基于主成分分析和神经网络的水稻病害识别方法及系统
专利汇可以提供基于主成分分析和神经网络的水稻病害识别方法及系统专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种基于主成分分析和神经网络的 水 稻病害识别方法，包括：获取水稻病害图像数据，并进行图像预处理；进行视觉显著性检测，从显著图序列中寻找到理想病斑轮廓的水稻病害图像；对水稻病害图像从 颜色 、形态和纹理这三个方面提取特征，进行差异性分析和主成分分析，找到不同的特征组合；对不同的特征组合进行 机器学习 模型的构建，将预测结果反馈至客户端。本发明还公开了一种基于主成分分析和神经网络的水稻病害识别系统。本发明通过采集图像信息，并将该图像通过网络传输给 服务器 端，通过服务器端对所采集的组培图像进行预处理和病斑检测，并根据检测的结果，通过手机短信和 信号 灯以及PC端，提醒管理人员。，下面是基于主成分分析和神经网络的水稻病害识别方法及系统专利的具体信息内容。
1.一种基于主成分分析和神经网络的水稻病害识别方法，该方法包括下列顺序的步骤：
(1)获取通过农业专家进行病斑标注的水稻病害图像数据；
(2)对获取的水稻病斑图片进行图像预处理；
(3)对预处理后的水稻病斑图像进行视觉显著性检测，构建谱尺度空间，根据一定的信息熵准则从显著图序列中寻找到理想病斑轮廓的水稻病害图像；
所述视觉显著性检测包括以下步骤：
a)将原始图像表示成四元数图像形式，如式(1)所示，
f(n,m)＝w1f1+w2f2i+w3f3j+w4f4k (1)
式中，w1～w4是权重，f1～f4是特征图，f1是运动特征，f2是亮度特征，f3和f4是颜色特征；
对于静止输入图像而言，显然f1＝0；f2～f4的计算，如式(2)至式(4)所示：
f2＝(r+g+b)/2 (2)
f3＝R-G,R＝r-(g+b)/2，G＝g-(r+b)/2 (3)
f4＝B-Y，B＝b-(r+g)/2，Y＝(r+g)/2-|r-g|/2-b (4)
式(1)、(2)、(3)、(4)中，r，g，b表示彩色图像的三通道，w1＝0，w2＝0.5，w3＝w4＝0.25；
b)将四元数图像表示成傅里叶变换形式，四元数图像傅里叶变换的极坐标形式如式(5)所示：
FH[u,v]＝||FH[u,v]||euP(u,v) (5)
式中||.||表示超复数矩阵每一个元素的模，FH[u,v]是f(n，m)的频率域表示；
A(u,v)＝||FH[u,v]|| (6)
式中，FF表示四元数图像的傅里叶变换形式，S表示四元数图像的实部，V表示其虚部；A(u,v)表示幅度谱、P(u,v)表示傅里叶变换的相角、χ(u,v)表示频谱中虚部的规整；
c)构建谱尺度空间
高斯核函数以及谱尺度空间定义，如式(9)所示：
Λ(u,k,k)＝(g(.,.；k)A)(u,v) (10)
式中，k是空间尺度参数，k＝1，2,3...K(K＝[log*min{H,W}]+1),t0表示高斯分布的方差性质，一般取值为0.5；H表示四元图像的谱高度，W表示四元图像的谱宽度；
d)计算不同尺度上的显著图
根据已经计算出的幅度谱和相位谱，计算出不同尺度上的显著图，如式(11)所示：
式中，g是一个固定尺度的高斯核函数，sk是k尺度下的显著图，这样就得到一系列的显著图{sk}；
e)最终确认显著图
首先，依据设定的熵准则选择出最合适的尺度kp，如式(12)所示：
式中，λk＝∑∑k(n,m)Norm(sk(n,m))，k是一个和最终显著图同尺寸的2D中心高斯掩膜，∑∑k(n,m)＝1；H2D(x)是一个经过低通高斯核函数gn二位信号x卷积后计算出的熵，H2D(x)＝H{gn*x}，然后根据kp最小化原则从中选择出最终显著图；Norm()为标识求向量的模，gn是指低通高斯核函数
f)定位显著区域
