基于GLCM特征提取和投票分类模型的马铃薯早、晚疫病检测

马铃薯作为世界第四大粮食作物对农业生产与经济效益具有重要影响.早、晚疫病是引起马铃薯减产的主要原因之一,如能及早发现作物病害,准确确定病害类型,对于保护作物安全和控制病害传播具有重要意义.为实现自动化诊断马铃薯病害,本研究提出了一种基于预处理、分割、特征提取和分类器分类的马铃薯病害检测自动化方法.在多时间段、不同天气环境下选择叶片形状与植株生长情况差异较大的田间拍摄马铃薯照片制作数据集,通过构建投票分类器模型对病害图像进行特征提取和高精度分类检测.首先利用Fast K-Means聚类算法对灰度图像下的马铃薯叶片进行分割,获得叶片受关注的区域;其次使用GLCM算法对受关注的区域提取11类纹理特征信息,计算4个GLCM获得单个图像88个纹理特征,并形成特征向量;最后使用投票分类模型对病害特征向量进行分类.分类模型是随机森林、支持向量机、KNN方法的组合,分类过程使用网格搜索优化分类器超参数.在10折交叉验证下,马铃薯病害分类准确率、精确率、召回率平均提高12.18、14.00、9.53百分点,综合性能提高11.90百分点.分析GLCM特征,135.方向角特征敏感性最弱,权重方面对比度特征最高,同质性特征次之.结果表明,该方法可用于马铃薯早、晚疫病的检测.