基于图像理解的农作物病害诊断方法
【技术领域】
[0001] 本发明实施例涉及故障诊断技术领域，尤其涉及一种基于图像理解的农作物病害 诊断方法。
【背景技术】
[0002] 我国是一个农业大国，在农作物病害防治体系中，病害的诊断至今为薄弱环节。近 年来变化异常的生态环境和多变的病害灾害，为病害防治带来较大困难。农作物的病害诊 断从实质上讲，就是一个故障诊断问题，但是农作物的病害诊断与一般的设备故障诊断相 比，由于农作物具有生命特征，其病害特征表现较一般设备复杂，同一病征在不同个体上或 在同一个体的不同时期都有一定的差异，而且病害特征的变化也较为复杂。
[0003] 目前国内外还没有一种通用的、有效的、适合农作物的病害智能诊断方法。现有技 术的基于图像理解的农作物病害诊断方法，仅对病害图像本身综合考虑颜色、形状和纹理 等各方面的特征，而没有考虑病害图像包含的语义关系，因此具有局限性，且识别准确率较 低，同时在病害识别方面存在通用性不强、智能化不足、实用性较差等缺陷。
【发明内容】
[0004] 针对现有技术的上述缺陷，本发明提供一种基于图像理解的农作物病害诊断方 法。
[0005] 本发明提供一种基于图像理解的农作物病害诊断方法，包括：
[0006] 获取农作物的图像数据，农作物的图像包括二值图、灰度图、彩色图和深度图；
[0007] 基于农作物的图像数据进行语义提取，建立农作物图像的语义模型，所述语义模 型包含农作物图像中存在的病害对象与病害对象、正常对象与正常对象、病害对象与正常 对象的相似性关系；
[0008] 根据农作物图像的语义模型，对农作物进行病害诊断。
[0009] 优选地，如上所述的方法，所述语义模型为倒置的树，用父子节点、兄弟节点表示 各对象之间的关系，用语义模型中的属性来描述各对象具有的属性。
[0010] 如上所述的方法，所述基于农作物的图像数据进行语义提取，具体包括：
[0011] 以统计学习为基础，使用支持向量机SVM算法对病害对象分类，然后对同一病害 对象再用数学方法进行相似性度量。
[0012] 可选地，如上所述的方法，还包括：
[0013] 对所述农作物病害诊断方法进行仿真，形成一个功能相容的计算软件包，并对所 述农作物病害诊断方法进行验证。
[0014] 本发明提供的技术方案，首先获取农作物的图像数据，农作物的图像包括二值图、 灰度图、彩色图和深度图，然后基于农作物的图像数据进行语义提取，建立农作物图像的语 义模型，语义模型包含农作物图像中存在的病害对象与病害对象、正常对象与正常对象、病 害对象与正常对象的相似性关系，进而根据农作物图像的语义模型，对农作物进行病害诊 断。本发明提供的基于图像理解的农作物病害诊断方法，由于考虑了农作物图像中包含的 各对象之间的关系和各对象具有的属性，不但提高了对农作物病害诊断的准确性，而且具 有通用性强的特点。
【附图说明】
[0015]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的 附图作简单地介绍，显而易见地，下面描述中的附图仅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性的前提下，还可以根据这些附图获得其他的附 图。
[0016] 图1为本发明提供的基于图像理解的农作物病害诊断方法实施例的流程图；
[0017]图2为本发明提供的语义模型实施例的示意图；
[0018]图3为本发明提供的基于图像理解的农作物病害诊断系统的示意图。
【具体实施方式】
[0019]为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例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。
[0020] 图1为本发明提供的基于图像理解的农作物病害诊断方法实施例的流程图。如图 1所示，本实施例的方法可以包括：
[0021]S101、获取农作物的图像数据，农作物的图像包括二值图、灰度图、彩色图和深度 图。
