文献类型： 中文期刊

作者： 张梓婷 ¹ ; 韩金玉 ¹ ; 张东辉 ¹ ; 李晗 ¹ ; 李铭源 ¹ ; 邓志平 ² ; 孙晓勇 ¹ ;

作者机构： 1.山东农业大学信息科学与工程学院

2.浙江省农业科学院病毒学与生物技术研究所

关键词： 叶片病害;异常检测;图像分块

期刊名称： 浙江农业学报

ISSN： 1004-1524

年卷期： 2022 年 34 卷 010 期

页码： 2230-2239

收录情况： 北大核心 ; CSCD

摘要： 农作物病害是影响粮食产量的重要因素之一.目前,大部分研究以已知病害作为数据来源,使用传统机器学习和深度学习方法进行病害识别与分类,这种模型构建方法需要大量的病害数据,而当新发病害出现时,很可能因为检测不到而错过最佳预警时间.为解决该问题,本文拟提出一种仅使用正常农作物叶片数据集作为训练数据便可检测出叶片病害异常的方法.具体地,本研究提出一种基于k-means++聚类与图像分块的农作物叶片病害异常检测方法,通过图像去噪、图像分割、图像截取等预处理操作后,提取图像的颜色矩特征,对训练集进行k-means++聚类,构建比对模型并设置阈值,从而确定测试集异常与否.试验使用的土豆、玉米与苹果数据集均下载于Kaggle网站.通过调整聚类数与分块数,在土豆、玉米和苹果数据集上,识别准确率分别达到了89%、95%、95%以上,并且在玉米和苹果两种数据集上的漏警率为0.