基于卷積神經網絡的水稻紋枯病圖像識別

劉婷婷 王婷 胡林

?

基于卷積神經網絡的水稻紋枯病圖像識別

劉婷婷 王婷 胡林*

(農業(yè)部農業(yè)大數據重點實驗室/中國農業(yè)科學院 農業(yè)信息研究所，北京 100081；*通訊聯(lián)系人，E-mail: hulin@caas.cn)

【目的】水稻紋枯病是影響水稻生產的三大病害之一。研究卷積神經網絡對水稻紋枯病的自動識別，彌補人工識別的不足，對預防和準確識別水稻蚊枯病類型有著重要意義?！痉椒ā恳跃矸e神經網絡進行水稻紋枯病識別，并與基于支持向量機的識別方法進行對比。【結果】卷積神經網絡識別率達到97%，優(yōu)于支持向量機的95%。【結論】卷積神經網絡運用于水稻紋枯病識別是可行的，彌補了人工識別的不足。此算法訓練的模型有著較好的識別性能。

水稻紋枯??；卷積神經網絡；分類識別

水稻紋枯病是影響北方水稻生產的三大主要病害之一[1]，目前該病已在水稻種植國家普遍發(fā)生，一般導致減產10%~30%，嚴重時可達50%[2]。近20年來，我國北方稻區(qū)紋枯病發(fā)生頻率所造損失已超稻瘟病，成為我國糧食安全的重大威脅。我國是農業(yè)大國，隨著生活水平的提高，人們對農產品的品質要求也越來越高。水稻病害是直接影響水稻產量的重要因素。在實際生產中，農民主要依據自身經驗，憑感覺地對水稻病害進行診斷。雖然這也取得了一定的水稻病害防治效果，但由于農民對水稻病害識別能力有限．通過肉眼識別病害，往往此時水稻的病害程度已比較嚴重。這樣就不能做到及時防治和“對癥下藥”，造成農藥使用量大、藥效低、成本高的惡果，對環(huán)境和水稻質量安全造成了嚴重影響。因此，傳統(tǒng)的水稻病害檢測方法不僅費時費力，還會嚴重影響病害預報的準確率。計算機圖像處理和識別技術的發(fā)展給水稻的病害準確識別帶來了可能。

利用模式識別技術對農作物病害進行識別，是目前植物病害識別的研究趨勢。20世紀70年代，國外對農作物病害的圖像識別研究興起。1973年，印度用紅外航空遙感拍攝了孟買附近的稻田照片，當時大部分稻谷已成熟，綠色稻谷呈深紅色，成熟的黃色稻谷呈黃綠色，而感染了白葉枯病的黃色稻谷則呈黑色，通過紅外遙感可以探測水稻白葉枯病[3]。1999年，Sasaki Y等[4]研究了黃瓜炭疽病的圖像自動識別，采用遺傳算法研究不同的分光反射特性和光學濾波對病害識別的影響，從分光反射特性和形狀特性的角度建立了識別參數，對病害進行了識別；由于未充分利用病害的顏色及紋理信息，因此識別精度不高。2000年，Gassoumi H等[5]對棉花害蟲分類，利用人工神經網絡，通過模糊控制方法創(chuàng)建自適應神經模糊控制系統(tǒng)，建立一套自動棉花害蟲田間管理系統(tǒng)。國內相關的研究于2000年興起。陳佳娟等[6]使用計算機視覺技術，根據棉花葉片的孔洞及葉片邊緣的殘缺，來測定棉花蟲害的受害程度，此算法應用局部門限法完成圖像與背景的分離,使用高斯拉普拉斯算子進行棉花圖像的邊緣檢測；用邊緣跟蹤算法確定棉葉上的孔洞；利用膨脹算法確定葉片邊緣的殘缺，該方法可有效測定棉花蟲害的受害程度。2003年，徐貴力等[7]在無土栽培番茄缺乏營養(yǎng)元素識別研究中，針對如何提取缺素葉片紋理特征問題，提出差分百分率直方圖法，原理是特征有效性不受葉片形狀差異、大小和葉片圖像中葉片周邊白色背景的影響，該方法能較好地提取出缺素葉片紋理特征。田有文等[8,9]應用支持向量機分類方法研究了黃瓜、玉米病害的識別問題,取得了良好的識別效果。2012年，張健華等[10]基于bp神經網絡研究了棉花病害識別問題。2014年王獻鋒等[11]提取葉片病斑顏色、形狀、紋理等特征，結合環(huán)境信息，利用判別分析法，識別黃瓜病斑類別。以上研究都是基于提取植物特征再基于傳統(tǒng)識別算法對病害進行識別，但是病害葉片不一定出現(xiàn)病變，即使出現(xiàn)病變，病斑也可能出現(xiàn)粉狀物，這樣分割病害圖像時存在困難，降低識別的效果。因此，這些算法局限于對植物葉片病害的識別。Rumelhart等[12]提出了后向傳播(Back Propagation，BP)算法，使得神經網絡的訓練變得簡單可行。卷積神經網絡(Convolutional Neural Networks, CNN)在20世紀80年代提出[13]，Lecun等[14]最早將CNN用于手寫數字識別。近年來CNN已成功用于人臉識別、語音識別、自然語言處理、醫(yī)學圖像等領域[15-25]，無論是精度方面還是速度方面都要優(yōu)于傳統(tǒng)算法。CNN常見模型有Lenet[26]、Alexnet[27, 28]、Googlelenet[29, 30]、Vggnet[31, 32]、Resnet[33, 34]、Network in Network[35, 36]。支持向量機是由Vapnik領導的AT&T Bell實驗室研究小組在1995年提出的一種新的非常有潛力的分類技術[37]。SVM基于統(tǒng)計學習理論的模式，主要應用于模式識別領域。SVM兼顧訓練誤差和泛化能力，在解決小樣本、非線性、高維數、局部極小值等問題的模式識別問題中表現(xiàn)出許多特有的優(yōu)勢[38]，并能夠推廣應用到函數擬合等其他機器學習問題中。在使用支持向量機（SVM）算法識別水稻病害前，先需要對病害圖像進行分割，并提取病害特征。對病害圖像分割主要是將圖像劃分為各自不同的簇區(qū)域，使得每個區(qū)域的像素均具有相似的灰度值，然而聚類區(qū)域的劃分和每個聚類區(qū)域內像素對聚類中心的隸屬度是研究的難點[39]。