将最终的显著图作为掩膜图像和原始输入图像进行点乘，即可得到图像中显著区域；
(4)对水稻病害图像从颜色、形态和纹理这三个方面提取特征，进行差异性分析，从这三个方面分别对差异效果差的特征组合进行基于特征数阈值调整的主成分分析，从而找到不同的特征组合；
(5)对不同的特征组合进行机器学习模型的构建，同时调整权重迭代参数，找出准确率最高的权重迭代参数和特征组合，反过来利用这样的权重迭代参数和特征组合所构建的理想模型预测水稻病害的类型，从而将预测结果反馈至客户端；
所述的特征是从三个方面进行提取的，颜色方面提取HSV模型下的一阶矩、二阶矩和三阶矩；形态方面提取矩形度、似圆度、面积、周长和叶状性；纹理方面提取灰度共生矩阵下三个方向的能量、对比度、自相关、信息熵、最大概率、逆差矩和CluT，CluT为颜色查找表；
所述的主成分分析是指对水稻颜色特征中差异性不明显的4个特征分量进行主成分分析，其有效特征值个数为2～3个；对水稻形状特征中差异性不明显的7个特征分量进行PCA计算，其有效特征值为2～3个；对水稻纹理特征中差异性不明显的14维特征值进行PCA计算，其有效特征值为4～6个；因此，颜色方面的特征值个数N(λ1)取值为2和3，纹理方面特征值个数N(λ2)取值为2和3，纹理方面特征值个数N(λ3)取值为4,5和6；
所述的特征组合是指通过基于有效特征值个数阈值调整的PCA计算，将4个颜色特征分量和颜色主成分矩阵线性计算得到的3个主成分特征分量分别标记为Y1，Y2，Y3；将7个形状特征分量和纹理主成分矩阵线性计算得到的3个主成分特征分量标记为X1，X2，X3；将14维纹理特征分量和表纹理主成分矩阵线性计算得到的6为主成分分量分别标记为W1，W2，W3，W4，W5，W6；这样，通过不同的特征值个数阈值调整和取值，得到12个不同的特征组合，将其特征集分别标记为T1～T12；
所述的机器学习模型是指分别对12个特征组合，通过对权重迭代参数进行调整，构建RBF神经网络，最后根据训练集和测试集上的识别准确率得出最佳模型参数以及特征组合，反过来利用理想的特征组合和最优参数来通过RBF神经网络预测未知的水稻病害图像。
2.根据权利要求1所述的基于主成分分析和神经网络的水稻病害识别方法，其特征在于：所述图像预处理是指对获取的图像信息进行高斯滤波处理，对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到；用一个模板扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
基于主成分分析和神经网络的水稻病害识别方法及系统
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种农业用灌溉机器人 | 2020-05-08 | 237 |
| 一种三七土壤蒸汽消毒机 | 2020-05-11 | 630 |
| 一种用于农业的多级灌溉水泵 | 2020-05-12 | 551 |
| 一种基于机器视觉的株间除草装置 | 2020-05-08 | 313 |
| 一种毛苕子收获机的防缠绕切割拨禾装置 | 2020-05-13 | 571 |
| 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | 2020-05-12 | 139 |
| 一种智能芦笋收获机 | 2020-05-08 | 876 |
| 应用于农业LoRa网关的机器学习决策系统 | 2020-05-08 | 420 |
| 一种带有升降手的农业机器人平台及其工作方法 | 2020-05-13 | 746 |
| 一种基于多维传感器的悬挂式轨道农业智能巡检机器人 | 2020-05-12 | 412 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
