基于AI深度學習的病害識別方法研究

劉小紅

（湖南信息學院軟件工程系，長沙 410151）

0 引言

農作物由于易遭受病害的侵擾，其產品質量和產量受到很大的影響，為控制病害的擴散、減少經(jīng)濟損失和提高產品質量，及時準確地識別病害具有重要意義［1］。隨著物聯(lián)網(wǎng)、人工智能等信息技術的快速發(fā)展，基于AI 圖像處理技術因具有操作簡便、處理快、成本低等優(yōu)點，已逐漸成為農作物病害圖像處理的主流技術。

深度學習技術使用學習程序從原始數(shù)據(jù)中自動學習特征，具有突破人工局限的特點。近幾年來，作為深度學習核心的各種卷積神經(jīng)網(wǎng)絡被陸續(xù)提出，并逐漸引入到植物病害檢測與識別中［2］。利用卷積神經(jīng)網(wǎng)絡（CNN）的深度學習技術對病害識別進行了大量探索研究，如孟亮［3］采用一種輕量級CNN 農作物病害圖像識別模型對辣椒、番茄和馬鈴薯的病害圖像進行識別，模型在訓練集上的總識別準確率為99.33%；賈鶴鳴等［4］在卷積神經(jīng)網(wǎng)絡中引入深度可分離卷積（DSC）和全局平均池化（GAP）方法，對植物葉片進行病害識別，病害識別精度達99.42%；廖經(jīng)緯等［5］在使用Ostu 算法與基于Sobel 算子將植物葉片的前景與背景有效分離后采用卷積神經(jīng)網(wǎng)絡對植物病害進行識別，識別率達到98.44%。雖然基于卷積神經(jīng)網(wǎng)絡（CNN）的深度學習技術在農作物病害識別方面已取得一定研究成果，但由于受提取算法、環(huán)境條件和樣本數(shù)量等因素的限制，識別效果很難滿足應用需求。

本研究以黃瓜四種病害（白粉病、斑點病、炭疽病、霜霉病）圖像作為研究對象，從病害識別需求出發(fā)，采用AI 圖像處理技術結合卷積神經(jīng)網(wǎng)絡模型對病害圖像進行病害識別，并應用在PC 端的病害識別系統(tǒng)上，為農作物病害識別的精準性提供支持。

1 材料采集

利用高分辨率的相機采集黃瓜四種病斑（白粉病、斑點病、炭疽病、霜霉病）圖像作為樣本，病斑圖像各100 張（總共400 張）作為樣本數(shù)，要求圖像清晰，病斑區(qū)域和綠色區(qū)域的光照保持一致性，黃瓜病斑圖像樣本如圖1所示。

圖1 黃瓜病斑圖像樣本

2 深度學習的識別模型構建

2.1 圖像預處理

2.1.1 圖像預處理過程

對病害圖像先進行適當裁剪，去除多余部分，保留清晰的病斑區(qū)域；接著將原圖RGB 空間轉成灰度化的目標圖；最后利用最大類間方差法（即OTSU 算法）將灰化圖像進行分割，實現(xiàn)病斑區(qū)域的提取。將裁剪后的原圖轉換為灰度圖像，采用轉換公式：Gray=0.299*R+0.587*G+0.114*B，其中R，G，B 分別為原圖的紅綠藍分量，轉換后得到灰度圖，保留清晰的病斑特征，方便后期的病斑分割［6］。OTSU 算法是將灰度化圖像歸一化處理后，利用閾值將圖像分成背景和前景兩部分，循環(huán)計算背景和前景之間的類內方差，求取類內方差為極大值時對應的閾值即為最佳分割閾值［6］。

2.1.2 OTSU閾值分割過程

（1）計算灰度化病害圖像的歸一化直方圖，得到圖像灰度級1～M，總像素數(shù)為N，則第i級灰度出現(xiàn)的概率為：Pi=

（2）計算圖像灰度均值：μ=·Pi

（3）計算直方圖的零階w[K]和一階矩陣u[K]：w0=w[k]=，μ[k]=·Pi，對一級

矩作以下處理：w1=1-w[k]；μ0=μ[k]/w[k]；μ1=[μ-μ[k] ]/[1-w[k]]

（4）利用公式σ2[k]=w0(μ-μ0)2+w1(μ-μ1)2找到最大的類間方差，對應此方差最大的灰度值即為要找的閾值，k從1～M變化。

（5）利用計算得到的閾值進行圖像分割。圖像預處理后的效果如圖2所示。

圖2 圖像預處理效果圖

2.2 模型結構、訓練和測試

病害圖像在識別前先進行圖像預處理，特別是利用OTSU 算法將病害圖像的綠色區(qū)域分割后只保留病斑區(qū)域，大大降低圖像大小，利于后期的深度學習訓練。本文根據(jù)黃瓜病害圖像的特點，采用基于CNN 深度學習網(wǎng)絡結構-LeNet，構建具有多層的CNN 網(wǎng)絡識別模型，實現(xiàn)對黃瓜病害準確、快速識別。

