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］。隨著物聯網、人工智能等信息技術的快速發展，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據中自動學習特征，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網絡被陸續提出，并逐漸引入到植物病害檢測與識別中［2］。利用卷積神經網絡（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］在卷積神經網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網絡對植物病害進行識別，識別率達到98.44%。雖然基于卷積神經網絡（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、環境條件和樣本數量等因素的限制，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?。﹫D像作為研究對象，從病害識別需求出發，采用AI 圖像處理技術結合卷積神經網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?。﹫D像作為樣本，病斑圖像各100 張（總共400 張）作為樣本數，要求圖像清晰，病斑區域和綠色區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，實現病斑區域的提取。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，總像素數為N，則第i級灰度出現的概率為：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域分割后只保留病斑區域，大大降低圖像大小，利于后期的深度學習訓練。本文根據黃瓜病害圖像的特點，采用基于CNN 深度學習網絡結構-LeNet，構建具有多層的CNN 網絡識別模型，實現對黃瓜病害準確、快速識別。

2.2.1 模型結構

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

圖3 CNN黃瓜病害識別模型網絡結構圖

另外，在前兩層卷積中，加入歸一化層，為防止圖像在網絡訓練時數據參數的不穩定及提高模型特征提取性能，將輸入的圖像數據歸一化到［-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，建立數據集。采集相關黃瓜病害圖像，進行圖像處理后，錄入對應數據庫并作為模型訓練數據；其次，參照模型網絡結構，設定網絡模型參數，對訓練數據進行訓練。具體參數設定如表1所示。

表1 模型結構參數設置

對照相同條件下的訓練效果，選擇最優輸出效果的模型并保存，執行器接收傳入的程序。在反復迭代的訓練過程中，不斷優化網絡模型中算法、函數等參數，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 系統設計

病害識別系統采用B/S 架構模式及SSM 框架技術，結合MySQL 數據庫，運用Java 語言開發實現。①系統架構包括應用支持模型層、數據層、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；數據層主要用于存儲病害圖像數據、病害知識庫、病害特征數據、病害防治數據等；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業務流程設計具體為：用戶登錄系統后進入主界面，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、發病規律、防治措施等。

圖4 黃瓜病害識別系統功能圖

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的獨立自適應學習率［8］。在保持網絡結構層數不變及正則項系數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，實驗數據顯示：當迭代次數在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%；當迭代次數在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 網絡模型的可行性，將其與傳統的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?。﹫D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］。實驗數據如下：傳統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 網絡模型基礎上，構建病害識別模型并應用到開發的病害識別系統上，對黃瓜的四種病害圖像進行識別。實驗數據表明，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 網絡模型與傳統的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，后續為了進一步推廣模型，將收集更多的病害圖像，調整和優化模型。