劉子曦，李鴻翔，馮 澳，杜智雄，倪 銘

(四川農(nóng)業(yè)大學(xué) 信息工程學(xué)院，四川 雅安 625014)

0 引 言

農(nóng)業(yè)在國民經(jīng)濟中占有重要地位，在農(nóng)業(yè)生產(chǎn)中植物病害對農(nóng)作物的產(chǎn)量、質(zhì)量會產(chǎn)生巨大的影響[1]。植物病害會導(dǎo)致糧食減產(chǎn)，造成巨大經(jīng)濟損失，對糧食安全產(chǎn)生威脅。此外，在抑制病蟲害時，大規(guī)模的農(nóng)藥濫用、誤用也對生態(tài)環(huán)境造成了極大的危害[2]。因此，針對植物病蟲害的防治工作顯得尤為重要。

目前國內(nèi)外對復(fù)雜環(huán)境下的植物病害識別的研究主要集中在復(fù)雜環(huán)境下病害葉片圖像分割、葉片病斑特征提取、葉片病害識別三方面。在病害圖像分割方面，李艷雪等[3]選擇DBSCAN算法，成功地分割出向日葵葉片病害部分圖像。秦豐等[4]通過聚類算法和監(jiān)督分類方法，進一步提取病斑圖像的顏色特征、紋理特征和形狀特征。Zhang等[5]通過超像素聚類將整個彩色葉圖像分為多個緊湊且均勻的超像素，然后對病變部位通過EM算法從每個超像素中快速且準(zhǔn)確地分割出病害像素，從而得到有效的圖像分割。在病斑特征提取方面，胡秋霞[6]提出了基于顏色矩和小波變化的加權(quán)特征提取方法，顯著地提高了識別正確率。師韻等[7]針對蘋果葉片病害，克服了經(jīng)典植物病害識別方法中特征提取的難題,提高了識別效果。吳昊昱[8]研究茶樹病害時，運用深度遷移學(xué)習(xí)的方法提取出病斑特征，防止小樣本下的過擬合問題。在葉片病害識別方面，周麗娜[9]利用葉綠素?zé)晒夤庾V，構(gòu)建混合核函數(shù)進行稻葉瘟病害的識別。Huang[10]使用灰度共生矩陣描述病斑紋理，RGB顏色以及灰度值描述病斑顏色，根據(jù)上述特征建立人工神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了對蝴蝶蘭病害的識別。宋凱等[11]利用Haar小波提取病斑特征向量，之后利用核函數(shù)為徑向基函數(shù)的支持向量機實現(xiàn)對玉米病害的分類。

隨著計算機硬件設(shè)備性能的不斷發(fā)展，以及大數(shù)據(jù)時代的到來，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)算法在圖像識別領(lǐng)域發(fā)揮了重要的作用[12-13]。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，進行植物病害識別。Amara等[14]使用LeNet作為神經(jīng)網(wǎng)絡(luò)架構(gòu)，實現(xiàn)了復(fù)雜環(huán)境下對香蕉葉片病害的識別。Wang等[15]使用卷積神經(jīng)網(wǎng)絡(luò)識別出病害種類以及病害嚴重程度。劉媛[16]使用Faster-RCNN算法，利用復(fù)雜環(huán)境下的植物病害圖像數(shù)據(jù)集，端到端地實現(xiàn)復(fù)雜環(huán)境下的葡萄葉病斑的提取，并且根據(jù)病斑實現(xiàn)對病害識別。

從上述國內(nèi)外研究情況來看，雖然目前在三個方面均取得了一定的成果，但是由于農(nóng)田背景信息包括地理環(huán)境、土壤環(huán)境、光照環(huán)境、水環(huán)境等，機器視覺技術(shù)難以實現(xiàn)無監(jiān)督地從復(fù)雜環(huán)境下提取葉片。同時由于病斑顏色與土壤顏色類似，且與葉片顏色差距較大，因此在使用基于顏色、閾值的圖像分割算法時，會將病斑從葉片圖像中分割出去，無法進行后續(xù)對病斑特征提取等操作。

針對上述問題，文中建立了一個在復(fù)雜環(huán)境下具有無監(jiān)督性、準(zhǔn)確度高、泛用性好、訓(xùn)練效率高等特點的植物病害識別模型。以褐斑病、霜霉病、灰霉病等病害為例，通過基于RPN算法(region proposal network,區(qū)域生成網(wǎng)絡(luò))的復(fù)雜環(huán)境下病害葉片定位檢索、基于Chan-Vese算法的復(fù)雜環(huán)境下病害葉片圖像分割算法、基于遷徙學(xué)習(xí)的病害識別模型進行深入研究與分析，在植物病害識別的應(yīng)用上具有很好的適用性。

