(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210886982.3 (22)申请日 2022.07.26 (71)申请人 中国农业科 学院农业信息 研究所 地址 100081 北京市海淀区中关村南大街 12号 (72)发明人 代国威　樊景超　胡林　闫燊　 (74)专利代理 机构 北京市盛峰律师事务所 11337 专利代理师 于国强 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06Q 50/02(2012.01) (54)发明名称 一种基于GLCM特征提取的马铃薯早晚疫病 分类模型构建方法 (57)摘要 本发明公开了一种基于GLCM特征提取的马 铃薯早晚疫病分类模型构建方法， 包括S1、 利用 Fast K‑Means算法对马铃薯叶片灰度图像进行 分割， 获得叶片受关注的区域； S2、 使用GLCM算法 对叶片受关注的区域提取 11类纹理特征信息， 以 形成病害特征向量； S3、 将训练集和测试集分别 训练投票分类器和测试训练好的投票分类器， 将 符合测试要求的训练好的投票分类器作为马铃 薯病害识别模型。 优点是： 将基于支持向量机、 K 最邻近与 随机森林分类器组合的投票分类器与 灰度共生矩阵相结合， 通过FastK ‑Means聚类算 法对感染区域马铃薯叶片分割， 在保证准确分割 叶片的同时提升分割速度， 增强GLCM算法提取特 征的能力； 投票分类器相对于SVM、 KNN和RF马铃 薯叶部病害识别效果 提高。 权利要求书2页 说明书10页 附图4页 CN 115170542 A 2022.10.11 CN 115170542 A 1.一种基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法， 其特征在于： 包括如 下步骤， S1、 利用Fast  K‑Means算法对马铃薯叶片灰度图像进行分割， 获得叶片受关注的区域； S2、 使用GLC M算法对叶片受关注的区域 提取11类纹理特征信息， 以形成病害特 征向量； S3、 将训练集和测试集中所有图像的病害特征向量分别输入投票分类器， 以分别训练 投票分类器和测试训练好的投票分类器， 将符合测试要求的训练好的投票分类器作为马铃 薯病害识别模型。 2.根据权利要求1所述的基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法， 其 特征在于： 马铃薯叶片灰度图像的获取 过程为， S01、 图像采集： 选择马铃薯叶片形状与植株生长情况差异大的田间采集马铃薯病 害叶片图像， 拍摄包 括早上、 晚上、 中午、 阴天、 晴天与雨 天在内的不同条件下的马铃薯病害叶片图像， 并从 中选 取N幅马铃薯健康和患病叶片图像构建马铃薯图像数据集； 所述马铃薯图像数据集包含不 同发病周期的叶片样 本； 其中， 早疫病、 晚疫病和正常叶类的图像数比例为11∶9∶ 10； 马铃薯 图像数据集中的所有图像按比例划分为训练集和 测试集； S02、 图像预处 理： 对马铃薯图像数据集中的所有图像依次进行噪声消除、 图像强度平衡和目标排除操 作， 之后再进行图像裁剪、 平滑处理以及图像增强操作， 并将RGB格式的图像转换为灰度格 式的图像， 进 而获取马铃薯叶片灰度图像。 3.根据权利要求1所述的基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法， 其 特征在于： 步骤S1中Fast  K‑Means聚类算法的聚类过程如下， S11、 设有K个聚类， 每 个聚类中有n个中心向量； S12、 确定每个级别值与聚类中心ck之间的欧氏距离， 并将每个值归属给最近的聚类中 心； 即第k个聚类向量以色标值r和聚类中心ck为界的欧氏距离 为d(r， ck)， 色标值r分配给其 最近的聚类中心的ck； ck＝(ck， 1，…， ck， n)， k＝1， 2，…， K S13、 计算每 个聚类级别的平均值， 为每 个聚类创建一个新的聚类中心； S14、 重复步骤S1 1至S13， 直到新的聚类中心与原 始图像数据完全匹配。 4.根据权利要求1所述的基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法， 其 特征在于： 步骤S2具体包括如下内容， S21、 设f(x， y)为大小为M ×N的灰度图像， (x1， y1)和(x2， y2)为灰度图像中θ 方向距离为d 的两个像素点的坐标， x2＝x1+d×cosθ， y2＝y1+d×sinθ； 则灰度共生矩阵P(i， j， d， θ )为， P(i， j， d， θ )＝${(x1， y1)， (x2， y2)∈M×N， f(x1， y1)＝i， f(x2， y2)＝j} 其中， ${}为集合元素个数； d为两个像素点之间的距离； θ为两个像素点的连线与坐标 横轴正方向的夹角； S22、 对灰度共生矩阵进行归一 化处理， 计算公式为，权　利　要　求　书 1/2 页 2 CN 115170542 A 2其中， P(i， j)为归一 化处理后的灰度共生矩阵； R为灰度共生矩阵中所有元 素的总和； S23、 设置灰度级为8bits， 度量纹理窗口大小为5 ×5， 距离d为4， 方向角θ分别为0 °、 45°、 90°和135°， 获取4个灰度共生矩阵， 并分别计算这4个灰度共生矩阵的11类纹理特征信 息， 以形成病害特 征向量。 5.根据权利要求4所述的基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法， 其 特征在于： 所述灰度共生矩阵的11类纹理特征信息包括同质性、 对比度、 相异 性、 角二阶矩、 能量、 最大概 率、 熵、 均值、 方差、 相关性和逆差矩。 6.根据权利要求1所述的基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法， 其 特征在于： 步骤S3中投票分类器包括支持向量机、 K最邻近和随机森林在内的三个子分类 器。 7.根据权利要求6所述的基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法， 其 特征在于： 步骤S 3具体为， 投票分类器依次对三个子 分类器建立三个线程处理特征向量， 投 票分类器采取10折交叉验证， 对每两个分类器输出的结果按照序列进行比较， 投票的最终 结果作为识别的马铃薯病害类别。 8.根据权利要求7所述的基于GLCM特征提取的马铃薯早晚疫病分类模型构建方法， 其 特征在于： 步骤S3的训练过程中， 投票分类器对其包含的三个子分类器使用网格搜索各子 分类器的超参数， 取得最优超参数作为所属子分类器的最终参数， 进而获取训练好的投票 分类器。权　利　要　求　书 2/2 页 3 CN 115170542 A 3