基于Faster R-CNN 的馬鈴薯晚疫病圖像識別系統(tǒng)

陳子康 ，王慶輝 ，李彥磊

（河北科技大學(xué)，河北 石家莊 050000）

1 國內(nèi)馬鈴薯現(xiàn)狀

馬鈴薯傳播到我國已經(jīng)有數(shù)百年歷史，如今它已經(jīng)成為了我國第四大栽培作物。據(jù)統(tǒng)計，中國馬鈴薯2020 年播種面積在8 000萬畝（1畝≈667m2，下同）以上，近20年其種植面積的年增長率高達(dá)4%[1]。但隨著馬鈴薯為我國帶來豐富經(jīng)濟效益的同時，馬鈴薯的頭號“殺手”晚疫病也逐漸流行起來。這種病的流行性很強，造成的危害也很嚴(yán)重，在生長的過程中，一個季節(jié)就可能造成多次感染。我國薯農(nóng)們對于晚疫病的識別方法主要還是依靠自身經(jīng)驗等傳統(tǒng)識別方法，準(zhǔn)確率較低，所以，能夠?qū)⑸疃葘W(xué)習(xí)領(lǐng)域較為先進的技術(shù)與傳統(tǒng)的農(nóng)業(yè)領(lǐng)域相融合十分有必要。深度學(xué)習(xí)是計算機視覺中很重要的一部分，該技術(shù)是通過模擬人的大腦的神經(jīng)網(wǎng)絡(luò)進而提取各個圖像中的特征數(shù)據(jù)，然后挖掘出圖像中所需檢測目標(biāo)的深層次特征，從而更精確地識別新的目標(biāo)圖像。本研究引入當(dāng)前深度學(xué)習(xí)中的Faster R-CNN目標(biāo)檢測技術(shù)來進行馬鈴薯晚疫病的圖像識別，引用該技術(shù)可提高薯農(nóng)們對于晚疫病識別的準(zhǔn)確率，同時也可降低薯農(nóng)的入行門檻。

2 馬鈴薯晚疫病特點

當(dāng)天氣潮濕的時候，晚疫病通常發(fā)生在馬鈴薯的葉尖與塊莖上，患病處呈現(xiàn)斑點狀。馬鈴薯晚疫病的致病菌大都以菌絲體的形式寄居在馬鈴薯中，當(dāng)將這種帶有細(xì)菌的馬鈴薯種植下去后，這種帶菌的馬鈴薯不會發(fā)芽或者長出芽后就死亡，最嚴(yán)重的是該馬鈴薯出土后長成病株，該病株會產(chǎn)生孢子囊，通過空氣進行傳播，進而形成發(fā)病中心，這會導(dǎo)致晚疫病由點到面，嚴(yán)重擴散。該孢子囊在下雨的時候還會被雨水帶到泥土中，進而感染其他健康的馬鈴薯，可以稱為“馬鈴薯中的傳染病”，病情嚴(yán)重的時候，病斑會延伸到主脈或者葉柄，造成葉片萎蔫并且下垂，最后會導(dǎo)致整株植物焦黑濕爛。當(dāng)天氣干燥的時候，病斑將會變成褐色，不產(chǎn)生霉菌環(huán)。當(dāng)塊莖被侵染的時候，會形成褐色的或者紫褐色的不規(guī)則的斑點，造成輕微的下沉。病斑之下的果肉壞死部分呈褐色，顏色深度不等，病薯通常由于受到細(xì)菌的侵染而軟腐[2]。

3 國內(nèi)研究現(xiàn)狀

我國相對于國外發(fā)達(dá)國家的對農(nóng)作物病害的檢測研究開始時間起步稍微晚一些，國內(nèi)的研究大致21世紀(jì)才開始，研究的幾年來也在這方面有了不小的進展。

我國傳統(tǒng)的馬鈴薯葉片病害研究通過使用OpenCV 技術(shù)對圖像進行了灰度、二值化、去噪、直方圖等圖像的預(yù)處理操作，然后進一步使用滑動窗口在病害圖像之中獲取需要的特征值。還有使用遺傳算法對特征進行特征選擇，得到最優(yōu)特征子集，并使用決策樹Decision Tree，SVM，KNN，隨機森林、高斯貝葉斯、邏輯回歸分類算法對馬鈴薯的病蟲害進行識別，得出識別結(jié)果。還有根據(jù)馬鈴薯葉片晚疫病的顏色、質(zhì)地和形狀的不同特征，提取葉片病灶區(qū)域的特征參數(shù)，并建立數(shù)學(xué)模型對病害進行評估。他們通過圖像收集系統(tǒng)來采集一些馬鈴薯的圖像信息，收集的圖像通過中值濾波算法來進行預(yù)先處理，消除了噪聲干擾，同時保留了更完整的葉色信息，使用GrabCut算法從靜態(tài)圖像中取出前景物體，計算量很大，但結(jié)果通常很精確，并提取馬鈴薯葉片的圖像。通過使用OpenCV 的二值化函數(shù)threshold 來進行圖像二值化，這樣獲得病理信息的特征[3]。在RGB 和HSV顏色空間中，根據(jù)馬鈴薯葉片病害早期葉片顏色的變化，利用顏色特征建立了馬鈴薯晚疫病無病模型。對于基于形狀特征的識別，利用形狀特征的相對特征，判斷是否為晚疫病。

