首页 > 分享 > 基于SVM机器学习的植物病虫害检测方法.pdf

基于SVM机器学习的植物病虫害检测方法.pdf

花匠小妙招
2024-10-30 04:56

《基于SVM机器学习的植物病虫害检测方法.pdf》由会员分享，可在线阅读，更多相关《基于SVM机器学习的植物病虫害检测方法.pdf（11页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 102915446 A (43)申请公布日 2013.02.06 CN 102915446 A *CN102915446A* (21)申请号 201210351242.6 (22)申请日 2012.09.20 G06K 9/62(2006.01) (71)申请人复旦大学地址 200433 上海市杨浦区邯郸路 220 号 (72)发明人蒋龙泉鲁帅董文彧郭跃飞冯瑞 (74)专利代理机构上海正旦专利代理有限公司 31200 代理人张磊 (54) 发明名称基于 SVM 机器学习的植物病虫害检测方法 (57) 摘要本发明属于数字图像处理及模式识别技术领域。

2、，具体为一种基于 SVM 机器学习的植物病虫害检测方法。本发明首先在大量农业场景的监控视频中，获取大量正常生长的植物叶片和发生病虫害的植物叶片 , 从正常生长的植物叶片和发生病虫害的植物叶片中各抽取部分图片作为样本，对每幅叶片图像提取特征（包括颜色特征、 HSV 特征、边缘特征和 HOG 特征），将这些特征组合成特征向量；然后对每幅叶片图像的特征向量用 SVM 的机器学习方法进行训练，训练后形成一个分类器，然后将大量的植物叶片图像用这个分类器进行检测，检测植物叶片是否发生病虫害。相比于生物学方面的植物病虫害检测方法，本发明具有更高的实时性和易实施。

3、性，较好解决了必须深入田间地头才能检测植物病虫害的弊端。 (51)Int.Cl. 权利要求书 1 页说明书 4 页附图 5 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请权利要求书 1 页说明书 4 页附图 5 页 1/1 页 2 1. 一种基于 SVM 机器学习的植物病虫害检测方法，其特征在于具体步骤如下：（1）获取农业场景中大量植物叶片的图像首先在农业场景监控的视频数据中，获取植物叶片的图像，等概率抽样其中部分植物叶片将其分为正常生长和发生病虫害两类，作为正负样本，组成样本库；（2）提取图像特征，组成特征向量对于样本库中的植物叶片。

4、图像分别提取植物叶片的颜色特征、 HSV 特征、边缘特征和 HOG 特征；颜色特征：获取图像每个像素点绿色分量的 0-255 像素值构造颜色直方图，然后进行归一化，从而得到图像的颜色特征； HSV特征： HSV分别代表色调、饱和度和亮度，每个像素点色调取值范围是0360度，每个像素点饱和度、亮度取值范围是 0.0 1.0，构造色调、饱和度和亮度直方图，并分别进行归一化，从而得到图像的 HSV 特征；边缘特征：获取图像每个像素点的亮度值，采用 Sobel 算子计算每个像素点的梯度矢量，即 : 其中 A 代表原始图像， Gx 及 Gy 分别代表经。

5、横向及纵向边缘检测的图像；根据每个像素点的梯度矢量构造图像的边缘直方图，得到图像的边缘特征； HOG 特征：获取图像每个像素点的灰度值，采用一维的离散梯度模板计算其水平和垂直方向上的梯度，然后为图像的每个细胞单元构造梯度方向直方图，细胞单元中的每一个像素点都为某个基于方向的直方图通道投票，把各个细胞单元组合成大的、空间上连通的区间，各区间所有细胞单元的直方图组成一个向量，这些向量串联起来便构成了 HOG 特征；（3）使用 SVM 训练分类器将步骤（2）所述的特征进行多特征融合，将这些特征线性组合成为一个特征向量，将样本库中所有的植物叶片图像的特。

6、征向量用SVM进行训练， SVM的核函数采用径向基函数-高斯核函数，即：其中： X 表示空间中任一点， Xc 为核函数中心，为函数的宽度参数；训练完成后，得到上述融合的特征向量的分类器模型；（4）对于待检测的植物叶片图像，重复步骤（2）将待检测的植物叶片图像按步骤（2）提取特征，然后将这些特征线性组合成为一个特征向量；（5）将步骤 (4) 得到的特征向量使用步骤（3）训练出的分类器模型进行分类将待检测的每幅图像的特征向量通过步骤（3）训练出的分类器进行计算，计算植物叶片分属两类的概率，判断植物叶片是否发生病虫害。权利要求书。

