李 娜,米偉娟

河北傳媒學(xué)院信息技術(shù)與文化管理學(xué)院,河北 石家莊 050000

我國是傳統(tǒng)的農(nóng)業(yè)大國，馬鈴薯種植面積達(dá)到了5.3×1010m2以上。馬鈴薯作物具有較高的營養(yǎng)價(jià)值和種植價(jià)值。受種植環(huán)境、氣候因素和種子品種的影響，我國馬鈴薯受病害影響日漸嚴(yán)重，最高可達(dá)種植面積的50%以上[1]。由于馬鈴薯病害隱蔽性較強(qiáng)、發(fā)生頻率高，種植農(nóng)民防治病害的科技水平有限，導(dǎo)致無法及時(shí)發(fā)現(xiàn)和治理該問題，極大地降低了馬鈴薯作物的產(chǎn)量。隨著信息化技術(shù)和計(jì)算機(jī)產(chǎn)業(yè)的不斷發(fā)展，國內(nèi)外農(nóng)業(yè)專家引進(jìn)計(jì)算機(jī)視覺技術(shù)系統(tǒng)對馬鈴薯病害進(jìn)行識別和分析。馬鈴薯病害識別是基于計(jì)算機(jī)作物圖像分割和病害特征提取的基礎(chǔ)之上，通過不同的分類識別規(guī)則對病害的形狀、紋理和統(tǒng)計(jì)數(shù)據(jù)進(jìn)行分析和辨別[2]。Sasaki Y 等在紅外線識別技術(shù)的基礎(chǔ)上，對作物建立了光譜分析和形狀特征模型，有效地辨別馬鈴薯病害的診斷技術(shù)[3]。Rumpf T 等使用向量機(jī)分類識別方法，對馬鈴薯早期病害進(jìn)行檢測與分析，保證在樣本數(shù)量較小的情況下，有效識別馬鈴薯內(nèi)部病蟲害[4]。Gassoumi H 等使用神經(jīng)網(wǎng)絡(luò)分類識別法，建立了圖像識別分析模型[5]。該模型能夠?qū)ΤＲ婑R鈴薯病蟲進(jìn)行分類識別，對病害類型識別的精度較高。Feng DC 等采取了模糊聚類識別算法，對于植物病斑進(jìn)行了識別檢驗(yàn)[6]。該算法能夠減少計(jì)算機(jī)運(yùn)算的時(shí)間，極大地提高馬鈴薯病害的識別效率。范振軍和李小霞使用ROI 方法歸納和分析了馬鈴薯病害的主要特征，該方法加速了計(jì)算機(jī)對于馬鈴薯病害識別的速度，能夠更好地辨別馬鈴薯不同病害的顏色、狀態(tài)和葉片變化，推斷出馬鈴薯具體病癥[7]。張小燕,楊炳南和曹有福等融合近紅外光譜技術(shù)和基于主成分分析的SIMCA 模式對于馬鈴薯環(huán)腐病進(jìn)行識別和分析。實(shí)驗(yàn)結(jié)果證明，馬鈴薯環(huán)腐病識別成功率達(dá)到87.5%[8]。柳琦,涂鄭禹和陳超等使用計(jì)算機(jī)視覺技術(shù)對農(nóng)產(chǎn)品的大小、形狀、顏色、表面缺陷和新鮮度等方面進(jìn)行檢測，結(jié)果表明，計(jì)算機(jī)視覺技術(shù)的廣泛應(yīng)用能夠較好地幫助實(shí)驗(yàn)人員發(fā)現(xiàn)農(nóng)產(chǎn)品的病害問題，提高病害檢驗(yàn)的速度和效率。以上識別方法均是基于可視化計(jì)算機(jī)識別技術(shù)開展的主要馬鈴薯病害識別方法，能夠有效提高基層科研人員和種植農(nóng)民對于馬鈴薯病害診斷能力，有效防治和預(yù)防大范圍病害的發(fā)生。

