本發(fā)明涉及農(nóng)業(yè)技術(shù)領(lǐng)域，具體而言，涉及一種病蟲害識(shí)別方法，還涉及一種病蟲害識(shí)別裝置。

背景技術(shù)：

在農(nóng)業(yè)的可持續(xù)發(fā)展中，病蟲害的識(shí)別與防治起到了非常重要的作用。農(nóng)業(yè)病蟲害對(duì)農(nóng)業(yè)生產(chǎn)安全、人們身體健康及環(huán)境安全有著直接的影響，不僅能夠?qū)е罗r(nóng)業(yè)減產(chǎn)，農(nóng)產(chǎn)品質(zhì)量下降，更會(huì)造成農(nóng)民收入。然而，相關(guān)農(nóng)業(yè)云技術(shù)中沒有農(nóng)業(yè)病蟲害圖像識(shí)別方案。

因此，如何提供一種有效的病蟲害識(shí)別方法，成為目前亟待解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少解決現(xiàn)有技術(shù)或相關(guān)技術(shù)中存在的技術(shù)問題之一。

為此，本發(fā)明的一個(gè)目的在于提出了一種病蟲害識(shí)別方法。

本發(fā)明的另一個(gè)目的在于提出了一種病蟲害識(shí)別裝置。

有鑒于此，本發(fā)明提出了一種病蟲害識(shí)別方法，包括：采集病蟲害圖像，將病蟲害圖像轉(zhuǎn)換成RGB圖像數(shù)據(jù)；使用無監(jiān)督聚類算法對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚類分析，得到病蟲害圖像分類；對(duì)分類后的RGB圖像數(shù)據(jù)進(jìn)行蟲眼統(tǒng)計(jì)，確定蟲點(diǎn)數(shù)量；判斷蟲點(diǎn)數(shù)量是否大于預(yù)設(shè)蟲點(diǎn)數(shù)量；當(dāng)判斷結(jié)果為是時(shí)，發(fā)出報(bào)警提示。

根據(jù)本發(fā)明的病蟲害識(shí)別方法，通過采集病蟲害圖像，優(yōu)選的，通過攝像頭拍攝粘蟲板照片，并將照片解析成RGB格式(RGB格式為一種對(duì)顏色進(jìn)行編碼的方法，統(tǒng)稱為“顏色空間”或“色域”)的像素?cái)?shù)據(jù)，使用無監(jiān)督聚類算法對(duì)這些像素?cái)?shù)據(jù)進(jìn)行聚類分析(聚類(Clustering)分析是無監(jiān) 督式機(jī)器學(xué)習(xí)(unsupervised learning)的一個(gè)典型應(yīng)用，也是探索性數(shù)據(jù)挖掘中的一種常用方法，簡單地說就是把相似的東西分到一組)，得到病蟲害的分類，對(duì)分類后的數(shù)據(jù)進(jìn)行蟲眼統(tǒng)計(jì)，就能夠確認(rèn)這張圖像上有多少蟲點(diǎn)，當(dāng)蟲點(diǎn)的數(shù)量超過預(yù)設(shè)數(shù)值時(shí)，說明蟲點(diǎn)較多，病蟲害嚴(yán)重，發(fā)出報(bào)警提示。通過本發(fā)明的技術(shù)方案，有效識(shí)別農(nóng)業(yè)病蟲害并及時(shí)的提醒相關(guān)人員進(jìn)行病蟲害防治，避免由于病蟲害導(dǎo)致的農(nóng)業(yè)減產(chǎn)、農(nóng)產(chǎn)品質(zhì)量下降、經(jīng)濟(jì)損失等問題。

另外，根據(jù)本發(fā)明上述的病蟲害識(shí)別方法，還可以具有如下附加的技術(shù)特征：

在上述技術(shù)方案中，優(yōu)選地，使用無監(jiān)督聚類算法對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚類分析，得到病蟲害圖像分類的步驟，具體包括：對(duì)RGB圖像數(shù)據(jù)進(jìn)行無監(jiān)督聚類學(xué)習(xí)，建立相似度模型；根據(jù)相似度模型，對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚合分類。

在該技術(shù)方案中，將病蟲害圖像解析為RGB圖像數(shù)據(jù)后，通過對(duì)無監(jiān)督聚類算法進(jìn)行訓(xùn)練學(xué)習(xí)，從而建立最佳相似度模型，根據(jù)相似度模型，對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚合分類，得到帶蟲眼的數(shù)據(jù)組以及不帶蟲眼的數(shù)據(jù)組，并在分類的基礎(chǔ)上通過對(duì)帶蟲眼數(shù)據(jù)的統(tǒng)計(jì)分析，準(zhǔn)確確認(rèn)蟲點(diǎn)個(gè)數(shù)，從而有效識(shí)別病蟲害圖像。

