基于物聯(lián)網(wǎng)和深度卷積神經(jīng)網(wǎng)絡(luò)的冬棗病害識(shí)別方法

張善文，黃文準(zhǔn)，尤著宏

(西京學(xué)院 信息工程學(xué)院， 陜西 西安 710123)

基于物聯(lián)網(wǎng)和深度卷積神經(jīng)網(wǎng)絡(luò)的冬棗病害識(shí)別方法

張善文，黃文準(zhǔn)，尤著宏*

(西京學(xué)院 信息工程學(xué)院， 陜西 西安 710123)

針對(duì)傳統(tǒng)的作物病害識(shí)別方法中人為提取的分類特征，對(duì)復(fù)雜作物病害圖像的形狀、光照和背景比較敏感等問(wèn)題，提出一種基于物聯(lián)網(wǎng)和深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)的冬棗病害識(shí)別方法。DCNN由1個(gè)輸入層、4個(gè)卷積層、3個(gè)下采樣層、1個(gè)全連接層和1個(gè)輸出層組成。利用該方法能夠提取冬棗病害圖像的有效特征，并識(shí)別病害類型，避免了傳統(tǒng)作物病害識(shí)別方法中繁瑣的特征提取過(guò)程。在4種冬棗病害果實(shí)數(shù)據(jù)庫(kù)上進(jìn)行了冬棗病害識(shí)別實(shí)驗(yàn)，識(shí)別率達(dá)到92%以上。試驗(yàn)結(jié)果表明，該方法適合利用物聯(lián)網(wǎng)采集的大規(guī)模視頻病害圖像進(jìn)行冬棗病害識(shí)別。

冬棗病害識(shí)別；冬棗病害圖像；深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)；特征提取

冬棗是我國(guó)近年來(lái)興起的第二代水果，甘甜味美，營(yíng)養(yǎng)豐富，被譽(yù)為“百果之王”和“活維生素片”。近年來(lái)冬棗病害嚴(yán)重影響了冬產(chǎn)量和質(zhì)量，常見的主要病害包括銹病、炭疽病和爛果病等10多種。目前冬棗病害的診斷基本上憑借植保專家和果農(nóng)往年的經(jīng)驗(yàn)，通過(guò)人工觀察果樹發(fā)病癥狀，再與已有的病害癥狀圖片和文字解釋做比較進(jìn)行病害診斷。由于不同大棚的冬棗的自然生長(zhǎng)環(huán)境差異較大，以及冬棗病害癥狀的復(fù)雜多樣性，所以人工觀察方法經(jīng)常出現(xiàn)偏差。隨著計(jì)算機(jī)、圖像處理和物聯(lián)網(wǎng)技術(shù)的發(fā)展，出現(xiàn)了很多基于計(jì)算機(jī)的作物自動(dòng)識(shí)別方法[1-3]，其識(shí)別原理基本相同：首先對(duì)采集的病害圖像進(jìn)行預(yù)處理，然后提取分類特征，再選擇分類器進(jìn)行病害識(shí)別。這些方法在很大程度上關(guān)于提取什么特征以及提取多少特征等問(wèn)題具有盲目性。現(xiàn)在能夠利用果園大棚內(nèi)的視頻攝像設(shè)備實(shí)時(shí)采集病害葉片和果實(shí)圖像，然后通過(guò)互聯(lián)網(wǎng)傳送到遠(yuǎn)程計(jì)算機(jī)，再利用計(jì)算機(jī)自動(dòng)識(shí)別病害類型[4-6]。然而，由于作物病害圖像的復(fù)雜多樣性，特別是物聯(lián)網(wǎng)視頻設(shè)備采集到的病害圖像是海量、高度冗余、含噪(圖1)的，使得很多傳統(tǒng)的作物病害識(shí)別方法不能有效地從這些圖像中提取出較好的特征。深度學(xué)習(xí)是一個(gè)新的機(jī)器學(xué)習(xí)研究領(lǐng)域，通過(guò)更“深”層次的訓(xùn)練，可以很好地模擬人腦運(yùn)作，解決復(fù)雜的圖像和語(yǔ)音識(shí)別等實(shí)際問(wèn)題。深度學(xué)習(xí)能夠自主學(xué)習(xí)病害圖像的特征，減少人工干預(yù)，提高圖像識(shí)別效率[7-9]。本文在深度學(xué)習(xí)模型及其應(yīng)用研究的基礎(chǔ)上，提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)的冬棗病害識(shí)別方法。該方法能夠從病害圖像中自動(dòng)學(xué)習(xí)良好的病害識(shí)別特征，從而克服了人工選取特征的盲目性。通過(guò)試驗(yàn)，該方法在冬棗病害識(shí)別中取得了較好的識(shí)別效果。

