摘要：以番茄為代表的茄科作物在全球經(jīng)濟(jì)作物中占據(jù)重要地位，番茄在其生長(zhǎng)過程中易受多種病害的侵染，其中早疫病是嚴(yán)重危害番茄的一種病害，可造成番茄減產(chǎn)甚至絕收，因此番茄早疫病的防治工作對(duì)農(nóng)業(yè)生產(chǎn)具有重要意義。為了能夠快速、準(zhǔn)確地識(shí)別出番茄早疫病，提出一種基于可見光圖像結(jié)合深度學(xué)習(xí)技術(shù)檢測(cè)番茄早疫病的方法。通過培養(yǎng)一批番茄植株，對(duì)其離體葉片接種茄鏈格孢菌，使接種樣本感染早疫病，然后使用可見光圖像采集設(shè)備連續(xù)采集樣本的可見光圖像，監(jiān)測(cè)樣本的變化，得出番茄葉片感染早疫病后的最早顯癥時(shí)間。通過歸一化、背景分割、數(shù)據(jù)擴(kuò)增和通道轉(zhuǎn)換等方式進(jìn)行數(shù)據(jù)預(yù)處理，并提取可見光圖像顏色特征的一階矩、二階矩、三階矩，同時(shí)結(jié)合對(duì)比度、差異性、同質(zhì)性、相關(guān)性和角二階矩等常見紋理特征進(jìn)行深入分析，利用深度學(xué)習(xí)技術(shù)建立番茄早疫病的識(shí)別模型。結(jié)果表明，基于可見光圖像結(jié)合深度學(xué)習(xí)技術(shù)檢測(cè)番茄早疫病是可行的，建立的番茄早疫病識(shí)別模型準(zhǔn)確率最高達(dá)到91.78%，使用該方法檢測(cè)番茄早疫病具有檢測(cè)速度快、識(shí)別精度高等優(yōu)點(diǎn)。利用深度學(xué)習(xí)技術(shù)建立的番茄早疫病可見光圖像識(shí)別模型可推廣用于其他作物病害的檢測(cè)，為作物病害的無人機(jī)遙感監(jiān)測(cè)等應(yīng)用場(chǎng)景提供技術(shù)支持。

關(guān)鍵詞：番茄葉片；早疫??；顏色特征；紋理特征；深度學(xué)習(xí)；可見光圖像識(shí)別模型

中圖分類號(hào)：TP391.41；S126 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）12-0209-08

番茄作為茄科作物的代表，因具有獨(dú)特的風(fēng)味及營(yíng)養(yǎng)價(jià)值，在世界各大洲均有分布，我國(guó)的番茄種植面積較大，產(chǎn)量約占世界總產(chǎn)量的1/3。番茄在整個(gè)生長(zhǎng)周期內(nèi)很容易受到早疫病、晚疫病等各種病害的脅迫［1-2］，其中早疫病是危害最嚴(yán)重的病害之一，果實(shí)、葉子等整個(gè)植株都會(huì)被感染，因此采取有效措施檢測(cè)番茄早疫病尤為重要。

傳統(tǒng)的植物病害檢測(cè)主要依靠專業(yè)人員的經(jīng)驗(yàn)，準(zhǔn)確率低，新興的計(jì)算機(jī)視覺技術(shù)彌補(bǔ)了這一缺陷［3］，利用機(jī)器視覺及其識(shí)別算法，準(zhǔn)確、高效地識(shí)別作物病害，實(shí)施精準(zhǔn)防治已成為現(xiàn)代農(nóng)業(yè)發(fā)展的主要方向之一。若要開發(fā)一種低成本、高通量、非破壞性、基于圖像的分類模型，可以使用可見光成像技術(shù)。可見光成像技術(shù)是人們最早用于農(nóng)產(chǎn)品無損檢測(cè)的光學(xué)技術(shù)之一，多年來被廣泛應(yīng)用于農(nóng)產(chǎn)品病害、品種等方面的檢測(cè)［4-5］，是現(xiàn)階段農(nóng)作物病害檢測(cè)最常用的成像技術(shù)［6］。此外，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，可見光圖像結(jié)合深度學(xué)習(xí)技術(shù)成為農(nóng)產(chǎn)品無損檢測(cè)領(lǐng)域的一個(gè)新方向。國(guó)內(nèi)外研究機(jī)構(gòu)圍繞番茄病害分別使用卷積神經(jīng)網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)、遷移學(xué)習(xí)等深度學(xué)習(xí)技術(shù)進(jìn)行研究［7-10］，均取得了較好的結(jié)果。Sladojevic等在2016年提出一種基于深度卷積網(wǎng)絡(luò)的植物病害分類模型，這是第1個(gè)基于深度學(xué)習(xí)的植物病害識(shí)別方法［11］。2016年，Mohanty等提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的模型，用于檢測(cè)26種病害和14種作物品種，取得了令人滿意的結(jié)果［12］。2019年，Tetila等利用數(shù)據(jù)增強(qiáng)和微調(diào)訓(xùn)練了一個(gè)深度網(wǎng)絡(luò)模型來自動(dòng)識(shí)別大豆葉部病害［13］。

