基于熱紅外成像和機(jī)器學(xué)習(xí)的棉花黃萎病監(jiān)測(cè)技術(shù)研究

王 馳，張真煒，劉 洋，郭冰玉，陳 灝

（石河子大學(xué)信息科學(xué)與技術(shù)學(xué)院，新疆 石河子 832000）

1 課題的提出

棉花黃萎病危害棉花生產(chǎn)，其使得棉花容易減產(chǎn)甚至絕收[1]。目前，棉花黃萎病病害監(jiān)測(cè)主要依靠人工觀察棉花葉片，基于經(jīng)驗(yàn)監(jiān)測(cè)棉花是否出現(xiàn)黃萎病病變。傳統(tǒng)的監(jiān)測(cè)手段過(guò)度依賴人的主觀性，監(jiān)測(cè)效率低，費(fèi)時(shí)費(fèi)力。因此，為棉花黃萎病病害的發(fā)現(xiàn)提供一種更為準(zhǔn)確、實(shí)時(shí)的診斷措施具有重大意義。近年來(lái)，通過(guò)圖像處理和機(jī)器學(xué)習(xí)監(jiān)測(cè)植物病蟲(chóng)害已經(jīng)成為新的發(fā)展趨勢(shì)。本文采用基于機(jī)器學(xué)習(xí)分類方法，對(duì)比分析傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)效果，提出基于機(jī)器學(xué)習(xí)的圖像（RGB圖像和熱紅外圖像）融合判斷監(jiān)測(cè)棉花黃萎病的方案，為植物病蟲(chóng)害監(jiān)測(cè)領(lǐng)域提供寶貴的案例。

新疆是中國(guó)最大的產(chǎn)棉區(qū)。2020年新疆棉花的種植面積約占全國(guó)棉花種植總面積的78%，產(chǎn)量約占全國(guó)總產(chǎn)量的87%[2]。同時(shí)，在新疆地區(qū)，國(guó)家針對(duì)性實(shí)施棉花目標(biāo)價(jià)格補(bǔ)貼政策，這保障了棉農(nóng)的收益，調(diào)動(dòng)了棉農(nóng)的種植積極性，使得新疆棉花種植面積不斷擴(kuò)大。

棉花黃萎病是棉花生產(chǎn)的重大阻力，是棉花生育期間的“癌癥”[3]。在棉花的整個(gè)生育期內(nèi)都有可能被感染棉花黃萎病，七月中旬達(dá)到第一次發(fā)病高峰，八月底九月初到達(dá)一年之中的發(fā)病最高峰[4]。依據(jù)歷年棉花生產(chǎn)經(jīng)驗(yàn)，黃萎病對(duì)棉花的質(zhì)量和產(chǎn)量都造成極其嚴(yán)重的影響，一般導(dǎo)致棉花減產(chǎn)20%左右，而病變嚴(yán)重的棉田減產(chǎn)可達(dá)70%，甚至絕收[5]。

劉海洋等[6]研究表明，棉花黃萎病作為目前危害棉花生產(chǎn)最主要的病害，近年來(lái)，在新疆的發(fā)作呈現(xiàn)加重趨勢(shì)，到目前為止其已經(jīng)造成了巨大損失，必須要引起足夠的重視[7]。及時(shí)地發(fā)現(xiàn)感染黃萎病的植株，可以盡早進(jìn)行治療，防止病菌傳播和蔓延，防止棉花產(chǎn)量大規(guī)模減少[8]。

中國(guó)棉花黃萎病分類識(shí)別工作主要依靠人工完成，而人工分類局限性大、缺陷明顯，這對(duì)于棉花的最終產(chǎn)量有重大影響。利用計(jì)算機(jī)監(jiān)測(cè)棉花黃萎病，可以克服傳統(tǒng)人工分類方法過(guò)度依賴主觀性、易疲勞、費(fèi)時(shí)費(fèi)力等缺點(diǎn)，從而更好避免了棉花黃萎病的危害。

近年來(lái)，機(jī)器學(xué)習(xí)發(fā)展迅猛，應(yīng)用方面廣泛并取得突破性進(jìn)展。許多傳統(tǒng)業(yè)務(wù)因和深度學(xué)習(xí)的結(jié)合進(jìn)一步發(fā)展，不僅節(jié)省了人力物力，也提高了作業(yè)效率。現(xiàn)如今，通過(guò)機(jī)器學(xué)習(xí)算法將原本煩瑣的任務(wù)交由計(jì)算機(jī)處理已成為時(shí)代的趨勢(shì)。

