基于卷积神经网络的葡萄叶病害诊断系统研究与开发.pdf

年 月第 卷 第 期 基于卷积神经网络的葡萄叶病害诊断系统研究与开发收稿日期:通讯联系人基金项目:国家自然科学基金项目()作者简介:吴方婧()女江苏丹阳人讲师硕士研究生 :.吴方婧张华民(.安徽科技学院 机械工程学院安徽 凤阳.安徽科技学院 信息与网络工程学院安徽 蚌埠)摘 要:针对当前葡萄叶部病害大数据集匮乏、数据集品质较低等问题提出一种新型卷积神经网络识别模型 首先通过 的卷积核与池化层的交替结构实施了一个初步的特征抽取策略 随后通过空洞卷积技术构建了一个多分支的模块旨在捕获多尺度下的病斑特征 在网络的深层引入了稠密连接策略进一步完善了葡萄叶片病害的分层识别模型 这个模型不仅可以准确识别常见的葡萄叶片病害还可以根据病害的严重程度提供相应的治疗建议 最后通过实验及仿真证明所提新型卷积神经网络识别模型方便了种植户准确地诊断葡萄叶片病害情况有效减少了经济损失关键词:深度学习病害防治特征识别病斑分割神经网络中图分类号:.文献标识码:文章编号:()(.):.:研究背景葡萄是世界上最普遍种植的经济水果之一常被用于生产葡萄酒、发酵饮料以及葡萄干等 葡萄在其生长过程中会受到一些疾病的影响 这些病症严重影响葡萄的质量并且给葡萄种植业造成巨大的损失 传统的葡萄叶病害治理方法是农民通过人为观察手段并依据固有的经验来判断葡萄叶片是否患病在工作量过多、经验不足或者病害不明显等情况下就会对病情进行误判耽误最佳的治疗时间固有的经验缺乏科学性与严谨性很可能会对葡萄的病症给出错误的判断并且传统的人工疾病监测方法效率低、劳动密集、效果不佳葡萄病害的早期一般在叶片上表现明显通过研究葡萄叶片可以诊断出病害类型 葡萄叶片病害类型较多如褐斑病、炭疸病、霜霉病和黑腐病等随着计算机和传感器技术的发展机器视觉技术在各个领域被广泛应用如车辆检测、行人检测物体跟踪、目标识别等 在农业领域运用计算机技术和图像处理技术对植物进行病害识别、病斑分割以及病害等级评估也取得了良好的成果这为实现农作物病害的自动检测提供了新思路文献提出一种深度学习模型该模型利用自动提取特征的方式对 种类别的植物叶部图像进行识别并使用反卷积网络可视化试验结果与传统手工特征提取方法相比使用深度学习模型来自动学习植物类别特征的方法效果更好 文献采用不同核函数 分类计数的方法对番茄的黄化曲叶病和斑点枯萎病两种番茄叶病毒进行分类识别该方法主要由四个阶段组成即预处理输入图像、分割图像、提取特征和输出分类结果 试验采用 折叠交叉验证技术评估所提方法的性能 结果表明该方法的分类准确率一般为 使用四次核函数的分类准确率最高可达 文献利用 方法 、对 提供的 种作物的 种病害进行分类根据模型预测正确的作物 疾病对的能力来衡量模型的性能给出了 种可能的分类并将预测模型部署到智能手机进行病情鉴定经训练和测试模型准确率达到 该研究对实现智能手机辅助作物病害诊断具有重要意义 文献提出了一种基于 的识别模型该模型能够检测叶片的存在并区分不同种类的植物疾病和健康叶片本文旨在解决葡萄病害诊断模型在实际场景中所面临的挑战 为此设计了一种全新的卷积神经网络()识别模型以应对田间环境中复杂背景对病害检测的干扰 此外考虑到温室边缘设备通常具有有限的存储和计算资源提出了一种轻量级葡萄病害分类模型的新方法以在维持诊断精度的同时减少模型的计算和参数量 这一举措旨在降低模型在设备上的计算负担延长温室边缘设备的工作寿命 本文为将来在边缘设备上部署病害诊断模型提供了理论支持 卷积神经网络葡萄叶病害诊断方案设计.