基于深度信念網(wǎng)絡的水稻紋枯病識別方法研究

郭 丹，路 陽，李建寧，姜 峰，李愛傳

(1.黑龍江八一農(nóng)墾大學 電氣與信息學院,黑龍江 大慶 163319；2.雞西市公安局，黑龍江 雞西 158100)

0 引言

水稻是我國重要的糧食和經(jīng)濟作物，北方種植面積巨大。近年來，水稻紋枯病的危害日趨嚴重，導致水稻無法抽穗，秕谷增加，千粒質量下降，產(chǎn)量降低，嚴重時可造成減產(chǎn)15%以上[1]。水稻紋枯病在水稻生長的各個時期都可能出現(xiàn)，但在預防及防治問題上，如何高效、智能地對紋枯病進行自動識別是個難題。目前，識別水稻是否發(fā)生病害主要依靠水稻植保專家。專家首先需要到田間使用肉眼判斷葉片是否出現(xiàn)暗綠色水浸小斑點，然后以水稻病蟲害防治彩色圖譜為依據(jù)，最終依據(jù)比對結果來確定病害類型及程度。由于水稻植保專家數(shù)量嚴重不足，使得這種識別方法效率低，而且專家主觀性強，容易出現(xiàn)診斷偏差[2]。

近年來，隨著深度學習研究的深入，深度信念網(wǎng)絡(Deep Belief Network,DBN)快速發(fā)展，有很多學者利用深度信念網(wǎng)絡研究圖像識別、語音識別、人臉識別及植物葉片分類等。南京農(nóng)業(yè)大學的盧偉等提出基于深度信念網(wǎng)絡對稻種發(fā)芽率進行檢測的一種方法[3]。Fatahi等[4]提出一個基于深度信念網(wǎng)絡改進的人臉識別系統(tǒng)，通過改變自身的網(wǎng)絡結構組成元件和調整模型參數(shù)來提高分類識別率[5]。目前，有很多學者研究利用機器學習與模式識別等技術對水稻紋枯病進行檢測和識別。中國農(nóng)業(yè)科學院蜜蜂研究所的劉婷婷等[6]及中國科學院合肥智能機械研究所的袁媛等利用支持向量機實現(xiàn)了水稻紋枯病自動識別與診斷[7]；北京林業(yè)大學的劉念用深度信念網(wǎng)絡來對植物的葉片進行識別[8]。

深度信念網(wǎng)絡由多個受限玻爾茲曼機(Restricted Boltzmann Machine，RBM)組成，主要用作圖像或聲音等對象的識別與分類。相比傳統(tǒng)神經(jīng)網(wǎng)絡方法，其最大優(yōu)勢是可以直接對原始圖像進行仿真識別，不需要對樣本進行人工標簽。它是一種多層的網(wǎng)絡結構，為原始圖像的特征提取和后續(xù)圖像的識別提供了基礎模型[9]。在網(wǎng)絡中，訓練是逐層次的，訓練步驟一般分為逐層貪心的訓練和參數(shù)優(yōu)化微調的過程。

目前，使用深度信念網(wǎng)絡方法對水稻紋枯病進行識別還未見報道。關于植物葉片病害識別和分類方面，基于卷積神經(jīng)網(wǎng)絡方法已取得了較大的成果。Brahimi等[10]利用深度學習模型CaffeNet對植物葉片進行識別；DeChant Chad等[11]利用深度學習對北方受葉枯病侵害的玉米植株進行自動識別；馬苗等使用深度信念網(wǎng)絡方法對手勢圖像進行識別，取得了很好的效果[13]。因此，采用深度信念網(wǎng)絡對水稻紋枯病進行識別診斷是可以實現(xiàn)的。本文將采用深度信念網(wǎng)絡對水稻紋枯病的圖像進行識別，進而提高識別效果和診斷效率，為準確識別水稻紋枯病害奠定基礎。

本文基于MatLab 2016a深度學習工具箱DeepLearning Toolbox平臺，構建深度信念網(wǎng)絡模型，研究基于深度信念網(wǎng)絡理論的水稻紋枯病圖像自動診斷識別，具體研究過程包括水稻紋枯病害圖像預處理、深度信念網(wǎng)絡模型構建及訓練、實驗對比分析等。

1 數(shù)據(jù)預處理

1.1 水稻病害圖像的采集

在自然光照條件下，使用華為P10Plus手機(EMUI 8.0兼容Android 8.0操作系統(tǒng)，2 000萬黑白+1 200萬彩色雙攝像頭)獲取北方寒地水稻紋枯病圖像。將手機的后置攝像頭放在準備拍攝距離紋枯病病葉適中的距離且圖像清晰的環(huán)境下完成采集。手機拍攝的照片像素是3 840×5 120。水稻病害圖像的采集分別在水稻的前期、中期和末期進行，每個時期每種病害分別采集50幅圖像，共采集1 500幅圖像，每幅圖像采用JPG格式存儲且剪輯壓縮成統(tǒng)一的大小。采集的原始水稻紋枯病病害樣例圖像如圖1所示。

