番茄灰霉病程度识别方法及装置与流程

1.本发明涉及农业信息化领域，尤其涉及一种番茄灰霉病程度识别方法及装置。


背景技术：

2.植物病害是农业面临的一大挑战，严重影响作物生长，造成巨大经济损失。对作物病虫害进行准确、快速的识别定位，有助于病虫害早期防治，减少经济损失。传统上依靠专家经验判断作物病害的发病程度，依靠肉眼进行病害特征识别，常常导致误诊。农作物病害种类繁多，且病害分级不易，很难将叶片染病情况量化，但在防治方面需要根据病情进行不同处理。在农业实际生产过程中，传统的病害检测方法已不能满足大规模种植的需要，而且由于诊断效率低、病害传播快，植物往往会错过最佳防治期。
3.灰霉病是目前影响蔬菜生产的主要病害之一，它对大部分的植物有极大的破坏作用。灰霉菌遍布世界各地，且可以感染几乎所有的植物，同时灰霉菌会引起早期潜伏感染从而在果实成熟前产生破坏。我国是番茄的主要生产和消费国家，番茄种植广泛，灰霉病是番茄常见病害之一，在农业实际生产过程中，农业专家往往不能给农民提供及时的帮助，导致灰霉病治理不及时引起的品质下降和产量减少，严重影响了番茄种植的经济效益。因此，以番茄为研究对象，围绕研究番茄灰霉病的早期检测关键技术，尝试快速准确及时地获取番茄灰霉病的感染状况，构建预测预报系统，为变量施药决策系统的实施提供决策支持有十分重要的意义。
4.目前利用计算机无损检测技术对植物病害进行检测主要包括计算机视觉技术。计算机视觉技术检测作物病害时，要全面了解掌握作物叶片受害的相关特征信息，一般是通过提取rgb图像或者某一波长下灰度图像，提取颜色、形态、纹理等特征变量进行分析，这就需要在肉眼能观察到病斑以后进行实验，利用植物叶片在显症之后面积角度的病斑或枯斑与非显症部分进行分割，在未显症之前根本无法判别，假设叶片尚处于发病前的潜伏期，那么基于视觉图像类的技术手段无法实现早期诊断。


