基于机器学习的不同信源小麦叶部病害单病斑图像识别

作者：梁佳慧; 蒋倩; 王红丽; 王海光^*

来源：植物病理学报, 2023, 53(05): 905-921.

DOI：10.13926/j.cnki.apps.000891

• 小麦病害
• 图像识别
• 机器学习
• 多信源图像
• 病斑

小麦条锈病、叶锈病和白粉病是小麦叶部重要病害，严重影响小麦的产量和品质，其及时识别和诊断对于病害管理具有重要意义。现在植物病害图像获取更加便捷，但在实际病害识别中难以统一图像来源，因此，探索不同来源图像对病害识别的影响非常重要。本研究使用三种不同图像获取设备(手机iPhone 5s、手机iPhone 11、数码照相机Nikon D700)在田间获取小麦条锈病、叶锈病和白粉病图像共计1 354张，利用Adobe Photoshop CS6中的套索工具结合切片工具获得条锈病单病斑图像，利用切片工具结合K-means聚类算法获得叶锈病和白粉病的单病斑图像，共分割获得单病斑图像9 479张。提取单病斑图像的164个颜色、形状、纹理特征后，利用ReliefF和聚类特征选择方法选择36个特征作为建模特征组合，分别基于支持向量机(Support vector machine, SVM)、K最近邻算法(K-nearest neighbor, KNN)、高斯朴素贝叶斯算法、多层感知机(Multilayer perceptron, MLP)、标签传播算法和自训练半监督算法，结合利用随机搜索方法获得的不同训练集下的最优参数/参数组合构建病害识别模型，以准确率、精确率、召回率和F1 score作为指标评价所建模型识别效果。结果表明，基于单一图像来源的训练集，所建病害识别SVM模型、MLP模型、自训练半监督模型对建模所用训练集和与建模所用训练集相同图像来源的测试集的识别准确率、精确率、召回率和F1 score均较高，除了基于由iPhone 5s获取的图像组成的训练集构建的病害识别自训练半监督模型对与建模所用训练集相同图像来源的测试集和由iPhone 11获取的图像组成的测试集的识别准确率、精确率、召回率和F1 score分别相差不大外，对另外两个不同图像来源的测试集的识别准确率、精确率、召回率和F1 score均有所降低。基于由不同来源图像组成的训练集，所建病害识别SVM模型、MLP模型和自训练半监督模型具有较好的识别效果，所建病害识别KNN模型的识别效果尚可，识别效果最优的病害识别SVM模型对不同图像来源测试集的识别准确率、精确率、召回率和F1 score最低为91.31%。结果表明，不同来源图像对病害识别具有影响，基于由不同来源图像组成的训练集构建病害识别模型可以获得对多信源图像较好的识别效果。本研究为实现小麦病害的自动化和智能化识别奠定了一定基础。

• 出版日期2023
• 单位中国农业大学