本发明公开了一种基于图像识别与BP神经网络的病虫害识别系统，包括病虫害图像采集模块、病虫害图像处理模块、病虫害图像的接收与储存模块、病虫害图像的识别与处理模块及反馈模块。有益效果：本发明通过采用BP神经网络算法对病虫害图像进行识别与处理，从而在具体的使用过程中，能够更加有效地快速发现病虫害，并能够对病虫害发生的位置进行定位，使农户能够以最快的速度对发生病虫害的地区进行喷药处理，进而避免了大面积发生病虫害的情况，同时，也避免了农户收入的锐减的情况。
1.一种基于图像识别与BP神经网络的病虫害识别系统，其特征在于，包括病虫害图像采集模块(1)、病虫害图像处理模块(2)、病虫害图像的接收与储存模块(3)、病虫害图像的识别与处理模块(4)及反馈模块(5)。
2.根据权利要求1所述的一种基于图像识别与BP神经网络的病虫害识别系统，其特征在于，所述病虫害图像采集模块(1)包括拍摄终端(101)、压缩编码(102)及病虫害图像预处理操作(103)；
其中，所述拍摄终端(101)包括手机终端(104)、相机终端(105)及摄像机终端(106)；
其中，所述压缩编码(102)用于将拍摄终端(101)拍摄的病虫害图像进行初始化和进行一系列的参数设置及开始对病虫害图像完成编码。
3.根据权利要求2所述的一种基于图像识别与BP神经网络的病虫害识别系统，其特征在于，所述病虫害图像预处理操作(103)包括病虫害图像上传(107)、病虫害图像保存(108)、GPRS(109)及GPS(110)；
其中，所述GPRS(109)用于远距离的病虫害图像的传输；
其中，所述GPS(110)用于对病虫害出现区域进行定位。
4.根据权利要求1所述的一种基于图像识别与BP神经网络的病虫害识别系统，其特征在于，所述病虫害图像的识别与处理模块(4)包括病虫害图像的预处理(401)和采用BP神经网络算法对病虫害图像进行处理(402)；
其中，所述病虫害图像的预处理(401)包括以下步骤：步骤1，将接收的病虫害的图像的分辨率、清晰度、像素进行调整；
步骤2，将接收不同大小的病虫害的图像进行归一化操作；
步骤3，将上述调整完成后的病虫害图像数据制作成LMDB格式；
其中，所述采用BP神经网络算法对病虫害图像进行处理(402)包括预处理(403)、初始处理(404)及输出处理(405)；
其中，所述预处理(403)用于对图像的特微进行提取，并用算法实现；
其中，所述初始处理(404)包括初始化(406)和初始输出(407)；
其中，所述输出处理(405)用于对逐层传递神经元中，出现误差时，进行反馈传递，并且，输出结果达不到预期输出时，神经元会反向传递，在反向传递的过程中，根据误差调整网络权值和阈值，以达到良好识别预测体系。
5.根据权利要求4所述的一种基于图像识别与BP神经网络的病虫害识别系统，其特征在于，所述预处理(403)包括以下步骤：步骤1，对观测病虫害图像X进行预处理；
步骤2，独立分量的提取，寻找分离矩阵L，通过S＝LX实现独立分量的提取，并在提取独立分量的基础上加上步骤1中去掉观测信号的均值得到信号s，由中心极限定理可知若随机变量由多个互相独立的随机变量之和组成，若s的各独立随机变量具有有限的均值和差，则满足概率的分布的定义如下；
定义1：H(x)＝∫f(x)lgf(x)dx其中，H(x)是概率密度为f(x)的随机变量x的信息熵；
定义2：J(x)＝H(bxgaussian)-H(x)其中，H(bxgaussian)为与随机变量x具有相同方差的随机变量信息熵，J为白化矩阵，H(x)是概率密度为f(x)的随机变量x的信息熵；
由上述定义可得知，具有高斯分布的随机变量的负熵最小，且为零，由此提供一种简化算法如下：J(x)∞[E{G(x)-E(xgaussian)}]2其中，E(.)为求均值运算，E为交接矩阵，J为白化矩阵，xgaussian为随机变量，x为信息熵；
且a1为常量并满足1≤a1≤2，通常情况下取a1＝1，独立分量过程就是度量随机变量的非高斯度过程。
6.根据权利要求4所述的一种基于图像识别与BP神经网络的病虫害识别系统，其特征在于，所述初始化(406)包括以下步骤：步骤1，确定网络输入层节点数n，隐含层节点数1，输出层节点数m；
