基于SVM机器学习的植物病虫害检测方法技术

本发明专利技术属于数字图像处理及模式识别技术领域，具体为一种基于SVM机器学习的植物病虫害检测方法。本发明专利技术首先在大量农业场景的监控视频中，获取大量正常生长的植物叶片和发生病虫害的植物叶片,从正常生长的植物叶片和发生病虫害的植物叶片中各抽取部分图片作为样本，对每幅叶片图像提取特征（包括颜色特征、HSV特征、边缘特征和HOG特征），将这些特征组合成特征向量；然后对每幅叶片图像的特征向量用SVM的机器学习方法进行训练，训练后形成一个分类器，然后将大量的植物叶片图像用这个分类器进行检测，检测植物叶片是否发生病虫害。相比于生物学方面的植物病虫害检测方法，本发明专利技术具有更高的实时性和易实施性，较好解决了必须深入田间地头才能检测植物病虫害的弊端。

【技术实现步骤摘要】

本专利技术属于数字图像处理及模式识别
，具体涉及农业视频监控中的植物病虫害检测方法。
技术介绍
植物病虫害检测作为一门跨学科的前沿技术，融合了农业的植物生长，计算机行业的图像处理、模式识别、人工智能等多种不同领域的理论知识。在农业场景大棚大田植物病虫害检测领域中有着广阔的应用前景，植物病虫害检测方法的研究具有重要的实际意义和理论价值。植物病虫害检测是在农业场景的植物生长过程中检测植物的叶片是否发生病虫害。在植物病虫害检测方法的研究上，大致有两种思路一是依赖于专家知识库，首先为专家知识库认定为发生病虫害的植物叶片建模，然后用实际的植物叶片来与之进行匹配；二·是不依赖于先验知识，通过对植物叶片进行特征提取，最终检测叶片是否发生病虫害。围绕这两种思路，产生了一些植物病虫害检测的方法。但迄今为止，植物病虫害检测方法的实用性、准确性和实时性仍未得到有效的解决。植物病虫害检测有如下几种常用的方法 I、人工检测 目前最常见的植物病虫害检测方法是人工方法，通常是农民或检测人员根据自己的实际种植经验来识别作物是否发生病虫害；当农民或检测人员熟悉或了解病虫害时，识别的速度很快；但需要人深入田间地头检测，需要的人力资源较大，而且可能覆盖面不足；现在有开发出一些专家系统来协助农户检测病虫害。2、化学检测 化学检测主要用于实验室，利用化学成本的分析来识别病虫害，该方法准确可靠，但是对于农户来说操作较复杂，而且检测成本比较高，检测时间较长，设备也不便捷，不能实现实时检测。3、光谱技术检测 光谱图像分析技术是光学、化学计量学、计算机技术、光谱数据处理和数据关联技术等的综合，因为光谱能够直接反映分子内部结构和运动状态，特征性强，灵敏度高，这种技术在工、农业和科学研究中广泛应用，但这种技术容易受到环境水分的影响。4、图像处理技术检测 图像处理技术可以分析植物叶片图像的颜色、纹理等信息，从而快速和准确地检测病虫害的发生，但对于病虫害的种类区分难度比较大，在实际监控场景中光照也容易对图像质量产生影响，影响病虫害检测的准确率。以上这些植物病虫害检测算法，是比较常用和有效的方法，但都没有特别通用的算法。对于不同的环境，光照，不同的病虫害类型，效果千差万别。在实际的病虫害检测应用中，需要特别区分和选择。
技术实现思路
本专利技术的目的是，提供一种具有较好普适性的基于SVM机器学习的植物病虫害检测方法，本专利技术能够对不同的植物，不同的病虫害种类，使用相同的方法进行植物病虫害检测，同时方法具有实用性、准确性和实时性。本专利技术提出的基于SVM机器学习的植物病虫害检测方法，具体步骤如下 (O获取农业场景中大量植物叶片的图像，确定样本 首先在农业场景监控的视频数据中，获取植物叶片的图像，等概率抽样其中部分植物叶片将其分为正常生长和发生病虫害两类，作为正负样本，组成样本库。 (2)提取图像特征，组成特征向量 从植物正负样本叶片图像中提取植物的颜色特征、HSV特征、边缘特征和HOG特征。颜色特征获取图像每个像素点绿色分量的像素值(0-255)构造颜色直方图，然后进行归一化，从而得到图像的颜色特征。HSV特征HSV分别代表色调、饱和度、亮度，每个像素点色调取值范围是O度 359度，每个像素点饱和度、亮度取值范围是O. O I. O,构造色调、饱和度、亮度直方图，并分别进行归一化，从而得到图像的HSV特征。边缘特征获取图像每个像素点的亮度值，采用Sobel算子计算其梯度矢量，即权利要求1.一种基于SVM机器学习的植物病虫害检测方法，其特征在于具体步骤如下 (O获取农业场景中大量植物叶片的图像 首先在农业场景监控的视频数据中，获取植物叶片的图像，等概率抽样其中部分植物叶片将其分为正常生长和发生病虫害两类，作为正负样本，组成样本库； (2)提取图像特征，组成特征向量 对于样本库中的植物叶片图像分别提取植物叶片的颜色特征、HSV特征、边缘特征和HOG特征； 颜色特征获取图像每个像素点绿色分量的0-255像素值构造颜色直方图，然后进行归一化，从而得到图像的颜色特征； HSV特征HSV分别代表色调、饱和度和亮度，每个像素点色调取值范围是O 360度，每个像素点饱和度、亮度取值范围是O. O I. 0，构造色调、饱和度和亮度直方图，并分别进行归一化，从而得到图像的HSV特征； 边缘特征获取图像每个像素点的亮度值，采用Sobel算子计算每个像素点的梯度矢量，即全文摘要本专利技术属于数字图像处理及模式识别
，具体为一种基于SVM机器学习的植物病虫害检测方法。本专利技术首先在大量农业场景的监控视频中，获取大量正常生长的植物叶片和发生病虫害的植物叶片,从正常生长的植物叶片和发生病虫害的植物叶片中各抽取部分图片作为样本，对每幅叶片图像提取特征(包括颜色特征、HSV特征、边缘特征和HOG特征)，将这些特征组合成特征向量；然后对每幅叶片图像的特征向量用SVM的机器学习方法进行训练，训练后形成一个分类器，然后将大量的植物叶片图像用这个分类器进行检测，检测植物叶片是否发生病虫害。相比于生物学方面的植物病虫害检测方法，本专利技术具有更高的实时性和易实施性，较好解决了必须深入田间地头才能检测植物病虫害的弊端。文档编号G06K9/62GK102915446SQ20121035124公开日2013年2月6日 申请日期2012年9月20日 优先权日2012年9月20日专利技术者蒋龙泉, 鲁帅, 董文彧, 郭跃飞, 冯瑞 申请人:复旦大学本文档来自技高网...

