《表1 5种方法对3种苹果病害叶片图像集上的识别结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进深度卷积神经网络的苹果病害识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

采用10-折交叉验证策略进行实验，并与基于颜色特征的方法（color feature，CT）[4]、基于颜色、纹理和形状特征的方法（color，texture and shape features，CTSF）[7]、基于特征融合与局部判别映射的方法（feature fusion and local discriminant projection，FFLDP）[8]和基于DCNNs的方法[19]进行比较。前三类方法首先对病害叶片图像进行预处理和病斑分割，然后从病斑图像中提取分类特征。其中CT方法提取病斑图像的颜色特征，CTSF方法提取病斑图像的颜色、纹理和形状特征，FFLDP方法提取病斑图像的中心对称局部二值模式特征以及颜色、纹理和形状特征，再进行特征融合，并利用局部判别映射算法（LDP）对融合特征进行维数约简。尽管这3种方法在病斑分割比较精确的情况下识别率较高，但为了说明本研究提出方法的优越性，笔者没有对病害叶片图像进行病斑分割，而是利用这3种方法及DCNNs和IDCNNs共5种方法直接从病害叶片图像中提取分类特征，然后进行病害识别，每种算法重复10-折交叉验证实验50次，记录每次实验的10次平均识别率，然后再计算50次交叉验证实验的50个平均识别率的平均值和方差。表1为5种方法在苹果病害叶片图像集上的识别结果。