一种基于神经网络的水稻纹枯病识别方法

摘要

本发明涉及水稻病害识别检测技术领域，具体涉及一种基于神经网络的水稻纹枯病识别方法。本发明建立了基础的水稻纹枯病数据库，采用图像灰度化、中值滤波和边缘分割进行图像的预处理，得到了特征明显的水稻图像；然后针对颜色特征和纹理特征进行特征提取，获得特征参数；最后搭建BP神经网络模型，进行训练与识别测试。构建的识别算法具有较高的精准性，有效降低了农业工作者的劳动强度，提高了工作效率。

说明书

技术领域

本发明涉及水稻病害识别检测技术领域，具体涉及一种基于神经网络的水稻纹枯病识别方法。

背景技术

水稻纹枯病是水稻生产的三大主要病害之一，在水稻整个生育期均可发生，对产量影响很大，一般导致减产10％～30％，严重时可达50％。近20年来，中国稻区的纹枯病发生逐渐加重，由于此病发生面积广、流行频率高，所致损失往往超过稻瘟病，该病害已经成为我国部分稻区水稻三大病害之首。在实际生产中，水稻纹枯病的识别主要是通过人工观察的方法，但是这种方法的准确率很低，且容易错过最佳的诊断时间，容易造成病情的延误。

近年来，随着计算机图像识别和深度学习技术的发展，国内外学者在水稻病虫害的识别分类做了相关的研究，利用机器学习、神经网络和深度学习等多种方法，提高了对水稻病害检测的自动化水平。现有研究中，由于水稻纹枯病图像的数据库相对较少，研究的种类比较单一，存在识别方法较为单一、准确率较低的问题。

发明内容

针对现有技术存在的问题，本发明提供了一种基于神经网络的水稻纹枯病识别方法，通过使用MatLab神经网络工具箱，构建BP神经网络络模型，进行基于BP神经网络的水稻纹枯病自动检测识别。

本发明为实现上述发明目的，采取的技术方案如下：

一种基于神经网络的水稻纹枯病识别方法，包括如下步骤：S1：建立水稻纹枯病数据库，采集水稻纹枯病的病斑图像，建立一个基础的水稻纹枯病数据库；S2：图像灰度化处理，对水稻纹枯病图像进行灰度变化，得到灰度化图像；S3：中值滤波，采用medfilt2算子来进行中值滤波，滤除脉冲干扰及图像噪声；S4：边缘分割，采用sobel算子来进行边缘分割，将病斑从叶片和背景中分离出来；S5：颜色特征提取，针对纹枯病图像的颜色特征进行特征提取，获得颜色特征参数；S6：纹理特征提取，针对纹枯病图像的纹理特征进行特征提取，获得纹理特征参数；S7：神经网络识别模型的训练，构建BP神经网络模型，将获得的颜色特征参数、纹理特征参数输入BP神经网络模型进行训练；S8：水稻纹枯病的识别检测，利用训练好的BP神经网络模型进行水稻纹枯病的识别检测，选取X张水稻图像作为测试集。

进一步的作为本发明的优选技术方案，所述步骤S1中的水稻纹枯病数据库来自N张水稻图片，所述水稻纹枯病数据库存在健康及患有纹枯病的2种类型水稻，N大于等于100。

进一步的作为本发明的优选技术方案，所述步骤S2图像灰度化处理中，对R分量、G分量、B分量分别取不同的权值，最后取平均值，得到图像的灰度值，如下式所示：

Gray(i,j)＝0.3*R(i,j)+0.59*G(i,j)+0.11*B(i,j)

进一步的作为本发明的优选技术方案，所述步骤S3中值滤波中，在待处理像素点(x,y)周围选取一块区域，称之为模板，然后对该区域内的数据按升序或者降序进行排序，取中值作为处理结果，如下式所示：

进一步的作为本发明的优选技术方案，所述步骤S4中sobel算子的计算步骤如下：

S41：sobel算子的方向模板包含两组3×3的矩阵,分别为水平方向和垂直方向的两组矩阵d

S42：以A代表原始图像，G

G

G

进一步的作为本发明的优选技术方案，所述步骤S5中颜色特征采用RGB颜色空间提取法。

进一步的作为本发明的优选技术方案，所述步骤S6中纹理特征采用灰度同生矩阵提取法，所述灰度同生矩阵计算步骤如下：

S61：f(x,y)为一幅大小为M×N的图像，它的灰度级别为N

P(i,j)＝#{(x

其中，#(x)代表集合x中元素的个数，P为N

S62：得出灰度共生矩阵之后，计算出对比度Con、熵Ent、相关性Corr等特征量来代表纹理特征。

进一步的作为本发明的优选技术方案，所述步骤S7中BP神经网络模型由输入层、输出层和隐含层三部分组成，所述BP神经网络设置输入层节点数、输出层节点数、隐含层节点数、学习速率、最大训练次数、期望误差、激活函数。

