基于softmax的水稻稻瘟病識別方法研究

張 楠，路 陽（通訊作者），李 欣，韓正君，王洪生

（1黑龍江八一農墾大學 電氣與信息學院 黑龍江 大慶 163319）

（2中國移動北京公司 北京 100007）

（3昌吉職業技術學院 新疆 昌吉 831100）

基于softmax的水稻稻瘟病識別方法研究

張 楠1，路 陽1（通訊作者），李 欣2，韓正君2，王洪生3

（1黑龍江八一農墾大學 電氣與信息學院 黑龍江 大慶 163319）

（2中國移動北京公司 北京 100007）

（3昌吉職業技術學院 新疆 昌吉 831100）

為了實現水稻生長狀態的自動監測，提出一種基于softmax深度分類器的水稻稻瘟病識別方法。首先，利用中值濾波進行圖像預處理，然后采用最大類間方差值（Otsu）圖像分割算法提取病斑特征，最后利用softmax深度回歸分類器方法對水稻稻瘟病識別。通過10重交叉驗證測試，平均識別準確率達到95.2%，為水稻病害準確識別與防治提供了有效的技術支持。

softmax分類器；圖像識別；稻瘟病；深度學習

1 引言

稻瘟病是危害我國水稻生產的四大主要病害之一，在水稻整個生長期內均可發生，可引起大幅度減產。如何高效地對稻瘟病進行監控識別是水稻稻瘟病防治中的重要課題。目前，常見的識別方法是用肉眼判斷葉片是否出現褐色病斑，然后根據水稻病蟲害防治彩色圖譜確定病害的發病程度。這種識別方法效率低，主觀性強，容易出現診斷偏差[1]。

近年來，隨著機器學習技術、模式識別技術的快速發展，很多學者研究基于圖像處理技術和計算機視覺的作物病害診斷。黑龍江省農業科學院植物保護研究所孟慶林等利用支持向量機對水稻稻瘟病圖像識別[2]、黑龍江八一農墾大學譚峰等利用貝葉斯分類器對水稻稻瘟病、紋枯病和白葉枯病進行自動識別與診斷[3]。華南農業大學的羅錫文等基于甘蔗病害圖像的顏色與形狀特征對甘蔗苗期赤腐病和環斑病進行診斷[4]，湖南農業大學的曹樂平等采用圖像的傅里葉頻譜對椪柑果實病蟲害進行識別[5]。此類智能診斷模型在理論研究和實際應用中都取得很大成功，但這種淺層學習由于在理論分析上的局限，以及網絡模型訓練過程中需要特定的技巧和許多人工經驗知識，在很多情況下導致診斷效果并不是最優。

目前深度學習成為最炙手可熱的研究熱點。2015年5月，Yann LeCun、Yoshua Bengio和Geoffrey Hinton三位在深度學習領域最有影響力的科學家在《Nature》雜志上發表的Deep learning文章，對深度學習的基本原理和核心優勢進行了綜述，指出深度學習正在取得重大進展，解決了人工智能界很多年沒有進展的問題，將來深度學習會取得更多成功[6]。因此一些學者開始研究深度學習技術在農業工程領域的應用。如Oquab[7]等利用卷積神經網絡對病害圖像進行表示。譚文學等[8]將深度學習應用于果蔬果體病理的識別中，識別率高達98.2%。張帥等[9]將深度學習應用于植物葉片的識別研究中，取得了更高的葉片圖像識別率。這些方法和技術，在一定程度上提高了診斷精度，但是很難把這些技術應用于診斷作物的其它病害或者其它作物病害。

關于深度學習技術在水稻病害診斷識別中的應用還未見報道。基于深度學習在圖像識別、目標識別方面取得的巨大成功，在水稻稻瘟病識別診斷中引入深度學習是可行的。本文將利用softmax深度分類器識別水稻病害圖像，從中獲取更有效的特征信息用于識別稻瘟病，從而提高識別效果和診斷效率，為模式識別、計算機視覺和機器學習技術在農業工程領域中的應用開辟出一片天地。

本文基于Matlab深度學習DeepLearnToolbox平臺，研究基于深度學習理論的水稻稻瘟病圖像識別與診斷關鍵技術。研究目標是應用softmax深度回歸分類器對水稻稻瘟病進行智能診斷識別。具體研究過程包括數據預處理，softmax深度回歸分類模型構建及算法驗證及性能分析等。

2 數據預處理

2.1 水稻病害圖像的采集

在自然光照條件下，使用佳能EOS 5D Mark III數碼相機獲取北方寒地水稻稻瘟病圖像。這些水稻病害圖片針對不同的前期、中期及晚期分別采集，每種病害采集10幅圖像，共采集100幅圖像，每幅圖像采用jpg格式存儲，每個圖像大小為32×32像素，采集的原始水稻病害樣例圖像如圖1所示。

圖1 水稻稻瘟病病害圖像

2.2 水稻稻瘟病病害圖像中值濾波

中值濾波以某個像素為中心點的方形鄰域內對鄰域像素的灰度值進行排序，取其中間值作為中心點像素灰度的新值，從而對圖像進行平滑去噪。其可表示為：

本實驗中，窗口大小取為[5,5]，濾波后的水稻稻瘟病圖像如圖2所示。

圖2 中值濾波后的水稻稻瘟病病害圖像

2.3 水稻稻瘟病病斑特征提取

使用最大類間方差值（Otsu）[10]病斑檢測方法，提取出水稻稻瘟病害圖片中包含的病斑信息，Otsu算法步驟如下：

設圖像包含L個灰度級(0，1，……L-1)，灰度值為的象素點數為Ni，圖像總的象素點數為N=N0+N1……NL-1。灰度值為 的點的概率為：P(i)=N(i)/N。

