基于支持向量机的向日葵叶部病害判断方法

摘要

本发明涉及农业病虫害识别领域，尤其涉及基于支持向量机的向日葵叶部病害判断方法。包含如下步骤：判断是否是正常叶子：对非正常叶片中是否含有病害进行诊断；有益效果：采用基于b值与支持向量机的正常与非正常叶片诊断、基于灰度共生矩阵与支持向量机的是否含有病害的非正常叶片诊断这两种方法可有效识别出输入向日葵叶部图像所属病害类别，且正确识别率在90％以上。

主权项

基于支持向量机的向日葵叶部病害判断方法，其特征在于，包含如下步骤：判断是否是正常叶子：根据RGB颜色模型，提取出向日葵病害图像的R、G、B颜色分量，G分量图像中病斑比较明显，病虫害病斑部分灰度值较正常部分灰度值偏差较大，以彩色图像的G分量作为诊断有无病害的主要研究对象，确定G分量判别阈值；判断阈值的确定方式如下：式中，G(i,j)为图像G分量图像中(i,j)点的灰度值，avg为图像G的灰度平均值，m、n分别为图像G的行数和列数；向日葵叶部图像正常与否可利用模式识别相关方法进行识别诊断，可将式中计算出的b值作为分类器的特征向量输入，此处利用支持向量机识别法对所有样本进行训练，最终对待检测的向日葵叶部图像进行正常与否的诊断；对非正常叶片中是否含有病害进行诊断步骤(1)中所判别的待测叶片若为非正常叶片，则该非正常叶片会出现两种情况：含有病害和不含病害；不含病害情况包括虫害、人为或自然破损等，含有病害情况包括单有病害、病害与其它非正常叶片痕迹混杂；由于病害病斑与虫害病斑、虫体在纹理特征方面差异较大，所以此处选用灰度共生矩阵描述的纹理特征作为分辨叶片是否含有病害的主要依据，之后利用支持向量机模式识别法对两类样本进行训练，最终对输入的非正常叶片进行是否含有病害的诊断；纹理特征提取时分别研究两种情况下非正常叶片分别在距离d＝1和角度θ分别为0°、45°、90°、135°时灰度共生矩阵的特征，并分别提取它们的角二阶矩(f₁)、对比度(f₂)、相关性(f₃)和熵(f₄)共16个统计参量作为径向基核函数的支持向量机模式识别输入，基于灰度共生矩阵与支持向量机进行判断。