[发明专利]基于监督学习的小麦条锈病严重度评估方法

权利要求书

1.基于监督学习的小麦条锈病严重度评估方法，其特征在于，包括：

采集小麦条锈病病叶图像，对所述病叶图像进行预处理，获取小麦条锈病发病单叶分割图像和病斑分割图像；

基于所述小麦条锈病发病单叶分割图像和所述病斑分割图像获取发病单叶总面积和病斑面积，计算所述病斑面积占所述发病单叶总面积的百分率；

基于监督学习，构建小麦条锈病严重度评估模型，以严重度评估准确率为评价指标，获得最优小麦条锈病严重度评估模型，利用所述最优小麦条锈病严重度评估模型对小麦条锈病发病叶片严重度进行评估。

2.根据权利要求1所述的基于监督学习的小麦条锈病严重度评估方法，其特征在于，采集所述小麦条锈病病叶图像，包括：利用具有拍照功能的设备获取所述小麦条锈病的病叶图像，其中，所述小麦条锈病包括不同严重度级别。

3.根据权利要求2所述的基于监督学习的小麦条锈病严重度评估方法，其特征在于，对所述病叶图像进行预处理，获取发病单叶分割图像和病斑分割图像，包括：

将小麦条锈病发病单叶从所述病叶图像的背景中进行分离，获得所述小麦条锈病发病单叶分割图像，将病斑从所述小麦条锈病发病单叶分割图像上进行分割，获得所述病斑分割图像。

4.根据权利要求1所述的基于监督学习的小麦条锈病严重度评估方法，其特征在于，计算所述病斑面积占所述发病单叶总面积的百分率的方法为：

其中，S_p为病斑面积占叶片总面积的百分率；A_d为病斑区域像素数量，A_l为叶片区域总像素数量。

5.根据权利要求1所述的基于监督学习的小麦条锈病严重度评估方法，其特征在于，构建所述小麦条锈病严重度评估模型，包括：

基于所述病斑面积占所述发病单叶总面积的百分率，通过监督学习方法，构建所述小麦条锈病严重度评估模型，其中所述监督学习方法包括支持向量机SVM、随机森林、K最近邻KNN三种监督学习方法。

6.根据权利要求1所述的基于监督学习的小麦条锈病严重度评估方法，其特征在于，构建所述小麦条锈病严重度评估模型，包括：将不同严重度级别的图像分别按照建模比采用系统抽样法划分为训练集和测试集，再将所有严重度级别的所述训练集和所述测试集分别重新组合成新的训练集和测试集，基于重新组合成的所述新的训练集构建所述小麦条锈病严重度评估模型，其中，所述不同严重度级别的图像包括已经获得病斑面积占发病单叶总面积的百分率数据的图像。

7.根据权利要求1所述的基于监督学习的小麦条锈病严重度评估方法，其特征在于，所述最优小麦条锈病严重度评估模型是从所构建的小麦条锈病严重度评估最优SVM模型、小麦条锈病严重度评估最优随机森林模型和小麦条锈病严重度评估最优KNN模型中根据所述严重度评估准确率选择获得的所述最优小麦条锈病严重度评估模型。

8.根据权利要求7所述的基于监督学习的小麦条锈病严重度评估方法，其特征在于，构建所述小麦条锈病严重度评估最优SVM模型，包括：

利用径向基核函数，采用网格搜索算法，在预设范围内，设定搜索步距，搜索最优的惩罚参数C和核函数参数g，通过3折交叉验证方法，将训练集严重度评估准确率达到最高时的所述惩罚参数C和所述核函数参数g作为最优模型参数，构建所述小麦条锈病严重度评估最优SVM模型。

9.根据权利要求7所述的基于监督学习的小麦条锈病严重度评估方法，其特征在于，构建所述小麦条锈病严重度评估最优随机森林模型，包括：

确定所需决策树的数目，根据小麦条锈病严重度评估效果，确定最优决策树数目，基于所述最优决策树数目，构建所述小麦条锈病严重度评估最优随机森林模型。

10.根据权利要求7所述的基于监督学习的小麦条锈病严重度评估方法，其特征在于，构建所述小麦条锈病严重度评估最优KNN模型，包括：

基于KNN分类器，选用欧几里得距离为默认的距离度量，在预设范围内，以相同步长选择不同的K值，建立不同模型，根据所述小麦条锈病严重度评估效果，确定最优K值，利用所述最优K值，构建所述小麦条锈病严重度评估最优KNN模型。