改進BP神經網絡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神經網絡結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據增強等預處理，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;再次，構建改進的BP網絡，運用提取到的特征參數對黃瓜病害葉片進行分類識別。結果表明，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。

關鍵詞：黃瓜葉病害;圖像識別;改進BP神經網絡;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量和質量[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合的病害葉片識別方法，識別率達92%[7]。

基于深度學習的特征提取與識別方法廣受關注，深度學習已被廣泛應用于農作物病害識別中[8]。Sharada P.Mohanty對公共數據集中的圖片進行識別，采用AlexNet和GoogLeNet網絡模型，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神經網絡、卷積神經網絡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神經網絡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，再進行圖像預處理;其次，提取其顏色特征參數和紋理特征參數;再次，對黃瓜病害進行分類識別采用改進的BP神經網絡。與傳統圖像處理相比，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神經網絡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據建立 病蟲害的圖像一般是經過對專門培養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網上所提供的圖片數據庫，選取黃瓜葉霜霉病、白粉病和褐斑病等病蟲害葉片共600張圖片用作實驗數據。對這些圖像進行歸檔分類，完成病蟲害圖像數據庫的建立。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處理 由于從網絡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，圖像質量不一，對圖像進行數據增強及去噪處理，為后面特征的提取需對圖像進行閾值分割及形態學處理，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。

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并不能準確地判斷病害種類，還需通過其他特征參數來提高識別率。

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。灰度共生矩陣是指灰度的空間相關特性來分析紋理特征。灰度共生矩陣如式（1）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（2）～（6）式計算出其特征參數值，其結果如表1所示。根據計算出的5個紋理特征值，畫出散點圖，其結果如圖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分病害種類。為了提高系統的識別率，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。

3 基于改進BP神經網絡的黃瓜病害識別

BP神經網絡是由輸入層、隱層和輸出層組成的前饋網絡，各層神經元之間通過權值和閾值連接，通過不斷地調整權值和閾值，使得輸出和期望值的誤差達到最小[14]。傳統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神經網絡，輸入樣本隨機選取，該算法充分體現了隨機性[15]。因此，本文選擇改進BP神經網絡對黃瓜病害進行分類識別。

3.1 改進BP神經網絡結構設計 根據黃瓜3種病害的特點來設計網絡模型。

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

3.1.2 隱層節點 隱層節點數由經驗公式（7）確定[14]：

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

3.1.3 輸出層節點 輸出層節點數=目標類別數，由于研究的是黃瓜3種病害，因此輸出層數目為3。

3.2 改進BP神經網絡算法 改進BP神經網絡算法的步驟如下[15]：

（1）初始化：權值矩陣V、W給一個隨機數，樣本計數器[P]和訓練計數器[q]設為[l]，設定誤差函數[E=0]，給定訓練精度[Emin]為一個（0，1]區間內的正小數;

（2）對權值矩陣給予一個權值調整量[ΔW];

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

（4）計算神經網絡的輸出誤差，設有P對黃瓜病害圖像訓練樣本，網絡對不同的樣本有不同的誤差[EP]如式（8）所示，網絡總誤差[ERME]式（9）所示。

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

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

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

4 結果分析

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

在訓練中，從之前建立好的數據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幅圖像樣本作為訓練集，其余的作為測試集。設[循環次數][=1000]，[Emin=0.01]，[初始化步長=0.05]，[學習速率=0.02]，當訓練次數達到1000或[ERME<0.01]時停止訓練。神經網絡在經過78次訓練后，網絡誤差達到預期值，網絡誤差的變化曲線如圖6所示。

在訓練之后，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%。具體的識別結果如表2所示。

5 結論

本研究提出改進的BP神經網絡結合特征提取的方法對黃瓜葉病害進行識別。根據需要建立黃瓜葉病害的圖像數據庫，選取了黃瓜葉霜霉病、白粉病和褐斑病等病蟲害葉片共600幅圖像用作實驗數據，首先，對其進行預處理，如：尺寸歸一化、數據增強、去噪、閾值分割及形態學處理等操作;其次，進行特征提取，選擇RGB圖像的R分量為顏色特征參數，灰度共生矩陣的對比度、熵和能量為紋理特征參數;再次，構建采用隨機梯度下降法的改進BP網絡模型，運用提取到的特征參數對黃瓜葉片進行分類識別。實驗結果表明，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，可為農作物病蟲害防治提供有力保障，對于發展精準農業、現代化農業具有重要意義。

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].江蘇農業學報，2016，32（04）：874-878.

[2]張善文，謝澤奇，張晴晴.卷積神經網絡在黃瓜葉部病害識別中的應用[J].江蘇農業學報，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網絡的黃瓜病害識別[J].農業工程學報，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，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].江蘇農業學報，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.基于深度卷積神經網絡的水稻穗瘟病檢測方法[J].農業工程學報，2017，33（20）：169-176.

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

[14]陳玉坤，管會生，周磊，等.基于BP神經網絡的盤形滾刀磨損預測研究[J].現代隧道技術：2021，58（03）：1-8.

[15]劉路.改進的BP神經網絡在車輛目標識別中的應用研究[J].機電工程技術，2021，50（04）：192-195.

（責編：張宏民）

3437500338275