技术实现要素：

5.针对现有技术存在的问题，本发明提供一种番茄灰霉病程度识别方法及装置。
6.本发明提供一种番茄灰霉病程度识别方法，包括：获取番茄叶片待检测区域多个特征波段的光谱数据；将所述多个特征波段的光谱数据输入预设的极限学习机elm模型，输出番茄灰霉病程度的检测结果；其中，所述elm模型，根据多个已知番茄灰霉病程度的样本，以灰霉病程度作为标签，以所述多个特征波段作为输入训练后得到。
7.根据本发明一个实施例的番茄灰霉病程度识别方法，所述获取番茄叶片待检测区域多个特征波段的光谱数据之前，包括：获取番茄叶片样本的预设波段范围的光谱数据；对所述预设波段范围的光谱数据进行预处理后，基于cars算法进行特征波段提取，得到所述多个特征波段。
8.根据本发明一个实施例的番茄灰霉病程度识别方法，所述对所述预设波段范围的
光谱数据进行预处理，包括：根据小波变换滤波，对所述光谱数据进行预处理。
9.根据本发明一个实施例的番茄灰霉病程度识别方法，所述基于cars算法进行特征波段提取，包括：基于cars进行多次特征波段提取，每次提取过程中，以交叉验证均方根误差最小确定变量个数；将多次提取的特征波段进行合并去除重复项，得到所述多个特征波段。
10.根据本发明一个实施例的番茄灰霉病程度识别方法，所述将所述多个特征波段的光谱数据输入预设的elm模型之前，还包括：将elm模型的输入权值和隐含层阈值编码成教与学算法的个体，初始化班级；根据eml算法识别率达到最大或稳定确定对应目标函数进行寻优，并将最优个体对应的权值和阈值作为所述elm模型的权值和阈值。
11.根据本发明一个实施例的番茄灰霉病程度识别方法，所述特征波段包括694nm、696nm、765nm、767nm、769nm、772nm、778nm、838nm和840nm。
12.根据本发明一个实施例的番茄灰霉病程度识别方法，所述预设波段范围包括681nm～840nm波段。
13.本发明还提供一种番茄灰霉病程度识别装置，包括：获取模块，用于获取番茄叶片待检测区域多个特征波段的光谱数据；处理模块，用于将所述多个特征波段的光谱数据输入预设的极限学习机elm模型，输出番茄灰霉病程度的检测结果；其中，所述elm模型，根据多个已知番茄灰霉病程度的样本，以灰霉病程度作为标签，以所述多个特征波段作为输入训练后得到。
14.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述番茄灰霉病程度识别方法的步骤。
15.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述番茄灰霉病程度识别方法的步骤。
16.本发明提供的番茄灰霉病程度识别方法及装置，通过多个特征波段光谱数据输入预设的tlbo-elm模型，输出番茄灰霉病程度的检测结果，无需在肉眼能观察到病斑以后进行实验，可实现灰霉病潜育期的快速诊断。
附图说明
17.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1是本发明提供的番茄灰霉病程度识别方法的流程示意图之一；
19.图2是本发明提供的不同发表时期番茄叶片高光谱平均反射率曲线图；
20.图3a是本发明提供的第一次提取特征波长过程示意图；
21.图3b是本发明提供的第二次提取特征波长过程示意图；
22.图3c是本发明提供的第三次提取特征波长过程示意图；
23.图4a是本发明提供的第一次提取特征波段的结果示意图；
24.图4b是本发明提供的第二次提取特征波段的结果示意图；
25.图4c是本发明提供的第三次提取特征波段的结果示意图；
26.图5是本发明提供的番茄灰霉病程度识别方法的流程示意图之二；
27.图6是本发明提供的番茄灰霉病程度识别装置的结构示意图；
28.图7是本发明提供的电子设备的结构示意图。
具体实施方式
29.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
30.下面结合图1-图7描述本发明的番茄灰霉病程度识别方法及装置。图1是本发明提供的番茄灰霉病程度识别方法的流程示意图之一，如图1所示，本发明提供番茄灰霉病程度识别方法，包括：
31.101、获取番茄叶片待检测区域多个特征波段的光谱数据。
32.102、将所述多个特征波段的光谱数据输入预设的elm模型，输出番茄灰霉病程度的检测结果；其中，所述elm模型，根据多个已知番茄灰霉病程度的样本，以灰霉病程度作为标签，以所述多个特征波段作为输入训练后得到。
33.为了实现番茄叶片表面未见明显病斑的灰霉病早期诊断，可以通过实验的方式得到训练模型用的样本。例如，采用每天跟踪、采集所有接种病菌后的样本叶片高光谱图像数据，在跟踪叶片样本出现病斑后前几天同一位置区域高光谱数据作为潜育期进行检测分析。
34.优选地，可根据病斑面积将所有选取的roi划分为5个等级：无感染roi为0级、染病无病斑roi为1级(潜预期)、病斑面积《10％roi为2级(小病斑)、病斑面积《25％roi为3级(大病斑)、病斑面积》25％roi为4级(严重)。可利用envi 5.3软件提取接种后发病样本1d(天)-8d的感染区域为感兴趣区域roi，roi大小为10
×
10，病斑较大时，选取病斑中间位置。
35.对于样本，根据病斑面积确定灰霉病程度作为标签，选取多个特征波段作为elm模型的输入，初始化elm模型并进行训练，得到预设的elm模型。
36.对于待检测的施番，获取叶片待检测区域和训练时相同的多个特征波段的光谱数据，输入模型后，得到灰霉病程度。
37.本发明实施例的番茄灰霉病程度识别方法，通过多个特征波段光谱数据输入预设的elm模型，输出番茄灰霉病程度的检测结果，无需在肉眼能观察到病斑以后进行实验，可实现灰霉病潜育期的快速诊断。
38.在一个实施例中，所述获取番茄叶片待检测区域预设的多个特征波段的光谱数据之前，包括：获取番茄叶片样本的预设波段范围的光谱数据；对所述预设波段范围的光谱数据进行预处理后，基于cars算法进行特征波段提取，得到所述预设的多个特征波段。
39.本发明首先根据预设波段范围提取上述提到的多个特征波段，如图2所述，在681nm～840nm波段，不同患病程度区分明显。因此，在具体实施中，所述预设波段范围包括681nm～840nm波段。
40.在一个实施例中，所述对所述预设波段范围的光谱数据进行预处理，包括：根据小
波变换滤波，对所述光谱数据进行预处理。
