基于深度學習技術的水稻生長期辨識方法研究

摘要：我國作為人口大國，對糧食的需求量與日俱增。文章以水稻田間管理為研究對象，采集廣東省內不同地區的水稻田圖像，基于深度學習技術，采用多分類器融合的思想，將不同分類器聯合使用，得出以下結論：直接應用傳統CNN網絡辨識準確率低，采用多分類器融合的思想，得到的分類結果準確性高，融合后的分類性能優于任何單一分類器的分類性能，所提出的方法11類總體分類準確率達到70.3%。

關鍵詞：深度學習；水稻；生長期；神經網絡；SVM

doi：10.3969/J.ISSN.1672-7274.2023.07.014

中圖分類號：S 511，TP 3 " " " " " 文獻標志碼：B " " " " " " 文章編碼：1672-7274（2023）07-00-03

Identification of Rice Growth Period Based on Deep Learning Technology

ZHANG Qinxue， PAN Minghai， CHEN Juncong， WANG Hao， ZHANG Yuhua

（Zhonghe Technology （Guangdong） Co.， Ltd.， Guangzhou 510000， China）

Abstract： As a country with a large population， China's demand for food is increasing day by day. This paper takes rice field management as the research object， collects paddy field images from different regions in Guangdong Province， uses the idea of multi-classifier fusion based on the deep learning technology， and uses different classifiers together， and draws the following conclusions： the accuracy of identification by directly applying traditional CNN network is low， and the accuracy of classification results by using the idea of multi-classifier fusion is high， and the classification performance after fusion is better than that of any single classifier， The overall classification accuracy of 11 categories of the proposed method is 70.3%.

Key words： deep learning; rice; growth period; neural network; SVM

1 " 研究背景

水稻作為我國重要糧食品種，其最終的產量和質量與其生長期管理高度相關[1]。水稻生長期包括播種、出苗、三葉、移栽、返青等11個不同階段[2][3]，在我國，檢測水稻生長期的方法主要有人工經驗判斷和遙感監測，但人工經驗效率低下，且受經驗影響，主觀因素易導致誤判[4]；遙感監測準確率相對較高，但易受天氣的影響，云雨天氣會干擾監控范圍導致生長期誤判，實時高效判斷精度低[5]。

深度學習（DL，Deep Learning）具有檢測速度快、準確率高、成本低和可重復性強的特點[6]，在農業生產的多個領域受到廣泛關注，比如，農產品外形和大小等測量工作和不同種類農作物的識別和采摘工作[7][8]，使用深度學習技術可以節省大量勞動力，提高效率。但目前針對糧食種植的應用領域仍較窄，更多的是在糧食的品級評定、品種識別和病蟲害防治等領域[9][10]，有關糧食生長階段的深度學習技術應用探究較少，其應用對現代農業的發展意義重大。

本文以水稻田間管理為例，利用深度學習技術在圖像識別領域的優勢，對水稻生長期的檢測方法進行探索，期望形成一套適用于水稻生長期辨識的算法，該算法市場應用前景廣闊。

2 " 技術方案

本文采用多分類器融合的方法，不同分類器之間進行互補以提高檢測的準確性，總體的技術方案如圖1所示。首先通過CNN-1得到分類概率S1；其次通過CNN-2計算得到分類概率S2；再將兩種分類結果進行融合，得到最終概率結果S。

2.1 深度網絡CNN-1和CNN-2

兩個深度網絡CNN-1和CNN-2的骨干均采用了GoogLeNet Inception v3網絡。該網絡將1×1、3×3、5×5的卷積層與3×3的池化層連接在一起，使用三種不同大小的卷積結構進行特征提取，增加了整個網絡的寬度和適應性。引入Inception結構代替卷積層和激活層，如圖2所示，使用1×1的網絡卷積進行降維處理，降低了特征圖的厚度，雖然層數增加，但特征參數減少。

訓練基于ImageNet上已預訓練的模型，結合實際水稻數據進行優化，網絡訓練的主要過程如下。

（1）數據增強：隨機進行圖像的水平或垂直翻轉。

（2）優先訓練新增卷積層，設置Adam優化器參數（lr=0.1，beta_1=0.9，beta_2=0.9，epsilon=1），訓練10個epoch。

（3）逐步解凍每一個Inception模塊（1...10）并訓練10個epoch，設置SGD優化器參數，初始學習率為0.01，每次epoch過程后衰減0.009，最后的學習率為0.001。

