作物病害诊断专家系统与决策支持解决方案.doc

《作物病害诊断专家系统与决策支持解决方案.doc》由会员分享，可在线阅读，更多相关《作物病害诊断专家系统与决策支持解决方案.doc（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、作物病害诊断专家系统与决策支持解决方案作物在整个生长发育过程中，由于受到病原物的侵染或不良环境条件的影响，致使生理和外观上发生异常变化出现病害，对作物的产量和质量都有很大破坏。由于基层专家匮乏，作物病害得不到及时准确的诊断，因此，急需快捷的技术手段将农业专家的知识传递到农民手中，提供对作物病害及时准确的诊治服务。专家系统作为人工智能的分支，在作物病害诊断领域已得到了广泛应用。随着物联网技术发展，结合传感器采集数据、作物生育数据、图像数据进行作物病害诊断的专家系统也越来越受到基层农技人员的欢迎。3.1.1 病害诊断知识表达病害诊断系统的构建需要大量且描述准确的诊断知识。系统诊断知识主要来源于植保

2、专家、植保专业技术人员和各种资料。对知识进行特征提取，将其标准化。病害诊断知识的知识表达具有以下层次化描述模型：（1）农作物病虫害组织层包括根、茎、叶、花果实等基本组织结构以及农作物的其他部位。（2）农作物的表观层主要包括农作物遭遇病虫害后的颜色、气味等属性，因此农作物的表观层的特性可以通过图像、视频等对比确认。（3）农作物周围环境层主要包括农作物周围的土壤环境、气象环境等属性，通过传感器来感知。（4）农作物种类层主要包括农作物属于哪一科目、种植季节、生长周期等。农作物病害的诊断主要从以下几个方面进行分析：（1）农作物组织层。主要针对各种农作物组织器官的致病危害性，进行形式化分析，如一种病理现

3、象出现在根茎处，它的危害程度肯定要大于叶表面处，因此其权重也就比较大。（2）表观层分析。通过分析农作物的外观，主要是气味、及颜色、病理所呈现出的形态变化等，比如，颜色属性的深浅、气味的浓重、病斑的形状和大小等这些特性都需要进行量化的分析。（3）周围环境层。一种农作物疾病的致病原因与周围的环境是密切相关的，因此周围的温度、湿度也都是定位疾病的一个很重要的知识。（4）农作物整体描述层。农作物的科目、大小、作物的生长时间以及种植季节，可以通过农作物的整体属性来定位病虫害的类别， 减小搜索范围。作物病害知识表示是为描述病害所做的一组约定，是知识的符号化、形式化、模型化表达。任意知识单元或事实可运用“对

4、象-属性- 值”三元组法来描述，结合产生式规则对知识进行知识表示。事实1：蔬菜作物是白菜 事实2：发病时期在包期事实3：发病部位为叶片规则：IF V(蔬菜作物)T(发病时期)P(发病部位)ThenV(病害名称)IF 病斑形状：多角形（0.3）病斑颜色：黄褐色（0.08）发病部位：叶部（0.15）病部特征物质：潮湿时病斑背面生白色霉层（0.33）Then白菜霜霉病0.86白菜霜霉病获病概率：0.86白菜细菌性角斑病获病概率：0.33 白菜软腐病获病概率：0.23条件阈值：0.5其中，条件项括号中数字为逻辑子式权重，患病概率为该条规则的运行结果，条件阈值为对规则运行结果进行筛选的临界值。3.1.2

5、 作物病害描述模糊处理选取一种模糊化的算法，把病害诊断专家知识库里病害症状进行模糊处理。在层次化模型的基础上构造一个模糊矩阵，以矩阵形式来描述农作物病情。采用模糊均值聚类算法（Fuzzy C-means Algorithm , FCM）来对农业病害进行诊断，聚类以后根据隶属度矩阵R值以及聚类中心C把所有对农作物病情的描述就变成一个模糊化的效果，这样的表达易于理解和描述。例如：根（腐烂程度）模糊为严重、很重、一般、有点、稍微五个级别。3.1.3 病害诊断知识推理作物病害诊断问题具有特殊的复杂性和模糊性，（1）事实的模糊性：如病斑颜色深浅、病斑大小、病害发生程度等。（2）获取事实的准确程度：如环境

6、温湿度、土壤水分含量等。（3）专家知识的模糊性：如根据发病部位、形状大小、颜色、味道、表观等推理出病害。（4） 推理结论或动作的模糊性。植保专家诊断病害推理过程通常经过下面3步，第1步区分症状， 利用已有经验和查询来的资料对症状进行区别，获得典型症状或综合各种症状初步诊断发生病害的可能性；第2步利用病体、病原和症状诊断三要素的关系进一步确定病害及病原；第3步依据上述结论，结合环境要素和生产管理要素最终确定病害并决定防治方法。即在判断可能发生的病害时期后，给出病害部位及可能的病害症状，再根据详细症状，确定具体的病害类型。这一过程从典型症状， 再到详细症状均为正向推理过程。从病害名称到病害症状、病

7、害时期、部位逆推，将可能病害的详细症状对照用户输入病害的典型症状相比较，这些过程则属于反向推理过程。只有经过正反向推理的结合，才能使最终的诊断结果更符合实际，从而增加专家系统的有效性和实用性。3.1.4 基于图像识别的作物病害诊断病虫害图像分割方法主要包括：利用亮度、清晰度筛选算法，提取出清晰度、亮度适中的作物诊断图像；运用中值滤波算法，滤除图像噪音，并运用高帽变换和低帽变换对目标图像进行增强处理，增强后的图像对比度明显高于原始图像，且目标病斑更加鲜明；基于RGB 彩色原理，通过变换色彩空间，将叶片绿色部分分割出来，分别交替运用灰度二值化、形态学膨胀、腐蚀、开运算、闭运算、小面积、孔洞填充和边

8、缘平滑等算法将叶片部分进行分割，最终获得可能存在病虫害的疑似病灶部位。病虫害图像特征提取方法主要包括：利用病斑提取后图像的形状差异提取面积特征信息；运用RGB色彩空间分析病斑颜色，提取疑似病灶部位RGB颜色分量均值，模糊标准化后获得颜色特征向量。根据作物纹理粗细程度，提取高频或低频能量，得到病害图像的纹理特征。采用基于支持向量机与多特征选择的作物彩色病斑边缘检测方法分割并提取病斑区域的颜色、纹理、形态特征；利用双编码遗传算法与支持向量机的病害识别模型对特征降维，以获取有效特征，并对有效特征归一化处理；计算出颜色、纹理、形态特征的相似度，计算综合特征的相似度；对图像知识库中所有图像检索后返回结果。