【技术保护点】
一种基于SVM机器学习的植物病虫害检测方法，其特征在于具体步骤如下：（1）获取农业场景中大量植物叶片的图像首先在农业场景监控的视频数据中，获取植物叶片的图像，等概率抽样其中部分植物叶片将其分为正常生长和发生病虫害两类，作为正负样本，组成样本库；（2）提取图像特征，组成特征向量对于样本库中的植物叶片图像分别提取植物叶片的颜色特征、HSV特征、边缘特征和HOG特征；颜色特征：获取图像每个像素点绿色分量的0？255像素值构造颜色直方图，然后进行归一化，从而得到图像的颜色特征；HSV特征：？HSV分别代表色调、饱和度和亮度，每个像素点色调取值范围是0～360度，每个像素点饱和度、亮度取值范围是0.0～1.0，构造色调、饱和度和亮度直方图，并分别进行归一化，从而得到图像的HSV特征；边缘特征：获取图像每个像素点的亮度值，采用Sobel算子计算每个像素点的梯度矢量，即:其中A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像；根据每个像素点的梯度矢量构造图像的边缘直方图，得到图像的边缘特征；HOG特征：获取图像每个像素点的灰度值，采用一维的离散梯度模板计算其水平和垂直方向上的梯度，然后为图像的每个细胞单元构造梯度方向直方图，细胞单元中的每一个像素点都为某个基于方向的直方图通道投票，把各个细胞单元组合成大的、空间上连通的区间，各区间所有细胞单元的直方图组成一个向量，这些向量串联起来便构成了HOG特征；（3）使用SVM训练分类器将步骤（2）所述的特征进行多特征融合，将这些特征线性组合成为一个特征向量，将样本库中所有的植物叶片图像的特征向量用SVM进行训练，SVM的核函数采用径向基函数？高斯核函数，即：？其中：X表示空间中任一点，Xc为核函数中心，σ为函数的宽度参数；？训练完成后，得到上述融合的特征向量的分类器模型；（4）对于待检测的植物叶片图像，重复步骤（2）将待检测的植物叶片图像按步骤（2）提取特征，然后将这些特征线性组合成为一个特征向量；（5）将步骤(4)得到的特征向量使用步骤（3）训练出的分类器模型进行分类将待检测的每幅图像的特征向量通过步骤（3）训练出的分类器进行计算，计算植物叶片分属两类的概率，判断植物叶片是否发生病虫害。652142dest_path_image001.jpg,506965dest_path_image002.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：蒋龙泉，鲁帅，董文彧，郭跃飞，冯瑞，
申请(专利权)人：复旦大学，
类型：发明
国别省市：