基于集成学习的蔬菜病害识别与病级划分方法研究

The type and grade of vegetable diseases is an important basis for the amount of farm chemicals. How to identify and estimate it accurately is a technical problem which presses for solution. As the ensemble learning can remarkably improve the generalization ability and recognition performance of classification systems, it is introduced into vegetable disease recognition to study the methods and systems for recognition and grade division of the vegetable disease oriented to mobile terminal. Aiming at this application model, the main contents of this project include: 1) Propose image preprocessing methods applicable to various light, scenes, noises, and so on. 2) Propose an automatic image segmentation method that can separate the sick leave of vegetable from the original image, and extract the disease spots from the leave. Then, calculate the areas of the leave and the disease spots respectively. 3) Propose a new classifier selection criterion based on the sparsity and diversity. According to the criterion design a dynamic classifier selective ensemble algorithm with better performance, and construct a multiple classifier system with both the accuracy and efficiency. 4) Design an intelligent analysis system for the vegetable disease based on mobile terminal with Android system. The project can not only enrich the theory of machine learning, but also provide a new method for diagnosing crop diseases rapidly. Moreover, it has an important practical significance to reduce the amount of farm chemicals in the field.

蔬菜病害的种类及其病级是决定农药使用量的一个重要依据。如何对其准确的识别和判断是一个迫切需要解决的技术问题。由于集成学习能够显著地提高系统的泛化能力和识别性能，本课题将其引入到蔬菜病害的识别中，研究面向移动终端的蔬菜病害识别与病级划分方法及系统。针对该应用模式，本课题主要研究内容包括：1）提出针对不同光照、场景、噪声等情况下的图像预处理方法；2）提出一种蔬菜病害叶片及叶片上病斑的图像自动分割方法，计算病叶及各病斑的面积；3）提出一种基于稀疏性和差异性的分类器选择标准，据此设计出性能更优的分类器动态选择集成算法，构建兼顾精度和效率的多分类器系统；4）设计一套基于Android系统手机的蔬菜病害智能分析系统。本课题的研究不仅可丰富机器学习理论，而且可为农作物病害的快速诊断提供新的方法，对田间用药量的减少具有重要的现实意义。

病害是制约蔬菜高产、优质、高效益的一个重要因素。对病害种类以及病级的准确识别与划分是实现病害及时防治的前提。为此，本项目紧紧围绕“如何提高蔬菜病害识别与病级划分的准确度”这一核心科学问题开展了为期3年的应用基础研究，重点涉及图像预处理、病斑分割和多分类器集成三个方面，主要研究内容及取得的科研成果包括：. (1) 在图像预处理方面，提出了一种基于引导滤波的自适应图像增强方法，以提高田间光照不均匀条件下采集的作物图像的视觉效果。. (2) 在病斑分割方面，提出了一种基于Chan-Vese模型与Sobel算子的作物叶片图像分割方法，以实现对叶片重叠区域的准确分割，完整地提取出目标叶片，算法的分割错误率为4.28%；提出了一种基于K-means聚类的作物病害图像自适应分割方法，以实现对目标叶片中病斑区域的准确分割和提取，算法的分割错误率为4.69%；根据病斑所占叶片面积的比例即可实现病级的准确划分。. (3) 在多分类器集成方面，提出了一种结合稀疏性的差异性度量优化方法，在此基础上，设计了一种基于稀疏性和差异性的启发式分类器选择方法；提出了一种基于动态集成的作物叶部病害识别方法，实现了对黄瓜正常叶片、白粉病、霜霉病和灰霉病的正确分类，识别错误率为3.32%。. (4) 集成上述研究成果，研发了一套面向移动终端的蔬菜病害智能分析系统，并在金种子育种云平台下开展成果应用。. 在本项目支持下，发表学术论文9篇，其中SCI收录3篇，EI收录论文4篇；录用期刊论文4篇，其中SCI期刊\EI期刊论文各1篇；授权中国发明专利2项，申请中国发明专利5项；获得软件著作权3项；培养研究生5名，已毕业博士研究生1名，在读博士\硕士研究生各2名；参加国际学术交流4人次；晋升副高级职称3人；项目组成员获北京市科技进步三等奖1项。. 本项目的研究成果为作物病害的精准防控、变量施药等提供了科学的理论依据和指导。