基于卷積神經(jīng)網(wǎng)絡的番茄葉片病斑識別仿真

朱幸輝，周 勇*

(湖南農(nóng)業(yè)大學 信息科學與技術學院，湖南 長沙 410128)

1 引言

植物葉子是進行光合作用和呼吸作用，制造有機養(yǎng)料的重要器官，對植物生長來說至關重要，因此必須保證其健康。一旦發(fā)生病害，必須及時進行治療[1]。病害特征主要通過葉片狀態(tài)顯現(xiàn)，因此番茄病害識別主要通過番茄葉片出現(xiàn)的病斑來實現(xiàn)[2]。早先番茄葉片病斑識別主要通過人眼去判斷其類別，不僅容易出錯，還效率地下，因此當前番茄葉片病斑識別，主要目標檢測算法來實現(xiàn)，如基于遺傳算法、AdaBoost算法、隨機森林算法等，其原理先將圖像轉(zhuǎn)換成不同大小，然后分別目標檢測，最后將結果綜合起來，得到識別結果[3]。由于圖像是經(jīng)過分割等多重處理的，圖像中部分信息會丟失，因此mAP(Mean Average Precision)，即均值平均精度并不高。

針對上述情況，本次將卷積神經(jīng)網(wǎng)絡應用其中，提出一種新的番茄葉片病斑識別方法。方法最大特點了節(jié)省了圖像預處理環(huán)節(jié)，直接輸入整體圖像即可，需要進行圖像分割、轉(zhuǎn)換，只需完成圖像質(zhì)量改善即可，且它將特征提取、特征選擇和特征分類融合為一體，直接利用卷積神經(jīng)網(wǎng)絡對每個滑動窗口產(chǎn)生的候選區(qū)進行二分類，判斷其是否為待檢測目標[4]。最后通過仿真實例驗證本文方法有效性，結果表明：與基于遺傳算法、AdaBoost算法的目標識別方法相比，本文基于卷積神經(jīng)網(wǎng)絡的識別方法mAP較高，即能更為準確、迅速的完成病害辨別，為其防止提供了重要的理論依據(jù)。

2 基于CNN的番茄葉片病斑識別方法研究

番茄是人們?nèi)粘ｏ嬍持谐Ｒ姷囊环N蔬菜，包含了大量的纖維素、鉀元素、蘋果酸、胡蘿卜素、番茄紅素等營養(yǎng)物質(zhì)，因此每年我國都會種植大量番茄。而在番茄種植中，會發(fā)生多種病害，如早疫病、晚疫病、葉霉病、灰霉病、葉斑病等，具體見表1[5]。

表1 番茄多種病害描述

本文以番茄為對象，基于卷積神經(jīng)網(wǎng)絡進行其葉片病斑識別研究，研究思路如圖1所示。

圖1 基于卷積神經(jīng)網(wǎng)絡番茄葉片病斑識別思路

2.1 圖像預處理

通過攝像頭獲取到原始圖像，圖像預處理中，包括圖像灰度化、圖像去噪、圖像增強三項內(nèi)容[6]。

1)圖像灰度化

圖像灰度化是圖像預處理中必經(jīng)步驟，主要作用是將采集到的彩色圖像轉(zhuǎn)變?yōu)橛刹煌幕叶燃壍膱D像。

攝像頭采集下來的原始圖像多數(shù)都為彩色圖像，即包括RGB及CMYK兩種，其中前者更為常見，因此下述圖像灰度化就以RGB彩色圖像為對象進行說明。RGB彩色圖像由R(紅色)、G(綠色)、B(藍色)三種不同顏色成分組合而成圖像。而R(紅色)、G(綠色)、B(藍色)像素的不同是造成圖像彩色的原因，因此只要消除彩色圖像中三種顏色不同像素值之間的差距，即使R=G=B，即可實現(xiàn)圖像灰度化[7]。不同灰度化表達式分別如下所示：

①分量法

(1)

其中，Gk(i，j)(k=1，2，3)為轉(zhuǎn)換后的灰度圖像在(i，j)處的灰度值；R(i，j)、G(i，j)、B(i，j)分別是彩色圖像在(i，j)處的R、G、B分量

②最大值法

G(i，j)=max[R(i，j)，G(i，j)，B(i，j)]

(2)

③平均值法

(3)

④加權平均法

G(i，j)=0.299R(i，j)+0.578G(i，j)+0.114B(i，j)