1 基于RPN算法的復(fù)雜環(huán)境下葉片檢索

由于植物病害葉片的背景復(fù)雜，不同的土壤信息、光照信息等的變化均會對復(fù)雜環(huán)境下的葉片分割帶來影響。因此，選用RPN算法首先在復(fù)雜環(huán)境下對葉片進行檢索定位。

1.1 RPN算法和Faster-RCNN模型

Faster-RCNN[17]是Ren等在R-CNN[18]、Fast-RCNN[19]基礎(chǔ)上改進的目標(biāo)檢索模型。Faster-RCNN模型的輸出包括物體邊界框，每個邊界框中物體的類別，邊界框內(nèi)物體類別的概率。相比于R-CNN，F(xiàn)ast-RCNN模型中通過選擇性搜索的方法來檢測物體，F(xiàn)aster-RCNN模型利用RPN算法可以更加迅速準(zhǔn)確地檢測物體。

根據(jù)Faster-RCNN模型，在將輸入數(shù)據(jù)輸入RPN算法之前，需要先將數(shù)據(jù)濃縮提取特征，即對數(shù)據(jù)進行卷積操作。將原始圖片輸入卷積神經(jīng)網(wǎng)絡(luò)中，經(jīng)過多次卷積、池化操作之后，可獲得高度濃縮的圖像特征。RPN算法設(shè)置了三種比例與三種尺寸的固定大小的九種邊界框。通過將九種邊界框作為滑窗在特征圖上滑動獲得預(yù)測物體位置的參考邊界框。將每一個邊界框，輸入兩個神經(jīng)網(wǎng)絡(luò)，一個負責(zé)分類，一個負責(zé)控制邊界框位置調(diào)整。再利用兩個神經(jīng)網(wǎng)絡(luò)獲得分類結(jié)果以及邊界框位置，運用NMS算法消除對同一物體的多個邊界框，最后只保留結(jié)果最好的邊界框。RPN算法結(jié)構(gòu)如圖1所示。

圖1 RPN算法結(jié)構(gòu)

1.2 訓(xùn)練參數(shù)設(shè)置

PlantVillage是由賓州州立大學(xué)建立的大型農(nóng)業(yè)問答論壇，其中包含多種簡單背景下的植物病害圖片數(shù)據(jù)集，并且面向所有用戶開放。文中下載褐斑病、灰霉病、霜霉病三種圖像作為訓(xùn)練數(shù)據(jù)，其中褐斑病482張，灰霉病651張，霜霉病827張，共計1 960張，如圖2所示。

(b)灰霉病

(c)霜霉病

使用這些簡單背景下的葉片數(shù)據(jù)集對RPN模型進行訓(xùn)練。在模型訓(xùn)練時，設(shè)置參數(shù)包括控制模型收斂的梯度下降優(yōu)化參數(shù)，控制訓(xùn)練數(shù)據(jù)集的輸入數(shù)據(jù)參數(shù)，控制RPN算法效果的RPN參數(shù)。

模型訓(xùn)練參數(shù)如表1所示。

表1 模型訓(xùn)練參數(shù)設(shè)置

1.3 復(fù)雜環(huán)境下葉片檢索結(jié)果

從百度圖片等公開圖片網(wǎng)站上下載復(fù)雜環(huán)境下的褐斑病、灰霉病、霜霉病各150張，即一共450張作為測試數(shù)據(jù)。由于VGG-16模型擁有簡便的模型網(wǎng)絡(luò)和較好的泛化能力，目前常用作特征提取模型。將測試圖像輸入VGG-16模型以及RPN算法，得到的結(jié)果如圖3所示。

(a)褐斑病

(b)灰霉病

(c)霜霉病

2 基于Chan-Vese算法的復(fù)雜環(huán)境下葉片圖像分割

水平集方法[20]是一種計算曲面算法的數(shù)值計算方法，其可以在笛卡爾網(wǎng)絡(luò)上對曲面進行數(shù)值計算而不需要對曲面參數(shù)化。由于水平集方法可以方便地獲取物體的拓撲結(jié)構(gòu)，因此近年來水平集方法在圖像分割方面有了廣泛的應(yīng)用。Chan-Vese算法[21]在水平集方法基礎(chǔ)上，簡化了水平集方法，可以有效地分割含有噪音、弱邊緣的圖像?；谝陨咸攸c，Chan-Vese算法可以較好地從復(fù)雜環(huán)境下分割包含完整病斑的葉片。由于復(fù)雜環(huán)境下的圖像顏色信息復(fù)雜，基于顏色、閾值的機器視覺算法難以取得較好的效果，因此文中使用基于區(qū)域的Chan-Vese算法對復(fù)雜環(huán)境下的葉片圖像進行分割。