本研究提出的識別算法基于卷積神經網絡，不依賴于植物病害的特定特征，以提高對水稻紋枯病識別的效率和準確率。

1 材料與方法

1.1 數據的采集與處理

本研究中，在自然光照下拍攝水稻紋枯病發(fā)病和健康圖片各100張，以.jpg格式保存。將圖像在不損害圖片完整性的前提下，裁減為227×227像素。

1.2 實驗方法

1.2.1 卷積神經網絡

本研究使用AlexNet網絡模型，這是由Krizhevsky等在2012年建立的[30]。AlexNet模型共有5個卷積層，3個全連接層，前兩個卷積層和第5個卷積層有池化層，其他兩個卷積層沒有池化。

雖然AlexNet網絡都用圖1的結構來表示，但是本研究輸入圖像的尺寸不是224×224×3，而應該是227×227×3，原因是227可以整除后面的conv1計算，224不整除。

圖1 Alexnet網絡結構流程[27]

Fig. 1. An illustration of the architecture of Alexnet[27].

與傳統(tǒng)的CNN相比，AlexNet模型采用ReLU代替飽和非線性函數，降低模型的計算復雜度，提升訓練速度；通過隨機失活正則化(dropout)技術在訓練過程中將中間層的部分神經元置0，模型減少了全連接層的過擬合。

1.2.2 支持向量機(SVW)

支持向量機(SVM)是由Vapnik領導的AT&T Bell實驗室研究小組在1995年提出的一種新的非常有潛力的分類技術[37]。SVM兼顧訓練誤差和泛化能力，在解決小樣本、非線性、高維數、局部極小值等問題的模式識別問題中表現(xiàn)出許多特有的優(yōu)勢[38]，并能夠推廣應用到函數擬合等其他機器學習問題中。

本研究使用模糊C均值聚類算法[39]進行病害特征分割，對分割得到的病害圖像進行特征提取，分別提取顏色特征、紋理特征、形狀特征。顏色特征采用HSI和RGB兩種顏色空間，共提取RGB的值圖像直接獲取，HSI值由RGB轉化。

灰度共生矩陣的紋理特征分析方法是統(tǒng)計方法的典型代表。Gotlieb 和 Kreyszig 等[40]在研究共生矩陣中各種統(tǒng)計特征基礎上，通過實驗，得出灰度共生矩陣的四個關鍵特征：能量、慣量、相關性和熵。

形狀特征采用矩特征。矩特征主要表征了圖像區(qū)域的幾何特征,又稱為幾何矩。由于其具有旋轉、平移、尺度等特性的不變特征，所以又稱其為不變矩。利用歸一化中心矩，可以獲得對平移、縮放、鏡像和旋轉都不敏感的7個不變矩[41]。

