基于卷積神經網絡和小樣本的茶樹病害圖像識別

孫云云 江朝暉 董偉 張立平 饒元 李紹穩(wěn)

摘要：以常見且特征相似的茶輪斑病、炭疽病和云紋葉枯病為對象，研究在小樣本情況下利用卷積神經網絡進行病害圖像識別問題。運用7種模式的預處理方法對茶樹葉部病害圖像樣本進行處理，并采用MexNet經典網絡模型進行學習實驗，比較、分析其訓練及識別效果。結果顯示，模式7訓練模型精度為93.3%，平均測試準確率為90%，且對茶輪斑病、炭疽病和云紋葉枯病的正確區(qū)分率分別為85%、90%和85%，在預測值和真實值一致性方面優(yōu)于其他預處理方法。在小樣本情況下，該預處理方法可有效區(qū)分、識別3種易混病害，且識別精度高，性能好。

關鍵詞：茶葉病害;圖像識別;卷積神經網絡;小樣本

中圖分類號：S126 文獻標識碼：A 文章編號：1000-4440（2019）01-0048-08

茶樹是重要的經濟作物，茶樹病害發(fā)生嚴重。常見的茶樹病害有40多種，以葉部病害居多。利用機器視覺技術對植物病害進行自動檢測和診斷是未來的發(fā)展方向。由于卷積神經網絡（cNN）等深度學習方法是直接由數(shù)據(jù)本身來驅動及其表達關系的自我學習，因而成為機器視覺的主流算法。Mohantv等訓練深度神經網絡，對14個作物品種26種病害的檢測精度達99.35%。楊晉丹等采用卷積神經網絡對草莓葉部白粉病進行識別獲得成功。Cruz等開發(fā)了一種基于視覺的深度學習技術，并檢測Xylella fastidiosa感染的油橄欖葉片焦枯葉。Amara等采用深度學習方法實現(xiàn)了自動化的香蕉病害葉片分類。深度學習模型訓練時一般需要大量高質量的病害樣本集作為網絡模型輸入數(shù)據(jù)，例如張善文等的一種基于卷積神經網絡的黃瓜病害識別方法中圖像數(shù)據(jù)集多達15500多幅。Brahimi等收集了14 828張圖像對番茄葉片病害進行識別。但在實際應用中，往往存在樣本采集少，圖像質量低等問題，難以獲得良好的識別效果。因此，需要改進模型結構或參數(shù)，或者對原始樣本進行加工和預處理。例如孫俊等、Srdi.dn等分別設計了多種改進模型，對作物病害進行識別，獲得了較高的識別準確率和較強的魯棒性。吳翔采用Grabcut分割方法對圖像集進行預處理，提高了識別精度和識別速率。Lai等、Yi等采用基于IJaDlacian的超分辨率網絡對圖像集進行預處理，在低分辨率圖像集下獲得較好的識別效果。

本研究以常見且特征相似的茶輪斑病、茶炭疽病和茶云紋葉枯病為對象，研究CNN在小樣本下的識別問題。設計、運用多種預處理方法對茶樹葉部病害圖像樣本進行處理，采用適合病蟲害識別的AlexNet經典網絡模型進行學習實驗。通過比較、分析模型的訓練及識別效果，獲得有效的圖像預處理方法，以期提高小樣本CNN病害識別的準確度。

1材料與方法

1.1材料

圖像數(shù)據(jù)來源于安徽省農業(yè)科學院農業(yè)經濟與信息研究所，實地拍攝。具體拍攝方式為：用單反數(shù)碼相機在自然光和閃光燈補光2種光線環(huán)境下，以茶樹葉片、土壤、天空等自然環(huán)境為背景，在田間直接采集病害圖像：再利用圖像處理軟件對采集到的圖像進行元數(shù)據(jù)標引、裁切、人工分類等預處理。經專業(yè)技術人員對比確認，最終篩選出茶樹病害葉片樣本圖片430個，其中，茶輪斑病圖片94個，茶炭疽病圖片252個，茶云紋葉枯病圖片84個。數(shù)據(jù)集分布情況見表1。典型病害圖像如圖1所示，大小按比例歸一化為300x200像素。由表1和圖1可知，病害圖像具有數(shù)量少、背景復雜和目標區(qū)域占比少等特點。