41.采用有效的光谱预处理方法可以减弱甚至于消除各种非目标因素对光谱的影响，尽可能去除无关信息变量对判别分析模型的影响，以提高模型的分辨率和灵敏度，从而可以大幅提高判别模型的预测能力和稳健性。光谱数据预处理方法包括数据规范化处理、savitzky-golay卷积平滑、标准正态变量、小波变换滤波和多元散射校正。然而，高光谱数据进行小波变换滤波处理后，在681nm～840nm波段间番茄灰霉病五个等级被清晰的区分开来，其中大病斑4级和严重后期5级部分混在一起，说明病害发展到大病斑后光谱相似度较大。本发明采用对每一个类分别进行小波滤波变换dwt进行滤波。
42.在一个实施例中，所述基于cars算法进行特征波段提取，包括：基于cars进行多次特征波段提取，每次提取过程中，以交叉验证均方根误差最小确定变量个数；将多次提取的特征波段进行合并去除重复项，得到所述多个特征波段。
43.基于cars算法对610nm～840nm波段训练样本集进行特征波段提取，设置蒙特卡洛采样次数为50，为解决cars算法的随机性问题，利用cars进行3次特征提取，3次cars提取的特征波段不同。图3a、图3b和图3c分别为三次提取特征波长过程示意图，在rmsecv最小点取最优变量个数，3次提取过程最小rmsecv(交叉验证均方根误差)分别为：0.2959，0.2945和0.2974，将回归系数(regression coefficient)绝对值大的波段保留，即为提取的特征波段。提取的特征波段如图4a、图4b和图4c所示，提取的特征数量分别为5，5和7。3次选取的特征波段位置相近，满足稳定性要求。将3次特征波段合并去除重复项，共得到9个特征波段，即优选的特征波段包括：694nm、696nm、765nm、767nm、769nm、772nm、778nm，838nm、840nm。
44.在一个实施例中，所述将所述多个特征波段的光谱数据输入预设的elm模型之前，还包括：基于教学优化算法确定模型的权值和阈值。即用教学优化算法选择模型的最优权值ω和最优阈值b。
45.具体包括，将elm模型的输入权值和隐含层阈值编码成教与学算法的个体，初始化班级；根据eml算法识别率达到最大或稳定确定对应目标函数进行寻优，并将最优个体对应的权值和阈值作为所述elm模型的权值ω和阈值b。
46.图5是本发明提供的番茄灰霉病程度识别方法的流程示意图之二，如图5所示，结合上述各实施例，通过教学优化算法和极限学习机建立dwt-cars-tlbo-elm番茄灰霉病识别模型对5类染病阶段的病害叶片roi区域进行检测，实验结果表明，提出的番茄灰霉病特征波段提取方法有效，对5个阶段的检测率、精准率、召回率、f1值均达到100％。表1为不同波段模型参数选择及相应测试集准确率、精确率、召回率和f1值。
47.表1
48.[0049][0050]
可以看出，利用高光谱成像技术对设施番茄灰霉病进行早期检测，提出基于dwtsep-cars特征提取方法，先对每一类训练数据进行小波变换，通过cars算法执行3次提取特征波长，对3次提取的特征波长进行合并去除重复项，最终提取9个特征波段：694nm、696nm、765nm、767nm、769nm、772nm、778nm，838nm、840nm，通过教学优化算法和极限学习机建立dwt-cars-tlbo-elm番茄灰霉病识别模型对5类染病阶段的病害叶片roi区域进行检测，实验结果表明，提出的番茄灰霉病特征波段提取方法有效，对5个阶段的检测率、精准率、召回率、f1值均达到100％。
[0051]
下面对本发明提供的番茄灰霉病程度识别装置进行描述，下文描述的番茄灰霉病程度识别装置与上文描述的番茄灰霉病程度识别方法可相互对应参照。
[0052]
图6是本发明提供的番茄灰霉病程度识别装置的结构示意图，如图6所示，该番茄灰霉病程度识别装置包括：获取模块601和处理模块602。其中，获取模块601用于获取番茄叶片待检测区域多个特征波段的光谱数据；处理模块602用于将所述多个特征波段的光谱数据输入预设的elm模型，输出番茄灰霉病程度的检测结果；其中，所述elm模型，根据多个已知番茄灰霉病程度的样本，以灰霉病程度作为标签，以所述多个特征波段作为输入训练后得到。
[0053]
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
[0054]
本发明实施例提供的番茄灰霉病程度识别装置，通过多个特征波段光谱数据输入预设的elm模型，输出番茄灰霉病程度的检测结果，无需在肉眼能观察到病斑以后进行实验，可实现灰霉病潜育期的快速诊断。
[0055]
图7是本发明提供的电子设备的结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(communications interface)702、存储器(memory)703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703中的逻辑指令，以执行番茄灰霉病程度识别方法，该方法包括：获取番茄叶片待检测区域多个特征波段的光谱数据；将所述多个特征波段的光谱数据输入预设的elm模型，输出番茄灰霉病程度的检测结果；其中，所述elm模型，根据多个已知番茄灰霉病程度的样本，以灰霉病程度作为标签，以多个特征波段作为输入训练后得到。
[0056]
此外，上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本
发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0057]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的番茄灰霉病程度识别方法，该方法包括：获取番茄叶片待检测区域多个特征波段的光谱数据；将所述多个特征波段的光谱数据输入预设的elm模型，输出番茄灰霉病程度的检测结果；其中，所述elm模型，根据多个已知番茄灰霉病程度的样本，以灰霉病程度作为标签，以多个特征波段作为输入训练后得到。
[0058]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的番茄灰霉病程度识别方法，该方法包括：获取番茄叶片待检测区域多个特征波段的光谱数据；将所述多个特征波段的光谱数据输入预设的elm模型，输出番茄灰霉病程度的检测结果；其中，所述elm模型，根据多个已知番茄灰霉病程度的样本，以灰霉病程度作为标签相同的多个特征波段作为输入训练后得到。
[0059]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0060]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0061]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。