7、CN 102915446 A 2 1/4 页 3 基于 SVM 机器学习的植物病虫害检测方法技术领域 0001 本发明属于数字图像处理及模式识别技术领域，具体涉及农业视频监控中的植物病虫害检测方法。背景技术 0002 植物病虫害检测作为一门跨学科的前沿技术，融合了农业的植物生长，计算机行业的图像处理、模式识别、人工智能等多种不同领域的理论知识。在农业场景大棚大田植物病虫害检测领域中有着广阔的应用前景，植物病虫害检测方法的研究具有重要的实际意义和理论价值。 0003 植物病虫害检测是在农业场景的植物生长过程中检测植物的叶片是否发生病虫害。在植物病虫害检测方法的研究上，。

8、大致有两种思路：一是依赖于专家知识库，首先为专家知识库认定为发生病虫害的植物叶片建模，然后用实际的植物叶片来与之进行匹配；二是不依赖于先验知识，通过对植物叶片进行特征提取，最终检测叶片是否发生病虫害。围绕这两种思路，产生了一些植物病虫害检测的方法。但迄今为止，植物病虫害检测方法的实用性、准确性和实时性仍未得到有效的解决。植物病虫害检测有如下几种常用的方法： 1、人工检测目前最常见的植物病虫害检测方法是人工方法，通常是农民或检测人员根据自己的实际种植经验来识别作物是否发生病虫害；当农民或检测人员熟悉或了解病虫害时，识别的速度很快；但需要人。

9、深入田间地头检测，需要的人力资源较大，而且可能覆盖面不足；现在有开发出一些专家系统来协助农户检测病虫害。 0004 2、化学检测化学检测主要用于实验室，利用化学成本的分析来识别病虫害，该方法准确可靠，但是对于农户来说操作较复杂，而且检测成本比较高，检测时间较长，设备也不便捷，不能实现实时检测。 0005 3、光谱技术检测光谱图像分析技术是光学、化学计量学、计算机技术、光谱数据处理和数据关联技术等的综合，因为光谱能够直接反映分子内部结构和运动状态，特征性强，灵敏度高，这种技术在工、农业和科学研究中广泛应用，但这种技术容易受到环境水分的影响。

10、。 0006 4、图像处理技术检测图像处理技术可以分析植物叶片图像的颜色、纹理等信息，从而快速和准确地检测病虫害的发生，但对于病虫害的种类区分难度比较大，在实际监控场景中光照也容易对图像质量产生影响，影响病虫害检测的准确率。 0007 以上这些植物病虫害检测算法，是比较常用和有效的方法，但都没有特别通用的算法。对于不同的环境，光照，不同的病虫害类型，效果千差万别。在实际的病虫害检测应用中，需要特别区分和选择。说明书 CN 102915446 A 3 2/4 页 4 发明内容 0008 本发明的目的是，提供一种具有较好普适性的基于 SVM 机器学习的植物。

11、病虫害检测方法，本发明能够对不同的植物，不同的病虫害种类，使用相同的方法进行植物病虫害检测，同时方法具有实用性、准确性和实时性。 0009 本发明提出的基于 SVM 机器学习的植物病虫害检测方法，具体步骤如下：（1）获取农业场景中大量植物叶片的图像，确定样本首先在农业场景监控的视频数据中，获取植物叶片的图像，等概率抽样其中部分植物叶片将其分为正常生长和发生病虫害两类，作为正负样本，组成样本库。 0010 （2）提取图像特征，组成特征向量从植物正负样本叶片图像中提取植物的颜色特征、 HSV 特征、边缘特征和 HOG 特征。 0011 颜色特征：获取。