在上述任一技術(shù)方案中，優(yōu)選地，對(duì)分類后的RGB圖像數(shù)據(jù)的進(jìn)行蟲眼統(tǒng)計(jì)，確定蟲點(diǎn)數(shù)量的步驟，具體包括：統(tǒng)計(jì)蟲眼的數(shù)量；計(jì)算蟲眼的數(shù)量與預(yù)設(shè)閾值的比值，根據(jù)比值確定蟲點(diǎn)數(shù)量；當(dāng)比值為整數(shù)值時(shí)，將整數(shù)值作為蟲點(diǎn)數(shù)量值；當(dāng)比值為小數(shù)時(shí)，將小數(shù)進(jìn)位取整，將取整后的整數(shù)值作為蟲點(diǎn)數(shù)量值。

在該技術(shù)方案中，對(duì)分類后的RGB圖像數(shù)據(jù)的進(jìn)行蟲眼統(tǒng)計(jì)，優(yōu)選的，對(duì)帶有蟲眼的一組RGB圖像數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，在得到蟲眼數(shù)量的基礎(chǔ)上，計(jì)算蟲眼數(shù)量與預(yù)設(shè)閾值的比值，從而根據(jù)比值確定蟲點(diǎn)的數(shù)量。當(dāng)比值為整數(shù)時(shí)，將該整數(shù)值作為蟲點(diǎn)數(shù)，當(dāng)比值為小數(shù)時(shí)，將小數(shù)進(jìn)位取整，將取整后的數(shù)值作為蟲點(diǎn)數(shù)。舉例來說，統(tǒng)計(jì)蟲眼點(diǎn)的個(gè)數(shù)為35，預(yù)設(shè)閾值為10，那么可以判定這張圖像上有4個(gè)蟲點(diǎn)。

在上述任一技術(shù)方案中，優(yōu)選地，預(yù)設(shè)閾值為10。

在該技術(shù)方案中，預(yù)設(shè)閾值為10，說明10個(gè)RGB蟲眼數(shù)據(jù)構(gòu)成一個(gè)蟲點(diǎn)。本領(lǐng)域技術(shù)人員應(yīng)該理解，預(yù)設(shè)閾值為10但不限于此，由于不同作物的種植收到多種因素的影響，如地域、季節(jié)、土壤條件、氣候等，因而產(chǎn)生的病蟲害也會(huì)大有不同，從而經(jīng)過實(shí)測統(tǒng)計(jì)后的預(yù)設(shè)閾值也會(huì)相應(yīng)變化。

在上述任一技術(shù)方案中，優(yōu)選地，無監(jiān)督聚類算法為K均值聚類。

在該技術(shù)方案中，K均值聚類(K-means clustering)是最典型的聚類算法(當(dāng)然，除此之外，還有很多諸如屬于劃分法K-MEDOIDS算法、CLARANS算法；屬于層次法的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；基于網(wǎng)格的方法：STING算法、CLIQUE算法、WAVE-CLUSTER算法；基于模型的方法等)。本領(lǐng)域技術(shù)人員應(yīng)該理解，在使用無監(jiān)督聚類算法進(jìn)行聚類分析時(shí)，也可以選擇K均值聚類以外的其它無監(jiān)督聚類算法。

在上述任一技術(shù)方案中，優(yōu)選地，病蟲害圖像分類包括：蟲眼數(shù)據(jù)組和非蟲眼數(shù)據(jù)組。

在該技術(shù)方案中，通過無監(jiān)督聚類算法對(duì)病蟲害圖像進(jìn)行聚類分析后，得到蟲眼數(shù)據(jù)組和非蟲眼數(shù)據(jù)組，從而只需對(duì)蟲眼數(shù)據(jù)組進(jìn)行統(tǒng)計(jì)，以確認(rèn)蟲點(diǎn)的個(gè)數(shù)，實(shí)現(xiàn)病蟲害的有效識(shí)別。

本發(fā)明還提出一種病蟲害識(shí)別裝置，包括：圖像采集與處理單元，用于采集病蟲害圖像，將病蟲害圖像轉(zhuǎn)換成RGB圖像數(shù)據(jù)；病蟲害識(shí)別單元，用于使用無監(jiān)督聚類算法對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚類分析，得到病蟲害圖像分類；統(tǒng)計(jì)單元，用于對(duì)分類后的RGB圖像數(shù)據(jù)進(jìn)行蟲眼統(tǒng)計(jì)，確定蟲點(diǎn)數(shù)量；判斷單元，用于判斷蟲點(diǎn)數(shù)量是否大于預(yù)設(shè)蟲點(diǎn)數(shù)量；提醒單元，用于當(dāng)判斷結(jié)果為是時(shí)，發(fā)出報(bào)警提示。

