基于softmax的水稻稻瘟病識(shí)別方法研究

張 楠，路 陽（通訊作者），李 欣，韓正君，王洪生

（1黑龍江八一農(nóng)墾大學(xué) 電氣與信息學(xué)院 黑龍江 大慶 163319）

（2中國(guó)移動(dòng)北京公司 北京 100007）

（3昌吉職業(yè)技術(shù)學(xué)院 新疆 昌吉 831100）

基于softmax的水稻稻瘟病識(shí)別方法研究

張 楠1，路 陽1（通訊作者），李 欣2，韓正君2，王洪生3

（1黑龍江八一農(nóng)墾大學(xué) 電氣與信息學(xué)院 黑龍江 大慶 163319）

（2中國(guó)移動(dòng)北京公司 北京 100007）

（3昌吉職業(yè)技術(shù)學(xué)院 新疆 昌吉 831100）

為了實(shí)現(xiàn)水稻生長(zhǎng)狀態(tài)的自動(dòng)監(jiān)測(cè)，提出一種基于softmax深度分類器的水稻稻瘟病識(shí)別方法。首先，利用中值濾波進(jìn)行圖像預(yù)處理，然后采用最大類間方差值（Otsu）圖像分割算法提取病斑特征，最后利用softmax深度回歸分類器方法對(duì)水稻稻瘟病識(shí)別。通過10重交叉驗(yàn)證測(cè)試，平均識(shí)別準(zhǔn)確率達(dá)到95.2%，為水稻病害準(zhǔn)確識(shí)別與防治提供了有效的技術(shù)支持。

softmax分類器；圖像識(shí)別；稻瘟??；深度學(xué)習(xí)

1 引言

稻瘟病是危害我國(guó)水稻生產(chǎn)的四大主要病害之一，在水稻整個(gè)生長(zhǎng)期內(nèi)均可發(fā)生，可引起大幅度減產(chǎn)。如何高效地對(duì)稻瘟病進(jìn)行監(jiān)控識(shí)別是水稻稻瘟病防治中的重要課題。目前，常見的識(shí)別方法是用肉眼判斷葉片是否出現(xiàn)褐色病斑，然后根據(jù)水稻病蟲害防治彩色圖譜確定病害的發(fā)病程度。這種識(shí)別方法效率低，主觀性強(qiáng)，容易出現(xiàn)診斷偏差[1]。

近年來，隨著機(jī)器學(xué)習(xí)技術(shù)、模式識(shí)別技術(shù)的快速發(fā)展，很多學(xué)者研究基于圖像處理技術(shù)和計(jì)算機(jī)視覺的作物病害診斷。黑龍江省農(nóng)業(yè)科學(xué)院植物保護(hù)研究所孟慶林等利用支持向量機(jī)對(duì)水稻稻瘟病圖像識(shí)別[2]、黑龍江八一農(nóng)墾大學(xué)譚峰等利用貝葉斯分類器對(duì)水稻稻瘟病、紋枯病和白葉枯病進(jìn)行自動(dòng)識(shí)別與診斷[3]。華南農(nóng)業(yè)大學(xué)的羅錫文等基于甘蔗病害圖像的顏色與形狀特征對(duì)甘蔗苗期赤腐病和環(huán)斑病進(jìn)行診斷[4]，湖南農(nóng)業(yè)大學(xué)的曹樂平等采用圖像的傅里葉頻譜對(duì)椪柑果實(shí)病蟲害進(jìn)行識(shí)別[5]。此類智能診斷模型在理論研究和實(shí)際應(yīng)用中都取得很大成功，但這種淺層學(xué)習(xí)由于在理論分析上的局限，以及網(wǎng)絡(luò)模型訓(xùn)練過程中需要特定的技巧和許多人工經(jīng)驗(yàn)知識(shí)，在很多情況下導(dǎo)致診斷效果并不是最優(yōu)。

目前深度學(xué)習(xí)成為最炙手可熱的研究熱點(diǎn)。2015年5月，Yann LeCun、Yoshua Bengio和Geoffrey Hinton三位在深度學(xué)習(xí)領(lǐng)域最有影響力的科學(xué)家在《Nature》雜志上發(fā)表的Deep learning文章，對(duì)深度學(xué)習(xí)的基本原理和核心優(yōu)勢(shì)進(jìn)行了綜述，指出深度學(xué)習(xí)正在取得重大進(jìn)展，解決了人工智能界很多年沒有進(jìn)展的問題，將來深度學(xué)習(xí)會(huì)取得更多成功[6]。因此一些學(xué)者開始研究深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)工程領(lǐng)域的應(yīng)用。如Oquab[7]等利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)病害圖像進(jìn)行表示。譚文學(xué)等[8]將深度學(xué)習(xí)應(yīng)用于果蔬果體病理的識(shí)別中，識(shí)別率高達(dá)98.2%。張帥等[9]將深度學(xué)習(xí)應(yīng)用于植物葉片的識(shí)別研究中，取得了更高的葉片圖像識(shí)別率。這些方法和技術(shù)，在一定程度上提高了診斷精度，但是很難把這些技術(shù)應(yīng)用于診斷作物的其它病害或者其它作物病害。

