基于倒排索引改进势函数的黄瓜病害图像识别研究

The images of cucumber diseases accessing in the field are susceptible to interference from the environment, which has the problem of large differences between the samples. The existing classification methods (support vector machines and artificial neural network) depend on the original samples, it is difficult to obtain a better classification results for cucumber disease images of natural environment. Potential function has the strong classification ability of high-dimensional feature space for linearly inseparable classification. In view of above problems, the project will research potential function model expression suitable for crop diseases characteristics, by polynomial reasonable construction to reduce the amount of computation of potential function; the project will research the feature extraction and compression methods of crop lesion image, which will improve the computation speed and discrimination of lesion characteristics under conditions of large data samples; the project will study image classification and recognition of improved potential function based on inverted index, seeking to use the case of large sample of cases to reduce the dependence on the sample library of disease images, which will improve the accuracy of disease recognition. Through these studies, the project will break through the key technologies of classification and identification of cucumber diseases images in natural environment, and establish a theoretical basis and technical support for crop disease images diagnosis system.

在田间实际获取的黄瓜病害图像容易受到拍摄现场环境的干扰，存在样本间差异大的问题。现有分类识别方法（支持向量机、人工神经网络等）对原始样本依赖性强，针对自然环境下实际拍摄的黄瓜病害图片，难以得到较好的分类结果。针对上述问题，本项目拟基于势函数方法在高维特征空间中对线性不可分问题的强分类能力，重点开展：（1）研究适合于黄瓜病害特征的势函数模型表达方法，通过多项式的合理构建减少势函数的运算量；（2）研究黄瓜病斑图像特征提取与压缩方法，提高大样本数据条件下的计算速度和病斑特征的区分度；（3）研究基于倒排索引改进势函数的黄瓜病害图像分类识别，寻求使用大容量自然情况下拍摄样本案例训练以减少传统算法对病害样本库的依赖性，提高黄瓜病害识别准确率。通过上述研究，突破自然环境下拍摄的黄瓜病害图片的分类识别关键技术，为基于图像处理技术的农作物病害自动识别诊断提供一定技术支撑。

在田间实际获取的作物病害图像容易受到拍摄现场环境的干扰，存在样本间差异大的问题。针对上述问题，本项目开展了以下研究：.（1）复杂背景条件下的作物病斑分割方法.针对自然环境下采集的作物病害图像背景复杂，光照多变以及病斑本身形式多变等问题，研究了基于混合颜色空间和双次Otsu的图像分割方法，算法的错分率为2.12%。该算法对光照变化具有一定的鲁棒性。.（2）作物病害图像检索方法.①将基于内容的图像检索技术应用于作物病害图像分类识别，在倒排索引压缩方面利用哈希方法将特征向量映射到二值化数值，减小了存储空间，提高了特征匹配效率，该方法对未经处理的大样本作物病害原始图像具有良好的鲁棒性；.②为解决作物病害图像检索识别中因仅使用单一底层特征而导致病害识别准确率不高的问题，提出一种自适应的融合策略，对病害图像的BoW_Traditional（全局）特征和BoW_Sift（局部）特征的检索结果进行有效融合，平均诊断正确率90.84%。.（3）基于迁移学习的作物病害识别方法.①基于实例迁移的文本分类方法，提出一种训练集优化的改进TrAdaBoost方法。首先基于KNN分类算法辅助数据集优化算法，对与目标病害数据相似度较低的辅助数据进行过滤，然后采用TrAdaBoost的思想调整训练数据的权重，最后得到一个性能较优的病害图像分类模型，实验表明提出的方法较原始TrAdaBoost方法和传统方法SVM在目标训练病害数据较少时分类效果更好；.②结合CNN和迁移学习，实现小样本作物病害图像的自动识别。通过构建不同深度的CNN，研究了适合作物病害图像数据集的网络模型，并完成了作物病害特征的自动提取，利用迁移学习的训练机制，对5个卷积层的CNN可以达到90.84％的分类结果。.通过上述研究，解决自然环境下拍摄的作物病害图片的分类识别关键技术，为基于图像处理技术的农作物病害自动识别诊断提供一定技术支撑。