基于稀疏流形学习和环境影响因子的植物病害识别方法研究

Early detecting and recognizing the plant diseases is the precondition of the plant disease control. The symptom of plant disease leaf is one important basis for plant disease discover and type identification, and the environmental information of the plant disease is useful for accurately recognizing the plant diseases. The proposed project will systematically study the key problems of plant disease recognition based on the plant disease leaves and environment information. Firstly, a segmentation algorithm of the disease leaf image with complex background is proposed based on the dynamic marking watershed method. Secondly, a novel sparse manifold learning method is proposed with both the local and global preserving projection, and an effective solution is devised by applying the minimum set cover theory and spectral regression techniques to perform the real-time dimensionality reduction of the large-scale disease leaf spot image data. Thirdly, an environmental impact factor is defined to quantitatively characterize the environmental impact on the plant diseases. And then, a plant disease recognition method based on sparse manifold learning is proposed by considering the leaf symptoms and the environmental impact. Finally, a database about public disease leaf images with various complex backgrounds is established to verify the effectiveness of the proposed algorithms. The proposed project will not only make a progress in studying the plant disease recognition methods, but also be of great socio-economic value.

及早检测和识别植物病害是防治病害的前提。植物病害叶片症状是发现病害和识别病害类别的重要依据之一，而利用植物病害的环境信息有助于提高植物病害识别算法的准确率。本项目旨在系统研究基于病害叶片与环境信息的植物病害识别中的关键问题。首先，提出一种基于动态标记分水岭法的复杂背景下的病害叶片图像分割算法；然后，提出一种局部与全局联合保持投影的稀疏流形学习方法，并构建基于最小覆盖原理和谱回归策略的高效求解方案，以实现大规模复杂病害叶片病斑图像实时维数约简；第三，定义一种植物病害环境影响子，用来定量地表征环境信息对植物病害发生的影响。在此基础上，提出一种基于稀疏流形学习的叶片症状和环境影响子相结合的植物病害识别方法；最后，建设包含多种背景下的常见植物病害叶片图像数据库，验证所提出算法的有效性。本项目的开展不仅将对植物病害识别的方法研究起到一定的推动作用，而且还具有很大的社会经济价值。

植物病害识别方法和系统研究一直是世界各国普遍重视的一个重要的研究课题。及早检测和诊断植物病害类型是病害防治的前提；植物病害叶片症状是监测病害和识别病害类别的重要依据之一，而利用植物病害的环境信息有助于提高植物病害识别算法的准确率。课题组依据项目内容、研究方案和研究进展等情况，重点研究了基于病害叶片与环境信息的植物病害识别中的关键问题，较好地完成了课题的预期目标。主要工作包括：（1）建设了一个黄瓜、冬枣和其他植物常见病害叶片图像数据库；（2）针对稀疏表示的不足之处和植物病害叶片图像分割、特征提取、分类与识别中的关键问题，集中研究了基于稀疏学习的植物病害叶片图像分割和病害识别的方法与系统，提出了多种植物物种识别和植物病害叶片图像预处理、分割、特征提取和识别方法，并应用于实际植物病害识别、分类中；（3）与陕西省宝鸡市农业科学研究院合作，联合共建了一个科研示范基地。借助此平台系统，农业专家为广大农民提供了病害防治技术咨询指导。广大用户通过数据库在线学习农植物病害诊断、识别和防治技术，同时提供实时的农植物病害防治信息服务。. 经过四年的努力，课题组取得了很多研究成果，发表与项目相关的国际期刊SCI学术论文16篇、国内EI检索和核心期刊20多篇，申报专利6项授权2项，获得陕西省专利三等奖1项、陕西高等学校科学技术奖励三等奖1项。围绕该项目，申报了陕西省基础研究计划项目、陕西省民办高等教育发展专项资金、西京学院专项科研基金等多项，其中完成的陕西省自然科学基金项目被评为优秀。此外，课题组针对研究计划执行过程中遇到的技术问题，做了一些拓展性的研究工作，其研究成果更加有效地探索基于稀疏表示、流形学习以及深度学习的植物病害叶片图像分类与识别的方法，为植物病害自动防治系统提供技术支撑。本项目研究不仅可以推动植物病害智能化研究的发展，还具有很大的社会经济价值和应用前景。