未来智讯 > 神经网络论文 > 一种基于卷积神经网络的小麦病害辨认要领

一种基于卷积神经网络的小麦病害辨认要领

发布时间:2019-01-22 01:06:01 文章来源:未来智讯    
    一种基于卷积神经网络的小麦病害辨认要领作者:未知   摘要:针瞄准确辨认小麦多见病害的必要,提议了一种基于卷积神经网络的小麦病害辨认要领。该要领起首以小麦病害图片资料为根本,行使中值滤波法、直方图阈值法等对图像进行去配景、去噪、病斑朋分等预处置形成样本库,然后行使卷积神经网络构建一个具有五层布局的深度进修模子进行样本进修,并行使随机梯度降落法进行进修过程把握,最终以猎取的特性集对小麦图片进行病害辨认,并形成一个在线辨认体系。在泰安市4样点的试验了局证明,行使该要领能够有用兑现对小麦多见病害――纹枯病、条锈病、叶锈病、秆锈病、赤霉病和白粉病的辨认,综合辨认率可达99%以上,能够应用于现实出产经管。
  关头词:小麦病害;卷积神经网络;在线辨认;病害辨认
  中图分类号:S512.1:S127文献标识号:A文章编号:1001-4942(2018)03-0137-05
  Abstract Based on the needs of identifying wheat’s common diseases accurately, a wheat disease recognition method based on convolutional neural network was put forward in this study. This method was based on the wheat disease image data, firstly it formed a sample database after a series of pre-treatments including removing background, denoising, segmentation of lesion with median filter and histogram thresholding method; then it built a five-layer-structure model of deep learning sample for learning using convolutional neural network, and using stochastic gradient descent method to control learning process; finally, it identified the wheat’s pictures with obtained feature set, and formed an online identification system. The experimental results in Taian showed that this method could effectively identify the common diseases of wheat, and the comprehensive recognition rate reached more than 99%, which could be applied to the actual production management.
  Keywords Wheat disease; Convolutional Neural Network; Online identification; Disease identification
  小��是我国的首要粮食作物,每年播种面积都在3亿公顷摆布,占全国粮食作物总面积的20%~27%。行使高新技艺手腕,保证小麦高产稳产,对付保险我国粮食供应、社会平定、经济成长具有严重作用。小麦首要病害有38种摆布[1],常年产生面积约7 000万公顷,造成小麦产量丧失高达30亿千克[2]。是以,有用改良小麦病害的防治措施,对付提高小麦产量和质量具有严重意义。
  传统农业出产中,目视诊断是小麦病害的常用辨认要领,在小麦出产经管中施展了严重作用。但目视诊断了局与诊断者的常识配景、诊断阅历具有很是大的关系,而现实出产中,每每有阅历的诊断职员较少,导致病害不克不及获得准时诊断。近年来,跟着图像处置技艺的成长,行使该技艺进行小麦病虫害病理特性的主动提取以及在线实时智能辨认,成为一个新的切磋热门。因为病害种类及特性众多,传统的图像处置技艺在病害的辨认精度和效果方面还有很大升迁空间[3-5]。
  跟着神经网络的成长,切磋者已胜利将神经网络应用于图像模式辨认和降维处置[6 ,7]。在此根本上,有切磋者综合行使图像处置和神经网络技艺进行小麦病害辨认切磋,取得了较大的进展。如:余娟秀等行使支撑向量机对3种小麦叶部多见病害进行辨认[8];李冠林等[9]行使 K-means 硬聚类算法,使用优选的26个特性参数有用地对小麦条锈病和叶锈病图像进行了辨认。但以上切磋仅针对2~3种病害进行辨认,对付多种纷乱病害难以到达抱负的辨认效率。
