一种基于sae-svm的病虫害检测系统的制作方法
【专利摘要】本发明提供一种基于SAE?SVM的病虫害检测系统，涉及现代农业技术领域，包括设置于种植区垄间的图像采集装置以及安装在室内的大数据服务器平台，所得信息显示于LED点阵显示屏上并上传至云网络；所述图像采集装置通过无线网络与大数据服务器平台的连接；利用栈式自编码SAE提取图像特征，组成特征向量，然后对每幅叶片图像的特征向量用支持向量机SVM方法进行训练，训练后形成一个分类器，然后将大量的植物叶片图像用这个分类器进行检测，检测植物叶片是否发生病虫害；本发明能够实现病虫害的检测和识别，能够在病虫害初期就发现情况，便于及时进行处理，减少经济损失，精确度高，可靠性好。
【专利说明】
一种基于SAE-SVM的病虫害检测系统
技术领域
[0001]本发明涉及现代农业技术领域，具体涉及一种基于SAE-SVM的病虫害检测系统。
【背景技术】
[0002]病虫害在农业生产中的发生和危害十分的频繁且严重，给人们带来了经济上的巨大损失；目前，病虫害的检测方法通常采用田间调查和预测预报相结合的方法进行施药决策和病虫害综合治理，而田间调查与预测预报均依靠人工检测，即利用人工感官在现场检查病虫害，借助放大镜、显微镜等工具或直接用肉眼判别病虫害的种类，并统计数量，这种方法要求检测者具备较高的素质，熟悉业务，这样才可取得较好的效果，这就导致人工检测不可避免的存在误差，不利于农业生产的自动化、高效管理。
[0003]专利号为CN102706877A的文件中公开了一种便携式棉花病虫害检测系统及方法，由集中在嵌入式系统内的软件系统、嵌入式系统、图像采集装置组成，用户通过操作嵌入式系统，实时采集田间棉花病虫害图像信息，提取病虫害特征，并分析其特征;将其特征与棉花病虫害特征参数进行匹配，确定棉花病虫害类型;通过图像处理方法提取病虫害特征，最后分析其受害程度。将处理结果输出至嵌入式系统的显示器上。若处理结果有异议，可通过嵌入式系统的网络通信功能上传至服务器，由专家对其分析。该方法对病虫害检测不够准确，存在误差，不利于农业生产的自动化、高效管理。
【发明内容】
[0004]针对现有技术的不足，本发明提供了一种基于SAE-SVM的病虫害检测系统，能够实现病虫害的检测和识别，能够在病虫害初期就发现情况，便于及时进行处理，减少经济损失，精确度高，可靠性好。
[0005]为实现以上目的，本发明通过以下技术方案予以实现:包括设置于种植区垄间的图像采集装置以及安装在室内的大数据服务器平台，所得信息显示于LED点阵显示屏上并上传至云网络;所述图像采集装置通过无线网络与大数据服务器平台的连接。
[0006]所述图像采集装置安装在可沿导轨运动的机架上，所述图像采集装置包括可运动摄像头、图像预处理模块、RAM外部存储器、动力系统;所述图像预处理模块通过内部数据总线与RAM外部存储器连接。
[0007]所述动力系统包括太阳能电池板，蓄电池，使得检测系统避免了掉电现象;所述图像预处理模块通过电源接口与动力系统连接。
[0008]所述图像预处理模块中包括直方图均衡化、阙值平滑算子、中值滤波、梯度算子、ROBERTS算子、SOBEL算子、Laplacian算子等，所述图像预处理模块对作物的主要危害叶子的病害图像进行增强，选取最佳的图像增强方法。
[0009]所述大数据服务器平台包括特征向量提取和分类器；
[0010]所述特征向量提取方法使用栈式自编码算法，用无标签数据和无监督逐层贪婪训练算法训练完深度网络后，相对于随机初始化权重，深度网络各层所得到的初始化权重矿将位于参数空间较好的区间；
[0011]所述分类器采用支持向量机SVM机器学习的方法;采用有监督的学习方法对整个系统进行微调，可能持续数小时；所述分类器样本获得过程:在农业场景监控的视频数据中，获取足够植物叶片的图像样本，将其分为正常生长和发生病虫害两类，作为正负样本，组成样本库。
[0012]所述检测系统，包括如下步骤:
[0013]S1.系统启动后，安装有图像采集装置机架沿导轨在种植区运动;可运动摄像头装置对视野范围内的农作物探测成像并对图像按照权利要求书4所述过程进行预处理，将处理后的图像信息通过无线通信传送至大数据服务器平台；
[0014]S2.大数据服务器平台按照权利要求书5所述，对接收到的图像信息利用栈式自编码算法通过无标签数据和无监督逐层贪婪训练算法训练深度网络进行特征向量提取；
[0015]S3.将每幅图像的特征向量通过权利要求书5所述的分类器进行分类，判断植物叶片是否发生病虫害；
[0016]S4.将其结果上传至云网络并显示于LED点阵屏上，方便种植者及时发现病虫害问题并处理。
[0017]本发明提供了一种基于SAE-SVM的病虫害检测系统能够实现病虫害的检测和识另IJ，能够在病虫害初期就发现情况，便于及时进行处理，减少经济损失，精确度高，可靠性好。
【附图说明】
[0018]为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅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的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本发明的结构示意图；
[0020]图2为本发明的检测流程图。
【具体实施方式】
[0021]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。