現(xiàn)階段，基于可見光圖像結(jié)合深度學(xué)習(xí)技術(shù)對(duì)農(nóng)作物病害的檢測(cè)主要利用的是公開數(shù)據(jù)集，缺少對(duì)農(nóng)作物病害演變過程的機(jī)制分析。傳統(tǒng)的基于可見光圖像檢測(cè)植物病害的研究主要集中于對(duì)植物圖像的識(shí)別，本研究提出一種基于所提取的顏色特征和紋理特征建立深度學(xué)習(xí)模型的方法，用于識(shí)別番茄早疫病。本研究以番茄早疫病病癥為研究對(duì)象，基于可見光圖像分析番茄早疫病病斑的演變規(guī)律，明確番茄葉片接種茄鏈格孢菌后的最早顯癥時(shí)間，并對(duì)所提取的顏色特征的一階矩、二階矩、三階矩和對(duì)比度、差異性、同質(zhì)性、相關(guān)性、角二階矩等常見紋理特征進(jìn)行深入分析，然后基于卷積神經(jīng)網(wǎng)絡(luò)建立番茄早疫病的識(shí)別模型，以期有效識(shí)別番茄早疫病。

1 試驗(yàn)方案設(shè)計(jì)

本研究提出一種應(yīng)用可見光圖像對(duì)番茄早疫病進(jìn)行檢測(cè)的方法，以番茄葉片作為試驗(yàn)樣本，使用可見光圖像采集系統(tǒng)分別采集50個(gè)健康樣本和70個(gè)接種樣本的RGB（紅、綠、藍(lán)）圖像，并對(duì)所提取的顏色特征和紋理特征進(jìn)行深入分析，建立番茄早疫病識(shí)別模型，通過對(duì)比準(zhǔn)確率得出用于檢測(cè)番茄早疫病病癥的識(shí)別模型。

1.1 試驗(yàn)流程

試驗(yàn)主要分為4個(gè)階段，具體流程見圖1。

1.1.1 圖像采集

將番茄葉片劃分為2組，分別為接種組和健康組，使用可見光圖像采集設(shè)備及自己搭建的光學(xué)平臺(tái)分別采集2組數(shù)據(jù)。

1.1.2 數(shù)據(jù)預(yù)處理

將采集到的可見光圖像首先進(jìn)行歸一化處理，得到樣品圖像，然后針對(duì)樣品圖像進(jìn)行背景分割，以降低噪聲，并通過旋轉(zhuǎn)和翻轉(zhuǎn)等方式進(jìn)行數(shù)據(jù)擴(kuò)增。

1.1.3 特征提取與分析

對(duì)得到的樣品圖像分別提取3個(gè)顏色特征和5個(gè)紋理特征，并對(duì)這些特征進(jìn)行深入分析。

1.1.4 模型建立 通過對(duì)顏色特征和紋理特征的分析，建立番茄早疫病識(shí)別模型，并對(duì)模型進(jìn)行優(yōu)化。

1.2 試驗(yàn)數(shù)據(jù)采集

2022年4月選擇一批健康的番茄幼苗在貴州省貴陽市貴陽學(xué)院的農(nóng)產(chǎn)品無損檢測(cè)工程研究中心進(jìn)行培育，當(dāng)幼苗生長(zhǎng)至花期時(shí)，在貴陽學(xué)院農(nóng)產(chǎn)品無損檢測(cè)工程中心進(jìn)行試驗(yàn)，試驗(yàn)時(shí)間為2022年6—7月。采集120張健康的離體番茄葉片，分為2組，一組為接種組，共70張葉片，另一組為健康組，共50張葉片。將茄鏈格孢菌孢子懸浮液噴灑在接種組的70張葉片表面，然后分別將接種組樣本和健康組樣本放入特制的培養(yǎng)皿中并進(jìn)行編號(hào)，置于實(shí)驗(yàn)室環(huán)境（溫度設(shè)置為24～28 ℃，濕度設(shè)置為50%～80%）等待采集數(shù)據(jù)。