步骤2，确定输入层与隐含层和隐含层与输出层神经元之间的权值Wij和Wjk；
7.根据权利要求4所述的一种基于图像识别与BP神经网络的病虫害识别系统，其特征在于，所述初始输出(407)包括以下步骤：步骤1，计算隐含层输出H的公式如下：
其中，f为隐含层激励函数，H为隐含层输出函数，在本设计中的表达形式如下：步骤二，根据隐含层输出函数H，权值Wjk和阈值b，计算神经网络预测输出O的公式如下：其中，O为神经网络预测输出，H为隐含层输出函数。
8.根据权利要求4所述的一种基于图像识别与BP神经网络的病虫害识别系统，其特征在于，所述输出处理(405)包括以下步骤：步骤1，误差计算，计算误差的公式如下：
其中，O为网络预测输出，Y为期望输出，e为计算神经网络的预测误差值，k为常数；
i＝1,2，...n；j＝1,2，...lwjk＝wjk+ηHjek
k＝1,2，...m；j＝1,2，...l根据网络预测误差e更新网络连接权值；
其中，i为常数，j为常数，H为隐含层输出函数，e为神经网络的预测误差值，k为常数；
步骤4，判断是否结束算法，当误差小于设定的某一个值时，即预测输出逼近真实输出，并结束算法。
9.根据权利要求1所述的一种基于图像识别与BP神经网络的病虫害识别系统，其特征在于，所述反馈模块(5)用于将发现病虫害的名称、发生病虫害的地理位置及发生病虫害的时间进行反馈。
一种基于图像识别与BP神经网络的病虫害识别系统
技术领域
[0001] 本发明涉及病虫害识别系统领域，具体来说，涉及一种基于图像识别与BP神经网络的病虫害识别系统。
背景技术
[0002] 病虫害是病害和虫害的并称，常对农、林、牧业等造成不良影响。药用植物在栽培过程中，受到有害生物的不良环境条件的影响，正常新陈代谢受到干扰，从生理机能到组织结构上发生一系列的变化和破坏，以至在外部形态上呈现反常的病变现象，如枯萎、腐烂、斑点等，统称病害。引起药用植物发病的原因，包括生物因素和非生物因素。由生物因素如真菌、细菌、病毒等侵入植物体所引起的病害，有传染性，称为侵染性病害或寄生性病害，由非生物因素如旱、涝、严寒、养分失调等影响或损坏生理机能而引起的病害，没有传染性，称为非侵染性病害或生理性病害。
[0003] 在我们的日常生活中，蔬菜、水果、谷类等食物必不可少，但在蔬菜、水果及谷类植物等生长的过程中，会被不同的病虫害破坏啃食的情况，进而在病虫害对蔬菜、水果及谷类等植物破坏后，会造成蔬菜、水果及谷类等植物的收成大大的下降，造成农户收入锐减，因此，需要一种能够帮助农民对病虫害的种类进行识别并反馈的系统。
[0004] 针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
[0005] 针对相关技术中的问题，本发明提出一种基于图像识别与BP神经网络的病虫害识别系统，以克服现有相关技术所存在的上述技术问题。
[0006] 为此，本发明采用的具体技术方案如下：
[0007] 一种基于图像识别与BP神经网络的病虫害识别系统，包括病虫害图像采集模块、病虫害图像处理模块、病虫害图像的接收与储存模块、病虫害图像的识别与处理模块及反馈模块。
[0008] 进一步的，病虫害图像采集模块包括拍摄终端、压缩编码及病虫害图像预处理操作；
[0009] 其中，拍摄终端包括手机终端、相机终端及摄像机终端；
[0010] 其中，压缩编码用于将拍摄终端拍摄的病虫害图像进行初始化和进行一系列的参数设置及开始对病虫害图像完成编码。
[0011] 进一步的，病虫害图像预处理操作包括病虫害图像上传、病虫害图像保存、GPRS及GPS；
[0012] 其中，GPRS用于远距离的病虫害图像的传输；
[0013] 其中，GPS用于对病虫害出现区域进行定位。
[0014] 进一步的，病虫害图像的识别与处理模块包括病虫害图像的预处理和采用BP神经网络算法对病虫害图像进行处理；
[0015] 其中，病虫害图像的预处理包括以下步骤：
[0016] 步骤1，将接收的病虫害的图像的分辨率、清晰度、像素进行调整；
[0017] 步骤2，将接收不同大小的病虫害的图像进行归一化操作；
[0018] 步骤3，将上述调整完成后的病虫害图像数据制作成LMDB格式；
