(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 202211195512.9 (22)申请日 2022.09.28 (71)申请人 南京农业大 学 地址 210095 江苏省南京市玄武区卫岗1号 (72)发明人 计智伟　夏菲　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 陈升华 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/00(2006.01) G06T 7/194(2017.01) G06T 7/90(2017.01) G06V 10/44(2022.01) G06V 10/54(2022.01)G06V 10/56(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于群智能优化的植物病害高精度识 别方法 (57)摘要 本发明公开了一种基于群智能优化的植物 病害高精度识别方法， 包括： 1)对植物病害图像 预处理； 2)人工设计特征的定义和提取； 3)基于 樽海鞘群算法的特征选择方法筛选最有价值的 特征； 4)植物病害图像的分类识别。 本发明对植 物表型组学的重大贡献是开发了一种新颖的计 算方法提取了植物病害图像中的人工设计特征 并对重要特征进行精确筛选， 实现了植物病害的 高精度分类识别或分级鉴定。 它将为基于计算机 视觉的植物病害图像分类提供新的思路。 本发明 可应用于智慧农业、 植物保护等诸多领域， 具有 广泛的应用前 景。 权利要求书3页 说明书8页 附图5页 CN 115511838 A 2022.12.23 CN 115511838 A 1.一种基于群智能优化的植物病害高精度识别方法， 其特 征在于， 包括以下步骤： 1)对植物病害图像预处 理； 2)人工设计特 征的定义和提取； 3)基于樽 海鞘群算法的特 征选择方法筛选最有价 值的特征； 4)植物病害图像的分类识别。 2.根据权利要求1所述的基于群智能优化的植物病 害高精度识别方法， 其特征在于， 步 骤1)中， 对植物病害图像预处 理， 具体包括： 1.1)从每张植物病害图像中去除背景和边 缘， 只保留叶片的有效区域； 1.2)对有效区域使用GrabCut算法进行 前景分割， 得到植物叶部图像； 1.3)将每 个植物叶部图像转换到五个颜色空间。 3.根据权利要求2所述的基于群智能优化的植物病 害高精度识别方法， 其特征在于， 步 骤1.3)中， 五个颜色空间为RGB、 HSV、 Lab、 Y CrCb和Luv。 4.根据权利要求1所述的基于群智能优化的植物病 害高精度识别方法， 其特征在于， 步 骤2)中， 人工设计特 征的定义和提取， 具体包括： 2.1)分别从五个颜色空间中提取颜色特 征； 2.2)从颜色空间中提取纹 理特征。 5.根据权利要求4所述的基于群智能优化的植物病 害高精度识别方法， 其特征在于， 步 骤2.1)中， 颜色特 征用颜色矩 表示， 包括颜色一阶矩、 颜色二阶矩和颜色三阶矩。 6.根据权利要求4所述的基于群智能优化的植物病 害高精度识别方法， 其特征在于， 步 骤2.2)中， 从颜色空间中提取纹 理特征， 具体包括： 从RGB、 HSV和Lab颜色空间中提取纹 理特征CLCM和LBP。 7.根据权利要求1所述的基于群智能优化的植物病 害高精度识别方法， 其特征在于， 步 骤3)中， 基于樽 海鞘群算法的特 征选择方法筛选最有价 值的特征， 具体包括： 3.1)用二维矩阵 表示一个 包含N个个体的种群A， D为维度， 在求解特征选择问题时， 所有的候选解 都是限定为二进制， 即 表示第i张图像的第j个特征， 第j个特征为颜色特征或纹理特征， 若 等 于0， 表示特 征未选中； 等于1， 则表示特 征已选中； 3.2)种群初始化： 樽海鞘的初始状态定义 为式(1)， 其中， 表示在k次迭代后第i个追随者在第j维的坐标， 变量ubj(k)和lbj(k)表示第 j维的上界和下界， ok为混沌变量， k 为迭代次数， 式(2)是ok的逻辑映射的表达式： ok+1＝ μok(1‑ok)    (2) 其中， μ逻辑映射的分岔参数； 因此， 式(1)中的 通过下式(3)、 (4)转换为二进制， 即 “1”表示选中特征， “0”表示 未选中特 征：权　利　要　求　书 1/3 页 2 CN 115511838 A 2参数C是二进制化的阈值； 3.3)适应度计算： 特征选择试图同时最小化所选特征的子集并最大化给定分类器的输出精度， 为实现两 个目标之间的平衡而构建的用于确定这种情况 下解决方案的适应度函数定义如下式(5)： 其中， Fitness值用于评价特征子集FS的优劣， 函数Err(*)表示潜在特征子集FS的分类 误差， |FS|和N分别表示选择 特征的数量和特 征的总数； 系数ρ 和φ是控制分类精度和特 征选择率的平衡参数， ρ 和φ满足ρ ∈[0,1]和ρ +φ＝1； 采用KNN模型计算分类误差； 3.4)种群进化 算法中的领导 者位置更新如式(6) ‑(7)所示： 在式(6)中, 和 分别表示领导者在第k+1代和第k代的第j维坐标， K表 示总迭代次数， a为加速度， 参数r2决定了搜索空间中当前解周围的邻域， 其取值范围是[0, 2π]； 系数r3调节搜索过程的速度； 参数r4用于在正弦分量和余弦分量之间切换领导者的更 新策略； r1是一个在[0,1]范围内均匀分布的随机数； 追随者的位置更新如式(8)所示： 其中， v0是初始速度， a是加速度， 即a＝vfinal/v0； 下一次迭代中第i个追随者的位置由其 当前位置和之前位置共同决定： 表示第k+1次迭代中第i个追随者在第j维空间的位置， 同理， 和 表示第k次迭代时其自身和 和前一个樽 海鞘(i‑1)在第j维的位置； 通过公式(1)～(9)筛 选出最有价 值的特征。 8.根据权利要求1所述的基于群智能优化的植物病 害高精度识别方法， 其特征在于， 步 骤4)中， 植物病害图像的分类识别， 包括：权　利　要　求　书 2/3 页 3 CN 115511838 A 3