朱幸輝，周 勇*

(湖南農(nóng)業(yè)大學(xué) 信息科學(xué)與技術(shù)學(xué)院，湖南 長沙 410128)

1 引言

植物葉子是進(jìn)行光合作用和呼吸作用，制造有機(jī)養(yǎng)料的重要器官，對(duì)植物生長來說至關(guān)重要，因此必須保證其健康。一旦發(fā)生病害，必須及時(shí)進(jìn)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(shí)別主要通過番茄葉片出現(xiàn)的病斑來實(shí)現(xiàn)[2]。早先番茄葉片病斑識(shí)別主要通過人眼去判斷其類別，不僅容易出錯(cuò)，還效率地下，因此當(dāng)前番茄葉片病斑識(shí)別，主要目標(biāo)檢測算法來實(shí)現(xiàn)，如基于遺傳算法、AdaBoost算法、隨機(jī)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(biāo)檢測，最后將結(jié)果綜合起來，得到識(shí)別結(jié)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(huì)丟失，因此mAP(Mean Average Precision)，即均值平均精度并不高。

針對(duì)上述情況，本次將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用其中，提出一種新的番茄葉片病斑識(shí)別方法。方法最大特點(diǎn)了節(jié)省了圖像預(yù)處理環(huán)節(jié)，直接輸入整體圖像即可，需要進(jìn)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(luò)對(duì)每個(gè)滑動(dòng)窗口產(chǎn)生的候選區(qū)進(jìn)行二分類，判斷其是否為待檢測目標(biāo)[4]。最后通過仿真實(shí)例驗(yàn)證本文方法有效性，結(jié)果表明：與基于遺傳算法、AdaBoost算法的目標(biāo)識(shí)別方法相比，本文基于卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別方法mAP較高，即能更為準(zhǔn)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(shí)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(huì)種植大量番茄。而在番茄種植中，會(huì)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(duì)象，基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行其葉片病斑識(shí)別研究，研究思路如圖1所示。

圖1 基于卷積神經(jīng)網(wǎng)絡(luò)番茄葉片病斑識(shí)別思路

2.1 圖像預(yù)處理

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

1)圖像灰度化

圖像灰度化是圖像預(yù)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?jí)的圖像。

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(duì)象進(jìn)行說明。RGB彩色圖像由R(紅色)、G(綠色)、B(藍(lán)色)三種不同顏色成分組合而成圖像。而R(紅色)、G(綠色)、B(藍(lán)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(shí)現(xiàn)圖像灰度化[7]。不同灰度化表達(dá)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(quán)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(shí)中的數(shù)字圖像在采集、處理和傳輸過程中常受到成像設(shè)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(jìn)行去噪[8]。首先對(duì)二維圖像p(x1，x2)進(jìn)行小波域的二維Mallat分解，如圖2所示。

圖2 Mallat算法分解重構(gòu)

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(duì)角線方向的高頻子圖。利用二維小波分解與重構(gòu)算法所具有可分離的特性，對(duì)二維信號(hào)依次按行、按列與一維的低通濾波器和高通濾波器進(jìn)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(huì)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(duì)值較大；而圖像中無用信息，即噪聲的分解系數(shù)，會(huì)集中分布在高頻子圖中，這一部分的小波系數(shù)絕對(duì)值則較小。

根據(jù)上述描述，小波閾值去噪基本原理如下：當(dāng)分解的小波系數(shù)小于某個(gè)臨界閾值時(shí)，則認(rèn)為是噪聲造成的，過濾掉，而當(dāng)分解的小波系數(shù)大于某個(gè)臨界閾值時(shí)，則認(rèn)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(hào)的概率趨近于零，其表達(dá)式如下所示：

(6)

式中，σn表示零均值高斯白噪聲的標(biāo)準(zhǔn)方差，N表示圖像信號(hào)長度。

最后將保留下來的小波系數(shù)進(jìn)行重構(gòu)，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(qiáng)

圖像灰度化和去噪后，圖像會(huì)存在失真現(xiàn)象，圖像中部分信息會(huì)丟失，因此還需要進(jìn)行圖像增強(qiáng)，選擇直方圖均衡化方法進(jìn)行圖像增強(qiáng)，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(shí)為理想情況，在一定程度上提高對(duì)比度。

2.2 卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)番茄葉片病斑識(shí)別

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

圖3 卷積神經(jīng)網(wǎng)絡(luò)

其中，卷積層主要作用是對(duì)輸入的圖像進(jìn)行卷積運(yùn)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(duì)卷積層提取到的圖像局部特征進(jìn)行下采樣，即利用局部相關(guān)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(luò)的分類器，利用輸入信號(hào)的加權(quán)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(biāo)記空間當(dāng)中，實(shí)現(xiàn)圖像分類，即完成番茄葉片病斑識(shí)別[11-12]。

在本章節(jié)中，選擇卷積神經(jīng)網(wǎng)絡(luò)中的SSD算法來完成番茄葉片病斑識(shí)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(biāo)識(shí)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(gè)默認(rèn)框匹配類別p的第j個(gè)真實(shí)框，可能有多個(gè)默認(rèn)框的閾值大于 0.5。目標(biāo)損失函數(shù)是位置損失和置信損失的加權(quán)和，目標(biāo)函數(shù)表示如下

