摘要
[目的]炭疽病是梨树发生早期落叶从而导致树体衰弱、减产的重要原因之一.为实现梨叶小炭疽病斑的自动监测,及时采取防治措施,本研究构建梨叶小炭疽病斑识别模型.[方法]提出了细粒度颜色矩(fine grained color moments,FG-CM),来描述病斑的颜色特征,用LBP(local binary pattern)、HOG(histogram of oriented gradient)提取病斑的纹理和形状特征,将3种特征进行融合,基于随机森林(random forest,RF)特征选择得到最优的融合特征,最后送入RF分类器进行训练,并采用多分辨率去重算法对识别结果进行去重融合.[结果]多特征融合的方法优于单特征以及两两组合,多分辨率方法优于单分辨率,RF对梨叶炭疽病的识别能力优于BP(back propagation)、SVM(support vector machines)以及R-CNN(region-based convolutional neural networks)、Faster R-CNN、SSD(single shot multibox detector)算法,识别准确率为97.88％,召回率为97.95％.结果验证了细粒度颜色矩FG-CM优于传统颜色矩,在识别中最为关键.[结论]本研究提出的基于多分辨率多类特征融合处理算法(multi-resolution and multi-class feature fusion algorithm,Multi-RF)可以准确快速识别出梨叶上的小炭疽病斑,对快速诊断梨树炭疽病的危害程度并及时防治具有重要意义.
国家科技期刊平台
NSTL
维普
万方数据