作物温室栽培专家控制系统及作物病症诊断方法

摘要

本发明属于设施农业、计算机技术和自动控制技术领域。本发明提出了一种作物温室栽培专家控制系统及其病症诊断子系统的病症诊断算法，其主要特征是本身与环境参数检测系统、作物生长状况检测系统和环境调控系统相连，具有作物栽培的环境参数决策、生长情况分类和病理诊断指导等主要功能。病症诊断子系统的病症诊断算法包括作物病症特征知识编码表达方式和病症特征提取算法。该专家系统知识库可根据不同作物按照子系统间的关联配套更换，成为不同作物的温室栽培专家系统。本发明具有体积小、操作简易、可单独使用或外接系统配套使用等优点。非常适合农业温室栽培生产者使用，具有巨大的发展前景。

说明书

技术领域

本发明属于设施农业、计算机技术和自动控制技术领域。

背景技术

我国是人口大国，农业发展方面一直是我国的主要发展领域，随着科学技术的不断进步，自动化程度高的设施农业栽培领域成为了我国农业发展的重要方面。

设施农业温室栽培有自动化、智能化、机械化程度高的特点，温室内的调控系统可提供相对理想的作物生长环境，同时大大提高农产品的质量和安全性。

我国地域广阔，各地区地理条件不同，设施农业温室栽培的发展可以在一定程度上改善作物种植的生长条件，延长农作物供需时间，提高农产品产量，适合我国的国情。

当前用于作物温室栽培多为温室栽培环境监控、或者农业专家系统等，这些系统提供了温室栽培的环境管理，或者指导农业生产的专家知识，包括不同作物的品种类别、特性、病症类型和指导栽培的方法，根据作物的适宜生长发育环境能够进行温室环境的监测和调控，预报成熟时间等信息，指导用户进行农业知识的学习和作物的栽培。

但这些农业栽培专家系统和环境监测系统存在以下问题：

1.系统功能单一不全面

农业专家系统或环境监控系统只能单一的提供农业方面的专家知识或者某一作物的适宜环境调控等功能，虽然在创造作物适宜的生长发育环境和作物栽培方面实现了一定的智能化和指导性，但并不能实现温室作物栽培的全面自动化和智能化要求。

2．局限性强，作物生长发育状况监测自动化不足

现有农业温室栽培系统只针对单一作物提供的适宜环境调控管理等功能，当栽培作物种类或品种发生变化时，需要对系统进行二次开发或软件更新重置，局限性很大，且对作物的生长发育状况监测方面显得不足，不能自动合理判断作物的生长发育结果并进行相应处理，自动化程度不高。

发明内容

本发明的目的是解决了现有室栽培系统的功能不全面、智能化、自动化低和局限性强的问题，提供一种作物温室栽培专家控制系统及其病症诊断子系统的病症诊断算法。

本发明提供的以嵌入式设备为硬件平台的作物温室栽培专家控制系统，是在嵌入式ARM11开发系统和Windows CE 6.0环境下运行，包括：环境决策、生长情况决策和病症诊断三个子系统；

第一、环境决策子系统，包括4个模块：

参数监控模块：包含环境参数监控和用户提示。参数监控为外围连接的环境监测系统监测到的实时环境参数显示以及自动决策模块得出的决策信息显示，具体包括：温度、湿度……等环境参数显示，各个环境参数决策结果显示。用户提示为当当前环境严重不适宜作物发育时向用户发出的警告功能。

手动调控模块：包含用户对环境调控设备进行人工手动调控的控制界面。该模块与外围环境调控系统相连，可通过对模块中设置的调控按键进行外围环境调控设备的控制，如：温度调节器，湿度调节器等设备的控制。具体包括：温度、湿度……等连接的环境调控设备调节按钮及当前检测值和调节值的数据显示。

自动决策模块：为环境决策子系统对环境参数进行决策，为后台运行模块。该模块中包含了相应的环境参数决策算法，为环境决策子系统提供环境参数决策功能以及当环境参数严重不适宜作物生长发育时向参数监控模块发送信号。