1 深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)

DCNN已成為語(yǔ)音分析和圖像識(shí)別等眾多科學(xué)領(lǐng)域的研究熱點(diǎn)。由于該網(wǎng)絡(luò)可以直接輸入原始圖像，避免了傳統(tǒng)圖像識(shí)別算法中復(fù)雜的圖像預(yù)處理、特征提取和選擇等過(guò)程，因而得到了廣泛的實(shí)際應(yīng)用[9-10]。權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)的復(fù)雜度，減少了權(quán)值的數(shù)量。該網(wǎng)絡(luò)提取的特征對(duì)圖像的平移、比例縮放、旋轉(zhuǎn)等形變具有高度不變性。圖2為DCNN的一般結(jié)構(gòu)，由1個(gè)輸入層、3個(gè)卷積層、2個(gè)下采樣層、1個(gè)全連接層和1個(gè)分類層組成。由圖2看出，DCNN是一個(gè)多層神經(jīng)網(wǎng)絡(luò)，每層由多個(gè)二維特征平面組成，每個(gè)平面由多個(gè)相互獨(dú)立的神經(jīng)元組成，卷積層與下采樣依次連接，最后由全連接層輸出特征到分類層。

DCNN的兩個(gè)重要操作是卷積和下采樣，DCNN通過(guò)卷積能夠得到更有效的特征；下采樣即降采樣操作。在圖2中，第一個(gè)卷積層對(duì)圖像的鄰域進(jìn)行卷積得到圖像的局部鄰域特征，即對(duì)圖像的每個(gè)小區(qū)域都進(jìn)行卷積運(yùn)算，后面卷積層的神經(jīng)元對(duì)前一層的局部感受也進(jìn)行卷積運(yùn)算提取特征，而下采樣層對(duì)上一層得到的特征的相鄰像素之間進(jìn)行取平均或最大值的操作，得到新的特征映射圖。多次重復(fù)上述步驟，并把最后得到的特征值連接成一個(gè)向量輸入到最后的分類層，得到識(shí)別結(jié)果。其中，卷積核被看作訓(xùn)練參數(shù)，卷積層被看作對(duì)輸入圖像進(jìn)行“抽象”的操作，經(jīng)過(guò)幾次卷積后，能夠提取出圖像的“特征值”。卷積操作具有平移不變性，能夠支持神經(jīng)元學(xué)習(xí)到魯棒性較高的特征；下采樣層是在一個(gè)小區(qū)域內(nèi)，使用池化方法將小鄰域內(nèi)的所有特征點(diǎn)整合得到一個(gè)新的特征，即對(duì)圖像進(jìn)行二次采樣，通過(guò)減小中間過(guò)程產(chǎn)生的特征圖的維數(shù)，從而減小參數(shù)規(guī)模，降低計(jì)算復(fù)雜度，也可以防止過(guò)擬合。下采樣層的空間尺寸不應(yīng)太大，太大會(huì)丟失較多結(jié)構(gòu)信息。也有人不建議設(shè)置下采樣層，而是在卷積層增大步幅來(lái)降低圖像尺寸；全連接層是一維向量構(gòu)成的網(wǎng)絡(luò)層，是對(duì)輸入數(shù)據(jù)的特征表達(dá)。卷積層的每幅特征圖表示圖像的一種特征，層數(shù)越高，特征越抽象，設(shè)置全連接層的目的是將底層各特征圖的特征結(jié)合到一起，然后采用分類器進(jìn)行分類。圖2的全連接層中設(shè)計(jì)的神經(jīng)元個(gè)數(shù)是2 048，每個(gè)神經(jīng)元都與上一層全部的神經(jīng)元相連接。

