示在任一所述分割图像的病斑中的第k2个像素点的R分量的值，表示在任一所述分割图像的病斑中的第k2个像素点的G分量的值，表示在任一所述分割图像的病斑中的第k2个像素点的B分量的值。采用上述进一步方案的有益效果是：对得到颜色特征的过程进行了具体说明。进一步，所述病斑特征还包括形状特征，所述形状特征包括每个病斑的病斑面积A、病斑周长L和圆形度C，具体为：调用图像处理软件Opencv的findContours接口从每个所述二值化图像中获取相应的病斑的病斑面积A和病斑周长L，根据第十公式计算出每个所述二值化图像相应的病斑的圆形度C：所述第十公式为：C＝4Aπ/L2。采用上述进一步方案的有益效果是：对得到形状特征的过程进行了具体说明。进一步，所述病斑特征还包括纹理特征，所述纹理特征包括每个所述病斑的对比度Coe、能量Arm、熵Emt和同质性Cort，具体为：根据第十一公式得到每个所述病斑的对比度Coe：所述第十一公式为：其中，(a1-b1)2表示任一所述分割图像中的病斑的任意两个相邻的像素点的灰度差，Pδ(a1-b1)表示任一所述分割图像中的病斑的任意两个相邻的像素点的灰度差为δ像素分布概率；根据第十二公式得到每个所述病本文档来自技高网...

【技术保护点】
1.一种基于人工智能的马铃薯病害监测方法，其特征在于，包括如下步骤：/nS1、采集马铃薯的待识别图像；/nS2、调用基于SVM算法和CNN算法的马铃薯病害识别算法对所述待识别图像进行病害识别后得到病害识别结果；/nS3、将所述病害识别结果进行反馈。/n

【技术特征摘要】
1.一种基于人工智能的马铃薯病害监测方法，其特征在于，包括如下步骤：
S1、采集马铃薯的待识别图像；
S2、调用基于SVM算法和CNN算法的马铃薯病害识别算法对所述待识别图像进行病害识别后得到病害识别结果；
S3、将所述病害识别结果进行反馈。


2.根据权利要求1所述的一种基于人工智能的马铃薯病害监测方法，其特征在于，所述马铃薯病害识别算法具体为：
S20、从预先采集的马铃薯图像中识别出不同病害所对应的病斑，并获取每种所述病斑对应的多组所述病斑特征来构成马铃薯病害信息数据库；
S21、将所述马铃薯病害信息数据库中的全部病斑特征进行归一化后得到归一化马铃薯病害信息数据库，以所述归一化马铃薯病害信息数据库作为所述SVM算法的训练样本集，采用径向基函数进行训练后得到训练模型，根据所述训练模型对马铃薯病害信息数据库中的每种病害进行识别，得到第一识别结果Q1；
S22、以所述马铃薯病害信息数据库作为所述CNN算法的训练样本集，训练出CNN模型，根据所述CNN模型对所述马铃薯病害信息数据库中的每种病害进行识别，得到第二识别结果Q2；
S23、通过第一公式得到比例系数W，进而得到所述马铃薯病害识别算法为：
所述第一公式为：其中，F表示所述马铃薯病害信息数据库中的真实结果。


3.根据权利要求2所述的一种基于人工智能的马铃薯病害监测方法，其特征在于，S20具体为：
S200、从预先采集的马铃薯图像中识别出不同病害所对应的病斑，并根据不同的病斑将将所述马铃薯图像进行分割，形成多个分割图像，每个所述分割图像对应一种病斑，且每个所述分割图像包括病斑和背景图像；
S201、利用OTSU算法对每个所述分割图像的病斑和背景图像进行分割，得到每种所述病斑相对应的二值化图像；
S202、从每个所述分割图像和每个所述二值化图像上提取每种所述病斑相对应的一组病斑特征；
S203、重复执行S200至S202，获取每种所述病斑对应的多组所述病斑特征，以此来构成所述马铃薯病害信息数据库。


4.根据权利要求3所述的一种基于人工智能的马铃薯病害监测方法，其特征在于，所述OTSU算法具体为：
S2010、通过第二公式和第三公式建立每个所述分割图像的图像灰度直方图；
所述第二公式为：
所述第三公式为：pa＝na/NO，
其中，a表示任一所述分割图像的像素值，b表示任一所述分割图像的灰度级，pa表示像素值为a时出现的概率，na表示像素值为a的图像灰度直方图，N表示b-1个na的总和，NO表示任一所述分割图像中所有的像素点的数量；
S2011、通过第四公式和第五公式分别计算出所述背景图像在任一所述分割图像中出现的概率PB和所述病斑在任一所述分割图像中出现的概率PM，
所述第四公式为：
所述第五公式为：PM＝1-PB，
其中，t表示预设阈值；
S2012、通过第六公式计算出每个所述分割图像中的背景图像与病斑之间的类间方差σ2，再根据所述类间方差σ2得到相应的二值化图像；
所述第六公式为：σ2＝PB(ωM-ω0)2-PM(ωM-ω0)2，
其中，ω0＝PBωB+PMωM，其中，ωB表示任一所述分割图像中的背景图像的像素均值，ωM表示任一所述分割图像中的病斑的像素均值，ω0表示任一所述分割图像的像素均值，u和e表示整数且均表示灰度级，pu表示任意灰度级为u的像素点所出现的概率，pe表示任意灰度级为e的像素点所出现的概率，其中，nu表示灰度级为u的像素点的数量，ne表示灰度级为e的像素点的数量。


5.根据权...

【专利技术属性】
技术研发人员：姜金涛，严向华，孟翔芸，杨志强，穆俊祥，杨洪涛，冀文慧，
申请(专利权)人：内蒙古智诚物联股份有限公司，
类型：发明
国别省市：内蒙;15