1.2圖像預處理方法設計

以MexNet為訓練模型在相同參數(shù)設置下對同一樣本集數(shù)據(jù)進行試驗。在相同參數(shù)設置和同一數(shù)據(jù)集下，訓練集圖像的尺寸和質量是影響模型訓練效率的關鍵因素。因此，為提高訓練圖像病害有效信息占比和提高模型訓練效率，設計了7種預處理算法模式（表2）進行卷積神經網絡模型訓練，包含文獻[19]和[16]預處理方法在內的8種預處理方法。

1.3卷積神經網絡（CNN）模型

卷積神經網絡包含多層卷積和池化層，用于逐層提取圖片深層特征，在圖像識別領域應用效果較好。將預處理后的樣本集圖像輸入CNN模型進行訓練，生成3種易混病害識別模型。訓練中采用擅長于圖像識別的AlexNet經典網絡模型，模型結構見圖2。以尺寸為50x50的圖像為例，模型包含5個卷積層（Convl～Conv5）、3個池化層（Poo-lingl～Pooling3）、2個全連接層（Fc6、Fc7）以及1個分類層。其中，濾波器的大小為11×11x3，卷積層1的卷積核數(shù)目為96，卷積層2和5的卷積核數(shù)目均為256，卷積層3和4的卷積核數(shù)目均為384，2個全連接層的神經元數(shù)量均為4 096，分類層的輸出類別數(shù)目即為最終的類別數(shù)。

1.4圖像預處理

對樣本集圖像分別按照表2中設計的預處理方法自動生成7種新的樣本集圖像。其中k-means提取病斑、最小N*N區(qū)域提取和插值重建方法是本研究改進后的預處理方法。歸一化處理是針對尺寸不一致的樣本圖像進行的尺寸強制性統(tǒng)一化處理。SLIC_SVM算法是本團隊設計的一種針對茶樹葉部病害的復雜背景去除方法，在訓練集樣本中應用良好。模式1和模式4的預處理方法分別對應文獻中的平均像素填充較短邊并縮放為統(tǒng)一尺寸的方法和文獻中采用的迭代切割方法去除復雜背景并以白色填充背景實現(xiàn)目標提取。形態(tài)學處理是指圖像處理中的像素點乘、填充和腐蝕等基礎運算。

1.4.1改進k-means病斑提取病害樣本中葉部病斑顏色特征差異最為顯著，因此采用k-means方法在L*、A*、B*顏色空間進行顏色聚類以提取出病斑。該方法采用歐式距離計算像素點間距離，進行區(qū)域聚類，聚類完成后，病斑和葉片可以得到有效分離。但在區(qū)域圖像選擇方面，往往需要人工進行挑選確定病斑圖像，不利于算法的廣泛應用。本研究對該方法進行改進，實現(xiàn)快速、自動地獲得目標區(qū)域圖像。主要原理是根據(jù)L*、A*、B*顏色空間下對葉片和病害區(qū)域進行聚類，即對2個像素值區(qū)間的顏色進行聚類，從而導致2個區(qū)域質心分布的差異。根據(jù)差異，從分割的圖像中通過公式（1）自動提取出病斑區(qū)域（圖3-b）。

茶輪斑病、炭疽病和云紋葉枯病等病害發(fā)生時，葉片上往往會存在多個小區(qū)域病斑，這些病斑特征相同，分布具有隨機性。若將單葉片中多個病斑區(qū)域全部提取作為訓練集，會降低有效區(qū)域占比，不利于病斑的精確識別。因此，采用形態(tài)學處理方法提取出主病斑區(qū)域（圖3c）。

1.4.2最NxN病斑提取基于CNN對病斑圖像進行特征提取和識別中，首先需要將病斑圖像歸一化為NxN的待訓練樣本。采用直接歸一化或短邊填充等方法，往往會造成冗余信息多，不利于有限樣本空間下CNN病斑特征的自主學習。結合最小外接矩形方法，提出一種適合于CNN模型樣本訓練的最小NxN病斑提取方法。