[0019] 其中，采用BP神经网络算法对病虫害图像进行处理包括预处理、初始处理及输出处理；
[0020] 其中，预处理用于对图像的特微进行提取，并用算法实现；
[0021] 其中，初始处理包括初始化和初始输出；
[0022] 其中，输出处理用于对逐层传递神经元中，出现误差时，进行反馈传递，并且，输出结果达不到预期输出时，神经元会反向传递，在反向传递的过程中，根据误差调整网络权值和阈值，以达到良好识别预测体系。
[0023] 进一步的，预处理包括以下步骤：
[0024] 步骤1，对观测病虫害图像X进行预处理；
[0025] 步骤2，独立分量的提取，寻找分离矩阵L，通过S＝LX实现独立分量的提取，并在提取独立分量的基础上加上步骤1中去掉观测信号的均值得到信号s，由中心极限定理可知若随机变量由多个互相独立的随机变量之和组成，若s的各独立随机变量具有有限的均值和差，则满足概率的分布的定义如下；
[0026] 定义1：H(x)＝∫f(x)lgf(x)dx
[0027] 其中，H(x)是概率密度为f(x)的随机变量x的信息熵；
[0028] 定义2：J(x)＝H(bxgaussian)-H(x)
[0029] 其中，H(bxgaussian)为与随机变量x具有相同方差的随机变量信息熵，J为白化矩阵，H(x)是概率密度为f(x)的随机变量x的信息熵；
[0030] 由上述定义可得知，具有高斯分布的随机变量的负熵最小，且为零，由此提供一种简化算法如下：
[0031] J(x)∞[E{G(x)-E(xgaussian)}]2
[0032] 其中，E(.)为求均值运算，E为交接矩阵，J为白化矩阵，xgaussian为随机变量，x为信息熵；
[0033] 其中，G(.)可取数如下；
[0034]
[0035] G2(u)＝-exp(-u2/2)
[0036] 且a1为常量并满足1≤a1≤2，通常情况下取a1＝1，独立分量过程就是度量随机变量的非高斯度过程。
[0037] 进一步的，初始化包括以下步骤：
[0038] 步骤1，确定网络输入层节点数n，隐含层节点数1，输出层节点数m；
[0039] 步骤2，确定输入层与隐含层和隐含层与输出层神经元之间的权值Wij和Wjk；
[0040] 步骤3，确定隐含层阈值a，输出层阈值b。
[0041] 进一步的，初始输出包括以下步骤：
[0042] 步骤1，计算隐含层输出H的公式如下：
[0043]
[0044] 其中，f为隐含层激励函数，H为隐含层输出函数，在本设计中的表达形式如下：
[0045]
[0046] 步骤二，根据隐含层输出函数H，权值Wjk和阈值b，计算神经网络预测输出O的公式如下：
[0047]
[0048] 其中，O为神经网络预测输出，H为隐含层输出函数。
[0049] 进一步的，输出处理包括以下步骤：
[0050] 步骤1，误差计算，计算误差的公式如下：
[0051] ek＝Yk-Ok
[0052] k＝1,2，...m
[0053] 其中，O为网络预测输出，Y为期望输出，e为计算神经网络的预测误差值，k为常数；
[0054] 步骤2，权值更新，权值更新的公式如下：
[0055]
[0056] i＝1,2，...n；j＝1,2，...l
[0057] wjk＝wjk+ηHjek
[0058] k＝1,2，...m；j＝1,2，...l
[0059] 根据网络预测误差e更新网络连接权值；
[0060] 其中，i为常数，j为常数，H为隐含层输出函数，e为神经网络的预测误差值，k为常数；
[0061] 步骤3，阈值更新，阈值更新的公式如下：
[0062]
[0063] j＝1,2，...l
[0064] bk＝bk+ek
[0065] k＝1,2，...m
[0066] 根据网络预测误差e更新网络节点阈值a，b；
[0067] 其中，j为常数，k为常数，e为神经网络预测误差。
[0068] 步骤4，判断是否结束算法，当误差小于设定的某一个值时，即预测输出逼近真实输出，并结束算法。
[0069] 进一步的，反馈模块用于将发现病虫害的名称、发生病虫害的地理位置及发生病虫害的时间进行反馈。
[0070] 本发明的有益效果为：