  2017年,山东省小麦莳植面积达380多万公顷,是全国第二巨细麦产地,个中泰安市莳植面积为16.9万公顷,在山东小麦出产中据有严重身分。但纹枯、条锈、叶锈、秆锈等病害在本地广泛且重要产生,常年受病害面积约4万公顷,造成小麦产量丧失达170万千克,重要影响其小麦产量和品质。本切磋针瞄准确辨认小麦多见病害的必要,提议一种基于卷积神经网络的小麦病害辨认要领,并形成在线辨认体系,议决对泰安市岱岳区四个镇的6种小麦病害进行辨认验证,辨认精度高且急剧,对有用辨认农作物病害、提高粮食产量和品质具有严重意义。
  1 切磋区轮廓及数据起原
  岱岳区从属山东省泰安市,位于泰安市中部偏北,北纬35°52′~36°28′、东经116°50′~117°29′。属于暖温带半潮湿大陆性季民风候,年均光照时间2 634.5 h,年均降水量727.4 mm,适合小麦生长。2016年岱岳区小麦播种面积2.34万公顷,产量15 795万千克。   本切磋采用岱岳区夏张、满庄、良庄和大汶口4个镇作为样本采集地,采样点分布见图1。选择光照优良的天色,使用相机拍摄获得640×480分辩率的小麦病害清楚照片。图2、图3离别为小麦白粉病、条锈病样本。
  2 切磋要领
  2.1 基于卷积神经网络的小麦病害辨认整体流程
  本切磋以切磋区小麦病害图片资料为根本,行使卷积神经网络,构建针对小麦病害辨认的深度进修模子,并形成在线辨认体系,兑现对小麦严重病害的急剧辨认。该要领的整体流程如图4所示。
  2.2 图像预处置
  为尽可能削减天色、光线以及杂草等对病害图像样本的影响,需采用光照前提好的时刻拍摄分辩率为640×480的清楚图像样本,并使用中值滤波法[10]去噪、直方图阈值法去除配景及进行图像朋分,符号病理区域,形成样本集,以此作为模子的输入对模子进行训练。
  图像预处置要领如下:
  (1)去噪。起首选取全局阈值法兑现噪声的初步标识,然后凭据噪声的联力性、非同时性等特点,议决考查噪声点邻域内的拓扑布局,剔除误判点,最终对拓扑矩阵中全部符号的噪声点进行中值滤波,获得去噪后的图像。
  (2)图像朋分。选取直方图阈值法,起首设立图像灰度直方图,然后谋略配景和指标的呈现几率,最终谋略两个区域的类间方差,兑现阈值朋分。
  (3)符号病理区域,形成样本集。
  2.3 模子设立与进修
  卷积神经网络(convolutional neural networks,CNN)是一种以卷积运算为根本的深度神经网络,卷积运算能够削减深层网络占用资源及网络的参数个数,可以较有用地解决过拟合问题[11-13]。
  在CNN的一个卷积层中,平日蕴含若干个特性图(feature map),每个特性图由一些矩形摆列的神经元构成,统一特性图的神经元共享权值,即所谓的卷积核。卷积核一般以随机少量矩阵的体例初始化,在网络的训练过程中卷积核将进修获得公道的权值[14]。卷积核有用削减了网络各层之间的联贯,同时又贬低了过拟合的危害。子采样,也叫做池化(pooling),平日有均值子采样(mean pooling)和最大值子采样(max pooling)两种体例[15]。子采样能够看作一种特殊的卷积过程。卷积和子采样大大简化了模子纷乱度,削减了模子参数。
  本切磋提议的要领因此卷积神经网络为根本,对预处置获得的样本病理区域作符号,设立网络布局,初始化卷积核及偏置等参数,输入到一个5层的卷积神经网络中,议决梯度降落法把握进修过程,颠末40 000次迭代训练,获得训练模子,用于辨认。对付辨认度不高的指标物体,再找相似样本,反复训练。网络布局如下:
  输入层:分辩率为480×640的图片。
  第一层卷积层:7×7的卷积核,获得64个特性图。
  第一层下采样层:2×2的核,获得64个特性图。
  第二层卷积层:5×5的卷积核,获得128个特性图。
  第二层下采样层:2×2的核,获得128个特性图。
  第三层卷积层:5×5的卷积核,获得512个特性图。
  第三层下采样层:2×2的核,获得512个特性图。
  第四层卷积层:3×3的卷积核,获得1 024个特性图。
  第五层卷积层:3×3的卷积核,该层与上一层联贯异国颠末下采样层,获得2 048个特性图。
  第五层下采样层:2×2的核,获得2 048个特性图。
  全联贯层:4 096维,将第五层下采样层的输出联贯成为一个一维向量,作为该层的输入。
  Softmax层:输出为1 000维,输出是图片属于每个种别的几率,这一层即可用于对图像中小麦病害进行判别。
  在一个卷积层,上一层的特性图被一个可进修的卷积核进行卷积,然后议决一个激活函数,就能够获得输出特性图。每一个输出特性图可能是组合卷积多个输入特性图的值,卷积公式如下:
  2.4 辨认兑现
  模子训练完成后,获得的特性集即可用于辨认病害。为了更好地应用于出产现实,本切磋开辟了视频辨认和图片辨认两种体式格局。在视频辨认体式格局中,能够行使摄像头采集图像进行实时辨认;在图片辨认体式格局中,能够对各异路子猎取的照片进行辨认,可用于长途诊断。
  3 试验验证