圖1 冬棗病害圖像示例Fig.1 Winter jujube disease images

圖2 基于DCNN的冬棗病害識(shí)別模型結(jié)構(gòu)示意圖Fig.2 Net architecture of DCNN for winter jujube disease recognition

DCNN一般采用Softmax作為輸出層的分類器進(jìn)行病害類型識(shí)別，輸出不同預(yù)測(cè)結(jié)果的概率分布，通過(guò)調(diào)整參數(shù)，使得正確標(biāo)簽對(duì)應(yīng)的概率最大[11]。假設(shè)圖像訓(xùn)練集中有C類病害的N幅病害圖像，經(jīng)過(guò)卷積、下采樣以及全連接操作后，得到的第i幅圖像的特征向量和對(duì)應(yīng)的類別標(biāo)簽記為(x(i)，r(i))(i=1，2，…，N)，其中ri∈{1，2，…，C}。則在輸出層的Softmax分類器的輸出為：

(1)

式中，wi為全連接層中2 048個(gè)神經(jīng)元與Softmax分類器的i個(gè)輸出神經(jīng)元相連接的權(quán)重。

利用Softmax分類器的DCNN的損失函數(shù)為

(2)

式中，t為由模型的激勵(lì)函數(shù)f(x)=max(0，x)輸出的一個(gè)C×1矩陣，tlable為訓(xùn)練樣本標(biāo)簽，是一個(gè)C×1的二值矩陣。

DCNN模型訓(xùn)練的優(yōu)劣主要由損失函數(shù)確定，訓(xùn)練與測(cè)試的損失值越低，則模型訓(xùn)練得越好。在Softmax輸出層前加入dropout層[12]，利用dropout方法隨機(jī)斷開下采樣層的網(wǎng)絡(luò)節(jié)點(diǎn)，所以實(shí)際的訓(xùn)練參數(shù)就會(huì)減少，由此可以有效抑制模型的過(guò)擬合，提高算法的泛化能力。采用dropout方法的DCNN與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練類似，利用隨機(jī)梯度下降法求解模型參數(shù)。DCNN通過(guò)前向傳播計(jì)算DCNN的實(shí)際輸出值，然后計(jì)算實(shí)際輸出值與理想輸出值的差，構(gòu)造誤差損失函數(shù)：

(3)

模型訓(xùn)練目的就是最小化損失函數(shù)值。模型中的損失函數(shù)，在訓(xùn)練階段用于評(píng)估網(wǎng)絡(luò)輸出結(jié)果與實(shí)際值的差異。然后用損失函數(shù)的值更新每個(gè)神經(jīng)元之間的權(quán)重值。DCNN中的激勵(lì)函數(shù)，根據(jù)一系列的輸入值，神經(jīng)元之間連接的權(quán)值以及激勵(lì)規(guī)則，刺激神經(jīng)元。

2 基于DCNN的冬棗病害識(shí)別方法

將DCNN應(yīng)用于冬棗病害識(shí)別問(wèn)題中，其識(shí)別過(guò)程流程圖如圖3所示。

主要步驟描述如下。

步驟1：對(duì)每一幅輸入的彩色冬棗病害圖像進(jìn)行歸一化和ZCA (zero-phase component analysis)白化等預(yù)處理。ZCA白化是在保證數(shù)據(jù)各維度的方差相等的同時(shí)去除它們之間的相關(guān)性，降低輸入數(shù)據(jù)的冗余，且盡量保持原數(shù)據(jù)不變。

步驟2：將預(yù)處理后的彩色圖像任意劃分為訓(xùn)練集和測(cè)試集。將訓(xùn)練集中的每幅彩色圖像的三個(gè)顏色通道分別送到一個(gè)單獨(dú)的DCNN進(jìn)行訓(xùn)練，訓(xùn)練后分別得到對(duì)應(yīng)的特征表示，使用全連接將訓(xùn)練的特征維數(shù)降低，且保留輸入圖像的大部分信息。在DCNN中需要利用有標(biāo)簽數(shù)據(jù)微調(diào)訓(xùn)練整個(gè)網(wǎng)絡(luò)的參數(shù)。

圖3 基于DCNN的冬棗病害識(shí)別流程圖Fig.3 Flowchart of winter jujube disease recognition based on DCNN