根據(jù)本發(fā)明的病蟲害識(shí)別裝置，通過采集病蟲害圖像，優(yōu)選的，通過攝像頭拍攝粘蟲板照片，并將照片解析成RGB格式(RGB格式為一種對(duì)顏色進(jìn)行編碼的方法，統(tǒng)稱為“顏色空間”或“色域”)的像素?cái)?shù)據(jù)，使用無監(jiān)督聚類算法對(duì)這些像素?cái)?shù)據(jù)進(jìn)行聚類分析(聚類(Clustering)分析是無監(jiān) 督式機(jī)器學(xué)習(xí)(unsupervised learning)的一個(gè)典型應(yīng)用，也是探索性數(shù)據(jù)挖掘中的一種常用方法，簡單地說就是把相似的東西分到一組)，得到病蟲害的分類，對(duì)分類后的數(shù)據(jù)進(jìn)行蟲眼統(tǒng)計(jì)，就能夠確認(rèn)這張圖像上有多少蟲點(diǎn)，當(dāng)蟲點(diǎn)的數(shù)量超過預(yù)設(shè)數(shù)值時(shí)，說明蟲點(diǎn)較多，病蟲害嚴(yán)重，發(fā)出報(bào)警提示。通過本發(fā)明的技術(shù)方案，有效識(shí)別農(nóng)業(yè)病蟲害并及時(shí)的提醒相關(guān)人員進(jìn)行病蟲害防治，避免由于病蟲害導(dǎo)致的農(nóng)業(yè)減產(chǎn)、農(nóng)產(chǎn)品質(zhì)量下降、經(jīng)濟(jì)損失等問題。

另外，根據(jù)本發(fā)明上述的病蟲害識(shí)別裝置，還可以具有如下附加的技術(shù)特征：

在上述技術(shù)方案中，優(yōu)選地，病蟲害識(shí)別單元使用無監(jiān)督聚類算法對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚類分析，得到病蟲害圖像分類的步驟，具體包括：建模單元，用于對(duì)RGB圖像數(shù)據(jù)進(jìn)行無監(jiān)督聚類學(xué)習(xí)，建立相似度模型；分類單元，用于根據(jù)相似度模型，對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚合分類。

在該技術(shù)方案中，將病蟲害圖像解析為RGB圖像數(shù)據(jù)后，通過對(duì)無監(jiān)督聚類算法進(jìn)行訓(xùn)練學(xué)習(xí)，從而建立最佳相似度模型，根據(jù)相似度模型，對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚合分類，得到帶蟲眼的數(shù)據(jù)組以及不帶蟲眼的數(shù)據(jù)組，并在分類的基礎(chǔ)上通過對(duì)帶蟲眼數(shù)據(jù)的統(tǒng)計(jì)分析，準(zhǔn)確確認(rèn)蟲點(diǎn)個(gè)數(shù)，從而有效識(shí)別病蟲害圖像。

在上述任一技術(shù)方案中，優(yōu)選地，統(tǒng)計(jì)單元對(duì)分類后的RGB圖像數(shù)據(jù)的進(jìn)行蟲眼統(tǒng)計(jì)，確定蟲點(diǎn)數(shù)量的步驟，具體包括：計(jì)數(shù)單元，用于統(tǒng)計(jì)蟲眼的數(shù)量；計(jì)算單元，用于計(jì)算蟲眼的數(shù)量與預(yù)設(shè)閾值的比值，根據(jù)比值確定蟲點(diǎn)數(shù)量；計(jì)算單元，具體用于當(dāng)比值為整數(shù)值時(shí)，將整數(shù)值作為蟲點(diǎn)數(shù)量值；計(jì)算單元，具體還用于當(dāng)比值為小數(shù)時(shí)，將小數(shù)進(jìn)位取整，將取整后的整數(shù)值作為蟲點(diǎn)數(shù)量值。

在該技術(shù)方案中，對(duì)分類后的RGB圖像數(shù)據(jù)的進(jìn)行蟲眼統(tǒng)計(jì)，優(yōu)選的，對(duì)帶有蟲眼的一組RGB圖像數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，在得到蟲眼數(shù)量的基礎(chǔ)上，計(jì)算蟲眼數(shù)量與預(yù)設(shè)閾值的比值，從而根據(jù)比值確定蟲點(diǎn)的數(shù)量。當(dāng)比值為整數(shù)時(shí)，將該整數(shù)值作為蟲點(diǎn)數(shù)，當(dāng)比值為小數(shù)時(shí)，將小數(shù)進(jìn)位取整，將取整后的數(shù)值作為蟲點(diǎn)數(shù)。舉例來說，統(tǒng)計(jì)蟲眼點(diǎn)的個(gè)數(shù)為35，預(yù)設(shè)閾值 為10，那么可以判定這張圖像上有4個(gè)蟲點(diǎn)。

