CN107563389A - 一种基于深度学习的农作物病害识别方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的农作物病害识别方法，包括：1、对所拍摄的农作物视频进行采样得到原始农作物病害叶片图像；2、将采样图像裁剪为统一大小的图像、并处理成为神经网络模型输入所要求的文件格式；3、将训练样本数据送入由连续卷积层+稀疏Maxout激活函数层构成的卷积神经网络模型中，离线训练得到最终模型。本发明能解决农作物病害识别中耗时长、效率低、准确率低的问题，从而能快速、准确地识别农作物病害。

Description

一种基于深度学习的农作物病害识别方法

技术领域

本发明涉及到卷积神经网络和分类判别，属于模式识别领域，具体地说是一种基于卷积神经网络的农作物病害识别方法。

背景技术

传统的农作物病害识别，主要还是依赖于历代农民在农业生产过程中积累的经验来进行判断，对农业生产者有着极高的专业知识要求。然而很多农业人员并不能掌握全面的病害防治知识，在判别农作物的病害时往往只是通过肉眼进行观察，难免会产生错误，从而阻碍了农作物的及时治疗。另外，农作物在生长过程中，需要农业人员每天到田里进行观察、监督，不仅费时又费力，还可能会导致农作物得了病害却被忽视的情况。因此，当今的农业生产迫切需要一套新的体系来将生产者从低效、复杂的农作物识别过程中解放出来。

传统的国内外研究农作物病害识别一般分为三个步骤：

(1)病斑图像分割。该步骤可以去除图像中无用的背景信息，使得相关研究集中到所需关注的核心区域中来。例如使用OTSU算法和means-shift算法，对大豆叶部病害区域进行分割，并结合BP神经网络来判断大豆是否患有锈病。

(2)病斑图像特征提取。国内外研究大部分提取了病害农作物图像的颜色特征、纹理特征和形状特征。例如通过灰度共生矩阵计算得到的能量、熵、对比度等标量来代表图像的基本纹理信息，并结合空隙度、RGB和HSV直方图等多个特征以更全面的描述病害图像的细节。

(3)病害图像的最终分类识别。目前常用的分类方法有最近邻分类、D-S证据理论、支持向量机和神经网络模型等。

传统识别方法虽然取得了不错的识别效果，但由于其采用的小样本数据，导致其泛化能力较弱，并且需要大量预处理时间，因此实时性不强。实际的农业生产中面向的是大样本，农作物的种类和病害种类多，且获得的图像可能存在光照不均匀、有遮挡、背景不同的问题，将小样本、简单环境下的理论技术应用在实际场景显然并不现实，存在耗时长、效率低、准确率低等问题。

发明内容

本发明为克服现有技术存在的不足之处，提供一种基于深度学习的农作物病害识别方法，以期能解决农作物病害识别中耗时长、效率低、准确率低的问题，从而能快速、准确地识别农作物病害。

本发明为解决技术问题采用如下技术方案：

本发明一种基于深度学习的农作物病害识别方法的特点是按如下步骤进行：

步骤1、农作物病害图像的采集和预处理：

获取不同病害种类的原始农作物叶片图像样本集并进行预处理，得到预处理后的叶片图像样本集，记为X＝{X₁,X₂,…,X_n,…,X_N}，其中，X_n表示第n张叶片图像样本，并记第n张叶片图像样本X_n所对应的病害种类标签为Y_n，n＝1,2,…,N；

步骤2、将所述第n张叶片图像样本X_n作为输入图像，将所述第n张叶片图像样本X_n所对应的病害种类标签Y_n作为识别目标，训练卷积神经网络模型Φ：

步骤2.1、定义所述卷积神经网络模型包括：两层的特征感知层记为α₁和α₂，一层的第一激活函数层记为χ₁，一层的第一维度收缩层记为β₁，两层的精化层记为α₃和α₄，一层的第二激活函数层记为χ₂，一层的第二维度收缩层记为β₂，一层的全连接层记为λ；

设置代价损失阈值为ε，最高迭代次数为tmax；则任意第t次迭代的卷积神经网络模型Φ_t按如下过程建立：

步骤2.2、在第t次迭代中，所述输入图像X_n分别经过所述特征感知层α₁和α₂的线性滤波器进行卷积处理后，得到特征感知图像

步骤2.3、将所述特征感知图像送入第一激活函数层χ₁，从而利用式(1)所示的稀疏层和maxout层神经元进行激活，得到激活图像

式(1)中，k表示所述maxout层的神经元个数，m表示所述第一维度收缩层β₁的神经元个数，d表示特征感知层α₂的神经元个数，W_..ij表示所述第一维度收缩层β₁中第i个神经元对应的maxout层中任意第j个神经元的权值；b_ij表示权值W_..ij对应的偏置；表示所述特征感知图像在所述第一维度收缩层β₁中第i个神经元对应的maxout层中第j个神经元的输出；表示所述第一维度收缩层β₁中第i个神经元对应的maxout层中最大的神经元输出值，表示所述第一维度收缩层β₁中所有神经元对应的maxout层中最大的神经元输出值；