（4）以0.0001的學習率使用SGD優化器進行微調，直到3個epoch內準確率沒有提升后，結束訓練。

2.2 分類器融合策略

技術方案的關鍵在于有效地融合CNN-1的分類概率S1和SVM的分類概率S2，實驗中發現，將兩者進行簡單的線性融合，就可以實現較好的融合效果。

（1）

式中，0≤≤1為加權系數，其最佳參數通過訓練集上的算法計算確定。

3 " 實驗數據處理

為驗證分類器的可靠性，使用容天SCW 4550深度學習工作站，4 Titan XP 12G GPU，Ubuntu操作系統，將不同地點、不同時間的水稻田圖象數據集應用于分類器的訓練。其中，GoogLeNet Inception v3模型使用基于TensorFlow的開源版本，LIBSVM庫使用開源的Python接口代碼。

對收集到的原始數據集進行處理，數據均來自真實情況下拍攝的各生長階段田間水稻表現出的不同形狀圖像合集，按照80%和20%的比例隨機劃分數據集為訓練集和測試集。圖3為訓練集和測試集中水稻不同生長期的樣本數量。

4 " 實驗結果及分析

按照數據集劃分比例隨機進行兩次劃分，使用2.1節中的方法訓練CNN-1和CNN-2網絡。其中，SVM通過網格搜索得到的最佳參數為。

4.1 總體結果

數據集共包含11種成熟期圖像479張，模型的整體平均準確率為70.3%，將分類結果用混淆矩陣表示，如圖4所示，可以看出三葉期、分蘗期和成熟期的結果準確性相對較高，而播種期、出苗期和返青期的結果準確性相對較低。造成該現象的原因與訓練集的樣本數量有關，部分成熟期的樣本數量較少，且在沒有重復訓練的情況下，分類準確性會相對較低。

4.2 特征維數和模型融合系數對檢測結果的影響

在實驗過程中，CNN-2網絡中Inception結構增加了1×1的卷積層進行降維處理，所以該卷積層的通道數直接決定了降維后的維數。為了選擇更加合適的特征維數，在訓練集上分別設置不同的維數8、16、32、…、2048等，然后觀察SVM的分類結果變化情況，得到如圖5所示的結果，可以看出，降維維度高于32后的SVM分類性能差異較小，綜合考慮計算量級和分類準確性，選擇32為最佳維度。

在融合CNN-1的分類概率S1和SVM的分類概率S2時，對其分類結果影響較大的參數為融合系數，為了選擇更加合適的融合系數，在訓練集上分別設置不同的α值進行測試，觀察分類結果的準確性，測試結果如圖6所示，可以看出，融合系數在0.35～0.65之間準確率相對較高，最高點70.5%對應的融合系數α=0.4，同時也說明了分類器融合的有效性。

5 " 結束語

本文以廣東省內不同地區的水稻田間圖像為研究對象，基于深度學習的方法，實現了通過水稻圖像快速準確監測生長期的算法，并得出以下結論。

（1）傳統的水稻生長期判斷方法一致性較差，易受外部因素影響，將深度學習技術應用于水稻生長期辨識，既節省了勞動力，同時更具有科學性和客觀性。

（2）將傳統CNN網絡直接應用于水稻生長期辨識準確率低，采用多分類器融合的思想，將CNN-1和CNN-2并聯使用，得到的分類結果準確率高，實驗結果表明，融合后的分類性能優于任何單一分類器的分類性能，本文所提出的方法11類總體分類準確率達到70.3%。

（3）水稻生長期的辨識方法的實際應用可助力農業生產，加快農業數字化轉型，提高糧食產量和質量，前景廣闊。

參考文獻

[1] 成臣，雷凱，王盛亮，等．不同斷水及收獲期對南方優質晚粳稻產量和品質的影響[J]．作物研究，2020，34（1）：1-7.

[2] 馬中濤，馬會珍，崔文培，等．生長期對優良食味水稻南粳9108產量、品質的影響[J]．江蘇農業學報，2020，36（6）：1353-1360.

[3] 劉文祥，鄭宏，易睿鵬，等．湘中地區雙季稻生長期內氣候變化特征[J]．湖南農業科學，2021（12）：36-39，43.

[4] 楊孟剛．靈武市插秧水稻不同收獲時間對水稻品質影響試驗總結[J]．現代農業，2017（11）：10-11.

[5] 呂偉．農作物遙感圖像信息提取方法研究[D]．呼和浩特：內蒙古大學，2022.

[6] 朱云，凌志剛，張雨強．機器視覺技術研究進展及展望[J]．圖學學報，2020，41（6）：871-890.

[7] 謝旭．基于機器視覺的水稻品種識別系統設計與實現[D]．哈爾濱：黑龍江大學，2019.

[8] 李寧，余斌．基于計算機視覺的水稻雜株識別[J]．農機化研究，2020，42（12）：228-231.

[9] 黃筑斌，吳雋．計算機視覺在我國水稻生產中的應用研究概述[J]．農技服務，2021，38（12）：44-48.

[10] 肖小梅．基于深度學習的水稻害蟲圖像識別研究[D]．南昌：江西農業大學，2022.