在上述任一技術(shù)方案中，優(yōu)選地，預(yù)設(shè)閾值為10。

在該技術(shù)方案中，預(yù)設(shè)閾值為10，說明10個(gè)RGB蟲眼數(shù)據(jù)構(gòu)成一個(gè)蟲點(diǎn)。本領(lǐng)域技術(shù)人員應(yīng)該理解，預(yù)設(shè)閾值為10但不限于此，由于不同作物的種植收到多種因素的影響，如地域、季節(jié)、土壤條件、氣候等，因而產(chǎn)生的病蟲害也會(huì)大有不同，從而經(jīng)過實(shí)測統(tǒng)計(jì)后的預(yù)設(shè)閾值也會(huì)相應(yīng)變化。

在上述任一技術(shù)方案中，優(yōu)選地，無監(jiān)督聚類算法為K均值聚類。

在該技術(shù)方案中，K均值聚類(K-means clustering)是最典型的聚類算法(當(dāng)然，除此之外，還有很多諸如屬于劃分法K-MEDOIDS算法、CLARANS算法；屬于層次法的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；基于網(wǎng)格的方法：STING算法、CLIQUE算法、WAVE-CLUSTER算法；基于模型的方法等)。本領(lǐng)域技術(shù)人員應(yīng)該理解，在使用無監(jiān)督聚類算法進(jìn)行聚類分析時(shí)，也可以選擇K均值聚類以外的其它無監(jiān)督聚類算法。

在上述任一技術(shù)方案中，優(yōu)選地，病蟲害圖像分類包括：蟲眼數(shù)據(jù)組和非蟲眼數(shù)據(jù)組。

在該技術(shù)方案中，通過無監(jiān)督聚類算法對(duì)病蟲害圖像進(jìn)行聚類分析后，得到蟲眼數(shù)據(jù)組和非蟲眼數(shù)據(jù)組，從而只需對(duì)蟲眼數(shù)據(jù)組進(jìn)行統(tǒng)計(jì)，以確認(rèn)蟲點(diǎn)的個(gè)數(shù)，實(shí)現(xiàn)病蟲害的有效識(shí)別。

本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述部分中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

附圖說明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1示出了根據(jù)本發(fā)明一實(shí)施例的病蟲害識(shí)別方法的流程示意圖；

圖2示出了根據(jù)本發(fā)明再一實(shí)施例的病蟲害識(shí)別方法的流程示意圖；

圖3示出了根據(jù)本發(fā)明又一實(shí)施例的病蟲害識(shí)別方法的流程示意圖；

圖4示出了根據(jù)本發(fā)明一實(shí)施例的病蟲害識(shí)別裝置的示意框圖；

圖5示出了根據(jù)本發(fā)明再一實(shí)施例的病蟲害識(shí)別裝置的示意框圖；

圖6示出了根據(jù)本發(fā)明又一實(shí)施例的病蟲害識(shí)別裝置的示意框圖。

具體實(shí)施方式

為了能夠更清楚地理解本發(fā)明的上述目的、特征和優(yōu)點(diǎn)，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行進(jìn)一步的詳細(xì)描述。需要說明的是，在不沖突的情況下，本申請(qǐng)的實(shí)施例及實(shí)施例中的特征可以相互組合。

在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明，但是，本發(fā)明還可以采用其他不同于在此描述的其他方式來實(shí)施，因此，本發(fā)明的保護(hù)范圍并不受下面公開的具體實(shí)施例的限制。

如圖1所示，根據(jù)本發(fā)明的一個(gè)實(shí)施例的病蟲害識(shí)別方法的流程示意圖：

步驟102，采集病蟲害圖像，將病蟲害圖像轉(zhuǎn)換成RGB圖像數(shù)據(jù)；

步驟104，使用無監(jiān)督聚類算法對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚類分析，得到病蟲害圖像分類；