数据库管理调用模块：包含数据库存储管理和知识库管理。数据库存储管理实现了外围环境监测系统采集的环境参数的实时存储和调用，向参数监控模块手动调控模块和自动决策模块提供实时数据，并向用户提供数据库管理功能，包含数据的添加、删除、查询功能。知识库管理包含知识库中知识的添加、删除、更新、查询功能，并可根据生长情况决策子系统的生育阶段信号进行作物不同生育阶段不同知识库的调用，该调用向自动决策模块和参数监控和手动调控模块开放。

其运行方式如下：

外围环境监测系统将采集到的环境参数传入数据库中供环境决策系统自动决策模块调用，该模块根据知识库中的专家知识进行环境参数的推理决策，并将决策结果传输给环境调控系统，实时参数与决策结果的显示由参数监控模块显示；手动调控模块具有对环境调控系统进行手动控制的功能；数据库调用管理模块和对环境决策系统的数据库和知识库进行管理。

第二、生长情况决策子系统，包括3个模块：

用户提示模块：包含作物当前生长情况的显示。其中生长情况包含：作物生理发育期、作物是否正常发育的结果。用户提示模块接收分析决策模块作物生育阶段决策信息和外围生长情况检测系统的检测结果并显示。

分析决策模块：提供作物生理发育时期的自动判断功能，为后台运行模块。模块中包含作物生理发育时期的判断计算算法，通过读取环境决策子系统的参数进行作物生育时期的判断决策。

数据库管理调用模块：包含数据库存储管理和知识库管理。数据库存储管理实现了外围生长情况检测系统得出的检测数据的实时存储和调用，向用户提示模块提供实时数据，并向用户提供数据库管理功能，包含数据的添加、删除、查询功能。知识库管理包含知识库中知识的添加、删除、更新、查询功能，并可根据生长情况决策子系统的生育阶段信号进行作物不同生育阶段不同知识库的调用，该调用向用户提示模块和分析决策模块开放。

其运行方式如下：

系统通过生理发育时间的计算进行作物发育时期的判断，并将判断结果以信号方式传输给环境决策系统和病症诊断系统进行作物不同发育阶段的知识库调用；该系统与外围作物生长状况检测系统相连，通过对作物生长状况检测系统处理结果的判断进行信号输出，该信号传输给病症诊断系统进行病症特征的推理和调用，为用户提供指导。

第三、病症诊断子系统，包括3个模块：

用户提示模块：包含人工操作和用户提示。人工操作：系统界面提供当前作物可能存在的病症特征表，用户可根据作物的特征在病症特征表中进行病症特征选取，选取结果会在特征选取栏中显示，并将特征选取结果传输给病症推理模块进行病症特征编码和搜索，当用户点击诊断按钮时，病症推理模块进行病症推理的诊断，同时将传输到用户提示模块进行结果显示。用户提示：提供了自动病症推理的结果显示和人工操作的操作帮助提示。

病症推理模块：实现了病症诊断推理功能，为后台运行模块。其中包含病症特征编码机制和病症特征提取算法以及推理机。病症特征编码机制将用户选择的特征进行编码，推理机根据特征编码进行反向搜索和推理，若用户没有选择进行诊断，则反向搜索出与用户选择特征所属病症复合的病症特征更新病症特征表，若用户选择进行诊断则推出病症结果。病症特征提取算法能够根据外围生长状况检测系统的检测结果进行计算得出相应结果的病症表现隶属度，隶属度最大的作为病症特征提取出来，并将特征传输给推理机进行推理。

数据库管理调用模块：包含数据库存储管理和知识库管理。数据库存储管理实现了外围生长情况检测系统得出的检测数据的实时存储和调用，向用户提示模块提供自动病症推理的结果，并向用户提供数据库管理功能，包含数据的添加、删除、查询功能。知识库管理包含知识库中知识的添加、删除、更新、查询功能，并可根据生长情况决策子系统的生育阶段信号进行作物不同生育阶段不同知识库的调用，该调用向病症推理模块开放。