[0022]实施例:
[0023]如图1，一种基于SAE-SVM的病虫害检测系统，包括设置于种植区垄间的图像采集装置以及安装在室内的大数据服务器平台，所得信息显示于LED点阵显示屏上并上传至云网络；图像采集装置通过无线网络与大数据服务器平台的连接；图像采集装置安装在可沿导轨运动的机架上，图像采集装置包括可运动摄像头、图像预处理模块、RAM外部存储器、动力系统；图像预处理模块通过内部数据总线与RAM外部存储器连接;动力系统包括太阳能电池板，蓄电池，使得检测系统避免了掉电现象；图像预处理模块通过电源接口与动力系统连接;大数据服务器平台包括特征向量提取模块和分类器。
[0024]如图2所示，图像预处理模块中包括直方图均衡化、阙值平滑算子、中值滤波、梯度算子、ROBERTS算子、SOBEL算子、Laplacian算子等，图像预处理模块对作物的主要危害叶子的病害图像进行增强，选取最佳的图像增强方法;特征向量提取方法使用栈式自编码算法，用无标签数据和无监督逐层贪婪训练算法训练完深度网络后，相对于随机初始化权重，深度网络各层所得到的初始化权重f将位于参数空间较好的区间；分类器采用支持向量机SVM机器学习的方法;采用有监督的学习方法对整个系统进行微调，可能持续数小时；分类器样本获得过程:在农业场景监控的视频数据中，获取足够植物叶片的图像样本，将其分为正常生长和发生病虫害两类，作为正负样本，组成样本库。
[0025]整个检测系统包括如下步骤:
[0026]S1.系统启动后，安装有图像采集装置机架沿导轨在种植区运动;可运动摄像头装置对视野范围内的农作物探测成像并对图像按照进行预处理，将处理后的图像信息通过无线通信传送至大数据服务器平台；
[0027]S2.大数据服务器平台对接收到的图像信息利用栈式自编码算法通过无标签数据和无监督逐层贪婪训练算法训练深度网络进行特征向量提取；
[0028]S3.将每幅图像的特征向量通过分类器进行分类，判断植物叶片是否发生病虫害；
[0029]S4.将其结果上传至云网络并显示于LED点阵屏上，方便种植者及时发现病虫害问题并处理。
[0030]本发明首先在农业场景监控的视频数据中，获取足够植物叶片的图像样本，将其分为正常生长和发生病虫害两类，作为正负样本，组成样本库。利用栈式自编码提取图像特征，组成特征向量然后对每幅叶片图像的特征向量用SVM的机器学习方法进行训练，训练后形成一个分类器，然后将大量的植物叶片图像用这个分类器进行检测，检测植物叶片是否发生病虫害。
[0031]本发明能够实现病虫害的检测和识别，能够在病虫害初期就发现情况，便于及时进行处理，减少经济损失，精确度高，可靠性好。
[0032]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。
【主权项】
1.一种基于SAE-SVM的病虫害检测系统，其特征在于，包括设置于种植区垄间的图像采集装置以及安装在室内的大数据服务器平台，所得信息显示于LED点阵显示屏上并上传至云网络;所述图像采集装置通过无线网络与大数据服务器平台的连接。2.如权利要求1所述的基于SAE-SVM的病虫害检测系统，其特征在于，所述图像采集装置安装在可沿导轨运动的机架上，所述图像采集装置包括可运动摄像头、图像预处理模块、RAM外部存储器、动力系统;所述图像预处理模块通过内部数据总线与RAM外部存储器连接。3.如权利要求1所述的基于SAE-SVM的病虫害检测系统，其特征在于，所述动力系统包括太阳能电池板，蓄电池，使得检测系统避免了掉电现象;所述图像预处理模块通过电源接口与动力系统连接。4.如权利要求1所述的基于SAE-SVM的病虫害检测系统，其特征在于，所述图像预处理模块中包括直方图均衡化、阙值平滑算子、中值滤波、梯度算子、ROBERTS算子、SOBEL算子、Laplacian算子等，所述图像预处理模块对作物的主要危害叶子的病害图像进行增强，选取最佳的图像增强方法。5.如权利要求1所述的基于SAE-SVM的病虫害检测系统，其特征在于，所述大数据服务器平台包括特征向量提取模块和分类器； 所述特征向量提取方法使用栈式自编码算法，用无标签数据和无监督逐层贪婪训练算法训练完深度网络后，相对于随机初始化权重，深度网络各层所得到的初始化权重f将位于参数空间较好的区间； 所述分类器采用支持向量机SVM机器学习的方法;采用有监督的学习方法对整个系统进行微调，可能持续数小时;所述分类器样本获得过程:在农业场景监控的视频数据中，获取足够植物叶片的图像样本，将其分为正常生长和发生病虫害两类，作为正负样本，组成样本库。6.一种基于SAE-SVM的病虫害检测系统，其特征在于:包括如下步骤: S1.系统启动后，安装有图像采集装置机架沿导轨在种植区运动;可运动摄像头装置对视野范围内的农作物探测成像并对图像按照权利要求书4所述过程进行预处理，将处理后的图像信息通过无线通信传送至大数据服务器平台； S2.大数据服务器平台按照权利要求书5所述，对接收到的图像信息利用栈式自编码算法通过无标签数据和无监督逐层贪婪训练算法训练深度网络进行特征向量提取； S3.将每幅图像的特征向量通过权利要求书5所述的分类器进行分类，判断植物叶片是否发生病虫害； S4.将其结果上传至云网络并显示于LED点阵屏上，方便种植者及时发现病虫害问题并处理。
【文档编号】G06K9/62GK105868784SQ201610195402
【公开日】2016年8月17日
【申请日】2016年3月29日
【发明人】许先璠, 杜晓婷
【申请人】安徽大学