在接種茄鏈格孢菌前采集第1次番茄葉片的RGB圖像，采集時(shí)間記為0 h，共采集0～144 h內(nèi)的RGB圖像，每次采集的時(shí)間及時(shí)間間隔見表1，共采集16次數(shù)據(jù)。接種茄鏈格孢菌之后短時(shí)間內(nèi)樣本沒有明顯變化，因此等待12 h采集第2次數(shù)據(jù)，12 h后樣本開始逐漸發(fā)生變化，選擇在84 h內(nèi)每8 h采集1次數(shù)據(jù)，而84 h以后，樣本的變化較慢，改為每12 h采集1次數(shù)據(jù)。為保證數(shù)據(jù)的穩(wěn)定性，在整個(gè)數(shù)據(jù)采集階段，實(shí)驗(yàn)室保持相對(duì)穩(wěn)定的溫度、濕度和光照條件。采集16次數(shù)據(jù)共獲得 1 920 張RGB圖像，因采樣時(shí)間68 h的數(shù)據(jù)因試驗(yàn)環(huán)境改變，發(fā)生較大波動(dòng)，因此在數(shù)據(jù)處理階段刪除采樣時(shí)間 68 h 時(shí)的試驗(yàn)數(shù)據(jù)，最終得到1 800張RGB圖像。

本研究所使用的RGB圖像采集設(shè)備為華為nova 8 ANG-AN100自帶攝像頭，屏幕分辨率為 2 340 像素×1 080像素。采集可見光圖像時(shí)使用筆者所在課題組搭建的光學(xué)平臺(tái)，詳見圖2。將一個(gè)黑色背景板放于桌面上，將番茄葉片置于黑色背景板上，將RGB采集設(shè)備固定在支架上，鏡頭在距離黑色背景板15 cm處進(jìn)行RGB圖像采集，本文共采集1 800個(gè)原始數(shù)據(jù)。

2 圖像處理與分析

圖像預(yù)處理是整個(gè)圖像處理階段的關(guān)鍵步驟［14］，主要目的是消除圖像中的無關(guān)信息，可以對(duì)提取的特征和最終的試驗(yàn)結(jié)果產(chǎn)生積極影響。在該步驟中進(jìn)行許多操作，如圖像尺寸調(diào)整、背景分割、數(shù)據(jù)擴(kuò)增、通道轉(zhuǎn)換等。特征提取是圖像處理和模式識(shí)別的必要步驟，合適的特征可以更好地用于分類，本研究主要討論顏色特征和紋理特征。

2.1 圖像預(yù)處理

在圖像預(yù)處理階段，因圖像尺寸不同，所以使用歸一化方法對(duì)圖像進(jìn)行尺寸調(diào)整；因每張圖像都存在較大的背景噪聲，使用背景分割來去除背景；因數(shù)據(jù)量較少，對(duì)數(shù)據(jù)進(jìn)行一次擴(kuò)增；最后，使用通道轉(zhuǎn)換的方法將RGB圖像轉(zhuǎn)換為HSV（色調(diào)、飽和度、亮度）圖像。在圖像預(yù)處理階段首先對(duì)圖像進(jìn)行歸一化處理，是因?yàn)楸阌诤笃谑褂孟嗤姆椒▽?duì)圖像進(jìn)行背景分割，也盡可能地避免數(shù)據(jù)擴(kuò)增時(shí)產(chǎn)生不必要的噪聲。

歸一化：本研究所采集的RGB圖像的寬高比為 3 456 ∶4 608，但受硬件條件的影響，部分圖像出現(xiàn)了不同的尺寸，這會(huì)影響后期的背景分割和特征提取等步驟，因此將所有圖像的尺寸都調(diào)整為3 456 ∶4 608。

