述层、认知层和应用层。各层的功能如下：
[0034]数据层：获取图像数据，这里的图像可以是二值图、灰度图、彩色的和深度图等，本 层主要针对摄像头或数码相机采集到的彩色照片/灰度图。主要涉及到图像的压缩和传 输。数字图像的基本操作如：平滑、滤波等一些去噪操作亦可归入该层。该层的主要操作对 象是象素。
[0035] 描述层：提取特征，度量特征之间的相似性（即距离）；采用的技术有子空间方法 (Subspace)如ISA、ICA、PCA。该层的主要任务就是将象素表示符号化。
[0036] 认知层：图像理解，即学习和推理；该层是系统的"大脑"。该层非常复杂，涉及面 很广，正确的认知（理解）必需有强大的知识库作为支撑。该层操作的主要对象是符号。具 体的任务还包括知识库的建立。
[0037] 诊断层：根据智能诊断任务需求，设计相应的分类器、识别算法等。具体如图2所 不〇
[0038] 可选地，如上所述的方法，还可以包括：
[0039] 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。
[0040] 对于智能诊断方面，可以采用具有n个神经元离散时延马尔可夫跳跃神经网络 来实现，其可由下面动力学方程表示：
[0042]上式中，x(k) = [xjk)x2(k) . . .xn(k)]T表示神经元状态向量；f(x(k))= [fJXiGO)f2(x2(k)) ...fn(xn(k))]T表示非线性激活函数，神经元初始状态f(0)=0; C(r(k)) =diaglCiCKk))，c2(r(k))，. . .，cn(r(k))}表示当每个神经元从网络和外部输 入断开时，其将重置潜在的隔离休息状态速率。A(r(k)) = [aij(r(k))]nXn和B(r(k))= 分别表示连接权矩陈和延迟连接权矩陈；d彡0表明离散时间延迟；纠/〇表 示初始情况，另外，AA(r(k))、AB(r(k))与AC(r(k))是时延参数不确定性，它们满足
[0043] [AA(r(k)) ]AB(r(k))AC(r(k)) ] =M(r(k))F(r(k),k) [N:(r(k))N2(r(k)) N3(r(k))]⑵
[0044] 其中，M(r(k))、NjrGO)、N2(r(k))、N3(r(k))为具有适合维数的实常矩陈， F(r(k))表示未知满足下列条件的时延矩陈函数，马尔可夫链r(k) (k多0)在一个有限状
态空间S= {1，2,...s}取值， 转移概率矩陈:& =[弋]由 〇 、 下式给出
，其中，〇(i，jGS)为从i到j 的转移概率，并且满足
[0045] 对于离散时间不确定马尔可夫跳跃神经网络稳定标准证明问题，在完全已知转移 概率下，离散时间不确定马尔可夫跳跃神经网络（式1)的一个稳定标准。下面的定理提出 了式（1)渐近稳定的充分条件。
[0046] 定理1:假定假设1成立。神经网络式（1)渐近稳定于均方根，如果存在一个矩陈 集合PiX)(iGS)，二维矩陈Q>0并且R>0,和两个对角矩陈集合FiX)且氏>0满足
[0047]
，其中
[0048] 证明：定义下面Lyapunov函数
[0056]其中 | (k) : = [xT(k)xT(k-d)fT(x(k))fT(x(k-d))]T，
[0058] 另外，它遵循假设1和引理3,即
[0061] 因此，我们有
[0063] 根据不等式（8)，有
[0064] E{V(x(k+l)，k+l，r(k+l)) |x(k)，r(k) =i}-V(x(k)，k，i)彡-入-(-①）| | (k) |2〈 0
[0065] (12)
[0066] 表明
[0067] E{V(X(k+l)，k+l，r(k+l))}-E{V(x(k)，k，i)}彡-入|EU(k) |2}。 （13)
[0068]给定正整数m，从0到m对不等式（13)两端递归总结，有
[0070] 因此有
[0074] 定理得证。
[0075] 图像理解的基本过程就是计算机对输入场景的相应区域和目标进行语义化标记 输出的过程，场景中的目标分析在目标识别和检测过程中，由于进行了认知概念划分，因此 只要有足够的训练学习均可将其进行简单的名称语义化描述，更通常的语义化描述则涉 及通用的概念模型描述，并建立区域特征与语义单词的概率对应关系，体现了数据和知识 之间的转换。
[0076] 数据层知识源由图像分割所需的算法和通用的知识组成，负责区域和边缘信息的 融合形成分割结果。
[0077] 认知层知识源由图像常用的特征提取算法组成，选择满足一定条件的作物病害目 标，然后对选出的这些病害目标进行特征提取。
[0078] 诊断层知识源由模型库和模型匹配方法组成，模型库由图像理解场景中病害对象 的框架和识别目标所用算法组成，指导认知层处理、目标病害与模型中的对象类进行匹配， 形成最终的景物解释。
[0079] 本发明实施例的方案具有如下特点：
[0080] (1)本发明基于图像理解的思想来设计智能诊断系统，通过对图像理解相关理论 研宄，解决农作物病害智能诊断问题。本发明有机的把知识和分割、识别理解紧密的联系在 一起，把图像理解的理论和实际的应用结合起来，从而形成一个较为完整的体系结构。
[0081] (2)本发明给出一个可接受的图像理解层次框架，并在此基础上结合知识的表示 形式进行模型设计，具有较高的应用价值。
[0082] (3)本发明结合图像理解的目标提取，给出了一种依据边统计分析的自适应分割 方法。该算法对于目标的提取具有简单及较高的可靠性。
[0083] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制； 尽管参照前述各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，或者对其中部分或者全部技术特征 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 术方案的范围。
【主权项】
1. 一种基于图像理解的农作物病害诊断方法，其特征在于，包括： 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； 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； 根据农作物图像的语义模型，对农作物进行病害诊断。2. 根据权利要求1所述的方法，其特征在于，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。3. 根据权利要求1所述的方法，其特征在于，所述基于农作物的图像数据进行语义提 取，具体包括： 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。4. 根据权利要求1-3任一项所述的方法，其特征在于，还包括： 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。
【专利摘要】本发明提供一种基于图像理解的农作物病害诊断方法，方法包括：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；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；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，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。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN104899547
【申请号】CN201510117167
【发明人】路阳, 张楠, 董宏丽, 马铁民, 沈波, 衣淑娟, 朱景福
【申请人】黑龙江八一农垦大学
【公开日】2015年9月9日
【申请日】2015年3月17日