步驟106，對(duì)分類后的RGB圖像數(shù)據(jù)進(jìn)行蟲眼統(tǒng)計(jì)，確定蟲點(diǎn)數(shù)量；

步驟108，判斷蟲點(diǎn)數(shù)量是否大于預(yù)設(shè)蟲點(diǎn)數(shù)量；

步驟110，當(dāng)判斷結(jié)果為是時(shí)，發(fā)出報(bào)警提示。

在該技術(shù)方案中，通過采集病蟲害圖像，優(yōu)選的，通過攝像頭拍攝粘蟲板照片，并將照片解析成RGB格式(RGB格式為一種對(duì)顏色進(jìn)行編碼的方法，統(tǒng)稱為“顏色空間”或“色域”)的像素?cái)?shù)據(jù)，使用無監(jiān)督聚類算法對(duì)這些像素?cái)?shù)據(jù)進(jìn)行聚類分析(聚類(Clustering)分析是無監(jiān)督式機(jī)器學(xué)習(xí)(unsupervised learning)的一個(gè)典型應(yīng)用，也是探索性數(shù)據(jù)挖掘中的一種常用方法，簡單地說就是把相似的東西分到一組)，得到病蟲害的分類，對(duì)分類后的數(shù)據(jù)進(jìn)行蟲眼統(tǒng)計(jì)，就能夠確認(rèn)這張圖像上有多少蟲點(diǎn)，當(dāng)蟲點(diǎn)的數(shù)量超過預(yù)設(shè)數(shù)值時(shí)，說明蟲點(diǎn)較多，病蟲害嚴(yán)重，發(fā)出報(bào)警提示。通過本發(fā)明的實(shí)施例，有效識(shí)別農(nóng)業(yè)病蟲害并及時(shí)的提醒相關(guān)人員進(jìn)行病蟲害防治，避免由于病蟲害導(dǎo)致的農(nóng)業(yè)減產(chǎn)、農(nóng)產(chǎn)品質(zhì)量下降、經(jīng)濟(jì)損失 等問題。

如圖2所示，根據(jù)本發(fā)明的再一個(gè)實(shí)施例的病蟲害識(shí)別方法的流程示意圖：

步驟202，采集病蟲害圖像，將病蟲害圖像轉(zhuǎn)換成RGB圖像數(shù)據(jù)；

使用無監(jiān)督聚類算法對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚類分析，得到病蟲害圖像分類的步驟，具體包括：

步驟204，對(duì)RGB圖像數(shù)據(jù)進(jìn)行無監(jiān)督聚類學(xué)習(xí)，建立相似度模型；

步驟206，根據(jù)相似度模型，對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚合分類；

步驟208，對(duì)分類后的RGB圖像數(shù)據(jù)進(jìn)行蟲眼統(tǒng)計(jì)，確定蟲點(diǎn)數(shù)量；

步驟210，判斷蟲點(diǎn)數(shù)量是否大于預(yù)設(shè)蟲點(diǎn)數(shù)量；

步驟212，當(dāng)判斷結(jié)果為是時(shí)，發(fā)出報(bào)警提示。

在該實(shí)施例中，將病蟲害圖像解析為RGB圖像數(shù)據(jù)后，通過對(duì)無監(jiān)督聚類算法進(jìn)行訓(xùn)練學(xué)習(xí)，從而建立最佳相似度模型，根據(jù)相似度模型，對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚合分類，得到帶蟲眼的數(shù)據(jù)組以及不帶蟲眼的數(shù)據(jù)組，并在分類的基礎(chǔ)上通過對(duì)帶蟲眼數(shù)據(jù)的統(tǒng)計(jì)分析，準(zhǔn)確確認(rèn)蟲點(diǎn)個(gè)數(shù)，從而有效識(shí)別病蟲害圖像。

如圖3所示，根據(jù)本發(fā)明的又一個(gè)實(shí)施例的病蟲害識(shí)別方法的流程示意圖：

步驟302，采集病蟲害圖像，將病蟲害圖像轉(zhuǎn)換成RGB圖像數(shù)據(jù)；

使用無監(jiān)督聚類算法對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚類分析，得到病蟲害圖像分類的步驟，具體包括：

步驟304，對(duì)RGB圖像數(shù)據(jù)進(jìn)行無監(jiān)督聚類學(xué)習(xí)，建立相似度模型；

步驟306，根據(jù)相似度模型，對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚合分類；

對(duì)分類后的RGB圖像數(shù)據(jù)進(jìn)行蟲眼統(tǒng)計(jì)，確定蟲點(diǎn)數(shù)量的步驟，具體包括：

步驟308，統(tǒng)計(jì)蟲眼的數(shù)量；

步驟310，計(jì)算蟲眼的數(shù)量與預(yù)設(shè)閾值的比值，根據(jù)比值確定蟲點(diǎn)數(shù)量；

步驟312，當(dāng)比值為整數(shù)值時(shí)，將整數(shù)值作為蟲點(diǎn)數(shù)量值；當(dāng)比值為 小數(shù)時(shí)，將小數(shù)進(jìn)位取整，將取整后的整數(shù)值作為蟲點(diǎn)數(shù)量值；