關(guān)于深度學(xué)習(xí)技術(shù)在水稻病害診斷識(shí)別中的應(yīng)用還未見報(bào)道?；谏疃葘W(xué)習(xí)在圖像識(shí)別、目標(biāo)識(shí)別方面取得的巨大成功，在水稻稻瘟病識(shí)別診斷中引入深度學(xué)習(xí)是可行的。本文將利用softmax深度分類器識(shí)別水稻病害圖像，從中獲取更有效的特征信息用于識(shí)別稻瘟病，從而提高識(shí)別效果和診斷效率，為模式識(shí)別、計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)技術(shù)在農(nóng)業(yè)工程領(lǐng)域中的應(yīng)用開辟出一片天地。

本文基于Matlab深度學(xué)習(xí)DeepLearnToolbox平臺(tái)，研究基于深度學(xué)習(xí)理論的水稻稻瘟病圖像識(shí)別與診斷關(guān)鍵技術(shù)。研究目標(biāo)是應(yīng)用softmax深度回歸分類器對(duì)水稻稻瘟病進(jìn)行智能診斷識(shí)別。具體研究過程包括數(shù)據(jù)預(yù)處理，softmax深度回歸分類模型構(gòu)建及算法驗(yàn)證及性能分析等。

2 數(shù)據(jù)預(yù)處理

2.1 水稻病害圖像的采集

在自然光照條件下，使用佳能EOS 5D Mark III數(shù)碼相機(jī)獲取北方寒地水稻稻瘟病圖像。這些水稻病害圖片針對(duì)不同的前期、中期及晚期分別采集，每種病害采集10幅圖像，共采集100幅圖像，每幅圖像采用jpg格式存儲(chǔ)，每個(gè)圖像大小為32×32像素，采集的原始水稻病害樣例圖像如圖1所示。

圖1 水稻稻瘟病病害圖像

2.2 水稻稻瘟病病害圖像中值濾波

中值濾波以某個(gè)像素為中心點(diǎn)的方形鄰域內(nèi)對(duì)鄰域像素的灰度值進(jìn)行排序，取其中間值作為中心點(diǎn)像素灰度的新值，從而對(duì)圖像進(jìn)行平滑去噪。其可表示為：

本實(shí)驗(yàn)中，窗口大小取為[5,5]，濾波后的水稻稻瘟病圖像如圖2所示。

圖2 中值濾波后的水稻稻瘟病病害圖像

2.3 水稻稻瘟病病斑特征提取

使用最大類間方差值（Otsu）[10]病斑檢測(cè)方法，提取出水稻稻瘟病害圖片中包含的病斑信息，Otsu算法步驟如下：

設(shè)圖像包含L個(gè)灰度級(jí)(0，1，……L-1)，灰度值為的象素點(diǎn)數(shù)為Ni，圖像總的象素點(diǎn)數(shù)為N=N0+N1……NL-1?；叶戎禐?的點(diǎn)的概率為：P(i)=N(i)/N。

門限t將整幅圖像分為暗區(qū)C1和亮區(qū)C2兩類，則類間方差δ是t的函數(shù)：

使用Otsu算法對(duì)水稻稻瘟病病斑提取的效果如圖3所示。

圖3 提取的水稻稻瘟病病斑圖像

2.4 softmax深度回歸分類器

Softmax深度回歸器主要用于多類別標(biāo)簽分類問題，其在MNIST手寫數(shù)字分類問題取得巨大成功[11]。Softmax回歸分類器基本思想為：

計(jì)算其偏導(dǎo)數(shù)

水稻稻瘟病診斷識(shí)別，實(shí)質(zhì)上是對(duì)k種類型的稻瘟病病害進(jìn)行識(shí)別。本實(shí)驗(yàn)中，僅對(duì)北方寒地水稻急性型、慢性型及白點(diǎn)型三種不同類型水稻稻瘟病進(jìn)行診斷，因此使用類別數(shù)k=3的softmax回歸。

3 實(shí)驗(yàn)與分析

本文的仿真實(shí)驗(yàn)在Intel Core(TM)i7-7820的CPU上進(jìn)行，主頻為3.6GHz，內(nèi)存為16GB。Softmax深度回歸分類器搭建在Matlab DeepLearnToolbox上，softmax回歸分類器的訓(xùn)練以及整體測(cè)試過程在Matlab平臺(tái)上進(jìn)行。

