基于卷積神經(jīng)網(wǎng)絡(luò)的水稻紋枯病圖像識(shí)別研究

高雪冬 顧鑫 楊曉賀 張茂明 姚亮亮 劉偉 孟慶英 邱磊 朱寶國(guó)

摘要：本文簡(jiǎn)要概述水稻紋枯病，進(jìn)一步借助卷積神經(jīng)網(wǎng)絡(luò)，對(duì)病害問(wèn)題進(jìn)行圖像識(shí)別，介紹應(yīng)用的分析方式后，闡述大致的試驗(yàn)過(guò)程及結(jié)果，并提出今后的研究方向。以期更為高效地識(shí)別病害，以免此項(xiàng)病害影響水稻的生產(chǎn)效果。

關(guān)鍵詞：卷積;紋枯病;圖像識(shí)別

0? 引言

在我國(guó)北方，紋枯病嚴(yán)重影響水稻的生長(zhǎng)狀態(tài)。而此類病癥是由立枯絲核菌引發(fā)的，一旦出現(xiàn)會(huì)持續(xù)吸收農(nóng)作物的養(yǎng)分，逐漸蔓延，導(dǎo)致谷粒質(zhì)量下降，大幅提高空殼的概率，甚至造成整株死亡。傳統(tǒng)診斷方式無(wú)法確定病害程度，但利用圖像識(shí)別，切實(shí)可以提高診斷的精確度。

1? 水稻紋枯病

該項(xiàng)病害是目前在北方地區(qū)水稻農(nóng)業(yè)項(xiàng)目中較為嚴(yán)重的一種病害。一旦患病，至少會(huì)降低一成的產(chǎn)量，最嚴(yán)重的情況，產(chǎn)值僅有正常狀態(tài)下的一半左右。根據(jù)我國(guó)近年來(lái)的種植情況可知，該種病害已然超過(guò)稻瘟病，切實(shí)對(duì)糧食生產(chǎn)造成嚴(yán)重的負(fù)面影響。農(nóng)業(yè)是民生的根本，收入的逐漸增多，促使人們將眼光投放到質(zhì)量上，但病害問(wèn)題會(huì)降低最終的產(chǎn)品品質(zhì)?，F(xiàn)實(shí)生產(chǎn)活動(dòng)中，部分從業(yè)者依舊缺少科學(xué)的管理方式，病害治理也多以個(gè)人經(jīng)驗(yàn)判定標(biāo)準(zhǔn)，不加任何考證便為水稻確診。該種處理方式確實(shí)可以預(yù)防部分的病害，但因?yàn)槭峭耆揽總€(gè)人能力，所以，在診斷識(shí)別上，無(wú)法確保穩(wěn)定性，同時(shí)部分病害無(wú)法利用肉眼直接判定其的嚴(yán)重程度。由此導(dǎo)致防治手段難以保證及時(shí)有效，用藥也可能和農(nóng)田現(xiàn)場(chǎng)情況不適宜，出現(xiàn)藥量過(guò)大、效果不明顯、費(fèi)用偏高等問(wèn)題，不僅對(duì)水稻本身的品質(zhì)造成影響，周邊生態(tài)也易遭到破壞。所以，以往的病害識(shí)別方式，既增加時(shí)間與人力成本，又有較高病害診斷的錯(cuò)誤率。而圖像識(shí)別方式提高識(shí)別的精確度[1]。

2? 水稻紋枯病運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別分析

2.1? 分析方法

使用統(tǒng)一的數(shù)字化格式，保存大量的已經(jīng)發(fā)病與健康水稻的狀態(tài)圖，并調(diào)整圖片的像素。一方面，卷積神經(jīng)網(wǎng)絡(luò)，借助ALexNet的數(shù)字模型，其整個(gè)體系中包含五個(gè)卷積層以及三級(jí)全連接層，期間有池化層。該種模型和以往的CNN相較，其摒棄飽和非線性的換算方式，切實(shí)下調(diào)整體的運(yùn)算量及難度，以提高運(yùn)算速率。同時(shí)，借助特定的技術(shù)，在中間層的信息設(shè)成零，由此降低過(guò)擬合的干擾。另一方面，SVW，該項(xiàng)技術(shù)于上世紀(jì)末出現(xiàn)，其呈現(xiàn)出誤差小的優(yōu)勢(shì)，可以應(yīng)用于試驗(yàn)樣本少、非線性等情況。本文提到的試驗(yàn)是采取模糊C均值聚類的運(yùn)算方式，以達(dá)到病癥特點(diǎn)區(qū)分的目的，提取經(jīng)過(guò)處理后的圖像信息，具體包括色彩、紋理以及形狀元素。其中，色彩應(yīng)用兩類空間，RGB可直接通過(guò)圖像獲取，而HSI則通過(guò)前者轉(zhuǎn)化得來(lái)。紋理研究采用較為典型的灰度共生矩陣，經(jīng)過(guò)準(zhǔn)確地試驗(yàn)分析，得到紋理的具體特點(diǎn)。而形狀直接以矩特征進(jìn)行分析，此項(xiàng)技術(shù)也可看成幾何矩，其具備旋轉(zhuǎn)、移動(dòng)等特點(diǎn)。該次試驗(yàn)篩選出貢獻(xiàn)率超過(guò)九成的特征，以此當(dāng)成輸入向量。用紋枯病及健康的水稻圖像信息作為基礎(chǔ)數(shù)據(jù)，并借助SVM完成樣本訓(xùn)練，由此展開最終地分析。

