[发明专利]一种基于群智能优化的植物病害高精度识别方法

说明书

本发明公开了一种基于群智能优化的植物病害高精度识别方法，包括：1)对植物病害图像预处理；2)人工设计特征的定义和提取；3)基于樽海鞘群算法的特征选择方法筛选最有价值的特征；4)植物病害图像的分类识别。本发明对植物表型组学的重大贡献是开发了一种新颖的计算方法提取了植物病害图像中的人工设计特征并对重要特征进行精确筛选，实现了植物病害的高精度分类识别或分级鉴定。它将为基于计算机视觉的植物病害图像分类提供新的思路。本发明可应用于智慧农业、植物保护等诸多领域，具有广泛的应用前景。

技术领域

本发明涉及植物病害自动识别领域，具体涉及一种基于群智能优化的植物病害高精度识别方法。

背景技术

植物在其生长发育过程中常常会受到各种病原体的攻击，可能导致其生理和形态发生异常或病变，从而影响其正常生长发育。这些疾病的常见外在表现包括叶片变色、组织变形或坏死、根部萎缩等。植物病害，特别是作物病害，有可能会造成一定区域内的经济损失或粮食短缺等社会问题。因此，对植物病害的早期诊断和预警，特别是对植物病害严重程度和药物抗性的准确预测，将有助于制定有效的防治策略，从而有效减轻或阻止病害传播、减少农业经济损失。近年来，植物表型组学的诞生，为研究者自动、非破坏性地获得高通量植物表型图像提供了有效途径，也使得计算机辅助的植物病害快速诊断和实时监测成为可能。

目前，基于图像的植物病害识别主要有两大类方法：一是传统的机器学习方法；二是深度学习方法。传统方法的总体思路包括以下步骤：植物病害图像输入、图像预处理、图像分割、图像特征提取、特征选择和病害样本分类。由于图像特征的定义过分依赖专家经验，不可避免地会混入冗余和不相关的特征，从而影响分类模型的预测精度和泛化能力。深度学习方法虽然能提供比传统方法更高的预测精度，但其局限性也十分明显：1)深度特征缺乏解释性；2)当训练样本数不足时，分类器的参数优化变得十分困难。

因此，针对基于叶部图像的植物病害自动识别需要建立一种高精度、可解释、低功耗的计算方案。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种采用群智能计算策略优化的植物病害识别的实现方法。

本发明所述方法在用于植物病害检测时，一种基于群智能优化的植物病害高精度识别方法，包括四个计算步骤：

1)对植物病害图像预处理；

2)人工设计特征(Handcrafted feature)的定义和提取；

3)基于樽海鞘群算法的特征选择方法筛选最有价值的特征；

4)植物病害图像的分类识别。

步骤1)中，对植物病害图像预处理，具体包括：

1.1)从每张植物病害图像中去除背景和边缘，只保留叶片的有效区域；

1.2)对有效区域使用GrabCut算法进行前景分割，得到植物叶部图像；

1.3)将每个植物叶部图像转换到五个颜色空间。

步骤1.3)中，五个颜色空间为RGB、HSV、Lab、YCrCb和Luv。

步骤2)中，人工设计特征的定义和提取，具体包括：

2.1)分别从五个颜色空间中提取颜色特征；

2.2)从颜色空间中提取纹理特征。

步骤2.1)中，颜色特征用颜色矩表示，包括颜色一阶矩、颜色二阶矩和颜色三阶矩。

步骤2.2)中，从颜色空间中提取纹理特征，具体包括：

从RGB、HSV和Lab颜色空间中提取纹理特征CLCM(颜色级灰度共生矩阵)和LBP(局部二进制模式)。