[0071] 1、与传统的病虫害识别系统相比，本发明通过采用BP神经网络算法对病虫害图像进行识别与处理，从而在具体的使用过程中，能够更加有效地快速发现病虫害，并能够对病虫害发生的位置进行定位，使农户能够以最快的速度对发生病虫害的地区进行喷药处理，进而避免了大面积发生病虫害的情况，同时，也避免了农户收入的锐减的情况。
[0072] 2、与传统的病虫害识别系统相比，采用图像识别与BP神经网络算法对病虫害图像进行识别与处理，从而在具体的使用过程中，在有效的快速发现病虫害的同时，能够对病虫害进行有效的识别，并将准确的病虫害信息提供给农户，进而提高了解决病虫害的速度，避免了农户收成减少的情况。
附图说明
[0073] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0074] 图1是根据本发明实施例的一种基于图像识别与BP神经网络的病虫害识别系统的流程图；
[0075] 图2是根据本发明实施例的一种基于图像识别与BP神经网络的病虫害识别系统的图像采集
[0076] 图3是根据本发明实施例的一种基于图像识别与BP神经网络的病虫害识别系统[0077] 图4是根据本发明实施例的一种基于图像识别与BP神经网络的病虫害识别系统[0078] 图5是根据本发明实施例的一种基于图像识别与BP神经网络的病虫害识别系统[0079] 图中：
[0080] 1、病虫害图像采集模块；101、拍摄终端；102、压缩编码；103、病虫害图像预处理操作；104、手机终端；105、相机终端；106、摄像机终端；107、病虫害图像上传；108、病虫害图像保存；109、GPRS；110、GPS；2、病虫害图像处理模块；3、病虫害图像的接收与储存模块；4、病虫害图像的识别与处理模块；401、病虫害图像的预处理；402、采用BP神经网络算法对病虫害图像进行处理；403、预处理；404、初始处理；405、输出处理；406、初始化；407、初始输出；5、反馈模块。
具体实施方式
[0081] 为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
[0082] 根据本发明的实施例，提供了一种基于图像识别与BP神经网络的病虫害识别系统。
[0083] 现结合附图和具体实施方式对本发明进一步说明，如图1-5所示，根据本发明实施例的基于图像识别与BP神经网络的病虫害识别系统，包括病虫害图像采集模块1、病虫害图像处理模块2、病虫害图像的接收与储存模块3、病虫害图像的识别与处理模块4及反馈模块5。
[0084] 在一个实例中，病虫害图像采集模块1包括拍摄终端101、压缩编码102及病虫害图像预处理操作103；
[0085] 其中，拍摄终端101包括手机终端104、相机终端105及摄像机终端106；
[0086] 其中，压缩编码102用于将拍摄终端101拍摄的病虫害图像进行初始化和进行一系列的参数设置及开始对病虫害图像完成编码。
[0087] 在一个实例中，病虫害图像预处理操作103包括病虫害图像上传107、病虫害图像保存108、GPRS109及GPS110；
[0088] 其中，GPRS109用于远距离的病虫害图像的传输；
[0089] 其中，GPS110用于对病虫害出现区域进行定位。
[0090] 在一个实例中，病虫害图像的识别与处理模块4包括病虫害图像的预处理401和采用BP神经网络算法对病虫害图像进行处理402；
[0091] 其中，病虫害图像的预处理401包括以下步骤：
[0092] 步骤1，将接收的病虫害的图像的分辨率、清晰度、像素进行调整；
[0093] 步骤2，将接收不同大小的病虫害的图像进行归一化操作；
[0094] 步骤3，将上述调整完成后的病虫害图像数据制作成LMDB格式；
[0095] 其中，采用BP神经网络算法对病虫害图像进行处理402包括预处理403、初始处理404及输出处理405；
[0096] 其中，预处理403用于对图像的特微进行提取，并用算法实现；
[0097] 其中，初始处理404包括初始化406和初始输出407；
[0098] 其中，输出处理405用于对逐层传递神经元中，出现误差时，进行反馈传递，并且，输出结果达不到预期输出时，神经元会反向传递，在反向传递的过程中，根据误差调整网络权值和阈值，以达到良好识别预测体系。
[0099] 在一个实例中，预处理403包括以下步骤：