进一步的作为本发明的优选技术方案，所述步骤S8中水稻纹枯病的识别检测使用X张水稻图像进行测试，X不小于50。

本发明所述的一种基于神经网络的水稻纹枯病识别方法，采用以上技术方案与现有技术相比，具有以下技术效果：

本发明建立了基础的水稻纹枯病数据库，采用图像灰度化、中值滤波和边缘分割进行图像的预处理，得到了特征明显的水稻图像；然后针对颜色特征和纹理特征进行特征提取，获得特征参数；最后搭建BP神经网络模型，进行训练与识别测试。构建的识别算法具有较高的精准性，有效降低了农业工作者的劳动强度，提高了工作效率。

附图说明

图1是本发明实施例中基于神经网络的水稻纹枯病识别方法流程图；

图2是本发明实施例中水稻纹枯病图像中值滤波处理结果示意图；

图3是本发明实施例中水稻纹枯病图像边缘分割处理结果示意图；

图4是本发明实施例中水稻纹枯病图像颜色特征分量直方图；

图5是本发明实施例中BP神经网络结构图。

具体实施方式

下面结合附图详细的描述本发明的作进一步的解释说明，以使本领域的技术人员可以更深入地理解本发明并能够实施，但下面通过参考实例仅用于解释本发明，不作为本发明的限定。

如图1所示，一种基于神经网络的水稻纹枯病识别方法，包括如下步骤：S1：建立水稻纹枯病数据库，采集水稻纹枯病的病斑图像，建立一个基础的水稻纹枯病数据库；S2：图像灰度化处理，对水稻纹枯病图像进行灰度变化，得到灰度化图像；S3：中值滤波，采用medfilt2算子来进行中值滤波，滤除脉冲干扰及图像噪声；S4：边缘分割，采用sobel算子来进行边缘分割，将病斑从叶片和背景中分离出来；S5：颜色特征提取，针对纹枯病图像的颜色特征进行特征提取，获得颜色特征参数；S6：纹理特征提取，针对纹枯病图像的纹理特征进行特征提取，获得纹理特征参数；S7：神经网络识别模型的训练，构建BP神经网络模型，将获得的颜色特征参数、纹理特征参数输入BP神经网络模型进行训练；S8：水稻纹枯病的识别检测，利用训练好的BP神经网络模型进行水稻纹枯病的识别检测，选取X张水稻图像作为测试集。

步骤S1中的水稻纹枯病数据库来自N张水稻图片，所述水稻纹枯病数据库存在健康及患有纹枯病的2种类型水稻，在自然光照下拍摄水稻纹枯病图像，针对获取的图像，采用JPG格式存储并剪切出相同大小的部位，最终数据库中的图像数量N为600张。

步骤S2图像灰度化处理中，水稻纹枯病图像通常包括病斑部位及未发病的健康部位，对此图像按照下式进行灰度化处理，处理后的结果如图2所示；

对R分量、G分量、B分量分别取不同的权值，最后取平均值，得到图像的灰度值，如下式所示：

Gray(i,j)＝0.3*R(i,j)+0.59*G(i,j)+0.11*B(i,j)

如图2所示，步骤S3中值滤波中，在Matlab中采用medfilt2算子来进行处理，处理过后的图像如图2所示；

在待处理像素点(x,y)周围选取一块区域，称之为模板，然后对该区域内的数据按升序或者降序进行排序，取中值作为处理结果，如下式所示：

步骤S4中sobel算子的计算步骤如下：

S41：sobel算子的方向模板包含两组3×3的矩阵,分别为水平方向和垂直方向的两组矩阵d

S42：以A代表原始图像，G

G

G

经过边缘分割处理过后的图像如图3所示。

步骤S5中颜色特征采用RGB颜色空间提取法。获取的颜色分量图如图4所示。

步骤S6中纹理特征采用灰度同生矩阵提取法，所述灰度同生矩阵计算步骤如下：

S61：f(x,y)为一幅大小为M×N的图像，它的灰度级别为N

P(i,j)＝#{(x

其中，#(x)代表集合x中元素的个数，P为N

S62：得出灰度共生矩阵之后，计算出对比度Con、熵Ent、相关性Corr等特征量来代表纹理特征。如表1所示：

表1样本图片灰度共生矩阵信息表

步骤S7中BP神经网络模型由输入层、输出层和隐含层三部分组成，所述BP神经网络设置输入层节点数、输出层节点数、隐含层节点数、学习速率、最大训练次数、期望误差、激活函数。

搭建一个3层的BP神经网络，结构如图5所示。基于数据库中的600张图片，将480张图片作为训练集，隐含层节点数为90，学习速率设置为0.1，最大训练次数设置为5000，期望误差为0.01，选用logsig()作为激活函数。

步骤S8中水稻纹枯病的识别检测，将数据库中剩余的120图片作为测试集，输入BP神经网络进行验证，识别结果如表2所示：

表2 BP神经网络识别结果

本发明将BP神经网络模型搭建在神经网络工具箱上，全部训练及测试过程均在Matlab软件上进行。本发明首先建立水稻纹枯病图像数据库，对样本图像进行中值滤波实现平滑操作，并用sobel算子进行病斑的边缘分割，完成对于水稻纹枯病图像的预处理；然后基于颜色特征和纹理特征提取出图像相应的特征参数；最后搭建BP神经网络进行训练和测试，并针对网络进行调整和优化，BP神经网络的识别准确率能达到85.8％。利用BP神经网络构建的识别算法具有较高的精准性，能够有效的弥补人工识别的不足。

以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。