一種基于sae-svm的病蟲害檢測系統的制作方法
【專利摘要】本發明提供一種基于SAE?SVM的病蟲害檢測系統，涉及現代農業技術領域，包括設置于種植區壟間的圖像采集裝置以及安裝在室內的大數據服務器平臺，所得信息顯示于LED點陣顯示屏上并上傳至云網絡；所述圖像采集裝置通過無線網絡與大數據服務器平臺的連接；利用棧式自編碼SAE提取圖像特征，組成特征向量，然后對每幅葉片圖像的特征向量用支持向量機SVM方法進行訓練，訓練后形成一個分類器，然后將大量的植物葉片圖像用這個分類器進行檢測，檢測植物葉片是否發生病蟲害；本發明能夠實現病蟲害的檢測和識別，能夠在病蟲害初期就發現情況，便于及時進行處理，減少經濟損失，精確度高，可靠性好。
【專利說明】
一種基于SAE-SVM的病蟲害檢測系統
技術領域
[0001]本發明涉及現代農業技術領域，具體涉及一種基于SAE-SVM的病蟲害檢測系統。
【背景技術】
[0002]病蟲害在農業生產中的發生和危害十分的頻繁且嚴重，給人們帶來了經濟上的巨大損失；目前，病蟲害的檢測方法通常采用田間調查和預測預報相結合的方法進行施藥決策和病蟲害綜合治理，而田間調查與預測預報均依靠人工檢測，即利用人工感官在現場檢查病蟲害，借助放大鏡、顯微鏡等工具或直接用肉眼判別病蟲害的種類，并統計數量，這種方法要求檢測者具備較高的素質，熟悉業務，這樣才可取得較好的效果，這就導致人工檢測不可避免的存在誤差，不利于農業生產的自動化、高效管理。
[0003]專利號為CN102706877A的文件中公開了一種便攜式棉花病蟲害檢測系統及方法，由集中在嵌入式系統內的軟件系統、嵌入式系統、圖像采集裝置組成，用戶通過操作嵌入式系統，實時采集田間棉花病蟲害圖像信息，提取病蟲害特征，并分析其特征;將其特征與棉花病蟲害特征參數進行匹配，確定棉花病蟲害類型;通過圖像處理方法提取病蟲害特征，最后分析其受害程度。將處理結果輸出至嵌入式系統的顯示器上。若處理結果有異議，可通過嵌入式系統的網絡通信功能上傳至服務器，由專家對其分析。該方法對病蟲害檢測不夠準確，存在誤差，不利于農業生產的自動化、高效管理。
【發明內容】
[0004]針對現有技術的不足，本發明提供了一種基于SAE-SVM的病蟲害檢測系統，能夠實現病蟲害的檢測和識別，能夠在病蟲害初期就發現情況，便于及時進行處理，減少經濟損失，精確度高，可靠性好。
[0005]為實現以上目的，本發明通過以下技術方案予以實現:包括設置于種植區壟間的圖像采集裝置以及安裝在室內的大數據服務器平臺，所得信息顯示于LED點陣顯示屏上并上傳至云網絡;所述圖像采集裝置通過無線網絡與大數據服務器平臺的連接。
[0006]所述圖像采集裝置安裝在可沿導軌運動的機架上，所述圖像采集裝置包括可運動攝像頭、圖像預處理模塊、RAM外部存儲器、動力系統;所述圖像預處理模塊通過內部數據總線與RAM外部存儲器連接。
[0007]所述動力系統包括太陽能電池板，蓄電池，使得檢測系統避免了掉電現象;所述圖像預處理模塊通過電源接口與動力系統連接。
[0008]所述圖像預處理模塊中包括直方圖均衡化、闕值平滑算子、中值濾波、梯度算子、ROBERTS算子、SOBEL算子、Laplacian算子等，所述圖像預處理模塊對作物的主要危害葉子的病害圖像進行增強，選取最佳的圖像增強方法。
[0009]所述大數據服務器平臺包括特征向量提取和分類器；
[0010]所述特征向量提取方法使用棧式自編碼算法，用無標簽數據和無監督逐層貪婪訓練算法訓練完深度網絡后，相對于隨機初始化權重，深度網絡各層所得到的初始化權重礦將位于參數空間較好的區間；
