基于卷积神经网络深度特征融合的番茄叶片病害检测

为提高对叶片病害的识别性能和速度,针对传统手工设计特征识别能力有限的问题,提出了一种基于卷积神经网络(convolutional neural networks,CNN)深度特征融合的植物叶片病害检测方法。首先自动提取不同深度神经网络模型的深度特征,利用典型相关分析(canonical correlation analysis,CCA)进行特征融合,增加特征空间的丰富性和鲁棒性;然后与线性判别分析(linear discriminant analysis,LDA)降维算法相结合,利用LDA最大化类间距离,弥补CCA算法的弱点;最终得到精练良好的植物叶片特征表示。对最终得到的特征进行支持向量机(support vector machine,SVM)分类,在10类番茄叶片数据集上的分类准确率达98.7%,识别速度达30张/s。相比利用GoogleNet深度学习模型和深度特征级联融合分类,准确率分别提高了4%与1%;与使用CCA融合相比分类准确率下降了0.1%,但其识别速度远远高于CCA融合。对比实验表明,所提算法在去除特征冗余的同时较好地保留了相关特征信息,能快速而准确地对番茄叶片进行检测。