Deep Learning for Plant Disease Identification from Disease Region Images
1、摘要解读
【目的】提出了一种利用病理分割的病害区域或感兴趣区域的图像数据进行叶表深度学习的植物病害识别方法。
【方法】DL模型是在自动植物疾病识别中使用的一种特殊技术，它使用经验的卷积来表示可见的疾病区域的特征，主要特征是绿色、坏死和模糊病变的组合。当前的DL模型方法的主要应用是整片叶子图像数据，研究表明其结果倾向于导致不相关的感兴趣区域的特征表示。其影响是冗余特征学习和低分类性能。因此，一些最先进的深度学习方法使用分割的感兴趣区域图像数据来实践，这不一定遵循病理疾病推断。
该研究提出了一种扩展感兴趣区域(EROI)算法，该算法利用疾病症状的病理推断来生成分割的图像数据，以改进DL模型中的特征表示。分割算法是使用颜色阈值的软计算技术开发的，该技术遵循导致合并的非合并性损伤的个体症状颜色特征。
【结果】结果来自三个不同的再训练模型AlexNet，ResNet和VGG被用来确定该方法的有效性。
【结论】该方法的优点是使用基于病理疾病类比的EROI图像数据来实现最先进的DL模型以识别植物疾病。这项工作在精准农业领域的自动植物病害识别和其他资源管理实践的决策支持系统中得到了应用。
2、研究介绍
与茎和果实相比，60%至70%的可见观察结果首先出现在叶片上，因此植物病害最常见于叶片上。因此，早期症状检测对于疾病诊断、控制和损害评估的效果至关重要。
【1】Bengio 介绍的迁移学习涉及应用一种已经建立的体系结构，该体系结构在其他计算机视觉领域的问题中取得了成功，并且可以适应正在考虑的问题，从而显著降低了复杂性。