背景分割：在提取圖像特征和建模時(shí)，背景的存在會(huì)影響到所提取特征的準(zhǔn)確性及模型的準(zhǔn)確率，所以在提取特征及建模之前，本研究對(duì)采集的RGB圖像進(jìn)行背景分割，而在進(jìn)行背景分割之前首先將RGB圖像進(jìn)行灰度化處理，由于人眼對(duì)紅、綠、藍(lán)3種顏色光的敏感度不同，所以在對(duì)RGB圖像進(jìn)行灰度化處理時(shí)，分別賦予紅、綠、藍(lán)3種顏色分量不同的權(quán)重，RGB圖像灰度化的方法見公式（1），在式（1）中Gray為灰度化后的圖像，R、G、B分別為紅、綠、藍(lán)3種顏色通道的像素值，0.299、0.587、0.114分別為3種顏色分量的權(quán)重系數(shù)。

Gray=R×0.299+G×0.587+B×0.114。（1）

然后使用最大類間方差法（OTSU）得到灰度圖的掩膜，式（2）為計(jì)算最大類間方差的方法，式（3）為求一幅圖像中全局平均閾值的方法。將灰度圖進(jìn)行二值化處理的具體步驟：將灰度值大于最大類間方差（б2）的像素點(diǎn)值變?yōu)?，灰度值小于б2的像素點(diǎn)值變?yōu)?，然后將二值化后的圖像做一次開運(yùn)算得到掩膜圖像。

σ2=p1（m1-M）2+p2（m2-M）2；（2）

M=p1m1+p2m2。（3）

式中：p1為0到假定閾值（TH）區(qū)域每個(gè)灰度值出現(xiàn)概率的總和；m1為0到TH區(qū)域的平均閾值；p2為TH到255區(qū)域每個(gè)灰度值出現(xiàn)概率的總和；m2為TH到255區(qū)域的平均閾值。

最后將掩膜圖像與RGB圖像相乘即可將RGB圖像中的背景分割掉，得到樣品圖像，經(jīng)過背景分割，圖像中的噪聲得到較大程度的降低，使得后期提取的顏色特征和紋理特征更準(zhǔn)確，也有利于在建立識(shí)別模型時(shí)提高模型的準(zhǔn)確率。

數(shù)據(jù)擴(kuò)增：在建模階段，數(shù)據(jù)量太少很容易發(fā)生過擬合，直接影響模型的準(zhǔn)確率，本研究對(duì)提取的RGB圖像進(jìn)行擴(kuò)增處理，主要使用的是旋轉(zhuǎn)和翻轉(zhuǎn)等方式，使數(shù)據(jù)增加為原來的4倍。

通道轉(zhuǎn)換：本研究采集的可見光圖像均為RGB圖像，在數(shù)據(jù)擴(kuò)增完成后，將RGB圖像轉(zhuǎn)換為HSV圖像，以便后期顏色特征的提取。HSV圖像與RGB圖像類似，是另一種表示圖像的顏色空間。RGB圖像轉(zhuǎn)換為HSV圖像的方法見式（4）～（6）。

式中：H、S、V分別為轉(zhuǎn)換為HSV圖像后色調(diào)、飽和度、亮度3個(gè)顏色通道的像素值。

2.2 特征提取與分析

特征提取是一種降維方法，將大量圖像的像素以更有效的方式組織起來，從而更好地捕獲圖像中的有用信息。這些特征是圖像中的特定組合，可以是點(diǎn)、線或面。在對(duì)番茄早疫病進(jìn)行建模之前，提取樣本的特征是一個(gè)非常重要的步驟，模型對(duì)染病樣本識(shí)別的準(zhǔn)確率在很大程度上取決于所提取的特征（如顏色特征、紋理特征、形狀特征），本研究主要對(duì)番茄葉片的顏色特征和紋理特征進(jìn)行提取與分析。

