[发明专利]一种基于Hadoop的作物渍害图像分类检测及实现方法

权利要求书

1.一种基于Hadoop的作物渍害图像分类检测及实现方法，其特征在于，包括以下步骤：

步骤a)采集作物田间渍害图像，进行图像矫正与预处理，图像主成分分析；

步骤b)将图像矩阵上传到Hadoop计算平台，进行分布式存储，并编写并行神经网络算法；

步骤c)进行算法建模与预测，针对作物渍害图像信息进行分类分析。

2.如权利要求1所述的基于Hadoop的作物渍害图像分类检测及实现方法，其特征在于，所述步骤a)包括以下具体步骤：

步骤a1)：采集作物田间渍害图像信息，将图像转换为图像矩阵，进行图像矫正和预处理，进行图像去噪与图像增强处理，

步骤a2)：图像主成分分析，提取图像特征信息，并进行图像数据降维；

步骤a3)：计算图像矩阵的均值与方差；

步骤a4)：计算矩阵标准化并计算协方差矩阵；

步骤a5)：计算：求解协方差矩阵的特征值与特征向量；

步骤a6)：计算累积方差贡献率；贡献率大于70％即可作为主成分；

3.如权利要求1所述的基于Hadoop的作物渍害图像分类检测及实现方法，其特征在于，所述步骤b)包括以下具体步骤：

步骤b1)：将图像矩阵数据上传到Hadoop计算平台，采用HDFS方式进行分布式存储；

步骤b2)：Master节点作为Namenode节点管理整个HDFS文件系统和目录树，剩余5个Datanode节点上存储一个图像数据集的副本；

步骤b3)：采用Scala编写基于Hadoop平台的神经网络算法。

4.如权利要求1所述的基于Hadoop的作物渍害图像分类检测及实现方法，其特征在于，所述步骤c)包括以下具体步骤：

步骤c1)：神经网络包含三层，分别为输入层、隐藏层和输出层，输出层节点的输出函数为：

步骤c2)：中间层采用Sigmoid函数作为激活函数：

步骤c3)：反向传播时使用Softmax函数作为多分类问题的梯度下降函数，

步骤c4):采用70％的数据进行模型训练，观察训练结果，根据训练结果调整训练参数；

步骤c5):剩余30％的数据模型预测，进行算法性能与效率评估，

步骤c6):进行作物渍害图像检测。