針對以上國內(nèi)外學(xué)者的研究方法，本文提出卷積神經(jīng)網(wǎng)絡(luò)模型的馬鈴薯病害的可視化計(jì)算機(jī)識別技術(shù)。該技術(shù)基于神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)方法，通過對馬鈴薯病害的圖像采集、圖像病斑分隔、圖像特征提取和圖像識別分析，構(gòu)建出一種圖像特征提取快、圖像識別精度好的可視化計(jì)算機(jī)識別模型，為廣大農(nóng)民提供防止馬鈴薯病害的有效方法。

1 馬鈴薯病害圖像采集和提取

1.1 樣本來源

河北省壩上地區(qū)是我國北方地區(qū)馬鈴薯主要產(chǎn)區(qū)之一。本研究選取河北省張家口市沽源縣馬鈴薯種植基地，以及河北省壩上地區(qū)張北縣，康保縣，尚義縣，圍場和豐寧縣等地采集到的馬鈴薯病害圖像為主要樣本。圖像采集使用佳能EOS 5D Mark III，有效像素為2210 萬。在自然光照下使用5760×3840 的分辨率進(jìn)行拍攝，使用JPEG 模式進(jìn)行圖像存儲。

1.2 樣本選取

樣本選取為馬鈴薯早疫病、馬鈴薯晚疫病、馬鈴薯枯萎病、馬鈴薯炭疽病以及馬鈴薯黃化卷葉型病毒病五種常見馬鈴薯病害圖像。每種馬鈴薯病害選取500 張樣本，共計(jì)3000 個(gè)圖像樣本。

1.3 圖像處理環(huán)境

所使用計(jì)算機(jī)的主要配置為Intel(R)Core(TM)i7-3540M，16 GB 內(nèi)存，Samsung 970 EVO 250 GB 固態(tài)硬盤。計(jì)算機(jī)操作系統(tǒng)為Microsoft Windows 10 64 位簡體中文版。圖像處理的軟件為Adobe Photoshop CS6 簡體中文版和MathWorksMATLAB R2019a 簡體中文版。

1.4 圖像病斑分隔方法

圖像病斑分隔將采取OTSU-SFLA 算法進(jìn)行圖像處理。OTSU 算法是一種有效的圖形閾值分割算法，也是一種較為常用的可視化計(jì)算機(jī)識別方法。其主要缺點(diǎn)是當(dāng)圖像直方圖出現(xiàn)多峰多谷等形態(tài)時(shí)，其病斑分隔效果不甚理想。此時(shí)，需要引入一種新的圖像分割方法來增加識別精度。SFLA 是一種協(xié)同搜索群體算法。該算法著眼于全局圖片計(jì)算識別，能夠較好地彌補(bǔ)OTSU 算法在馬鈴薯病害識別上的缺點(diǎn)。OTSU-SFLA 算法能夠有效地識別馬鈴薯病害圖像，并對病斑進(jìn)行有效分隔，從而為下一步的圖像特征提取和具體病害識別做好良好的保障。該算法的主要分析過程見圖1。

圖1 圖像病斑分隔方法Fig.1 Image lesion separation method

1.5 圖像特征提取和圖像識別方法

當(dāng)前較為常見的圖像特征提取方法主要是依據(jù)馬鈴薯病害的顏色、主要形態(tài)和葉片紋理等主要特征進(jìn)行計(jì)算機(jī)可視化技術(shù)提取。對于圖像識別分析方法而言，較為常見的有三種方法，分別是統(tǒng)計(jì)識別法、句法識別法和神經(jīng)網(wǎng)絡(luò)識別法。卷積神經(jīng)網(wǎng)絡(luò)識別法是基于深度學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)識別方法的一種智能化的可視化識別方法。通過捕捉圖像的細(xì)微特征并對內(nèi)部結(jié)構(gòu)進(jìn)行分析，可以對圖片實(shí)現(xiàn)有效分類和準(zhǔn)確識別。通過建立卷積層和池化層，搭建卷積神經(jīng)網(wǎng)絡(luò)識別模型，實(shí)現(xiàn)對馬鈴薯病害圖片的智能化識別。卷積神經(jīng)網(wǎng)絡(luò)識別法的處理流程見圖2。