2.2.1 顏色特征提取與分析

在受到茄鏈格孢菌侵染時(shí)，番茄葉片表面會(huì)出現(xiàn)輪紋狀病斑，隨著時(shí)間的推移病斑會(huì)越來越明顯，病斑區(qū)域與非病斑區(qū)域所表現(xiàn)出來的顏色特征的差異也會(huì)越來越大。圖3-a為剛從番茄植株上采集下來的健康葉片的RGB圖像，圖3-b為接種茄鏈格孢菌144 h后的RGB圖像，圖3-c為由圖3-a轉(zhuǎn)換得到的HSV圖像，圖3-d為由圖3-b轉(zhuǎn)換得到的HSV圖像。在圖3-b中，葉片中間位置出現(xiàn)清晰可見的病斑，將其轉(zhuǎn)換為HSV圖像后，病斑區(qū)域在圖像中表現(xiàn)得更為明顯。番茄葉片在染病以后，首先在顏色上發(fā)生變化，因此本研究把顏色特征中最常用的顏色矩（color moment）作為識(shí)別病害樣本的主要依據(jù)之一［15-16］，提取顏色矩的方法見式（7）～（9）。

式中：H、S、V指3個(gè)顏色通道；h指健康樣本；z指接種樣本；式（10）中MeanHh[TX-]指健康樣本H通道的一階矩特征平均值，MeanHz[TX-]指接種樣本H通道一階矩特征平均值，式（11）～（18）與此類似。健康樣本與接種樣本顏色特征的平均值差異見表2。

由表2可知，基于S通道和V通道提取的健康樣本與接種樣本顏色特征的一階矩表現(xiàn)出了較大的差異，這是因?yàn)闃颖窘臃N茄鏈格孢菌后，病菌侵染樣本的細(xì)胞，使樣本表面表現(xiàn)出明顯的顏色差異，說明基于顏色特征識(shí)別番茄早疫病是可行的。

健康樣本和接種樣本的二階矩和三階矩表現(xiàn)差異較小主要是由2種原因造成的：（1）在提取的顏色矩中，階矩越低，包含的信息越重要，其中一階矩包含了最重要的信息，而高階矩包含的信息較少，且階矩越高則包含的信息就越少；（2）高階矩易受圖像中噪聲的影響，階矩越高，受圖像中噪聲的影響越大，雖然已經(jīng)對(duì)RGB圖像進(jìn)行了預(yù)處理，但二階矩和三階矩仍不可避免地受到圖像中噪聲的影響。

由圖4可知，在整個(gè)數(shù)據(jù)采集周期內(nèi)接種樣本與健康樣本S通道一階矩的特征值并未表現(xiàn)出規(guī)律性的變化；自接種36 h開始健康樣本V通道一階矩的特征值均大于接種樣本，且分離效果明顯，因此選取V通道一階矩（Mean-V）進(jìn)行番茄早疫病識(shí)別模型的建立。

2.2.2 紋理特征提取與分析

紋理特征具有顏色特征所不具備的優(yōu)點(diǎn)，如顏色特征既不能表征顏色的局部分布，也不能表征顏色的空間位置，且與顏色特征相比，紋理特征具有更好的抗噪聲性。紋理特征是農(nóng)作物病害識(shí)別中更重要的部分，因?yàn)榧y理特征代表了更多與病變區(qū)域相關(guān)的信息［17］。針對(duì)番茄早疫病，感染早疫病的位置與未感染早疫病的位置會(huì)表現(xiàn)出不同的紋理特征，因此可以利用紋理特征進(jìn)行病害識(shí)別［18］。本研究首先將RGB圖像轉(zhuǎn)換為灰度圖，然后使用灰度共生矩陣提取5種紋理特征（對(duì)比度、差異性、同質(zhì)性、相關(guān)性、角二階矩），灰度共生矩陣是一種通過研究灰度的空間相關(guān)特性來描述紋理的常用方法。

對(duì)比度（CON）指的是在番茄葉片的灰度圖中明暗區(qū)域之間的差異強(qiáng)度，本研究用對(duì)比度來反映圖像的清晰度和番茄葉片的紋理深淺情況，對(duì)比度值越大，則圖像越清晰，紋理特征越明顯，提取對(duì)比度的方法見式（19）。

差異性（DIS）可用來表征一幅圖像中局部的清晰度和局部的紋理深淺情況，提取差異性的方法見式（20）。

同質(zhì)性（HOM）也被稱為逆差距，反映圖像局部紋理變化的情況，當(dāng)圖像中的紋理在粗細(xì)和走向上有較大變化時(shí)，該值較??；當(dāng)圖像紋理的不同區(qū)域間缺少變化時(shí)，該值較大，提取同質(zhì)性的方法見式（21）。

相關(guān)性（COR）可反映圖像中水平方向或垂直方向的紋理變化情況，如果圖中有水平方向的紋理，則水平方向灰度共生矩陣的相關(guān)性值大于其余方向，提取相關(guān)性的方法見式（22）。