[0100] 步骤1，对观测病虫害图像X进行预处理；
[0101] 步骤2，独立分量的提取，寻找分离矩阵L，通过S＝LX实现独立分量的提取，并在提取独立分量的基础上加上步骤1中去掉观测信号的均值得到信号s，由中心极限定理可知若随机变量由多个互相独立的随机变量之和组成，若s的各独立随机变量具有有限的均值和差，则满足概率的分布的定义如下；
[0102] 定义1：H(x)＝∫f(x)lgf(x)dx
[0103] 其中，H(x)是概率密度为f(x)的随机变量x的信息熵；
[0104] 定义2：J(x)＝H(bxgaussian)-H(x)
[0105] 其中，H(bxgaussian)为与随机变量x具有相同方差的随机变量信息熵，J为白化矩阵，H(x)是概率密度为f(x)的随机变量x的信息熵；
[0106] 由上述定义可得知，具有高斯分布的随机变量的负熵最小，且为零，由此提供一种简化算法如下：
[0107] J(x)∞[E{G(x)-E(xgaussian)}]2
[0108] 其中，E(.)为求均值运算，E为交接矩阵，J为白化矩阵，xgaussian为随机变量，x为信息熵；
[0109] 其中，G(.)可取数如下；
[0110]
[0111] G2(u)＝-exp(-u2/2)
[0112] 且a1为常量并满足1≤a1≤2，通常情况下取a1＝1，独立分量过程就是度量随机变量的非高斯度过程。
[0113] 在一个实例中，初始化406包括以下步骤：
[0114] 步骤1，确定网络输入层节点数n，隐含层节点数1，输出层节点数m；
[0115] 步骤2，确定输入层与隐含层和隐含层与输出层神经元之间的权值Wij和Wjk；
[0116] 步骤3，确定隐含层阈值a，输出层阈值b。
[0117] 在一个实例中，初始输出407包括以下步骤：
[0118] 步骤1，计算隐含层输出H的公式如下：
[0119]
[0120] 其中，f为隐含层激励函数，H为隐含层输出函数，在本设计中的表达形式如下：
[0121]
[0122] 步骤二，根据隐含层输出函数H，权值Wjk和阈值b，计算神经网络预测输出O的公式如下：
[0123]
[0124] 其中，O为神经网络预测输出，H为隐含层输出函数。
[0125] 在一个实例中，输出处理405包括以下步骤：
[0126] 步骤1，误差计算，计算误差的公式如下：
[0127] ek＝Yk-Ok
[0128] k＝1,2，...m
[0129] 其中，O为网络预测输出，Y为期望输出，e为计算神经网络的预测误差值，k为常数；
[0130] 步骤2，权值更新，权值更新的公式如下：
[0131]
[0132] i＝1,2，...n；j＝1,2，...l
[0133] wjk＝wjk+ηHjek
[0134] k＝1,2，...m；j＝1,2，...l
[0135] 根据网络预测误差e更新网络连接权值；
[0136] 其中，i为常数，j为常数，H为隐含层输出函数，e为神经网络的预测误差值，k为常数；
[0137] 步骤3，阈值更新，阈值更新的公式如下：
[0138]
[0139] j＝1,2，...l
[0140] bk＝bk+ek
[0141] k＝1,2，...m
[0142] 根据网络预测误差e更新网络节点阈值a，b；
[0143] 其中，j为常数，k为常数，e为神经网络预测误差。
[0144] 步骤4，判断是否结束算法，当误差小于设定的某一个值时，即预测输出逼近真实输出，并结束算法。
[0145] 在一个实例中，反馈模块5用于将发现病虫害的名称、发生病虫害的地理位置及发生病虫害的时间进行反馈。
[0146] 为了方便理解本发明的上述技术方案，以下结合实例对本发明的上述方案进行详细说明，具体如下：
[0147] 1实例一
[0148] 1.1对象的选取
[0149] 本设计出的系统选取大豆的灰斑病进行测试。
[0150] 通过对大豆灰斑病的了解与正常大豆对比，可以发现得大豆灰斑病的大豆和正常大豆颜色和纹理特征均存在一定的差异，即得大豆灰斑病的大豆和正常大豆颜色和纹理特征均存在的差异作为分类的依据。
[0151] 1.2特征的提取
[0152] 1.2.1颜色特征的提取