[0011]所述分類器采用支持向量機SVM機器學習的方法;采用有監督的學習方法對整個系統進行微調，可能持續數小時；所述分類器樣本獲得過程:在農業場景監控的視頻數據中，獲取足夠植物葉片的圖像樣本，將其分為正常生長和發生病蟲害兩類，作為正負樣本，組成樣本庫。
[0012]所述檢測系統，包括如下步驟:
[0013]S1.系統啟動后，安裝有圖像采集裝置機架沿導軌在種植區運動;可運動攝像頭裝置對視野范圍內的農作物探測成像并對圖像按照權利要求書4所述過程進行預處理，將處理后的圖像信息通過無線通信傳送至大數據服務器平臺；
[0014]S2.大數據服務器平臺按照權利要求書5所述，對接收到的圖像信息利用棧式自編碼算法通過無標簽數據和無監督逐層貪婪訓練算法訓練深度網絡進行特征向量提取；
[0015]S3.將每幅圖像的特征向量通過權利要求書5所述的分類器進行分類，判斷植物葉片是否發生病蟲害；
[0016]S4.將其結果上傳至云網絡并顯示于LED點陣屏上，方便種植者及時發現病蟲害問題并處理。
[0017]本發明提供了一種基于SAE-SVM的病蟲害檢測系統能夠實現病蟲害的檢測和識另IJ，能夠在病蟲害初期就發現情況，便于及時進行處理，減少經濟損失，精確度高，可靠性好。
【附圖說明】
[0018]為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0019]圖1為本發明的結構示意圖；
[0020]圖2為本發明的檢測流程圖。
【具體實施方式】
[0021]為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
[0022]實施例:
[0023]如圖1，一種基于SAE-SVM的病蟲害檢測系統，包括設置于種植區壟間的圖像采集裝置以及安裝在室內的大數據服務器平臺，所得信息顯示于LED點陣顯示屏上并上傳至云網絡；圖像采集裝置通過無線網絡與大數據服務器平臺的連接；圖像采集裝置安裝在可沿導軌運動的機架上，圖像采集裝置包括可運動攝像頭、圖像預處理模塊、RAM外部存儲器、動力系統；圖像預處理模塊通過內部數據總線與RAM外部存儲器連接;動力系統包括太陽能電池板，蓄電池，使得檢測系統避免了掉電現象；圖像預處理模塊通過電源接口與動力系統連接;大數據服務器平臺包括特征向量提取模塊和分類器。
[0024]如圖2所示，圖像預處理模塊中包括直方圖均衡化、闕值平滑算子、中值濾波、梯度算子、ROBERTS算子、SOBEL算子、Laplacian算子等，圖像預處理模塊對作物的主要危害葉子的病害圖像進行增強，選取最佳的圖像增強方法;特征向量提取方法使用棧式自編碼算法，用無標簽數據和無監督逐層貪婪訓練算法訓練完深度網絡后，相對于隨機初始化權重，深度網絡各層所得到的初始化權重f將位于參數空間較好的區間；分類器采用支持向量機SVM機器學習的方法;采用有監督的學習方法對整個系統進行微調，可能持續數小時；分類器樣本獲得過程:在農業場景監控的視頻數據中，獲取足夠植物葉片的圖像樣本，將其分為正常生長和發生病蟲害兩類，作為正負樣本，組成樣本庫。
[0025]整個檢測系統包括如下步驟:
[0026]S1.系統啟動后，安裝有圖像采集裝置機架沿導軌在種植區運動;可運動攝像頭裝置對視野范圍內的農作物探測成像并對圖像按照進行預處理，將處理后的圖像信息通過無線通信傳送至大數據服務器平臺；
[0027]S2.大數據服務器平臺對接收到的圖像信息利用棧式自編碼算法通過無標簽數據和無監督逐層貪婪訓練算法訓練深度網絡進行特征向量提取；
[0028]S3.將每幅圖像的特征向量通過分類器進行分類，判斷植物葉片是否發生病蟲害；
[0029]S4.將其結果上傳至云網絡并顯示于LED點陣屏上，方便種植者及時發現病蟲害問題并處理。
