基于卷積神經(jīng)網(wǎng)絡(luò)的溫室黃瓜病害識(shí)別系統(tǒng)

馬浚誠(chéng)，杜克明※，鄭飛翔，張領(lǐng)先，孫忠富

（1.中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)環(huán)境與可持續(xù)發(fā)展研究所，北京100081；2.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京100083）

0 引 言

病害是造成設(shè)施蔬菜品質(zhì)下降，農(nóng)民經(jīng)濟(jì)損失的主要原因之一[1-3]。近年來，由于栽培技術(shù)創(chuàng)新不足等原因，蔬菜病害發(fā)生面積越來越大、危害越來越嚴(yán)重[4]。隨著計(jì)算機(jī)視覺和模式識(shí)別等技術(shù)的發(fā)展，利用先進(jìn)信息技術(shù)輔助植物病害識(shí)別診斷研究，形成了一種由圖像分割、特征提取和模式識(shí)別3個(gè)環(huán)節(jié)組成的固定模式，并取得了一定的成果[5-10]。但是該模式過程相對(duì)復(fù)雜，對(duì)病斑特征的依賴程度較高，例如，需要準(zhǔn)確的提取病斑圖像底層特征、選擇對(duì)分類器貢獻(xiàn)率較高的分類特征。田間實(shí)際環(huán)境中采集的病害圖像包含大量由光照條件不均勻和復(fù)雜背景產(chǎn)生的噪聲，對(duì)病斑圖像分割、特征提取及選擇的準(zhǔn)確率有較大的影響，導(dǎo)致病害識(shí)別的實(shí)時(shí)性、準(zhǔn)確率較低，難以在實(shí)際應(yīng)用中推廣。深度學(xué)習(xí)是目前機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)，卷積神經(jīng)網(wǎng)絡(luò)作為目前最有效的深度學(xué)習(xí)方法之一[11-16]，為病害準(zhǔn)確識(shí)別診斷提供了一種新的思路。

該研究擬充分利用卷積神經(jīng)網(wǎng)絡(luò)以圖像作為輸入，并且能夠從訓(xùn)練數(shù)據(jù)中自動(dòng)學(xué)習(xí)分類特征而不需要人工特征提取的優(yōu)點(diǎn)[17]，構(gòu)建一種基于卷積神經(jīng)網(wǎng)絡(luò)的溫室黃瓜病害識(shí)別系統(tǒng)，以霜霉病和白粉病為例，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到設(shè)施蔬菜病害識(shí)別研究中。以田間實(shí)際環(huán)境中采集的病害圖像作為系統(tǒng)輸入，利用圖像分割方法，獲取病斑圖像；在Lenet5結(jié)構(gòu)的基礎(chǔ)上，結(jié)合病斑圖像數(shù)據(jù)的特點(diǎn)，構(gòu)建適用于溫室黃瓜病害識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，開展溫室黃瓜霜霉病和白粉病的識(shí)別研究。

1 病害識(shí)別系統(tǒng)設(shè)計(jì)

1.1 設(shè)計(jì)目標(biāo)

基于圖像處理與深度學(xué)習(xí)技術(shù)，結(jié)合溫室黃瓜病害圖像的特點(diǎn)，該系統(tǒng)以溫室黃瓜病害葉片圖像為輸入，旨在實(shí)現(xiàn)溫室黃瓜霜霉病和白粉病的準(zhǔn)確識(shí)別診斷，從而為植保專家、農(nóng)民提供一種可靠、易用的溫室黃瓜病害識(shí)別工具。

1.2 系統(tǒng)結(jié)構(gòu)功能設(shè)計(jì)

根據(jù)系統(tǒng)設(shè)計(jì)目標(biāo)，采用模塊化的思想進(jìn)行系統(tǒng)功能設(shè)計(jì)，將系統(tǒng)功能劃分為病斑分割、病害識(shí)別和系統(tǒng)管理3個(gè)模塊，如圖1所示。

