申请/专利权人：山东农业大学

申请日：2018-05-21

公开（公告）日：2018-11-06

公开（公告）号：CN108764095A

主分类号：G06K9/00(2006.01)I

分类号：G06K9/00(2006.01)I;G06K9/62(2006.01)I

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2022.12.16#发明专利申请公布后的驳回;2018.11.30#实质审查的生效;2018.11.06#公开

摘要：本发明公开了一种基于Haar‑like特征的水稻病害白穂识别方法，包括将稻田样本图像进行预处理，提取白穗目标；设计Haar‑like特征矩形；利用上述各类Haar‑like特征矩形提取样本图像的Haar‑like特征；将提取的各类Haar‑like特征或者其组合特征分别和样本编码向量作为AdaBoost算法训练的输入，经AdaBoost自学习训练生成强分类器；将采集的稻田测试图像进行预处理并提取Haar‑like特征输入至上述的强分类器中，得出是否存在病害白穗的识别结果。本发明还公开了一种实现上述方法的白穗识别系统。本发明能够实现实时在线识别稻田病害白穗，同时能够提高白穗识别的精确度和识别效率。

主权项：1.基于Haar‑like特征的水稻病害白穂识别方法，包括以下步骤：S1：将稻田样本图像进行预处理，提取白穗目标；S2：设计Haar‑like特征矩形，所述特征矩形包括A、B类，其中A类为中心特征、B类为一种扩展Harr‑like特征；S3：结合积分图计算，利用上述各类Haar‑like特征矩形遍历样本图像像素矩阵，提取经步骤S1处理后的样本图像的Haar‑like特征；S4：将提取的各类Haar‑like特征或者其组合特征分别和样本编码向量作为AdaBoost算法训练的输入，经AdaBoost自学习训练生成强分类器；S5：对稻田测试图像重复步骤S1至S3并将提取的Haar‑like特征输入至步骤S4生成的强分类器中，得出是否存在病害白穗的识别结果。

