[发明专利]一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法

权利要求书

1.一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法，其特征在于，所述识别方法步骤如下：

步骤(1)：将黄瓜受到烟粉虱侵害后散发的挥发物与烟粉虱分泌的蜜露气味进行标定，并对标定数据进行特征分类；

步骤(2)：将待测气味采用气味导管与小型空压机采集后，输送至提纯至电子鼻检测端口；

步骤(3)：将采集到的气体特征进行信息提取，并与标定数据进行对比，判断是否为烟粉虱侵害所产生的气体；

步骤(4)：收集黄瓜烟粉虱虫害的叶片图像并进行预处理，提取虫斑的颜色、形状、纹理作为识别特征，并得到训练集和测试集；

步骤(5)：对所述虫斑区域进行截取，并进行归一化处理，将特征值保存在[0,1]之间；

步骤(6)：黄瓜叶片病斑图像提取的特征值的特征组合输入到SVM分类器进行训练学习，得到黄瓜烟粉虱虫害识别模型；

步骤(7)：收集黄瓜烟粉虱侵害下的叶片热图像并进行预处理，提取颜色、纹理特征作为识别特征，得到热红外图像的训练集和测试集；

步骤(8)：对训练集及测试集的部分输入数据加以特征的分类和归一化整理，并将其转化为[0,1]之间的数据；

步骤(9)：将提取黄瓜黄瓜烟粉虱侵害下的叶片热图像的特征值输入到改进的BP神经网络进行训练学习，得到黄瓜烟粉虱虫害严重程度分类的神经网络模型。

2.根据权利要求1所述的一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法，其特征在于：步骤(6)中所述SVM的分类函数关系式为：α_i为拉格朗日函数，且α_i≥0，x为待分类的数据点，y为分类类别x_i为用于分类的病斑特征参数，y_i为特征对用类别标签，svm分类器所选核函数为RBF，式中δ为高斯核的带度，g为核函数参数。

3.根据权利要求1所述的一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法，其特征在于：步骤(9)中所述神经网络模型为GA遗传算法结构，为m×n×p三层架构。

4.根据权利要求1所述的一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法，其特征在于：步骤(9)中所述BP神经网络由输入层、隐含层和输出层构成；输入层x_i(i＝1，2，...，m)为虫斑原始特征，m为输入层神经元个数，输出层n个单元对应识别虫斑类型，隐含层节点个数p根据经验公式确定，α为1-10常数。

5.根据权利要求4所述的一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法，其特征在于：所述神经元的激活函数为sigmoid函数：

GA-BP神经网络训练收敛后，求得隐含层的单元只H_k为：

式中，为输入层第i个节点到隐层第k个节点的连接权重，θ_k为第k个神经元的偏置阈值；

当网络收敛后，设输出层的结果为y_j：

式中，为隐含层单元与输出层之间的连接权重，η_i为第j个神经元的偏置阈值。

6.根据权利要求1所述的一种基于云传输的多传感器融合的黄瓜烟粉虱识别技术，其特征在于：步骤(9)中所述改进的BP神经网络通过引入GA遗传算法对BP神经网络的权阈值进行优化，优化方法具体步骤如下：

(1)采用实数编码生成初始种群，由输入层和隐含层连接权值隐含层阈值θ_k、隐含层与输出层连接权值以及输出层阈值b_j四个部分；

编码长度为i×k+k×j+k+j，染色体是BP神经网络的连接权值和阈值按照顺序连接级联起来形成实数数组，构成初始群体；

(2)添加适应度函数，通过自适应度函数计算种群种每个个体的适应度值完成搜索，BP神经网络期望输出值与实际输出值之间的误差绝对值和为E；

式中y_j为神经网络的实际输出值，为神经网络的理想输出值，通过绝对误差和的倒数作物适应度函数F：

(3)选择基于适应度比例的轮盘交叉发，设每个个体i的选择概率P_i为：

(4)采用实数交叉发依据选择概率相互交叉互换两个个体间的染色体，产生新的个体；

(5)采用基本位变异的方法来产生新个体；

(6)训练遗传算法模型时，当适应度函数最大值时，得到BP神经网络的最优权值和阈值。