由圖1可知，病害識(shí)別系統(tǒng)中病斑圖像分割模塊的主要功能是利用圖像處理的方法，從現(xiàn)場(chǎng)采集的溫室黃瓜病害葉片圖像中提取霜霉病或白粉病的單個(gè)病斑圖像，構(gòu)建病害識(shí)別分類器的輸入數(shù)據(jù)集。病害識(shí)別模塊的主要功能包括對(duì)卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，實(shí)現(xiàn)溫室黃瓜霜霉病和白粉病的識(shí)別。系統(tǒng)管理模塊主要功能包括系統(tǒng)管理員對(duì)用戶相關(guān)信息及登錄權(quán)限的管理，對(duì)系統(tǒng)日常事務(wù)管理和維護(hù)以及對(duì)數(shù)據(jù)庫的管理，以提高系統(tǒng)的安全性和數(shù)據(jù)的完整性。

圖1 病害識(shí)別系統(tǒng)功能模塊圖Fig.1 Function modules of disease recognition system

1.3 病斑圖像分割方法

1.3.1 病斑圖像分割方法設(shè)計(jì)

蔬菜病害種類不同，其病斑也具有不同的特征。基于計(jì)算機(jī)視覺進(jìn)行蔬菜病害識(shí)別，其關(guān)鍵在于提取病斑的特征。在現(xiàn)場(chǎng)環(huán)境下采集的病害圖像中包含大量復(fù)雜背景和光照不均勻等噪聲，并且通過觀察病害圖像可以發(fā)現(xiàn)，病斑部分?jǐn)?shù)量多，面積小，在整個(gè)圖像中所占的比例低[8]。如果直接以現(xiàn)場(chǎng)環(huán)境下采集的病害圖像作為病害識(shí)別分類器的輸入，由于受到噪聲的干擾，分類器難以準(zhǔn)確獲取病斑特征，導(dǎo)致識(shí)別準(zhǔn)確率低。因此該系統(tǒng)病害識(shí)別分類器以病斑圖像作為輸入，借助圖像分割方法從病害圖像中提取病斑圖像。

圖2 病斑圖像分割算法流程圖Fig.2 Flow chart of disease symptom image segmentation

顏色特征是區(qū)分溫室黃瓜病斑與正常葉片的最直接特征，但顏色特征極易受到光照條件的影響[8,18-21]。在田間實(shí)際情況下采集的黃瓜病害圖像中，背景復(fù)雜、光照不均勻等噪聲是難以避免的，因此病斑圖像分割方法需要在克服光照條件不均勻和復(fù)雜背景的干擾下，準(zhǔn)確分割病斑圖像。基于以上分析，該研究將超紅特征[22]（excess red,ExR）、H分量（HSV顏色空間）和B分量（CIELAB顏色空間）3種顏色特征結(jié)合，提出一種復(fù)合顏色特征及其檢測(cè)方法，在此基礎(chǔ)上，綜合考慮病斑圖像分割方法的要求和下一步病害識(shí)別的數(shù)據(jù)需求特點(diǎn)，基于復(fù)合顏色特征，結(jié)合區(qū)域生長(zhǎng)算法進(jìn)行病斑分割。由于該系統(tǒng)病斑分割的目的是為卷積神經(jīng)網(wǎng)絡(luò)提供數(shù)據(jù)，分割結(jié)果對(duì)后續(xù)識(shí)別的準(zhǔn)確性有較大的影響，因此首先要確保分割方法的準(zhǔn)確性；其次在系統(tǒng)實(shí)際應(yīng)用中，需要從病害圖像中快速提取病斑，因此對(duì)分割方法的效率也有一定的要求。如果采用自動(dòng)選擇種子點(diǎn)的方式，為確保分割的準(zhǔn)確性，勢(shì)必會(huì)增加分割方法的復(fù)雜程度和計(jì)算量，從而降低分割方法的效率。因此，該系統(tǒng)采用人機(jī)交互的方式在特征圖中選擇區(qū)域生長(zhǎng)種子點(diǎn)，實(shí)現(xiàn)病斑圖像的分割。病斑圖像分割僅用于構(gòu)建分類器輸入數(shù)據(jù)集，模型訓(xùn)練、測(cè)試完成后，系統(tǒng)實(shí)際應(yīng)用過程中可直接調(diào)用已訓(xùn)練好的識(shí)別模型，不再需要大量人機(jī)交互工作。