步驟314，判斷蟲點(diǎn)數(shù)量是否大于預(yù)設(shè)蟲點(diǎn)數(shù)量；

步驟316，當(dāng)判斷結(jié)果為是時(shí)，發(fā)出報(bào)警提示。

在該實(shí)施例中，對(duì)分類后的RGB圖像數(shù)據(jù)的進(jìn)行蟲眼統(tǒng)計(jì)，優(yōu)選的，對(duì)帶有蟲眼的一組RGB圖像數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，在得到蟲眼數(shù)量的基礎(chǔ)上，計(jì)算蟲眼數(shù)量與預(yù)設(shè)閾值的比值，從而根據(jù)比值確定蟲點(diǎn)的數(shù)量。當(dāng)比值為整數(shù)時(shí)，將該整數(shù)值作為蟲點(diǎn)數(shù)，當(dāng)比值為小數(shù)時(shí)，將小數(shù)進(jìn)位取整，將取整后的數(shù)值作為蟲點(diǎn)數(shù)。舉例來說，統(tǒng)計(jì)蟲眼點(diǎn)的個(gè)數(shù)為35，預(yù)設(shè)閾值為10，那么可以判定這張圖像上有4個(gè)蟲點(diǎn)。

在上述任一實(shí)施例中，優(yōu)選地，預(yù)設(shè)閾值為10。

在該實(shí)施例中，預(yù)設(shè)閾值為10，說明10個(gè)RGB蟲眼數(shù)據(jù)構(gòu)成一個(gè)蟲點(diǎn)。本領(lǐng)域技術(shù)人員應(yīng)該理解，預(yù)設(shè)閾值為10但不限于此，由于不同作物的種植收到多種因素的影響，如地域、季節(jié)、土壤條件、氣候等，因而產(chǎn)生的病蟲害也會(huì)大有不同，從而經(jīng)過實(shí)測統(tǒng)計(jì)后的預(yù)設(shè)閾值也會(huì)相應(yīng)變化。

在上述任一實(shí)施例中，優(yōu)選地，無監(jiān)督聚類算法為K均值聚類。

在該實(shí)施例中，K均值聚類(K-means clustering)是最典型的聚類算法(當(dāng)然，除此之外，還有很多諸如屬于劃分法K-MEDOIDS算法、CLARANS算法；屬于層次法的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；基于網(wǎng)格的方法：STING算法、CLIQUE算法、WAVE-CLUSTER算法；基于模型的方法等)。本領(lǐng)域技術(shù)人員應(yīng)該理解，在使用無監(jiān)督聚類算法進(jìn)行聚類分析時(shí)，也可以選擇K均值聚類以外的其它無監(jiān)督聚類算法。

在上述任一實(shí)施例中，優(yōu)選地，病蟲害圖像分類包括：蟲眼數(shù)據(jù)組和非蟲眼數(shù)據(jù)組。

在該實(shí)施例中，通過無監(jiān)督聚類算法對(duì)病蟲害圖像進(jìn)行聚類分析后，得到蟲眼數(shù)據(jù)組和非蟲眼數(shù)據(jù)組，從而只需對(duì)蟲眼數(shù)據(jù)組進(jìn)行統(tǒng)計(jì)，以確認(rèn)蟲點(diǎn)的個(gè)數(shù)，實(shí)現(xiàn)病蟲害的有效識(shí)別。

如圖4所示，根據(jù)本發(fā)明的一個(gè)實(shí)施例的病蟲害識(shí)別裝置的示意框圖：

圖像采集與處理單元402，用于采集病蟲害圖像，將病蟲害圖像轉(zhuǎn)換 成RGB圖像數(shù)據(jù)；

病蟲害識(shí)別單元404，用于使用無監(jiān)督聚類算法對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚類分析，得到病蟲害圖像分類；

統(tǒng)計(jì)單元406，用于對(duì)分類后的RGB圖像數(shù)據(jù)進(jìn)行蟲眼統(tǒng)計(jì)，確定蟲點(diǎn)數(shù)量；

判斷單元408，用于判斷蟲點(diǎn)數(shù)量是否大于預(yù)設(shè)蟲點(diǎn)數(shù)量；

提醒單元410，用于當(dāng)判斷結(jié)果為是時(shí)，發(fā)出報(bào)警提示。

在該實(shí)施例中，通過采集病蟲害圖像，優(yōu)選的，通過攝像頭拍攝粘蟲板照片，并將照片解析成RGB格式(RGB格式為一種對(duì)顏色進(jìn)行編碼的方法，統(tǒng)稱為“顏色空間”或“色域”)的像素?cái)?shù)據(jù)，使用無監(jiān)督聚類算法對(duì)這些像素?cái)?shù)據(jù)進(jìn)行聚類分析(聚類(Clustering)分析是無監(jiān)督式機(jī)器學(xué)習(xí)(unsupervised learning)的一個(gè)典型應(yīng)用，也是探索性數(shù)據(jù)挖掘中的一種常用方法，簡單地說就是把相似的東西分到一組)，得到病蟲害的分類，對(duì)分類后的數(shù)據(jù)進(jìn)行蟲眼統(tǒng)計(jì)，就能夠確認(rèn)這張圖像上有多少蟲點(diǎn)，當(dāng)蟲點(diǎn)的數(shù)量超過預(yù)設(shè)數(shù)值時(shí)，說明蟲點(diǎn)較多，病蟲害嚴(yán)重，發(fā)出報(bào)警提示。通過本發(fā)明的實(shí)施例，有效識(shí)別農(nóng)業(yè)病蟲害并及時(shí)的提醒相關(guān)人員進(jìn)行病蟲害防治，避免由于病蟲害導(dǎo)致的農(nóng)業(yè)減產(chǎn)、農(nóng)產(chǎn)品質(zhì)量下降、經(jīng)濟(jì)損失等問題。

