[发明专利]一种基于多特征及支持向量机的植物病虫害检测方法

说明书

技术领域

本发明涉及图像处理、机器学习技术领域，具体涉及一种基于多特征及支持向量机的植物病虫害检测方法。

背景技术

我国是一个自然灾害、尤其是农作物病虫害频繁发生的农业大国，农作物病虫灾害种类多、频度高、危害大，是农业增产和农产品质量提高的重要制约因素。诊治植物病虫害关系到农业生产安全、农产品质量安全以及生态环境安全，所以植物病虫害检测方法的研究具有非常重要的理论价值和实际意义。

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、人工智能、机器学习、模式识别等多种不同领域的理论知识。在农业大棚植物病虫害检测领域中有着广阔的应用前景。

植物病虫害检测是判断农业大棚里的植物的叶片在生长过程中是否发生病虫害。在植物病虫害检测方法的研究上，大致有两种思路：一是实际采集相应的植物叶片样本，对植物病虫害进行机理分析，判断其是否具有病虫害；二是利用人工智能、机器学习等计算机分析手段，结合专家数据库，建立植物叶片病虫害模型，实现植物叶片病虫害的检测。

围绕上述这两种思路，产生了一系列植物病虫害检测的方法。传统的植物病虫害检测是由农户或检测员根据实际种植经验实地观测或看照片完成的，虽然具有很高的识别率与识别速度，但是成本高，且人工工作量大、覆盖面不足，因此实现自动化检测对标准化和规范化管理都有重要的意义。第二种方法是化学检测，化学检测主要用于实验室，利用植物叶片的化学成份分析识别病虫害，具有准确可靠的优点，但由于检测设备昂贵，操作复杂，安装调试困难，检测时间长，对普通农户来说不太适用，并没有普遍推广使用。第三种技术是光谱技术检测，光谱图像分析技术是利用光学、化学计量学、计算机技术、光谱数据处理和数据关联技术的综合，实现植物叶片的病虫害分析。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，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。第四种方法是图像处理技术检测，图像处理技术通过分析植物叶片图像的颜色、纹理等信息，从而检测是否有病虫害发生，但由于病虫害种类繁多，图像质量受关照影响较大等原因，无法达到令人满意的检测精度。

目前也存在一些方法用于植物病虫害的检测，如国内郑永军和吴刚等基于模糊模式的蝗虫图像识别方法，采用低空机载蝗虫预警系统技术，使用数码相机采集蝗虫图像，对蝗虫区域和背景的RGB分量平均值进行对比分析，选用超G绝对值法进行灰度转换,实现蝗虫与背景分离。通过面积统计对比，确定单个蝗虫的面积和周长特征，建立单个蝗虫模糊集和粘连重叠蝗虫区域模糊集，采用最大隶属度原则可以判定蝗虫连通区域为单个蝗虫或是存在图像粘连重叠，用模糊识别方法对单个和粘连重叠的区域分别计算数量。还有浙江大学赵芸的基于高光谱和图像处理技术的油菜病虫害早期监测方法和机理研究，以受主要病害菌核病和主要虫害菜青虫危害后的油菜植株为研究对象，提出一套受害油菜叶片关键信息的提取方法：根据病斑像素的高光谱数据提取叶片受病害时长信息；通过将残余叶片复原，获取叶片受虫害程度信息；将数字图像处理技术与高光谱成像技术结合，提取受虫害叶片的完整叶脉，使得对叶脉的研究在不健康叶片上也能展开。国外的AI-Hiary H和Bani-Ahmad S在2011年提出了一种快速且准确识别和分类植物病虫害的方法，在图像分割阶段之后连续添加了两个步骤，在识别了大多数有色像素之后，使用Otsu方法计算特定阈值来掩盖这些像素，然后将边界上的受影响的对象的像素完全清除掉，实验结果表明，该算法可以成功地检测和分类检查的疾病，精度在83％和94％之间。温长吉和王生生等在基于改进蜂群算法优化神经网络的玉米病害图像分割一文中，提出一种脉冲耦合神经网络图像分割算法，该算法以最大香农熵和最小交叉熵加权线性组合作为蜂群算法收益度评价函数，通过引入尺度因子调整引领蜂和跟随蜂的解搜索策略，改进后人工蜂群算法与脉冲耦合神经网络相结合,实现网络参数的自动优化调节。在RGB色彩子空间上将该算法用于一组玉米常见病害彩色图像分割，并借鉴利用彩色图像合并策略得到最终病害分割结果。张静、王双喜、董晓志等研究植物病害图像中叶片纹理特征值的提取方法，通过对温室黄瓜斑疹病和角斑病的处理研究发现，利用灰度共生矩阵方法提取出来的惯性值是识别这两种病害较好的特征参量之一。