定義好softmax回歸網(wǎng)絡(luò)參數(shù)后，從建立的水稻病害圖像數(shù)據(jù)庫(kù)中隨機(jī)選取70%樣本來訓(xùn)練softmax回歸分類器，剩余的30%用于模型驗(yàn)證，使用的圖片尺寸為32×32像素，采用10重交叉驗(yàn)證方法，水稻稻瘟病病害識(shí)別結(jié)果如表1所示。從表中可以看出softmax深度回歸分類模型對(duì)水稻稻瘟病病害平均識(shí)別率達(dá)到95.2%，而SVM方法與BP方法的識(shí)別率分別為85.3%和91.3%，結(jié)果表明softmax深度回歸分類方法針對(duì)水稻稻瘟病病害的識(shí)別準(zhǔn)確率比較高。

表1 水稻稻瘟病病害識(shí)別結(jié)果Tab.1 Rice blast disease recognition results

4 結(jié)語

本文針對(duì)水稻稻瘟病急性型、慢性型及白點(diǎn)型三種病害，采用中值濾波方法和Otsu圖像分割進(jìn)行圖像預(yù)處理，建立水稻病斑圖像數(shù)據(jù)庫(kù)。基于softmaxt深度回歸分類方法研究了水稻稻瘟病病害的識(shí)別技術(shù)，通過10重交叉驗(yàn)證的方法平均識(shí)別率達(dá)到95.2%，結(jié)果表明取得了較好的識(shí)別效果，為softmax深度回歸分類在作物病害識(shí)別診斷領(lǐng)域奠定了基礎(chǔ)。

[1]宋成艷,王桂玲,李立軍,等.寒地水稻主栽品種稻瘟病流行規(guī)律[J].植物保護(hù),2014,40(3):94-100.

[1]石鳳梅，趙開才，孟慶林，等.基于支持向量機(jī)的水稻稻瘟病圖像分割研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，44(2)：128-137.

[3]楊昕薇，譚峰.基于貝葉斯分類器的水稻病害識(shí)別處理的研究[J].黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2012，24(3)：64-67

[4]趙進(jìn)輝，羅錫文，周志艷.基于顏色與形狀特征的甘蔗病害圖像分割方法[J]，農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39(9):100-103.

[5]溫芝元，曹樂平.椪柑果實(shí)病蟲害的傅里葉頻譜重分形圖像識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，vol.29，No.23，159-165.

[6] Yann LeCun,Yoshua Bengio and Geoffrey Hinton. Deep learning[J].Nature.2015,521:436-444.

[7] Oquab M,Bottou L,Laptev I,et al.Learning and transferring mid-level image representations using convolutional neural networks[C]//Computer Vision and Pattern Recognition (CVPR),2014 IEEE Conference on.IEEE,2014:1717-1724.

[8]譚文學(xué),趙春江,吳華瑞,等.基于彈性動(dòng)量深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的果體病理圖像識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(1):20-25.

[9]張帥,淮永建.基于分層卷積深度學(xué)習(xí)系統(tǒng)的植物葉片識(shí)別研究[J].北京林業(yè)大學(xué)學(xué)報(bào),2016,38(9):108-115.

[10]申鉉京,劉翔,陳海鵬.基于多閾值Otsu準(zhǔn)則的閾值分割快速計(jì)算[J].電子與信息學(xué)報(bào)，2017，vol.39，No.1，144-149.[11] Y.LeCun,L.Bottou,Y.Bengio,and P.Haffner.Gradientbased learning applied to document recognition,Proceedings of the IEEE,86(11):2278-2324,November 1998.

S435.111.41 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1009-5624（2018）01-0209-03

中國(guó)博士后科學(xué)基金面上項(xiàng)目（2016M591560）；黑龍江省政府博士后資助經(jīng)費(fèi)（LBH-Z15185）；大慶市指導(dǎo)性科技計(jì)劃項(xiàng)目（zd-2016-011）；黑龍江八一農(nóng)墾大學(xué)校內(nèi)培育課題資助計(jì)劃（XA2016-05）；黑龍江八一農(nóng)墾大學(xué)博士科研啟動(dòng)基金（XDB2014-12）；黑龍江八一農(nóng)墾大學(xué)博士后專項(xiàng)資助經(jīng)費(fèi)；黑龍江省網(wǎng)絡(luò)化與智能控制重點(diǎn)實(shí)驗(yàn)室專項(xiàng)資助經(jīng)費(fèi)。

張楠（1976-），男，黑龍江大慶人，講師，研究方向：水稻病害信息智能處理技術(shù)；

路陽（1976-），男，黑龍江雙城人，副教授，研究方向：復(fù)雜系統(tǒng)智能故障診斷及模式識(shí)別技術(shù)。