伏榮桃，王 劍，陳 誠(chéng)，李洪浩，趙黎宇,盧代華*

(1.四川省農(nóng)業(yè)科學(xué)院植物保護(hù)研究所，成都 610066；2.農(nóng)業(yè)部西南作物有害生物綜合治理重點(diǎn)實(shí)驗(yàn)室，成都 610066)

由麥角菌屬稻曲病菌(Villosiclavavirens)引起的稻曲病已成為世界各水稻稻區(qū)最為嚴(yán)重的真菌病害之一[1-2]。稻曲病不僅降低水稻產(chǎn)量，而且還產(chǎn)生對(duì)動(dòng)植物有毒害作用的真菌毒素，對(duì)水稻的食用安全造成重大影響[3-4]。目前，稻曲病的防控主要依賴化學(xué)藥劑，但化學(xué)藥劑易造成環(huán)境污染、農(nóng)藥殘留和產(chǎn)生抗藥性等[5]。因此，控制稻曲病發(fā)生最為經(jīng)濟(jì)、環(huán)保和有效的方法是篩選或選育抗病品種。然而，病害的識(shí)別和分級(jí)鑒定是實(shí)現(xiàn)抗病品種篩選或選育的重要前提和基礎(chǔ)。長(zhǎng)期以來(lái)，水稻稻曲病識(shí)別和抗性評(píng)價(jià)是根據(jù)人工目測(cè)來(lái)判定，該方法存在勞動(dòng)量大、效率低、誤差大等缺點(diǎn)。隨著人工智能等技術(shù)的不斷更新和發(fā)展，計(jì)算機(jī)視覺技術(shù)已廣泛地應(yīng)用于植物病害識(shí)別研究[5-7]。近些來(lái)，深度學(xué)習(xí)特別是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network，CNN)被廣泛用于計(jì)算機(jī)視覺領(lǐng)域[8]，基于CNN的圖像識(shí)別是無(wú)需經(jīng)過(guò)復(fù)雜的圖像預(yù)處理、特征提取操作等一系列的中間過(guò)程，而是采用端到端的結(jié)構(gòu)，自動(dòng)提取深層的抽象特征，于是減少了人工操作過(guò)程中產(chǎn)生的不完整性[9]。因此，近些年有許多經(jīng)典CNN用于作物的病害圖像識(shí)別，如郭小清等[10]采用基于Multi-Scale AlexNet 識(shí)別模型對(duì)番茄葉部病害進(jìn)行圖像識(shí)別，開發(fā)了面向農(nóng)戶的番茄葉部病害圖像識(shí)別系統(tǒng)，該模型對(duì)番茄葉片的病害鑒定準(zhǔn)確率可達(dá)到92.7%。Brahimi等[11]應(yīng)用基于深度學(xué)習(xí)的GoogleNet模型對(duì)番茄病害進(jìn)行分類和癥狀的可視化，且模型對(duì)病害的識(shí)別率可高達(dá)99.8%，操作簡(jiǎn)單，可作為農(nóng)民對(duì)番茄病害有效識(shí)別的工具。蘇婷婷等[12]提出一種基于 Finetuning-Inception-v3模型對(duì)花生葉部病害進(jìn)行了圖像識(shí)別，此方法的識(shí)別準(zhǔn)確率可達(dá)95.3%。

Yolo(You Only Look Once)算法也采用的是CNN架構(gòu)[13]，但它又區(qū)別于Faster RCNN(Region Convolutional Neural Networks)為代表的兩階段目標(biāo)檢測(cè)算法，直接將目標(biāo)檢測(cè)問(wèn)題視為一個(gè)帶類別區(qū)分的回歸問(wèn)題，能實(shí)現(xiàn)端到端的目標(biāo)檢測(cè)優(yōu)化，精簡(jiǎn)了算法的數(shù)據(jù)量，檢測(cè)速度更快更優(yōu)化，在很多目標(biāo)檢測(cè)任務(wù)中取得了很好的效果[14-15]。Yolov5與其它YOLO系列相比，具有檢測(cè)精度高、體積小、速度快、易開發(fā)等優(yōu)點(diǎn)[16]。因此，在目標(biāo)檢測(cè)任務(wù)中被廣泛應(yīng)用，如王靜等[17]基于YOLOv5算法建立了一種對(duì)白細(xì)胞檢測(cè)模型，能快速檢測(cè)出白細(xì)胞，檢測(cè)準(zhǔn)確率可達(dá)99.4%；王婧媛和方健[18]基于Yolov5算法提出了對(duì)高密度人群計(jì)數(shù)的計(jì)算方法，提高了高密度人群計(jì)數(shù)準(zhǔn)確率，其準(zhǔn)確率可達(dá)0.84。為了實(shí)現(xiàn)田間復(fù)雜背景下水稻稻曲病的智能識(shí)別與病情分級(jí)鑒定，本研究提出了一種基于深度學(xué)習(xí)的Yolov5模型的水稻稻曲病圖像識(shí)別和分級(jí)鑒定的方法，以期為田間水稻稻曲病的智能化識(shí)別和病害監(jiān)測(cè)提供科學(xué)依據(jù)。