步驟3：利用訓(xùn)練集圖像得到的特征向量再訓(xùn)練分類器。

步驟4：將測(cè)試集圖像輸入到訓(xùn)練好的DCNN，得到特征向量，再將其輸入到訓(xùn)練好的分類器進(jìn)行病害分類識(shí)別。

3 結(jié)果與分析

為了驗(yàn)證本文提出的冬棗病害識(shí)別方法的有效性，在陜西省大荔縣冬棗大棚果園的物聯(lián)網(wǎng)監(jiān)控視頻中采集冬棗常見的炭疽病、爛果病、縮果病、黑點(diǎn)病4種病害果實(shí)各100幅圖像，進(jìn)行病害識(shí)別實(shí)驗(yàn)。圖4為病害圖像示例。通過(guò)MATLAB R2013a及其深度學(xué)習(xí)工具箱(Deep Learn Toolbox-master)進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)平臺(tái)為基于Windows 7操作系統(tǒng)的工作站(Intel(R) Xeon(R) E5-2650 v2 CPU and 32 GB 內(nèi)存)。

由于目前沒(méi)有公開的冬棗病害圖像數(shù)據(jù)庫(kù)，而深度學(xué)習(xí)模型訓(xùn)練需要大量的樣本，所以我們通過(guò)旋轉(zhuǎn)、顏色和亮度變化、尺寸縮放等，將一幅圖像擴(kuò)充為50幅圖像，由此模擬基于物聯(lián)網(wǎng)監(jiān)控視頻的多種自然環(huán)境條件，則共得到4種病害的圖像4×100×50=20 000幅。圖5為一幅圖像經(jīng)過(guò)旋轉(zhuǎn)等變化得到的20幅圖像。

A, 炭疽病Anthracnose B, 爛果病Rotten fruit disease

C， 縮果病Shrink fruit disease D， 黑點(diǎn)病Black spot圖4 冬棗病害果實(shí)圖像及其分割的病斑圖像Fig.4 Winter jujube disease images and corresponding spot images

由于冬棗病害圖像復(fù)雜、多樣，需要將每幅圖像裁剪為大小148×148，對(duì)每幅病害圖像進(jìn)行ZCA白化和歸一化預(yù)處理，降低圖像之間的相關(guān)性，然后利用K-均值聚類分割方法分割出病斑圖像，處理結(jié)果見圖6所示。圖4給出了4種病害果圖像對(duì)應(yīng)分割的病斑圖像。

將4種病害的400幅原始圖像對(duì)應(yīng)的病斑圖像組成數(shù)據(jù)庫(kù)1，將擴(kuò)展后的20 000幅圖像對(duì)應(yīng)的病斑圖像組成數(shù)據(jù)庫(kù)2。下面分別在兩個(gè)數(shù)據(jù)庫(kù)中進(jìn)行病害識(shí)別實(shí)驗(yàn)，驗(yàn)證本文提出的方法的有效性。由于SVM分類器對(duì)大數(shù)據(jù)高維特征的分類性能較好，所以分類器選擇SVM代替Softmax分類器。

(1) 從數(shù)據(jù)庫(kù)1中的每種病斑圖像中任意選擇80幅共320幅作為訓(xùn)練集，其余的共80幅作為測(cè)試集。由于該數(shù)據(jù)庫(kù)1中圖像不夠多，不足以滿足DCNN訓(xùn)練需求，我們對(duì)圖像進(jìn)行分代重復(fù)使用，即訓(xùn)練圖像隨機(jī)打亂一次稱為一代，對(duì)于每一代圖像，按照每批80幅圖像從頭到尾進(jìn)行讀取，載入內(nèi)存進(jìn)行訓(xùn)練。一代圖像使用完畢后重新隨機(jī)打亂圖像，進(jìn)入下一代訓(xùn)練。