12、图像每个像素点绿色分量的像素值（0-255）构造颜色直方图，然后进行归一化，从而得到图像的颜色特征。 0012 HSV 特征： HSV 分别代表色调、饱和度、亮度，每个像素点色调取值范围是 0 度 359 度，每个像素点饱和度、亮度取值范围是 0.0 1.0，构造色调、饱和度、亮度直方图，并分别进行归一化，从而得到图像的 HSV 特征。 0013 边缘特征：获取图像每个像素点的亮度值，采用 Sobel 算子计算其梯度矢量，即 : 其中 A 代表原始图像， Gx 及 Gy 分别代表经横向及纵向边缘检测的图像。 0014 根据每个像素的梯度值构造图像的边缘。

13、直方图，从而得到图像的边缘特征。 0015 HOG 特征：获取图像每个像素点的灰度值，采用一维的离散梯度模板计算其水平和垂直方向上的梯度，然后为图像的每个细胞单元（cell）构造梯度方向直方图，细胞单元中的每一个像素点都为某个基于方向的直方图通道投票，把各个细胞单元组合成大的、空间上连通的区间（block），各区间所有细胞单元的直方图组成一个向量，这些向量串联起来便构成了 HOG 特征。 0016 （3）使用 SVM 训练分类器将步骤（2）所述的特征进行多特征融合为一个特征向量，将正负样本图像的特征向量用 SVM 进行训练， SVM 的核函数采。

14、用最常用的径向基函数 - 高斯核函数，即：其中 X 表示空间中任一点， Xc 为核函数中心，为函数的宽度参数。控制了函数的径向作用范围。训练效果不好时 , 使用 libSVM 工具的 easy.py 交叉验证寻找最优参数。寻找最优参数的过程根据样本数量、特征维度和计算机性能，可能持续数小时。 0017 训练完成后，得到上述融合的特征的分类器模型。 0018 （4）提取大量待检测植物叶片图像的图像特征将需要进行病虫害检测的大量植物叶片图像按步骤（2）提取特征，组成特征向量。 0019 （5）使用步骤（3）训练出的分类器进行分类将每幅图像的特征向量通过步骤（3。

15、）训练出的分类器进行分类，计算植物叶片分属两说明书 CN 102915446 A 4 3/4 页 5 类的概率，判断植物叶片是否发生病虫害。 0020 本发明的积极效果是：（1）效率高：在视频监控的应用中，实时性是重要的要求之一；本发明能实现对实时监控画面中设定叶片区域的连续计算，实时检测出病虫害的发生。 0021 （2）准确度高：由于农业场景以及不同植物的差异，病虫害的表征各不相同；本发明能针对不同场景不同植物通过机器学习的方法减少上述差异对检测准确度的影响，具有较高的实用性。 0022 （3）便于操作：本发明方法可以配合开发相应的人机。

16、界面友好的软件，结合架设在田间地头的摄像头，农户或检测人员只用通过鼠标点击即可完成病虫害检测；避免了光谱方法或化学方法复杂的操作步骤。附图说明 0023 图 1 是本发明基于 SVM 机器学习的植物病虫害检测方法的流程框图。 0024 图 2 是正常生长的植物叶片颜色特征直方图。 0025 图 3 是发生病虫害的植物叶片颜色特征直方图。 0026 图 4 是 HSV 颜色空间模型。 0027 图 5 是特征数据文件的部分内容。 0028 图 6 是 SVM 训练分类器中的调参过程。 0029 图 7 是一幅正常生长的植物叶片图像及其特征向量。 0030 图 8 是一幅发生病虫害的。

17、植物叶片图像及其特征向量。具体实施方式 0031 以下结合附图解释本发明基于 SVM 机器学习的植物病虫害检测方法的具体实施方式，但是应该指出，本发明的实施不限于以下的实施方式。 0032 实施例 1 ：本发明方法的具体运算步骤如附图 1 所示，首先在大量农业场景的监控视频中，获取大量正常生长的植物叶片和发生病虫害的植物叶片 , 采用随机抽样的策略从正常生长的植物叶片和发生病虫害的植物叶片中各抽取部分图片作为样本，对每幅叶片图像提取特征（包括颜色特征、 HSV 特征、边缘特征和 HOG 特征），将这些特征组合成特征向量；然后对每幅叶片图像的特征向量用 SVM。