1 材料與方法

1.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)數(shù)據(jù)在Linux操作系統(tǒng)上計(jì)算，圖形處理器為NVIDIA GeForce GTX 1070，編程語(yǔ)言為python，系統(tǒng)處理器為inter i7-6850K。

1.2 實(shí)驗(yàn)數(shù)據(jù)集預(yù)處理

本實(shí)驗(yàn)的水稻稻曲病圖像均采集于四川省農(nóng)業(yè)農(nóng)業(yè)科學(xué)院植保所蒲江水稻種植基地，圖像采集設(shè)備為安卓系統(tǒng)的智能手機(jī)，拍攝環(huán)境為自然光照條件下的開放式大田。實(shí)驗(yàn)?zāi)Ｐ托枰ㄟ^(guò)算法提取稻穗與水稻病粒的特征區(qū)域，因此拍攝時(shí)需要將完整的稻穗置于鏡頭中。實(shí)驗(yàn)采集稻曲病人工判定為0-9級(jí)的稻曲病圖像(表1)，共采集412張高清圖像?；赮olov5算法的圖像識(shí)別模型建立需要進(jìn)行監(jiān)督訓(xùn)練，圖像本身沒有標(biāo)簽和語(yǔ)義，必須進(jìn)行標(biāo)注才能訓(xùn)練，利用labelimg圖像標(biāo)注工具標(biāo)注圖像上水稻病穗粒，標(biāo)注完成后會(huì)得到一系列txt文件，txt文件就是目標(biāo)檢測(cè)標(biāo)準(zhǔn)文件，其中txt文件和圖片文件的名稱是一一對(duì)應(yīng)的，之后將其存儲(chǔ)。

表1 水稻稻曲病病情級(jí)別劃分

1.3 基于Yolov5的稻曲病檢測(cè)算法

本實(shí)驗(yàn)的檢測(cè)算法采用Yolov5，其檢測(cè)流程如下圖所示(圖1)，首先準(zhǔn)備數(shù)據(jù)集，然后將數(shù)據(jù)輸入網(wǎng)絡(luò)訓(xùn)練，最后輸出模型。

圖1 Yolov5的稻曲病檢測(cè)

Yolov5算法的網(wǎng)絡(luò)結(jié)構(gòu)可以分為4個(gè)部分，分別是輸入端(Input)、骨干網(wǎng)絡(luò)(Backbone)、頸部(Neck)和預(yù)測(cè)輸出層(Prediction)(圖2)。

圖2 Yolov5網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別

1.3.1 輸入端 YOLOv5輸入端包括Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算和自適應(yīng)圖片縮放。YOLOv5的Mosaic數(shù)據(jù)增強(qiáng)采用的是與YOLOv4一樣的，屬于CutMix 數(shù)據(jù)增強(qiáng)的變種形式。原理是：將選定的一張圖象和隨機(jī)的三張圖像進(jìn)行隨機(jī)縮放、排布和裁剪，再拼接到一張圖片上作為訓(xùn)練集，這種方式增強(qiáng)了對(duì)小目標(biāo)的檢測(cè)效果。在Yolo算法中，針對(duì)不同的數(shù)據(jù)集，都會(huì)有初始設(shè)定長(zhǎng)寬的錨框，而 Yolov5采用了根據(jù)訓(xùn)練集標(biāo)簽的信息進(jìn)行自適應(yīng)的錨框計(jì)算。在圖像輸入網(wǎng)絡(luò)前，圖像需要統(tǒng)一縮放到一個(gè)標(biāo)準(zhǔn)的大小，但圖像在進(jìn)行縮放時(shí)， 由于圖像大小不一致， 在縮放時(shí)對(duì)圖像邊緣填充的黑邊大小不同， 會(huì)出現(xiàn)信息冗余， 影響計(jì)算速度， 因此 Yolov5 在圖片縮放中采用了 Letterbox 的自適應(yīng)圖像縮放技術(shù)進(jìn)而減少了黑邊像素的添加，增加了速度，而易于訓(xùn)練[18]。