其具体运行方式如下：

系统分为两种诊断方式，可同时进行。依据用户需求进行病症的自动诊断和人工输入诊断。

自动诊断方式：通过接受生长情况决策系统的信号和生长状况检测系统信号自动进行病症的推理和知识库调用。

人工输入诊断方式：通过用户对病症特征的选择输入，进行推理决策。将用户提供的病症特征汇总，得出病症名称、特征和处理方式，提供指导。

其中不同子系统的用户提示模块不同，数据库管理调用模块也不同。本发明专家控制系统同时与外围环境监测系统、生长状况检测系统和环境调控系统相连，具有环境调控决策、生长情况检测和病症诊断的功能。

所述的诊断方法包括作物病害诊断编码知识表达方式及其相应推理机制，该方法能够适应不同作物知识库的更换及病症诊断需要，具体诊断步骤如下：

病症特征提取算法，该算法采用粗糙集理论中的不完备信息系统的概念，总结不完备决策信息表，提出病症特征属性粗糙集，并以具有相同描述的支持集类，即描述集为基本模块，合并构成相似集，以导出模糊度函数计算病症特征模糊度的算法，将生长状况检测系统采集的数据模糊化形成采集样本和病症特征的不完备决策表，并计算相应隶属度函数值达到特征识别选取进而自动病症诊断的目的。

本发明硬件特点为：

主控专家系统在ARM11上运行，采用S3C6410处理器作为核心控制器。

本发明以Windows CE 6.0为系统环境，开发了与相应环境参数检测、作物生长状况检测和环境调控系统相关联，适于温室栽培的主控专家系统。

本发明与外围环境监测系统、生长状况检测系统和环境调控系统相连，环境监测系统通过Zigbee无线传输模块将采集到的实时环境参数传输给环境决策子系统进行环境参数决策；生长状况检测系统通过CAN总线将检测结果传输给生长情况决策系统和病症诊断进行作物生长发育阶段的判断和病症诊断。

本发明的优点和有益效果：

该系统主要特征是，与配套环境参数检测系统、作物生长状况检测系统和环境调控系统相连可构成作物温室栽培控制系统，具有对环境参数决策、生长情况分类和病理诊断指导等主要功能，而且提供了相应的数据接收和管理功能，其软件知识库可根据不同农作物进行成套更换。

本发明具有体积小、操作简易、功能强、可单独使用或外接系统配套使用等优点。本发明是信息高技术、自动控制技术和常规农业知识的结合，集成了作物温室栽培的相关农业知识，根据作物生长状况检测系统的检测结果进行分类判断，根据环境参数检测系统采集的数据为环境调控提供决策结果进行环境的自动调节，并为作物的病症情况提供了相应特征信息和处理方法的指导。利于农业人员进行温室栽培的管理和问题指导方式，符合目前设施农业的发展方向，解决农业人员专业知识不全面的问题，有利于提高农产品产量，具有巨大的发展前景。

附图说明

图1是本发明整体软件模块结构示意图。

图2是本发明的总体硬件结构示意图。

图3是本发明病症诊断编码知识表达方式的树状结构示意图。

图4是本发明病症诊断正反向搜索推理方式示意图。

图5是本发明病症诊断推理程序流程图。

具体实施方式

本发明环境参数检测系统实时采集环境参数，通过Zigbee无线传输模块传输汇集所有采集结果，由串口传入专家系统。作物生长情况检测系统通过摄像头进行图像的采集，经过处理后由CAN总线将处理结果传输进专家系统，专家系统的决策结果通过触摸屏显示，并传输到环境调控系统进行环境的自动调控。

本发明具有三个子系统：

第一、环境决策子系统，包括4个模块：

参数监控模块：包含环境参数监控和用户提示。参数监控为外围连接的环境监测系统监测到的实时环境参数显示以及自动决策模块得出的决策信息显示，具体包括：温度、湿度……等环境参数显示，各个环境参数决策结果显示。用户提示为当当前环境严重不适宜作物发育时向用户发出的警告功能。

手动调控模块：包含用户对环境调控设备进行人工手动调控的控制界面。该模块与外围环境调控系统相连，可通过对模块中设置的调控按键进行外围环境调控设备的控制，如：温度调节器，湿度调节器等设备的控制。具体包括：温度、湿度……等连接的环境调控设备调节按钮及当前检测值和调节值的数据显示。