1.3.2 病斑圖像分割方法實(shí)現(xiàn)

基于以上分析，該研究病斑圖像分割方法具體算法流程如圖2所示。

在獲取原始RGB圖像后，計(jì)算原始圖像的超紅特征IExR，超紅特征計(jì)算方法見式（1），在計(jì)算超紅特征后，將原始RGB圖像分別轉(zhuǎn)換到HSV顏色空間和CIELAB顏色空間，提取H分量和B分量。

式中IR，IG，IB為RGB顏色空間3個(gè)顏色分量值。

在獲取3個(gè)顏色特征分量后，采用高斯差分濾波（difference of Gaussian，DoG）和圓形區(qū)域均值濾波對(duì)ExR、H分量和B分量3個(gè)顏色特征圖像進(jìn)行二維離散卷積操作，實(shí)現(xiàn)CCF檢測(cè)并生成CCF特征圖，計(jì)算方法見式（2）[23-24]。

式中I為輸入圖像，IExR為ExR特征圖像，ILAB為B顏色分量圖像，IH為H顏色分量圖像，Pr為半徑為r的圓形區(qū)域均值濾波器，σH、σL為高斯差分濾波器標(biāo)準(zhǔn)差，α為ExR參數(shù)，取值范圍為（0,1]，通過試驗(yàn)確定，取值為0.1[23]，*為二維離散卷積操作。CCF可由式（3）計(jì)算得出。

式中β為下降速率參數(shù)。

在CCF特征圖的基礎(chǔ)上，通過人機(jī)交互的方式選擇種子點(diǎn)進(jìn)行病斑圖像分割，得到初始分割結(jié)果。對(duì)初始分割結(jié)果二值圖進(jìn)行形態(tài)學(xué)處理，優(yōu)化分割結(jié)果。將優(yōu)化的分割結(jié)果與原圖像進(jìn)行掩碼運(yùn)算得到最終病斑分割結(jié)果。

1.4 卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

一個(gè)常見的卷積神經(jīng)網(wǎng)絡(luò)通常由卷積層、池化層、ReLU層和全連接層組成[13-14,25-26]。該系統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要參考了Lenet5結(jié)構(gòu)[27]。Lenet5結(jié)構(gòu)對(duì)數(shù)據(jù)量相對(duì)較小的訓(xùn)練數(shù)據(jù)集有較好的處理能力，并且易于實(shí)現(xiàn)，識(shí)別效率較高[13]。在Lenet5結(jié)構(gòu)的基礎(chǔ)上，結(jié)合設(shè)施蔬菜病斑圖像數(shù)據(jù)特點(diǎn)，對(duì)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進(jìn)行了調(diào)整和優(yōu)化。由于設(shè)施蔬菜病斑的面積較小，且數(shù)量較多[8]，考慮到卷積網(wǎng)絡(luò)運(yùn)行的效率，輸入層病斑圖像應(yīng)選擇相對(duì)合適的尺寸。該系統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。從圖中可以看出，卷積神經(jīng)網(wǎng)絡(luò)以溫室黃瓜病斑RGB圖像作為輸入，輸入圖像尺寸為20×20×3（寬20像素，高20像素，3個(gè)顏色通道），共包含3個(gè)模塊。第1模塊包含1個(gè)卷積層、1個(gè)ReLU層和1個(gè)池化層。卷積層中的卷積核尺寸通常為3×3像素或5×5像素等，在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中較淺層次的卷積層中采用相對(duì)較大的卷積核，能夠充分獲取輸入圖像的特征，提高卷積運(yùn)算的效果[28]。該系統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，第1模塊卷積層采用20個(gè)大小為5×5的卷積核，用于提取輸入數(shù)據(jù)的特征，生成相應(yīng)的特征圖。池化層卷積核的大小為2×2，步長(zhǎng)為2，通過最大降采樣（max pooling）方法，減小特征圖的大小，從而降低參數(shù)的數(shù)量和網(wǎng)絡(luò)的計(jì)算量，控制過擬合現(xiàn)象的產(chǎn)生。第2模塊包含1個(gè)卷積層、1個(gè)ReLU層和1個(gè)池化層。卷積層采用100個(gè)大小為3×3的卷積核，池化層的大小和步長(zhǎng)與第1模塊相同。第3模塊包含2個(gè)全連接層，將卷積后生成的特征圖轉(zhuǎn)化為一維向量作為分類器的輸入，全連接層的神經(jīng)元個(gè)數(shù)分別為1 000和1 500。輸出層包含2個(gè)神經(jīng)元，分別代表溫室黃瓜霜霉病和白粉病，輸出層分類函數(shù)采用softmax函數(shù)。

