徐 妍
(浙江农林大学,浙江 杭州 310000)
根据联合国粮食及农业组织发布的一份报告指出,每年农业生产自然损失的30%以上是由农作物病害[1]造成的,农作物病害问题成为目前影响农业生产和粮食安全[2]的最重要因素。依赖于实验室观察和试验的传统方法很容易导致错误的诊断。此外,由于缺乏专业的农业技术人员,往往很难快速查明农作物的疾病和虫害,以便采取适当的补救行动。为了克服这些问题,一些研究人员转向使用机器学习方法和计算机视觉技术来识别农作物病虫害。
近年来,研究人员将现有的植物病理学知识和相关知识整合到图像识别技术的研究中来支持这一观点。一般来说图像识别技术的过程,首先涉及分析和处理与农作物病害有关的图像数据;然后建立机器学习模型,得到对应层次的不同图像特征;最后利用分类器对不同类型的农作物疾病进行快速准确的识别,最终目的都是为农作物病害的防治提供技术指导[3]。
公开数据集PlantVillage 数据集是实验室采集的农作物叶片病害图像数据集,共55 448 张图片,39 类。本文拍摄真实场景叶部病害图像共5 645 张,采用随机光照增强、随机对比度增强、上下翻转、左右翻转、随机旋转缩放等方法进行数据增强后共15 190 张。将增强的PlantVillage 数据集和真实场景下的数据并为MultiplePlant数据集。真实场景下感染病害的农作物叶片在采集时容易遇到叶片自遮挡、果实遮挡、叶片卷曲、人手遮挡等各种复杂的情况,相对于实验室采集的图像,其特征更不容易提取。……