2.1 水平集方法

利用水平集算法進行圖像分割本質(zhì)上是將二維的圖像分割轉(zhuǎn)換為三維的平面相交問題，將兩曲面相交的曲線作為圖像分割的邊界，利用圖像信息約束曲面演化，通過不斷地迭代運算最終得到圖像分割邊界。水平集方法主要包含三個要素：對初始相交曲線的定義，控制曲面演化PDE方程，對PDE方程的數(shù)值求解。

設(shè)在t時刻，兩曲面相交的曲線為C(t)，設(shè)符號距離函數(shù)為：

φ(x,y,t)=±d

(1)

意為在t時刻，點(x,y)距離曲線C(t)最短的距離為d。通常設(shè)置在曲線C(t)內(nèi)的點距離為負，反之為正。

水平集曲面函數(shù)演化遵從哈密頓-雅可比方程，即：

(2)

式中，F(xiàn)表示曲線C(t)上各個點演化的速度，其演化方向為曲線各點的法線方向。從上式可以看出，只要速度F變化平滑，則φ(x,y,t)始終保持平滑。在此基礎(chǔ)上，通過約束速度F來約束曲面演化。最終的輪廓為零水平集：

φ(x,y)=0

(3)

2.2 Chan-Vese算法

Chan-Vese算法在水平集方法的基礎(chǔ)上，并不通過顯式地控制速度來控制曲面演化，而是通過構(gòu)建一個能量函數(shù)來約束整體區(qū)域。該能量函數(shù)的定義為輪廓內(nèi)與輪廓外圖像的灰度值的方差之和最小，并且增加輪廓長度使輪廓收斂。設(shè)圖像中有一閉合曲線，則能量函數(shù)表示為：

(4)

式中，c1表示輪廓內(nèi)，c2表示輪廓外，u(x,y)表示圖像灰度值，u1表示輪廓內(nèi)灰度平均值，u2表示輪廓外灰度平均值。則設(shè)：

(5)

(6)

當(dāng)F1≈0且F2≈0時演化停止。

采用水平集方法對式(4)求解，使用零水平集表達輪廓線。引入Heaviside函數(shù)以及Dirac函數(shù)：

(7)

(8)

則能量函數(shù)的水平集方程為：

(9)

利用變分法將式(9)最小化，結(jié)合Euler-Lagrange方程，得到如下偏微分方程：

δ(φ)[-λ1(1-u1)2+λ2(1-u2)2]

(10)

針對上式可以使用梯度下降法自動檢測灰度不同的目標(biāo)區(qū)域，并且使能量函數(shù)達到全局最小。

2.3 復(fù)雜環(huán)境下葉片圖像分割參數(shù)設(shè)置與結(jié)果

文中設(shè)置初始零水平集為以圖片中心為圓心，圖片對角線長度的三分之一為半徑的圓形。設(shè)置Chan-Vese算法迭代計算次數(shù)為800次。水平集函數(shù)的懲罰項系數(shù)mu設(shè)置為1，平滑項的系數(shù)nu設(shè)置為0，空間步長設(shè)為1，時間步長設(shè)為0.1。

將RPN算法所獲得的圖片輸入Chan-Vese算法，將零水平集內(nèi)的圖像保留，零水平集外的圖像設(shè)為黑色，得到的圖像分割結(jié)果如圖4所示。

圖4 復(fù)雜環(huán)境下的分割結(jié)果

根據(jù)圖4可以發(fā)現(xiàn)，經(jīng)過800次迭代計算，Chan-Vese算法可以取得較好的葉片圖像分割效果。它保留了葉片中央完整結(jié)構(gòu)，包括葉片脈絡(luò)、病斑顏色、病斑形狀等。通過Chan-Vese算法獲取的葉片中央完整結(jié)構(gòu)可以用于下一步遷移學(xué)習(xí)模型病害識別。

3 基于遷移學(xué)習(xí)模型的葉片圖像識別

3.1 遷移學(xué)習(xí)

設(shè)域為D，包括兩個內(nèi)容：

D={X,P(X)}

(11)

其中，X表示特征空間，包含了所有可能的特征取值；P(X)表示特征空間內(nèi)的某種特定的特征采樣實例。

設(shè)任務(wù)為T，其同樣包括兩部分：

T={Y,f(X)}

(12)

