基于深度學習的葉片病害高光譜圖像預測分類方法

溫室環(huán)境密閉，氣候濕熱，加之蔬菜連茬種植，病害發(fā)生幾率增加，病害防治成為一個重要的環(huán)節(jié)，其中重點需要解決的是病害調查診斷并精準施藥。

傳統(tǒng)的病害調查方式是人工田間調查和采樣，樣本保存好后在實驗室顯微鏡下識別和分析。這樣的辦法費時費力，個人經驗對識別病害的準確性有很大影響。

精準施藥是防控病害和保證農產品品質的關鍵環(huán)節(jié)。在獲得準確的病害調查結果后，才能在下一步施藥環(huán)節(jié)中發(fā)揮重要的指導作用。也就是說，精準施藥的效果受制于病害調查的精度水平。要提高調查精度，通過高光譜圖像在傳統(tǒng)的光譜基礎上更加精細和深入地研究，不但能獲得作物大面積信息，還能精確獲取患病植株葉片的特征信息，通過結合圖譜為病害決策提供大量的數(shù)據(jù)。報道的研究文獻表明，傳統(tǒng)光譜方法在葉片病害特征描述、判別特征學習、分類器設計方面有諸多成就。然而，大多數(shù)現(xiàn)有方法只能提取葉片病害圖像原始數(shù)據(jù)的淺層特征[1]，對于處于潛伏期尚未表征的葉片病害預測和分類等更細致的分類任務處理結果不夠健壯。有學者甚至提出，病害的精確預測，尤其是傳統(tǒng)方法對患病植株的病害發(fā)生嚴重性趨勢的預測有很大的難度[2]。

深度學習的葉片病害圖像像素分類基于高光譜圖像，涉及到構建一個面向像素級的數(shù)據(jù)表示和分類的深度網絡結構。深度學習技術提取更健壯和抽象的特征表示，從而提高預測和分類精度。

原理

深度學習用于葉片病害高光譜預測，并基于圖像像素級分類，過程分3個主要步驟：第一步是數(shù)據(jù)輸入。能作為輸入的向量有多種，包括光譜特征（RGB圖像和高光譜圖像）、空間特征（RGB屬性的GPS信息，高光譜圖像像素相對坐標）、光譜-空間特征（圖像數(shù)據(jù)庫）[3]。第二是分層深度學習模型訓練。RGB和高光譜圖像中選取帶標簽圖像作為訓練樣本輸入網絡進行學習，只需要提取低水平特征，調用對象屬性，在此基礎上搭建多層（底層，多個隱含層，頂層）網絡，設計一個深層網絡結構來學習輸入數(shù)據(jù)的特征表示。第三是分類，在第二步基礎上，在深度網絡的頂層利用深度學習的特征模型進行分類。參見圖1原理圖。

試驗

基于深度學習的葉片病害高光譜圖像預測分類試驗，用到分類器主要有2種類型[4]。一是硬分類器支持向量機，直接輸出整數(shù)作為每個樣本的類別。二是軟分類器邏輯回歸，同時微調整個預訓練網絡，以概率分布預測類別。

從處理流程可得出，對于高光譜圖像，深度學習采用了一個深度的體系結構來處理原始數(shù)據(jù)和特定類別之間的復雜關系，尤其是結合空間信息的分類，突出圖像中的相鄰像素，達到利用空間特征顯著提高分類精度的目的。圖2的圖像像素分類結果表明，深度學習提取到穩(wěn)健的深度特征表示，探索了一種提取深層光譜-空間表示的新方法。

系統(tǒng)測試對圖像預處理用到的主成分降維，使用原始圖像中的每個特定像素的35×35（35是窗口的大小）鄰域來收集空間信息，將多維數(shù)據(jù)整理為一維輸入深層網絡。

結論

綜上所述，該文淺顯的提出了一種基于深度學習的溫室病害葉片高光譜預測分類方法，并嘗試了結合空間信息對高光譜圖像進行分類，以便能提取到穩(wěn)健的深度特征表示。數(shù)據(jù)處理使用原始圖像中的每個特定像素的35×35（35是窗口的大?。┼徲騺硎占臻g信息，將多維數(shù)據(jù)整理為一維輸入深層網絡，能處理多維海量高光譜圖像原始數(shù)據(jù)和特定類別之間的預測分類。大量帶標簽的訓練樣本是系統(tǒng)準確分類的前提，獲取訓練樣本是系統(tǒng)穩(wěn)定運行的重要環(huán)節(jié)。溫室種植過程中逢疾病爆發(fā)拉秧前，應做好病害葉片圖像的拍攝和備案，為病害預測提供寶貴資源。

參考文獻

[1] 馬偉，王秀，夏浪，等.溫室智能裝備系列之七十九—基于高光譜成像的不同藥滴粒徑的藥效試驗裝置開發(fā)[J].農業(yè)工程技術（溫室園藝），2016，36（10）：44-45.

[2] Schrodi S J， Mukherjee S， Shan Y， et al. Genetic-based prediction of disease traits： prediction is very difficult， especially about the future[J].Frontiers in Genetics，2014（5）：162.

[3] Zhang L， Zhang L， Du B. Deep learning for remote sensing data： A technical tutorial on the state of the art[J].IEEE Geoscience and Remote Sensing Magazine， 2016，4（2）：22-40.

[4] Conneau A， Schwenk H，L Barrault，et al.Very deep convolutional networks for natural language processing. arXiv preprint arXiv：1606.01781，2016.

*項目支持：國家留學基金委項目、北京市農林科學院創(chuàng)新團隊和青年基金項目資助。

[引用信息]馬偉.溫室智能裝備系列之九十七基于深度學習的葉片病害高光譜圖像預測分類方法[J].農業(yè)工程技術，2017，37（28）：65-66.endprint