2結果與分析

試驗平臺環(huán)境搭建參數(shù)見表4。AlexNet模型參數(shù)設置為：網絡初始權重提取自標準差為0.01、均值為0的高斯分布：訓練階段采用動量項為0.9的異步隨機梯度下降，并設置權重參數(shù)的初始學習率為0.01。試驗采用交叉驗證的方式，按照9：1比例隨機分配訓練集與測試集，且以表2中設計的預處理方法產生的圖像樣本集分別進行卷積神經網絡AlexNet識別模型訓練（圖6）。試驗中每個模型迭代次數(shù)為8 000。在輸入卷積神經網絡前，模式1定位圖像被隨機裁剪為280x280 dpi，模式2、3和4定位圖像被隨機裁剪為80x80 dpi，其他3種模式的定位圖像被裁剪為40x40 dpi，裁剪完成后作鏡像翻轉以擴增數(shù)據(jù)集。

7種模式下模型訓練的精度（Accuracy）和損失函數(shù)（Loos）曲線見圖7。對7種預處理模式分別訓練10次，得到表5所示結果。7種預處理模式下，隨著迭代次數(shù)的不斷增加，訓練精度都在不斷增加，直至趨于穩(wěn)定。其中，模式7的訓練精度達到0.933，明顯優(yōu)于其他6種模式，Loss收斂速度也較快，因此訓練結果可靠。由表5可見，模式7的平均測試準確度為90%，明顯優(yōu)于其他6種模式，且標準差也最小。7種模式的訓練結果表明：在訓練精度曲線中，訓練精度大小順序為模式7>模式4>模式1>模式2>模式6>模式3>模式5：在loss曲線圖中，除了模式5和模式6存在跳躍點以外，其他幾個模式曲線收斂速度都較快，可信度都比較高。7種模式的平均準確率大小順序為模式7>模式1>模式2>模式3>模式4>模式6>模式5;在運行時間上，模式1時間長達3264 s，而其他幾種模式都在10 min左右，相差較大的主要原因是模式1中圖像尺寸較大。模式7中由于采用圖像重建提高樣本質量，因而運行時間相對于其他5種模式也增加了約100s，但相對于常規(guī)CNN模型訓練耗時較少。因此模式7（主要作用是去除背景提取病斑，形態(tài)學處理，最小NxN區(qū)域提取和超分辨率重建）在訓練精度和平均測試準確率及模型訓練耗時方面優(yōu)勢明顯。

分別以模式7、模式1（文獻[19]）和模式3（文獻[16]）的預處理方法對驗證集圖像進行最終模型識別效果驗證。結果表明，Model中70%的輪斑病圖像被正確識別為輪斑病，75%的炭疽病圖像被正確識別為炭疽病，75%的云紋葉枯病圖像被正確識別為云紋葉枯病;Mode3中25%的輪斑病圖像被正確識別為輪斑病，85%的炭疽病圖像被正確識別為炭疽病，10%的云紋葉枯病圖像被正確識別為云紋葉枯?。篗ode7中85%的輪斑病圖像被正確識別為輪斑病，90%的炭疽病圖像被正確識別為炭疽病，85%的云紋葉枯病圖像被正確識別為云紋葉枯病。圖8為本研究設計的模式7下預處理方法識別3種病害的性能評估ROC曲線，可以看出，模式7對3種病害的識別精度高、性能好。

3結論

針對茶樹病害自動圖像檢測的需求和訓練樣本小影響深度學習模型性能的難題，研究了通過對樣本進行預處理從而提高訓練效果的可行性。設計和運用7種不同模式進行卷積神經網絡病害識別，用結構和參數(shù)相同的MexNet模型訓練，分析、比較訓練及實測效果。試驗結果顯示，模式7識別精度達93.3%，平均測試準確率為90%，識別效果最好。試驗中，茶輪斑病、茶炭疽病和茶云紋葉枯病3種病害的樣本圖片數(shù)量分別為94、252和84，屬于典型的小樣本。本研究設計的模式7預處理方法，能夠提高小樣本卷積神經網絡病害識別準確度且性能好，本研究方法能夠準確地識別、區(qū)分茶輪斑病、炭疽病和云紋葉枯病。