[發(fā)明專利]基于支持向量機的向日葵葉部病害判斷方法

在審

• 申請?zhí)枺?/td>: 201610064181.3
• 申請日: 2016-01-29
• 公開（公告）號: CN105760880A
• 公開（公告）日: 2016-07-13
• 發(fā)明（設(shè)計）人: 呂芳;狄鵬慧;許慧
• 申請（專利權(quán)）人: 內(nèi)蒙古工業(yè)大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 北京眾合誠成知識產(chǎn)權(quán)代理有限公司 11246
• 代理人: 龔燮英

1.基于支持向量機的向日葵葉部病害判斷方法，其特征在于，包含如下步驟：

判斷是否是正常葉子：

根據(jù)RGB顏色模型，提取出向日葵病害圖像的R、G、B顏色分量，G分量圖像中病斑比較明顯，病蟲害病斑部分灰度值較正常部分灰度值偏差較大，以彩色圖像的G分量作為診斷有無病害的主要研究對象，確定G分量判別閾值；

判斷閾值的確定方式如下：

式中，G(i,j)為圖像G分量圖像中(i,j)點的灰度值，avg為圖像G的灰度平均值，m、n分別為圖像G的行數(shù)和列數(shù)；向日葵葉部圖像正常與否可利用模式識別相關(guān)方法進行識別診斷，可將式中計算出的b值作為分類器的特征向量輸入，此處利用支持向量機識別法對所有樣本進行訓(xùn)練，最終對待檢測的向日葵葉部圖像進行正常與否的診斷；

對非正常葉片中是否含有病害進行診斷

步驟(1)中所判別的待測葉片若為非正常葉片，則該非正常葉片會出現(xiàn)兩種情況：含有病害和不含病害；不含病害情況包括蟲害、人為或自然破損等，含有病害情況包括單有病害、病害與其它非正常葉片痕跡混雜；由于病害病斑與蟲害病斑、蟲體在紋理特征方面差異較大，所以此處選用灰度共生矩陣描述的紋理特征作為分辨葉片是否含有病害的主要依據(jù)，之后利用支持向量機模式識別法對兩類樣本進行訓(xùn)練，最終對輸入的非正常葉片進行是否含有病害的診斷；

紋理特征提取時分別研究兩種情況下非正常葉片分別在距離d＝1和角度θ分別為0°、45°、90°、135°時灰度共生矩陣的特征，并分別提取它們的角二階矩(f₁)、對比度(f₂)、相關(guān)性(f₃)和熵(f₄)共16個統(tǒng)計參量作為徑向基核函數(shù)的支持向量機模式識別輸入，基于灰度共生矩陣與支持向量機進行判斷。

2.如權(quán)利要求1所述的基于支持向量機的向日葵葉部病害判斷方法，其特征在于，采用適合小樣本識別的支持向量機分類法對向日葵葉部病害進行識別診斷；采用徑向基核函數(shù)對向日葵葉部病害進行識別診斷；向日葵葉部病害的識別是一個多類別模式識別問題，將向日葵葉部細菌性葉斑病(記作A)、黑斑病(記作B)和霜霉病(記作C)三類病害樣本兩兩分別組成訓(xùn)練集(即(A,B)、(A,C)、(B,C))，同時也得到了三個支持向量二分器；在識別的時候，把待識別樣本依次送入這三個二分器，采取投票形式，最終選出投票最多的類別即為所屬類別；

采用CCD數(shù)碼照相機采集到向日葵三種病害，即細菌性葉斑病、黑斑病、霜霉病圖像各80張，其中訓(xùn)練樣本各50張，測試樣本各30張；根據(jù)選出的病害識別特征參數(shù)，分別用四種不同的核函數(shù)訓(xùn)練三個分類器，經(jīng)過不同核函數(shù)對病害診斷的識別率分析比較，最終確定出采用徑向基核函數(shù)的支持向量機法來識別向日葵葉部病害。

3.如權(quán)利要求1所述的基于支持向量機的向日葵葉部病害判斷方法，其特征在于，所述基于灰度共生矩陣的紋理提取實現(xiàn)如下，紋理是指物體表面反復(fù)出現(xiàn)的局部模式及其排列規(guī)則，灰度共生矩陣是通過條件概率體現(xiàn)紋理特征的，由它衍生的一些特征參數(shù)可在一定程度上闡述紋理的粗細及狀態(tài)；若病斑結(jié)構(gòu)較密，則紋理較細，病斑結(jié)構(gòu)稀疏，則會表現(xiàn)出較稀的紋理。

4.如權(quán)利要求2所述的基于支持向量機的向日葵葉部病害判斷方法，其特征在于，所述病害識別特征參數(shù)為顏色和紋理特征作為病害識別的判別依據(jù)。