基于无监督深度学习与多光谱成像的白粉病识别技术

目的。植物病害的可持续管理是一项具有显著经济与环境影响的开放性挑战。最优策略依赖于人类专家在有利条件下进行田间侦察，以评估病害症状的当前存在与程度。这一劳动密集型任务因待侦察田地面积广阔，加之待检测早期症状为毫米尺度而变得复杂。鉴于此，基于图像的病害早期症状检测是实现该过程自动化的一条引人注目的途径，能够以可持续成本实现潜在的高通量监测。方法。深度学习已成功应用于多个领域，通过训练过程学习滤波器来自动选取相关图像特征。深度学习近期也进入了植物病害检测领域：遵循这一思路，本文提出一种深度学习方法来自动识别黄瓜叶片上的白粉病。我们聚焦于应用于多光谱成像数据的无监督深度学习技术，并提议使用自编码器架构来探究两种病害检测策略：i) 在压缩空间中对特征进行聚类；ii) 异常检测。结果。所提出的两种途径已通过定量指标进行评估。聚类方法本身尚不能完全提供准确预测，但确实提供了相关信息。异常检测则具有显著的分辨潜力，可进一步用作仅有极少标注样本的监督架构的先验。