圖3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Architecture of CNN model

2 試驗(yàn)結(jié)果與分析

該系統(tǒng)溫室黃瓜病害圖像分割算法采用Matlab 2014a編程實(shí)現(xiàn)；基于卷積神經(jīng)網(wǎng)絡(luò)的病害識(shí)別模型是在MatConvNet[29]深度學(xué)習(xí)框架的基礎(chǔ)上，采用Matlab 2014a編程實(shí)現(xiàn)；病害識(shí)別系統(tǒng)采用Matlab 2014a與Microsoft Visual C++編程實(shí)現(xiàn)。

2.1 病斑分割

病斑分割試驗(yàn)采用的溫室黃瓜病害數(shù)據(jù)包含93幅霜霉病圖像和77幅白粉病圖像，其中24幅霜霉病圖像來源于網(wǎng)絡(luò)，其他病害圖像采集于天津市農(nóng)科院植保所農(nóng)業(yè)創(chuàng)新基地日光溫室5號(hào)棚，圖像均采集于晴天，采集日期是2016年4月，采集時(shí)間為08：00點(diǎn)至17：00點(diǎn)。部分圖像示例如圖4所示。在進(jìn)行圖像分析前，將所有圖像的尺寸統(tǒng)一調(diào)整為800×600（寬800像素，高600像素），以提高系統(tǒng)的運(yùn)行速度，降低運(yùn)算量。在病斑分割模塊中（圖5），導(dǎo)入的溫室黃瓜病害原始圖像顯示在右下側(cè)輸入圖像面板中。

圖4 溫室黃瓜病害圖像Fig.4 Disease images of greenhouse cucumber

圖5 病斑圖像分割模塊Fig.5 Module of disease symptom image segmentation

導(dǎo)入圖像后，系統(tǒng)根據(jù)式（2）、式（3）計(jì)算導(dǎo)入圖像的CCF特征圖，并顯示在CCF特征圖面板中，其中式（2）、式（3）中采用的相關(guān)參數(shù)的取值為：σH=5、σL=4，r=3，β=3。獲得CCF特征圖后，通過在CCF特征圖上手動(dòng)選擇種子點(diǎn)，系統(tǒng)采用區(qū)域生長(zhǎng)方法分割溫室黃瓜葉片上的病斑圖像，相應(yīng)的分割結(jié)果顯示在分割結(jié)果面板及二值圖面板中。

利用采集的霜霉病和白粉病圖像進(jìn)行病斑圖像分割算法試驗(yàn)，從分割結(jié)果CCF特征圖（圖6b）中可以看出

該系統(tǒng)采用的CCF特征能夠有效的區(qū)分病斑區(qū)域與

正常葉片、背景，同時(shí)該方法還具有較強(qiáng)的魯棒性，在不同光照條件下，依然能夠準(zhǔn)確、有效的提取病斑。從分割結(jié)果圖6c和圖6d中可以看出，基于CCF特征與區(qū)域生長(zhǎng)的分割方法，能夠準(zhǔn)確的提取霜霉病病斑圖像和白粉病病斑圖像。

為進(jìn)一步驗(yàn)證該系統(tǒng)分割方法的有效性，選擇K均值聚類和OTSU算法開展分割效果對(duì)比試驗(yàn)。對(duì)比試驗(yàn)中，K均值聚類方法采用HSV顏色空間H分量和CIELAB顏色空間B量實(shí)現(xiàn)，OTSU閾值分割方法采用HSV顏色空間H分量和自適應(yīng)閾值實(shí)現(xiàn)，對(duì)比結(jié)果如圖7所示。