角二階矩（ASM）體現(xiàn)的是紋理的粗細(xì)、大小，當(dāng)灰度共生矩陣中的元素值都一樣大時(shí)，角二階矩的值較小，說明圖像缺少紋理變化，反之，矩陣中的值有大有小時(shí)，角二階矩的值較大，表明其紋理變化越規(guī)則，提取角二階矩的方法見式（23）。

本研究對(duì)接種茄鏈格孢菌12～144 h時(shí)采集的RGB圖像進(jìn)行背景分割后提取紋理特征，每種特征獲得1 680個(gè)特征值，用DifT表示健康樣本與接種樣本相應(yīng)紋理特征平均值的差值，式（24）～（28）為求5個(gè)紋理特征平均值差值的方法。

式（24）中：CONh為健康樣本的對(duì)比度，CONz為接種樣本的對(duì)比度，式（25）至式（28）與此類似，健康樣本與接種樣本紋理特征的平均值差異見表3。

由表3可知，健康樣本與接種樣本在DIS、HOM、COR、ASM 4個(gè)特征中表現(xiàn)出的差異較小，而在CON上表現(xiàn)出最大的差異，接種樣本CON的平均值為42.07，健康樣本CON的平均值為33.84，2種樣本CON平均值的差異為8.23。這是因?yàn)闃颖驹谑艿角焰湼矜呔秩竞?，病斑開始擴(kuò)散，使得圖像的局部相似性降低，CON提高，表明使用CON識(shí)別番茄早疫病是可行的。圖5展示了CON隨數(shù)據(jù)采集時(shí)間的變化趨勢(shì)，在整個(gè)數(shù)據(jù)采集周期內(nèi)，接種樣本的CON均大于健康樣本，且差異較大。

2.3 病癥演變分析

由表4可知， 接種茄鏈格孢菌0 h時(shí)采集的圖像為接種病菌之前的健康番茄葉片，葉片整體表現(xiàn)為綠色。接種病菌后28 h采集的圖像葉片并未表現(xiàn)出明顯的變化，至接種后36 h，番茄葉片的右下角部分區(qū)域開始出現(xiàn)病斑，說明番茄葉片受病菌侵染后細(xì)胞壁遭到破壞，并且受病菌侵染的細(xì)胞發(fā)生過敏反應(yīng)，此時(shí)，細(xì)胞開始程序性死亡。

從接種后36 h開始番茄葉片表面由綠色逐漸變?yōu)榱它S綠色，該過程被稱為褪綠現(xiàn)象，這是因?yàn)椴≡秩救~片后，葉綠素被破壞。至接種后84 h，葉片表面出現(xiàn)第2個(gè)病斑；至接種后96 h葉片左上角出現(xiàn)第3個(gè)病斑，隨著時(shí)間的推移，番茄葉片表面的病斑不斷擴(kuò)大，病斑的顏色不斷加深。

3 模型建立與分析

為自動(dòng)、快速、精確地識(shí)別番茄早疫病，本研究利用深度學(xué)習(xí)技術(shù)建立識(shí)別模型。

本研究對(duì)120個(gè)樣本共采集1 800個(gè)RGB圖像，對(duì)圖像進(jìn)行歸一化、背景分割、數(shù)據(jù)擴(kuò)增和通道轉(zhuǎn)換等預(yù)處理后提取圖像的9個(gè)顏色特征和5個(gè)紋理特征，共得到100 800個(gè)特征數(shù)據(jù)，經(jīng)對(duì)比分析后選取接種后12～144 h的葉片顏色特征中基于V通道提取的一階矩和紋理特征中的對(duì)比度建立番茄早疫病的識(shí)別模型。2種數(shù)據(jù)均為6 720個(gè)，共 13 440 個(gè)，將這些數(shù)據(jù)隨機(jī)打亂后根據(jù)3 ∶1的比例劃分訓(xùn)練集與測(cè)試集，最終得到10 080個(gè)訓(xùn)練集數(shù)據(jù)，3 360個(gè)測(cè)試集數(shù)據(jù)。

本研究基于卷積神經(jīng)網(wǎng)絡(luò)針對(duì)番茄早疫病建立識(shí)別模型，將準(zhǔn)確率定義為模型性能的評(píng)價(jià)指標(biāo)，準(zhǔn)確率計(jì)算見式（29）。

