本发明涉及农业技术领域，具体涉及一种基于微信公众号的农作物虫害识别方法及其系统。

背景技术：

针对目前我国农作物害虫诊断大多停留在人工阶段，存在着客观性差、效率低、劳动强度大等问题，以及现有的基于图像识别的农作物害虫诊断存在很多不足之处，本专利对基于图像识别的虫害识别系统关键理论算法和实际应用进行了系统的研究。

技术实现要素：

本发明的目的是为克服上述问题，提出一种基于微信公众号的农作物虫害识别方法及其系统。当农户遇到未知害虫时，不需植物病虫诊断专家的在场指导，用一个手机拍下病虫害图像，发送图像给微信公众号，传输到服务器端，在服务器端进行害虫识别，以“消息”的形式提供给用户，并提供相应的农业害虫基本信息和防治措施。

技术方案：本发明的技术方案所述一种基于微信公众号的农作物虫害识别方法，具体工作方法如下：

S1.图像上传，农户关注微信公众号，添加病虫害照片，将图像上传至微信公众号；

S2.图像信息预处理，服务器接收到图像信息并对农作物害虫图像的预处理，取出原始图像的大量多余干扰信息，保留或加强识别主体的特征信息，进而得到中间图像；

S3.图像特征提取，对接收到的图像的每个点进行运算，检测该点属于颜色特征、纹理特征和形态特征中的哪一种；

S4.图像识别分类，根据提取到的图像特征与服务器端的病虫害图像进行匹配；

S5.微信平台端将识别出的病害虫的图像传递给用户。

进一步地，所述步骤S2中预处理过程为平滑去噪、灰度化处理、图像增强和分割处理。

进一步地，所述步骤S3中图像特征提取的方法是首先对图像的颜色特征、纹理特征和形态特征进行提取，将提取出到的三种特征向量进行特征融合。三种特征向量融合，取长补短，才能发挥各自的优势，规避缺陷，从而真实准确地表达图像的特征，得到最优化的图像识别率。

进一步地，所述步骤S4中农作物害虫图像数据集构建的原则如下：根据农作物种类、害虫变态类型、害虫不同姿态、害虫不同拍摄角度进行构建，并且设置统一的背景和大小格式。

进一步地，所述步骤S4中的图像识别分类包括样本训练和图像识别两个阶段。

进一步地，所述步骤S4中服务器端的病虫害图像匹配中，通过卷积神经网络模型实现图像分类识别任务，卷积神经网络模型具体工作方法如下：

(1)首先读入统一大小的图像，将图像作为输入数据；

(2)将图像数据送入卷积层，将图像数据与6个过滤器卷积形成6个特征图，得到C1层；

(3)对C1层送入降采样层，对C1层进行2*2到1的降采样操作得到S2层，；

(4)重复上述(2)—(3)的过程，得当C5层，包含120个1*1的特征图，然后将120个的特征图通过全连接的方式传播到10*1的输出层。

进一步地，所述卷积层和降采样层交替分布连接，构成一个“双金字塔”结构。

一种如基于微信公众号的农作物虫害识别系统，包括微信公众号前端、微信后台和微信公众号服务器用户通过微信客户端添加公众号，与微信公众号前端建立通信连接，通过微信公众号前端添加病虫害照片，微信后台将用户请求鉴别的病虫害照片转发至微信公众号服务器，微信公众号服务器进行图像识别，将处理结果以消息形式反馈给微信后台，微信后台再转发给微信公众号前端。

上述技术方案可以看出，本发明的有益效果为：

(1)本发明所述的一种基于微信公众号的农作物虫害识别方法，农户可以关注微信公众号，添加病虫害照片，要添加的图片可以从微信相册添加也可以通过移动终端自带的相机拍摄田间图片。图像会经微信后台传输至服务器端，进行图像识别，以“消息”的形式提供给用户，并提供相应的农业害虫基本信息和防治措施。

(2)本发明所述的一种基于微信公众号的农作物虫害识别系统实现了病虫害的实时自动识别，此病虫害识别系统可以进行广泛的应用而不受到时间地点的限制，彻底解决植保专家数量有限以及人工识别的种种不足，农作物病虫害的防治具有很重要的理论意义和实用价值,也有很广阔的应用前景。

附图说明

图1是本发明的流程示意图；

图2为本发明的农作物虫害识别系统的图像交互示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合图示，进一步阐述上述技术方案。

