園林植物常見病蟲害識別

楊慶賀,叢曉燕,秦麗紅,郭秀梅*

園林植物常見病蟲害識別

楊慶賀1,叢曉燕2,秦麗紅3,郭秀梅2*

1. 山東農業大學后勤管理處, 山東 泰安 2710108 2. 山東農業大學信息科學與工程學院, 山東 泰安 271018 3. 泰安市規劃編制研究中心, 山東 泰安 271000

綠化植物養護是校園生態文明建設的重要組成部分，在美化校園環境，愉悅師生身心健康方面起著非常重要的作用。但是隨著全球氣候變暖環境惡化，導致蟲害和疾病經常爆發。病蟲害對校園綠化防護具有極大的危害，直接影響校園綠化環境。本文針對校園綠化中常見的病蟲害，提出了基于深度學習的病蟲害識別方法。該方法首先對圖像進行灰度歸一化處理，然后提取灰度圖像的PCANet特征，最后利用支持向量機進行識別。該方法在擴充的數據集上進行了驗證，識別效果理想。

園林植物; 病蟲害識別; 深度學習

校園環境建設作為校園生態文明建設的重要組成部分，不僅能營造師生在欣賞景觀的過程中受到潛移默化的教育，更是學校寓教于景實際體現，其作用不言而喻。但是隨著全球氣候的惡化，生態環境遭到了越來越多的破壞，導致蟲害和疾病經常爆發，加上校園類園林植物種類較多，引進的外來物種生存環境的改變，諸多因素導致園林植物在生長過程中，受到各種病蟲害的入侵，如果防治不及時，導致植物出現落葉、腐爛、壞死斑塊等，大大降低了綠化效果和觀賞性，破壞了生態環境，影響校園環境整體外觀形象。目前高校園林病蟲害主要采用人工干預的方式，由于病蟲害發生存在很大的隨機性，同時校園綠化植物分布整個校園，靠人工發現的方式費時低效，難以適應現代校園的快速發展。

隨著人工智能技術的發展，基于人工智能的農作物病蟲害識別方法大致分為兩大類：基于特征的方法和基于深度學習模型的方法。基于特征的方法主要是提取害蟲圖像的紋理和幾何特征，然后利用鑒別器對其進行分類。文獻[1-3]提取圖像的顏色、直方圖、面積以及濾波等方法作為病蟲害的特征進行識別，文獻[4-5]提取灰度共生矩陣、局部二值模式等紋理信息作為特征進行識別。這類方法識別速度快、易于理解，但存在過分依賴先驗知識、識別效果差的缺點。基于深度學習的方法主要是利用現有的深度學習模型或改進的模型對作物病害進行分類。文獻[6]使用AlexNet網絡模型，文獻[7]構建了農作物病害的神經網絡模型，文獻[8]利用深度殘差網絡進行蟲害識別，文獻使用遷移學習和Inception V3[9,10]對病蟲害進行識別，文獻[11]結合遷移學習和VGG16網絡對蘋果黑腐病進行分類。深度學習識別方法具有良好的泛化能力，取得了良好的識別效果。但是，一些深度學習模型的訓練時間過長，給應用帶來了不便。

目前這些方法主要針對農作物的病蟲害，主要原因是一定面積范圍內，農作物種類單一，病蟲害的種類也相對單一，為智能監控及預測識別帶來很大的方便。相對于農作物的病蟲害識別，校園園林植物病蟲害識別存在以下難點：一是植物品種繁多，出現的病蟲害類型也繁多，常見的校園病蟲害種類如表1所示，預測識別難度大；二是目前還沒有針對校園綠化植物常見的病蟲害數據庫，為算法驗證帶來很大不便。

表1 常見的校園病蟲害

本文針對校園園林綠化植物病蟲害防治存在的問題，提出了基于智能檢測病蟲害防治的方法，主要完成的工作：一是建立了常見的校園綠化植物病蟲害數據庫，二是提出了基于深度學習的校園綠化植物病蟲害識別方法，為校園綠化養護以及管理，提供技術上支持。

1 基于深度學習的病蟲害識別

本文利用一種快速而有效的深度學習網絡對病蟲害進行識別，算法主要分為三個步驟。首先對圖像進行預處理，然后提取病蟲害樣本的PCANet特征，最后使用SVM進行決策分類。流程圖如圖1所示。