1.3.2 骨干網(wǎng)絡(luò)(Backbone) 骨干網(wǎng)絡(luò)包括Focus和CPS結(jié)構(gòu)，其本質(zhì)是卷積神經(jīng)網(wǎng)絡(luò)，用于在不同圖像細(xì)粒度上提取圖像特征。Focus結(jié)構(gòu)的關(guān)鍵作用是對(duì)圖像進(jìn)行切片操作，減少了算法計(jì)算量、增加了計(jì)算速度。具體操作是在一張圖片中每隔一個(gè)像素去掉一個(gè)值，再進(jìn)行拼接， 相當(dāng)于得到 4 張圖片并且進(jìn)行采樣， 且 4 張圖片信息互補(bǔ)， 保證了圖像信息不會(huì)被丟失， 然后進(jìn)行一次卷積操作對(duì)通道數(shù)進(jìn)行變換，最后達(dá)到得到一個(gè)沒有任何信息丟失的二倍下采樣特征圖[17]。

在Backbone 中，Yolov5 模型的CPS結(jié)構(gòu)主要采用了CPSDenseNet結(jié)構(gòu)[17]。

1.3.3 頸部(Neck) 頸部結(jié)合了 FPN 和 PAN 兩種特征結(jié)構(gòu)，其中 FPN 是自上而下的模式，能夠傳輸高層的強(qiáng)語(yǔ)義特征，但沒有傳遞定位信息，因此就在FPN后面補(bǔ)充連接了一個(gè)自下而上的PAN模式[18-19]。

1.3.4 預(yù)測(cè)輸出層(Prediction) 預(yù)測(cè)輸出層由Bounding box損失函數(shù)[20]和非極大值抑制(NMS)[21]兩大部分組成。在Yolov5中，Bounding box損失函數(shù)采用了GIOU_Loss作為損失函數(shù)[17]，NMS算法采用了加權(quán)NMS算法(weighted NMS)，使用加權(quán)NMS算法可以獲得更精確的候選框，提升整個(gè)算法的準(zhǔn)確率和召回率[21]。

1.4 評(píng)價(jià)指標(biāo)

為了評(píng)價(jià)Yolov5算法對(duì)水稻稻曲病檢測(cè)結(jié)果的好壞，本實(shí)驗(yàn)主要采用準(zhǔn)確率(Precision，P)(如公式(1))、召回率(Recall，R)(如公式(2))以及平均準(zhǔn)確度均值(mean Average Precision, mAP)(如公式(3)和(4))等作為評(píng)價(jià)標(biāo)準(zhǔn)[14, 17, 22]。

(1)

(2)

其中，TP(True Positive)為正確檢測(cè)目標(biāo)個(gè)數(shù)，F(xiàn)P(False Positive)為錯(cuò)檢目標(biāo)個(gè)數(shù)，F(xiàn)N (False Negative)為漏檢目標(biāo)個(gè)數(shù)。

(3)

(4)

其中，P(Precision)代表準(zhǔn)確率，R(Recall)代表召回率，C表示總類別數(shù)目，APi表示第i類的AP值。P和R的計(jì)算公式如式(1)和(2)。

P-R曲線是一條分別以P為縱坐標(biāo)、R為橫坐標(biāo)的曲線。AP反應(yīng)的是PR曲線下的面積，綜合了精確率和召回率的結(jié)果，用來(lái)評(píng)估模型在單個(gè)檢測(cè)類別上的表現(xiàn)。穗子檢測(cè)實(shí)驗(yàn)以VOC數(shù)據(jù)集評(píng)價(jià)指標(biāo)為準(zhǔn)，即mAP=AP@0.5，則IOU=0.5就作為True Positive。由于本實(shí)驗(yàn)只有水稻穗子一個(gè)類別，因此其中AP即作為mAP[14]。