卷积神经网络算法设计将互联网和葡萄园上收集到的 幅葡萄叶片图像作为试验数据集并命名为 数据集中包含正常健康叶片 幅、叶斑病 幅、根瘤蚜 幅、霜霉病 幅、黑腐病 幅及黑麻疹 幅 不同类型的病害表现出多样化的特征因此为了有效提取多尺度的病斑特征并充分利用底层特征信息本文引入了一种用于葡萄叶片病害识别的神经网络模型命名为“”如图 所示该网络模型分为两个主要部分:第一部分是前置网络模块这个模块受到 思想的启发 它由两个连续的 卷积核和池化操作交替组成图 网络结构图 第二部分为卷积部分该网络的卷积部分由五个卷积模块组成第一个到第五个卷积模块均是 的卷积核数量分别为、在每个模块中进行两次 的卷积操作而不进行池化操作 这样的双重卷积操作相当于应用了一个 的卷积核考虑卷积操作其中每个输出通道的卷积核是独立的 这意味着可以单独分析每个输出通道的响应 假设有两组输入通道分别表示为 和则单个通道的输出为:()式()中符号“”代表卷积操作 代表卷积核的权重 通过融合底层病斑的局部特征能确保模型在做预测时不仅利用了高层的语义特征还结合了这些低层细节特征 这种多层次的特征融合策略可以实现特征的重用从而进一步增强模型对于病害的预测精度吴方婧等 基于卷积神经网络的葡萄叶病害诊断系统研究与开发.葡萄叶病害诊断方案设计光化学植被指数是指叶片成像光谱在 和 处反射率的归一化植被指数此两处波段位置的光谱反射率受叶黄素循环的影响其中叶片叶黄素循环与光能的利用效率密切相关光化学反射指数 的具体计算公式如下:()通常情况下 波段作为 的测量波段 波段作为参考波段 葡萄叶片病害数据集输入 后为防止过拟合先进行批归一化操作以消除深层网络在训练过程中由于参数改变所导致的内部结点数据分布不平衡、学习速度降低、梯度消失等问题 批归一化后首先输入一维卷积层初步提取病害特征然后将经过卷积得到的向量采用最大池化进行稀疏最后由隐藏层提取突出特征输入 网络 还保留了 的深度残差学习结构以防止网络退化问题的发生并通过 策略使残差学习从单路径卷积扩展成多路径分组卷积使得 在不降低模型复杂度的同时提高识别准确率并减少超参数量 重标定的病害图片分别送入到数量为 的多路径中各路径分别进行卷积运算以通道为基准合并计算结果 残差调控模块如图 所示图 残差调控模块 在数据集构建的初始阶段假设存在 个观测样本且每个样本具有 个相关变量则矩阵为:()其中:()()()在主成分分析()的过程中主成分的排列顺序决定于原始变量的线性组合所解释的方差量具体来说第一主成分 是原始变量线性组合中解释最大方差的组合 接着第二主成分 是除 外具有最大方差的线性组合这一规则依此类推 算法通过对输出变量执行线性组合操作创造出新的合成变量集 这些经过变换后产生的新变量数量 应当满足小于原始输出变量数量的条件从而实现数据维度的降低 其中方差特征系数满足:()依据所述的主成分分析()原则得到的新变量表现为彼此独立这有助于消除数据中的冗余信息同时保留关键的可靠信息 在本文中采用了一种二次主成分分析方法 此方法首先通过主成分分析提取葡萄叶片病变的光谱特征然后对这些特征进行二次主成分提取 利用二次提取得到的特征波段构建的图像能够更为明显地区分叶片上的病害区域 通过基于高光谱成像技术的葡萄叶片观测可以获取完整叶片的光谱数据 实验中收集了不同病情严重度的叶片图像通过计算相同病情严重度蚌埠学院学报 