作物病害病斑特征在颜色、纹理及大小表现通常存在一定的差异,该类差异人眼观察容易混淆,利用数据挖掘技术及图像处理技术可以提取作物不同病害的颜色和纹理特征
[11-13],进而实现病害种类的识别和诊断,目前已成为现代农业病害诊断的研究热点。阎园园等
[14]通过提取番茄病虫害叶部的颜色特征和纹理特征组成31
1维特征向量,采用主成分分析法(Principal Components Analysis,PCA)筛选7个贡献率较高的主成分为PCA-支持向量机(Support Vector Machine,SVM)模型的输入,选择PSO-SVM群智能分类器,发现对番茄早疫病、晚疫病、灰霉病3种病害具有较好的分类效果。马超等
[15]对开放环境下采集的水稻主要病害图片进行方向梯度直方图(Histogram of Oriented Gradient,HOG)特征提取,利用SVM模型进行训练,用于对整幅图的病斑自动检测,综合识别率可达94%以上,病斑定位正确率可达91.7%。刘翠翠等
[16]采用K-Means聚类分割技术分离出麦冬叶病害病斑,提取46
1维颜色、纹理等病斑特征,利用PCA对46维特征选取主成分,将选取的主成分输入设计的多级分类器进行病害识别,开发出麦冬叶病害识别系统识别率达到了94.4%。党满意等
[17]基于机器学习方法,讨论了马铃薯叶片上晚疫病斑颜色、纹理及形状特征的优势与局限性,提出颜色、纹理及形状特征结合的识别方法,结果表明患病中期与后期的识别率分别为90%和92.5%。Castelao等
[18]通过提取大豆病叶的纹理形状等视觉属性特征来描述病叶的物理特性,通过简单的线性迭代聚类方法进行识别,采用6种不同高度的分类实验,其中1~2 m的识别率达98.34%,每增加1 m衰减2%。Durmus等
[19]为了比较AlexNet和Squezenet两个网络框架在机器人上实时运行的效果,采用PlantVillage数据集中10类番茄叶片图像进行深度学习训练,AlexNet的识别率达95.65%,SqueezeNet的识别率为94.3%。Yamamoto等
[20]将超分辨率的方法应用到番茄病害的低分辨率图像中,采用超分辨率卷积神经网络(Super-Resolution Convolutional Neural Network,SRCNN)算法分别对高分辨率、低分辨率和超分辨率图像进行病害分类识别,发现超分辨率图像比低分辨率图像分类精度更好,达90%。吴华瑞
[21]提出基于深度残差网络的番茄叶片病害识别,利用贝叶斯优化算法自主学习网络中的超参数,降低了深度学习网络的训练难度,解决了由于梯度爆炸造成的过深层次病害识别网络模型性能下降问题,实现了4种番茄叶片病害的高识别率。李淼等
[22]引入知识迁移和深度学习的方法,利用互联网公开的PlantVillage植物病害公共数据集得到预训练模型,在改进的网络模型AlexNet和VGG模型(Visual Geometry Group Network)上用实验室数据对预训练模型参数调整后对水稻和黄瓜共8种病害进行识别,参数微调最高识别率为98.33%,使用Mobilenet瓶颈层特征提取策略的验证准确率达到96.8%。