其中，accuracy為準(zhǔn)確率；TP（true positive）為識(shí)別模型正確預(yù)測(cè)的接種樣本數(shù)量；FP（1positive）

為識(shí)別模型將健康樣本預(yù)測(cè)為接種樣本的數(shù)量；FN（1 negative）為識(shí)別模型將接種樣本預(yù)測(cè)為健康樣本的數(shù)量；TN（true negative）為識(shí)別模型正確預(yù)測(cè)的健康樣本數(shù)量。

首先使用卷積層和池化層搭建了一個(gè)5層的深度學(xué)習(xí)框架，用于建立深度學(xué)習(xí)模型，共建立3個(gè)模型。由表5可知，模型1使用對(duì)比度建立，優(yōu)化前測(cè)試集準(zhǔn)確率為60.22%，模型2使用V通道的一階矩建立，優(yōu)化前測(cè)試集準(zhǔn)確率為58.89%，模型3同時(shí)使用對(duì)比度和V通道的一階矩建立，優(yōu)化前測(cè)試集準(zhǔn)確率為85.11%，但是3個(gè)模型都不同程度地出現(xiàn)了過擬合現(xiàn)象。為緩解過擬合現(xiàn)象及提高準(zhǔn)確率，本研究通過超參數(shù)調(diào)優(yōu)、增加網(wǎng)絡(luò)深度等方式進(jìn)行模型優(yōu)化：（1）將批量大?。╞atchsize）由原來的32設(shè)置為128，增加batchsize可使網(wǎng)絡(luò)的梯度更準(zhǔn)確；（2）增加迭代次數(shù)（epoch），可以使模型達(dá)到更好的收斂效果；（3）在模型框架中增加卷積層、池化層和Dropout層，因?yàn)镈ropout層可以很好地抑制過擬合現(xiàn)象，在每2個(gè)卷積層和1個(gè)池化層后增加1個(gè)Dropout層，使網(wǎng)絡(luò)深度由5層增加到17層。

模型優(yōu)化后，過擬合現(xiàn)象得到緩解，但仍需進(jìn)一步優(yōu)化模型參數(shù)解決該問題。模型的性能對(duì)比結(jié)果見表5，模型優(yōu)化后模型1測(cè)試集的準(zhǔn)確率最高達(dá)到76.67%，模型2測(cè)試集的準(zhǔn)確率最高達(dá)到62.22%，模型3取得了最好的效果，其測(cè)試集的準(zhǔn)確率最高達(dá)到91.78%，本研究將使用模型3進(jìn)行番茄早疫病的識(shí)別。

4 結(jié)論

本研究以番茄早疫病為研究對(duì)象，分別采集 0～144 h的接種樣本和健康樣本的RGB圖像，對(duì)RGB圖像進(jìn)行預(yù)處理后提取圖像的顏色特征和紋理特征，經(jīng)對(duì)比分析選取接種后12～144 h的番茄葉片顏色特征的V通道一階矩和紋理特征的對(duì)比度建立番茄早疫病的識(shí)別模型，得出如下結(jié)論：（1）在提取的顏色特征和紋理特征中，顏色特征中的V通道一階矩和紋理特征中的對(duì)比度在健康樣本與接種樣本之間表現(xiàn)出了較為明顯的差異。（2）建立了番茄早疫病的識(shí)別模型。最初建立的深度學(xué)習(xí)模型產(chǎn)生過擬合現(xiàn)象，通過調(diào)整迭代次數(shù)和批量大小以及增加網(wǎng)絡(luò)深度等方式，最終使得識(shí)別模型對(duì)測(cè)試集的識(shí)別準(zhǔn)確率提高，最高達(dá)到91.78%。（3）通常使用理化檢測(cè)方法對(duì)番茄早疫病進(jìn)行檢測(cè)耗時(shí)較長(zhǎng)，而利用本研究所提出的方法檢測(cè)番茄早疫病較為迅速，耗時(shí)較短。

本研究為番茄葉片早疫病的實(shí)時(shí)檢測(cè)提供了新方法，也可為其他作物病害的檢測(cè)提供參考。

參考文獻(xiàn)：

［1］Vignesh M，Shankar S M，Subramani N，et al. Study on spray-drying of Bacillus velezensis NKMV-3 strain，its formulation and bio efficacy against early blight of tomato［J］. Biocatalysis and Agricultural Biotechnology，2022，45（2）：102483.

