论文部分内容阅读
茶树在生长过程中容易受到病害侵染,茶叶病害严重影响茶叶的产量和品质。对病害的有效防治需要准确地识别病害。随着人工智能和计算机视觉的不断发展,利用图像特征进行植物病害的自动化识别变得可行。然而,自然场景下拍摄的病害茶叶图像背景复杂、光照不均匀,严重影响了对病害识别的准确率。同时由于资金不足、茶叶病害样本采集受时间、天气以及采集区域的影响,样本的种类和数量都十分有限。小样本条件下的机器学习会产生过拟合问题,识别精度和鲁棒性不足。故本文围绕自然场景和小样本为前提,研究如何提高茶叶病害识别准确率,主要研究内容及成果如下:1、提出了一种基于支持向量机和深度网络的小样本下自然场景图像中茶叶病害识别方法。首先对病害茶叶进行病斑分割以解决自然场景下获取的茶叶病害图像背景复杂问题。由于支持向量机适合于高维度、高噪声、小样本学习,本文利用支持向量机学习方法实现病害茶叶的病斑分割。其次,通过图像增广方式扩充训练样本数量,用来训练深度学习模型,解决小样本问题。将分割出的茶叶病斑图像用改进的条件深度卷积生成对抗网络(C-DCGAN-GP)进行图像扩充。最后将扩充后的茶叶病斑图像训练VGG16深度学习分类网络,最终实现茶叶病害识别。实验结果表明,小样本下的基于支持向量机的病斑分割方法能有效提高分割准确性,分割后的病斑图像较好地保留了病斑的边缘信息。基于C-DCGAN-GP和VGG16深度网络的小样本下的茶叶病害识别方法的识别率高于传统机器学习方法。2、提出了一种结合深度迁移和Cayley-Klein度量的小样本下自然场景图像中茶叶病害识别方法。在利用支持向量机分割茶叶病害图像中的病斑后,运用深度迁移学习方法提取分割出的病斑的特征,再利用Cayley-Klein度量学习实现病害的分类识别。深度迁移学习模型用来提取小样本下的病斑特征,可以避免人工提取特征的不足,又可以防止小样本下的过拟合问题。Cayley-Klein度量学习能够反应样本的空间结构信息和语义信息,利用Cayley-Klein度量学习识别茶叶病害,可以有效提高识别精度。实验结果表明,相比于经典的机器学习方法和深度学习方法,结合深度迁移和度量学习的小样本下茶叶病害识别方法具有更高的平均识别精确率。