圖6 病斑分割結(jié)果Fig.6 Results of disease symptom image segmentation

圖7 不同病斑分割方法結(jié)果對(duì)比Fig.7 Results comparison of different disease symptom image segmentation methods

從圖7中可以明顯看出，K均值聚類方法和OTSU閾值分割方法受到了光照條件不均勻和復(fù)雜背景的影響，均難以從病害圖像中準(zhǔn)確的分割病斑。受到光照影響比較嚴(yán)重的部分，很容易被誤判為病斑部分，并且圖像中的復(fù)雜背景也降低了分割結(jié)果的準(zhǔn)確率。相比較而言，該系統(tǒng)病斑分割方法展示出了良好的分割效果及魯棒性。為進(jìn)一步評(píng)價(jià)分割方法的準(zhǔn)確性，采用分割準(zhǔn)確率對(duì)分割效果進(jìn)行定量評(píng)價(jià)，分割準(zhǔn)確率的公式見式（4）[21,30]，分割準(zhǔn)確率的數(shù)值越大，表明分割效果越好。

式中P為分割準(zhǔn)確率，TP為正確分割的病斑像素比例，F(xiàn)P為錯(cuò)誤分割的病斑像素比例。

3種分割方法（該文方法、K均值聚類方法和OTSU閾值分割方法）的準(zhǔn)確率分別為：97.29%、63.64%和56.31%，此結(jié)果為170幅溫室黃瓜病害圖像分割準(zhǔn)確率的平均值。從定量評(píng)價(jià)的結(jié)果來看，該系統(tǒng)分割方法的準(zhǔn)確率明顯高于對(duì)比方法。分割結(jié)果表明，該系統(tǒng)采用的病斑圖像分割方法，能夠在充分克服光照條件不均勻和復(fù)雜背景的情況下，準(zhǔn)確的獲取病斑圖像，從而為下一步基于卷積神經(jīng)網(wǎng)絡(luò)的病害識(shí)別提供準(zhǔn)確的數(shù)據(jù)源。

2.2 溫室黃瓜病害識(shí)別

圖8為病害識(shí)別模塊，該模塊可以實(shí)現(xiàn)數(shù)據(jù)集導(dǎo)入、數(shù)據(jù)增強(qiáng)、模型訓(xùn)練、驗(yàn)證和測(cè)試以及病害識(shí)別。在數(shù)據(jù)集面板中，系統(tǒng)顯示了導(dǎo)入數(shù)據(jù)集每一類病害的數(shù)據(jù)量。該系統(tǒng)基于卷積神經(jīng)網(wǎng)絡(luò)的病害識(shí)別分類器以溫室黃瓜病斑圖像為輸入，病斑圖像由該系統(tǒng)病斑圖像分割方法從溫室黃瓜病害葉片圖像中提取。

圖8 病害識(shí)別模塊Fig.8 Module of disease recognition

在獲取溫室黃瓜病斑圖像后，經(jīng)過初步篩選，剔除質(zhì)量相對(duì)較低的病斑圖像，構(gòu)建初始病斑圖像集，共包含747幅病斑圖像，其中霜霉病415幅，白粉病332幅。由于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量的訓(xùn)練數(shù)據(jù)，而該研究通過病斑圖像分割方法構(gòu)建的病害圖像數(shù)據(jù)集的數(shù)據(jù)量相對(duì)較小，為進(jìn)一步提高病害識(shí)別準(zhǔn)確率，避免過擬合現(xiàn)象的發(fā)生，系統(tǒng)通過數(shù)據(jù)增強(qiáng)方法對(duì)病害數(shù)據(jù)集進(jìn)行擴(kuò)充，擴(kuò)充結(jié)果顯示在右側(cè)數(shù)據(jù)增強(qiáng)面板中。由于該系統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像尺寸較小，因此數(shù)據(jù)增強(qiáng)采用不會(huì)縮小輸入圖像尺寸的方法。該系統(tǒng)采用的數(shù)據(jù)增強(qiáng)方法為：將原始病害圖像數(shù)據(jù)集分別旋轉(zhuǎn)90°、180°和270°，然后進(jìn)行水平和垂直翻轉(zhuǎn)。通過數(shù)據(jù)增強(qiáng)方法，能夠?qū)⒃紨?shù)據(jù)集擴(kuò)充12倍。數(shù)據(jù)增強(qiáng)后的病害圖像數(shù)據(jù)集共包含8 964幅溫室黃瓜病斑圖像，其中霜霉病4 980幅，白粉病3 984幅（圖8）。在數(shù)據(jù)增強(qiáng)面板中，系統(tǒng)顯示了每一類病害的數(shù)據(jù)量及用于訓(xùn)練、驗(yàn)證和測(cè)試的數(shù)據(jù)量。

