基于自动图像分割算法和扩展数据集深度学习的经济作物病害识别

1、作物病害识别出现的问题

实际应用中作物图像的复杂背景信息和训练数据不足会导致深度学习的错误识别。

2、研究内容

提出了一种基于自动图像分割和扩展数据集深度学习的经济作物病害识别方法。设计了一种基于GrabCut算法的自动图像分割算法(AISA)，在保留病斑的同时，自动去除图像的背景信息。它不需要在图像处理过程中手动选择对象，并且与GrabCut算法相比具有更低的时间成本。

选择移动网络卷积神经网络模型作为深度学习模型，并添加大量来自互联网和实际种植基地的作物图像，以扩展公共数据PlantVillage，从而提高移动网络的泛化能力。图像在被用于提取疾病特征之前由AISA进行处理，这大大减少了计算，并确保作物叶片的疾病特征能够被准确提取。此外，为移动智能设备设计了一个经济作物病害识别系统。

3、AISA算法

设计了基于GrabCut算法的AISA算法，该算法着重GrabCut算法需要人机交互的缺点。在分割图像之前，AISA算法使用超绿色因子来选择特定区域内外的一些像素，这些像素将被标记为目标和背景。因此，AISA算法可以代替人工选择目标区域的操作，实现自动图像分割。对于有病斑的叶片，AISA算法采用图像融合的方法，使叶片的病斑在程序分割叶片和背景时保持完整。

AISA算法的具体步骤如下:

步骤1:利用矩形函数选择目标图像。矩形的大小是10-20像素减去原始图像的长度，目标的位置是粗略规划的。

第二步:使用超绿算法在矩形外部标记非绿色像素，并记录为背景信息。同时，一个代表前景的随机点分布在矩形的中间。

第三步:使用GrabCut算法