本研究根據主成分分析算法將分類貢獻度超過90%的特征作為支持向量機的輸入向量；以病害圖片和健康圖片形成輸入癥狀集和輸出結果；利用SVM對樣本進行訓練，最后進行測試。

2 結果與分析

2.1 Alexnet網絡

CNN算法采用Alexnet模型，5個卷積層，3個全連接層，前兩個卷積層和第5個卷積層有pool池化層，其他兩個卷積層沒有池化。每層處理流程如下：

表1 識別算法結果對照

表2 識別算法結果方差分析

表3 識別算法結果無重復雙因素分析

根據表3中的行的>臨界值,并且>0.01，<0.05；識別算法結果CNN結果和SVM結果差異顯著。

Given>crit and>0.01,<0.05; the result of the recognition algorithm CNN and the result of the SVW are significantly different.

第一層(卷積層)流程為卷積→ReLU→池化→歸一化；第二層(卷積層)流程為卷積→ReLU→池化→歸一化；第三層(卷積層)流程為卷積→ReLU；第四層(卷積層)流程為卷積→ReLU；第五層(卷積層)流程為卷積→ReLU→池化；第六層(全連接層)流程為卷積(全連接)→ReLU→Dropout；第七層(全連接層)流程為：全連接→ReLU→Dropout；第八層(全連接層)流程為全連接。

SVM算法通過提取出的分類貢獻度超過90%的8個特征分別是紋理特征的熵，形狀特征的矩形度、形狀參數、不變矩3，不變矩4，不變矩5，不變矩6，不變矩7作為支持向量機的輸入向量。

本研究用水稻紋枯病圖片和健康水稻圖片各100幅進行CNN算法和SVM算法的訓練和識別。將圖片分為5組，每一次用一組20張水稻紋枯病圖片和20張健康水稻圖片作為測試圖片，其余160張圖片作為訓練圖片；一共實驗五次，全部圖片都作為測試及訓練圖片一遍，計算平均正確識別率。由表1可知CNN算法優(yōu)于SVM算法；對識別算法的識別率進行方差分析，如表2所示；再通過無重復雙因素分析可判斷出CNN算法和SVM算法識別率有顯著差異，即CNN算法顯著優(yōu)于SVM算法，識別結果如表3所示。

3 討論

水稻病害的識別是農業(yè)信息的重要研究領域，提升病害的自動識別能力對病害防治、糧食增產有著重要作用。

運用SVM等傳統(tǒng)識別算法水稻病害的識別，識別前的需要分割病害圖像、提取特征，因此對病害圖片要求苛刻。本研究實現(xiàn)了用卷積神經網絡對水稻紋枯病的識別，算法比傳統(tǒng)識別算法準確率、效率均有所提高。

為達到推廣應用的效果，未來的研究方向：1)豐富樣本量，豐富不同病害及同一病害不同發(fā)病時期的圖像樣本；提升獲取圖像的能力，結合網絡、遙感、地理信息系統(tǒng)等技術，建立豐富的圖像數據庫。2)在水稻整個生長期，根、莖、葉、穗各部位都有可能發(fā)病，且病害表征有所不同，所以需要優(yōu)化算法，達到對多種病害高效率高準確率的識別。

通過計算機圖像識別技術快速識別出病害，即可最大限度減少農民損失，也同時為精準施藥提供支持，減少環(huán)境污染。本研究針對水稻紋枯病，提出一種基于CNN識別算法，對病害圖像的識別率達到97%，優(yōu)于SVM對病害圖像的識別率95%。

[1] 桑海旭, 王井士, 劉郁, 李運動, 馬曉慧, 劉志恒. 水稻紋枯病對水稻產量及米質的影響. 北方水稻, 2013, 43(1): 10-13.

Sang H X, Wang J S, Liu Y,Li Y D, Ma X H, Liu Z H. The effect of rice sheath blight on yield and quality., 2013, 43(1): 10-13. (in Chinese)

[2] 李雪婷, 徐夢亞, 鄭少兵, 孫正祥, 周燚. 水稻紋枯病研究進展. 長江大學學報: 自然科學版, 2017, 14(14): 15-18.

Li X T, Xu M Y, Zheng S B, Sun Z X, Zhou Y. Research progress in rice sheath blight.:, 2017, 14(14): 15-18. (in Chinese with English abstract).

[3] 路桂珍, 楊秀軍. 應用紅外遙感技術監(jiān)測植物病蟲害.紅外技術, 1990, 12(2): 18-21．

Lu G Z, Yang X J. Application of infrared remote sensing technology in monitoring plant diseases and insect pests., 1990, 12(2): 18-21. (in Chinese with English abstract).