全文数据：基于Haar-1ike特征的水稻病害白穂识别方法及系统技术领域[000Ί]本发明属于图像处理技术领域，特别涉及一种基于Haar-Iike特征的水稻病害白穂识别方法及系统。背景技术[0002]白穂是稻田中常见的一种影响稻米产量和品质的病虫害特征，主要由于水稻植株茎部或节间被害虫二化螟、三化螟等稻螟钻蛀茎杆、咬断节间以及稻瘟病莖瘟、穗瘟、粒瘟等）、白叶枯病等病害造成枝梗病变而形成。白穂严重时可造成稻田大面积减产，尤其在螟虫猖獗时期，严重地区白穂率可达50%，因此在白穂形成早期，对稻田进行病虫害防治是预防白穂大面积发生的最佳时期。[0003]目前，稻田白穂的识别还是以人工肉眼观察为主，而且白穂早期的呈现往往具有局簇性。在大面积稻田种植中，人工观测法很难准确全面的识别到早期形成的白穂。[0004]除了肉眼观察外，也有研究中采用地面站多点固定法进行信息采集识别白穗和高光谱白穗识别研究。地面站多点固定采集识别是在大面积稻田中布置多个图像采集装置进行信息采集，将图像信息集中采集到数据终端进行识别研究，这种方法随机性较大，无法全方位覆盖稻田信息。高光谱识别研究需要将白穗进行离体识别，将离体白穗基于主成分分析和人工神经网络等算法分析其高光谱特征并进行危害程度分类，此方法同样不适用于全方位白穗识别，而且利用高光谱特性进行白穗识别，限定于某种病虫害引起的白穗现象，对于研究之外的病虫害白穗不具有普遍适用性。发明内容[0005]本发明要解决的技术问题是，提供一种基于Haar-Iike特征的水稻病害白穂识别方法及系统，实现实时在线识别稻田病害白穗，同时能够提高白穗识别的精确度和识别效率。[0006]为解决上述技术问题，本发明所提供的基于Haar-Iike特征的水稻病害白穂识别方法包括以下步骤：[0007]SI:将稻田样本图像进行预处理，提取白穗目标；[0008]S2:设计Haar-Iike特征矩形，所述特征矩形包括A、B类，其中A类为中心特征、B类为一种扩展Harr-Iike特征；[0009]S3:结合积分图计算，利用上述各类Haar-Iike特征矩形遍历样本图像像素矩阵，提取经步骤Sl处理后的样本图像的Haar-Iike特征；[0010]S4:将提取的各类Haar-Iike特征或者其组合特征分别和样本编码向量作为AdaBoost算法训练的输入，经AdaBoost自学习训练生成强分类器；[0011]S5:对稻田测试图像重复步骤SI至S3并将提取的Haar-Iike特征输入至步骤S4生成的强分类器中，得出是否存在病害白穗的识别结果。[0012]在上述技术方案中，Haar特征值反映了图像的灰度变化情况，通过改变特征模板的大小和位置，可在图像子窗口中穷举出大量的特征，达到辨别目标物的目的。Adaboost是一种迭代算法，其通过改变数据分布来实现，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。将每一个基于Haar-like特征的判别阈值作为一个弱分类器，通过Adaboost算法学习，得到样本分布权重不同的测试样本集，其每次训练学习都会加大误判样本的权重，减小分类正确样本的权重。将改变分布权重的样本和其他的新样本构成新的训练样本集，进行下一次的学习训练。经过T次迭代循环后，会得到T个弱分类器，将T个弱分类器的权重进行级联最终得到强分类器。得到强分类器后，将采集到的稻田测试图像进行预处理后，提取各类Haar-Iike特征或者组合输入至生成的强分类器中，经分类合并后产生是否存在病害白穗的识别结果。[0013]本发明基于Haar-Iike特征，通过级联构建的强分类器来进行白穗识别，具有识别精度高的特点。相对于现有技术，本发明识别过程基于图像数据，不需要进行离体识别。另夕卜，本发明特别选择了两类Haar-Iike特征及其组合特征来生成强分类器，这两类特征组合具有贡献率高、对分类器性能提升强于其他特征以及特征组合的特点，因而能够进一步提高白穗识别的准确性和识别效率。[0014]作为本发明技术方案的进一步改进，采用无人机进行稻田样本图像和测试图像的采集。无人机以其飞行稳定、可悬停、操作技术要求低、快速、实时等特点，尤其适用于田间环境不易于人工进入的农田区域。通过无人机进行图形采集具有采集速度快、效率高等优点，特别适用于大面积稻田的病害白穗识别的全方位实时图像采集，从而能够快速实现对大面积稻田的实时白穗识别，对于病虫害的早期识别、诊断以及植保有着极为关键的意义。[00Ί5]作为本发明技术方案的进一步改进，基于二维Otsu与形态学处理进行无人机所采集稻田图像的预处理，具体为:首先，将稻田图像变换到HSI颜色空间，对I通道进行中值滤波;其次，将滤波图像变换到Lab颜色空间，对α通道进行二维Otsu法分割;最后，利用形态学算法对分割图像进行处理，分离出特征目标。[0016]无人机获取的稻田图像具有以下显著特点：1.无人机运动过程中获取图像会造成部分关键信息丢失;2.无人机气流扰动造成成像模糊;3.无人机飞行姿态造成拍摄角度不均衡，造成图像背景光照不均匀。通过上述处理，能够降低图像噪声干扰，剔除复杂的图像背景，提取更加清晰和准确的白穗目标。