改進(jìn)DenseNet融合去霧算法的水果病害識(shí)別

陳智超 顏琪

摘要：在水果種植領(lǐng)域，病蟲害是威脅水果生長(zhǎng)的主要因素之一。文章通過識(shí)別水果葉片實(shí)現(xiàn)復(fù)雜環(huán)境下對(duì)水果病害的識(shí)別和防治，對(duì)提高水果產(chǎn)量和品質(zhì)具有關(guān)鍵作用?；谝陨蠁栴}，文章提出了一種基于深度學(xué)習(xí)的新型植物病害識(shí)別模型，該模型首先通過圖像歸一化處理和MSRCR去霧算法完成對(duì)圖像的預(yù)處理與增強(qiáng)，然后使用基于梯度上的Canny SLIC算法對(duì)病害圖像數(shù)據(jù)集進(jìn)行高精度的分割，進(jìn)而得到包含病斑特征的葉片，最后通過改進(jìn)的DenseNet算法對(duì)圖像進(jìn)行病害特征識(shí)別和分類，完成水果病害圖像的識(shí)別。在水果病害中，以白粉病、黑痘病、炭疽病為例進(jìn)行測(cè)試，結(jié)果表明該模型平均正確率為98.98%，遠(yuǎn)高于傳統(tǒng)的CNN卷積架構(gòu)模型的正確率。該模型實(shí)現(xiàn)了復(fù)雜環(huán)境下水果病害圖像的識(shí)別，可用于輔助水果病害的自動(dòng)識(shí)別與檢測(cè)，提高了水果病害圖像識(shí)別的清晰度和準(zhǔn)確率。

關(guān)鍵詞：改進(jìn)DenseNet算法;去霧算法;水果病害圖像識(shí)別

中圖分類號(hào)：TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）25-0070-03

開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID） ：

1 概述

水果經(jīng)濟(jì)在我國(guó)農(nóng)業(yè)經(jīng)濟(jì)中占有不低的地位。目前，水果產(chǎn)業(yè)在種植規(guī)模、品種資源、利潤(rùn)空間等方面已成為中國(guó)農(nóng)業(yè)經(jīng)濟(jì)中繼糧食、蔬菜之后的第3大農(nóng)業(yè)種植產(chǎn)業(yè)，在國(guó)內(nèi)外市場(chǎng)中前景廣闊，同時(shí)具有較強(qiáng)國(guó)際競(jìng)爭(zhēng)力的農(nóng)業(yè)產(chǎn)業(yè)，也是許多地方進(jìn)行經(jīng)濟(jì)發(fā)展的重點(diǎn)和農(nóng)民致富的重要產(chǎn)業(yè)之一。在種植水果時(shí)，水果病害對(duì)水果的產(chǎn)量以及質(zhì)量有巨大的影響。此外，果農(nóng)因?yàn)闊o法準(zhǔn)確地辨認(rèn)具體的水果病害，只能進(jìn)行大規(guī)模的農(nóng)藥噴灑，將會(huì)導(dǎo)致大規(guī)模的農(nóng)藥濫用，進(jìn)而造成生態(tài)環(huán)境的損害，無法實(shí)現(xiàn)可持續(xù)發(fā)展。所以，完成水果病蟲害的圖像識(shí)別是勢(shì)在必行的。

傳統(tǒng)的病害識(shí)別方式是農(nóng)業(yè)專家及技術(shù)人員憑借多年經(jīng)驗(yàn)，人工識(shí)別水果的病害情況及程度，存在識(shí)別效率低、識(shí)別效果不佳等問題。隨著計(jì)算機(jī)硬件設(shè)備性能的不斷發(fā)展，越來越多的研究者開始將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于智慧農(nóng)業(yè)領(lǐng)域進(jìn)行植物病害的識(shí)別。例如田有文等提出基于Fisher準(zhǔn)則判別函數(shù)對(duì)彩色圖像進(jìn)行二值化分割，進(jìn)而對(duì)圖像進(jìn)行識(shí)別;尚怡君等在判別局部保持映射（DLPP）的基礎(chǔ)上，提出一種植物病害識(shí)別方法，該方法試圖找到映射矩陣，使得高維數(shù)據(jù)映射后，在低維子空間同類樣本之間的距離最小，而異類樣本之間的距離最大，由此提高算法的識(shí)別率 ;晁曉菲等通過基于深度學(xué)習(xí)的蘋果葉片病害識(shí)別以及基于深度學(xué)習(xí)的蘋果葉片病害圖像進(jìn)行語義分割和識(shí)別[1]。