[0153] 选取RGB颜色系统，由于RGB颜色是基于人眼视觉行成的模型，所有颜色都是由：红(R)、绿(G)及篮(B)的不同排列组合，在大豆病虫害中，不同的病所表现的颜色特征大多分布在低阶矩阵中。因此，采用可提取病虫害图像RGB颜色体系的一阶矩σ1和二阶矩σ2：
[0154]
[0155]
[0156] 上式中Ii(x，y)表示图像的灰度。
[0157] 用MARLAB软件从大豆病虫害图像、正常图像中提取RGB三通道分量的一阶矩和二阶矩，形成表1所示。
[0158] 表1图像颜色矩阵特征参数
[0159]
[0160] 从表1中可以看出正常情况下的大豆比得大豆灰斑病的大豆图像的一阶矩略低，但R分量和B分量也有明显的差距；在二阶矩中，正常大豆矩明显低于得大豆灰斑病的大豆，主要有G分量。
[0161] 1.2.2纹理特征的提取
[0162] 纹理所反映的特征是局部缓慢变化或者是重复性的，基于此，可提取不同图像的纹理特征进行识别。纹理特征是通过像素以及局部纹理信息，即周围空间的灰度分布来表现的。本设计采用灰度共生矩阵的方法来提取纹理。
[0163] 表2纹理特征参数
[0164]
[0165]
[0166] 从表2看，在熵值方面，正常的大豆比得大豆灰斑病的大豆图像高十几倍，但此时，得大豆灰斑病的大豆的图像标准差很大，无论是能量、惯性矩还是相关性，正常的大豆总比得大豆灰斑病的大豆的大图要高一些。
[0167] 2实例一
[0168] 2.1对象的选取
[0169] 本设计出的系统选取玉米锈斑病进行测试。
[0170] 通过对锈斑病的了解与正常玉米对比，可以发现得锈斑病的玉米和正常玉米颜色和纹理特征均存在一定的差异，即得锈斑病的玉米和正常玉米颜色和纹理特征均存在的差异作为分类的依据。
[0171] 2.2特征的提取
[0172] 2.2.1颜色特征的提取
[0173] 选取RGB颜色系统，由于RGB颜色是基于人眼视觉行成的模型，所有颜色都是由：红(R)、绿(G)及篮(B)的不同排列组合，在大豆病虫害中，不同的病所表现的颜色特征大多分布在低阶矩阵中。因此，采用可提取病虫害图像RGB颜色体系的一阶矩和二阶矩：
[0174]
[0175]
[0176] 上式中Ii(x，y)表示图像的灰度。
[0177] 用MARLAB软件从玉米病虫害图像、正常图像中提取RGB三通道分量的一阶矩和二阶矩，形成表3所示。
[0178] 表3图像颜色矩阵特征参数
[0179]
[0180]
[0181] 从表3中可以看出正常情况下的玉米比得锈斑病的玉米图像的一阶矩略低，但R分量和B分量也有明显的差距；在二阶矩中，正常玉米二阶矩明显低于得锈斑病的玉米，主要有G分量。
[0182] 2.2.2纹理特征的提取
[0183] 纹理所反映的特征是局部缓慢变化或者是重复性的，基于此，可提取不同图像的纹理特征进行识别。纹理特征是通过像素以及局部纹理信息，即周围空间的灰度分布来表现的。本设计采用灰度共生矩阵的方法来提取纹理。
[0184] 图4纹理特征参数
[0185]
[0186] 从表4看，在熵值方面，正常的玉米比得锈斑的玉米图像高十几倍，但此时，得锈斑病的玉米的图像标准差很大，无论是能量、惯性矩还是相关性，正常的玉米总比得锈斑病的大豆的大图要高一些。
[0187] 3结论
[0188] 本发明能够有效的进行图像的预处理和及时的反馈，且本发明的识别正确率高达百分之八十以上。
[0189] 综上所述，借助于本发明的上述技术方案，与传统的病虫害识别系统相比，本发明通过采用BP神经网络算法对病虫害图像进行识别与处理，从而在具体的使用过程中，能够更加有效地快速发现病虫害，并能够对病虫害发生的位置进行定位，使农户能够以最快的速度对发生病虫害的地区进行喷药处理，进而避免了大面积发生病虫害的情况，同时，也避免了农户收入的锐减的情况。与传统的病虫害识别系统相比，采用图像识别与BP神经网络算法对病虫害图像进行识别与处理，从而在具体的使用过程中，在有效的快速发现病虫害的同时，能够对病虫害进行有效的识别，并将准确的病虫害信息提供给农户，进而提高了解决病虫害的速度，避免了农户收成减少的情况。
[0190] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