建立數(shù)據(jù)集后，系統(tǒng)采用梯度下降算法對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和驗(yàn)證，結(jié)果顯示在左側(cè)訓(xùn)練結(jié)果面板中。Top1err和Top5err是2種評(píng)價(jià)CNN訓(xùn)練效果的常用指標(biāo)[14]，Top1err表明測(cè)試圖像不屬于CNN識(shí)別結(jié)果可能性最高類別的錯(cuò)誤率，Top5err表明測(cè)試圖像不屬于CNN識(shí)別結(jié)果前5類別的錯(cuò)誤率。由于該系統(tǒng)識(shí)別的溫室黃瓜病害種類為2種，因此系統(tǒng)僅采用Top1err作為評(píng)價(jià)標(biāo)準(zhǔn)。如圖8所示，該系統(tǒng)病害識(shí)別分類器訓(xùn)練集和驗(yàn)證集的Top1err僅為5.8%和6.4%，訓(xùn)練結(jié)果比較理想。

模型訓(xùn)練完成后，系統(tǒng)會(huì)采用測(cè)試數(shù)據(jù)集對(duì)模型進(jìn)行測(cè)試，測(cè)試結(jié)果顯示在測(cè)試結(jié)果面板中。為評(píng)價(jià)病害識(shí)別分類器的效果，該系統(tǒng)采用混淆矩陣作為評(píng)價(jià)方法。從混淆矩陣中可以看出（圖8），病害識(shí)別分類器正確識(shí)別了1 017個(gè)霜霉病樣本，占全部測(cè)試數(shù)據(jù)集2 136個(gè)樣本的47.6%；正確識(shí)別了1 027個(gè)白粉病樣本，占全部測(cè)試數(shù)據(jù)集2136個(gè)樣本的48.1%。17個(gè)白粉病樣本被錯(cuò)誤識(shí)別為霜霉病，占全部測(cè)試數(shù)據(jù)集2136個(gè)樣本的0.8%。75個(gè)霜霉病樣本被錯(cuò)誤識(shí)別為白粉病，占全部測(cè)試數(shù)據(jù)集2136個(gè)樣本的3.5%。從混淆矩陣中可以看出，該系統(tǒng)病害識(shí)別分類器的準(zhǔn)確率為95.7%，其中，霜霉病的識(shí)別準(zhǔn)確率為93.1%，白粉病的識(shí)別準(zhǔn)確率為98.4%。從分類器測(cè)試的結(jié)果來看，該系統(tǒng)能夠準(zhǔn)確的識(shí)別溫室黃瓜霜霉病和白粉病，準(zhǔn)確率基本滿足要求。

模型測(cè)試完成后，系統(tǒng)可以調(diào)用構(gòu)建的病害識(shí)別分類器對(duì)輸入的病斑圖像進(jìn)行識(shí)別，并輸出病害類別及概率，待識(shí)別的病斑圖像和識(shí)別結(jié)果顯示在識(shí)別結(jié)果面板中。

3 結(jié)論

該研究基于圖像處理與深度學(xué)習(xí)技術(shù)，研發(fā)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的溫室黃瓜病害識(shí)別系統(tǒng)。主要結(jié)論如下：

1）針對(duì)溫室現(xiàn)場(chǎng)采集的黃瓜霜霉病、白粉病圖像中含有較多光照不均勻和復(fù)雜背景等噪聲的情況，該系統(tǒng)采用了一種復(fù)合顏色特征，并結(jié)合區(qū)域生長(zhǎng)算法，實(shí)現(xiàn)了溫室黃瓜病斑圖像的分割，分割準(zhǔn)確率達(dá)到了97.29%，為進(jìn)一步的病害識(shí)別提供了準(zhǔn)確的數(shù)據(jù)。

