基于深度学习和支持向量机的4种苜蓿叶部病害图像识别

• 作者: 刘东霞 孙炳达 王海光 秦丰 阮柳 马占鸿
• 来源期刊: 中国农业大学学报
• 学科: 农学
• 关键词: 苜蓿 病害 图像识别 特征提取 深度学习 卷积神经网络 支持向量机
• 年，卷（期）: 2017,（7）
• 页码范围: 123-133
• 页数: 11页
• 分类号: S126|S431.9
• 语种: 中文
• DOI: 10.11841/j.issn.1007-4333.2017.07.15

摘要

为实现苜蓿叶部病害的快速准确诊断和鉴别,基于图像处理技术,对常见的4种苜蓿叶部病害(苜蓿褐斑病、锈病、小光壳叶斑病和尾孢菌叶斑病)的识别方法进行探索.对采集获得的899张苜蓿叶部病害图像,利用人工裁剪方法从每张原始图像中获得1张子图像,然后利用结合K中值聚类算法和线性判别分析的分割方法进行病斑图像分割,得到4种病害的典型病斑图像(每张典型病斑图像中仅含有1个病斑)共1 651张.基于卷积神经网络提取病斑图像特征,建立病害识别支持向量机(Support vector machine,SVM)模型.结果表明:当病斑图像尺寸归一化为32×32像素,利用归一化的特征HSV(即特征H、特征S和特征V归一化后的组合特征)构建的病害识别SVM模型最优,其训练集识别正确率为94.91％,测试集识别正确率为87.48％.本研究基于深度学习和SVM所建立的病害识别模型可用于识别上述4种苜蓿叶部病害.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	马占鸿	中国农业大学植物保护学院	94	1066	17.0	28.0
2	王海光	中国农业大学植物保护学院	51	652	16.0	23.0
3	孙炳达	中国科学院微生物研究所	10	133	6.0	10.0
4	阮柳	中国农业大学植物保护学院	3	56	3.0	3.0
5	秦丰	中国农业大学植物保护学院	6	71	4.0	6.0
6	刘东霞	河北北方学院农林科技学院	8	135	5.0	8.0