自动决策模块：为环境决策子系统对环境参数进行决策，为后台运行模块。该模块中包含了相应的环境参数决策算法，为环境决策子系统提供环境参数决策功能以及当环境参数严重不适宜作物生长发育时向参数监控模块发送信号。

数据库管理调用模块：包含数据库存储管理和知识库管理。数据库存储管理实现了外围环境监测系统采集的环境参数的实时存储和调用，向参数监控模块手动调控模块和自动决策模块提供实时数据，并向用户提供数据库管理功能，包含数据的添加、删除、查询功能。知识库管理包含知识库中知识的添加、删除、更新、查询功能，并可根据生长情况决策子系统的生育阶段信号进行作物不同生育阶段不同知识库的调用，该调用向自动决策模块和参数监控和手动调控模块开放。

其运行方式如下：

外围环境监测系统将采集到的环境参数传入数据库中供环境决策系统自动决策模块调用，该模块根据知识库中的专家知识进行环境参数的推理决策，并将决策结果传输给环境调控系统，实时参数与决策结果的显示由参数监控模块显示；手动调控模块具有对环境调控系统进行手动控制的功能；数据库调用管理模块和对环境决策系统的数据库和知识库进行管理。

第二、生长情况决策子系统，包括3个模块：

用户提示模块：包含作物当前生长情况的显示。其中生长情况包含：作物生理发育期、作物是否正常发育的结果。用户提示模块接收分析决策模块作物生育阶段决策信息和外围生长情况检测系统的检测结果并显示。

分析决策模块：提供作物生理发育时期的自动判断功能，为后台运行模块。模块中包含作物生理发育时期的判断计算算法，通过读取环境决策子系统的参数进行作物生育时期的判断决策。

数据库管理调用模块：包含数据库存储管理和知识库管理。数据库存储管理实现了外围生长情况检测系统得出的检测数据的实时存储和调用，向用户提示模块提供实时数据，并向用户提供数据库管理功能，包含数据的添加、删除、查询功能。知识库管理包含知识库中知识的添加、删除、更新、查询功能，并可根据生长情况决策子系统的生育阶段信号进行作物不同生育阶段不同知识库的调用，该调用向用户提示模块和分析决策模块开放。

其运行方式如下：

系统通过生理发育时间的计算进行作物发育时期的判断，并将判断结果以信号方式传输给环境决策系统和病症诊断系统进行作物不同发育阶段的知识库调用；该系统与外围作物生长状况检测系统相连，通过对作物生长状况检测系统处理结果的判断进行信号输出，该信号传输给病症诊断系统进行病症特征的推理和调用，为用户提供指导。

第三、病症诊断子系统，包括3个模块：

用户提示模块：包含人工操作和用户提示。人工操作：系统界面提供当前作物可能存在的病症特征表，用户可根据作物的特征在病症特征表中进行病症特征选取，选取结果会在特征选取栏中显示，并将特征选取结果传输给病症推理模块进行病症特征编码和搜索，当用户点击诊断按钮时，病症推理模块进行病症推理的诊断，同时将传输到用户提示模块进行结果显示。用户提示：提供了自动病症推理的结果显示和人工操作的操作帮助提示。

病症推理模块：实现了病症诊断推理功能，为后台运行模块。其中包含病症特征编码机制和病症特征提取算法以及推理机。病症特征编码机制将用户选择的特征进行编码，推理机根据特征编码进行反向搜索和推理，若用户没有选择进行诊断，则反向搜索出与用户选择特征所属病症复合的病症特征更新病症特征表，若用户选择进行诊断则推出病症结果。病症特征提取算法能够根据外围生长状况检测系统的检测结果进行计算得出相应结果的病症表现隶属度，隶属度最大的作为病症特征提取出来，并将特征传输给推理机进行推理。

数据库管理调用模块：包含数据库存储管理和知识库管理。数据库存储管理实现了外围生长情况检测系统得出的检测数据的实时存储和调用，向用户提示模块提供自动病症推理的结果，并向用户提供数据库管理功能，包含数据的添加、删除、查询功能。知识库管理包含知识库中知识的添加、删除、更新、查询功能，并可根据生长情况决策子系统的生育阶段信号进行作物不同生育阶段不同知识库的调用，该调用向病症推理模块开放。

