专利交易市场

本发明公开了一种基于机器学习算法的树叶病害识别方法，属于图像处理技术领域。本发明首先对采集的树叶样本图像进行灰度化、图像增强和去噪等预处理操作；然后通过自适应阈值算法对预处理后的图像进行分割，有效地表征样本图像的纹理信息；选择RGB颜色空间提取样本图像的颜色特征，同时依据灰度共生矩阵提取分割图像的纹理特征；最后选择支持向量机模型利用交叉验证算法对样本图像进行分类识别，先采用网格寻优法对SVM模型的主要参数进行优化，再选取识别准确率最优的参数建立SVM分类识别模型。本发明可以通过训练使得计算机能够自动识别树叶的病虫害，极大的减少了空间和时间开销，也提高了识别的精度，具有快速、准确和鲁棒性强的特点。

一种不均衡数据下最优化学习样本合成算法选择及参数确定方法，以数据特征对诊断结果的贡献能力为出发点，分析样本均衡度对其区分能力的影响，提出以最大化特征区分能力为指标来选择样本合成采样算法。同时，构建激活函数来描述样本数量对分类能力的影响。在此基础上，提出有效特征区分度指标，并通过对该指标的最大化来获得最优样本均衡度。本发明所涉及的过程均以特征对样本的正确分类为目标，且仅需要对原始数据进行操作，可以在不增加样本采集及引入新特征的情况下获得更高的诊断效果。另外，没有特征数量方面要求，不会因为数据特征数量多少影响最终计算的最优样本均衡度的准确率。