圖1 水稻紋枯病病害圖像

1.2 高斯濾波對水稻紋枯病的預處理

圖2 高斯濾波后的水稻紋枯病病害圖像

1.3 紋枯病病斑特征的提取

使用Sobel算子邊緣檢測方法來提取出水稻紋枯病的病害圖片中所包含的病斑信息，算法步驟描述如下:Sobel算子的方向模板包含了兩組3×3的矩陣，即水平方向和垂直方向的兩組矩陣。其中，Gx表示垂直方向梯度，檢測水平邊緣；Gy表示水平方向梯度，檢測垂直邊緣。

若有連續(xù)的圖像函數(shù)，式(1)表示圖像函數(shù)在點處的梯度向量；式(2)表示梯度幅度；式(3)表示為了簡化計算，使用絕對值來表示梯度幅度；式(4)表示梯度的方向[14]。

(1)

(2)

|G(x,y)|=|Gx|+|Gy|

(3)

(4)

檢測過程中，首先將兩組矩陣與紋枯病的圖像中任何一個像素重合，并沿其圖像像素進行移動；再將兩組矩陣中的系數(shù)與紋枯病的圖像的像素點進行卷積運算，用兩個卷積的最大值代替紋枯病圖像中間位置的像素點，將其用作該像素點的灰度值；最后取合適的閾值TH，假如新的灰度值≥TH，就認為該像素點為邊緣點。即它是以3×3鄰域內(nèi)的中心像素點為中心，對一些離散的圖像進行鄰域平均或加權平均，進而對圖像的邊緣點進行檢測。使用Sobel算子邊緣檢測方法對水稻紋枯病病斑提取的結果如圖3所示。

圖3 水稻紋枯病病斑圖像的提取

2 深度信念網(wǎng)絡

深度信念網(wǎng)絡(DBN)主要用于識別和分類。DBN的基本思想為：深度信念網(wǎng)絡由一系列受限玻爾茲曼機(RBM)單元組成[15]。設輸入層節(jié)點的數(shù)目為m，隱含層節(jié)點的數(shù)目為n，設計的網(wǎng)絡模型如圖4所示。受限玻爾茲曼機的能量函數(shù)為

假設歸一化因子Z(θ)=∑v,he-E(v·h/θ)，v表示輸入層的所有結點，h表示隱含層的所有結點，進而估算出隱含層被開啟的概率為

圖4 DBN結構圖

圖5 訓練性能曲線

3 實驗與分析

本文深度信念網(wǎng)絡搭建在DeepLearning Toolbox上，其訓練及整體測試過程均在MatLab平臺上進行。定義好深度信念網(wǎng)絡的各項參數(shù)為：受限玻爾茲曼機隱含層和輸出層神經(jīng)元個數(shù)為dbn.sizes=[25,25]，隨機樣本數(shù)量每批次為opt.batchsize=50，學習速率為opt.alpha=1，權值和偏置為0到1之間隨機數(shù)。使用上述參數(shù)構建深度信念網(wǎng)絡后，訓練時選取60%的水稻紋枯病病害圖像為訓練樣本，其余的40%用于模型驗證。采用7重交叉驗證方法，水稻紋枯病病害的識別結果如表1所示。由表1可以看出：深度信念網(wǎng)絡對水稻紋枯病病害平均識別率達到94.05%，運行時間為72ms，而BP方法與SVM方法的平均識別率都低于深度信念網(wǎng)絡，運行時間都高于深度信念網(wǎng)絡。結果表明：深度信念網(wǎng)絡方法針對水稻紋枯病病害的平均識別準確率優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡和SVM。當取樣本為100張圖片時，使用DBN、BP、SVM等3種方法進行訓練，得出的誤差曲線如圖6所示。由圖6可以看出：DBN的誤差率是最小且最穩(wěn)定。

表1 水稻紋枯病病害的識別Table 1 Rice sheath blight disease of recognition

圖6 誤差曲線分析圖

4 結論

基于深度信念網(wǎng)絡對水稻紋枯病進行自動識別。首先采用高斯濾波方法和Sobel算子邊緣檢測算法對水稻紋枯病病害圖像進行預處理操作，建立了水稻紋枯病病斑圖像數(shù)據(jù)庫；然后，構建和訓練了深度信念網(wǎng)絡模型對水稻紋枯病病害進行識別，通過7重交叉驗證，平均識別率達到94.05%。通過與傳統(tǒng)的BP神經(jīng)網(wǎng)絡和支持向量機識別方法對比，結果表明：本文采用的方法在對水稻紋枯病病害識別方面取得了較好的效果，為深度信念網(wǎng)絡在農(nóng)作物病害的識別診斷方面打下了良好的基礎。