基於倒排索引改進勢函式的黃瓜病害圖像識別研究

《基於倒排索引改進勢函式的黃瓜病害圖像識別研究》是依託中國科學院合肥物質科學研究院，由袁媛擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：基於倒排索引改進勢函式的黃瓜病害圖像識別研究
• 項目類別：青年科學基金項目
• 項目負責人：袁媛
• 依託單位：中國科學院合肥物質科學研究院

項目摘要

在田間實際獲取的黃瓜病害圖像容易受到拍攝現場環境的干擾，存在樣本間差異大的問題。現有分類識別方法（支持向量機、人工神經網路等）對原始樣本依賴性強，針對自然環境下實際拍攝的黃瓜病害圖片，難以得到較好的分類結果。針對上述問題，本項目擬基於勢函式方法在高維特徵空間中對線性不可分問題的強分類能力，重點開展：（1）研究適合於黃瓜病害特徵的勢函式模型表達方法，通過多項式的合理構建減少勢函式的運算量；（2）研究黃瓜病斑圖像特徵提取與壓縮方法，提高大樣本數據條件下的計算速度和病斑特徵的區分度；（3）研究基於倒排索引改進勢函式的黃瓜病害圖像分類識別，尋求使用大容量自然情況下拍攝樣本案例訓練以減少傳統算法對病害樣本庫的依賴性，提高黃瓜病害識別準確率。通過上述研究，突破自然環境下拍攝的黃瓜病害圖片的分類識別關鍵技術，為基於圖像處理技術的農作物病害自動識別診斷提供一定技術支撐。

結題摘要

在田間實際獲取的作物病害圖像容易受到拍攝現場環境的干擾，存在樣本間差異大的問題。針對上述問題，本項目開展了以下研究： （1）複雜背景條件下的作物病斑分割方法 針對自然環境下採集的作物病害圖像背景複雜，光照多變以及病斑本身形式多變等問題，研究了基於混合顏色空間和雙次Otsu的圖像分割方法，算法的錯分率為2.12%。該算法對光照變化具有一定的魯棒性。 （2）作物病害圖像檢索方法 ①將基於內容的圖像檢索技術套用於作物病害圖像分類識別，在倒排索引壓縮方面利用哈希方法將特徵向量映射到二值化數值，減小了存儲空間，提高了特徵匹配效率，該方法對未經處理的大樣本作物病害原始圖像具有良好的魯棒性； ②為解決作物病害圖像檢索識別中因僅使用單一底層特徵而導致病害識別準確率不高的問題，提出一種自適應的融合策略，對病害圖像的BoW_Traditional（全局）特徵和BoW_Sift（局部）特徵的檢索結果進行有效融合，平均診斷正確率90.84%。 （3）基於遷移學習的作物病害識別方法 ①基於實例遷移的文本分類方法，提出一種訓練集最佳化的改進TrAdaBoost方法。首先基於KNN分類算法輔助數據集最佳化算法，對與目標病害數據相似度較低的輔助數據進行過濾，然後採用TrAdaBoost的思想調整訓練數據的權重，最後得到一個性能較優的病害圖像分類模型，實驗表明提出的方法較原始TrAdaBoost方法和傳統方法SVM在目標訓練病害數據較少時分類效果更好； ②結合CNN和遷移學習，實現小樣本作物病害圖像的自動識別。通過構建不同深度的CNN，研究了適合作物病害圖像數據集的網路模型，並完成了作物病害特徵的自動提取，利用遷移學習的訓練機制，對5個卷積層的CNN可以達到90.84％的分類結果。 通過上述研究，解決自然環境下拍攝的作物病害圖片的分類識別關鍵技術，為基於圖像處理技術的農作物病害自動識別診斷提供一定技術支撐。