[0022] 为了能够正确地理解图像的内容，首先要做的事情就是把图像中被识别的对象提 取出来，然后利用知识和模型对其加以识别，从而获得图像的含义。如何来提取目标所固有 的一些特征，目前运用较多的方法仍然是图像分割。如何在图像理解中加以应用，是图像理 解系统要解决的问题之一。
[0023] 针对上述问题，本发明采用新的基于无向图结构模型及区域统计模型的图像理解 方法，将区域统计集合中的上下近似概念和无向图结构模型结合。无向图结构模型应用于 图像分割中，提出新的基于知识的分割算法；利用区域统计模型的约简过程对构建的知识 库进行了属性约简和规则提取，提出基于区域统计模型的图像理解推理新方法。
[0024]S102、基于农作物的图像数据进行语义提取，建立农作物图像的语义模型，语义模 型包含农作物图像中存在的病害对象与病害对象、正常对象与正常对象、病害对象与正常 对象的相似性关系。
[0025] 基于图像理解的语义知识获取，具体的，根据基于机器学习的语义提取方法，对于 农作物病害图像，首先将其分割成3X3大小的图像子块中从中获取图像特征，建立以缩 短底层特征与高层语义差距的贝叶斯框架，包括在像素的光谱、纹理及其他属性上的自动 融合、在分割的图像区域上的反复分裂一合并算法、根据区域之间的空间关系为图像建模 等贝叶斯分类器用于训练和学习用户给出的病害对象和正常对象，从而得到病害图像相关 语义特征。在语义获取的过程中，如果产生的误差很大，结合人工干预进行反馈。当用户针 对关键字或示例进行查找时，可对系统给出的病害图像进行相关性判定，同时系统根据用 户的反馈产生或修改图像语义。
[0026]S103、根据农作物图像的语义模型，对农作物进行病害诊断。
[0027] 本发明提供的基于图像理解的农作物病害诊断方法，首先获取农作物的图像数 据，农作物的图像包括二值图、灰度图、彩色图和深度图，然后基于农作物的图像数据进行 语义提取，建立农作物图像的语义模型，语义模型包含农作物图像中存在的病害对象与病 害对象、正常对象与正常对象、病害对象与正常对象的相似性关系，进而根据农作物图像的 语义模型，对农作物进行病害诊断。本发明提供的基于图像理解的农作物病害诊断方法，由 于考虑了农作物图像中包含的各对象之间的关系和各对象具有的属性，不但提高了对农作 物病害诊断的准确性，而且具有通用性强的特点。
[0028]图2为本发明提供的语义模型实施例的示意图。如图2所示，可以将语义模型表 示为倒置的树，用父子节点、兄弟节点表示各对象之间的关系，用语义模型中的属性来描述 各对象具有的属性。
[0029] 如上所述的方法，所述基于农作物的图像数据进行语义提取，具体可以包括：以统 计学习为基础，使用支持向量机SVM算法对病害对象分类，然后对同一病害对象再用数学 方法进行相似性度量。
[0030] 如何将计算机视觉所得到的数据、识别结果作为人工智能处理的知识？如何用人 工智能处理的知识、获得的新知识来指导计算机视觉更容易、更准确、更快地获得数据、处 理数据，得到识别结果
[0031] 在病害图像理解框架下，可以应用机器学习方式获得语义知识。基于机器学习的 语义特征提取方法也可以分成基于概率的方法和基于统计的方法。基于概率的方法用随 机数学模型描述图像语义特性，并建立概念模式分类器。基于统计方法获取语义知识可以 使用支持向量机。其本质是在高维空间中寻找一个超平面对样本进行分类，使分类错误率 最小。
[0032] 基于机器学习的语义提取方法可以最大限度地减少人工干预，为今后实现真正语 义层次上的智能图像语义提取打下基础，然而这类方法在现实世界中使用时会受到一些限 制。项目中融合这两种语义提取方法，以统计学习为基础，使用SVM对病害对象分类，然后 对同一病害对象再用数学方法进行相似性度量。从而实现较精确的病害识别。
[0033]图3为本发明提供的基于图像理解的农作物病害诊断系统的示意图。如图3所 示，参照数字图像处理层次划分方法，本发明的智能诊断系统可以分为以下的四个层次：数 据层、描