[发明专利]一种梨树叶面积与叶面炭疽病病斑数自动化分析方法

权利要求书

1.一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，其特征在于：所述方法包括以下步骤：

(1)参照物定位和像素点统计，进行单位面积标定物定位并统计标定物像素点数量；

(2)基于阈值分割方法的背景去除；

(3)基于BP神经网络的病斑分割；

(4)BP神经网络算法对病斑的分割结果。

2.根据权利要求1所述的一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，其特征在于：所述步骤(1)中参照物定位和像素统计方法包括：

(1.1)中所述参照物范围为:横坐标x∈[0，width/5],纵坐标y∈[0，height/3]其中，width为原图像宽度，height为原图像高度；

(1.2)对该区域图像进行二值化处理；

(1.3)根据像素点取值情况进行统计，得到病斑总像素点数为N1，正方形参照物总像素点数为N2，参照物的面积为1cm²。

3.根据权利要求1所述的一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，其特征在于：所述步骤(2)的基于与之分割方法的背景去除，包括以下步骤：

在黑纸板背景下，以左上角1cm²的白色正方形为参照物

(2.1)根据像素RGB值确定非叶片区域的RGB范围，

黑纸板RGB范围为：R<70，G<70，B<90；

参照物RGB范围为：R>250，G>250，B>250；

其中R，G，B分别为图片像素点的RGB分量值；

(2.2)根据步骤2.1所述范围将非叶片区域去掉，实现背景、参照物和叶片的分割。

4.根据权利要求1所述的一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，其特征在于：步骤(3)基于BP神经网络的病斑分割，包括以下步骤：

(3.1)准备训练集，选取具有代表性的病斑的RGB像素值和健康叶片的RGB像素值；

(3.2)送入BP神经网络进行训练，得出一个预测模型，所述预测模型是将所选的病斑叶片的RGB像素值分别组成一个三维向量，标记为1，健康叶片RGB像素值分别组成三维向量，标记为0，通过Matlab神经网络工具箱newff函数创建一个初始网络模型，其中设置输入层为3个神经元节点，隐藏层为10个神经元节点，输出层为1个神经元节点；学习速度设置为0.05，训练精度为1e^-10，最大迭代次数为3000，利用BP神经网络原理反复进行参数调整，可以得出一个预测网络结构参数，该网络结构的输入为RGB像素值，输出为0或1，分别代表健康叶片和病斑。

(3.3)将整个叶片每个像素点RGB值提取出来，作为测试数据；

(3.4)送入上述模型进行预测，得到病斑图像。

5.根据权利要求1所述的一种梨树叶面积与叶面炭疽病病斑数自动化分析方法，其特征在于：步骤(4)BP神经网络算法对病斑的分割结果，包括以下步骤：

(4.1)病斑面积S计算

根据标定物的像素点之和N1、参照物像素点之和N2以及参照物实际面积1cm²，按下式对叶病斑面积S进行换算:S＝N1/N2×1；

(4.2)基于二值图像连通域标记算法的病斑计数；

(4.3)叶片周长计算；

(4.3.1)将去掉背景的图片进行二值化，得到二值图；

(4.3.2)用imfill函数将二值图像填充，得到一个不含空洞的只有一个区域边界的二值图像；

(4.3.3)利用regionprops函数的Perimeter属性获取区域周长；

(4.4)病害等级计算，以炭疽病病害等级划分标准：

0级，叶片上无黑点；

1级，叶片上10个一下黑点；

3级，叶片上10-50个黑点；

5级，叶片上50-120个黑点；

7级，叶片上120-200个黑点；

9级，叶片上200个以上黑点及死亡；

根据上述划分标准以及计算出来的病斑个数确定当前叶片病号级别。

6.根据权利要求5所述的一种分析梨树叶面积与叶面炭疽病病斑数的方法，其特征在于：步骤(4.2)所述的基于二值图像连通阈标记算法的病斑计数，包括步骤[L,num]＝bwlabel(BW,n)，其中BW为分割出来的病斑二值图像，n取值为4或8表示连接四连通或八连通区域；num为找到的连通区域数目；L为输出图像矩阵，其元素值为整数，背景被标记为0，第一个连通区域被标记为1，第二个连通区域被标记为2，依此类推；num返回的就是BW中连通区域的个数；结果保存在L矩阵里，num里保存的是输入图像中连通区域的总数。