[发明专利]病虫害识别方法及装置

说明书

技术领域

本发明涉及农业技术领域，具体而言，涉及一种病虫害识别方法，还涉及一种病虫害识别装置。

背景技术

在农业的可持续发展中，病虫害的识别与防治起到了非常重要的作用。农业病虫害对农业生产安全、人们身体健康及环境安全有着直接的影响，不仅能够导致农业减产，农产品质量下降，更会造成农民收入。然而，相关农业云技术中没有农业病虫害图像识别方案。

因此，如何提供一种有效的病虫害识别方法，成为目前亟待解决的技术问题。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的一个目的在于提出了一种病虫害识别方法。

本发明的另一个目的在于提出了一种病虫害识别装置。

有鉴于此，本发明提出了一种病虫害识别方法，包括：采集病虫害图像，将病虫害图像转换成RGB图像数据；使用无监督聚类算法对RGB图像数据进行聚类分析，得到病虫害图像分类；对分类后的RGB图像数据进行虫眼统计，确定虫点数量；判断虫点数量是否大于预设虫点数量；当判断结果为是时，发出报警提示。

根据本发明的病虫害识别方法，通过采集病虫害图像，优选的，通过摄像头拍摄粘虫板照片，并将照片解析成RGB格式(RGB格式为一种对颜色进行编码的方法，统称为“颜色空间”或“色域”)的像素数据，使用无监督聚类算法对这些像素数据进行聚类分析(聚类(Clustering)分析是无监 督式机器学习(unsupervised learning)的一个典型应用，也是探索性数据挖掘中的一种常用方法，简单地说就是把相似的东西分到一组)，得到病虫害的分类，对分类后的数据进行虫眼统计，就能够确认这张图像上有多少虫点，当虫点的数量超过预设数值时，说明虫点较多，病虫害严重，发出报警提示。通过本发明的技术方案，有效识别农业病虫害并及时的提醒相关人员进行病虫害防治，避免由于病虫害导致的农业减产、农产品质量下降、经济损失等问题。

另外，根据本发明上述的病虫害识别方法，还可以具有如下附加的技术特征：

在上述技术方案中，优选地，使用无监督聚类算法对RGB图像数据进行聚类分析，得到病虫害图像分类的步骤，具体包括：对RGB图像数据进行无监督聚类学习，建立相似度模型；根据相似度模型，对RGB图像数据进行聚合分类。

在该技术方案中，将病虫害图像解析为RGB图像数据后，通过对无监督聚类算法进行训练学习，从而建立最佳相似度模型，根据相似度模型，对RGB图像数据进行聚合分类，得到带虫眼的数据组以及不带虫眼的数据组，并在分类的基础上通过对带虫眼数据的统计分析，准确确认虫点个数，从而有效识别病虫害图像。

在上述任一技术方案中，优选地，对分类后的RGB图像数据的进行虫眼统计，确定虫点数量的步骤，具体包括：统计虫眼的数量；计算虫眼的数量与预设阈值的比值，根据比值确定虫点数量；当比值为整数值时，将整数值作为虫点数量值；当比值为小数时，将小数进位取整，将取整后的整数值作为虫点数量值。

在该技术方案中，对分类后的RGB图像数据的进行虫眼统计，优选的，对带有虫眼的一组RGB图像数据进行统计，在得到虫眼数量的基础上，计算虫眼数量与预设阈值的比值，从而根据比值确定虫点的数量。当比值为整数时，将该整数值作为虫点数，当比值为小数时，将小数进位取整，将取整后的数值作为虫点数。举例来说，统计虫眼点的个数为35，预设阈值为10，那么可以判定这张图像上有4个虫点。

在上述任一技术方案中，优选地，预设阈值为10。

在该技术方案中，预设阈值为10，说明10个RGB虫眼数据构成一个虫点。本领域技术人员应该理解，预设阈值为10但不限于此，由于不同作物的种植收到多种因素的影响，如地域、季节、土壤条件、气候等，因而产生的病虫害也会大有不同，从而经过实测统计后的预设阈值也会相应变化。

在上述任一技术方案中，优选地，无监督聚类算法为K均值聚类。

在该技术方案中，K均值聚类(K-means clustering)是最典型的聚类算法(当然，除此之外，还有很多诸如属于划分法K-MEDOIDS算法、CLARANS算法；属于层次法的BIRCH算法、CURE算法、CHAMELEON算法等；基于密度的方法：DBSCAN算法、OPTICS算法、DENCLUE算法等；基于网格的方法：STING算法、CLIQUE算法、WAVE-CLUSTER算法；基于模型的方法等)。本领域技术人员应该理解，在使用无监督聚类算法进行聚类分析时，也可以选择K均值聚类以外的其它无监督聚类算法。