其具体运行方式如下：

系统分为两种诊断方式，可同时进行。依据用户需求进行病症的自动诊断和人工输入诊断。

自动诊断方式：通过接受生长情况决策系统的信号和生长状况检测系统信号自动进行病症的推理和知识库调用。

人工输入诊断方式：通过用户对病症特征的选择输入，进行推理决策。将用户提供的病症特征汇总，得出病症名称、特征和处理方式，提供指导。

其中不同子系统的用户提示模块不同，数据库管理调用模块也不同。本发明专家控制系统同时与外围环境监测系统、生长状况检测系统和环境调控系统相连，具有环境调控决策、生长情况检测和病症诊断的功能。

环境决策系统进行环境参数的决策和输出、生长情况决策系统进行生长情况的分类判断和相应专家知识库的信号调用传输、病症诊断系统提供病症诊断指导。

其具体过程如下：

1．作物生长情况检测系统将检测处理结果传输到专家系统的生长情况决策系统中，该子系统根据接收到的信息进行作物生长情况的分类判断，决定选用的专家知识并将相应调用信号传输给环境决策系统和病症诊断系统进行专家知识调用。

2．环境决策系统接收到生长情况决策系统的专家知识调用信号后，根据信号调用专家知识。接收环境参数检测系统传输的温室内环境参数，并根据专家知识进行环境参数的决策，然后将决策结果传输给环境调控系统进行环境调控，环境决策结果会由该子系统的用户提示模块显示。其中环境决策系统具有对环境调控系统自动调节转换为手动调节的模块。

3．作物生长情况检测系统具有病症类判断能力，病症诊断系统接收生长情况决策系统的信号后可自动调用专家知识进行病症处理方法的指导。病症诊断子系统也可通过用户操作进行病症知识的调用达到温室栽培的指导目的，其具体诊断过程如下：

人工输入诊断：

系统界面中提供了当前作物病症特征栏，其中包括了作物所有病症的病症特征，用户可根据该特征栏进行病症特征的选取添加，选择添加结果将同时显示并传输给推理机，推理机根据被选病症特征进行反向搜索，得到与被选特征相关的病症特征，并更新病症特征栏以缩小搜索范围，当用户选择进行病症诊断时，推理机将被选的病症特征根据病症特征编码方式进行编码，然后推理出诊断结果并显示。

自动诊断：

外围生长状况检测系统将检测到的结果传输给病症诊断子系统，推理机将检测结果程度分类为：正常，轻和重。根据病症特征提取算法进行决策属性隶属度计算作为是否将该结果作为病症特征的依据，达到病症特征提取的目的，当得到病症特征后则可根据编码机制进行特征编码然后自动进行病症诊断。

专家系统存储在嵌入式设备中与外围系统相连，其连接数据传输关系为：

环境参数检测系统通过Zigbee无线传输，将采集的数据传入环境参数决策系统的实时数据库中，以供该系统调用；作物生长状况检测系统将处理通过CAN总线将结果传入生长情况系统的实时数据库中以供调用；环境决策系统的自动决策模块将决策结果传输给环境调控系统。

具体实施算法说明如下：

1.本发明生长情况决策系统对植物生长情况判断分类算法：

采用环境检测系统进行生长发育阶段判断算法：

首先环境参数检测系统将检测到的环境参数传入数据库中存储，其存储格式为：日期（xxxx年xx月xx日xx时xx分），环境参数（温度、湿度、二氧化碳含量......）；

其生长发育阶段判断的计算方式为生理发育时间计算，当计算出生理发育时间后进行发育阶段判断；

其算法描述为：

采用生长状况检测系统进行生长发育阶段判断算法：

2.本发明环境决策系统环境参数的决策采用精确算法，作物在某个生长时期其对环境的最适宜要求参数值一定，所以参数决策采用精确推理。

由于参数多，考虑到调控成本问题和参数的变化率问题，有些参数不易调节，有些参数需要实时更新，所以为了减小系统重复计算的开销，系统进行参数采集变化判断，根据判断信息决定是否进行计算决策，其具体描述如下：

