基于深度学习技术的玉米叶部病变识别分析_王春艳.pdf

Application 创新应用156 电子技术 第 52 卷 第 5 期（总第 558 期）2023 年 5 月成绩。玉米是我国产量最大的粮食作物。在玉米农作物耕种阶段要做好玉米病害识别去除工作，玉米整个生育期可能遭受多种病害的侵袭，玉米大斑病（Exserohilum turcicum）、弯孢叶斑病（Curvularia lunata）和灰斑病（Cercospora zeaemaydis）是我国玉米上的3种重要病害，长期以来一直是玉米高产、稳产的重要限制因素1，而依靠大田调查、人工判别玉米病害严重程度的传统方法存在耗时、费力的缺点，且该方法为定性判别，主观性较大。因此，如何快速准确地发现并识别玉米病害，采取相应的防治措施，对确保玉米丰收具有重要意义。通过采取以深度学习为基础的卷积神经网络玉米病害识别方法能够快速有效的寻找出玉米现阶段生长过程中存在的各种病害问题，更有利于为玉米叶部病害的快速识别、积极防治提供了科学的方法和依据，对减少人工成本投入、促进本地区农业的发展有重要意义。2 深度学习技术的特点 基于大量数据。深度学习技术一般情况下都是在数据量较大的基础上进行工作的，（1）因为如若数据量较少的话，通过手动分析便能够进行数据收集以及分析等，使用深度学习技术就显得有点多余；（2）因为较小的数据量通常不能够直接反映出现实世界的一般特征，即使使用深度学习技术进0 引言在玉米种植过程中采取基于深度学习技术卷积神经网络玉米病害识别方法能够对玉米叶部病变进行识别，对玉米产量的提升有着重要的影响。1 研究背景国外在农作物病害诊断识别领域研究比较早，大约起始于1980年代。当时因为深度学习技术还没有流行，大多采用传统的 SVM 特征提取识别病害。但是人工设计特征提取器非常麻烦，而且应用于不同的作物叶片场景也相对比较困难。近十几年来，随着机器学习和深度学习的火热发展，国外的专家学者对相关技术研究非常深入，很大程度上推动了卷积神经网络算法的发展。Mehdipour等人使用名为Plant Village的公共数据集，其中包括38种标记类，包括14种作物的26种疾病。用Alex Net和 Goog Le Net两种网络进行实验，他们通过在不同网络、数据集、训练方式以及训练/测试比例的60个对比实验中去研究深度CNN对于植物疾病分类任务的准确性。相比于国外，国内的研究人员在农作物叶片病害识别方面的研究起步较晚，但是近些年来采用了很多新方法，在某些作物的病害识别方面也取得了非常显著的效果，尤其是在玉米叶部病变识别技术研究方面，我国更是取得了优异的研究基金项目：内蒙古自治区教育厅2021年度高等学校科学研究项目（NJZY21656）。作者简介：王春艳，扎兰屯职业学院，教授，硕士；研究方向：计算机教学。收稿日期：2022-08-24；修回日期：2023-05-12。摘要：阐述深度学习为基础的卷积神经网络玉米病害识别方法，能够快速有效的寻找出玉米现阶段生长过程中存在的各种病害问题，更有利于为玉米叶部病害的快速识别。关键词：深度学习，卷积神经网络，玉米病害识别。中图分类号：TP183 文章编号：1000-0755(2023)05-0156-02文献引用格式：王春艳，张建华.基于深度学习技术的玉米叶部病变识别分析J.电子技术,2023,52(05):156-157.基于深度学习技术的玉米叶部病变识别分析王春艳，张建华（扎兰屯职业学院，内蒙古 162650）Abstract This paper describes the method of convolution neural network based on deep learning to identify maize diseases,which can quickly and effectively find out various disease problems existing in the current growth process of maize,and is more conducive to the rapid identification of maize leaf diseases.Index Terms deep learning,convolutional neural network,corn disease recognition.Analysis of Identification of Maize Leaf Lesions Based on Deep Learning TechnologyWANG Chunyan,ZHANG Jianhua(Zhalantun Vocational College,Inner Mongolia 162650,China.)Application 创新应用电子技术 第 52 卷 第 5 期（总第 558 期）2023 年 5 月 157行相关工作处理，也起不到想要达到的效果2。