因此，借助機(jī)器學(xué)習(xí)等新技術(shù)，研究一種切實(shí)可行、操作方便、探測(cè)準(zhǔn)確的棉花黃萎病病發(fā)狀況監(jiān)測(cè)技術(shù)，這對(duì)于提高新疆乃至全國(guó)棉花生產(chǎn)地區(qū)的棉花產(chǎn)量，具有重要意義。

2 國(guó)內(nèi)外研究現(xiàn)狀

2.1 國(guó)外研究現(xiàn)狀

TELLAECHE等[9]根據(jù)作物與雜草顏色不同的特點(diǎn)，實(shí)現(xiàn)了識(shí)別雜草，并在一定程度上消除了植物葉片重疊、不同相機(jī)的焦距、風(fēng)速不同等環(huán)節(jié)造成的影響，從而使圖像方法獲得較高的實(shí)用性；KⅠM等[10]在研究患灰霉病的紫薇葉片的數(shù)字紅外熱成像時(shí)，經(jīng)驗(yàn)證得出結(jié)論，數(shù)字化紅外熱像儀可以用來(lái)評(píng)估灰霉病對(duì)葉片溫度變化的影響，從而做到對(duì)灰霉病的有效檢測(cè)；JAFARⅠ等[11]在利用熱視覺(jué)檢測(cè)玫瑰白粉病和灰霉病前期癥狀的研究中發(fā)現(xiàn)利用熱成像技術(shù)可以對(duì)玫瑰白粉病和灰霉病進(jìn)行癥狀前檢測(cè)；CAMARGO等[12]構(gòu)建了一個(gè)機(jī)器視覺(jué)系統(tǒng)，利用彩色數(shù)字圖像對(duì)作物病害視覺(jué)特征進(jìn)行識(shí)別，從圖像中提取一系列的病害特征，將這些特征輸入到一個(gè)SVM分類器中，從而實(shí)現(xiàn)作物病害的識(shí)別。

2.2 國(guó)內(nèi)研究現(xiàn)狀

鄧?yán)^忠等[13]利用采集的小麥病害顯微圖像為研究對(duì)象，采用圖像分析、圖像識(shí)別技術(shù)對(duì)小麥的三類病害進(jìn)行識(shí)別；陳斌等[14]在利用紅外熱成像技術(shù)監(jiān)測(cè)植物病害的研究中證實(shí)紅外熱成像技術(shù)在檢測(cè)病害方面所具備的良好可行性；錢(qián)小燕等[15]為了增強(qiáng)融合效果，提高融合速度，提出了一種快速有效的紅外與可見(jiàn)光圖像融合算法，此算法獲得的生成融合圖像更加清晰、自然，速度更快、更簡(jiǎn)單；何永強(qiáng)等[16]結(jié)合紅外圖像和微光圖像各自的特點(diǎn)，利用小波圖像融合的方法把紅外圖像和微光圖像進(jìn)行融合，從大量的融合圖像中提取不同物體的紋理特征，提出了一種基于圖像融合的夜視圖像彩色化方法。

總之，農(nóng)作物病蟲(chóng)害識(shí)別方法的研究多在實(shí)驗(yàn)室環(huán)境中進(jìn)行，實(shí)驗(yàn)室中的環(huán)境單一、噪聲干擾較少，往往能夠取得較好的效果，而在實(shí)際的大田環(huán)境中，存在各種各樣的干擾。目前，沒(méi)有相關(guān)學(xué)者對(duì)棉花的熱成像特征進(jìn)行病害監(jiān)測(cè)，但是，已有相關(guān)學(xué)者在農(nóng)作物病蟲(chóng)害領(lǐng)域使用熱成像技術(shù)進(jìn)行研究[17]，也已有學(xué)者利用機(jī)器視覺(jué)對(duì)棉花的病蟲(chóng)害領(lǐng)域進(jìn)行研究[18]。在實(shí)際應(yīng)用中，存在著許多圖像融合算法，但并不都適用于紅外與可見(jiàn)圖像融合，因此需要根據(jù)項(xiàng)目實(shí)際選擇適合的圖像融合算法以滿足項(xiàng)目的需求。

3 感染棉花黃萎病分類識(shí)別方案

3.1 實(shí)驗(yàn)設(shè)計(jì)

