改進BP神經(jīng)網(wǎng)絡(luò)和特征提取的黃瓜病害識別研究

劉坤 劉娜 張娜 師亞楠

摘 要：快速、準確地識別黃瓜病害類型，制定防治方案并采取相關(guān)措施，是保障黃瓜良好生長的前提條件。為此，該研究提出采用隨機梯度下降法的改進BP神經(jīng)網(wǎng)絡(luò)結(jié)合顏色特征和紋理特征的方法對黃瓜葉病害進行識別。首先，對采集的已歸檔分類后黃瓜的3種病害圖像進行尺寸歸一化和數(shù)據(jù)增強等預(yù)處理，其次，通過分析選擇RGB圖像的R分量、灰度共生矩陣的對比度、熵和能量作為特征提取參數(shù);再次，構(gòu)建改進的BP網(wǎng)絡(luò)，運用提取到的特征參數(shù)對黃瓜病害葉片進行分類識別。結(jié)果表明，采用該方法黃瓜葉病害的識別率可達91.33%，說明該方法能較好地識別病害，具有較好的魯棒性。

關(guān)鍵詞：黃瓜葉病害;圖像識別;改進BP神經(jīng)網(wǎng)絡(luò);顏色特征;紋理特征

中圖分類號 TP391.41 文獻標識碼 A 文章編號 1007-7731（2022）03-0119-04

Abstract： Rapid and accurate identification of cucumber disease types， making control plans and taking relevant measures are the prerequisite for ensuring the good growth of cucumber.Therefore， an improved BP neural network based on stochastic gradient descent method combined with color and texture features was proposed to recognize cucumber leaf diseases. Firstly， the three kinds of archived and classified cucumber disease images were pre-processed by size normalization and data enhancement. Secondly， the R component of RGB image， the contrast， entropy and energy of gray co-occurrence matrix were selected as the feature extraction parameters through analysis. Finally， the improved BP network was constructed. The extracted characteristic parameters were used to classify and identify cucumber disease leaves.The experimental results showed that the recognition rate of cucumber leaf diseases could reach 91.33%， and the method could recognize cucumber leaf diseases well and had good robustness.The experimental results showed that the recognition rate of cucumber leaf diseases could reach 91.33%， and the method could recognize cucumber leaf diseases well and had good robustness.The experimental results showed that the recognition rate of cucumber leaf diseases could reach 91.33%， and the method could recognize cucumber leaf diseases well and had good robustness.

Key words： Cucumber leaf disease; Image recognition; Improved BP Neural Network; Color features; Texture feature

黃瓜是廣受歡迎的蔬菜品種之一，但多種黃瓜病害影響著其產(chǎn)量和質(zhì)量[1]，常見的黃瓜病害有霜霉病、白粉病、褐斑病等[2]。只有準確、快速地識別黃瓜病害類型，采取相關(guān)防治措施才能保障其良好生長，因此精準識別黃瓜病害非常重要。不同黃瓜病害的葉片形狀、紋理及顏色不盡相同[3-4]。胡敏等提出選取出黃瓜葉病害的顏色和紋理作為特征，對病害進行分類識別，采用支持向量機的方法，識別率達94.11%[5]。冀曉麗提出支持向量機的方法對白粉病斑進行分割、特征提取及識別，識別率達93.75%[6]。謝澤奇等提出顏色特征和屬性簡約算法相結(jié)合的病害葉片識別方法，識別率達92%[7]。

基于深度學(xué)習(xí)的特征提取與識別方法廣受關(guān)注，深度學(xué)習(xí)已被廣泛應(yīng)用于農(nóng)作物病害識別中[8]。Sharada P.Mohanty對公共數(shù)據(jù)集中的圖片進行識別，采用AlexNet和GoogLeNet網(wǎng)絡(luò)模型，其中包括38個類別的14種植物以及26種病害，取得了較為理想的識別效果，最高識別精度可達99.35%[9]。Amara等、Jihen等采用LeNet神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)模型對香蕉葉片的幾種病蟲害進行了分類識別[10-11]。