如圖5所示，根據(jù)本發(fā)明的一個(gè)實(shí)施例的病蟲害識(shí)別裝置的示意框圖：

圖像采集與處理單元502，用于采集病蟲害圖像，將病蟲害圖像轉(zhuǎn)換成RGB圖像數(shù)據(jù)；

病蟲害識(shí)別單元504，用于使用無監(jiān)督聚類算法對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚類分析，得到病蟲害圖像分類；

統(tǒng)計(jì)單元506，用于對(duì)分類后的RGB圖像數(shù)據(jù)進(jìn)行蟲眼統(tǒng)計(jì)，確定蟲點(diǎn)數(shù)量；

判斷單元508，用于判斷蟲點(diǎn)數(shù)量是否大于預(yù)設(shè)蟲點(diǎn)數(shù)量；

提醒單元510，用于當(dāng)判斷結(jié)果為是時(shí)，發(fā)出報(bào)警提示；

病蟲害識(shí)別單元504具體包括：

建模單元5042，用于對(duì)RGB圖像數(shù)據(jù)進(jìn)行無監(jiān)督聚類學(xué)習(xí)，建立相似 度模型；分類單元5044，用于根據(jù)相似度模型，對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚合分類。

在該實(shí)施例中，將病蟲害圖像解析為RGB圖像數(shù)據(jù)后，通過對(duì)無監(jiān)督聚類算法進(jìn)行訓(xùn)練學(xué)習(xí)，從而建立最佳相似度模型，根據(jù)相似度模型，對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚合分類，得到帶蟲眼的數(shù)據(jù)組以及不帶蟲眼的數(shù)據(jù)組，并在分類的基礎(chǔ)上通過對(duì)帶蟲眼數(shù)據(jù)的統(tǒng)計(jì)分析，準(zhǔn)確確認(rèn)蟲點(diǎn)個(gè)數(shù)，從而有效識(shí)別病蟲害圖像。

如圖6所示，根據(jù)本發(fā)明的一個(gè)實(shí)施例的病蟲害識(shí)別裝置的示意框圖：

圖像采集與處理單元602，用于采集病蟲害圖像，將病蟲害圖像轉(zhuǎn)換成RGB圖像數(shù)據(jù)；

病蟲害識(shí)別單元604，用于使用無監(jiān)督聚類算法對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚類分析，得到病蟲害圖像分類；

統(tǒng)計(jì)單元606，用于對(duì)分類后的RGB圖像數(shù)據(jù)進(jìn)行蟲眼統(tǒng)計(jì)，確定蟲點(diǎn)數(shù)量；

判斷單元608，用于判斷蟲點(diǎn)數(shù)量是否大于預(yù)設(shè)蟲點(diǎn)數(shù)量；

提醒單元610，用于當(dāng)判斷結(jié)果為是時(shí)，發(fā)出報(bào)警提示；

病蟲害識(shí)別單元604具體包括：

建模單元6042，用于對(duì)RGB圖像數(shù)據(jù)進(jìn)行無監(jiān)督聚類學(xué)習(xí)，建立相似度模型；分類單元6044，用于根據(jù)相似度模型，對(duì)RGB圖像數(shù)據(jù)進(jìn)行聚合分類；

統(tǒng)計(jì)單元606具體包括：

計(jì)數(shù)單元6062，用于統(tǒng)計(jì)蟲眼的數(shù)量；計(jì)算單元6064，用于計(jì)算蟲眼的數(shù)量與預(yù)設(shè)閾值的比值，根據(jù)比值確定蟲點(diǎn)數(shù)量；計(jì)算單元6062，具體用于當(dāng)比值為整數(shù)值時(shí)，將整數(shù)值作為蟲點(diǎn)數(shù)量值；計(jì)算單元6064，具體還用于當(dāng)比值為小數(shù)時(shí)，將小數(shù)進(jìn)位取整，將取整后的整數(shù)值作為蟲點(diǎn)數(shù)量值。