[0017]作为本发明技术方案的进一步改进，将所述强分类器集成至无人机机载平台处理器，对采集的实时稻田测试图像进行在线白穗识别，有利于提高白穗识别速度和效率，从而有利于提早发现并预防稻田中相应病害的发生，为水稻精准植保提供了技术保障。[0018]为解决上述技术问题，本发明所提供的基于Haar-Iike特征的水稻病害白穂识别系统包括无人机平台，所述无人机平台上设置有图像采集装置以及处理器，所述图像采集装置用于实时采集稻田样本图像和测试图像，所述处理器内装有上述的强分类器，用于接收所采集的稻田测试图像并利用所述强分类器进行在线白穗识别。[0019]在上述技术方案中，无人机以其飞行稳定、可悬停、操作技术要求低、快速、实时等特点，尤其适用于田间环境不易于人工进入的农田区域。通过无人机进行图形采集具有采集速度快、效率高等优点，特别适用于大面积稻田的病害白穗识别的实时图像采集。通过预装有强分类器的处理器可以直接对无人机采集的实时稻田测试图像进行在线白穗识别，具有识别精度高的特点，有利于提高白穗识别速度和效率。通过上述技术方案实现了对大面积稻田中病害水稻白穗的实时在线精确识别，从而有利于提早发现并预防稻田中相应病害的发生，为水稻精准植保提供了技术保障。[0020]作为本发明技术方案的进一步改进，所述无人机平台还设置有与所述处理器进行数据传输的定位模块，以便对采集的图像进行定位、拼接等处理。附图说明[0021]图1是本发明具体实施方式的流程示意图。[0022]图2是本发明具体实施方式中的Haar-Iike特征矩形示意图。[0023]图3是本发明具体实施方式中B类Harr-Iike特征部分匹配说明示意图。[0024]图4是本发明具体实施方式中视频采集帧提取示意图。具体实施方式[0025]参考图1，在本文给出的实施方式中，该基于Haar-Iike特征的水稻病害白穂识别方法包括以下步骤：[0026]SI:获取稻田全坐标样本图像，组成试验所用的训练样本库。将训练样本库中的水稻正负样本图像进行预处理，提取白穗目标。预处理包括压缩、切割、归一化、背景分离、阈值分割以及去除噪声等，其中归一化即是将水稻样本图像通过归一化统一到相同尺度上，归一化后样本图像尺寸一般为20像素X20像素、24像素X24像素、32像素X32像素;然后将归一化图像进行背景分离，待后续Haar-Iike特征提取。[0027]特别地，本实施方式中利用无人机航拍技术对大面积稻田进行预定航线视频采集，通过无人机飞行速度、视频航拍速率、航拍高度以及相机视角等参数计算样本图像提取的间隔帧数，得到上述的稻田全坐标样本图像，组成试验所用的训练样本库。[0028]S2:设计Haar-Iike特征矩形，考虑到水稻白穗特征集的丰富性，本实施方式中设计的特征矩形包括A、B类，其中A类为中心特征、B类为一种扩展Harr-Iike特征。B类扩展特征是为权衡鲁棒性和计算时间而设计，当水稻进入成熟期之后，稻穗会因重量变化而具有一定的弯曲倾斜角度，B类扩展特征能够很好地反映稻穗斜度方向上的灰度特征变化，从而训练出更好的弱分类器。由附图3可知，B类扩展特征中的右上角扩展特征中，白穗穗尖部分的灰度比局部左下方邻域的灰度更深;B类扩展特征中的左下角扩展特征中，白穗穗颈域灰度比局部右下邻域的灰度来得更深。可见，局部邻域内的灰度对比能够提取到更精确的特征集，B类特征对于局部灰度区域小范围变化的精确性较高，对于多穗白穗杂乱交差、粘连等情形，可进行有效描述。[0029]S3:结合积分图计算，利用上述各类Haar-Iike特征矩形遍历样本图像像素矩阵，提取经步骤Sl处理后的样本图像的Haar-Iike特征。[0030]S4:将提取的A类、B类以及A+B类组合特征分别和样本编码向量作为AdaBoost算法训练的输入，经AdaBoost自学习训练生成强分类器。[0031]S5:利用无人机实时采集稻田测试图像组成测试样本库，对测试样本库中的稻田测试图像重复步骤S1、S2和S3,将基于稻田测试图像而提取的Haar-Iike特征输入至步骤S4生成的强分类器中，强分类器根据特征值权值给出一个判断是否为水稻白穂的评估值H，当H为1时表示分类结果为水稻白穂，若H等于-1，则该检测样本不是水稻白穂。[0032]特别地，在上述各步骤中，基于二维Otsu与形态学处理进行无人机所采集稻田图像的预处理，具体为:首先，将稻田图像变换到HSI颜色空间，对I通道进行中值滤波;其次，将滤波图像变换到Lab颜色空间，对α通道进行二维Otsu法分割;最后，利用形态学算法对分割图像进行处理，分离出特征目标。[0033]Haar特征值反映了图像的灰度变化情况，通过改变特征模板的大小和位置，可在图像子窗口中穷举出大量的特征，达到辨别目标物的目的。Adaboost是一种迭代算法，其通过改变数据分布来实现，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。将每一个基于Haar-Iike特征的判别阈值作为一个弱分类器，通过Adaboost算法学习，得到样本分布权重不同的测试样本集，其每次训练学习都会加大误判样本的权重，减小分类正确样本的权重。将改变分布权重的样本和其他的新样本构成新的训练样本集，进行下一次的学习训练。