目前國(guó)內(nèi)外對(duì)復(fù)雜環(huán)境下的植物病害識(shí)別的研究主要集中在病害葉片圖像分割、葉片病斑特征提取、葉片病害識(shí)別三方面。且大多模型均基于傳統(tǒng)CNN模型架構(gòu)，對(duì)罕見病害識(shí)別準(zhǔn)確率較低、速度慢。基于以上問題，本文提出一種基于現(xiàn)代卷積架構(gòu)的CNN模型——多尺度改進(jìn)的DenseNet識(shí)別模型。該模型首先通過MSRCR算法整體去霧，通過圖像增廣技術(shù)對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，再進(jìn)行圖像歸一化處理、色彩抖動(dòng)完成數(shù)據(jù)預(yù)處理與增強(qiáng)。然后運(yùn)用基于梯度方向上的Canny SLIC算法實(shí)現(xiàn)圖像精準(zhǔn)分割處理[2]。再通過改進(jìn)的DenseNet卷積神經(jīng)網(wǎng)絡(luò)提取病害特征并進(jìn)行分類，最后通過數(shù)據(jù)傳輸?shù)玫椒答伣Y(jié)果。水果病害識(shí)別流程圖如圖1所示。

2? 水果病害圖像及防治措施數(shù)據(jù)集

本文采用的水果病害圖像數(shù)據(jù)集來源于Kaggle數(shù)據(jù)科學(xué)官網(wǎng)的公共數(shù)據(jù)集 New plant diseases dataset[3]及PlantVillage賓州州立大學(xué)建立的大型農(nóng)業(yè)論壇包含的水果病害圖片及正常狀態(tài)下水果圖片的數(shù)據(jù)集，共計(jì)45，000張水果病態(tài)或健康的RGB圖像，并且使用One-host編碼方式進(jìn)行標(biāo)記，基于水果病害的不同生長(zhǎng)狀況、水果病害種類及水果病害嚴(yán)重程度創(chuàng)建了2個(gè)圖像數(shù)據(jù)庫。50種不同種類水果病害標(biāo)簽圖像30，000張，根據(jù)水果病害顏色、形狀、大小的特征標(biāo)記3種不同水果病害嚴(yán)重程度圖像10，000張。

采用水果病害防治藥劑名單，根據(jù)水果病害不同種類及嚴(yán)重程度創(chuàng)建了數(shù)據(jù)庫，將水果病害防治藥劑劑量和使用方法數(shù)據(jù)進(jìn)行錄入存放。

3 水果病害數(shù)據(jù)預(yù)處理與增強(qiáng)

首先，將水果病害RGB圖像進(jìn)行分類。根據(jù)多節(jié)點(diǎn)樣條理論方法通過對(duì)基函數(shù)在數(shù)據(jù)中的采樣和處理，然后對(duì)數(shù)據(jù)進(jìn)行逼近，實(shí)現(xiàn)對(duì)冗余數(shù)據(jù)快速去除，進(jìn)而避免了人工去除冗余數(shù)據(jù)的速度慢、準(zhǔn)確率不高的問題[4]?？紤]到在能見度較低的天氣下圖像識(shí)別準(zhǔn)確率較低的原因，本文將使用優(yōu)化的MSRCR算法對(duì)冗余處理后的數(shù)據(jù)集進(jìn)行去霧處理。相對(duì)傳統(tǒng)MSR算法，存在因噪聲而導(dǎo)致色彩失真，不能顯示圖像真正顏色的問題，本文將加入色彩恢復(fù)因子C，調(diào)節(jié)由于圖像局部區(qū)域?qū)Ρ榷仍鰪?qiáng)而導(dǎo)致色彩失真的缺陷。去霧處理后，圖像局部對(duì)比度得到提高，亮度與真實(shí)場(chǎng)景相似，最終實(shí)現(xiàn)對(duì)圖像增強(qiáng)效果。完成對(duì)圖像的整體去霧，解決了由于天氣原因?qū)е碌淖R(shí)別不準(zhǔn)確的問題，其計(jì)算公式如式（1） 所示，其中G表示增益Gain（一般取值：5） ;b表示偏差Offest（一般取值：25） ;（x，y）表示某個(gè)通道的圖像;C表示某個(gè)通道的彩色因子，用來調(diào)節(jié)3個(gè)通道顏色比例;f（?）表示顏色空間映射函數(shù);β是增益函數(shù)（一般取值46） ;α是受控制的非線性強(qiáng)度（一般取值125） [5]。