2.2.1 模型結構

本文對LeNet網(wǎng)絡模型加以改進，包含有輸入層、卷積層、池化層、全連接層和輸出層［7］。病害識別模型網(wǎng)絡如圖3所示。

圖3 CNN黃瓜病害識別模型網(wǎng)絡結構圖

另外，在前兩層卷積中，加入歸一化層，為防止圖像在網(wǎng)絡訓練時數(shù)據(jù)參數(shù)的不穩(wěn)定及提高模型特征提取性能，將輸入的圖像數(shù)據(jù)歸一化到［-1，1］之間，并加快模型收斂速度進行處理，以提高模型的魯棒性和泛化能力。

2.2.2 模型訓練

模型訓練過程具體如下：首先，建立數(shù)據(jù)集。采集相關黃瓜病害圖像，進行圖像處理后，錄入對應數(shù)據(jù)庫并作為模型訓練數(shù)據(jù)；其次，參照模型網(wǎng)絡結構，設定網(wǎng)絡模型參數(shù)，對訓練數(shù)據(jù)進行訓練。具體參數(shù)設定如表1所示。

表1 模型結構參數(shù)設置

對照相同條件下的訓練效果，選擇最優(yōu)輸出效果的模型并保存，執(zhí)行器接收傳入的程序。在反復迭代的訓練過程中，不斷優(yōu)化網(wǎng)絡模型中算法、函數(shù)等參數(shù)，得到最小收斂值作為最終輸出［8］。

2.2.3 模型測試

對訓練后的模型進行測試，同樣需要對圖像進行預處理操作，再選擇對應的模型進行識別［1］。識別過程中對訓練圖片進行增強處理，加權求均值即為預測值。

2.3 系統(tǒng)設計

病害識別系統(tǒng)采用B/S 架構模式及SSM 框架技術，結合MySQL 數(shù)據(jù)庫，運用Java 語言開發(fā)實現(xiàn)。①系統(tǒng)架構包括應用支持模型層、數(shù)據(jù)層、使用層。應用支持層主要提供AI 深度學習模型及AI 算法庫、中間件、服務件等；數(shù)據(jù)層主要用于存儲病害圖像數(shù)據(jù)、病害知識庫、病害特征數(shù)據(jù)、病害防治數(shù)據(jù)等；使用層主要包括病害診斷、病害查詢及防治措施等服務。②功能結構主要包括病害診斷、查詢、系統(tǒng)管理等，其中病害診斷包括圖像上傳、圖像預處理、AI 模型圖像識別，功能結構如圖4 所示。③業(yè)務流程設計具體為：用戶登錄系統(tǒng)后進入主界面，選擇采集的病害圖像，調用圖像預處理的各項操作后，接著選擇算法模型對圖像進行識別，最后返回識別結果；還可直接查詢病害信息、發(fā)病規(guī)律、防治措施等。

圖4 黃瓜病害識別系統(tǒng)功能圖

3 結果與分析

3.1 算法對模型性能影響分析

本研究的網(wǎng)絡結構中算法設置使用Adam 算法和SGD 算法。SGD 算法在訓練過程中保持學習率不變。而Adam 算法通過計算梯度的一階矩估計和二階矩估計來設計不同參數(shù)的獨立自適應學習率［8］。在保持網(wǎng)絡結構層數(shù)不變及正則項系數(shù)和初始化學習率均為0.001 等相同條件下，對兩種算法進行實驗，實驗數(shù)據(jù)顯示：當?shù)螖?shù)在1500 次時，設置Adam 算法后病害識別率為40.34%；設置SGD 算法后病害識別率為40.26%；當?shù)螖?shù)在4500 次時，設置Adam算法后病害識別率為90.84%；設置SGD算法后病害識別率為81.67%。結果表明，隨著迭代次數(shù)的增加，使用Adam 算法模型的準確率比SGD算法更高。

3.2 模型性能對比分析

為驗證基于AI 的CNN 網(wǎng)絡模型的可行性，將其與傳統(tǒng)的CNN 模型進行對比實驗，分別對黃瓜四種病害（白粉病、斑點病、炭疽病、霜霉病）圖像進行識別。選擇識別率、識別時間、損失率三個指標對模型性能進行評估［8］。實驗數(shù)據(jù)如下：傳統(tǒng)CNN 模型的平均識別率為45.68%，平均識別時間為7.8s，損失率為30.32%；基于AI 圖像處理的CNN 網(wǎng)絡模型平均識別率為95.66%，平均識別時間為5.7s，損失率為16.99%。結果表明，基于AI的CNN 網(wǎng)絡模型的黃瓜病害識別率最高，識別時間最短，識別效果最好。

4 結語

本文在基于AI 圖像處理技術的CNN 網(wǎng)絡模型基礎上，構建病害識別模型并應用到開發(fā)的病害識別系統(tǒng)上，對黃瓜的四種病害圖像進行識別。實驗數(shù)據(jù)表明，模型結構中采用Adam 算法和SGD 算法，在相同條件下前者對病害圖像的識別率更高些。采用基于AI 的CNN 網(wǎng)絡模型與傳統(tǒng)的CNN 模型相比，前者對病害圖像識別具有更好的識別性能。本文只研究和分析了四種常見的黃瓜病害，具有局限性，后續(xù)為了進一步推廣模型，將收集更多的病害圖像，調整和優(yōu)化模型。