基于引力核密度聚类算法的作物病害叶片区域的快速检测

针对作物病害叶片图像的复杂性和模糊性,提出一种基于引力核密度聚类算法的作物叶片病害区域快速检测方法:首先,在RGB颜色空间提取病害叶片图像的R通道值,根据R值的特征直方图特性,运用多项式拟合特征直方图曲线,根据导数性质确定拟合特征直方图曲线的峰值点和峰值区域,确定病害叶片图像聚类数和初始聚类中心;根据初步确定的病变叶片图像的聚类中心,运用引力核密度聚类算法快速完成对病害叶片病斑的分割。试验结果表明,基于引力核密度聚类算法的平均分割精度达80%以上,平均检测时间为4.912 s,优于已有病害区域分割算法K–means和Meanshift的性能。

基于深度学习的轻量化农作物叶片病害识别模型

针对传统图像分类模型在识别农作物叶部病害过程中因计算资源消耗高昂从而难以部署于实际生产中的问题,本研究提出一种基于MobileNet v3的轻量化农作物叶片病害识别模型EDCA-MobileNet v3。首先在高效注意力机制中加入一条并行路径,提取不同区域的通道特征信息进行编码融合,得到新的高效双通道注意力机制EDCA,将EDCA注意力机制嵌入到MobileNet v3网络中的倒置残差结构中以提高模型的跨通道信息捕获能力;其次将原始网络中的ReLU、Hard Swish激活函数替换为SiLU激活函数以增强模型的泛化能力;最后根据农作物叶片病害特征调整网络结构和通道维度以降低模型计算量,删减不必要的网络层以抑制过拟合。结果表明,改进模型对农作物叶片病害的识别准确率达到了98.95%,较原始模型提高了2.64百分点,同时参数量下降到2.02 M,为原始模型的79.53%,权重大小仅有4.39 M,模型还在未出现过的新作物和新病害上具有较好的泛化能力。本研究模型具有高效、轻量的特点,因而适合在计算资源有限的移动设备和农机上部署,为农作物叶片病害防治与诊断提供技术支撑。

基于不变矩的作物病害识别方法

针对作物病害识别的复杂性,提出一种基于不变矩(invariants moments,IM)算法的病害识别方法。对作物病害叶片图像进行不变矩特征提取,采用最近邻分类器对作物病害叶片进行识别。以芹菜病害叶片为材料,进行病害识别,结果表明,该方法是有效可行的。

基于局部二值模式的作物叶部病斑检测

根据作物叶片症状准确、快速检测作物病害是防治和控制作物病害的基础。为准确检测作物叶部病害,在窗阈值中心对称局部二值模式(WTCSLBP)的基础上,提出了一种作物病斑检测方法。首先利用自适应局部二值模式获取正常叶片图像特征并确定病斑判断阈值,然后将待检测叶片图像分割为大小相同的检测窗,并提取同样特征与阈值进行比较,以判断该检测窗是否有病斑。在三种苹果病害叶片图像数据库上的实验结果表明,该方法能够有效检测作物病斑分布特性。与中心对称LBP(CS-LBP)和WTCSLBP相比,该方法具有更少的特征维数和更高的正确识别率。