(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210820891.X (22)申请日 2022.07.12 (71)申请人 中国农业大 学 地址 100193 北京市海淀区 圆明园西路2号 (72)发明人 王海光　蒋倩　王红丽　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 耿琦 (51)Int.Cl. G06V 10/25(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 基于无监督学习的小麦条锈病严重度评估 方法及装置 (57)摘要 本发明提供一种基于无监督学习的小麦条 锈病严重度评估方法及装置。 该方法包括： 获得 待评估的发病叶片图像中病斑面积占发病叶片 总面积的实际百分率； 根据实际百分率及基于无 监督学习得到的病害严重度评估模型对发病叶 片图像中的发病叶片进行严重度评估， 确定相应 发病叶片的严重度级别； 病害严重度评估模型是 基于样本发病叶片图像及样本发病叶片图像对 应的病害严重度评估结果训练得到。 本发明公开 的方法， 能够获得理想的严重度评估结果， 具有 较高的可应用性， 提高了小麦条锈病严重度评估 的准确率， 也为其他植物病害严重度的评估提供 了参考， 从而 为植物病害预报、 品种选育、 品种抗 病性鉴定及病害防治策略制定等提供了更可靠 的支撑。 权利要求书3页 说明书15页 附图2页 CN 115239947 A 2022.10.25 CN 115239947 A 1.一种基于无监 督学习的小麦条锈病严重度评估方法， 其特 征在于， 包括： 获取待评估的发病叶片图像； 获得发病叶片图像中病斑面积占发病叶片总面积的实际百分率； 根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶 片图像中的发病叶片进行严重度评估， 确定相应发病叶片的严重度级别； 其中， 所述病 害严重度评估模型是基于样本发病叶片图像以及所述样本发病叶片图像 对应的病害严重度评估结果训练得到的。 2.根据权利要求1所述的基于无监督学习的小麦条锈病严重度评估方法， 其特征在于， 在根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片 图像中的发病叶片进行严重度评估之前， 还 包括： 获取小麦条锈病各个严重度级别的样本发病叶片图像； 对所述样本发病叶片图像进行分割， 获得样本发病叶片区域和样本病斑区域； 基于所述样本发病叶片区域和所述样本病斑区域， 分别确定样本发病叶片总面积和样 本病斑面积； 确定小麦条锈病各个严重度级别对应的样本发病叶片图像的所述样本病斑面积占样 本发病叶片总面积的实际百分率； 基于所述样本病斑面积占样本发病叶片总面积的实际百分率， 利用无监督学习方法建 立小麦条锈病的初始病害严重度评估 模型； 以严重度评估准确率为评价指标， 对所构建的所述初始病害严重度评估模型进行评 价， 获得基于无监 督学习的病害严重度评估 模型。 3.根据权利要求2所述的基于无监督学习的小麦条锈病严重度评估方法， 其特征在于， 在获得样本发病叶片区域和样本病斑区域之后， 还包括： 确定所述样本发病叶片区域总像 素数量和所述样本病斑区域的像素数量； 基于所述样本发病叶片区域总像素数量和所述样 本病斑区域的像素数量， 确定各个严重度级别的每个样本发病叶片图像对应的样本病斑区 域的像素数量占样本发病叶片区域总像素数量的百分率， 将所述每个样本发病叶片图像对 应的样本病斑区域的像素数量占样本发病叶片区域总像素数量的百分率作为所述样本病 斑面积占样本发病叶片总面积的实际百分率。 4.根据权利要求2所述的基于无监督学习的小麦条锈病严重度评估方法， 其特征在于， 以严重度评估准确 率为评价指标， 对所构建的所述初始病害严重度评估模型进行评价， 获 得基于无监 督学习的病害严重度评估 模型， 具体包括： 将小麦条锈病各个严重度级别对应的样本发病叶片图像的所述样本病斑面积占样本 发病叶片总面积的实际百分率作为数据集样本； 所述数据集样本包含训练集样本和测试集 样本； 利用初始的K均值聚类模型或初始的谱聚类模型对所述训练集样本的聚类准确率进行 统计， 并利用所述初始的K均值聚类模型或所述初始的谱聚类模型对所述测试集样本进行 小麦条锈病的严重度评估并统计预测准确率， 基于所述聚类准确率和所述预测准确率确定 所述初始的K均值聚类模型或所述初始的谱聚类模型针对各个严重度级别的评估结果， 选 择评估结果满足预设条件的K均值聚类模型或谱聚类模型作为所述病害严重度评估模型； 其中， 所述初始病害严重度评估 模型为初始的K均值聚类模型或初始的谱聚类模型。权　利　要　求　书 1/3 页 2 CN 115239947 A 25.根据权利要求1所述的基于无监督学习的小麦条锈病严重度评估方法， 其特征在于， 根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片图 像中的发病叶片进行严重度评估， 确定相应发病叶片的严重度级别， 具体包括： 将所述实际百分率输入到所述病 害严重度评估模型中进行严重度判别， 并根据严重度 判别结果确定所述发病叶片图像中的发病叶片的严重度级别。 6.一种基于无监 督学习的小麦条锈病严重度评估 装置， 其特 征在于， 包括： 图像获取 单元， 用于获取待评估的发病叶片图像； 实际百分率确定单元， 用于获得发病叶片图像中病斑面积占发病叶片总面积的实际百 分率； 严重度级别评估单元， 用于根据所述实际百分率以及基于无监督学习得到的病害严重 度评估模型对所述发病叶片图像中的发病叶片进 行严重度评估， 确定相应发病叶片的严重 度级别； 其中， 所述病 害严重度评估模型是基于样本发病叶片图像以及所述样本发病叶片图像 对应的病害严重度评估结果训练得到的。 7.根据权利要求6所述的基于无监督学习的小麦条锈病严重度评估装置， 其特征在于， 在根据所述实际百分率以及基于无监督学习得到的病害严重度评估模型对所述发病叶片 图像中的发病叶片进行严重度评估之前， 还 包括： 样本图像获取 单元， 用于获取小麦条锈病各个严重度级别的样本发病叶片图像； 样本图像分割单元， 用于对所述样本发病叶片图像进行分割， 获得样本发病叶片区域 和样本病斑区域； 区域面积确定单元， 用于基于所述样本发病叶片区域和所述样本病斑区域， 分别确定 样本发病叶片总面积和样本病斑面积； 样本病斑面积 实际百分率确定单元， 用于确定小麦条锈病各个严重度级别对应的样本 发病叶片图像的所述样本病斑面积占样本发病叶片总面积的实际百分率； 初始病害严重度评估模型构建单元， 用于基于所述样本病斑面积占样本发病叶片总面 积的实际百分率， 利用无监 督学习方法建立小麦条锈病的初始病害严重度评估 模型； 病害严重度评估模型确定单元， 用于以严重度评估准确率为评价指标， 对所构建的所 述初始病害严重度评估 模型进行评价， 获得基于无监 督学习的病害严重度评估 模型。 8.根据权利要求6所述的基于无监督学习的小麦条锈病严重度评估装置， 其特征在于， 在获得样本发病叶片区域和样本病斑区域之后， 还包括： 第二百分率确定单元， 用于确定所 述样本发病叶片区域总像素数量和所述样本病斑区域的像素数量； 基于所述样本发病叶片 区域总像素数量和所述样本病斑区域的像素数量， 确定各个严重度级别的每个样本发病叶 片图像对应的样本病斑区域的像素数量占样本发病叶片区域总像素数量的百分率， 将所述 每个样本发病叶片图像对应的样本病斑区域的像素数量占样本发病叶片区域总像素数量 的百分率作为所述样本病斑面积占样本发病叶片总面积的实际百分率。 9.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑5任意一项 所述的基于 无监督学习的小麦条锈病严重度评估方法的步骤。 10.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该计算机权　利　要　求　书 2/3 页 3 CN 115239947 A 3