基于此，本研究提出基于改進BP神經(jīng)網(wǎng)絡(luò)和特征提取的黃瓜病害識別。首先，采集黃瓜葉霜霉病、白粉病和褐斑病等病蟲害葉片進行歸檔分類，再進行圖像預(yù)處理;其次，提取其顏色特征參數(shù)和紋理特征參數(shù);再次，對黃瓜病害進行分類識別采用改進的BP神經(jīng)網(wǎng)絡(luò)。與傳統(tǒng)圖像處理相比，該方法所需時間短、識別率高且識別魯棒性強[12-13]。

1 黃瓜葉病害圖像特征提取

本研究是基于改進BP神經(jīng)網(wǎng)絡(luò)與特征提取的黃瓜葉病害識別，其原理如圖1所示。

1.1 黃瓜葉病蟲害圖像的數(shù)據(jù)建立 病蟲害的圖像一般是經(jīng)過對專門培養(yǎng)的獲病植物進行拍照搜集，從而得到具有特征的病蟲害圖像。本次實驗的圖像均來自互聯(lián)網(wǎng)上所提供的圖片數(shù)據(jù)庫，選取黃瓜葉霜霉病、白粉病和褐斑病等病蟲害葉片共600張圖片用作實驗數(shù)據(jù)。對這些圖像進行歸檔分類，完成病蟲害圖像數(shù)據(jù)庫的建立。圖2為選取的黃瓜葉3種病害圖片。

1.2 黃瓜葉病蟲害圖像的預(yù)處理 由于從網(wǎng)絡(luò)上采集到的黃瓜葉病害圖像大小不一，為了后期實驗效果更好，對所有圖像尺寸進行歸一化;又由于在拍攝圖像時光照、角度等的影響，圖像質(zhì)量不一，對圖像進行數(shù)據(jù)增強及去噪處理，為后面特征的提取需對圖像進行閾值分割及形態(tài)學(xué)處理，其原理框圖如圖3所示。

2 黃瓜葉病蟲害圖像特征提取

2.1 顏色特征提取 顏色特征描述的是圖像區(qū)域表面特征的全局特征[14]。從圖2可以看出：黃瓜的3種病害葉片的顏色互不相同，因此可以選擇顏色為判斷依據(jù)之一，選用RGB顏色空間中的R、G、B3個分量均值作為顏色特征參數(shù)。

提取顏色特征值的過程如下：（1）隨機選擇25張黃瓜葉白粉病、褐斑病和霜霉病圖像;（2）對選取的原始圖像分別進行預(yù)處理：圖像增強和平滑處理;（3）在MATLAB中進行仿真，求出所選圖片R、G、B分量的均值;（4）將R、G、B的分量值作為顏色特征值，畫出散點圖，如圖4所示。

從圖4（a）、（b）、（c）圖對比得出：3種病害的RGB分量均有部分重疊，但大致可以區(qū)分3種病害，紅色分量最為明顯，當R<120，該病被判為白粉病;當120140，該病被判為霜霉病。但單靠顏色特征參數(shù)并不能準確地判斷病害種類，還需通過其他特征參數(shù)來提高識別率。

2.2 紋理特征提取 紋理是圖像的重要特征之一，紋理特征的分析方法有：灰度直方圖和灰度共生矩陣，本文采用灰度共生矩陣來提取參數(shù)。灰度共生矩陣是指灰度的空間相關(guān)特性來分析紋理特征?；叶裙采仃嚾缡剑?）所示：

隨機選取25幅黃瓜葉白粉病、褐斑病和霜霉病圖像，根據(jù)（2）～（6）式計算出其特征參數(shù)值，其結(jié)果如表1所示。根據(jù)計算出的5個紋理特征值，畫出散點圖，其結(jié)果如圖5所示。

從圖5（a）、（b）、（c）、（d）、（e）圖對比得出：有的特征值并不能較好地區(qū)分病害種類。為了提高系統(tǒng)的識別率，本文通過觀察篩選出對比度、熵、能量等3個值作為識別的特征參數(shù)。

3 基于改進BP神經(jīng)網(wǎng)絡(luò)的黃瓜病害識別

BP神經(jīng)網(wǎng)絡(luò)是由輸入層、隱層和輸出層組成的前饋網(wǎng)絡(luò)，各層神經(jīng)元之間通過權(quán)值和閾值連接，通過不斷地調(diào)整權(quán)值和閾值，使得輸出和期望值的誤差達到最小[14]。傳統(tǒng)BP算法采用最大梯度下降法，易陷入局部極小值、收斂慢等缺點。而采用隨機梯度下降法的改進BP神經(jīng)網(wǎng)絡(luò)，輸入樣本隨機選取，該算法充分體現(xiàn)了隨機性[15]。因此，本文選擇改進BP神經(jīng)網(wǎng)絡(luò)對黃瓜病害進行分類識別。