門限t將整幅圖像分為暗區C1和亮區C2兩類，則類間方差δ是t的函數：

使用Otsu算法對水稻稻瘟病病斑提取的效果如圖3所示。

圖3 提取的水稻稻瘟病病斑圖像

2.4 softmax深度回歸分類器

Softmax深度回歸器主要用于多類別標簽分類問題，其在MNIST手寫數字分類問題取得巨大成功[11]。Softmax回歸分類器基本思想為：

計算其偏導數

水稻稻瘟病診斷識別，實質上是對k種類型的稻瘟病病害進行識別。本實驗中，僅對北方寒地水稻急性型、慢性型及白點型三種不同類型水稻稻瘟病進行診斷，因此使用類別數k=3的softmax回歸。

3 實驗與分析

本文的仿真實驗在Intel Core(TM)i7-7820的CPU上進行，主頻為3.6GHz，內存為16GB。Softmax深度回歸分類器搭建在Matlab DeepLearnToolbox上，softmax回歸分類器的訓練以及整體測試過程在Matlab平臺上進行。

定義好softmax回歸網絡參數后，從建立的水稻病害圖像數據庫中隨機選取70%樣本來訓練softmax回歸分類器，剩余的30%用于模型驗證，使用的圖片尺寸為32×32像素，采用10重交叉驗證方法，水稻稻瘟病病害識別結果如表1所示。從表中可以看出softmax深度回歸分類模型對水稻稻瘟病病害平均識別率達到95.2%，而SVM方法與BP方法的識別率分別為85.3%和91.3%，結果表明softmax深度回歸分類方法針對水稻稻瘟病病害的識別準確率比較高。

表1 水稻稻瘟病病害識別結果Tab.1 Rice blast disease recognition results

4 結語

本文針對水稻稻瘟病急性型、慢性型及白點型三種病害，采用中值濾波方法和Otsu圖像分割進行圖像預處理，建立水稻病斑圖像數據庫。基于softmaxt深度回歸分類方法研究了水稻稻瘟病病害的識別技術，通過10重交叉驗證的方法平均識別率達到95.2%，結果表明取得了較好的識別效果，為softmax深度回歸分類在作物病害識別診斷領域奠定了基礎。

[1]宋成艷,王桂玲,李立軍,等.寒地水稻主栽品種稻瘟病流行規律[J].植物保護,2014,40(3):94-100.

[1]石鳳梅，趙開才，孟慶林，等.基于支持向量機的水稻稻瘟病圖像分割研究[J].東北農業大學學報，2013，44(2)：128-137.

[3]楊昕薇，譚峰.基于貝葉斯分類器的水稻病害識別處理的研究[J].黑龍江八一農墾大學學報，2012，24(3)：64-67

[4]趙進輝，羅錫文，周志艷.基于顏色與形狀特征的甘蔗病害圖像分割方法[J]，農業機械學報，2008，39(9):100-103.

[5]溫芝元，曹樂平.椪柑果實病蟲害的傅里葉頻譜重分形圖像識別[J].農業工程學報，2014，vol.29，No.23，159-165.

[6] Yann LeCun,Yoshua Bengio and Geoffrey Hinton. Deep learning[J].Nature.2015,521:436-444.

[7] Oquab M,Bottou L,Laptev I,et al.Learning and transferring mid-level image representations using convolutional neural networks[C]//Computer Vision and Pattern Recognition (CVPR),2014 IEEE Conference on.IEEE,2014:1717-1724.

[8]譚文學,趙春江,吳華瑞,等.基于彈性動量深度學習神經網絡的果體病理圖像識別[J].農業機械學報,2015,46(1):20-25.

[9]張帥,淮永建.基于分層卷積深度學習系統的植物葉片識別研究[J].北京林業大學學報,2016,38(9):108-115.

[10]申鉉京,劉翔,陳海鵬.基于多閾值Otsu準則的閾值分割快速計算[J].電子與信息學報，2017，vol.39，No.1，144-149.[11] Y.LeCun,L.Bottou,Y.Bengio,and P.Haffner.Gradientbased learning applied to document recognition,Proceedings of the IEEE,86(11):2278-2324,November 1998.

S435.111.41 【文獻標識碼】A 【文章編號】1009-5624（2018）01-0209-03

中國博士后科學基金面上項目（2016M591560）；黑龍江省政府博士后資助經費（LBH-Z15185）；大慶市指導性科技計劃項目（zd-2016-011）；黑龍江八一農墾大學校內培育課題資助計劃（XA2016-05）；黑龍江八一農墾大學博士科研啟動基金（XDB2014-12）；黑龍江八一農墾大學博士后專項資助經費；黑龍江省網絡化與智能控制重點實驗室專項資助經費。

張楠（1976-），男，黑龍江大慶人，講師，研究方向：水稻病害信息智能處理技術；

路陽（1976-），男，黑龍江雙城人，副教授，研究方向：復雜系統智能故障診斷及模式識別技術。