经过T次迭代循环后，会得到T个弱分类器，将T个弱分类器的权重进行级联最终得到强分类器。得到强分类器后，将采集到的稻田测试图像进行预处理后，提取各类Haar-Iike特征或者组合输入至生成的强分类器中，经分类合并后产生是否存在病害白穗的识别结果。[0034]本方法基于Haar-Iike特征，通过级联构建的强分类器来进行白穗识别，具有识别精度高的特点。相对于现有技术，本方法可全方位进行大面积稻田图像信息采集，且识别过程基于图像数据，不需要进行离体识别。另外，该方法特别选择了两类Haar-Iike特征及其组合特征来生成强分类器，这两类特征组合具有贡献率高、对分类器性能提升强于其他特征以及特征组合的特点，因而能够进一步提高白穗识别的准确性和识别效率。[0035]除此之外本实施方式中还设计了C、D两类特征矩形，其中C类为边缘特征，D类为线性特征。[0036]本实施方式中进行了A、B、C、D四种Haar-Iike特征组合的对比试验，包括独立特征试验和多种特征组合试验。试验中将白穗正确识别率和误识别率作为各种特征识别贡献性能的评价指标，选取测试集中550个样本，其中190个白穗样本，360个非白穗样本，试验结果如表1所示。[0039]表I[0040]通过表1可知，本实施方式中所设计的A类+B类组合特征正确识别率最高，误识别率最低，其余特征组合试验正确识别率和误识别率与四种Haar-Iike特征单独试验性能相当，甚至低于单独特征试验。利用A类+B类Haar-Iike组合特征生成的强分类器进行白穗识另IJ，识别率和误识别率分别达到94.21%和3.33%。利用主成分分析方法和学习矢量量化神经网络对多种健康状态稻穗进行分类的结果为原始光谱、对数光谱、一阶和二阶微分光谱的总体分类精度分别为75.3%，74.7%，91.6%和100%。[0041]由上可知，可特别采用本技术所设计的A类+B类Haar-Iike组合特征进行AdaBoost自学习训练生成强分类器，能够明显提升白穗识别率。[0042]本技术不但在白穗识别率上有明显的提升，而且本技术可快速对大面积稻田进行非接触式白穗识别，具有快速、简便的优势。[0043]在本文给出的实施方式中，该基于Haar-Iike特征的水稻病害白穂识别系统包括无人机平台，所述无人机平台上设置有图像采集装置以及处理器，所述图像采集装置包括相机，相机安装于无人机平台，例如无人机云台上，用于实时采集稻田原始彩色图像。所述处理器内预装有上述的强分类器，相机与处理器连接，处理器用于接收所采集的稻田测试图像并利用所述强分类器进行在线白穗识别。[0044]上述系统按照如下方式进行工作:通过无人机从稻田冠层上方拍摄水稻原始彩色图像作为测试图像，稻田测试图像实时传输至处理器，处理器按照上述的步骤S5对稻田测试图像进行预处理并提取Haar-Iike特征，进而利用预装的强分类器对实时稻田测试图像进行在线白糖识别。[0045]无人机以其飞行稳定、可悬停、操作技术要求低、快速、实时等特点，尤其适用于田间环境不易于人工进入的农田区域。通过无人机进行图形采集具有采集速度快、效率高等优点，特别适用于大面积稻田的病害白穗识别的实时图像采集。所采集的图像直接由处理器进行白穗识别，即实现了白穗的在线识别。由前述可知，该系统所采用的强分类器具有识别精度高的特点，利用这样的强分类器进行白穗识别有利于提高白穗识别速度和效率。[0046]通过上述系统实现了对大面积稻田中病害水稻白穗的实时在线精确识别，从而有利于提早发现并预防稻田中相应病害的发生，为水稻精准植保提供了技术保障。[0047]进一步，所述无人机平台还设置有定位模块，定位模块与处理器连接，用于向所述处理器传输定位数据，以便对采集的图像进行定位、拼接等处理，以下通过样本图像的采集为例进行具体说明：[0048]稻田样本图像采用针对无人机航拍视频进行帧提取的方式进行采集。样本图像采集过程中，利用小型多旋翼无人机沿预定设计航线进行视频拍摄，然后计算提取样本图像的间隔帧数，从而提取试验样本图像。试验样本图像提取计算公式如下：[0052]式中，X为单帧图像实际拍摄宽度，单位m，β为相机视角，单位°，V为无人机航拍水平飞行速度，单位ms，h为无人机距作物冠层垂直高度，单位m，t为帧提取时间，单位s，v0为航拍视频速率，单位帧s，n为两张有效帧图像之间帧图像数。样本采集帧提取示意图如图4所示。[0053]采样过程中，设定无人机航拍视频速率VQ=25帧s，无人机飞行速度V=lms，航拍飞行高度h=1.5m，相机视角β=54°，为规避无人机旋翼下旋气流影响拍摄效果，拍摄过程中利用云台遥控器固定相机中轴线与地面垂直夹角为30°进行拍摄，S卩故α=18°。以上数据带人公式（1、（2、⑶计算可知，单帧图像实际拍摄宽度x=3.64m，帧提取时间t=3.64s。所以每隔3.64*25=91帧图像提取一帧作为试验样本图像。另外，多旋翼无人机自带GPS定位导航系统，可获得无人机航拍时的坐标，计算可得提取样本的位置信息。[0054]上述实施方式用于解释本发明，但本发明不限于上述实施方式，凡与本发明在相同原理和构思条件下的变更或修改均在本发明公开的保护范围之内。