隐含性。深度学习技术所挖掘的信息一般都是较为复杂、隐藏得比较深，也是这些信息不容易被查询到的原因，才使得深度学习技术功能性完全体现了出来。例如一些数据的表面信息即使通过其他相关技术也能够进行快速查询，不仅能够更加快速，还能够减少一定的成本支出；而如若是隐藏在数据库深处的信息，且还可能是某些未知信息，普通软件则无法将其查询到，使用深度学习技术的话则能够快速将其搜索出来。价值性。深度学习技术的应用必然会给应用单位带去直接或者间接的利益，否则其也没有存在的必要性，但是在体现深度学习价值性的前提下也要注意一些问题。如若没有技术目标的话，或者是技术人员自身专业素质不过关的话，则可能导致深度学习技术所能起到的效果不明显，从而有损其价值性的体现，也不利于相关应用行业的快速发展。3 基于卷积神经网络的玉米病害识别方法以玉米叶部病变作为研究对象，通过采集项目所在地玉米叶部主要病害3种，每种训练样本1 000例以上，测试样本500例左右。结合公用数据集Plant Village、玉米枯萎病（玉米大斑病）中现有的玉米病害数据集进行卷积神经网络模型训练，最后利用测试样本进行测试，模型达到识别标准后，基于此模型开发基于Android平台的玉米叶病害诊断系统。初步确定的玉米叶部病害为大斑病、小斑病、叶斑病。研究内容。（1）作物叶病害图像预处理研究。对获取的作物叶病害图像作预处理，去除图像的背景，减少噪声等无关因素的干扰。根据需要对病害样本作数据增强，包括平移、翻转、旋转等操作；（2）对样本进行标注、索引，建立玉米叶部病变数据集。（3）作物叶病害识别诊断算法研究。对Le Net、Alex Net、VGGNet等经典网络结构进行学习并结合研究作物特点，构建适用于该研究的神经网络结构，并对其结构进行优化探究。由于本研究分类的复杂程度不高，可以适当调整全连接层的个数，添加Dropout层，防止网络过拟合，最终通过对比实验筛选出精度更高模型。（4）基于Android平台的作物叶病害智能诊断系统研究。使用Tsnsorflow lite工具把训练好的病害识别模型迁移部署到Android手机端。手机端可以离线完成病害识别，实时诊断。图1所示为基于卷积神经网络的玉米病害识别方法。研究思路。本研究以玉米叶部病变作为研究对象，经过对周边玉米种植区叶部主要病害勘察，初步确定大斑病、小斑病、叶斑病为本研究对象。每种训练样本1 000列左右，测试样本500例左右，结合公用数据集Plant Village，对玉米大斑病、小斑病、叶斑病的玉米病害数据集进行卷积神经网络模型训练，最后利用测试样本进行测试，模型达到识别标准后，基于此模型开发基于Android平台的玉米叶病害诊断系统。研究计划。神经网络具有应对复杂模型的拟合能力，已被广泛应用于生产生活的各个领域。其中的卷积神经网络（CNN）尤其适用于图片识别领域。目前已经有如AlexNet、VGG16、Inception V4等多种成熟的CNN模型被提出、应用，并获得很好的实际效果。本研究计划自行采集本地的玉米叶片病害数据集，包含健康叶片、大斑病叶片、小斑病叶片、叶斑病叶片样本各1 500张，并进行标注。使用python作为编程语言，使用Google提出的TensorFlow深度学习框架，在已有经典模型的基础上，搭建更适合玉米病害识别的CNN模型，并使用自行采集的数据集进行训练，优化，期望达到95%以上的准确度。技术路线。对具体玉米叶片病害图片进行采集，并对采集图片数据集进行分类、标注，通过相关技术手段对数据集进行增强操作，参考Le Net、Alex Net、VGGNet等经典深度学习模型，结合本研究实际构建合适的网络模型进行训练，把训练好的模型利用TensorFlow Lite转换成Android系统可以识别的模型，再使用Java 作为开发语言，最终形成能够在Android系统中运行的App。创新思路：（1）样本的采集、预处理、数据集管理。制定样本采集标准，参照已有的数据集进行命名标注。（2）神经网络模型优化。鉴于本分类的复杂度不高，可以选择较小的网络规模，但是要达到较好的识别效果，仍需要进行多次、反复的模型搭建、对比、优化。（3）基于Android平台的作物叶病害App开发。如何将玉米叶病害识别模型移植到 Android 手机端，移植后的效果如何，目前可以借鉴的方法不多。本研究使用Tsnsorflow lite工具把训练好的病害识别模型迁移部署到手机端，手机端可以离线完成病害识别，实时诊断。4 结语通过试验可以得知采取基于卷积神经网络的玉米病害识别方法能够快速有效地对玉米叶部病变进行识别，实现玉米耕种状态的实时监测诊断，对于推动玉米农作物整体耕种效率和耕种质量的提升有着极其重要的影响作用。参考文献1 王永金,左羽,吴恋,崔忠伟,赵晨洁.基于深度学习的植物识别原理综述J.物联网技术,2020,10(01):10-12.图1 基于CNN的识别方法