2）基于卷積神經(jīng)網(wǎng)絡(luò)，以溫室黃瓜病斑圖像作為輸入，進(jìn)行了病害識(shí)別分類器試驗(yàn)。結(jié)果表明，該系統(tǒng)病害識(shí)別準(zhǔn)確率為95.7%，其中，霜霉病的識(shí)別準(zhǔn)確率為93.1%，白粉病的識(shí)別準(zhǔn)確率為98.4%，能夠滿足實(shí)際應(yīng)用的要求。

該系統(tǒng)實(shí)現(xiàn)了溫室黃瓜霜霉病和白粉病的準(zhǔn)確識(shí)別，隨著數(shù)據(jù)的進(jìn)一步獲取及識(shí)別方法研究的深入和完善，系統(tǒng)會(huì)擴(kuò)充病害識(shí)別的種類，在現(xiàn)有基礎(chǔ)上進(jìn)一步提升其應(yīng)用價(jià)值。

[1]Bai X,Li X,Fu Z,et al.A fuzzy clustering segmentation method based on neighborhood grayscale information for defining cucumber leaf spot disease images[J].Computers and Electronics in Agriculture,2017,136:157－165.

[2]Ma J,Li X,Wen H,et al.A key frame extraction method for processing greenhouse vegetables production monitoring video[J].Computers and Electronics in Agriculture,2015,111:92－102.

[3]王翔宇，李鑫星，張領(lǐng)先，等.農(nóng)業(yè)主要病害檢測(cè)與預(yù)警技術(shù)研究進(jìn)展分析[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(9)：266－277.Wang Xiangyu,Li Xinxing,Zhang Lingxian,et al.Research progress analysis of mainly agricultural diseases detection and early warning technologies[J].Transactions of the Chinese Society for Agricultural Machinery,2016,47(9):266－277.(in Chinese with English abstract)

[4]中國(guó)人民共和國(guó)國(guó)家發(fā)展和改革委員會(huì)，農(nóng)業(yè)部.國(guó)家發(fā)展改革委 農(nóng)業(yè)部關(guān)于印發(fā)全國(guó)蔬菜產(chǎn)業(yè)發(fā)展規(guī)劃(2011－2020年)的通知[EB/OL]http://www.ndrc.gov.cn/fzgggz/ncjj/zhdt/201202/t20120227_463486.html,2012-02-22.

[5]Zhang S,Wu X,You Z,et al.Leaf image based cucumber disease recognition using sparse representation classification[J].Computers and Electronics in Agriculture,2017,134:135－141.

[6]Zhang S,Zhu Y,You Z,et al.Fusion of superpixel,expectation maximization and PHOG forrecognizing cucumberdiseases [J].Computers and Electronics in Agriculture,2017,140:338－347.

[7]Du K,Sun Z,Li Y,et al.Diagnostic model for wheat leaf conditions using image features and a support vector machine[J].Transactions of the ASABE,2016,59(5):1041－1052.

[8]馬浚誠(chéng)，溫皓杰，張領(lǐng)先，等.基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(2)：195－202.Ma Juncheng,Wen Haojie,Zhang Lingxian,et al.Downy mildew diagnosis system for greenhouse cucumbers based on image processing[J].Transactions of the Chinese Society for Agricultural Machinery,2017,48(2):195－202.(in Chinese with English abstract)

[9]葉海建，郎睿.基于Android的自然背景下黃瓜霜霉病定量診斷系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(3)：24－29.Ye Haijian,Lang Rui.Cucumber downy mildew severity quantifying diagnosis system suitable for natural backgrounds based on android[J].Transactions of the Chinese Society for Agricultural Machinery,2017,48(3):24－29.(in Chinese with English abstract)

[10]秦立峰，何東健，宋懷波.詞袋特征PCA多子空間自適應(yīng)融合的黃瓜病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34(8)：200－205.Qin Lifeng,He Dongjian,Song Huaibo.Bag of words feature multi-PCA subspace adaptive fusion for cucumber diseases identification[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2018,34(8):200－205.(in Chinese with English abstract)

[11]Ferreira A D S,Freitas D M,Silva G G D,et al.Weed detection in soybean crops using ConvNets[J].Computers and Electronics in Agriculture,2017,143:314－324.