如图1-2所示的一种基于微信公众号的农作物虫害识别方法，具体工作方法如下：

S1.图像上传，农户关注微信公众号，添加病虫害照片，将图像上传至微信公众号；

S2.图像信息预处理，服务器接收到图像信息并对农作物害虫图像的预处理，取出原始图像的大量多余干扰信息，保留或加强识别主体的特征信息，进而得到中间图像；

S3.图像特征提取，对接收到的图像的每个点进行运算，检测该点属于颜色特征、纹理特征和形态特征中的哪一种；

S4.图像识别分类，根据提取到的图像特征与服务器端的病虫害图像进行匹配；

S5.微信平台端将识别出的病害虫的图像传递给用户。

本实施例中所述步骤S2中预处理过程为平滑去噪、灰度化处理、图像增强和分割处理。

本实施例中所述步骤S3中图像特征提取的方法是首先对图像的颜色特征、纹理特征和形态特征进行提取，将提取出到的三种特征向量进行特征融合。图像的整体特征是非常复杂多变的,图像的颜色、纹理、形态特征在有其自身优势的同时,又不可避免地因为自身特征的属性的特质,有着各自的局限性。在图像识别中,如果仅仅使用单一特征对目标进行识别,必然会存在一定的误差,不能得到理想的识别结果，只有将三种特征向量进行融合，取长补短，才能发挥各自优势，规避各自的缺陷，从而真实准确地表达图像的特征，得到最优化的图像识别率。本项目研究中将采用综合考虑图像的颜色、纹理、形态特征参数进行多特征融合。

采用上述的特征层融合方法的一个关键问题，就是如何确定这些特征的权值，本实施例中使用Fisher线性判别方法求权值。Fisher线性判别是一种线性分类方法，其在模式分类、数据分析、降维等领域得到广泛的应用。

若设模式x在n维空间中有c个模式类,Sb为训练样本类间散布矩阵,Sw为训练样本类内散布矩阵，S为训练样本总体散布矩阵,均为非负定矩阵,且S＝Sb+Sw，则Fisher的准则函数定义为

Jf(x)的值越大越好，也就是类间离散度和类内离散度的化值最大时。

本实施例中所述步骤S4中农作物害虫图像数据集构建的原则如下：根据农作物种类、害虫变态类型、害虫不同姿态、害虫不同拍摄角度进行构建，并且设置统一的背景和大小格式。

本实施例中所述步骤S4中的图像识别分类包括样本训练和图像识别两个阶段。

本实施例中所述步骤S4中服务器端的病虫害图像匹配中，通过卷积神经网络模型实现图像分类识别任务，卷积神经网络模型具体工作方法如下：

(1)首先读入统一大小的图像，将图像作为输入数据；

(2)将图像数据送入卷积层，将图像数据与6个过滤器卷积形成6个特征图，得到C1层；

(3)对C1层送入降采样层，对C1层进行2*2到1的降采样操作得到S2层，；

(4)重复上述(2)-(3)的过程，得当C5层，包含120个1*1的特征图，然后将120个的特征图通过全连接的方式传播到10*1的输出层。

卷积神经网络的工作原理如下：输入层读入经过简单规则化(同一大小)的图片，每一层中的单元将前一层中的一组小的局部近邻单元作为输入，通过局部感知场，神经元抽取基本的视觉特征；

将抽取的视觉特征被更高层的神经元所用，通过利用这些特征，卷积神经网络利用一组分布于图像不同位置但具有相同权值向量的单元，来获取图像的特征并构成一幅特征图在每个位置，来自不同特征图的单元得到的各自不同类型的特征，对一副特征图中的不同单元被限制为对输入图中的各个不同位置的局部数据进行同样的操作，等同于将输入图像对于一个小的核进行卷积，构成卷积层。一个卷积层中通常包含多个具有不同权值向量的特征图，使得在同一个位置能够获得多种不同的特征对卷积后的图像进行局部平均和降采样操作构成降采样层，降低特征图的分辨率和网络输出对于位置和变形的敏感程度。

本实施例中所述卷积层和降采样层交替分布连接，构成一个“双金字塔”结构。

本实施例中一种基于微信公众号的农作物虫害识别系统，包括微信公众号前端1、微信后台2和微信公众号服务器3，用户通过微信客户端添加公众号，与微信公众号前端1建立通信连接，通过微信公众号前端添加病虫害照片，微信后台2将用户请求鉴别的病虫害照片转发至微信公众号服务器3，微信公众号服务器3进行图像识别，将处理结果以消息形式反馈给微信后台2，微信后台2再转发给微信公众号前端1。

本发明结合植物病理知识、计算机网络技术、图像处理技术与模式识别技术，利用微信平台，通过微信公众号的开发将病虫草害的图像识别技术应用在移动设备上，当农户遇到未知害虫时，不需植物病虫诊断专家的在场指导，用一个手机拍下病虫害图像，发送图像给微信公众号，传输到服务器端，在服务器端进行害虫识别，以“消息”的形式提供给用户，并提供相应的农业害虫基本信息和防治措施。即农户只需通过手机“拍照”的方式，诊断出农业病虫害，操作简单、实时性强、成本低。

实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价均落于本申请所附权利要求所限定的范围。