2 結(jié)果與分析

2.1 數(shù)據(jù)集準(zhǔn)備

本次實(shí)驗(yàn)共收集412張不同背景下的稻曲病圖像，包含不同顏色稻曲球和不同顏色水稻(圖3)。數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，包括330張訓(xùn)練集圖片和82張測(cè)試集圖片。數(shù)據(jù)樣本用標(biāo)注軟件labelimg進(jìn)行標(biāo)注，生成相應(yīng)的標(biāo)注文件如圖4。

圖3 不同場(chǎng)景下樣本

圖4 樣本標(biāo)注

2.2 模型訓(xùn)練及結(jié)果

在實(shí)驗(yàn)中，稻曲病數(shù)據(jù)集按3:1比例隨機(jī)劃分為訓(xùn)練集和測(cè)試集。批訓(xùn)練數(shù)據(jù)量為16，訓(xùn)練動(dòng)量為0.9，初始學(xué)習(xí)率為設(shè)為0.01，權(quán)重衰減為0.0005，訓(xùn)練過(guò)程持續(xù)了300個(gè)批次，使用隨機(jī)梯度下降(Stochastic gradient descent，SGD)作為優(yōu)化函數(shù)對(duì)模型進(jìn)行訓(xùn)練[17]。實(shí)驗(yàn)將準(zhǔn)確率(P)、召回率(R)和平均準(zhǔn)確率(mAP)作為Yolov5算法目標(biāo)檢測(cè)的評(píng)價(jià)指標(biāo)[17]。準(zhǔn)確率是指所有識(shí)別出來(lái)的圖片中正確識(shí)別為稻曲球的圖片所占的比例，召回率指被正確判定的稻曲球占總稻曲球圖片的比重。實(shí)驗(yàn)得到的模型訓(xùn)練P-R(Precision-Recall，P-R)曲線如圖5所示，其縱軸是準(zhǔn)確率，橫軸是召回率。由圖5 P-R曲線可知準(zhǔn)確率和召回率的值都靠近坐標(biāo)軸(1, 1)位置，mAP的值為0.995。實(shí)驗(yàn)結(jié)果表明，本文的YOLOv5模型對(duì)稻曲病圖像識(shí)別精度較高。

圖5 Yolov5的 P-R曲線

2.3 病害檢測(cè)

采用之前訓(xùn)練好的模型檢測(cè)測(cè)試集中不同背景下的稻曲病圖像中的稻曲球，實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，目標(biāo)檢測(cè)的平均準(zhǔn)確率都在0.89以上，在陽(yáng)光比較強(qiáng)、光線較暗等背景對(duì)物體檢測(cè)干擾大的圖像中，也能較為準(zhǔn)確地識(shí)別出目標(biāo)，但是對(duì)于穗子上被遮擋的稻曲球而言，就不易檢測(cè)出來(lái)，但也足以滿足病害的田間識(shí)別要求。測(cè)試集檢測(cè)效果如圖6所示。

圖6 稻曲病圖像檢測(cè)

2.4 病情分級(jí)

水稻稻曲病病情分級(jí)是根據(jù)水稻單穗病粒數(shù)，而常規(guī)模型中病害病情分級(jí)識(shí)別是根據(jù)病害占比面積。因此，本實(shí)驗(yàn)將Yolov5的detect.py文件修改成計(jì)算水稻單穗病粒數(shù)，再根據(jù)表1中病粒數(shù)計(jì)算病情級(jí)別。每張圖片得到的預(yù)測(cè)結(jié)果中檢測(cè)框以列表形式存在，定義一個(gè)counter變量累計(jì)檢測(cè)框的個(gè)數(shù)，然后根據(jù)檢測(cè)框個(gè)數(shù)將對(duì)應(yīng)的病情級(jí)別寫入對(duì)應(yīng)圖片的txt文件中，最后得到如圖7所示的病情分級(jí)效果圖。