[0030]本發明首先在農業場景監控的視頻數據中，獲取足夠植物葉片的圖像樣本，將其分為正常生長和發生病蟲害兩類，作為正負樣本，組成樣本庫。利用棧式自編碼提取圖像特征，組成特征向量然后對每幅葉片圖像的特征向量用SVM的機器學習方法進行訓練，訓練后形成一個分類器，然后將大量的植物葉片圖像用這個分類器進行檢測，檢測植物葉片是否發生病蟲害。
[0031]本發明能夠實現病蟲害的檢測和識別，能夠在病蟲害初期就發現情況，便于及時進行處理，減少經濟損失，精確度高，可靠性好。
[0032]以上實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解:其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換;而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。
【主權項】
1.一種基于SAE-SVM的病蟲害檢測系統，其特征在于，包括設置于種植區壟間的圖像采集裝置以及安裝在室內的大數據服務器平臺，所得信息顯示于LED點陣顯示屏上并上傳至云網絡;所述圖像采集裝置通過無線網絡與大數據服務器平臺的連接。2.如權利要求1所述的基于SAE-SVM的病蟲害檢測系統，其特征在于，所述圖像采集裝置安裝在可沿導軌運動的機架上，所述圖像采集裝置包括可運動攝像頭、圖像預處理模塊、RAM外部存儲器、動力系統;所述圖像預處理模塊通過內部數據總線與RAM外部存儲器連接。3.如權利要求1所述的基于SAE-SVM的病蟲害檢測系統，其特征在于，所述動力系統包括太陽能電池板，蓄電池，使得檢測系統避免了掉電現象;所述圖像預處理模塊通過電源接口與動力系統連接。4.如權利要求1所述的基于SAE-SVM的病蟲害檢測系統，其特征在于，所述圖像預處理模塊中包括直方圖均衡化、闕值平滑算子、中值濾波、梯度算子、ROBERTS算子、SOBEL算子、Laplacian算子等，所述圖像預處理模塊對作物的主要危害葉子的病害圖像進行增強，選取最佳的圖像增強方法。5.如權利要求1所述的基于SAE-SVM的病蟲害檢測系統，其特征在于，所述大數據服務器平臺包括特征向量提取模塊和分類器； 所述特征向量提取方法使用棧式自編碼算法，用無標簽數據和無監督逐層貪婪訓練算法訓練完深度網絡后，相對于隨機初始化權重，深度網絡各層所得到的初始化權重f將位于參數空間較好的區間； 所述分類器采用支持向量機SVM機器學習的方法;采用有監督的學習方法對整個系統進行微調，可能持續數小時;所述分類器樣本獲得過程:在農業場景監控的視頻數據中，獲取足夠植物葉片的圖像樣本，將其分為正常生長和發生病蟲害兩類，作為正負樣本，組成樣本庫。6.一種基于SAE-SVM的病蟲害檢測系統，其特征在于:包括如下步驟: S1.系統啟動后，安裝有圖像采集裝置機架沿導軌在種植區運動;可運動攝像頭裝置對視野范圍內的農作物探測成像并對圖像按照權利要求書4所述過程進行預處理，將處理后的圖像信息通過無線通信傳送至大數據服務器平臺； S2.大數據服務器平臺按照權利要求書5所述，對接收到的圖像信息利用棧式自編碼算法通過無標簽數據和無監督逐層貪婪訓練算法訓練深度網絡進行特征向量提取； S3.將每幅圖像的特征向量通過權利要求書5所述的分類器進行分類，判斷植物葉片是否發生病蟲害； S4.將其結果上傳至云網絡并顯示于LED點陣屏上，方便種植者及時發現病蟲害問題并處理。
【文檔編號】G06K9/62GK105868784SQ201610195402
【公開日】2016年8月17日
【申請日】2016年3月29日
【發明人】許先璠, 杜曉婷
【申請人】安徽大學