(4)

2)圖像去噪

現(xiàn)實中的數(shù)字圖像在采集、處理和傳輸過程中常受到成像設備與外部環(huán)境噪聲干擾等影響，造成圖像質(zhì)量下降，因此需要減少圖像中噪聲影響，提高圖像質(zhì)量，這一過程就被稱為圖像去噪。目前圖像方法有多種，在本文中選擇基于小波閾值的方法進行去噪[8]。首先對二維圖像p(x1，x2)進行小波域的二維Mallat分解，如圖2所示。

圖2 Mallat算法分解重構

圖中，L代表低頻子圖、H代表水平方向的高頻子圖、V代表垂直方向的高頻子圖、D代表對角線方向的高頻子圖。利用二維小波分解與重構算法所具有可分離的特性，對二維信號依次按行、按列與一維的低通濾波器和高通濾波器進行卷積，二維基本小波ψ(x1，x2)要遵循容許性條件cψ：

(5)

上式中，ω1、ω2表示圖像的頻率信息。

圖像P在經(jīng)過Mallat算法分解后，其圖像中有用信息會基本分布在低頻部分，即L低頻子圖中，這一部分的小波系數(shù)的絕對值較大；而圖像中無用信息，即噪聲的分解系數(shù)，會集中分布在高頻子圖中，這一部分的小波系數(shù)絕對值則較小。

根據(jù)上述描述，小波閾值去噪基本原理如下：當分解的小波系數(shù)小于某個臨界閾值時，則認為是噪聲造成的，過濾掉，而當分解的小波系數(shù)大于某個臨界閾值時，則認為是有用信息，保留下來。即大于該閾值的小波系數(shù)含有噪聲圖像信號的概率趨近于零，其表達式如下所示：

(6)

式中，σn表示零均值高斯白噪聲的標準方差，N表示圖像信號長度。

最后將保留下來的小波系數(shù)進行重構，即可獲得M×M帶有噪聲的圖像去噪后的圖像[9]。

(7)

3)圖像增強

圖像灰度化和去噪后，圖像會存在失真現(xiàn)象，圖像中部分信息會丟失，因此還需要進行圖像增強，選擇直方圖均衡化方法進行圖像增強，其基本原理是根據(jù)積分概率密度函數(shù)，將去噪圖像直方圖轉(zhuǎn)化為概率密度為1的圖像，此時為理想情況，在一定程度上提高對比度。

2.2 卷積神經(jīng)網(wǎng)絡實現(xiàn)番茄葉片病斑識別

卷積神經(jīng)網(wǎng)絡，從數(shù)據(jù)流角度來看，包括三個部分：輸入層、特征提取和輸出層；而從結構上看，則由一個或多個卷積層、池化層和全連通層組成[10]。

圖3 卷積神經(jīng)網(wǎng)絡

其中，卷積層主要作用是對輸入的圖像進行卷積運算，提取圖像局部特征，因此卷積層也被稱為特征提取層。池化層主要作用對卷積層提取到的圖像局部特征進行下采樣，即利用局部相關性聚合圖像局部特征，以較少的信息代表局部特征，減少特征維數(shù)，因此池化層也被稱為下采樣層。全連通層是卷積神經(jīng)網(wǎng)絡的分類器，利用輸入信號的加權求和以及非線性激活函數(shù)，將提取到的圖像特征映射到樣本的標記空間當中，實現(xiàn)圖像分類，即完成番茄葉片病斑識別[11-12]。

在本章節(jié)中，選擇卷積神經(jīng)網(wǎng)絡中的SSD算法來完成番茄葉片病斑識別。在CNN系列的許多模型中，Region Proposal和分類是分作兩塊[12]，而SSD算法模型是將二者統(tǒng)一在一起，使得目標識別更加簡單和快速。根據(jù)SSD算法的匹配策略，定義xij=1來表示第i個默認框匹配類別p的第j個真實框，可能有多個默認框的閾值大于 0.5。目標損失函數(shù)是位置損失和置信損失的加權和，目標函數(shù)表示如下

(8)