[12]DeChant C,Wiesner-Hanks T,Chen S,et al.Automated Identification of Northern Leaf Blight-Infected Maize Plants from Field Imagery Using Deep Learning [J].Phytopathology 2017,107:1426－32.

[13]Ding W,Taylor G.Automatic moth detection from trap images for pest management[J].Computers and Electronics in Agriculture,2016,123:17－28.

[14]Krizhevsky A,SutskeverI,Hinton G E.ImageNet classification with deep convolutional neural networks[C]//International Conference on Neural Information Processing Systems.Curran Associates Inc.2012,60(2):1097－1105.

[15]高震宇，王安，劉勇，等.基于卷積神經(jīng)網(wǎng)絡(luò)的鮮茶葉智能分選系統(tǒng)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(7)：3－58.Gao Zhenyu,Wang An,Liu Yong,etal.Intelligent fresh-tea-leaves sorting system research based on convolution neural network[J].Transactions of the Chinese Society for Agricultural Machinery,2017,48(7):53－58.(in Chinese with English abstract)

[16]楊國(guó)國(guó),鮑一丹,劉子毅.基于圖像顯著性分析與卷積神經(jīng)網(wǎng)絡(luò)的茶園害蟲定位與識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2017,33(6):156－162.Yang Guoguo,Bao Yidan,Liu Ziyi.Localization and recognition of pests in tea plantation based on image saliency analysis and convolutional neural network[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(6):156－162.(in Chinese with English abstract)

[17]Ghosal S,Blystone D,Singh A K,et al.An explainable deep machine vision framework for plant stress phenotyping[J].Proceedings of the National Academy of Sciences of the United States of America,2018:1－6.

[18]Hernández-Hernández J L, García-Mateos G,González-Esquiva J M,et al.Optimal color space selection method forplant/soilsegmentation in agriculture [J].Computers and Electronics in Agriculture,2016,122:124－132.

[19]Hamuda E,Glavin M,Jones E.A survey of image processing techniques for plant extraction and segmentation in the field[J].Computers and Electronics in Agriculture,2016,125:184－199.

[20]Barbedo J G A.A review on the main challenges in automatic plant disease identification based on visible range images[J].Biosystems Engineering,2016,144:52－60.

[21]Guijarro M,Riomoros I,Pajares G,et al.Discrete wavelets transform for improving greenness image segmentation in agricultural images[J]. Computers and Electronics in Agriculture,2015,118:396－407.

[22]Meyer G E,Hindman T W,Laksmi K.Machine vision detection parameters for plant species identification[C]//Precision Agriculture and Biological Quality.International Society for Optics and Photonics,1999,3543:327－335.

[23]Ma J,Du K,Zhang L,et al.A segmentation method for greenhouse vegetable foliar disease spots images using color information and region growing [J].Computers and Electronics in Agriculture,2017,142:110－117.

[24]Minervini M,Abdelsamea M M,Tsaftaris S A.Image-based plant phenotyping with incremental learning and active contours[J].Ecological Informatics,2014,23:35－48.

[25]Liu W,Wang Z,Liu X,et al.A survey of deep neural network architectures and their applications [J].Neurocomputing,2017,234:11－26.

[26]Lecun Y,Bengio Y,Hinton G.Deep learning[J].Nature,2015,521(7553):436－444.

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

[28]Barré P,St?ver B C,Müller K F,et al.LeafNet:A computer vision system for automatic plant species identification[J].Ecological Informatics,2017,40:50－56.

[29]Vedaldi A,Lenc K.MatConvNet:Convolutional Neural Networks for MATLAB[C]//ACM International Conference on Multimedia,ACM,2015:689－692.

[30]Hamuda E,Mc Ginley B,Glavin M,et al.Automatic crop detection under field conditions using the HSV colour space and morphological operations[J].Computers and Electronics in Agriculture,2017,133:97－107.