3 作物病症诊断算法：

作物温室栽培专家控制系统病症诊断子系统的病症诊断算法包含作物病害诊断编码知识表达方式及其相应推理机制，其特征是能够适应不同作物知识库的更换及病症诊断需要，使专家系统不需重复开发。其说明如下：

作物在不同时期的病症特征不同，因此病症特征可按照作物的发育时期进行总结，如番茄作物在幼苗期的灰霉病症状（叶片上呈V字型黑色病斑、灰霉在潮湿时长出灰色毛状物、果面表现为水浸状腐烂）可用（S1，S2，S3）表示，灰霉病用H表示。依此类推，在一个发育阶段内，所有的病症特征用数组S（S1，S2，S3，......Si）表示，病害用字母A，B，C......表示，为了清楚表达特征数组与病害之间的关系，可用树状结构图表示，如图3。

由图3可清楚地得到特征数组S与病症A、B......之间的对应关系，如数组（S1，S2，S8,S9）表示了病症A，数组（S1,S3）表示了病症C，数组（S13）表示病症G等。图3中根节点的特征为几种病害的共有特征，因此，一种特征体现的病害越多，那么它所在的节点位置越靠近根节点。图3中最末位部分代表一种病害名称，这种病害的发病特点为前面树枝上所有的病症特征，当树枝上的病症特征总和在一起时可准确清楚地将病害名称对应出来。即S1、S2、S8、S9为病症A发病时的作物表现出来特征。

当从上述树状结构中清楚地整理表示出病症特征和病害的对应关系时，及需要对其对应关系进行合理的整理，使其变成能够运行的计算机语言。为了方便对特征数组进行编码，用数字量i来表示病症特征的数组（如病症A的特征数组可用（1,2,8,9））来代替特征Si进行编码，编码方式为按照节点的先后顺序，根据数字量进行排序编码，即病症A的特征（S1、S2、S8、S9）数字量有1,2,8,9，编码方式为string codeA=‘1’+‘2’+‘8’+‘9’1289，stringcodeC=‘1’+‘3’=13。采用上述编码方式后，得到的病症编码可以方便的与病症特征对应起来。

编码方式的去重复问题：

根据上述编码方式，所选特征进行编码后，即可准确的表达一种病害。但同样编码也可得到string codeG=13，与病症C的编码string codeC=13重复，这样会导致推理结果不准确。因此，本文设计了一种去重复的编码方式解决该问题。

当（i<100）根节点非独立被选出时，编码后方加字符‘0’，这样string codeC=103，stringcodeG=13，避免了编码重复问题。这种去重复编码方式的原则为，补“0”后，所进行的非单独特征编码的结果需超出病症特征单独编码的最大值。

去重复编码方式的使用条件：

由上述编码去重复方式可看出，数字量i表示的病症特征数组，在去重复问题上i的取值范围是有限制的，当（i<10）时，去重复编码方式即没有存在使用的必要，因为stringcodeC=13，而S13在i<10时不存在。同理，当100<i<1000时，使用去重复编码方式，编码string codeC=103，但由于i取值范围的变化，那么可能出现病害X，其病症特征为单独的103号病症特点（即S103），编码string codeX=103，在此时去重复编码方式会产生错误。为了解决这种问题，根据病症特征的范围，和去重复编码方式的原则，当i<10时，不需使用该方法；当10<i<100时，使用非独立特征编码补“0”的方式；当100<i<1000时，根据原则，则需要将非独立编码的结果超出1000，由于非独立特征编码最小编码条件为两种特征，则编码后可得两位数的编码结果，那么为了使其超出1000的范围，需要补码“00”，依此类推解决重复性编码问题。

当然，在补码去重复的问题上也可采用其他的符号或数字方式去代替“0”，其原则为：可被专家系统编程方式接收并不影响其重复编码性的补码方式。

依此编码方式将特征与病害对应时，推理机就可直接编码进行病症的匹配，快速有效地进行推理和知识的调用。

病症诊断的推理机采用的算法为正反向搜索算法，采用上述编码制进行知识表达并存储在知识库中后，用户可根据病症诊断模块罗列出的作物特征进行选取，推理机根据所选取出的特征进行编码，并正向搜索，将被选特征的可能病症从知识库中调出，存放在中间存储空间。此时，进行诊断，则结果为被选特征所可能发生的所有病症。若进一步进行选择，则推理机重新编码，并进行反向搜索，将被选特征所可能代表的病症的所有可能特征选择出来，并缩小范围进行病症特征列表的更新，由此引导用户进行特征的下一步选取，直至用户最终进行病症诊断。其工作方式如图4，程序流程图如图5。