(8)

式中，N表示默認(rèn)框的個(gè)數(shù)，Lloc(x，l，g)表示位置損失，即預(yù)測框與真實(shí)標(biāo)簽框之間的平滑損失值，Lconf(x，c)表示置信度損失，α設(shè)置為 1。

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

SSD 的檢測架構(gòu)如圖4所示：

圖4 SSD 的檢測架構(gòu)

在訓(xùn)練期間，需要用默認(rèn)框來與圖片所標(biāo)記的真實(shí)框進(jìn)行匹配。黑框默認(rèn)匹配到病變區(qū)域，能夠正確匹配到真實(shí)框的設(shè)定為正樣本，其余的框設(shè)定為負(fù)樣本。為保證其有效性和準(zhǔn)確性，SSD模型應(yīng)用前需要進(jìn)行訓(xùn)練。SSD模型訓(xùn)練具體流程如圖5所示。

圖5 SSD模型訓(xùn)練流程

3 實(shí)例分析

3.1 實(shí)驗(yàn)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(jī)拍攝番茄葉片病害圖片作為本章實(shí)例分析樣本。該樣本情況如下表2所示。

表2 實(shí)驗(yàn)樣本情況

為降低這些圖片對(duì)計(jì)算機(jī)系統(tǒng)的壓力，需要利用Matlab7.0軟件對(duì)每幅圖片進(jìn)行分辨率壓縮，壓縮規(guī)格為256×256，最后以JPEG格式導(dǎo)入計(jì)算機(jī)當(dāng)中，構(gòu)建番茄葉片病害圖像數(shù)據(jù)庫。

3.2 實(shí)驗(yàn)平臺(tái)

表3 實(shí)驗(yàn)平臺(tái)參數(shù)設(shè)置

3.3 測試結(jié)果

3.3.1 病斑識(shí)別結(jié)果分析

為進(jìn)一步驗(yàn)證該識(shí)別方法的有效性，分析不同方法的病斑識(shí)別結(jié)果。

圖6 不同方法病斑識(shí)別結(jié)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(zhǔn)確的識(shí)別病斑，對(duì)于識(shí)環(huán)境干擾無法做出準(zhǔn)確判斷。卷積神經(jīng)網(wǎng)絡(luò)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(luò)中的SSD算法來完成番茄葉片病斑識(shí)別，SSD模型應(yīng)用前需要進(jìn)行訓(xùn)練，保證了識(shí)別的有效性和準(zhǔn)確性。

3.3.2 溫室番茄病害識(shí)別

為驗(yàn)證卷積神經(jīng)網(wǎng)絡(luò)識(shí)別番茄葉片病斑準(zhǔn)確性，采用測試數(shù)據(jù)集對(duì)模型進(jìn)行測試，測試結(jié)果顯示在測試結(jié)果面板中。如圖7所示。

圖7 識(shí)別結(jié)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(gè)、332個(gè)。在數(shù)據(jù)處理結(jié)果顯示的混淆矩陣中，霜霉病樣本中正確識(shí)別率達(dá)到47.6%，樣本識(shí)別個(gè)數(shù)為1070個(gè)，白粉病樣本中，正確識(shí)別率達(dá)到48.1%，樣本識(shí)別個(gè)數(shù)為1027個(gè)。其中，識(shí)別錯(cuò)誤率較低，不超過4%，白粉病誤識(shí)率為0.8%，霜霉病的誤識(shí)率為3.5%。整體來說，病害識(shí)別率高達(dá)95.7%，霜霉病以及白粉病的識(shí)別準(zhǔn)確率分別為93.1%、98.4%。依據(jù)上述數(shù)據(jù)結(jié)果，可知該方法可準(zhǔn)確識(shí)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(shí)別方法的評(píng)價(jià)指標(biāo)為mAP值，即均值平均精度，是指每個(gè)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(shí)別性能越好。通過下式計(jì)算mAP值，結(jié)果如下表4所示。

表4 mAP值測試結(jié)果

(9)

式中，AveragePrecisionC表示驗(yàn)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(luò)方法進(jìn)行番茄葉片病斑識(shí)別，得到的mAP值為0.988，而利用基于遺傳算法、AdaBoost算法進(jìn)行番茄葉片病斑識(shí)別，得到的mAP值分別為0.847、0.836。以上三種結(jié)果對(duì)比可知，本文基于卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病斑識(shí)別方法的性能更好，識(shí)別準(zhǔn)確率更高。

4 結(jié)束語

綜上所述，農(nóng)作物在生長過程中，無法避免會(huì)產(chǎn)生病害，對(duì)其產(chǎn)量和質(zhì)量造成了嚴(yán)重影響，因此必須進(jìn)行及時(shí)、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(luò)的方法進(jìn)行番茄葉片病斑識(shí)別，并以基于遺傳算法、AdaBoost算法目標(biāo)識(shí)別方法作為對(duì)比項(xiàng)，進(jìn)行仿真實(shí)例分析。結(jié)果表明，本文方法得到的mAP值更高，病斑識(shí)別識(shí)別性能更強(qiáng)，病害識(shí)別結(jié)果較為準(zhǔn)確，這為病害治療措施的選擇提供了重要的理論依據(jù)。