[4] Sasaki Y, Kamoto T O. Automatic diagnosis of plant disease., 1999, 61(2): 119-126．

[5] Gassoumi H, Prasad N R, Ellington J J. Neural network-based approach for insect classification in cotton ecosystems. Bangkok, Thailand: International Conference on Intelligent Technologies (InTech 2000), 2000, 7．

[6] 陳佳娟, 趙學篤. 采用計算機視覺進行棉花蟲害程度的自動測試. 農業(yè)工程報, 2001, 17(2): 157-160．

Chen J J, Zhao X D. Automatic measurement of danger degree of cotton insect pests using computer vision., 2001, 17(2): 157-160. (in Chinese with English abstract)

[7] 徐貴力, 毛罕平, 李萍萍. 差分百分率直方圖法提取缺素葉片紋理特征. 農業(yè)機械學報, 2003, 34(2): 76-79．

Xu G L, Mao H P, Li P P. Research on extraction leaf texture features as sample of nutrient shortage by percent histogram of differentiation., 2003, 34(2): 76-79.(in Chinese with English abstract)

[8] 田有文, 張長水, 李成華. 基于支持向量機和色度矩的植物病害識別研究. 農業(yè)機械學報, 2004, 35(3): 95-98.

Tian Y W, Zhang C S, Li C H. Study on plant disease recognition using support vector machine and chromaticity moments., 2004, 35(3): 95-98. (in Chinese with English abstract)

[9] 田有文, 李成華. 基于圖像處理的日光溫室黃瓜病害識別的研究. 農機化研究, 2006(2): 151-153．

Tian Y W, Li C H. Research on recognition of cucumber disease based on image processing in sunlight greenhouse, 2006(2): 151-153. (in Chinese with English abstract)

[10] 張建華, 祁力鈞, 冀榮華, 王虎, 黃士凱, 王沛. 基于粗糙集和BP神經網絡的棉花病害識別. 農業(yè)工程學報, 2012, 28(7): 161-167.

Zhang J H, Qi L J, Ji R H, Wang H, Huang S K, Wang P. Cotton diseases identification based on rough sets and BP neural network., 2012, 28(7): 161-167. (in Chinese with English abstract)

[11] 王獻鋒, 張善文, 王震, 張強. 基于葉片圖像和環(huán)境信息的黃瓜病害識別方法.農業(yè)工程學報, 2014, 30(14): 148-153.

Wang X F, Zhang S W, Wang Z, Zhang Q. Recognition of cucumber diseases based on leaf image and environmental information., 2014, 30(14): 148-153. (in Chinese with English abstract)

[12] Rumelhart D E, Hinton G E, Williams R J. Learning internal representations by error propagation. DTIC Document, 1985.

[13] Lecun Y, Boser B, Denker J S, Henderson D, Howard R E, Hubbard W, Jackel L D. Backprogation applied to handwritten zip code recognition., 1989, 1(4): 541-551.

[14] Lecun Y, Bottou L, Bengio Y, Haffner P.Gradient-based learning applied to document recognition., 1998, 86(11): 2278-2324.

[15] Abhishek S, Nasser K. A convolutional neural network smartphone app for real-time voice activity detection., 2018, 6: 9017-9026.

[16] Wang P, Xu B, Xu J M, Tian G H, Liu C L, Hao H W. Semantic expansion using word embedding clustering and convolutional neural network for improving short text classification., 2016, 174: 806-814.

[17] Zhao M, Li H, Shi X, Chan Y, Luo X, Li T. Automated recognition of zygote cytoplasmic area (ZCA) in time-lapse imaging (TLI) based on deep convolutional neural network (CNN)., 2017, 108(3): 239.

[18] Tung T S, Lee G. Language identification in handwritten words using a convolutional neural network., 2017, 13(3): 38-42.

[19] Shi B G, Bai X, Yao C. Script identification in the wild via discriminative convolutional neural network., 2016, 52: 448-458.

[20] Syafeeza A R, Mohamed K H, Rabia B. Finger-vein biometric identification using convolutional neural network., 2016, 24: 1863-1878.

[21] Peng M, Wang C Y, Chen T, Liu G Y. NIRFaceNet: A convolutional neural network for near-infrared face identification., 2016, 7(4): 61.

[22] Jorden H, Victoria L, Vit G K, Purang A, Robert R. SLIDE: automatic spine level identification system using a deep convolutional neural network., 2017, 12(7): 1189-1198.

[23] Zhang W, Du Y H, Taketoshi Y, Wang Q. DRI-RCNN: An approach to deceptive review identification using recurrent convolutional neural network., 2018, 54(4): 576-592.