2.2? 分析結(jié)果

利用CNN進(jìn)行運(yùn)算，確定模型各層級(jí)后，完成相應(yīng)的處理工作，其中，卷積層中的第一層，整個(gè)處理過(guò)程是由卷積至ReLU，而后進(jìn)行池化處理，最終完成歸一化，第二層則節(jié)省最后兩步，第三、四層同上，直至第五層以此為基礎(chǔ)增加池化處理。而后進(jìn)入全連接，其的第一層和卷積層在第二層操作上增加Dropout，并且卷積操作屬于全連接處理，其第二層同上，最后一層是全連接。基于SVM，分析信息中貢獻(xiàn)率高于90%的數(shù)據(jù)，將其作為試驗(yàn)的輸入信息。該項(xiàng)試驗(yàn)分析對(duì)象是患有紋枯病及無(wú)病害的水稻圖像，通過(guò)CNN以及SNM兩種運(yùn)算方式，開展圖像識(shí)別工作。兩類圖像共有200個(gè)，且均等分，將所有圖片分成五組，每組中分別包括患病以及無(wú)病的水稻各二十張。隨機(jī)選取其中的一組進(jìn)入測(cè)試環(huán)節(jié)，而剩余四組用作訓(xùn)練數(shù)據(jù)。該試驗(yàn)相同的流程共充分五次，將最終得到的數(shù)據(jù)進(jìn)行平均計(jì)算，以得出更為準(zhǔn)確的識(shí)別結(jié)果。經(jīng)過(guò)多次試驗(yàn)，兩種算法也形成對(duì)比，其一，在方差分析中，CNN的準(zhǔn)確率相對(duì)更高;其二，利用無(wú)重復(fù)雙因素，也得到同樣的對(duì)比結(jié)果[2]。

2.3? 研究方向

一方面，應(yīng)當(dāng)合理增加分析的樣本數(shù)量，并在紋枯病的基礎(chǔ)上，再增加對(duì)于其他病害，或紋枯病爆發(fā)的不同階段信息，使得分析樣本更具普遍性及代表性。同時(shí)，強(qiáng)化采集病害圖片的能力，綜合運(yùn)用信息、遙感等現(xiàn)代科技，使得樣本涵蓋的內(nèi)容更為全面，以為識(shí)別試驗(yàn)提供充足的分析數(shù)據(jù)。另一方面，紋枯病在水稻上的發(fā)生部位不確定，并可能出現(xiàn)在其的任何發(fā)育階段，實(shí)際的患病后表面狀態(tài)有差異，因此，應(yīng)當(dāng)改進(jìn)算法，逐步提升病害的識(shí)別效率。

3? 結(jié)語(yǔ)

提高對(duì)病害的識(shí)別能力，能保證防治手段的有效性與及時(shí)性，以控制從業(yè)者的經(jīng)濟(jì)損失。并且因?yàn)榉乐蔚臏?zhǔn)確性得到提升，實(shí)現(xiàn)對(duì)用藥量地科學(xué)把控，降低對(duì)原有生態(tài)的影響。據(jù)本文提到的兩種算法，SVM的準(zhǔn)確率基本可以保持在95%左右，而CNN可以呈現(xiàn)出97%左右的正確率。

參考文獻(xiàn)

[1] 曹英麗，江凱倫，于正鑫，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻紋枯病檢測(cè)識(shí)別[J].沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020（5）：568-575.

1. [2] 劉婷婷，王婷，胡林.基于卷積神經(jīng)網(wǎng)絡(luò)的水稻紋枯病圖像識(shí)別[J].中國(guó)水稻科學(xué)，2019（1）：90-94.