基于图像分割与卷积神经网络的水稻病害识别

为了提高水稻病害计算机视觉识别的准确性，研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本，应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台，构建网络层分别为6层（输入层32×32×3，卷积核大小为5×5）和8层（输入层227×227×3，卷积核大小为11×11、5×5、3×3）的卷积神经网络，将图像分割后得到的3组数据，均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据，训练后得到6个模型，并结合召回率、F1评价指标对模型进行评估。结果表明，6个模型中训练识别准确率最低为97.66%，测试识别准确率最低为95.31%，其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳，其训练识别准确率为99.99%，测试识别准确率为99.88%，相较于端到端的卷积神经网络水稻病害识别结果也有所提升。

Recognition of Rice Disease Based on Image Segmentation and Convolution Neural Network