圖2 卷積神經(jīng)網(wǎng)絡(luò)識別法Fig.2 Convolutional neural network recognition method

為實(shí)現(xiàn)有效地通過卷積神經(jīng)網(wǎng)絡(luò)識別法對馬鈴薯病害進(jìn)行可視化識別，需要通過激活函數(shù)來計(jì)算圖像激活值。將采取修正線性單元（Rectified Linear Units）函數(shù)來對神經(jīng)網(wǎng)絡(luò)識別，ReLU 函數(shù)的主要公式：

圖3 修正線性單元函數(shù)圖Fig.3 Function diagram of rectified linear units

2 結(jié)果與分析

2.1 馬鈴薯病害圖像的彩色化還原結(jié)果

不同的馬鈴薯病害，其顏色、形態(tài)和紋理等均呈現(xiàn)出不同的顏色和狀態(tài)。由于由于使用OTSU-SFLA 算法對圖像病斑分隔后得到的圖片是灰度圖片，所以需要使用MATLAB 軟件對照片進(jìn)行彩色化還原，便于病害識別。首先要對圖片進(jìn)行邊緣檢測處理，如下圖4 所示。

圖4 圖片邊緣檢測處理結(jié)果Fig.4 Image edge detection processing results

接下來需要對葉片進(jìn)行背景化分離，將全部背景變成純白色，提取葉片圖片，見圖5。

圖5 背景化分離后的葉片F(xiàn)ig.5 Leaf after background separation

最后，將背景化分離后的圖片圖片，與使用OTSU-SFLA 算法提取出的病斑分隔圖片進(jìn)行對比，并對相同的像素點(diǎn)進(jìn)行彩色化還原，最終彩色化還原圖片結(jié)果如圖6。

圖6 彩色化還原后的馬鈴薯病斑Fig.6 Potato spots after color reduction

2.2 卷積神經(jīng)網(wǎng)絡(luò)模型建立結(jié)果

卷積神經(jīng)網(wǎng)絡(luò)圖像識別方法具有其特殊性。在卷積層的處理過程中，圖片保持縮放不變。在池化層的處理過程中，圖片保持平移不變。此時(shí)，由于在圖片采集過程中，無法保證全部病害圖像都使用一個(gè)采集方向進(jìn)行拍攝，所以需要建立卷積神經(jīng)網(wǎng)絡(luò)模型來保證對旋轉(zhuǎn)后病害圖像的識別，提高識別圖樣的準(zhǔn)確率和精度。在建立卷積神經(jīng)網(wǎng)絡(luò)模型時(shí)，需要對病害圖像進(jìn)行45 度旋轉(zhuǎn)，其角度為45 度，90 度，135 度，180 度，225 度，270 度和315 度共計(jì)8 張照片。處理后結(jié)果見圖7。

圖7 卷積神經(jīng)網(wǎng)絡(luò)圖像圖片處理結(jié)果Fig.7 Convolutional neural network image processing results

2.3 馬鈴薯病害識別結(jié)果

將馬鈴薯五種代表性疾病圖像各500 張，總計(jì)3000 張馬鈴薯病害圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)圖像模型中，病害識別結(jié)果見下表1。其中，馬鈴薯早疫病圖像識別正確率最高，正確率為99.00%，馬鈴薯炭蛆病圖像之別正確率最低，正確率為97.60%。從整體識別結(jié)果來看，準(zhǔn)確率較高，該卷積神經(jīng)網(wǎng)絡(luò)圖像模型能夠?yàn)榛鶎涌蒲腥藛T和種植人員提供相對有效的的病害識別參考。