权利要求：1.基于Haar-Iike特征的水稻病害白穂识别方法，包括以下步骤：S1:将稻田样本图像进行预处理，提取白穗目标；S2:设计Haar-Iike特征矩形，所述特征矩形包括A、B类，其中A类为中心特征、B类为一种扩展Harr-Iike特征；S3:结合积分图计算，利用上述各类Haar-Iike特征矩形遍历样本图像像素矩阵，提取经步骤Sl处理后的样本图像的Haar-Iike特征；S4:将提取的各类Haar-Iike特征或者其组合特征分别和样本编码向量作为AdaBoost算法训练的输入，经AdaBoost自学习训练生成强分类器；S5:对稻田测试图像重复步骤Sl至S3并将提取的Haar-Iike特征输入至步骤S4生成的强分类器中，得出是否存在病害白穗的识别结果。2.根据权利要求1所述的基于Haar-Iike特征的水稻病害白穂识别方法，其特征在于：采用无人机进行稻田样本图像和测试图像的采集。3.根据权利要求2所述的基于Haar-Iike特征的水稻病害白穂识别方法，其特征在于：基于二维Otsu与形态学处理进行无人机所采集稻田图像的预处理。4.根据权利要求3所述的基于Haar-Iike特征的水稻病害白穂识别方法，其特征在于：首先，将稻田图像变换到HSI颜色空间，对I通道进行中值滤波；其次，将滤波图像变换到Lab颜色空间，对α通道进行二维Otsu法分割；最后，利用形态学算法对分割图像进行处理，分离出特征目标。5.根据权利要求1所述的基于Haar-Iike特征的水稻病害白穂识别方法，其特征在于：将所述强分类器集成至无人机机载平台处理器，对采集的实时稻田测试图像进行在线白穗识别。6.基于Haar-Iike特征的水稻病害白穂识别系统，其特征在于：包括无人机平台，所述无人机平台上设置有图像采集装置以及处理器，所述图像采集装置用于实时采集稻田样本图像和测试图像，所述处理器内装有权利要求1至5中任一项所述的强分类器，用于接收所采集的稻田测试图像并利用所述强分类器进行在线白穗识别。7.根据权利要求6所述的基于Haar-Iike特征的水稻病害白穂识别系统，其特征在于：所述无人机平台还设置有与所述处理器进行数据传输的定位模块。

百度查询： 山东农业大学 基于Haar-like特征的水稻病害白穂识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD