基于Deep-Semi-NMF的苹果斑点落叶病检测方法OACSTPCD

[目的/意义]苹果斑点落叶病易导致苹果树叶过早脱落,从而影响苹果品质和产量。因此,如何准确检测此病一直是苹果树病害精准防治的热点问题。由于逆光等因素影响,传统基于图像分割的病斑检测方法难以在复杂背景下准确检测病斑区域边界,亟需发展苹果斑点落叶病检测新方法,助力苹果树病害精准防治。[方法]针对上述问题,本研究从图像异常检测的角度出发,考虑复杂背景干扰,采用深度半非负矩阵分解理论,结合鲁棒性好的马氏距离度量,提出一种新的深度半非负矩阵分解的马氏距离异常检测方法(Deep Semi-Non-Negative Ma⁃trix Factorization-Based Mahalanobis Distance-Anomaly Detector,DSNMFMAD)。该方法首先利用深度非负矩阵分解(Deep Semi-Non-Negative Matrix Factorization,DSNMF)提取图像中低秩的背景部分和稀疏的异常部分。然后采用基于奇异值分解特征子空间的马氏距离构建病斑检测器,检测器通过计算异常部分每个像元的异常度来标记病斑。最后,分别构建了实验室和自然条件下的两个苹果斑点落叶病数据集,用以验证提出方法的有效性。[结果和讨论]DSNMFMAD在实验室条件和自然条件下对苹果斑点落叶病的识别准确率分别达到了99.8%和87.8%;平均检测速度为0.087和0.091 s/幅。相较于4种经典的异常检测方法和1种深度学习模型,本研究所提出方法的检测准确率在实验室条件下分别提高了0.2%、37.9%、10.3%、0.4%和24.5%;在自然条件下分别提高了2.5%、32.7%、5%、14.8%和3.5%。[结论]本研究提出的DSNMFMAD能够通过DSNMF有效地将图像中的异常部分提取出来,并利用构建的病斑检测器准确地将苹果斑点落叶病位置检测出来。即使在复杂背景条件下,该方法亦获得了比对比方法更高的检测准确度,展现出了优异的病斑检测性能,为苹果斑点落叶病的检测与防治提供了技术参考依据。