表1 馬鈴薯病害識別結(jié)果Table 1 Potato disease identification results

3 討論

在對馬鈴薯圖像病斑分隔處理時(shí)，綜合了OTSU 算法的簡單性和OTSU 算法的智能性，提出了OTSU-SFLA 算法進(jìn)行馬鈴薯病斑圖像處理。此算法極大地簡便了馬鈴薯圖像病斑分隔的處理方式，吸收了趙建敏等[11]對于馬鈴薯病害識別的算法經(jīng)驗(yàn)，并融合張明等[12]使用SFLA 算法的智能化特點(diǎn)。結(jié)果表明，OTSU-SFLA 算法能夠有效地識別馬鈴薯病害圖像，并對病斑進(jìn)行有效分隔，為病害圖像特征提取和具體病害識別做好良好的保障。在對病變圖像特征提取和圖像識別處理時(shí)，使用了卷積神經(jīng)網(wǎng)絡(luò)識別法，并建立了卷積神經(jīng)網(wǎng)絡(luò)識別模型。通過捕捉圖像的細(xì)微特征并對內(nèi)部結(jié)構(gòu)進(jìn)行分析，對馬鈴薯病害圖片實(shí)現(xiàn)有效分類和準(zhǔn)確識別。此理念與楊森等[13]對馬鈴薯病害識別方法基本相似，該模型識別的準(zhǔn)確率證明了該方法的有效性。

該識別方法的主要缺點(diǎn)在于過于依賴計(jì)算機(jī)設(shè)備和軟件對于圖像的處理和識別，缺乏現(xiàn)場工作的可能。由于需要對馬鈴薯病害圖片進(jìn)行智能化的計(jì)算機(jī)算法分析，對于計(jì)算設(shè)備的配置要求較高。無法滿足在手機(jī)等移動設(shè)備上進(jìn)行可視化分析的需求。隨著未來算法的改進(jìn)和數(shù)據(jù)處理能力的增強(qiáng)，希望在未來的研究工作中可以進(jìn)一步提升移動設(shè)備的實(shí)用性，將該可視化識別系統(tǒng)應(yīng)用到種植現(xiàn)場。

4 結(jié)論

本研究選取河北省張家口市沽源縣馬鈴薯種植基地，以及河北省壩上地區(qū)張北縣,康?？h,尚義縣,圍場和豐寧縣等地采集到的馬鈴薯病害圖像為主要樣本，進(jìn)行可視化計(jì)算機(jī)識別。在實(shí)驗(yàn)中采取OTSU-SFLA 算法進(jìn)行圖像處理對馬鈴薯病斑進(jìn)行分隔。OTSU 算法的應(yīng)用實(shí)現(xiàn)了圖像直方圖對病害圖像的首次分隔。基于該結(jié)果，繼續(xù)使用SFLA 算法對病害圖像的優(yōu)化分隔，從而獲得馬鈴薯病斑的最優(yōu)化圖像分隔結(jié)果。在圖像特征提取和圖像識別方面，引入了卷積神經(jīng)網(wǎng)絡(luò)識別法并建立卷積神經(jīng)網(wǎng)絡(luò)識別模型對于馬鈴薯病害圖片實(shí)現(xiàn)智能化識別分析。本研究使用ReLU 函數(shù)為卷積神經(jīng)網(wǎng)絡(luò)識別模型的激活函數(shù)，將馬鈴薯冰寒的基本特征、顏色和狀態(tài)等參數(shù)加入到該模型中，幫助實(shí)現(xiàn)圖像特征提取和圖像識別的智慧化辨別。最后，為減少病害圖片識別中可能存在的誤差，對病害圖像進(jìn)行7 次45 度旋轉(zhuǎn)后對卷積神經(jīng)網(wǎng)絡(luò)識別模型進(jìn)行參數(shù)調(diào)整。通過對5 種馬鈴薯常見病害圖片共計(jì)3000 個(gè)樣本進(jìn)行識別，最終平均綜合識別率達(dá)到98.2%。該數(shù)據(jù)說明，卷積神經(jīng)網(wǎng)絡(luò)識別模型能夠有效地提取馬鈴薯常見病害特征，并進(jìn)行圖片的智能化識別分析。根據(jù)研究結(jié)果可以發(fā)現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)識別模型可以更為智能化、簡單化地實(shí)現(xiàn)對馬鈴薯病害的可視化計(jì)算機(jī)識別，能夠更好地增加對于馬鈴薯病害的預(yù)防和診斷能力。