［2］Sora S A，Sakata W M. Management of some common insect pests and diseases of tomato （Solanum lycopersicon L.）［J］. International Journal of Statistical Distributions and Applications，2022，8（2）：30-39.

［3］Altalak M，Uddin M A，Alajmi A，et al. A hybrid approach for the detection and classification of tomato leaf diseases［J］. Applied Sciences，2022，12（16）：8182.

［4］Thangaraj R，Anandamurugan S，Kaliappan V K. Automated tomato leaf disease classification using transfer learning-based deep convolution neural network［J］. Journal of Plant Diseases and Protection，2021，128（1）：73-86.[HJ2mm]

［5］Rodríguez F J，García A，Pardo P J，et al. Study and classification of plum varieties using image analysis and deep learning techniques［J］. Progress in Artificial Intelligence，2018，7（2）：119-127.

［6］張 艷，孟慶龍，尚 靜，等. 新型圖像技術(shù)在農(nóng)作物病害監(jiān)測(cè)預(yù)警中的應(yīng)用與展望［J］. 激光雜志，2017，38（12）：7-13.

［7］Nithish Kannan E，Kaushik M，Prakash P，et al. Tomato leaf disease detection using convolutional neural network with data augmentation［C］//2020 5th International Conference on Communication and Electronics Systems （ICCES）. June 10-20，2020.COIMBATORE，India. IEEE，2020：1125-1132.

［8］Fuentes A，Yoon S，Kim S C，et al. A robust deep-learning-based detector[KG*2]for[KG*2]real-time[KG*2]tomato[KG*2]plant[KG*2]diseases[KG*2]and pests recognition［J］. Sensors，2017，17（9）：2022.

［9］Kanda P S，Xia K W，Kyslytysna A，et al. Tomato leaf disease recognition on leaf images based on fine-tuned residual neural networks［J］. Plants，2022，11（21）：2935.

［10］Agarwal M，Singh A，Arjaria S，et al. ToLeD：tomato Leaf Disease Detection using Convolution Neural Network［J］. Procedia Computer Science，2020，167：293-301.

［11］Sladojevic S，Arsenovic M，Anderla A，et al. Deep neural networks based recognition of plant diseases by leaf image classification［J］. Computational Intelligence and Neuroscience，2016，2016：3289801.

［12］Mohanty S P，Hughes D P，Salathé M. Using deep learning for image-based plant disease detection［J］. Frontiers in Plant Science，2016，7：1419.

［13］Tetila E C，Machado B B，Menezes G K，et al. Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks［J］. IEEE Geoscience and Remote Sensing Letters，2020，17（5）：903-907.

［14］胡 政，張 艷. 降維降噪處理對(duì)番茄早疫病潛育期高光譜識(shí)別效果的影響［J］. 光譜學(xué)與光譜分析，2023，43（3）：744-752.

［15］田 凱. 基于圖像處理的茄子葉部病害識(shí)別方法研究［D］. 廣州：華南農(nóng)業(yè)大學(xué)，2016.

［16］Stricker M A，Orengo M. Similarity of color images［C］//Proc SPIE 2420，Storage and Retrieval for Image and Video Databases Ⅲ，1995，2420：381-392.

［17］Ahmad N，Asif H M S，Saleem G，et al. Leaf image-based plant disease identification using color and texture features［J］. Wireless Personal Communications，2021，121（2）：1139-1168.

［18］袁 媛，陳 雷，吳 娜，等. 水稻紋枯病圖像識(shí)別處理方法研究［J］. 農(nóng)機(jī)化研究，2016，38（6）：84-87，92.

收稿日期：2023-07-10

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：62265003、62141501）；貴陽學(xué)院碩士研究生科研基金項(xiàng)目（編號(hào)：GYU-YJS［2021］-49）。

作者簡(jiǎn)介：趙 堅(jiān)（1996—），男，安徽宿州人，碩士，主要從事農(nóng)作物病害方面的研究。E-mail：2015527609@qq.com。

通信作者：張 艷，博士，教授，碩士生導(dǎo)師，主要從事生物信息無損檢測(cè)、激光雷達(dá)方面的研究。E-mail：Eileen_zy001@sohu.com。