基于深度学习的苹果叶面病害缺素识别系统

针对叶面病害对苹果单产水平的提升产生负面影响的问题,将斑点落叶病、花叶病、褐斑病、灰斑病和锈病等五种作为重点。主要研究内容及结果如下:在苹果叶面存在差异以及图像环境不一的影响下,对病害图像进行去噪操作后,通过对关注主体的图像增强及Ostu法进行彩色图像分割,得到病斑特征与背景灰度的强度比图像。记下分割后的二值化图像的像素灰度值为0的坐标,并使原图在对应位置的像素灰度值为0。通过对卷积神经网络的特征提取,得出颜色、形状、纹理三种病斑特征参数。运用数学方法提取病斑的H方差后,得到H-S直方图为区分病斑的主要参照,采用一定的权重对特征参数建立病叶特征判别函数。根据判别函数对苹果叶片病害进行有效的统计学归类,建立Swin Transformer识别模型,将图像从测试数据集精准分类到特定的叶面病害类型。对卷积神经网络模型进行改进后,训练获得AlexNet-F苹果病害识别模型。采用Python代码运行程序,使用Python语言的Django框架,将苹果叶面病害识别模型及知识图谱作为核心,融合前端、数据库技术来开发系统。结果表明,上述分类操作能够对重点的五种苹果叶面病害图高效识别,满足项目作为识别系统的需要。