3.1 改進BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計 根據(jù)黃瓜3種病害的特點來設(shè)計網(wǎng)絡(luò)模型。

3.1.1 輸入層節(jié)點 將輸入層的節(jié)點設(shè)為紅色（R）均值和對比度、熵值、能量4個特征參數(shù)，它們可以體現(xiàn)出黃瓜病害區(qū)域的顏色和紋理特征。

3.1.2 隱層節(jié)點 隱層節(jié)點數(shù)由經(jīng)驗公式（7）確定[14]：

式中：[m]是隱層節(jié)點個數(shù)，[n]為輸入層節(jié)點個數(shù)，[l]為輸出層節(jié)點個數(shù)，[α]為1～10任意常數(shù)。不斷調(diào)整[α]的值確定隱層節(jié)點數(shù)。

3.1.3 輸出層節(jié)點 輸出層節(jié)點數(shù)=目標類別數(shù)，由于研究的是黃瓜3種病害，因此輸出層數(shù)目為3。

3.2 改進BP神經(jīng)網(wǎng)絡(luò)算法 改進BP神經(jīng)網(wǎng)絡(luò)算法的步驟如下[15]：

（1）初始化：權(quán)值矩陣V、W給一個隨機數(shù)，樣本計數(shù)器[P]和訓(xùn)練計數(shù)器[q]設(shè)為[l]，設(shè)定誤差函數(shù)[E=0]，給定訓(xùn)練精度[Emin]為一個（0，1]區(qū)間內(nèi)的正小數(shù);

（2）對權(quán)值矩陣給予一個權(quán)值調(diào)整量[ΔW];

（3）輸入黃瓜的3種病害圖像訓(xùn)練樣本，隨機選擇樣本計算隱層、輸出層各單元的輸出;

（4）計算神經(jīng)網(wǎng)絡(luò)的輸出誤差，設(shè)有P對黃瓜病害圖像訓(xùn)練樣本，網(wǎng)絡(luò)對不同的樣本有不同的誤差[EP]如式（8）所示，網(wǎng)絡(luò)總誤差[ERME]式（9）所示。

（5）若[ERME]值減小了，則計算權(quán)值調(diào)整量來對權(quán)值進行調(diào)整;否則，返回步驟（2），給予新的權(quán)值調(diào)整量[-ΔW];

（6）檢查是否所有的樣本都訓(xùn)練完成，若[p<P]，返回步驟（2），否則轉(zhuǎn)到步驟（5）;

（7）判斷[ERME]有沒有達到精度要求，若[ERMF<Emin]或循環(huán)次數(shù)為設(shè)置的最大值，則結(jié)束，否則返回步驟（2）。

4 結(jié)果分析

本實驗環(huán)境是在PC機上進行，操作系統(tǒng)為Windows10，硬件處理器CPU為Intel Core i7-7700hq，系統(tǒng)內(nèi)存為8GB，選用顯卡為GTX 1060，MATLAB軟件為2020b版本。

在訓(xùn)練中，從之前建立好的數(shù)據(jù)庫中隨機選取黃瓜葉霜霉病、白粉病和褐斑病圖像各150幅、共計45幅圖像樣本作為訓(xùn)練集，其余的作為測試集。設(shè)[循環(huán)次數(shù)][=1000]，[Emin=0.01]，[初始化步長=0.05]，[學(xué)習(xí)速率=0.02]，當訓(xùn)練次數(shù)達到1000或[ERME<0.01]時停止訓(xùn)練。神經(jīng)網(wǎng)絡(luò)在經(jīng)過78次訓(xùn)練后，網(wǎng)絡(luò)誤差達到預(yù)期值，網(wǎng)絡(luò)誤差的變化曲線如圖6所示。

