郭 丹，路 陽，李建寧，姜 峰，李愛傳

(1.黑龍江八一農(nóng)墾大學(xué) 電氣與信息學(xué)院,黑龍江 大慶 163319；2.雞西市公安局，黑龍江 雞西 158100)

0 引言

水稻是我國重要的糧食和經(jīng)濟(jì)作物，北方種植面積巨大。近年來，水稻紋枯病的危害日趨嚴(yán)重，導(dǎo)致水稻無法抽穗，秕谷增加，千粒質(zhì)量下降，產(chǎn)量降低，嚴(yán)重時(shí)可造成減產(chǎn)15%以上[1]。水稻紋枯病在水稻生長的各個(gè)時(shí)期都可能出現(xiàn)，但在預(yù)防及防治問題上，如何高效、智能地對(duì)紋枯病進(jìn)行自動(dòng)識(shí)別是個(gè)難題。目前，識(shí)別水稻是否發(fā)生病害主要依靠水稻植保專家。專家首先需要到田間使用肉眼判斷葉片是否出現(xiàn)暗綠色水浸小斑點(diǎn)，然后以水稻病蟲害防治彩色圖譜為依據(jù)，最終依據(jù)比對(duì)結(jié)果來確定病害類型及程度。由于水稻植保專家數(shù)量嚴(yán)重不足，使得這種識(shí)別方法效率低，而且專家主觀性強(qiáng)，容易出現(xiàn)診斷偏差[2]。

近年來，隨著深度學(xué)習(xí)研究的深入，深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)快速發(fā)展，有很多學(xué)者利用深度信念網(wǎng)絡(luò)研究圖像識(shí)別、語音識(shí)別、人臉識(shí)別及植物葉片分類等。南京農(nóng)業(yè)大學(xué)的盧偉等提出基于深度信念網(wǎng)絡(luò)對(duì)稻種發(fā)芽率進(jìn)行檢測(cè)的一種方法[3]。Fatahi等[4]提出一個(gè)基于深度信念網(wǎng)絡(luò)改進(jìn)的人臉識(shí)別系統(tǒng)，通過改變自身的網(wǎng)絡(luò)結(jié)構(gòu)組成元件和調(diào)整模型參數(shù)來提高分類識(shí)別率[5]。目前，有很多學(xué)者研究利用機(jī)器學(xué)習(xí)與模式識(shí)別等技術(shù)對(duì)水稻紋枯病進(jìn)行檢測(cè)和識(shí)別。中國農(nóng)業(yè)科學(xué)院蜜蜂研究所的劉婷婷等[6]及中國科學(xué)院合肥智能機(jī)械研究所的袁媛等利用支持向量機(jī)實(shí)現(xiàn)了水稻紋枯病自動(dòng)識(shí)別與診斷[7]；北京林業(yè)大學(xué)的劉念用深度信念網(wǎng)絡(luò)來對(duì)植物的葉片進(jìn)行識(shí)別[8]。

深度信念網(wǎng)絡(luò)由多個(gè)受限玻爾茲曼機(jī)(Restricted Boltzmann Machine，RBM)組成，主要用作圖像或聲音等對(duì)象的識(shí)別與分類。相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法，其最大優(yōu)勢(shì)是可以直接對(duì)原始圖像進(jìn)行仿真識(shí)別，不需要對(duì)樣本進(jìn)行人工標(biāo)簽。它是一種多層的網(wǎng)絡(luò)結(jié)構(gòu)，為原始圖像的特征提取和后續(xù)圖像的識(shí)別提供了基礎(chǔ)模型[9]。在網(wǎng)絡(luò)中，訓(xùn)練是逐層次的，訓(xùn)練步驟一般分為逐層貪心的訓(xùn)練和參數(shù)優(yōu)化微調(diào)的過程。

