基于低秩稀疏表示的农作物叶部病害图像识别方法研究

Crop disease is one of the main agricultural disasters in our country. In order to prevent and control crop disease, we must accurately identify the category of crop disease. Automatic and accurate identification of crop disease is a difficult problem in the informatization of agricultural production. Hence, a set of crop leaf disease image recognition method based on low-rank sparse representation will be established in this project, which will take the common leaf diseases of wheat, corn, peanut, and cotton as study object, and use low-rank method and sparse representation as tools. The crop leaf disease image recognition method will be used to recognize the common leaf diseases of the above mentioned crops. Hence, we focus on the following issues: 1) To obtain the data features that can fully characterize crop leaf diseases, this project will research the methods of crop leaf disease image feature extraction, selection and fusion; 2) This project will an build error model of data features of crop leaf disease. And then, based on the error model, this project will study the low-rank discriminative dictionary learning method that can suit for crop leaf diseases; 3) This project will do research on establishing a low-rank sparse representation model of crop leaf disease, and design classifier to recognize crop leaf disease on the basis of analyzing the physical nature of the coding coefficient of crop leaf disease under this model. The study of this project can provide a new research direction for solving the problem of crop leaf disease recognition, while it also makes theoretical preparation and experimental verification for promoting the application of the crop leaf disease image recognition method on the Agriculture Internet.

农作物病害是我国主要的农业灾害之一，防治农作物病害需要准确地识别农作物病害类型。自动、准确识别农作物病害类型是农业生产信息化中的一个难题。为此，本项目拟以小麦、玉米、花生、棉花四种农作物的常见叶部病害为研究对象，以低秩方法和稀疏表示为理论基础，建立一套适用于上述几种农作物的、基于低秩稀疏表示的农作物叶部病害图像识别方法。重点研究：1) 农作物叶部病害图像数据特征的提取、优选及融合方法；2) 建立农作物叶部病害图像数据特征的误差模型，并基于此，研究适用于农作物叶部病害的低秩判别字典学习方法；3) 建立农作物叶部病害的低秩稀疏表示模型，并在分析农作物叶部病害低秩稀疏表示系数物理意义的基础上，进行分类器设计以实现农作物叶部病害识别。本项目研究可以为解决农作物叶部病害识别问题提供一种全新的研究思路，还可以为农作物叶部病害图像识别方法在农业物联网中的推广应用,做好理论准备和实验验证工作。

农作物病害是我国的一种主要农业灾害，自动准确识别农作物病害类型是农业生产信息化中的研究热点之一。. 本项目结合农业生产信息化的实际需求，针对多种农作物的叶部病害识别问题，以小麦、玉米、花生、棉花四种农作物的常见叶部病害为研究对象，在农作物叶部病害的图像采集与预处理、原始数据特征提取、判别数据特征提取、低秩判别字典学习、稀疏编码分类器设计等方面展开了系统深入地研究，取得了如下成果：1) 采集了小麦、玉米、花生、棉花四种农作物的常见叶部病害图像并进行了叶片分割、病斑分割等预处理，提取了农作物叶部病害图像的原始数据特征，构建了农作物叶部病害数据集；2) 提出了一种基于L2,p范数的判别局部保持投影判别数据特征提取方法，不仅削弱了原始数据中噪声的影响，而且舍弃了无关的原始数据特征，因而提取的数据特征更具判别力；3) 提出了一种Schatten-p 范数正则化判别低秩图保持字典学习方法，不仅削弱了训练样本中噪声的影响，而且显著地提高了字典的判别力；4) 提出了一种低秩图保持判别结构化字典学习方法，在削弱训练样本中噪声影响的同时，充分挖掘了训练样本中的类相关信息、共性信息和判别信息，使学习到的字典更具判别力；5) 提出一种自适应局部约束正则化鲁棒编码分类方法，在编码过程中同时考虑了测试样本数据特征的重要性及其与训练样本之间的空间局部关系，不仅有效地削弱了测试样本中噪声的影响，而且能自适应地选择测试样本的近邻训练样本对其进行编码，提高了编码向量的判别力。实验表明，本项目农作物叶部病害识别率达92%以上，能够满足多种农作物叶部病害准确识别的要求。. 本项目研究成果在一定程度上解决了将低秩技术和稀疏表示理论用于农作物叶部病害图像识别的若干科学问题，为农作物叶部病害图像识别提供了一套新方法，为农作物叶部病害图像识别在农业信息化生产中的推广应用，做好了理论准备和实验验证工作。