式中，N表示默認框的個數(shù)，Lloc(x，l，g)表示位置損失，即預測框與真實標簽框之間的平滑損失值，Lconf(x，c)表示置信度損失，α設置為 1。

充分利用不同尺度的特征圖來預測邊界框的類別分數(shù)和位置偏移，可大大提高檢測精度。

SSD 的檢測架構如圖4所示：

圖4 SSD 的檢測架構

在訓練期間，需要用默認框來與圖片所標記的真實框進行匹配。黑框默認匹配到病變區(qū)域，能夠正確匹配到真實框的設定為正樣本，其余的框設定為負樣本。為保證其有效性和準確性，SSD模型應用前需要進行訓練。SSD模型訓練具體流程如圖5所示。

圖5 SSD模型訓練流程

3 實例分析

3.1 實驗樣本集

于2019年7月15日在山東省某番茄種植基地利用佳能A640數(shù)碼攝像機拍攝番茄葉片病害圖片作為本章實例分析樣本。該樣本情況如下表2所示。

表2 實驗樣本情況

為降低這些圖片對計算機系統(tǒng)的壓力，需要利用Matlab7.0軟件對每幅圖片進行分辨率壓縮，壓縮規(guī)格為256×256，最后以JPEG格式導入計算機當中，構建番茄葉片病害圖像數(shù)據(jù)庫。

3.2 實驗平臺

表3 實驗平臺參數(shù)設置

3.3 測試結果

3.3.1 病斑識別結果分析

為進一步驗證該識別方法的有效性，分析不同方法的病斑識別結果。

圖6 不同方法病斑識別結果分析

由上圖可以看出，遺傳算法與AdaBoost算法均難以從病害圖像中準確的識別病斑，對于識環(huán)境干擾無法做出準確判斷。卷積神經(jīng)網(wǎng)絡方法展示出了良好的分割效果及魯棒性。主要原因在于選擇卷積神經(jīng)網(wǎng)絡中的SSD算法來完成番茄葉片病斑識別，SSD模型應用前需要進行訓練，保證了識別的有效性和準確性。

3.3.2 溫室番茄病害識別

為驗證卷積神經(jīng)網(wǎng)絡識別番茄葉片病斑準確性，采用測試數(shù)據(jù)集對模型進行測試，測試結果顯示在測試結果面板中。如圖7所示。

圖7 識別結果顯示面板

由圖7可以看出，以霜霉病以及白粉病為例，各去數(shù)據(jù)集415個、332個。在數(shù)據(jù)處理結果顯示的混淆矩陣中，霜霉病樣本中正確識別率達到47.6%，樣本識別個數(shù)為1070個，白粉病樣本中，正確識別率達到48.1%，樣本識別個數(shù)為1027個。其中，識別錯誤率較低，不超過4%，白粉病誤識率為0.8%，霜霉病的誤識率為3.5%。整體來說，病害識別率高達95.7%，霜霉病以及白粉病的識別準確率分別為93.1%、98.4%。依據(jù)上述數(shù)據(jù)結果，可知該方法可準確識別番茄病害，為病害治療提供理論依據(jù)。

3.3.3 葉片平均檢測精度值(mAP)分析

番茄葉片病斑識別方法的評價指標為mAP值，即均值平均精度，是指每個類別AP(PR曲線圍起來的面積)的平均值，其值越高代表方法的識別性能越好。通過下式計算mAP值，結果如下表4所示。

表4 mAP值測試結果

(9)

式中，AveragePrecisionC表示驗證集中葉片圖片各類別的平均精度之和，N(Classes)表示所有類別的數(shù)目。

從表4中可以看出，利用基于卷積神經(jīng)網(wǎng)絡方法進行番茄葉片病斑識別，得到的mAP值為0.988，而利用基于遺傳算法、AdaBoost算法進行番茄葉片病斑識別，得到的mAP值分別為0.847、0.836。以上三種結果對比可知，本文基于卷積神經(jīng)網(wǎng)絡的番茄葉片病斑識別方法的性能更好，識別準確率更高。

4 結束語

綜上所述，農(nóng)作物在生長過程中，無法避免會產(chǎn)生病害，對其產(chǎn)量和質(zhì)量造成了嚴重影響，因此必須進行及時、有效的治療。而治療之前，確定其病因?qū)τ谥委煷胧┻x擇具有重要意義。本次以番茄病害為例，利用基于卷積神經(jīng)網(wǎng)絡的方法進行番茄葉片病斑識別，并以基于遺傳算法、AdaBoost算法目標識別方法作為對比項，進行仿真實例分析。結果表明，本文方法得到的mAP值更高，病斑識別識別性能更強，病害識別結果較為準確，這為病害治療措施的選擇提供了重要的理論依據(jù)。