作物温室栽培专家控制系统病症诊断子系统的病症诊断算法采用粗糙集理论中的不完备信息系统的概念进行作物病症特征提取诊断，其特征是总结不完备决策信息表，构成病症特征的粗糙集，并以具有相同描述的支持集类（描述集）作为基本模块，合并构成相似集，以到处模糊度函数计算病症特征模糊度的算法，其算法描述如下：

基本概念：

设U=(X,ST)是一个信息系统，其中X为非空有限论域，X中的元素称为对象，ST是有限非空属性集，对于每一个s∈S，s:X→V_s（V_s不同于后文的Vs）且s（x）∈V∞称V_s为属性s的值域。如果信息系统中的某些属性值缺省或部分知道，这样的系统称为不完备信息系统，属性值函数s（x）可以定义为从X到V_s的幂集的一个集值映射。

一个不完备决策表U=（X，ST ∪{d}），其中X={x1,x2,x3,......},ST={s1,s2......}代表病害特征的条件特征属性，d代表病害特征的决策特征属性，Vs={Vs1，Vs2，......}代表特征的指标。

算法表示中以∧表示逻辑“与”。若v∈Vs∈S，属性对（s,v）称为是S的基本元。所有的S的基本元或者它的逻辑“与”∧连接成为S描述，设t为描述，若基本元（s，v）存在于t中，称（s，v）∈t，若（s，v）∈t，则称t为S的全描述。‖t ‖={x∈X：v∈s（x）；（s，v）∈t}称为t的支持集。如果t和a是两个描述且S（t）∩S（a）是空集，可以得到‖t∧a ‖=‖t ‖∩‖a ‖。

如果记DES（S）={t：t是S的描述；‖t‖≠Φ}。

对于任意的t∈DES（S），如果S（t）=S，则t是完全的S的描述，记FDES（S）={t：t是S的完全描述}。设U={X，ST}是一个不完备信息系统，对于任意的s∈ST和v=Vs如果v∈s（x）∩s（y），即x和y被称为关于属性s类似，同样，若t∈FDES（S），x，y∈X，则x，y被称为关于S类似当且仅当这些类似关系就把有限论域X分成了作为基本模块（称为描述集）的几个基本模块，这些描述集类构成了X的一个覆盖，记为X/S={‖t ‖：t∈FDES（S）}，包含x的描述集类记为S（x）,即S（x）={‖t‖：t∈FDES（S）}

粗糙集构造：

定义，设和XI关于S下近似和上近似分别记为S(XI)和其中$>\underset{‾}{S}\left(\mathrm{XI}\right)=\left\{\right|\left|t\right||:|\left|t\right||\subseteq \mathrm{XI},t\in \mathrm{FDES}\left(S\right)\},$>$>\bar{S}\left(\mathrm{XI}\right)=\left\{\right|\left|t\right||:|\left|t\right||\cap \mathrm{XI}\ne \Phi ,t\in \mathrm{FDES}\left(S\right)\},$>S(XI)-称为XI关于S的边界，记为BN_s(XI)。注：这里所定义的下近似和上近似集合，其中的元素师描述集类，而不是X的一个子集。

把与集合X中元素x具有相同描述的元素构成的集合称为相似集，记为S_s(x)，则S_s(x)=∪{‖t ‖：x∈‖t ||,t∈FDES(S)}

模糊函数定义为：$>A_x\left(u\right)=\frac{\mathrm{card}(S_x\left(u\right)\cap Y)}{\mathrm{card}\left(S_x\left(u\right)\right)},u\in Y.$>S_s(u)称为关于属性集S属于集合Y的隶属度，直观意义为u属于集合Y的模糊度。

