基于CNN的植物葉片病害智能檢測(cè)系統(tǒng)算法設(shè)計(jì)與仿真

樊東燕

（山西工程科技職業(yè)大學(xué)，山西 晉中 100048）

農(nóng)作物生長(zhǎng)過(guò)程中的各種葉片病害會(huì)顯著降低農(nóng)產(chǎn)品的數(shù)量和質(zhì)量，人工診斷和識(shí)別方法費(fèi)時(shí)低效。為了提高農(nóng)業(yè)生產(chǎn)效率，及時(shí)發(fā)現(xiàn)和早期預(yù)防農(nóng)作物病害對(duì)提高產(chǎn)量至關(guān)重要。由于田間的復(fù)雜性，從農(nóng)作物圖像中識(shí)別和診斷病害是一項(xiàng)高度復(fù)雜的任務(wù)。圖像處理和機(jī)器視覺(jué)能夠適應(yīng)復(fù)雜多變的自然場(chǎng)景，為作物病害的識(shí)別和診斷奠定基礎(chǔ)。利用計(jì)算機(jī)視覺(jué)和圖像處理策略設(shè)計(jì)的植物葉片病害智能檢測(cè)系統(tǒng)，可以快速、低成本和精確地對(duì)農(nóng)作物病害進(jìn)行診斷和識(shí)別，有助于建立病害預(yù)測(cè)機(jī)制，及時(shí)進(jìn)行防控，具有重大的實(shí)用意義。

為了提升植物葉片病害智能檢測(cè)系統(tǒng)的效能，準(zhǔn)確識(shí)別農(nóng)作物病害的類型，需要選擇合適的數(shù)字圖像處理算法。目前深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在計(jì)算機(jī)視覺(jué)領(lǐng)域有諸多應(yīng)用，文章通過(guò)采用CNN模型，設(shè)計(jì)圖像處理算法并進(jìn)行仿真試驗(yàn)，從農(nóng)作物的葉子中識(shí)別和診斷疾病，實(shí)現(xiàn)高效、準(zhǔn)確的疾病識(shí)別和診斷。

1 系統(tǒng)結(jié)構(gòu)和功能模塊的設(shè)計(jì)

1.1 植物葉片病害智能檢測(cè)系統(tǒng)的工作機(jī)制

植物葉片病害智能檢測(cè)系統(tǒng)的工作機(jī)制為：首先，創(chuàng)建植物葉片圖像數(shù)據(jù)集，應(yīng)用該數(shù)據(jù)集訓(xùn)練設(shè)計(jì)圖像處理模型；然后，這個(gè)模型被保存并用于測(cè)試相機(jī)拍攝的圖像；最后，被檢測(cè)的植物葉片的圖像由手機(jī)拍攝成圖片文件通過(guò)網(wǎng)絡(luò)傳輸?shù)较到y(tǒng)，進(jìn)行相關(guān)圖像處理，并把檢測(cè)結(jié)果返回到手機(jī)端。

農(nóng)作物生長(zhǎng)容易受到多種因素的影響，包括環(huán)境、氣候和土壤。這些因素使作物葉片圖像的背景變得復(fù)雜。而在復(fù)雜背景下采集的葉片圖像可能比較模糊，葉片經(jīng)常相互重疊導(dǎo)致部分病葉被遮擋，或者由于不同角度、不同地方的光線條件不一樣，導(dǎo)致葉片圖片變形。為了準(zhǔn)確識(shí)別作物病害，需要選擇合適的圖像分割、特征提取和特征優(yōu)化方法。

1.2 數(shù)字圖像處理系統(tǒng)

系統(tǒng)的核心功能是數(shù)字圖像處理，本文設(shè)計(jì)系統(tǒng)的功能模塊結(jié)構(gòu)見(jiàn)圖1，其中核心的圖像處理部分如下。

圖1 系統(tǒng)核心處理功能模塊及結(jié)構(gòu)Fig.1 System core processing function module and structure

（1）圖像分割：對(duì)于背景復(fù)雜的農(nóng)作物病害圖像而言，直接識(shí)別的效果并不好。為此，文章提出了一種先分割后識(shí)別的植物病害圖像識(shí)別方式。采用K均值聚類算法（K-means）將圖像的每個(gè)像素點(diǎn)的灰度或者RGB作為特征向量，分割后的圖像只包含葉片圖像中受感染的區(qū)域。從而改善識(shí)別效果，提高識(shí)別準(zhǔn)確率。

（2）特征提取：特征提取是將大量不需要的數(shù)據(jù)重新定義為一組降維特征的技術(shù)，有助于將圖像中觀測(cè)的部分表示成一個(gè)緊湊的特征向量。對(duì)提高圖像匹配和檢索的速度有很大的幫助。因此該模塊的功能是從測(cè)試樣本圖像中提取所需的特征，用于檢測(cè)植物葉片病害的區(qū)域。使用的特征提取方法為：HOG（Histogram of Oriented Gradient）特征提取、局部紋理特征提取GLCM(Gray Level Co-occurrence Matrix)灰度共生矩陣。

（3）分類：系統(tǒng)圖像處理階段的最后一個(gè)階段是對(duì)經(jīng)過(guò)特征提取后的塊圖像進(jìn)行分類。首先對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，并根據(jù)訓(xùn)練好的模型對(duì)目標(biāo)圖像進(jìn)行測(cè)試。利用CNN模型進(jìn)行圖像分類，CNN方法的層架構(gòu)可以深度提取植物葉片圖像特征,算法的識(shí)別準(zhǔn)確率高,易于實(shí)現(xiàn)。算法設(shè)計(jì)和數(shù)據(jù)訓(xùn)練是系統(tǒng)設(shè)計(jì)的重點(diǎn)和難點(diǎn)。