在該實(shí)施例中，對(duì)分類后的RGB圖像數(shù)據(jù)的進(jìn)行蟲眼統(tǒng)計(jì)，優(yōu)選的，對(duì)帶有蟲眼的一組RGB圖像數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，在得到蟲眼數(shù)量的基礎(chǔ)上，計(jì)算蟲眼數(shù)量與預(yù)設(shè)閾值的比值，從而根據(jù)比值確定蟲點(diǎn)的數(shù)量。當(dāng)比值為 整數(shù)時(shí)，將該整數(shù)值作為蟲點(diǎn)數(shù)，當(dāng)比值為小數(shù)時(shí)，將小數(shù)進(jìn)位取整，將取整后的數(shù)值作為蟲點(diǎn)數(shù)。舉例來說，統(tǒng)計(jì)蟲眼點(diǎn)的個(gè)數(shù)為35，預(yù)設(shè)閾值為10，那么可以判定這張圖像上有4個(gè)蟲點(diǎn)。

在上述任一實(shí)施例中，優(yōu)選地，預(yù)設(shè)閾值為10。

在該實(shí)施例中，預(yù)設(shè)閾值為10，說明10個(gè)RGB蟲眼數(shù)據(jù)構(gòu)成一個(gè)蟲點(diǎn)。本領(lǐng)域技術(shù)人員應(yīng)該理解，預(yù)設(shè)閾值為10但不限于此，由于不同作物的種植收到多種因素的影響，如地域、季節(jié)、土壤條件、氣候等，因而產(chǎn)生的病蟲害也會(huì)大有不同，從而經(jīng)過實(shí)測統(tǒng)計(jì)后的預(yù)設(shè)閾值也會(huì)相應(yīng)變化。

在上述任一實(shí)施例中，優(yōu)選地，無監(jiān)督聚類算法為K均值聚類。

在該實(shí)施例中，K均值聚類(K-means clustering)是最典型的聚類算法(當(dāng)然，除此之外，還有很多諸如屬于劃分法K-MEDOIDS算法、CLARANS算法；屬于層次法的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；基于網(wǎng)格的方法：STING算法、CLIQUE算法、WAVE-CLUSTER算法；基于模型的方法等)。本領(lǐng)域技術(shù)人員應(yīng)該理解，在使用無監(jiān)督聚類算法進(jìn)行聚類分析時(shí)，也可以選擇K均值聚類以外的其它無監(jiān)督聚類算法。

在上述任一實(shí)施例中，優(yōu)選地，病蟲害圖像分類包括：蟲眼數(shù)據(jù)組和非蟲眼數(shù)據(jù)組。

在該實(shí)施例中，通過無監(jiān)督聚類算法對(duì)病蟲害圖像進(jìn)行聚類分析后，得到蟲眼數(shù)據(jù)組和非蟲眼數(shù)據(jù)組，從而只需對(duì)蟲眼數(shù)據(jù)組進(jìn)行統(tǒng)計(jì)，以確認(rèn)蟲點(diǎn)的個(gè)數(shù)，實(shí)現(xiàn)病蟲害的有效識(shí)別。

具體實(shí)施例，通過攝像頭采集到蔬菜的照片，并把照片解析成RGB數(shù)據(jù)，對(duì)這些RGB數(shù)據(jù)進(jìn)行無監(jiān)督聚類(K-means)，這些RGB像素?cái)?shù)據(jù)就會(huì)根據(jù)相似度聚合成一組一組的數(shù)據(jù)，然后找出相關(guān)蟲點(diǎn)的那組數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，就能知道這張圖有多少蟲點(diǎn)。具體的步驟如下：

首先，將采集到的照片轉(zhuǎn)換一張圖片為RGB值，其次，進(jìn)行無監(jiān)督聚類學(xué)習(xí)并建立相似度模型，RGB值經(jīng)過聚類后會(huì)產(chǎn)生2種類別，一種是蟲眼RGB數(shù)據(jù)，一種是非蟲眼RGB數(shù)據(jù)，其中蟲眼RGB數(shù)據(jù)類別為0，非 蟲眼RGB數(shù)據(jù)為1；最后，對(duì)蟲眼數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，具體的為統(tǒng)計(jì)類別為0的個(gè)數(shù)為35，實(shí)測10像素點(diǎn)為一個(gè)蟲點(diǎn)，經(jīng)計(jì)算得知，這張圖上有4個(gè)蟲點(diǎn)。

在本說明書的描述中，術(shù)語“一個(gè)實(shí)施例”、“一些實(shí)施例”、“具體實(shí)施例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說明書中，對(duì)上述術(shù)語的示意性表述不一定指的是相同的實(shí)施例或?qū)嵗?。而且，描述的具體特征、結(jié)構(gòu)、材料或特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對(duì)于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。