基于颜色可重建性的无监督异常检测图像植物病害诊断
计算机视觉与模式识别
2021-09-09 v5 机器学习
摘要
本文提出一种用于基于图像的植物病害诊断的无监督异常检测技术。包含健康与染病作物植物标注图像的大型公开数据集的构建，引发了人们对用于自动植物病害诊断的计算机视觉技术日益增长的兴趣。尽管基于深度学习的监督图像分类器可成为植物病害诊断的有力工具，但其需要海量标注数据。异常检测这一数据挖掘技术包含无需罕见样本训练分类器的无监督方法。我们提出一种基于颜色可重建性的无监督异常检测技术用于基于图像的植物病害诊断：一个训练来重建健康植物图像颜色的深度编码器-解码器网络应当无法重建症状区域的颜色。我们提出的方法包括一个利用称为 pix2pix 的条件对抗网络的新基于图像植物病害检测框架，以及一种基于 CIEDE2000 色差的新异常分数。在 PlantVillage 数据集上的实验表明，我们提出的方法在准确性、可解释性与计算效率方面优于现有异常检测器识别染病作物图像。
引用
@article{arxiv.2011.14306,
title = {Image-based Plant Disease Diagnosis with Unsupervised Anomaly Detection Based on Reconstructability of Colors},
author = {Ryoya Katafuchi and Terumasa Tokunaga},
journal= {arXiv preprint arXiv:2011.14306},
year = {2021}
}
备注
This paper is accepted by IMPROVE 2021. 14 pages, 7 figures, 2 tables