典型文献
基于颜色矩的土豆、玉米、苹果叶片病害异常检测
文献摘要:
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.
文献关键词:
叶片病害;异常检测;图像分块
中图分类号:
作者姓名:
张梓婷;韩金玉;张东辉;李晗;李铭源;邓志平;孙晓勇
作者机构:
山东农业大学 信息科学与工程学院,山东 泰安 271000;浙江省农业科学院 病毒学与生物技术研究所,浙江 杭州310021
文献出处:
引用格式:
[1]张梓婷;韩金玉;张东辉;李晗;李铭源;邓志平;孙晓勇-.基于颜色矩的土豆、玉米、苹果叶片病害异常检测)[J].浙江农业学报,2022(10):2230-2239
A类:
B类:
颜色矩,土豆,苹果叶片病害,农作物病害,粮食产量,数据来源,深度学习方法,病害识别,识别与分类,构建方法,检测不到,错过,预警时间,拟提,作物叶片,叶片数,训练数据,means++,图像分块,异常检测方法,图像去噪,图像分割,图像截取,矩特征,训练集,设置阈值,测试集,下载,载于,Kaggle,聚类数,识别准确率
AB值:
0.371512
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。