2 相關(guān)算法設(shè)計(jì)

文章重點(diǎn)研究了CNN圖像分類與識(shí)別算法，其算法流程設(shè)計(jì)見(jiàn)圖2。

圖2 CNN圖像分類與識(shí)別算法流程Fig.2 CNN image classification and recognition algorithm flow

CNN的結(jié)構(gòu)見(jiàn)圖3，可以分為3層：卷積層、池化層、全連接層。通過(guò)卷積運(yùn)算提取圖像特征，利用池化層減少數(shù)據(jù)處理量，保留有用的特征，全連接層則負(fù)責(zé)通過(guò)權(quán)值矩陣將之前被忽略的局部特征重構(gòu)為完整圖像來(lái)做分類判斷。

圖3 CNN結(jié)構(gòu)Fig.3 Structureof CNN

輸入圖片后，重復(fù)進(jìn)行卷積、池化操作,得到深度為5的特征圖,最后將這5個(gè)特征圖（5個(gè)矩陣）按行展開(kāi)連接成向量,傳入全連接層。全連接層就是一個(gè)BP神經(jīng)網(wǎng)絡(luò).圖中的每個(gè)特征圖都可以看成是排列成矩陣形式的神經(jīng)元,與BP神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元大同小異。

卷積是卷積神經(jīng)網(wǎng)絡(luò)的核心，用一個(gè)K×K大小的卷積核（Filter），對(duì)大小為I×I的圖像（Input）進(jìn)行卷積操作時(shí)，假設(shè)每次卷積操作的步長(zhǎng)（Stride）為S，如果卷積操作超出了圖像邊界，填充（Padding）像素?cái)?shù)為P。那么經(jīng)過(guò)此類卷積后輸出（Output）的特征圖大小計(jì)算公式見(jiàn)式（1）：

卷積計(jì)算：第l層第j個(gè)featuremap的計(jì)算公式見(jiàn)式（2）：

殘差計(jì)算：第l層第j個(gè)feature map的殘差計(jì)算公式見(jiàn)式（3）：

3 算法仿真驗(yàn)證

仿真試驗(yàn)的運(yùn)行環(huán)境為Windows 11（64位），使用Matlab 2020神經(jīng)網(wǎng)絡(luò)工具箱Neural Net Fitting app進(jìn)行編程和數(shù)據(jù)數(shù)據(jù)訓(xùn)練，采用ImageNet圖像大數(shù)據(jù)集和PlantVillage植物病害公共數(shù)據(jù)集作為試驗(yàn)圖像樣本資源。仿真試驗(yàn)以馬鈴薯（potato）植株葉片圖片（3000幅圖像）為例，馬鈴薯葉片常見(jiàn)病有早疫病（early blight）和晚疫病（lateblight）。

文章設(shè)計(jì)的CNN的結(jié)構(gòu)類似于經(jīng)典的AlexNet模型，AlexNet是一個(gè)非常典型的CNN模型，由5個(gè)卷積層、3個(gè)收斂層和3個(gè)全連接層組成。AlexNet吸收了LeNet-5網(wǎng)絡(luò)的思想和原理，并進(jìn)行了很多創(chuàng)新。其中包括使用ReLU函數(shù)代替sigmoid函數(shù)來(lái)解決梯度色散問(wèn)題。在全連接層使用Dropout，以避免過(guò)擬合。

試驗(yàn)中，對(duì)于CNN架構(gòu)的訓(xùn)練模型，使用kaggle網(wǎng)站的PlantVillage數(shù)據(jù)集訓(xùn)練參數(shù)，應(yīng)用于馬鈴薯葉片的早疫病和晚疫病的自動(dòng)檢測(cè)。通過(guò)不斷調(diào)整權(quán)值和閾值來(lái)訓(xùn)練CNN網(wǎng)絡(luò)，獲得最小性能函數(shù)；精度由CNN網(wǎng)絡(luò)輸出與實(shí)際輸出之間的方差和均方誤差（MSE）來(lái)衡量。提取數(shù)據(jù)的幾個(gè)有效特征值并輸入到神經(jīng)網(wǎng)絡(luò)中，將輸出分為2類：早疫病和晚疫病。

仿真試驗(yàn)的結(jié)果見(jiàn)表1，與傳統(tǒng)的SVM比較（在保證識(shí)別率＞80%的前提下），不難發(fā)現(xiàn)文章的算法對(duì)于馬鈴薯葉片病害的識(shí)別結(jié)果具有教高的準(zhǔn)確率和教小的平均時(shí)間，是一種理想的葉片病害識(shí)別工具。

表1 CNN算法與SVM算法的比較Tab.1 Comparison between CNN algorithm and SVM algorithm

4 結(jié)語(yǔ)

文章提出了一種高效的農(nóng)作物葉片病害識(shí)別方法，利用K-means算法分割葉片病害區(qū)域，利用CNN算法提取其顏色、形狀、紋理特征并進(jìn)行分類。基于Plant Village數(shù)據(jù)集的3 000幅圖像進(jìn)行仿真測(cè)試，通過(guò)與基于SVM的馬鈴薯葉片病害識(shí)別方法的對(duì)比試驗(yàn)，表明文章研究的方法性能較好，更適用于建立一套先進(jìn)、高效的農(nóng)作物葉片病害檢測(cè)系統(tǒng)，助力精準(zhǔn)農(nóng)業(yè)增產(chǎn)增收。