维数约简算法及其在植物病害识别中的应用研究.pdf

4.3.2实验设计48

4.3.3参数优化50

4.3.4性能评估51

4.4实验结果分析51

4.4.1SSAFS计算性能分析51

4.4.2SSAFS算法收敛性分析53

4.4.3SSAFS算法稳定性分析54

4.4.4最优特征子集的分类性能评估55

4.5本章小结59

第5章总结与展望60

5.1主要研究工作的总结60

5.2进一步研究工作的展望61

参考文献62

致谢71

在读期间发表的学术论文和研究成果72

摘要

维数约简算法及其在植物病害识别中的应用研究

摘要

植物病害的识别和诊断有利于病害精准化防治，对农业生产的安全和可持续

化至关重要。相较于过去的目视检查和手工测量，基于计算机视觉和机器学习技

术的植物病害识别在检测规模和识别质量上具有显著的优越性。通常，植物病害

图像包含丰富的内容信息，它们在向量化后具有高维特征。为了有效去除图像中

不相关和冗余的特征，降低计算和存储成本，维数约简成为机器学习建模过程中

必不可少的预处理步骤。本文深入探讨了如何将特征提取和特征选择这两种维数

约简策略应用于计算机视觉的聚类和分类任务中，以极大地提高植物病害分类和

病害等级鉴定的准确率。具体工作如下。

(1)基于CNN和WDM-tSNE降维算法的植物病害图像聚类分析。本项研究

提出了一种新颖的图像聚类方法，实现植物病害分类以及病害严重程度分级鉴定。

首先，对原始图像进行预处理，并扩充图像样本规模；其次，构建了一种深度卷

积神经网络用于提取植物病害图像的抽象特征；最后，提出了一种基于距离度量

策略的算法WDM-tSNE，实现图像样本的聚类。我们将算法应用于多个公共图

像数据集，包括手写数字数据集MNIST、扁豆根腐病、樱桃白粉病、草莓叶焦

病、番茄三种病害(菌斑/叶霉/黄叶卷曲病毒)的表型图像数据集。实验结果显示，

我们的方法在植物病害分类识别和病害等级鉴定方面均表现出了良好的性能。

(2)基于改进樽海鞘群算法的特征选择和植物叶片病害图像识别。本项研究

提出了一种基于改进樽海鞘群算法的特征选择方法SSAFS，用于筛选图像的最

优特征子集。首先，对于每个图像，我们利用颜色矩提取颜色特征，利用GLCM

和LBP提取纹理特征。其次，提出了一种改进的樽海鞘群算法，对融合颜色和

纹理的特征集合进行特征选择。为了验证算法的有效性，我们将SSAFS算法应

用于四个UCI公开数据集和六个植物病害图像数据集。仿真实验表明，该方法

不仅能筛选出具有较高分类精度的重要特征，而且能避免引入冗余特征。多次独

立重复实验结果表明，SSAFS算法收敛速度快且非常稳定。为了进一步验证最

优特征子集的表征能力，将各数据集筛选后的最优特征子集通过神经网络模型进

行分类性能测试。平均分类精度达95%以上，充分证明了SSAFS所获得的最优

特征子集具有优秀的预测性能。

关键词：植物病害；维数约简；机器学习；特征选择；特征提取

I

维数约简算法及其在植物病害识别中的应用研究

RESEARCHONDIMENSIONALITYREDUCTION

ALGORITHMANDITSAPPLICATIONIN

RECOGNITIONOFPLANTDISEASE

ABSTRACT

Theidentificationanddiagnosisofplantdiseasesisconducivetotheprecise

controlofdiseases.Thisiscrucialforthesecurityandsustainabilityofagricultural

production.Comparedwiththevisualinspectionandmanualmeasurementinthepast,

plantdisea