年 月 第 卷 第 期(总第 期)叶片的光谱反射率的平均值构建了不同严重度褐斑病叶片的光谱反射率曲线图(如图 所示)图 不同叶片病变严重度叶片的光谱反射率特征 从曲线图中可以观察到在可见光区域()内不同病情严重度的叶片展现出显著差异 虽然各病情严重度的叶片光谱曲线与健康叶片相似但呈现上升趋势 这种光谱变化的主要原因是:葡萄叶片受到病害感染后会发生失水、抱子堆积等变化并导致叶片内部色素和细胞结构的破坏色素变化主要体现在可见光区域的光谱变化上叶片的病情严重度越高叶绿素破坏程度越严重从而导致反射率的增加 对葡萄叶片病变成像高光谱影像进行裁剪、去噪等预处理划分病害等级及数据集后经光化学植被指数与二次主成分分析提取光谱特征合成具有褐斑病害特征的图像供卷积神经网络训练使用 实验验证及分析.算法验证采用精心准备的葡萄叶片病害训练集对提出的改进型 模型进行训练其中训练集依照 的比例划分为训练和验证子集 在训练阶段先对该模型在公开的农作物病害数据集上进行预训练随后将预训练得到的模型参数通过迁移学习技术应用于葡萄叶片病害的诊断模型 为确保训练过程的稳定性并避免梯度爆炸现象在前五次迭代中设定初始学习率为 以实现模型训练的预热 随后当模型进入稳定训练阶段学习率调整为 并采用余弦学习率衰减策略对模型的学习率进行动态调整以促进模型收敛至全局最优解此外模型参数的更新采用(随机梯度下降)加上动量()的优化方法 实验结果显示改进的 模型在葡萄叶片病害的诊断方面表现出色最终在测试集上达到了.的整体诊断准确率 实验训练过程中验证集准确率及损失函数值的变化情况如图 所示图 验证集准确率及损失函数值变化曲线 研究采用了离线数据增强技术来加速模型的收敛速度同时保持数据样本的稳定性 每训练一个 后进行一次性能评估总计进行了 个 的训练 为了评估改进的 算法的有效性本文采用了不同的优化策略并对比了它们的性能 图 展示了学习率分别设置为 、时不同模型在 、指标上的表现、参数量以及平均检测速度 为了更直观地进行比较使用了三种不同学习率对测试集数据进行集成推理这包括使用多个模型进行推理并将得到的多个结果聚合以生成最终预测以此来检验模型的最终性能实验结果显示通过在 的 和 部分使用 结构并调整网络宽度在牺牲一定模型精度的同时有效减少了模型的参数量从而得到了更加轻量化的基线模型(模型)与原始的 模型相比 在不同学习率下的检测精度有所下降但其参数量减少了 倍以上平均检测速度提高了 倍 进一步地为了提高模型精度在基线模型的基础上采用了 和 对模型进行优化并使用基于 的 模块作为预测头构建了 模 型(模 型)以 增 强 模 型 的 泛 化 能 力 模型的参数量仅为 平均检测速度达到 秒/张其集成推理结果在 上达到了 优于原始的 模型而在 上达到了 相比基线模型提升了 但相比原始 模型有 的下降吴方婧等 基于卷积神经网络的葡萄叶病害诊断系统研究与开发图 不同学习率下 的 对比 分类器的性能是模型最终分类效果的关键 然而当面对多个相似的形状类时分类器可能会被混淆 此外不同时期和不同背景下受感染葡萄叶子的图像也可能导致在同一类别中所展示图片的高度复杂性 同时分类器的性能也会下降 混淆矩阵如图 所示 混淆矩阵中可视化结果的颜色越深模型在相应类中的预测准确率就越高 所有正确的预测都在对角线上所有错误的预测都在对角线外根据图 混淆矩阵的分析根瘤蚜、霜霉病和健康的特征与其他疾病有较大差异识别率达到 