圖 1 算法流程

1.2 PCANet特征提取

PCANet是一種基于卷積神經網絡(CNN)的簡化深度學習模型[12]。圖2為經典的卷積神經網絡[13]，卷積神經網絡中一個重要的任務就是卷積核的確定，不同的卷積核提取的特征也是不一樣的，效果也不一樣。同時，經典的CNN存在參數訓練時間過長且需要一定的調參技巧。

圖 2 經典的卷積神經網絡

Tsung-Han提出的PCANet模型[12]是一種訓練更為簡單，且適應不同任務、不同數據類型的網絡模型。PCANet網絡模型分為三步：第一級PCA卷積層、第二級PCA卷積層和輸出層。其中第一、二級PCA卷積層實現步驟基本相似，其工作過程如圖3所示。

圖 3 第一、二級PCA卷積層實現流程

PCA卷積層對每個輸入樣本X，使用大小為1*2滑動窗對圖像上所有像素點進行采樣，將采樣區域進行級聯，然后進行去平均處理。對所有輸入樣本進行相同的處理，把處理后的數據級聯成一個12×矩陣，然后對該矩陣進行PCA處理，提取其前1個特征向量，這1個特征向量就是該階段的卷積核。最后每個輸入樣本X分別1個PCA核函數進行卷積運算，即可得到該階段的卷積特征。第一、二階段的區別是第一階段得到的特征作為第二階段的輸入。

輸出層為哈希編碼，首先對每2個特征進行十進制編碼，得到一張新的十進制圖像，然后將每1個十進制圖像進行直方圖分塊處理，處理后的輸出即為提取的輸入樣本的PCANet特征。樣本提取PCANet特征的過程如圖4所示。

圖 4 PCANet特征的提取過程

1.3 SVM分類器

本文利用SVM分類器對對病蟲害提取的PCANet特征進行分類。

2 結果與分析

2.1 病蟲害

根據學校常見的園林樹木病蟲害，建立了包括白粉病、銹病、葉斑病、煤污病、蚜蟲、網蝽、紅蜘蛛、蚧殼蟲小型數據庫。數據庫中部分數據如圖5所示。

圖 5 園林植物常見病蟲害數據庫部分樣本

由于數據采集量相對較少，為了得到更好地PCA卷積核函數，本文利用免費的數據庫Plant Village[15]進行數據集的擴充。Plant Village庫包含數十種作物的蟲害和病害圖像，本文選擇了蘋果、玉米、番茄、葡萄、土豆5種農作物19類作物病蟲害對數據庫進行擴充，并對圖像的大小進行統一處理為256*256，擴充后的數據集作為本實驗的數據庫。

2.2 識別與驗證

為了得到最佳的PCA卷積核，對PCANet模型中的參數進行驗證，分別驗證滑窗大小、濾波器個數和直方圖大小取不同值對識別率的影響。首先我們選擇滑窗大小分別為5*5,7*7,9*9,11*11,13*13，15*15進行驗證，實驗結果如圖其結果分別為圖6所示。

圖 6 識別率與滑窗大小的關系

從圖中我們可以看出，滑窗的大小對識別率的影響不是很大，基本可以忽略不計，但是滑窗大小對后面主成分計算的運算量有影響，因此不能太小，一般情況下，后續實驗中滑窗大小一般選擇9*9。

PCANet網絡中需要兩次計算PCA卷積核，為了驗證兩層卷積核12取值不同時對識別率的影響，分別取值1、4、8、10、16，識別結果如圖7所示。

圖 7 識別率與L1L2取值的關系

從圖中我們可以看出，每一級PCA核函數的多少對識別率影響較大，當12分別取1時，識別率僅為27%，當12取值分別為4時，識別率可升高至82%，取值越大，識別率越高，但是提取到的PCANet維數也越高，當12取值為16時，特征維數高達67108864。綜合考慮識別率和維數，一般情況下取8。

同樣，為了驗證直方圖分塊大小對識別率有影響，我們選取了0～150之間若干值進行驗證，識別結果如圖8所示。

圖 8 識別率與直方圖分塊大小的關系

從圖中可以看出，識別率隨著分塊大小先增加后降低，因為取值較小，取得特征維數過大，導致過擬合，識別率低。吐過取值過大，特征提取會丟失重要信息，識別率也會降低。

為了進一步驗證算法的有效性，我們對蘋果、玉米、葡萄、馬鈴薯、番茄以及園林綠化植物等病蟲害進行了測試。對于每種疾病類型，我們隨機選取每種病蟲害10個作為檢測樣本，其余作為訓練樣本。識別結果如表2所示。

