[發明專利]一種基于傅里葉描述符的水稻健康狀態智能判別方法

有效

• 申請號: 202011328709.6
• 申請日: 2020-11-24
• 公開（公告）號: CN112418318B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 孫知信;宮婧;鞠晶;孫翌博;洪漢舒;孫哲
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06V10/778
• 分類號: G06V10/778
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 張玉紅

1.一種基于傅里葉描述符的水稻健康狀態智能判別方法，其特征在于，包括以下步驟：

步驟1，給出適用于判斷水稻生長狀態的屬性集合，給出第一類主要包括水稻葉片的基礎屬性，稱為基于形態特征的水稻葉片判別集；

步驟2，在適用于判斷水稻生長狀態的屬性集合基礎上，繼續給出第二類主要包括水稻葉片健康狀態判別的關鍵指標，稱為水稻葉片臟點屬性集；

步驟2中，水稻葉片臟點屬性集記為Dirty，并用集合Dirty＝{基于邊緣重建差的傅里葉描述符,臟點峰度}表示，其中屬性定義與計算方法如下：

基于邊緣重建差的傅里葉描述符：引入熵改進傅里葉邊緣描述過程，將樣本葉片分為規則區域和不規則區域，在葉子不規則區域上發生的變形不影響從其他規則區域獲得的屬性，對不規則區域獨立分析，融合從葉片的兩個區域獲得參數；該傅里葉描述符通過邊緣重建差參數e描述：

其中，H_:,Y∈S表示性狀表現為凹的頂點集在有效樣本區域S內；

臟點峰度：指灰度圖像中像素值第四中心矩的度量，如果灰度圖像的分布呈正態分布，則其峰度為0；如果均勻分布，則其峰度為負；當峰度的峰值大于正態分布的直方圖時，獲得峰度的正值，即有效樣本區域存在不規則高灰度值像素點；峰度的獲取方法為：

其中，表示有效樣本區域圖像灰度平均值，表示有效樣本區域圖像灰度的對比度均值；

步驟3，在樣本集合內選取滿足第一類基于形態特征的水稻葉片判別樣本集，并將同時滿足第一類判別集與原始樣本集的數據在原始樣本集矩陣中標記為1，原始樣本矩陣中剩余樣本則標記為0；

步驟4，利用步驟3中被標記為1的樣本集合，根據基于邊緣重建差的傅里葉描述符判別條件，得到二級樣本矩陣；根據臟點峰度取值和判別條件，得到三級樣本矩陣；

步驟5，將前述步驟獲得的三級標簽矩陣導入半監督學習模型，并給出半監督學習過程中標簽更新規則；

步驟6，構建半監督模型最小損失函數，實現函數并得到輸入樣本水稻健康狀態判別結果。

2.根據權利要求1所述的一種基于傅里葉描述符的水稻健康狀態智能判別方法，其特征在于：步驟1中，將水稻葉片判別集記為Identify，以識別葉片樣本屬于水稻葉片或非水稻葉片，由Identify＝{葉長,葉寬,葉面積,葉周長,長寬比,周長比,平滑因子,形狀差異因數}表示。

3.根據權利要求1所述的一種基于傅里葉描述符的水稻健康狀態智能判別方法，其特征在于：步驟3中，具體的，在樣本集合F內滿足第一類基于形態特征的水稻葉片判別樣本集記為R＝{r₁,r₂,…,r_s}，sp，并將該集合內的樣本在矩陣F中標記為1，矩陣F中剩余樣本則標記為0；根據分類索引，定義由偽標記描述的初始樣本矩陣:

4.根據權利要求1所述的一種基于傅里葉描述符的水稻健康狀態智能判別方法，其特征在于：步驟4中，具體的，根據基于邊緣重建差的傅里葉描述符，如果整個水稻葉片輪廓描述集合S＝{FD_i,i＝0,…,N}中每個取值都為2，則將該水稻葉片樣本標記為1，其余標記為0，得到二級樣本矩陣：

根據臟點峰度取值，得到三級樣本矩陣：

5.根據權利要求1所述的一種基于傅里葉描述符的水稻健康狀態智能判別方法，其特征在于：步驟5中，具體標簽更新規則為，根據步驟1和步驟2共同提出的適用于判斷水稻生長狀態的屬性集合，將樣本數據與當前水稻品種預定義屬性取值進行比較，給出偽標記集并記為In＝{in₁,in₂,in₃,in₄,in₆}。

6.根據權利要求1所述的一種基于傅里葉描述符的水稻健康狀態智能判別方法，其特征在于：步驟6中，最小損失函數為：

其中，q(S,ω)是自適應學習進度的函數，而ω是速度參數；S 表示學習速率矩陣，D是拉普拉斯矩陣，L＝D-S；計算得到最終標記矩陣根據樣本矩陣：

其中標記為0的表示非水稻葉片，根據矩陣內每個樣本上的偽標記判定水稻樣本健康狀況。