[RMSRCRx，y'=G?RMSRCRx，y+b]

[RMSRCRx，y=C（x，y）RMSR（x，y）]

[C（X，Y）=f[l^' （x，y）]=f[lx，yl（x，y）]Cix，y=fli'x，y=f[lix，yj=1Nlj（x，y）]? ? ?（1）

[f[l'x，y]=β{logαl'x，y-loglx，y}]

然后將MSRCR去霧處理后的數(shù)據(jù)集分成訓(xùn)練集、驗(yàn)證集、模擬測(cè)試集，其比例為6：2：2，進(jìn)行模擬訓(xùn)練。再將輸入的水果病害圖像歸一化處理，這有利于后續(xù)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練。然后對(duì)輸入的水果病害圖像數(shù)據(jù)進(jìn)行模擬增強(qiáng)，將水果病態(tài)或健康的RGB圖像進(jìn)行隨機(jī)45°范圍旋轉(zhuǎn)，并進(jìn)行隨機(jī)移位（水平方向和垂直方向） 40%，同時(shí)進(jìn)行圖像隨機(jī)縮放，最后對(duì)圖像進(jìn)行色彩抖動(dòng)操作，擴(kuò)充數(shù)據(jù)集合。

4 優(yōu)化的Canny SLIC圖像算法分割

通過運(yùn)用基于梯度方向上的Canny SLIC算法實(shí)現(xiàn)對(duì)預(yù)處理和增強(qiáng)后圖像的精準(zhǔn)分割。傳統(tǒng)的Canny SLIC圖像分割算法是將Canny算法與SLIC算法進(jìn)行結(jié)合，先將Canny算子邊緣信息的檢測(cè)，然后與SLIC算法將像素劃分到一個(gè)五維空間中，并將其分解成五維特征向量，然后將收集到的圖像轉(zhuǎn)化為顏色空間和x-y二維像素點(diǎn)空間坐標(biāo)，像素間的相似度通過向量距離來衡量，最后使生成的圖像聚類保持較好的邊緣超像素[6]。但傳統(tǒng)方法使用的滯后閾值法識(shí)別和邊緣連接時(shí)容易將梯度幅度較小的邊緣信息識(shí)別處理成為噪聲，進(jìn)而融合SLIC法時(shí)邊緣信息容易丟失。改進(jìn)后的Canny SLIC圖像分割法能夠很好地解決邊緣化區(qū)域由于梯度原因造成邊緣化丟失的問題，并且由于增加了超像素預(yù)處理，在形狀方面采用六邊形描繪圖像形狀，提高了分割的精確率、準(zhǔn)確率。Canny SLIC優(yōu)化算法通過保留水果葉片的完整結(jié)構(gòu)，最終實(shí)現(xiàn)復(fù)雜環(huán)境下圖像分割。優(yōu)化的Canny SLIC圖像分割方法如下：

（1） 通過水果病害圖像的數(shù)據(jù)集，收集圖像前景和背景的多個(gè)圖像，提取圖像函數(shù)運(yùn)算符，并通過優(yōu)化后的SVM分類器，SVM-KNN分類器輸入數(shù)據(jù)，進(jìn)行深度訓(xùn)練并且導(dǎo)入二元?jiǎng)澐帜Ｐ汀?/p>

（2） 對(duì)輸入的水果病害圖像進(jìn)行預(yù)處理和增強(qiáng)，去除重復(fù)項(xiàng)，用RPN分類模型進(jìn)行分類訓(xùn)練，并且通過旋轉(zhuǎn)、平移等方法對(duì)圖像數(shù)據(jù)進(jìn)行處理最終實(shí)現(xiàn)圖像數(shù)據(jù)增強(qiáng)。

（3） 輸入正?；虿『Φ乃麍D像，并使用優(yōu)化后的Canny SLIC算法計(jì)算出圖像的邊緣點(diǎn)和像素值，進(jìn)而對(duì)圖像進(jìn)行復(fù)數(shù)運(yùn)算，將邊緣點(diǎn)從二維降到一維。

（4） 基于優(yōu)化后的Canny SLIC算法分割圖像獲取圖像信息后，從聚類中心區(qū)域提取5種劃分的類別，并使用二元?jiǎng)澐帜Ｐ偷姆椒▽?duì)圖像的前景和背景劃分成圖像塊，進(jìn)行分類和標(biāo)記，前景標(biāo)記為0，背景標(biāo)記為1。