目前，使用深度信念網(wǎng)絡(luò)方法對(duì)水稻紋枯病進(jìn)行識(shí)別還未見報(bào)道。關(guān)于植物葉片病害識(shí)別和分類方面，基于卷積神經(jīng)網(wǎng)絡(luò)方法已取得了較大的成果。Brahimi等[10]利用深度學(xué)習(xí)模型CaffeNet對(duì)植物葉片進(jìn)行識(shí)別；DeChant Chad等[11]利用深度學(xué)習(xí)對(duì)北方受葉枯病侵害的玉米植株進(jìn)行自動(dòng)識(shí)別；馬苗等使用深度信念網(wǎng)絡(luò)方法對(duì)手勢(shì)圖像進(jìn)行識(shí)別，取得了很好的效果[13]。因此，采用深度信念網(wǎng)絡(luò)對(duì)水稻紋枯病進(jìn)行識(shí)別診斷是可以實(shí)現(xiàn)的。本文將采用深度信念網(wǎng)絡(luò)對(duì)水稻紋枯病的圖像進(jìn)行識(shí)別，進(jìn)而提高識(shí)別效果和診斷效率，為準(zhǔn)確識(shí)別水稻紋枯病害奠定基礎(chǔ)。

本文基于MatLab 2016a深度學(xué)習(xí)工具箱DeepLearning Toolbox平臺(tái)，構(gòu)建深度信念網(wǎng)絡(luò)模型，研究基于深度信念網(wǎng)絡(luò)理論的水稻紋枯病圖像自動(dòng)診斷識(shí)別，具體研究過程包括水稻紋枯病害圖像預(yù)處理、深度信念網(wǎng)絡(luò)模型構(gòu)建及訓(xùn)練、實(shí)驗(yàn)對(duì)比分析等。

1 數(shù)據(jù)預(yù)處理

1.1 水稻病害圖像的采集

在自然光照條件下，使用華為P10Plus手機(jī)(EMUI 8.0兼容Android 8.0操作系統(tǒng)，2 000萬黑白+1 200萬彩色雙攝像頭)獲取北方寒地水稻紋枯病圖像。將手機(jī)的后置攝像頭放在準(zhǔn)備拍攝距離紋枯病病葉適中的距離且圖像清晰的環(huán)境下完成采集。手機(jī)拍攝的照片像素是3 840×5 120。水稻病害圖像的采集分別在水稻的前期、中期和末期進(jìn)行，每個(gè)時(shí)期每種病害分別采集50幅圖像，共采集1 500幅圖像，每幅圖像采用JPG格式存儲(chǔ)且剪輯壓縮成統(tǒng)一的大小。采集的原始水稻紋枯病病害樣例圖像如圖1所示。

圖1 水稻紋枯病病害圖像

1.2 高斯濾波對(duì)水稻紋枯病的預(yù)處理

圖2 高斯濾波后的水稻紋枯病病害圖像

1.3 紋枯病病斑特征的提取

使用Sobel算子邊緣檢測(cè)方法來提取出水稻紋枯病的病害圖片中所包含的病斑信息，算法步驟描述如下:Sobel算子的方向模板包含了兩組3×3的矩陣，即水平方向和垂直方向的兩組矩陣。其中，Gx表示垂直方向梯度，檢測(cè)水平邊緣；Gy表示水平方向梯度，檢測(cè)垂直邊緣。

若有連續(xù)的圖像函數(shù)，式(1)表示圖像函數(shù)在點(diǎn)處的梯度向量；式(2)表示梯度幅度；式(3)表示為了簡化計(jì)算，使用絕對(duì)值來表示梯度幅度；式(4)表示梯度的方向[14]。

(1)

(2)

|G(x,y)|=|Gx|+|Gy|

(3)

(4)

檢測(cè)過程中，首先將兩組矩陣與紋枯病的圖像中任何一個(gè)像素重合，并沿其圖像像素進(jìn)行移動(dòng)；再將兩組矩陣中的系數(shù)與紋枯病的圖像的像素點(diǎn)進(jìn)行卷積運(yùn)算，用兩個(gè)卷積的最大值代替紋枯病圖像中間位置的像素點(diǎn)，將其用作該像素點(diǎn)的灰度值；最后取合適的閾值TH，假如新的灰度值≥TH，就認(rèn)為該像素點(diǎn)為邊緣點(diǎn)。即它是以3×3鄰域內(nèi)的中心像素點(diǎn)為中心，對(duì)一些離散的圖像進(jìn)行鄰域平均或加權(quán)平均，進(jìn)而對(duì)圖像的邊緣點(diǎn)進(jìn)行檢測(cè)。使用Sobel算子邊緣檢測(cè)方法對(duì)水稻紋枯病病斑提取的結(jié)果如圖3所示。