在訓(xùn)練之后，對采集到的150個樣本圖像進行測試，黃瓜3種病害識別率可達90%～94%。具體的識別結(jié)果如表2所示。

5 結(jié)論

本研究提出改進的BP神經(jīng)網(wǎng)絡(luò)結(jié)合特征提取的方法對黃瓜葉病害進行識別。根據(jù)需要建立黃瓜葉病害的圖像數(shù)據(jù)庫，選取了黃瓜葉霜霉病、白粉病和褐斑病等病蟲害葉片共600幅圖像用作實驗數(shù)據(jù)，首先，對其進行預(yù)處理，如：尺寸歸一化、數(shù)據(jù)增強、去噪、閾值分割及形態(tài)學(xué)處理等操作;其次，進行特征提取，選擇RGB圖像的R分量為顏色特征參數(shù)，灰度共生矩陣的對比度、熵和能量為紋理特征參數(shù);再次，構(gòu)建采用隨機梯度下降法的改進BP網(wǎng)絡(luò)模型，運用提取到的特征參數(shù)對黃瓜葉片進行分類識別。實驗結(jié)果表明，采用該方法黃瓜葉病害的識別率可達91.33%，具有較高的準確性，能夠完成對病害的識別，可為農(nóng)作物病蟲害防治提供有力保障，對于發(fā)展精準農(nóng)業(yè)、現(xiàn)代化農(nóng)業(yè)具有重要意義。

參考文獻

[1]顧大路，王偉中，孫愛俠，等.不同輪作模式對日光溫室黃瓜生長的影響[J].江蘇農(nóng)業(yè)學(xué)報，2016，32（04）：874-878.

[2]張善文，謝澤奇，張晴晴.卷積神經(jīng)網(wǎng)絡(luò)在黃瓜葉部病害識別中的應(yīng)用[J].江蘇農(nóng)業(yè)學(xué)報，2018，34（1）：56-61.

[3]WEI Y，CHANG R，WANG Y，et al. A study of image processing on identifying cucumber disease[C]//Springer Berlin Heidelberg：Computer and Computing Technologies in Agriculture.2012：201-209.

[4]賈建楠，吉海彥.基于病斑形狀和神經(jīng)網(wǎng)絡(luò)的黃瓜病害識別[J].農(nóng)業(yè)工程學(xué)報，2013，29（S1）：115-121.

[5]胡敏，陳紅波，許良鳳等.基于顏色和紋理特征的黃瓜病害識別算法[J].電子測量與儀器學(xué)報，2015，29（07）：970-977.

[6]冀曉麗.基于支持向量機的黃瓜葉部白粉病害檢測[D].哈爾濱：東北大學(xué)，2014.

[7]謝澤奇，張會敏，張善文，等.基于顏色特征和屬性約簡的黃瓜病害識別方法[J].江蘇農(nóng)業(yè)學(xué)報，2015，31（3）：526-530.

[8]JEON W S，RHEE S Y. Plant leaf recognition using a convolutionneural network[J]. International Journal of Fuzzy Logic & Intelli-gent Systems，2017，17（1）：26-34.

[9]Mohanty Sharada P，Hughes David P，Salathé Marcel.Using Deep Learning for Image-Based Plant Disease Detection[J].Frontiers in plant science，2016（7）：55-58.

[10]Amara，Bouaziz，Algergawy.A deep learning-based approach for banana leafdiseases classification[C]//In：Datenbanksysteme Fr Business，Technologie Und Web.2017：79-88.

[11]Jihen A，Bassem B，Alsayed A.A deep learning-based approach for banana leaf disease classification[C]//Gesellschaft fur Informatik，Bonn：Lecture Notes in Informatics.2017：79-88.

[12]黃雙萍，孫超，齊龍，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測方法[J].農(nóng)業(yè)工程學(xué)報，2017，33（20）：169-176.

[13]史冰瑩，李佳琦，張磊，等.基于CNN的農(nóng)作物病蟲害圖像識別模型[J].計算機系統(tǒng)應(yīng)用，2020，29（6）：89-96.

[14]陳玉坤，管會生，周磊，等.基于BP神經(jīng)網(wǎng)絡(luò)的盤形滾刀磨損預(yù)測研究[J].現(xiàn)代隧道技術(shù)：2021，58（03）：1-8.

[15]劉路.改進的BP神經(jīng)網(wǎng)絡(luò)在車輛目標識別中的應(yīng)用研究[J].機電工程技術(shù)，2021，50（04）：192-195.

（責(zé)編：張宏民）

3437500338275