(2) 從數(shù)據(jù)庫(kù)2中的每種病斑圖像中任意選擇4 000幅共16 000幅作為訓(xùn)練集，其余的共4 000幅作為測(cè)試集。

訓(xùn)練集用于訓(xùn)練DCNN模型以及SVM分類器，測(cè)試集用于測(cè)試所提出的方法的性能。圖2只是一個(gè)DCNN樣例，在實(shí)際應(yīng)用中可以增加卷積層、下采樣層和全連接等提供模型性能。計(jì)算訓(xùn)練集病斑圖像的均值，在訓(xùn)練和測(cè)試模型時(shí)，將輸入圖像減去訓(xùn)練集的均值，能夠降低數(shù)據(jù)間的相似性和相關(guān)性，提高訓(xùn)練速度。為了得到一個(gè)適合用于病害識(shí)別的DCNN模型，首先在分割出的彩色病斑圖像上進(jìn)行對(duì)比實(shí)驗(yàn)，選擇彩色測(cè)試集病斑圖像上的分類精度高的方法作為最終病害識(shí)別模型。經(jīng)過(guò)在訓(xùn)練集和測(cè)試集上的多次實(shí)驗(yàn)驗(yàn)證，本試驗(yàn)針對(duì)病斑圖像數(shù)據(jù)庫(kù)所設(shè)計(jì)的DCNN的結(jié)構(gòu)為5個(gè)卷積層、4個(gè)下采樣層和2個(gè)全連接層。病害識(shí)別過(guò)程如圖3所示。利用DCNN逐層提取病斑圖像的高維分類特征，訓(xùn)練DCNN和SVM的參數(shù)。在DCNN訓(xùn)練過(guò)程中，卷積模板選擇為9×9×3，再以4個(gè)像素大小的步長(zhǎng)對(duì)輸入圖像進(jìn)行卷積，病斑圖像及其各個(gè)卷積層、下采樣層和全連接層的維數(shù)大小見圖2。訓(xùn)練完成后，能夠?qū)崿F(xiàn)從病斑圖像中提取到病害類型的映射，即根據(jù)病害果實(shí)的癥狀通過(guò)DCNN和SVM判斷出病害的類型。網(wǎng)絡(luò)構(gòu)建中利用線性修正單元(ReLUs)作為各卷積層的網(wǎng)絡(luò)輸出函數(shù)，數(shù)，能夠加快網(wǎng)絡(luò)的計(jì)算速度。在池化層采用dropout方法隨機(jī)斷開網(wǎng)絡(luò)節(jié)點(diǎn)，防止算法的過(guò)擬合，在網(wǎng)絡(luò)微調(diào)中采用隨機(jī)梯度降法逐層計(jì)算DCNN的參數(shù)。采用自適應(yīng)學(xué)習(xí)率的動(dòng)量梯度下降法優(yōu)化模型，為保證學(xué)習(xí)的穩(wěn)定性將學(xué)習(xí)率設(shè)置為0.01，迭代1 000次后學(xué)習(xí)率減為0.001，訓(xùn)練目標(biāo)為0.001，權(quán)重衰減系數(shù)為0.001，最大訓(xùn)練次數(shù)為500。為了表明本文所提出的方法的有效性，我們與3種果實(shí)病害識(shí)別方法進(jìn)行比較：改進(jìn)的和差直方圖(ISDH)[11]、基于顏色、紋理和形狀特征(CTS)[13]和基于圖像處理(IP)[14]。識(shí)別結(jié)果如表1所示。

圖5 由一幅圖像經(jīng)過(guò)旋轉(zhuǎn)和擾動(dòng)以及顏色、亮度變化得到的20幅圖像Fig.5 Twenty images generated by rotation， color and brightness changes of a disease image

A， 原始圖像; B， 灰度圖像; C， ZCA白化; D， 白化彩色圖像; E， 分割的病斑; F， 分割的彩色病斑A， Original image; B， Gray image; C， ZCA whiten; D， Whiten color image; E， Segment lesion; F， Color lesion圖6 病害圖像的預(yù)處理Fig.6 Preprocessing of disease images

