基于机器学习的作物病害图像处理及病变识别方法研究

本文围绕面向不均匀样本集的惩罚校正 SVN 分类方法、作物病害图像的病变识别预处理、病变模式识别的数值分析特征提取及 SVN 识别、病变图像模式半监督深度学习特征提取及识别、病变图像模式监督深度学习特征提取和一体化识别 5 个方面的内容展开了深入研究。拓展了机器学习理论及其应用范畴，构造了基于机器学习的作物病变图像识别的数据结构和算法范形。最后，将提出的理论和设计方法应用于工厂化果园生产场景采集的苹果病害图像识别并进行算法级别实验验证，为面向深度学习作物病害图像识别的农业智能系统产品开发设计提供了不菲的参考价值。 主要研究成果和创新点如下： 1. 提出了惩罚校正的支持向量分类算法和校正方法。以 SVN 为基础，探讨惩罚支持向量机处理不平衡样本时，在不同目标尤其是样本稀疏目标的学习错误率上呈现的显著性差异，提出惩罚校正的支持向量分类算法和校正方法。 2. 设计了病害图像识别方位亮度多样性仿真方法。同广泛使用的基准数据集相比，农场果园视频感知设备采集环境复杂，充满着多种干扰，定点、移动方式都难以保证在受限条件和有限次数采样下，采集到代表性图像在各状态下分布均匀的样本集。