10.3964/j.issn.1000-0593(2023)04-1248-06
基于语义分割和可见光谱图的作物叶部病斑分割方法
病害严重影响作物品质,并造成经济损失.病斑分割是病害定量诊断的重要过程,其分割结果可为后续的识别和严重度估算提供有效依据.由于病斑具有不规则性和复杂性,且自然环境下病斑可见光谱图像易受光照变化等影响,传统的图像处理方法对病斑图像分割存在准确率低、普适性低和鲁棒性不高等问题.该工作提出了基于语义分割和可见光谱图像的作物叶部病害病斑分割方法.首先,以花生褐斑病、烟草赤星病为研究对象,使用尼康D300s单反相机共采集到165张可见光谱图像.通过Matlab Image Labeler APP对病害可见光谱图像进行像素标记,分别标记出褐斑病病斑、赤星病病斑和背景区域.其次,对标记后的数据采用水平翻转、垂直翻转、改变亮度等图像扩充方式,获得1850份增强后样本数据集.为了节约计算成本,将数据集的像素分辨率调整为300×300.最后,基于FCN,SegNet和U-Net 3种语义分割网络,构建4种作物叶部病害病斑分割模型,探索了数据增强、病害类别对病斑分割模型的影响,并采用4种分割指标评价模型效果.结果表明:仅对于病斑分割,图像增强能够提高模型的分割精度,增强后FCN模型的平均精度(MP)和平均交并比(MIoU)分别为95.71%和93.36%.4个语义分割模型显著优于支持向量机(SVM),其中FCN与U-Net,SegNet-2和SegNet-4分割模型相比,能够有效避免光线变化等影响,病斑分割精度(P)和交并比(IoU)分别达到99.25%和97.55%.对于病斑分类分割实验,FCN对两种病害的分割精度Pd分别达到97.54%和90.41%,对两种病害的交并比IOUd分别为95.61%和70.30%,均优于其他3种分割模型.FCN能够在分割病斑的同时也准确地识别病害类别,有较好的泛化性和鲁棒性,实现了自然场景下作物叶部病害病斑的识别与分割,为计算混合病害严重度提供了技术参考.
可见光光谱、作物、病斑分割、语义分割、全卷积神经网络
43
TP391.4(计算技术、计算机技术)
国家自然科学基金62176212
2023-04-24(万方平台首次上网日期,不代表论文的发表时间)
共6页
1248-1253