由表1看出，本文方法在數(shù)據(jù)庫(kù)2上的識(shí)別率很高，但在數(shù)據(jù)庫(kù)1上的識(shí)別率很低。原因是數(shù)據(jù)庫(kù)1不夠大，不能適合一個(gè)多層的DCNN模型。其他三種方法在數(shù)據(jù)庫(kù)1上識(shí)別率都高于在數(shù)據(jù)庫(kù)2上，其原因是利用傳統(tǒng)基于特征提取的病害識(shí)別方法提取的分類特征對(duì)圖像的旋轉(zhuǎn)、光照變化等比較敏感。而利用深度學(xué)習(xí)模型能夠?qū)W習(xí)到比較有用的、對(duì)圖像的旋轉(zhuǎn)和光照等具有不變性的特征。通過(guò)綜合比較，本文提出的冬棗病害分類模型在大型數(shù)據(jù)庫(kù)上有著明顯的優(yōu)勢(shì)，能夠應(yīng)用于基于物聯(lián)網(wǎng)的冬棗病害識(shí)別系統(tǒng)。

表1四種方法在兩個(gè)數(shù)據(jù)庫(kù)上的識(shí)別率和方差

Table1The recognition rates and variances on two databases by four methods %

方法MethodISDHCTSIP本文方法Ourmethod數(shù)據(jù)庫(kù)1Database184.53±2.6186.53±3.3583.16±2.4161.35±6.42數(shù)據(jù)庫(kù)2Database283.23±1.5682.23±2.8380.16±2.6292.35±2.17

4 結(jié)論

基于物聯(lián)網(wǎng)的作物病害識(shí)別方法研究一直是計(jì)算機(jī)視角、復(fù)雜圖像處理和機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)重要的研究方向。由于作物病害圖像的復(fù)雜性，使得很多作物病害識(shí)別方法不能提取到較好的分類特征。本文將DCNN應(yīng)用于冬棗病斑圖像識(shí)別中，能夠?qū)W習(xí)到較好的穩(wěn)定的分類特征，避免了傳統(tǒng)的特征提取方法的不足，而且這些特征對(duì)圖像的旋轉(zhuǎn)、光照和縮放具有較好的不變性。在4種冬棗常見病害的數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn)驗(yàn)證，結(jié)果表明本文提出的方法在大型病害圖像數(shù)據(jù)庫(kù)上是有效可行的。同時(shí)可以看到，與經(jīng)典的特征提取方法相比，本文提出的基于DCNN的病害識(shí)別方法中模型結(jié)構(gòu)設(shè)置、參數(shù)選擇與調(diào)節(jié)等都比較復(fù)雜，而且利用不同的參數(shù)學(xué)習(xí)到的特征對(duì)圖像的表示不同。如何較快設(shè)置模型結(jié)構(gòu)、選擇合適參數(shù)和采取較好的訓(xùn)練方式等問(wèn)題是我們下一步需要重點(diǎn)解決的問(wèn)題。

[1] 楊國(guó)安.冬棗病蟲害綜合防治技術(shù)[J].北京農(nóng)業(yè)，2015(19):46-47.

YANG G A. Winter jujube diseases and pests comprehensive prevention and control technology[J].BeijingAgriculture，2015(19):46-47. (in Chinese)

[2] 李新良，秦玉玲.棗樹主要病蟲害的防治措施[J].現(xiàn)代園藝，2016(13):147-148.

LI X L， QIN Y L. The main measures of prevention and control of diseases and pests of winter jujube[J].ModernGardening， 2016(13):147-148. (in Chinese)

[3] 王永，劉芹，張興甫.冬棗黑斑病的識(shí)別和防治研究[J]. 湖北植保，2016(4):46-50.

WANG Y， LIU Q， ZHANG X F. The identification and control of winter jujube black spot[J].HubeiPlantProtection，2016(4):46-50. (in Chinese)

[4] 陳光絨，李小琴.基于物聯(lián)網(wǎng)技術(shù)的農(nóng)作物病蟲害自動(dòng)測(cè)報(bào)系統(tǒng)[J].江蘇農(nóng)業(yè)科學(xué)，2015， 43(4): 406-410.

CHEN G R， LI X Q. Automatic monitoring and forecasting system for crop diseases and pests based on Internet of things technology[J].JiangsuAgriculturalSciences，2015， 43(4): 406-410. (in Chinese with English abstract)

[5] 王翔宇，溫皓杰，李鑫星.農(nóng)業(yè)主要病害檢測(cè)與預(yù)警技術(shù)研究進(jìn)展分析[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2016.09: 271-282.