  采用800幅小麦病害图像,个中500幅为训练样本,300幅为测试样本,选取本切磋提议的要领进行辨认,测试集辨认分类了局如表1所示。能够看出,条锈病、�~锈病、赤霉病和白粉病辨认正确率到达 100%,首要是由于这四种病害的颜色、纹理特性较为较着,易于准确辨认。而纹枯病和秆锈病的形状、颜色和纹理特性不较着,在现实天生过程中不易完全区分,呈现了少少数错误,辨认正确率均为98%。与传统的辨认要领比拟,基于卷积神经网络的小麦病害辨认总体正确率达99.3%,能得到抱负的分类效率,为小麦叶部多见病害的急剧正确诊断供给了有用的剖析手腕。
  4 结论
  将谋略机技艺应用于农作物病害诊断,能够急剧正确地辨认出病害信息,不仅可以贬低病害带来的经济丧失,并且能够自由劳动力,提高农作物产量和质量。本切磋提议了一种基于卷积神经网络的小麦病害辨认要领,该要领起首设立了一种基于卷积神经网络的可以辨认小麦病害的网络布局,然后对样本图像进行预处置,并选取梯度降落法把握卷积神经网络的进修过程,获得最优的权值参数;完成网络训练后,以通俗图像作为输入,即可得出病害辨认分类了局。采用泰安市岱岳区4个镇的300幅小麦病害图片进行测试,整体辨认率达99.3%,与传统的人造辨认要领及前馈神经网络等算法比拟,该要领可以急剧、正确地辨认出小麦的病害信息,有用提高辨认精度,能够用于现实出产,并对其它农作物病害辨认诊断具有鉴戒意义。   参 考 文 献:
  [1] 中国农业科学院植物护卫切磋所. 中国农作物病虫害(上册)[M]. 第2版. 北京:中国农业出书社,1995: 351-437.
  [2] 陈万权. 图说小麦病虫草鼠害防治关头技艺[M]. 北京: 中国农业出书社, 2012.
  [3] 王艳丽, 牛晓静, 张宏鸣, 等. 小麦叶部多见病害特性提取及辨认技艺切磋[J]. 谋略机工程与应用,2014, 50(7):154-157.
  [4] Pujari J D, Yakkundimath R, Byadgi A S. Classification of fungal disease symptoms affected on cereals using color texture features [J]. International Journal of Signal Processing,2013, 6(6): 321-330.
  [5] Sannakki S S, Rajpurohit V S, Nargund V B, et al. Leaf disease grading by machine vision and fuzzy logic [J]. Int. J. Comp. Tech. Appl., 2011, 2(5): 1709-1716.
  [6] 赵春江. 农业智能体系[M]. 北京: 科学出书社, 2009.
  [7] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks [J].Science, 2006, 313(5786):504-507.
  [8] 余秀��, 徐超, 王丹, 等. 基于SVM的小麦叶部病害辨认要领切磋[J]. 农机化切磋, 2014, 36(11):151-155.
  [9] 李冠林, 马占鸿, 王海光. 基于支撑向量机的小麦条锈病和叶锈病图像辨认[J]. 中国农业大学学报,2012,17(2):72-79.
  [10]李文杰, 姚建刚,毛李帆, 等. 基于中值滤波法及小波自顺应扩散法的绝缘子红外热像去噪[J]. 电网技艺, 2010, 34(8): 160-164.
  [11]常亮, 邓小明, 周明全, 等. 图像领会中的卷积神经网络[J/OL]. 主动化学报, 2016, 42(9):1300-1312.
  [12]Bouvrie J. Notes on convolutional neural networks [R]. MIT CBCL Tech. Report, Cambridge, MA, 2006.
  [13]周飞燕,金林鹏,董军. 卷积神经网络切磋综述[J/OL].谋略机学报,2017,40(6):1229-1251.
  [14]Ijjina E P, Chalavadi K M. Human action recognition using genetic algorithms and convolutional neural networks [J]. Pattern Recognition, 2016, 59: 199-212.
  [15]Tomè D, Monti F, Baroffio L, et al. Deep convolutional neural networks for pedestrian detection [J]. Signal Processing: Image Communication, 2016, 47: 482-489 .
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0122/80347/
 与本篇相关的热门内容: