一种基于人的心理认知模型的青菜病害分类检测方法

本发明涉及一种基于人的心理认知模型的青菜病害分类检测方法，这种心理认知在此被认为是人类共有的判断和决策中的系统性错误，看似不合理的理性模式又可以使人类做出快速的判断和决策。此方法适用于青菜病害识别时难以监测、获取样本数据的情况。

背景技术：

青菜作为一种日常食用的蔬菜，为我们人类提供了多种人体所需的维生素和矿物质，一定程度上促进了我们人的身体健康。青菜作为一种草本植物，在生长过程中极易受到不同种病害的影响。病虫害导致的青菜品相不佳或减产直接影响了大面积种植的菜农的收入。为了及早避免、防止病害，现有的青菜病害分类主要有人工识别方式和设置摄像装置监测，在大面积种植青菜背景下使用人工识别又耗时耗力耗资金，且人工识别会因为疲劳导致疏漏，在菜田里搭设识别病虫害的摄像装置又容易受到雨雪大风自然环境或者其他昆虫的影响。

在我们自然状态下所处的环境中，由于认知限制、动机因素或对自然界的适应(亦或是自然环境对人的训练的结果)，人可以很好地从单一或者不平衡分布的情况中进行快速而正确地学习并做出恰当的决定。因此人们能通过简单的案例学习或者信息交流，快速抓取到关键特征。例如小朋友可以直接通过动物园里或者画本里的某只狮子来学习“狮子”的特征，下次可以直接识别狮子；或者人与人之间通过“如果a，那么b”这样的沟通习惯来得到“如果非b，那么非a”的信息。我们把类似符合上述的认知模型归纳为“对称偏差”和“互斥偏差”。松散对称模型包含了对称偏差和互斥偏差两种认知模型，是人的心理认知模型的一种。

通过人的心理认知模型可以使分类器通过少量的青菜病害数据样本训练进行快速而准确地学习，在此过程中首先利用人的心理认知模型对不同的病虫害正负样本赋以不同的权重，使现有的训练器对不同权重的样本进行不同程度的学习，强化病害样本在分类时的权重，最终实现确定分类边界的灵活性，提高分类器在青菜病害分类检测问题中的精确度。

现有的青菜病害分类检测主要有人工识别方式和摄像装置监测两种，长时间人工识别人员的疲劳导致疏漏同时面对大面积的种植面积，也需要大量的人力成本；设置摄像装置监测容易受到户外自然环境的干扰，这些因素一定程度上影响了青菜种植户的收入。

技术实现要素：

本发明要克服现有方法的上述缺点，介绍一种基于人的心理认知模型的青菜病害分类检测方法。

本发明能够使在病害样本、正常样本不平衡的青菜病害数据集训练下仍能保证确定分类决策面的灵活度，提高检测的精确度，提出了把人的心理认知模型运用到现有算法的训练过程中的方法，为避免青菜病害数据样本不平衡对分类结果的影响提供了一种新的应用思路。

本发明解决其技术问题所采用的技术方案是：

一种基于人的心理认知模型提升分类器识别青菜病害的分类检测方法，含有以下步骤：

步骤1：获取图像并对图像进行处理，获取多份病害区域、正常区域的青菜样本数据，分别以病害区域样本x1、x2为圆心画圆找出距离其最近的k个样本点；

步骤2：分别计算最近的k个样本点中病害样本、正常样本所占的比例，并由此作出2×2列联表，表示样本x1、样本x2作为病害样本出现在最近邻的k个样本点中病害样本、正常样本中的概率；

步骤3：结合步骤2所作列联表，利用人的松散对称模型再次计算样本x1、x2作为病害样本出现在最近邻的k个样本点中病害样本、正常样本中的概率；

步骤4：把步骤3计算出的结果作为样本xi在分类器训练过程中的权重，这个值越大表示样本xi的精确度越高，越远离决策面，在决策中占的权重越高；

步骤5：重复以上步骤确定其他病害样本和正常样本的权重并用svm算法进行最终训练，根据不同样本的不同重要程度进行训练学习。

步骤6：用训练好的svm分类检测器对待检测的青菜进行病害检测。

本发明提出了利用人的心理认知模型对不同的青菜病害样本赋以不同的权重，帮助分类器在青菜病害样本不平衡的情况下提高分类检测精度，为及早预防、发现青菜病害提供了一种新的应用思路。

人可以很好地从单一或者不平衡分布的案例中进行快速抓取到关键特征从而正确地学习、并作出恰当的决定。我们由此把包含“对称偏差”和“互斥偏差”的模型归纳为松散对称模型，这是人的心理认知特性的一种。把人的这种心理认知模型添加到青菜病害分类器的训练过程中，对不同的样本赋以不同的权重，强化病害样本在分类时的权重，来实现确定分类边界的灵活性，提高分类检测精度。

与现有技术相比，本发明技术方案的优点有：

(1)不平衡数据训练集中也能保证算法训练精度

(2)不同的样本在训练过程中的权重不同，强化了关键样本在训练过程中的作用

附图说明

图1是本发明的流程图

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述。

本发明解决其技术问题所采用的技术方案是：

一种基于人的心理认知模型提升分类器识别青菜病害的分类检测方法，含有以下步骤：

步骤1：获取图像并对图像进行处理，获取多份病害区域、正常区域的青菜样本数据，分别以病害区域样本x1、x2为圆心画圆找出距离其最近的k个样本点；

步骤2：分别计算最近的k个样本点中病害样本、正常样本所占的比例，并由此作出2×2列联表，表示样本x1、样本x2作为病害样本出现在最近邻的k个样本点中病害样本、正常样本中的概率,分别用字母a、b、c、d来表示；

步骤3：结合步骤2所作列联表，利用人的松散对称(ls模型)再次计算样本xi作为病害样本出现在最近邻的k个样本点中病害样本、正常样本中的概率；

步骤4：把步骤3计算出的值作为样本xi在算法训练过程中的权重，这个值越大表示样本xi的精确度越高，越远离决策面，在决策中占的权重越高；

步骤5：重复以上步骤确定其他病害样本和正常样本的权重并用svm算法进行最终训练，根据不同样本的不同重要程度进行训练学习。

步骤6：用训练好的svm分类检测器对待检测的青菜进行病害检测。

本发文所称的青菜病害，参见金伦，钱莱等人于2020年发表的《基于深度学习的青菜病害区域图像语义分割与定位》一文。

本发文所称的人的松散对称模型、对称偏差、互斥偏差，参见hidetakataniguchi,hiroshisato&tomohiroshirakawa等人于2017年发表的《amachinelearningmodelwithhumancognitivebiasescapableoflearningfromsmallandbiaseddatasets》一文。

本发明涉及一种基于人的心理认知模型的青菜病害分类检测方法，这种心理认知在此被认为是人类共有的判断和决策中的系统性错误，看似不合理的理性模式又可以使人类做出快速的判断和决策。此方法适用于青菜病害识别时难以监测、获取样本数据的情况。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。