圖7 稻曲病病情分級(jí)結(jié)果

3 討論

近年來(lái)，計(jì)算機(jī)視覺技術(shù)廣泛應(yīng)用于果樹、蔬菜、農(nóng)經(jīng)作物等病害識(shí)別，尤其是葉部病害的識(shí)別發(fā)揮了非常重要的作用，包括柑橘、番茄、玉米、水稻、小麥、煙草、油菜等作物的葉部病害識(shí)別[11, 23-24]。水稻病害種類繁多，包括葉部病害、莖稈和穗部病害等，而當(dāng)前水稻病害的智能識(shí)別研究主要集中在葉部病害，如紋枯病、稻瘟病、白葉枯病、胡麻斑病、細(xì)菌性條斑病、稻葉黑粉病、條紋葉枯病和水稻赤枯病等[24-25]，迄今為止尚未見穗部病害的識(shí)別研究報(bào)道。而本文首次采用計(jì)算機(jī)視覺技術(shù)對(duì)水稻穗部病害稻曲病識(shí)別進(jìn)行了研究。

基于機(jī)器學(xué)習(xí)的計(jì)算機(jī)視覺技術(shù)的作物病害識(shí)別技術(shù)主要有兩種。一種是基于圖像分割提取病斑特征，通常要對(duì)病斑圖像進(jìn)行預(yù)處理、病斑分割和特征提取等過(guò)程；另外一種是基于深度學(xué)習(xí)的病害病斑分類識(shí)別?；谏疃葘W(xué)習(xí)方法比傳統(tǒng)機(jī)器視覺方法更有優(yōu)勢(shì)，摒棄了人工提取特征等圖像預(yù)處理步驟，可以直接實(shí)現(xiàn)端到端的輸入檢測(cè)和分類輸出，具有對(duì)復(fù)雜的自然環(huán)境下的目標(biāo)物識(shí)別更強(qiáng)的適應(yīng)性[11]。本研究為了實(shí)現(xiàn)田間實(shí)際環(huán)境中具有復(fù)雜背景的病害識(shí)別，根據(jù)其病害圖像特征，將Yolo算法引入到水稻稻曲病圖像智能識(shí)別過(guò)程中。Yolo算法是基于回歸的目標(biāo)檢測(cè)算法，不需要?jiǎng)澐謪^(qū)域框，直接在卷積層中進(jìn)行特征提取、分類以及邊框回歸[13]。Yolo算法與以Faster RCNN[26]為代表的兩階段目標(biāo)檢測(cè)算法不同，它是一種單階段目標(biāo)算法，直接將目標(biāo)檢測(cè)問(wèn)題視為一個(gè)帶類別區(qū)分的回歸問(wèn)題，實(shí)現(xiàn)端到端的目標(biāo)檢測(cè)。Yolov5與其它Yolo系列相比，具有檢測(cè)精度高、體積小、速度快、易開發(fā)等優(yōu)點(diǎn)[16]。因此，本研究采用基于Yolov5算法對(duì)水稻稻曲病進(jìn)行圖像識(shí)別。此外，稻曲病的病情分級(jí)不同于水稻以及其它作物葉部病害的病情分級(jí)，葉部病害的病情分級(jí)是根據(jù)病斑面積占比來(lái)判定病級(jí)[27]，而稻曲病是根據(jù)單穗病粒數(shù)來(lái)判定病情級(jí)別。本實(shí)驗(yàn)將Yolov5的detect.py文件修改成計(jì)算水稻單穗病粒數(shù)，以達(dá)到識(shí)別水稻稻曲病病情級(jí)別。

本研究建立的模型僅在1種水稻穗部病害圖像中獲得了較好的效果，而實(shí)際上水稻穗部病害種類繁多，如稻粒黑粉病、稻穎枯病、谷粒瘟、細(xì)菌性谷枯病、稻穗腐病等。而多種病害引起的危害癥狀可能類似，如稻穎枯病、谷粒瘟和稻穗腐病都會(huì)引起穗子成空秕谷，這是水稻穗部病害識(shí)別亟待解決的問(wèn)題。下一步在開發(fā)病害動(dòng)態(tài)識(shí)別系統(tǒng)和推廣應(yīng)用時(shí)，還需要增加病害種類，增加采集同種病害不同癥狀的圖像以及多種病害混合發(fā)生的圖像，并研究同癥異病及混合病害識(shí)別方法，以提升病害動(dòng)態(tài)識(shí)別系統(tǒng)的應(yīng)用價(jià)值。