（5） 直接越過每個(gè)水果病害圖像中的每個(gè)超級(jí)像素塊，通過二元?jiǎng)澐帜Ｐ?，依次?duì)標(biāo)記進(jìn)行排列，直到將所有超級(jí)像素劃分為前景和背景。

（6） 對(duì)標(biāo)記的前景進(jìn)行保留，刪除標(biāo)記背景，檢測(cè)到水果或水果葉片等其他特征后，圖像分割完成。

由于傳統(tǒng)的Canny SLIC圖像分割算法邊緣分割能力較弱，導(dǎo)致對(duì)圖片邊緣部分分割性能較低，對(duì)復(fù)雜環(huán)境下葉片邊緣化的病斑分割圖像能力較弱，處理時(shí)間較長(zhǎng)，分割準(zhǔn)確率低。通過優(yōu)化后的Canny SLIC算法能夠獲得水果病害圖像中的整體區(qū)域，在顏色轉(zhuǎn)換，邊緣化信息處理上都得到了很大的提升，能夠較好地解決復(fù)雜環(huán)境下水果病害的顏色難辨別、形狀復(fù)雜等問題。經(jīng)實(shí)驗(yàn)，改進(jìn)后的Canny SLIC算法分割時(shí)間相對(duì)于傳統(tǒng)Canny SLIC算法圖像分割消耗時(shí)間消耗降低了12%左右，并提高了分割圖像的準(zhǔn)確率。

5? 圖像病蟲害特征識(shí)別處理

傳統(tǒng)的CNN卷積架構(gòu)模型處理時(shí)間長(zhǎng)，隨著網(wǎng)絡(luò)深度層數(shù)增加出現(xiàn)梯度消失等問題[7] ，DenseNet卷積神經(jīng)網(wǎng)絡(luò)為保證隨著卷積層數(shù)增加，信息丟失的問題，將所有卷積層進(jìn)行相互連接，從前面的卷積層中獲取其他輸入，再將本層中特征傳入下一卷積層中，其實(shí)質(zhì)是將傳遞特征之前對(duì)特征進(jìn)行拼接，實(shí)現(xiàn)了特征圖保持不變，最終實(shí)現(xiàn)在基于網(wǎng)絡(luò)特征圖的分類器中進(jìn)行預(yù)測(cè)[8]。在水果病害中蘋果病害高達(dá)一百多種，而葡萄病害僅存在20余種。導(dǎo)致水果病害圖像數(shù)據(jù)集中樣本種類存在明顯不均衡的問題，蘋果病害圖像高達(dá)一萬多張，葡萄病害圖像僅3000張左右，相對(duì)于水果病害圖像少的水果類別，往往病害樣本較多的圖像更容易分類和識(shí)別。

通過引入Focal loss損失函數(shù)加以改進(jìn)，使網(wǎng)絡(luò)在訓(xùn)練時(shí)減少易分樣本的權(quán)重，從而增加對(duì)病害圖像中樣本類別少的訓(xùn)練，進(jìn)而提高水果病害識(shí)別率和精準(zhǔn)率，其計(jì)算公式如式（2） 所示。其中x是特征值，i與j表示類別號(hào)，γ 稱為聚焦參數(shù)。經(jīng)實(shí)驗(yàn)，γ=2時(shí)效果最好，此時(shí)預(yù)測(cè)樣本準(zhǔn)確率高，損失函數(shù)變化率小，實(shí)現(xiàn)了在深層訓(xùn)練過程中更專注難以分類的樣本[9]，有效改善了人工提取水果（圖像） 效率低、識(shí)別率低的情況，以此達(dá)到圖像病害識(shí)別的最佳效果。然后對(duì)圖像進(jìn)行模擬訓(xùn)練，為后續(xù)圖像測(cè)試進(jìn)行準(zhǔn)備，本文采用兩種網(wǎng)絡(luò)模型對(duì)三種數(shù)據(jù)庫中樣本標(biāo)記后的圖像進(jìn)行訓(xùn)練和測(cè)試。兩種網(wǎng)絡(luò)模型分別為DenseNet169網(wǎng)絡(luò)模型和多尺度改進(jìn)的DenseNet網(wǎng)絡(luò)模型。