下面举例进行算法说明：

设有关于作物样本和病症特征的不完备决策表U，U=（X，ST ∪{d}），其中X={x1,x2,x3,......x7}代表不同样本集,ST={s1,s2}代表病害特征的条件特征，d代表该病症的决策特征（即判断一种病症表现的主要特征判断依据），Vs={Vs1，Vs2}代表特征的指标，如叶片颜色Vs={L，N,H}，L表示颜色发黄，N表示颜色正常，H表示颜色过深。有Vs1={L，N,H}。属性表如表1：

  X  S1  S2  d  x1  N  N  N  x2  N、H  N  H  x3  N  N、H  N  x4  L  L  L  x5  H  N、H  H  x6  N、H  H  H  x7  N、L  N  L

表1 不完备决策表

则根据上述表、概念和粗糙集的构造方式：

x2，x5，x6，的关于属性S1的值都具有“H”，则关于属性S1他们都应属于同一个描述累‖（a，H）‖，即‖（a，H）‖={x2，x5，x6}。用S1,S2，ST={S1,S2}的描述集类可表示一下分类：

X/{S1}={‖（S1，N）‖，‖（S1，H）‖，‖（S1，L）‖}={{x1，x2，x3，x6，x7}，{x2，x5，x6}，{x4，x7}}。

X/{S2}={‖（S2，N）‖，‖（S2，H）‖，‖（S2，L）‖}={{x1，x2，x3，x5，x7}，{x3，x5，x6}，{x4}}。

X/ST={‖（S1，N）∧（S2，N）‖，‖（S1，N）∧（S2，H）‖，‖（S1，H）∧（S2，N）‖，‖（S1，H）∧（S2，H）‖，‖（S1，L）∧（S2，L）‖，‖（S1，L）∧（S2，N）‖}={{x1，x2，x3，x7}，{x3，x6}，{x2，x5}，{x5，x6}，{x4}，{x7}}。

同时也容易看到：{S1}（x2）={{x1，x2，x3，x6，x7}，{x2，x5，x6}}。

设XI={x2，x5，x6}，

经计算可得：{S1}(XI)={{x2，x5，x6}}，$>\overline{\left\{S1\right\}}\left(\mathrm{XI}\right)=\left\{\right\{x1,x2,x3,x6,x7\},\{x2,$>$>x5,x6\left\}\right\}.$>

{S2}(XI)=Φ，$>\overline{\left\{S2\right\}}\left(\mathrm{XI}\right)=\left\{\right\{x1,x2,x3,x5,x7\},\{x3,x5,x6\left\}\right\}.$>

ST(XI)={{x5，x6}}，$>\overline{\mathrm{ST}}\left(\mathrm{XI}\right)=\left\{\right\{x1,x2,x3,x7\},\{x3,x6\},\{x5,x6\},\{x2,x5\left\}\right\}.$>

BN_s(XI)={{x1，x2，x3，x7}，{x3，x6}}。

相似集：S_s(x1)={x1,x2,x3,x7}，S_s(x2)={x1,x2,x3,x5,x7}，S_s(x3)={x1,x2,x3,x6,x7}，S_s(x4)={x4}，S_s(x5)={x2,x5,x6}，S_s(x6)={x3,x4}，S_s(x7)={x1,x2,x3,x7}。

{N}={x∈X：d（x）＝N}={x1,x3},{H}={x∈X：d（x）=H}={x2,x5,x6},{L}={x∈X：d（x）=L}={x4，x7}。

则{N}，{H}，{L}构成了X的一个划分，根据模糊度函数计算{N}，{H}，{L}的模糊度构成粗糙隶属度函数表，如表2

  X  N  H  L  x1  1/2  1/4  1/4  x2  2/5  2/5  1/5  x3  2/5  2/5  1/5  x4  0  0  1  x5  0  1  0  x6  1/2  1/2  0  x7  1/2  1/4  1/4

表2 粗糙隶属度函数表

那么就可以从表2中的隶属度值清楚地看出每个样本元素是否正常，其判断标准为每个样本特征指标的函数值。当一个特征的函数值表现的很大时，就可以确定该样本作物存在相应的病症特征，达到作物病症特征提取的目的，从而进行病症诊断推理。