表 2 不同作物病蟲害識別率

從表中我們可以看出，算法在農作物病蟲害識別上具有很好地識別效果。園林綠化植物病蟲害數據集由于采集時間跨度較大，有的間隔一年以上，同時每次采集時的季節、溫度、光照等外界環境差別較大，仍能取得70%以上的識別率。

3 結論

校園綠化養護管理中，病蟲害的防治非常關鍵，傳統安排專人現場排查的方法費時費力，也容易疏漏，基于人工智能的病蟲害防治方法已成為趨勢。本文結合校園信息化管理以及我校常見的病蟲害，提出了一種深度學習的識別方法，該方法在數據集上進行了驗證，得到了較好的識別效果。

[1] Klatt B, Kleinhenz B, Kuhn C,Smart DDS-plant disease detection via smartphone //Sustainable Agriculture through ICT Innovation [C]. Mexico City:EFITA-WCCA-CIGR Conference, 2013

[2] Barbedo JGA, Koenigkan LV, Santos TT. Identifying multiple plant diseases using digital image processing [J]. Biosystems Engineering, 2016,147:104-116

[3] Pethybridge SJ, Nelson SC. Estimate, a new iPad application for assessment of plant disease severity using photographic standard area diagrams [J]. Plant disease, 2018,102(2):276-281

[4] Pantazi XE, Moshou D, Tamouridou AA. Automated leaf disease detection in different crop species through image features analysis and one class classifiers [J]. Computers and Electronics in Agriculture, 2019,156:96-104

[5] Hemantkumar W, Nilima A. An appropriate model predicting pest diseases of crops using machine learning algorithms [C]. Coimbatore, India: 4th International Conference on Advanced Computing and Communication Systems, 2017

[6] Mohanty SP, Hughes DP, Salathé M. Using deep learning for image-based plant disease detection [J]. Frontiers in Plant Science, 2016,7:1-10

[7] Ferentinos KP. Deep learning models for plant disease detection and diagnosis [J]. Computers and Electronics in Agriculture, 2018,145(2):311-318

[8] 吳華瑞.基于深度殘差網絡的番茄葉片病害識別方法[J].智慧農業,2019,1(4):42-49

[9] 賈鶴鳴,郎春博,姜子超.基于輕量級卷積神經網絡的植物葉片病害識別方法[J].計算機應用,2021,41(6):8

[10] Ramcharan A, Baranowski K, Mccloskey P,. Deep learning for image-based cassava disease detection [J]. Frontiers in plant science, 2017,8:01852

[11] Wang G, Sun Y, Wang J. Automatic image-based plant disease severity estimation using deep learning [J]. Computational Intelligence and Neuroscience, 2017, 2017:2917536

[12] Chan TH, Jia K, Gao S,. PCANet: A simple deep learning baseline for image classification?[J]. IEEE Transactions on Image Processing, 2015,24(12):5017-5032

[13] Lecun Y, Bottou L, Bengio Y,. Gradient-based learning applied to document recognition [J]. Proceedings of the IEEE, 1998,86(11):2278-2324

[14] Hughes DP, Salathe M. An open access repository of images on plant health to enable the development of mobile disease diagnostics[EB/OL]. [2015-11-25]. https: //arxiv. org/abs/1511. 08060.

The Identification for Common Plant Diseases and Pests from Garden Plants

YANG Qing-he1, CONG Xiao-yan2, QIN Li-hong3, GUO Xiu-mei2*

1.2710108,2.271018,3.271000,

Campus landscaping plants are important parts of campus ecological civilization construction.It plays a very important role in greening the campus environment and pleasing the physical and mental health of teachers and students.But as the global environment deteriorates, there are frequent outbreaks of plant pests and diseases.Plant diseases and pests can bring great harm to campus greening protection and directly affect the campus greening environment. In this paper, we proposed a method for plant disease and pests identification based on deep learning. Firstly, transform the color image into gray image and normalized the gray image. Secondly, extract PCANet feature of the gray image,and then use the the support vector machine to identify. The method is tested on the extended database, and the recognition is effetely.

Garden plants; identification of plant diseases and pests; deep learning

S43

A

1000-2324(2022)02-0265-06

2021-05-24

2021-06-12

楊慶賀(1977-),男,碩士研究生,高級工程師,從事校園綠化物業管理. E-mail:1098733826@qq.com

Author for correspondence. E-mail:xmguo@sdau.edu.cn