步骤2.4、将所述激活图像经过所述第一维度收缩层β₁进行维度收缩处理，得到维度收缩图像

步骤2.5、将所述维度收缩图像分别经过精化层记为α₃和α₄的线性滤波器进行卷积处理后，得到特征精化图像后，再经过所述第二激活函数层χ₂和第二维度收缩层β₂的处理后，得到特征图像

步骤5.6、将所述特征图像中所有神经元与全连接层λ中所有神经元进行全连接处理，得到最终特征图像并经过softmax分类器输出分类结果y_n；

步骤6、计算第t次迭代的卷积神经网络Φ_t的代价损失L_t，并求解输入图像X_n在卷积神经网络Φ_t中的滤波响应梯度；

步骤7、将所述滤波响应梯度在卷积神经网络Φ_t中进行反向传播，从而更新第t次迭代的卷积神经网络Φ_t中的各层权值和偏置参数；

步骤8、将t+1赋值给t，并判断L_t≥ε或t≤tmax是否成立，若成立，则返回步骤2.2；否则，表示完成卷积神经网络模型Φ的训练；

步骤9、将所采集的其他农作物病害叶片图像作为识别图像并经过预处理之后输入到所述卷积神经网络模型Φ中，从而得到所述识别图像的所属病害种类。

与已有技术相比，本发明的有益效果体现在：

1、为了提高网络的表达能力而非大规模增加尺寸，本发明针对农作物病害叶片图像存在的分界性、聚集性和不规则性，在传统非连续卷积神经网络模型基础之上进行改进，专门设计了连续卷积层+稀疏maxout激活函数层的卷积神经网络模型，在控制网络规模的前提下提升了网络模型的表达能力，并通过大量实验进行参数和模型的优化，在农作物病害识别中取得了很好的效果，并有效地解决了传统病害识别方法中大量预处理带来的时间损耗导致的识别效率低，在少量预处理和大样本的条件下，无论是与传统识别方法，还是非连续卷积神经网络模型相比，都显著地减少了识别时间，提高了识别效率。

2、本发明采用了连续卷积层的结构设计，使得整个卷积神经网络既具备了极强的特征提取和非线性表达能力，又保证了整个网络不至于太过臃肿，参数的数量得到一定程度限制，保证了较短的训练神经网络时间。

3、本发明使用稀疏Maxout作为激活函数层，针对传统激活函数，如sigmoid函数，tanh函数，以及Relu函数等在某些情况下出现无法激活的缺陷，提出了稀疏Maxout激活函数，Maxout激活函数不仅可以有效避免上述激活函数存在的缺陷，而且其稀疏特征可以防止过拟合情况的发生，有效改善了卷积神经网络的学习效果。

4、本发明由于采用深度学习方法，通过建立多层的神经网络，来模仿人类大脑处理信息的方式，逐层抽象、自动学习良好的特征，从而大大提升了效率和识别率，对于不同环境、光照强度、天气情况以及摄像头角度均具有良好的鲁棒性。

附图说明

图1为本发明方法的整体流程图；

图2为本发明卷积神经网络的结构示意图；

图3为本发明卷积神经网络具有稀疏性的Maxout激活函数原理图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细地说明。

本实施例中，如图1所示，一种基于深度学习的农作物病害识别方法能对所拍摄的农作物视频进行采样得到原始农作物病害叶片图像样本集。将样本集图像裁剪成统一大小，并处理成为神经网络模型输入所要求的文件格式；将训练样本数据送入连续卷积层+稀疏Maxout激活函数层的卷积神经网络模型中，离线训练得到最终模型。最终将待识别的农作物病害叶片图像输入到训练好的模型，得到病害所属类别。具体的说，包括如下步骤：

步骤1、农作物病害图像的采集和预处理：

获取不同病害种类的原始农作物叶片图像样本集并进行预处理，得到预处理后的叶片图像样本集，记为X＝{X₁,X₂,…,X_n,…,X_N}，其中，X_n表示第n张叶片图像样本，并记第n张叶片图像样本X_n所对应的病害种类标签为Y_n，n＝1,2,…,N；本实例选择了水稻、玉米、小麦三种农作物为实验对象，其中水稻病害包括稻曲病、稻瘟病、黑肿病、叶枯病、菌核秆腐病五种，玉米病害包括圆斑病、锈病、红叶病、灰斑病四种，小麦病害有赤霉病、黄斑叶枯病、除草剂三种。每种病害随机选择400幅图片作为训练样本，100幅图像作为测试样本。考虑到卷积神经网络提取特征的过程以及农业生产实时性的要求，除了全部裁剪成固定大小64*64以外，并未对原始图形进行任何平滑、锐化、分割病斑等预处理。裁剪完成后，使用CAFFE框架提供的convert_imageset.cpp将农作物叶片图像进行数据转换。