圖3 水稻紋枯病病斑圖像的提取

2 深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)(DBN)主要用于識(shí)別和分類。DBN的基本思想為：深度信念網(wǎng)絡(luò)由一系列受限玻爾茲曼機(jī)(RBM)單元組成[15]。設(shè)輸入層節(jié)點(diǎn)的數(shù)目為m，隱含層節(jié)點(diǎn)的數(shù)目為n，設(shè)計(jì)的網(wǎng)絡(luò)模型如圖4所示。受限玻爾茲曼機(jī)的能量函數(shù)為

假設(shè)歸一化因子Z(θ)=∑v,he-E(v·h/θ)，v表示輸入層的所有結(jié)點(diǎn)，h表示隱含層的所有結(jié)點(diǎn)，進(jìn)而估算出隱含層被開啟的概率為

圖4 DBN結(jié)構(gòu)圖

圖5 訓(xùn)練性能曲線

3 實(shí)驗(yàn)與分析

本文深度信念網(wǎng)絡(luò)搭建在DeepLearning Toolbox上，其訓(xùn)練及整體測(cè)試過程均在MatLab平臺(tái)上進(jìn)行。定義好深度信念網(wǎng)絡(luò)的各項(xiàng)參數(shù)為：受限玻爾茲曼機(jī)隱含層和輸出層神經(jīng)元個(gè)數(shù)為dbn.sizes=[25,25]，隨機(jī)樣本數(shù)量每批次為opt.batchsize=50，學(xué)習(xí)速率為opt.alpha=1，權(quán)值和偏置為0到1之間隨機(jī)數(shù)。使用上述參數(shù)構(gòu)建深度信念網(wǎng)絡(luò)后，訓(xùn)練時(shí)選取60%的水稻紋枯病病害圖像為訓(xùn)練樣本，其余的40%用于模型驗(yàn)證。采用7重交叉驗(yàn)證方法，水稻紋枯病病害的識(shí)別結(jié)果如表1所示。由表1可以看出：深度信念網(wǎng)絡(luò)對(duì)水稻紋枯病病害平均識(shí)別率達(dá)到94.05%，運(yùn)行時(shí)間為72ms，而BP方法與SVM方法的平均識(shí)別率都低于深度信念網(wǎng)絡(luò)，運(yùn)行時(shí)間都高于深度信念網(wǎng)絡(luò)。結(jié)果表明：深度信念網(wǎng)絡(luò)方法針對(duì)水稻紋枯病病害的平均識(shí)別準(zhǔn)確率優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和SVM。當(dāng)取樣本為100張圖片時(shí)，使用DBN、BP、SVM等3種方法進(jìn)行訓(xùn)練，得出的誤差曲線如圖6所示。由圖6可以看出：DBN的誤差率是最小且最穩(wěn)定。

表1 水稻紋枯病病害的識(shí)別Table 1 Rice sheath blight disease of recognition

圖6 誤差曲線分析圖

4 結(jié)論

基于深度信念網(wǎng)絡(luò)對(duì)水稻紋枯病進(jìn)行自動(dòng)識(shí)別。首先采用高斯濾波方法和Sobel算子邊緣檢測(cè)算法對(duì)水稻紋枯病病害圖像進(jìn)行預(yù)處理操作，建立了水稻紋枯病病斑圖像數(shù)據(jù)庫；然后，構(gòu)建和訓(xùn)練了深度信念網(wǎng)絡(luò)模型對(duì)水稻紋枯病病害進(jìn)行識(shí)別，通過7重交叉驗(yàn)證，平均識(shí)別率達(dá)到94.05%。通過與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)識(shí)別方法對(duì)比，結(jié)果表明：本文采用的方法在對(duì)水稻紋枯病病害識(shí)別方面取得了較好的效果，為深度信念網(wǎng)絡(luò)在農(nóng)作物病害的識(shí)別診斷方面打下了良好的基礎(chǔ)。