棉田复杂背景下棉花黄萎病病斑分割算法研究

摘要

在利用机器视觉技术进行大田环境下棉花黄萎病的病叶分割与病斑提取过程中,由于光线明暗、与棉花叶片像素相近的杂草的影响,会出现过分割、误分割等情况.针对此问题,本文提出了基于数据迁移的DeepLabv3+模型与质心选择K均值聚类机制相结合的两阶段分割算法.首先,利用基于数据增强的DeepLabv3+分割模型在复杂背景中提取到病叶;然后在叶片HSV颜色空间中选取初始质心,利用K均值聚类算法得到病斑簇;最后利用数据迁移的方法,把从源领域(Kaggle NPDD数据集)学习到的知识迁移到目标领域(棉花病叶),有效缓解了因为样本数据集数据量较少带来的过分割、误分割问题.试验结果表明,棉花病叶的分割综合评价指标值为98.87%,黄萎病病斑的分割综合评价指标值为87.29%.本文提出的病斑分割算法能够有效分割复杂背景图像中出现的棉花病叶、病斑,时效性更强、准确度更高,可为后续棉花病害叶部图像的进一步识别处理提供技术支撑,为农作物病虫害识别技术的发展提供了算法参考.