[发明专利]一种基于Hadoop的作物渍害图像分类检测及实现方法

说明书

一种基于Hadoop的作物渍害图像分类检测及实现方法，其特征在于，包括以下步骤步骤a)采集作物田间渍害图像，进行图像矫正与预处理，图像主成分分析；步骤b)将图像矩阵上传到Hadoop计算平台，进行分布式存储，并编写并行神经网络算法；步骤c)进行算法建模与预测，针对作物渍害图像信息进行分类分析。本发明通过Hadoop框架进行作物灾害胁迫下图像数据的分布式并行分类分析，加速分类算法的建模与预测速度，并且与单机方式相比图像数据量越大优势越明显。使用Scala语言编写神经网络算法，算法适用于Hadoop框架下的并行化运行。采用Hadoop框架的HDFS进行图像数据的分布式存储，避免图像数据的损坏与丢失。

技术领域：

本发明属于图像处理与计算机分布式计算的交叉领域，具体涉及一种基于Hadoop的作物渍害图像分类检测及实现方法。

背景技术：

机器视觉与图像处理系统在现代农业以及食品加工业有着重要的作用。机器视觉与图像分析为作物生产提供了强大的计算机辅助图像分类工具，可以极大地提高识别的准确性。此外，机器视觉技术可以改进和开发方法感兴趣生物标本的参考和并且建立计算机辅助分析图像库。Hadoop可以提供伸缩的、可靠的数据存储，组成大型服务器集群，另一方面还可以提供支持分布式模式下的有效并行计算，提高图像的处理与分析速度。

在目前的作物灾害检测与分析中，是将机器视觉系统采集到的作物灾害图像信息保存在电脑中，使用Matlab，SPSS等分析软件进行建模分析处理。随着时间的推移，积累的作物图像信息将越来越多，数据量也会越来越大。当图像数据量过大，使用传统的分析处理方法时会导致分析处理速度越来越慢，甚至无法正常进行图像分析。

发明内容：

针对目前精准农业、智慧农业的发展趋势与实际需求，完善目前农业图像检测分析领域的不足，本发明设计并且实现了一种基于Hadoop的作物图像分类检测及实现方法。通过采集作物渍害胁迫RGB图像，采用主成分分析提取图像特征信息。构建基Hadoop框架的分布式存储与计算平台，采用HDFS方式进行存储图像矩阵。使用Scala语言和IntelliJIDEA开发环境实现并行神经网络分类算法，对图像信息进行分类分析，实现作物渍害图像检测与作物图像数据的分布式保存。

为解决上述技术问题，本发明一种基于Hadoop的作物渍害图像分类检测及实现方法，包括：

图像采集：采用CCD图像传感器采集油菜渍害胁迫叶片的图像，对于采集的图像进行矫正与预处理，转换图像色彩通道，RGB转为La^*b^*。

将La^*b^*图像转换为三维矩阵，采用主成分分析方法与提取图像特征信息，降低数据维度，减少数据计算量。

使用HDFS(Hadoop Distributed File System Hadoop分布式存储系统)对于图像矩阵进行分布式存储与管理，其中Master节点作为Namenode节点，管理整个HDFS文件系统和目录树，其他5个Datanode节点上存储一个副本。

在主节点上进行并行神经网络算法构建。

通过Hadoop协同工作机制，利用HDFS分布式框架进行作业分发与调度，分节点读取数据块与完成作业任务与计算。

主节点对计算结果进行排序、组合，最后汇总得到神经网络并行图像分类结果。

为了避免神经网络算法过(欠)拟合，将图像数据为了训练集和预测集，其中训练集的数据量占70％，建立神经网络训练模型，并进行参数调优。

算法训练完毕输入剩余的30％数据集，进行算法预测，进行模型性能评估。

得到图像数据的分类检测分析结果。

与现有技术相比，本发明的有益效果：