4 理論基礎(chǔ)

R-CNN是一個用來做目標(biāo)檢測和語義分割的神經(jīng)網(wǎng)絡(luò)（圖1），每層會進行以下幾個操作：

1）用Selective Searoh主成Region Proposal；

2）每個Region進行resize，輸入CNN提取導(dǎo)長特征向量；

3）用線性SVM分類(classification)；

4）Bonding box regression。

Fast R-CNN是卷積神經(jīng)網(wǎng)絡(luò)R-CNN的改良，F(xiàn)ast RCNN和RCNN相比，訓(xùn)練速度大幅減少，有以下操作：

1）用Selective Search 生成Region Proposal；

2）整張圖像輸CNN，獲取feature map，每個Region 利用RoI pooling提取長特征；

3）進行softmax分類與bbox regression（多任務(wù)）。

5 項目實施

圖2 番茄晚疫病

圖3 馬鈴薯晚疫病

通過番茄晚疫病葉 片數(shù)據(jù)集訓(xùn)練好的模型權(quán)重去訓(xùn)練我們自己的模型權(quán)重(馬鈴薯晚疫病葉片)，如圖2、圖3 所示。其中，番茄模型作為數(shù)據(jù)集的預(yù)訓(xùn)練權(quán)重，而馬鈴薯就是將要用來分辨出馬鈴薯晚疫病的預(yù)訓(xùn)練權(quán)重。想要使用其他任務(wù)的訓(xùn)練權(quán)重，在進行優(yōu)化的過程中，最重要的一個問題是如何選擇較為合適的學(xué)習(xí)率。將神經(jīng)網(wǎng)絡(luò)分成了3塊內(nèi)容，分別是輸入層、隱含層和輸出層，層數(shù)越多我們的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的特征將越抽象，于是，將卷積層與連接層的學(xué)習(xí)率做成了不一樣的。卷積層的學(xué)習(xí)率會設(shè)計得較低一些，而連接層的學(xué)習(xí)率設(shè)計得較為高一點。

將數(shù)據(jù)集進行了數(shù)據(jù)增強，通過對數(shù)據(jù)進行旋轉(zhuǎn)、翻轉(zhuǎn)、鏡像、高斯模糊、銳度、亮度值和對比度調(diào)整、人為增加噪聲等技術(shù)將少量的樣本生成了更多的樣本，如圖4所示。還通過強化學(xué)習(xí)增強樣本，將圖片變個方向或者兩張隨機拼接在一起生成新的圖片，使樣本在原有數(shù)量下能夠訓(xùn)練更多的次數(shù)，大大提高了樣本豐富性，但缺點是需要一個預(yù)訓(xùn)練好的強化學(xué)習(xí)模型。

對Faster R-CNN 的超參數(shù)進行了一定的微調(diào)，剛開始訓(xùn)練的時候，設(shè)置了比較高一點的學(xué)習(xí)率以便系統(tǒng)能夠跳出局部最優(yōu)點，通過構(gòu)建函數(shù)使得程序能夠隨著epoch的增大去慢慢降低學(xué)習(xí)率。通過EarlyStopping 函數(shù)來解決模型過擬合的問題。當(dāng)驗證集的準(zhǔn)確率不再上升時，訓(xùn)練將會自動停止。

圖4 馬鈴薯葉片的旋轉(zhuǎn)與鏡像

圖5 遷移學(xué)習(xí)

6 結(jié)語

本系統(tǒng)基于Faster R-CNN 算法，使用Django 發(fā)布到Ubuntu服務(wù)器，利用手機獲取和上傳馬鈴薯葉面病害圖像，根據(jù)每一種病的不同，將數(shù)據(jù)集進行了分類，在圖像預(yù)處理的過程中，對圖像進行了數(shù)據(jù)增強，利用卷積神經(jīng)網(wǎng)絡(luò)對馬鈴薯葉片進行了特征提取，進而對馬鈴薯葉片的圖片做出判斷[4]。設(shè)計的目的就是為了以馬鈴薯晚疫病為切入點，獲得馬鈴薯葉片的圖片信息判斷病害與否，以實現(xiàn)病斑顯現(xiàn)時的準(zhǔn)確識別，做到早期預(yù)防，從而減少因晚疫病造成的馬鈴薯減產(chǎn)損失，為薯農(nóng)帶來一定的收益。