[24] Lee S J, Yun J P, Koo G, Kim S W. End-to-end recognition of slab identification numbers using a deep convolutional neural network., 2017, 132: 1-10.

[25] Zhang Y Y, Zhao D, Sun J D, Zou G F, Li W T. Adaptive convolutional neural network and its application in face recognition., 2016, 43(2): 389-399.

[26] Lecun Y, Bottou L, Bengio Y, Haffner P. Gradient-based learning applied to document recognition., 1998, 86(11): 2278-2324.

[27] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks. Proceedings of the Advances in Nerural Information Processing System., US: 2012: 1097-1105.

[28] Han X B, Zhong Y F, Cao L Q, Zhang L P. Pre-trained alexnet architecture with pyramid pooling and supervision for high spatial resolution remote sensing image scene classification., 2017, 9(8): 848.

[29] Szegedy C, Liu W, Jia Y Q, Sermanet P, Reed S, Anguelov D, Erhan D, Vanhoucke V, Rabinovich A. Going deeper with convolutions. Boston MA, USA: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015.

[30] Mostafa M G, Berrin Y, Erchan A. Plant identification using deep neural networks via optimization of transfer learning parameters., 2017, 235: 228-235.

[31] Simonyan Karen,Zisserman. Very Deep Convolutional Networks for Large-Scale Image Recognition., 2015.

[32] Wang H Y, He Z S, Huang Y W, Chen D D, Zhou Z X. Bodhisattva head images modeling style recognition of Dazu Rock Carvings based on deep convolutional network., 2017, 27: 60-71.

[33] He K M, Zhang X Y, Ren S Q, Sun J. Deep residual learning for image recognition. Las Vegas, NV, USA: 2016 IEEE Conference on Computer Vision and Pattern Recognition(CVPR), 2016: 770-778.

[34] Sun W F, Yao B, Chen B Q, He Y C, Cao X C, Zhou T X, Liu H G. Noncontact surface roughness estimation using 2D complex wavelet enhanced resnet for intelligent evaluation of milled metal surface quality., 2018, 8(3): 381.

[35] Pang Y W, Sun M L, Jiang X H, Li X L. Convolution in Convolution for Network in Network., 2018, 29(5): 1587-1597.

[36] Chen Y, Yang X N, Zhong B N, Zhang H Z, Lin C L. Network in network based weakly supervised learning for visual tracking., 2016, 37: 3-13.

[37] Vladimir N. Vapnik. Statistical learning theory. A Wiley- Interscience Publication John wiley &son INC, 1998.

[38] 顧亞祥, 丁世飛. 支持向量機研究進展. 計算機科學, 2011, 38(2): 14-17.

Gu Y X, Ding S F. Advances of support vector machines(SVM)., 2011, 38(2): 14-17. (in Chinese with English abstract)

[39] Gonzalez R C, Woods R E. Digital Image Processing. 4th edition. Pearson, 2017.

[40] Gotlieb C C, Kreyszig H E. Texture descriptors based on co-occurrence matrices., 1990, 51(1): 70-86.

[41] 毋媛媛, 刁智華, 王會丹, 趙明珍, 魏偉. 作物病害圖像形狀特征提取研究. 農機化研究, 2015, 37(1): 64-67.

Wu Y Y, Diao Z H, Wang H D, Zhao M Z, Wei W. Research on shape feature extraction of crop disease image., 2015, 37(1): 64-67. (in Chinese)

Recognition Algorithm Based on Convolutional Neural Network

LIU Tingting, WANG Ting, HU Lin*

(，,；*，:)

【Objective】Rice sheath blight is one of the three major diseases in rice production.The convolutional neural network which stands out for automatic identification of rice shealth blight can compensate for the lack of human identification. To solve this problem and prevent diseases deterioration, accurate identification of diseases types is of great significance.【Method】The convolutional neural network method was used to recognize rice sheath blight and compared with the recognition method based on support vector machine.【Result】The convolutional neural network method showed the recognition rate of 97%, better than that of support vector machine(95%).【Conclusion】The application of convolutional neural network to the identification of rice sheath blight is feasible and makes up for the lack of artificial recognition. The model trained by this algorithm has great recognition performance.

；convolutional neural network；classification and recognition

10.16819/j.1001-7216.2019.8051

S435.111.4+2; TB115.2

A

1001-7216(2019)01-0090-05

2018-04-23；

2018-10-16。

中國農業(yè)科學院基本科研業(yè)務費項目(Y2017LM07)；中國農業(yè)科學院農業(yè)信息研究所基本科研業(yè)務費項目(JBYW-AII-2017-32)。