WANG X Y， WEN H J, LI X X. Research progress on detection and early warning technology of major diseases in agriculture[J].TransactionsoftheChineseSocietyforAgriculturalMachinery， 2016.09: 271-282. (in Chinese with English abstract)

[6] 李建榮.大區(qū)農(nóng)業(yè)中病蟲害災(zāi)變臨界的物聯(lián)網(wǎng)監(jiān)控[J].計(jì)算機(jī)仿真，2014，31(4):229-232.

LI J R. IOT monitoring of cataclysm crisis in regional agricultural plant diseases and insect pests[J].ComputerSimulation， 2014，31(4):229-232. (in Chinese with English abstract)

[7] SCHMIDHUBER J. Deep learning in neural networks: An overview[J].NeuralNetworks， 2015， 61:85-117.

[8] LI S， CHAN A B. 3D human pose estimation from monocular images with deep convolutional neural network [M]// CREMERS D， REID I， SAITO H， et al. Computer Vision—ACCV 2014. Springer， Cham， 2014:332-347.

[9] SLADOJEVIC S， ARSENOVIC M， ANDERLA A， et al. Deep neural networks based recognition of plant diseases by leaf image classification[J].ComputationalIntelligence&Neuroscience， 2016 (6):1-11.

[10] PIERRE B， PETER S. The dropout learning algorithm[J].ArtificialIntelligence， 2014， 210: 78-122.

[11] 吳軍， 肖克聰. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的人體動(dòng)作識(shí)別[J]. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2016， 44(S1):190-194.

WU J， XIAO K C. Human activity recognition based deep convolutional neural networks[J].JournalofHuazhongUniversityofScienceandTechnology(NatureScienceEdition)， 2016， 44(S1):190-194. (in Chinese with English abstract)

[12] DUBEY S R， JALAL A S. Fruit disease recognition using improved sum and difference histogram from images[J].InternationalJournalofAppliedPatternRecognition， 2014， 1(2):199-220.

[13] DUBEY S R， JALAL A S. Apple disease classification using color， texture and shape features from images[J].SignalImage&VideoProcessing， 2015， 10(5):819-826.

[14] SHERLIN V， NAYANA S， SWAPNALI Y. Learning-based fruit disease detection using image processing[J].InternationalJournalofInnovativeandEmergingResearchinEngineering， 2016， 3(2):96-100.

(責(zé)任編輯張 韻)

Recognitionmethodofwinterjujubediseasesbasedoninternetofthingsanddeepconvolutionalneuralnetwork

ZHANG Shanwen， HUANG Wenzhun， YOU Zhuhong*

(CollegeofInformationEngineering，XijingUniversity，Xi’an710123，China)

Focusing on the problem of traditional crop disease recognition methods that the artificially designed features are more susceptible to the crop disease image shapes， illumination and background， a recognition method of jujube disease was proposed based on the internet of things and deep convolutional neural network (DCNN). The network model was composed of input layer， 4 convolutional layers， 3 down-sampling layers， fully-connection layer and output layer. The proposed method can extract effective features of winter jujube disease image and recognize the diseases， avoiding the complicated feature extraction process of the traditional crop disease method. The proposed method was verified on the winter jujube fruit disease database， and the recognition rate was above 92%. The experimental results showed that the proposed method was suitable for winter jujube disease recognition on the large-scale disease database collected by internet of things.

winter jujube disease recognition; winter jujube disease image; deep convolutional neural network; feature extraction

張善文， 黃文準(zhǔn)， 尤著宏. 基于物聯(lián)網(wǎng)和深度卷積神經(jīng)網(wǎng)絡(luò)的冬棗病害識(shí)別方法[J]. 浙江農(nóng)業(yè)學(xué)報(bào)， 2017，29(11)： 1868-1874.

10.3969/j.issn.1004-1524.2017.11.13

2016-07-12

國(guó)家自然科學(xué)基金項(xiàng)目(61473237)；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃(2016GY-141)

張善文(1965—)，男，陜西西安人，博士，教授，研究方向?yàn)槟Ｊ阶R(shí)別及其應(yīng)用。E-mail: wjdw716@163.com

*通信作者，尤著宏，E-mail: youzhuhong@xijing.edu.com

TP391.41

A

1004-1524(2017)11-1868-07