18、的机器学习方法进行训练，训练后形成一个分类器，然后将大量的植物叶片图像用这个分类器进行检测，检测植物叶片是否发生病虫害。 0033 （1）获取农业场景中大量植物叶片的图像从农业场景中获取的大量植物叶片图像，采用随机抽样的策略选取样本，共选出 1980 张植物叶片图像，分为正常生长和发生病虫害两类，作为正负样本，其中负样本 900 张，正样本 1080 张。 0034 （2）提取图像特征，组成特征向量对于植物叶片图像，分别提取正常生长的植物叶片样本和发生病虫害的植物叶片样本的颜色特征、 HSV 特征、边缘特征和 HOG 特征。 0035 颜色特征：获取。

19、图像每个像素点绿色分量的像素值（0-255）构造颜色直方图，然后进行归一化，从而得到图像的颜色特征，如图 2、图 3 所示，这分别是正常生长的植物叶片说明书 CN 102915446 A 5 4/4 页 6 和发生病虫害的植物叶片的颜色特征直方图。 0036 HSV特征： HSV分别代表色调、饱和度、亮度，每个像素点色调取值范围是0360 度，每个像素点饱和度、亮度取值范围是 0.0 1.0，构造色调、饱和度、亮度直方图，并分别进行归一化，从而得到图像的 HSV 特征。如图 4 所示，是 HSV 颜色空间模型。 0037 边缘特征：获取图像每。

20、个像素点的亮度值，采用 Sobel 算子计算其梯度矢量，即 : 其中 A 代表原始图像， Gx 及 Gy 分别代表经横向及纵向边缘检测的图像；每个像素的梯度值构造图像的边缘直方图，从而得到图像的边缘特征。 0038 HOG 特征：获取图像每个像素点的灰度值，采用一维的离散梯度模板计算其水平和垂直方向上的梯度，然后为图像的每个细胞单元（cell）构造梯度方向直方图，细胞单元中的每一个像素点都为某个基于方向的直方图通道投票，把各个细胞单元组合成大的、空间上连通的区间（block），各区间所有细胞单元的直方图组成一个向量，这些向量串联起来便构成了 HOG 。

21、特征。 0039 将上述4种特征拼接成特征向量，将所有样本图像的特征按照libSVM要求的数据格式写入特征数据文件中，特征文件如图 5 所示：第一个数字代表此样本的类型， 1 代表正样本， -1 代表负样本；其后的每个数字代表此样本符合这个特征的概率（归一化后的值）。 0040 （3）使用 SVM 训练分类器 SVM 的核函数采用最常用的径向基函数 - 高斯核函数，将步骤（2）中完成的样本特征向量，使用 libSVM 工具中的 svm-train，读取特征数据文件，最终训练得到分类器的模型文件（model 文件）。 0041 如图 6 所示， SVM 训。

22、练分类器中的调参过程，使用 libSVM 工具的 easy.py 交叉验证寻找最优参数。找到最优参数后，需按最优参数重新训练得到分类器的模型文件。 0042 （4）对于大量植物叶片图像，重复步骤（2）将需要进行病虫害检测的大量植物叶片图像按步骤（2）提取特征，组成特征向量；如图 7 所示，为一幅正常生长的植物叶片图像及其特征向量；如图 8 所示，为一幅发生病虫害的植物叶片图像及其特征向量。 0043 （5）使用步骤（3）训练出的分类器进行分类载入步骤（3）中训练得到的分类器模型文件，将步骤（4）中需要检测的植物叶片的特征向量和模型作为 s。

23、vm-predict 函数的参数传入进行计算，计算该植物叶片分属两类的概率，从而判断出植物叶片是否发生病虫害；图 7 中正常生长的植物叶片的图像属于正常生长叶片类的概率为 86.47%，图 8 中发生病虫害的植物叶片的图像属于正常生长叶片类的概率为 19.75% ；所以图 7 是正常生长的植物叶片、图 8 是发生病虫害的植物叶片，检测正确。说明书 CN 102915446 A 6 1/5 页 7 图 1 说明书附图 CN 102915446 A 7 2/5 页 8 图 2 图 3 说明书附图 CN 102915446 A 8 3/5 页 9 图 4 图 5 说明书附图 CN 102915446 A 9 4/5 页 10 图 6 图 7 说明书附图 CN 102915446 A 10 5/5 页 11 图 8 说明书附图 CN 102915446 A 11 。