棉花黃萎病的分類識(shí)別過(guò)程包括圖像數(shù)據(jù)的輸入、對(duì)圖像數(shù)據(jù)的預(yù)處理、對(duì)圖像數(shù)據(jù)進(jìn)行的提取、分類處理和輸出結(jié)果。具體流程如下。

第一，在生長(zhǎng)期間將部分棉花接種黃萎病，運(yùn)用Pro高性能機(jī)載熱紅外成像儀（Workswell公司，捷克）拍攝熱圖像圖片。設(shè)定鏡頭距離地面高度大于130 cm，用以確保圖像可以完整捕捉棉株單株。

第二，設(shè)立對(duì)照組和真菌接種組，通過(guò)對(duì)40株接種棉花黃萎病菌和40株未接種棉花黃萎病菌的棉花觀察，做圖像數(shù)據(jù)采集，從而建立棉花黃萎病樣本庫(kù)，并提取感興趣區(qū)，生成感興趣區(qū)的RGB圖像、紅外圖像和融合圖像。完成機(jī)器分類前的人工處理，建立了樣本庫(kù)與測(cè)試庫(kù)，便于之后的學(xué)習(xí)、測(cè)試。

第三，按照算法分析并計(jì)算棉花黃萎病的特征參數(shù)，得到從卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）輸出的分類器結(jié)果，按照結(jié)果，計(jì)算機(jī)進(jìn)行自動(dòng)分類，并輸出棉花黃萎病分類結(jié)果。

3.2 圖像數(shù)據(jù)采集

一般情況下，中紅外區(qū)是2.5～25 μm的紅外波段[19]。植被溫度與大氣溫度接近。雖然大氣溫度每天都有變化，但不同部位會(huì)有所不同。也就是說(shuō)，健康區(qū)域和不健康區(qū)域會(huì)有明顯差異[20]。因此可以利用中紅外熱成像技術(shù)獲取植株基于熱圖像特征的差異，從而形成對(duì)健康植株和不健康植株區(qū)分的分類依據(jù)。

在正式的采集前，先設(shè)立對(duì)照組和真菌接種組。接種一段時(shí)間后，使用Pro高性能機(jī)載熱紅外成像儀拍攝2組植株（對(duì)照組和真菌接種組）的熱圖像圖片。

3.3 圖像融合

紅外圖像具有全天候工作、抗干擾能力強(qiáng)的優(yōu)點(diǎn)，但是紅外圖像存在對(duì)比度低、清晰度低、可視性差、細(xì)節(jié)信息匱乏、對(duì)溫差敏感等缺點(diǎn)，使圖像中的目標(biāo)和場(chǎng)景難以識(shí)別、分析。因此，本文引入圖像融合。

圖像融合是將兩幅或多幅圖像利用特定的算法綜合成一幅新的圖像的方法。在進(jìn)行融合之前要事先經(jīng)過(guò)去噪、配準(zhǔn)等處理過(guò)程，然后在利用特定的算法對(duì)圖像進(jìn)行融合。

圖像融合的一般過(guò)程為特征提取、后期優(yōu)化和融合3個(gè)步驟。特征提取是通過(guò)數(shù)學(xué)模型，從源圖像中提取圖像特征的過(guò)程，一般包括圖像分割、特征表示和特征選擇3步。后期優(yōu)化是利用中心像素與鄰域內(nèi)像素的關(guān)系，對(duì)特征的優(yōu)化。最后，圖像融合是采用加權(quán)平均等規(guī)則完成圖像的合并。

3.4 模型搭建

3.4.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一類深度神經(jīng)網(wǎng)絡(luò)，其中包含卷積計(jì)算，是深度學(xué)習(xí)的代表算法之一[21-22]。CNN是為解決圖像識(shí)別問(wèn)題而專門(mén)設(shè)計(jì)的一種神經(jīng)網(wǎng)絡(luò)。在圖像處理的相關(guān)領(lǐng)域，CNN有十分出色的表現(xiàn)[23]。實(shí)質(zhì)上，CNN是一種由輸入到輸出的映射。CNN不需要任何確定的數(shù)學(xué)公式，而是通過(guò)大量的從輸入到輸出的映射關(guān)系的學(xué)習(xí)，從而獲得了從輸入到輸出的映射能力[24]。CNN應(yīng)用廣泛，其應(yīng)用領(lǐng)域涉及圖像和視頻的識(shí)別、圖像分類、圖像分割、醫(yī)學(xué)圖像分析、自然語(yǔ)言處理和推薦系統(tǒng)等[25]。

CNN一般由輸入層、隱含層和輸出層構(gòu)成，其中隱含層一般包含卷積層、池化層和全連接層[26]。CNN的分類處理過(guò)程可概括如下：首先進(jìn)行圖像數(shù)據(jù)獲取，并對(duì)圖像數(shù)據(jù)進(jìn)行簡(jiǎn)單的處理，如去噪等工作[27]。之后送入隱含層進(jìn)行卷積、池化的運(yùn)算。卷積層的功能是提取圖像特征，池化層的功能是對(duì)池化層的特征進(jìn)行選擇和過(guò)濾。在反復(fù)地進(jìn)行了卷積和池化的工作后，全連接層會(huì)將提取的特征進(jìn)行線性組合而后輸出結(jié)果。

3.4.2 優(yōu)化改進(jìn)

由于采用熱紅外成像技術(shù)獲取圖像數(shù)據(jù)，本文對(duì)卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)提出了一種新的設(shè)計(jì)方案，包含卷積核數(shù)量的更變、卷積層數(shù)、卷積核的尺寸、激活函數(shù)等內(nèi)容的優(yōu)化，并采用多輸入多輸出模型。

網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)完成之后，為了進(jìn)一步提高卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，降低損失度。建議采用多種改進(jìn)方法：①增加迭代次數(shù)。一個(gè)擁有大量數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)需要經(jīng)過(guò)多次的迭代才能取得良好的訓(xùn)練成效，獲得理想的訓(xùn)練成果，增加迭代次數(shù)，是直接提高穩(wěn)定性和準(zhǔn)確率的有效手段。②調(diào)整學(xué)習(xí)率。學(xué)習(xí)率決定了神經(jīng)網(wǎng)絡(luò)能否成功收斂到局部最小值。過(guò)高的學(xué)習(xí)率會(huì)使得神經(jīng)網(wǎng)絡(luò)跳過(guò)全局最小值，從而導(dǎo)致無(wú)法收斂。過(guò)低的學(xué)習(xí)率會(huì)增加花費(fèi)的時(shí)間，最優(yōu)的學(xué)習(xí)率能夠獲得高效而理想的局部最小值。③增加卷積神經(jīng)網(wǎng)絡(luò)的深度。通過(guò)增加神經(jīng)網(wǎng)絡(luò)的深度可以增加可學(xué)習(xí)參數(shù)的個(gè)數(shù)，從而使得神經(jīng)網(wǎng)絡(luò)的擬合能力提高，對(duì)于提高準(zhǔn)確率有一定的幫助。但同時(shí)注意，過(guò)高的深度一定程度上會(huì)導(dǎo)致過(guò)擬合。④數(shù)據(jù)增強(qiáng)。在不實(shí)質(zhì)性增加數(shù)據(jù)的前提下，對(duì)已有的數(shù)據(jù)集進(jìn)行改變，諸如翻轉(zhuǎn)、旋轉(zhuǎn)等，從而獲得增加數(shù)據(jù)的效果。在進(jìn)行數(shù)據(jù)增強(qiáng)后，使得增強(qiáng)后的數(shù)據(jù)集代表更為全面的數(shù)據(jù)集合，卷積神經(jīng)網(wǎng)絡(luò)因而可以從原始數(shù)據(jù)集提取更多的特征信息，從而防止過(guò)擬合現(xiàn)象。

4 結(jié)論

本文介紹了一種基于卷積神經(jīng)網(wǎng)絡(luò)的棉花黃萎病監(jiān)測(cè)方法，建立了CNN模型，在已有的比較成熟的算法上進(jìn)行測(cè)試，建立適合棉花黃萎病監(jiān)測(cè)的算法模型，最終獲得能夠成功辨識(shí)棉花是否感染黃萎病的成果。相較于傳統(tǒng)的人工監(jiān)測(cè)方法，該方法具有作業(yè)時(shí)間連續(xù)、效率高、準(zhǔn)確率高的特點(diǎn)，克服了傳統(tǒng)人工監(jiān)測(cè)方法費(fèi)時(shí)費(fèi)力、主觀性強(qiáng)的缺點(diǎn)。對(duì)于監(jiān)測(cè)棉花黃萎病，有著不可多得的優(yōu)勢(shì)。但該方法也有局限性，對(duì)于有著輕微感染情況的棉花植株，難以完全準(zhǔn)確地作出監(jiān)測(cè)判斷。在后續(xù)研究中，可以通過(guò)對(duì)算法的進(jìn)一步優(yōu)化來(lái)解決。