其中，Y表示標(biāo)簽空間，即所有標(biāo)簽組成的向量空間；f(X)為預(yù)測函數(shù)，根據(jù)輸入數(shù)據(jù)的特征和標(biāo)簽學(xué)習(xí)而來。

由于針對不同學(xué)習(xí)目標(biāo)的神經(jīng)網(wǎng)絡(luò)的淺層網(wǎng)絡(luò)具有相似特征[22]，因此可以利用遷移學(xué)習(xí)算法將針對源任務(wù)的神經(jīng)網(wǎng)絡(luò)淺層網(wǎng)絡(luò)遷移到針對目標(biāo)任務(wù)的神經(jīng)網(wǎng)絡(luò)中。遷移學(xué)習(xí)在使用中，相比于重新學(xué)習(xí)，具有初始時期更好的表現(xiàn)、模型收斂更快、最終效果更好等優(yōu)點[23]。

由于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型對數(shù)據(jù)集的質(zhì)量與數(shù)量要求較高，且在訓(xùn)練過程中對硬件資源需求較高，訓(xùn)練時間較長，不利于模型推廣使用。遷移學(xué)習(xí)模型在已預(yù)訓(xùn)練模型的基礎(chǔ)上，使用簡單背景下的病害葉片數(shù)據(jù)集訓(xùn)練模型。相比于傳統(tǒng)模型，遷移學(xué)習(xí)可以更快速地完成模型訓(xùn)練，獲得較好的識別效果。因此，文中使用遷移學(xué)習(xí)模型進行葉片病害的識別。

3.2 葉片病害識別參數(shù)設(shè)置與模型訓(xùn)練

ResNet-101模型根據(jù)模型訓(xùn)練過程中的殘差對網(wǎng)絡(luò)進行擬合，在ImageNet圖像識別中取得了較好的分類效果，對深度學(xué)習(xí)網(wǎng)絡(luò)在精度與速度上取得了較好的優(yōu)化效果。文中選用ResNet-101作為預(yù)訓(xùn)練模型，使用簡單背景下的病害葉片數(shù)據(jù)集對該網(wǎng)絡(luò)進行訓(xùn)練。

遷移學(xué)習(xí)模型參數(shù)包括梯度下降優(yōu)化參數(shù)以及訓(xùn)練參數(shù)，具體參數(shù)設(shè)置如表2所示。

表2 遷移學(xué)習(xí)模型參數(shù)設(shè)置

續(xù)表2

經(jīng)過迭代訓(xùn)練后，遷移學(xué)習(xí)模型與ResNet-101模型的損失值如圖5所示。

圖5 遷移學(xué)習(xí)與ResNet-101訓(xùn)練過程損失值對比

根據(jù)圖5可以發(fā)現(xiàn)，經(jīng)過相同的迭代訓(xùn)練后，遷移學(xué)習(xí)模型相比于ResNet-101模型，擁有更快的收斂速度，在收斂后擁有更低的模型損失值。因此，文中使用遷移學(xué)習(xí)模型可以更快收斂，取得更好的模型識別效果。

3.3 葉片病害識別結(jié)果

將基于Chan-Vese算法分割得到的圖像輸入遷移學(xué)習(xí)模型。作為對照，將未經(jīng)本文上述處理的圖像輸入ResNet-101模型進行識別，識別結(jié)果如表3所示。

表3 文中方法與ResNet-101模型結(jié)果對比

根據(jù)表3可以發(fā)現(xiàn)，文中方法在上述識別的平均正確率為90.4%，顯著優(yōu)于ResNet-101模型的正確率50.2%。對比文中方法在三種樣本中的表現(xiàn)，可以發(fā)現(xiàn)相比于灰霉病和霜霉病，褐斑病可以獲得更好的效果。

4 結(jié)束語

隨著信息技術(shù)的發(fā)展，智慧農(nóng)業(yè)也在快速發(fā)展，其在對農(nóng)業(yè)生產(chǎn)的遠程控制、遠程診斷、災(zāi)害預(yù)警等領(lǐng)域起到了重要的作用。然而智慧農(nóng)業(yè)在復(fù)雜環(huán)境下的植物病害識別方向的研究仍然存在魯棒性較差，易丟失病斑信息，所需數(shù)據(jù)集復(fù)雜，對硬件設(shè)備要求高等缺陷。因此，文中建立了一個基于深度學(xué)習(xí)算法和遷移學(xué)習(xí)模型的植物病害識別模型。通過實驗測試發(fā)現(xiàn)，該模型針對褐斑病、霜霉病、灰霉病這三種病害葉片的識別正確率分別為92.0%，90.7%，88.7%，平均識別正確率達到90.4%，優(yōu)于傳統(tǒng)的ResNet-101模型。