此外与其他类别相比该鉴定在区分黑腐病、根瘤菌和健康根瘤菌以及黑麻疹、黑腐病和根瘤菌方面更准确不容易混淆 在测试的 张黑腐病图像中有两张图像被错误识别 一张被误识别为根瘤蚜感染叶片另一张被误识别为健康叶片 在被检测的 张黑麻疹图像中也有两张图像被错误识别 一张被误识别为黑腐病感染叶片另一张被误识别为根瘤蚜感染叶片 在 张叶斑病图像中只有一张被误识别为黑麻疹感染叶片 造成这种现象的原因是这两种疾病的几何特征非常相似 除上述两种病害种类外其余类别的识别效果较好未出现误识别现象 虽然混淆矩阵解释了试验中几种类型识别准确率低的原因但混淆矩阵中的统计数据是数字不能直接衡量模型的优缺点 在构建级联分类器模块时本文采取了一种策略即对高层和底层分类结果进行加权融合 这种方法的目的是避免了一个常见问题即底层分类器完全依赖于高层分类器的结果来进行判断从而可能导致病害识别的准确率降低 通过这种加权融合策略实现了 的病害识别准确率 为了有效地融合层次化分类模型中多个分类器的预测结果 模型对底层的多任务预测概率进行了累加处理 这种方法最终构成了本文的层次化葡萄叶片病害分类模型使得模型能够更有效地整合多层次的预测信息从而提高整体的分类准确率图 模型识别结果的混淆矩阵 不同方法改进后的 网络均采用相同的训练集进行训练并使用相同的测试集进行性能测试 训练时网络的参数如 等保持一致使用、和网络训练后生成的权重文件所占存储空间 作为评价指标进行比较试验结果如表 所示 由表 可以看出与原始 网络相比种方法中除 和 外其余 种改进方法在、和 方面的得分均有提高 和 两种方法在 指标上分别提高了 和 在 指标上提高了 这说明改进的 可以提高模型的分割性能 本研究采用 方法融合了注意力机制在 网络中加入 和 该方法在、这 个评价指标中的得分分别为 、在所有方法中得分最高的 网络训练数据在、这 个评价指标中的得分分别蚌埠学院学报 年 月 第 卷 第 期(总第 期)为、这表明本文采用的 方法相比于其他改进方法具有更好的整体性能表 不同改进算法的试验结果方法评价指标 .系统设计与构建随着深度学习技术的广泛应用以及物联网()技术的不断进步近年来的研究越来越多地将深度学习应用于作物病害的诊断领域 本研究开发的系统主要由两个核心功能模块组成:一是葡萄叶片常见病害的识别二是对不同发展阶段病害的防治措施的介绍 在叶片病害识别模块中系统的主要功能是对用户上传的葡萄叶片病害图像进行分析和诊断然后在用户界面上实时展示病害类别的预测结果 而在病害防治措施介绍模块系统针对不同生长阶段识别出的病害提供关于该病害的病理特征、发病规律、防治方法以及主要危害的详细信息 这有助于用户准确判断病害的严重程度和类型并及时采取适当的防治措施从而有效提高葡萄产量并减少经济损失 系统的运行流程详见图 图 系统流程图 为了开发能够满足实际生产需求的葡萄叶片病害识别与诊断系统本节从应用的角度对系统的需求和性能进行了详细分析 需求分析包括以下几个关键环节:()用户通过网页接口上传收集到的叶片病害图像()图像被传输到服务器端服务器端对图像进行预处理包括降噪和调整图像尺寸以符合模型的输入规格()服务器端加载经过训练的识别模型以进行图像分析和识别并根据识别结果将图像加入葡萄叶片病害后台数据库()根据识别出的病害严重程度返回相应的诊断结果包括该病害时期的发病规律、危害及防治措施在系统实现方面首先使用.()函数加载训练完成的模型权重文件.该文件包含在网络训练过程中通过.()方法保存的层参数以有序字典形式保存了每层与其对应参数张量的映射关系 接下来使用.()函数将权重文件载入所提出的模型网络结构中 考虑到模型定义并实例化后会自动初始化()函数的使用确保了训练好的参数覆盖了初始化的参数 最后调用.方法对单张图像进行预测 预测过程涉及到使用加载的模型权重参数对输入图像进行处理模型的输出包括两类:病害程度(即病斑大小)和病害种类 通过级联分类结构中的多个 分类器分别计算出每张图像属于大/小病斑的概率及每个病害类别的预测概率并输出概率最高的类别索引值在软件测试时采用兼容正例和反例的方式构建测试图库图库由 幅标准参考葡萄叶片黑腐病图像、幅葡萄叶片霜霉病图像以及 幅葡萄叶片白腐病图像组成 图 为葡萄叶片黑腐病图像测试结果从图中可以看出黑腐病病斑和得病概率由软件计算得到且病斑面积相对叶片面积的像素占比结果和受害均清晰可见 由此可以得出本研究吴方婧等 基于卷积神经网络的葡萄叶病害诊断系统研究与开发设计的病害评估软件可以正确地对感染了黑腐病的葡萄叶片进行病害等级评估图 葡萄叶片病害系统实际测试结果 本研究构建的葡萄叶片病害诊断系统面对用户上传的病害图像首先基于病斑的大小进行病害严重程度的判断 紧接着在相应的病斑大小类别下系统进行病害种类的预测分析 系统的前端在接收到模型的这两类预测结果后会与后端数据库建立连接并根据预测得出的病害类别与病斑大小来检索不同的数据库条目 这些条目中详细列出了各种患病程度下的病害症状描述、发病规律以及针对不同时期的防治措施和园区管理的注意事项 这种信息的提供对种植户来说极为重要它不仅帮助他们及时切断病害的传播源还提供了具体的防治措施 通过这样的方式种植户可以尽可能减少葡萄叶片病害的发生这对提升葡萄的产量和质量具有重要的实际意义 结论本研究着重解决了现有葡萄叶片病害诊断方法在特征提取上的粗糙性和识别精度不足的问题 针对葡萄叶片的形态识别和病害诊断进行深入研究提出了一种基于卷积神经网络的葡萄叶片形态识别与病害诊断方法并基于此方法构建了葡萄叶病害诊断系统在葡萄叶片病害的诊断方面提出了改进的 模型 该模型通过减少因葡萄叶片病害数据集中类别图像分布不均而造成的精度损失提高了对数据集中难以识别样本的准确率 此外模型中的特征信息传递更加流畅有效避免了梯度消失等问题最终在所使用的葡萄叶片病害数据集上实现了 的诊断准确率 针对实际生产场景中葡萄叶片病害识别方法的智能化和自动化程度不足的问题研发了葡萄叶片病害诊断系统 该系统的主要功能包括两部分:一是对五种常见葡萄叶片病害的识别二是针对不同患病程度提供病害的防治措施介绍 病害识别功能要求种植户上传葡萄叶片病害的照片系统随后将诊断结果反馈给种植户 而病害防治措施介绍则详细说明了诊断出的不同时期病害的发病规律、主要危害以及防治方法经测试该系统实现了的识别准确率参考文献:柴璐.多尺度卷积神经网络售电量预测算法设计与应用.济南:山东大学.戴久竣马肄恒吴坚等.基于改进残差网络的葡萄叶片病害识别.江苏农业科学():.何东健王鹏牛童等.基于改进残差网络的田间葡萄霜霉病病害程度分级模型.农业机械学报():.季长清高志勇秦静等.基于卷积神经网络的图像分类算法综述.计算机应用():.:.:.:.:.():.():.李书琴陈聪朱彤等.基于轻量级残差网络的植物叶片病害识别.农业机械学报():.牛学德高丙朋南新元等.基于改进 卷积神经网络的番茄叶片病害检测.江苏农业学报():.蚌埠学院学报 年 月 第 卷 第 期(总第 期)