[Focalloss（x）=-（1-exijexj）γg（exijexj）]? ? ?（2）

使用改進(jìn)的DenseNet卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)優(yōu)化后的水果病害分割圖像進(jìn)行水果特征病害識(shí)別并進(jìn)行分類和提取，相對(duì)傳統(tǒng)的DenseNet卷積神經(jīng)網(wǎng)絡(luò)模型能夠有效避免由于水果病害類別數(shù)量差異較大而造成的類別不均衡，導(dǎo)致識(shí)別率較低，特征提取較差等問題，提高了圖像識(shí)別的準(zhǔn)確率和速率。不同訓(xùn)練網(wǎng)絡(luò)下對(duì)不同種類水果病害評(píng)價(jià)結(jié)果如表2（本文訓(xùn)練50種病害種類，表1列出常見三種水果病害分析結(jié)果） ，最終得出改進(jìn)后的DenseNet 網(wǎng)絡(luò)模型平均識(shí)別準(zhǔn)確率高達(dá) 98.98%，對(duì)水果病害嚴(yán)重程度（輕、中、重） 平均識(shí)別準(zhǔn)確率達(dá)到97.31%，顯著優(yōu)于DenseNet169模型的正確率97.95%?？梢园l(fā)現(xiàn)，相比于白粉病和炭疽病，黑痘病可以獲得更好的效果。

6 結(jié)束語

隨著人工智能的發(fā)展，計(jì)算機(jī)視覺成為人工智能中廣泛應(yīng)用的技術(shù)，被應(yīng)用到社會(huì)生活各個(gè)方面。本文通過MSRCR算法完成了圖像預(yù)處理與增強(qiáng)，對(duì)圖像進(jìn)行整體去霧的處理，提高了水果病害圖像的識(shí)別速度以及準(zhǔn)確率，優(yōu)化的Canny SLIC算法解決了圖像分割時(shí)邊緣化區(qū)域由于梯度原因造成邊緣化丟失數(shù)據(jù)的問題，提升了圖像分割速度和準(zhǔn)確率。同時(shí)引入了Focal損失函數(shù)的DenseNet算法實(shí)現(xiàn)了在深層訓(xùn)練過程中更專注處理難分類的樣本，提升了模型特征識(shí)別的準(zhǔn)確率和速度。通過對(duì)多尺度改進(jìn)的DenseNet模型與DenseNet169模型訓(xùn)練結(jié)果表明，改進(jìn)的DenseNet模型對(duì)水果病害識(shí)別正確率平均為98.98%，相較于傳統(tǒng)CNN卷積模型準(zhǔn)確率得到提高，解決了對(duì)罕見水果病害識(shí)別不精準(zhǔn)、耗時(shí)高等問題，此類模型可用于其他病害的遷移學(xué)習(xí)，可為后續(xù)水果病害圖像識(shí)別提供參考及研究。

參考文獻(xiàn)：

[1] 晁曉菲.基于深度學(xué)習(xí)的常見蘋果葉片病害識(shí)別與病斑分割方法研究[D].楊凌：西北農(nóng)林科技大學(xué)，2021.

[2] 郭昕剛，王佳，屈諾希，等.基于梯度方向的Canny SLIC圖像分割算法[J].計(jì)算機(jī)仿真，2021，38（9）：465-469，500.

[3] 程艷艷.非對(duì)齊分布冗余數(shù)據(jù)自適應(yīng)快速去除方法仿真[J].計(jì)算機(jī)仿真，2019，36（9）：389-392.

[4] 圖像處理之Retinex增強(qiáng)算法（SSR、MSR、MSRCR）.https：//www.bbsmax.com.

[5] HOCHREITER S. The vanishing gradient problem during learning? recurrent? neural? nets? and? problem? solutions[J]. Int J Unc Fuzz Knowl Based Syst， 1998，6（2）：107-116.

[6] 劉華松.基于深度學(xué)習(xí)的毒株胚蛋圖像分割方法研究[D].天津：天津工業(yè)大學(xué)，2019.

[7] 楊其睿.基于改進(jìn)的DenseNet深度網(wǎng)絡(luò)火災(zāi)圖像識(shí)別算法[J].計(jì)算機(jī)應(yīng)用與軟件，2019，36（2）：258-263.

[8] Tsung-Yi L，Priya G，Ross G，et al.Focal loss for dense object detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（2）：318-327.

[9] 吳云志，劉翱宇，朱小寧，等.FI-DenseNet：用于植物病害圖像識(shí)別的卷積網(wǎng)絡(luò)[J/OL].安徽農(nóng)業(yè)大學(xué)學(xué)報(bào)：1-7[2021-11-30].https：//doi.org/10.13610/j.cnki.1672-352x.20210319.002.

【通聯(lián)編輯：唐一東】