步骤2、将第n张叶片图像样本X_n作为输入图像，将第n张叶片图像样本X_n所对应的病害种类标签Y_n作为识别目标，训练卷积神经网络模型Φ：

步骤2.1、定义卷积神经网络模型，如图2所示，包括：两层的特征感知层记为α₁和α₂，一层的第一激活函数层记为χ₁，一层的第一维度收缩层记为β₁，两层的精化层记为α₃和α₄，一层的第二激活函数层记为χ₂，一层的第二维度收缩层记为β₂，一层的全连接层记为λ；

设置代价损失阈值为ε，最高迭代次数为tmax；本实例中设置代价损失阈值ε＝6e^-3，最高迭代次数λ＝10000。则任意第t次迭代的卷积神经网络模型Φ_t按如下过程建立：

步骤2.2、在第t次迭代中，输入图像X_n分别经过特征感知层α₁和α₂的线性滤波器进行卷积处理后，得到特征感知图像本实例采用32个3×3大小的线性滤波器对输入图像进行卷积。由于使用连续两个卷积层，前一卷积层得到的特征图作为输出再次进行卷积操作。这样做不仅可以减小网络学习时间和复杂性，而且能够在控制网络规模的前提下提升其表达能力。2个3×3卷积层和1个5×5的卷积层有着同样有效的感受野，并且由于连续两次卷积，使得图像得到两次非线性激活函数计算，增强了对函数的复杂程度和非线性程度的表达，进而有利于增强局部模型的抽象能力，对复杂图像的处理更有优势。此外，对于生成C个特征图的卷积层来说，一个5×5卷积核产生的参数为(5×5+1)×C²＝26C²个(加上偏置项)，而对于连续两个3×3的卷积层来说，生成的参数为2×(3×3+1)×C²＝20C²个，因此该设计能起到降低网络复杂度的作用。

步骤2.3、将特征感知图像送入第一激活函数层χ₁，从而利用式(1)所示的稀疏层和maxout层神经元进行激活，得到激活图像

式(1)中，如图3所示，k表示maxout层的神经元个数，m表示第一维度收缩层β₁的神经元个数，d表示特征感知层α₂的神经元个数，W_..ij表示第一维度收缩层β₁中第i个神经元对应的maxout层中任意第j个神经元的权值；b_ij表示权值W_..ij对应的偏置；表示特征感知图像在第一维度收缩层β₁中第i个神经元对应的maxout层中第j个神经元的输出；表示第一维度收缩层β₁中第i个神经元对应的maxout层中最大的神经元输出值，表示第一维度收缩层β₁中所有神经元对应的maxout层中最大的神经元输出值；稀疏maxout结合了maxout和Relu函数的优点，具备很强的拟合能力，可以拟合任意的凸函数，既拥有Relu稀疏性的特点，又不存在Relu激活函数中的缺陷。

步骤2.4、将激活图像经过第一维度收缩层β₁进行维度收缩处理，得到维度收缩图像

步骤2.5、将维度收缩图像分别经过精化层记为α₃和α₄的线性滤波器进行卷积处理后，得到特征精化图像后，再经过第二激活函数层χ₂和第二维度收缩层β₂的处理后，得到特征图像

步骤5.6、将特征图像中所有神经元与全连接层λ中所有神经元进行全连接处理，得到最终特征图像并经过softmax分类器输出分类结果y_n；

步骤6、计算第t次迭代的卷积神经网络Φ_t的代价损失L_t，并求解输入图像X_n在卷积神经网络Φ_t中的滤波响应梯度；

步骤7、将滤波响应梯度在卷积神经网络Φ_t中进行反向传播，从而更新第t次迭代的卷积神经网络Φ_t中的各层权值和偏置参数；

步骤8、将t+1赋值给t，并判断L_t≥ε或t≤tmax是否成立，若成立，则返回步骤2.2；否则，表示完成卷积神经网络模型Φ的训练；

步骤9、将所采集的其他农作物病害叶片图像作为识别图像并经过预处理之后输入到卷积神经网络模型Φ中，从而得到识别图像的所属病害种类。

综上所述，本发明的意义在于：1、结合卷积神经网络，利用深度学习自行学习有效特征的特点，避免了传统病害识别方法中大量预处理带来的时间损耗导致的识别效率低，减少识别时间，提高识别效率。2、在传统非连续卷积神经网络模型基础之上进行改进，设计实现了针对农作物病害的连续卷积层+稀疏Maxout激活函数层的卷积神经网络模型，在少量预处理和大样本的条件下，显著地提高农作物病害识别的识别率和鲁棒性。

Claims (1)

1.一种基于深度学习的农作物病害识别方法，其特征是按如下步骤进行：

步骤1、农作物病害图像的采集和预处理：

获取不同病害种类的原始农作物叶片图像样本集并进行预处理，得到预处理后的叶片图像样本集，记为X＝{X₁,X₂,…,X_n,…,X_N}，其中，X_n表示第n张叶片图像样本，并记第n张叶片图像样本X_n所对应的病害种类标签为Y_n，n＝1,2,…,N；

步骤2、将所述第n张叶片图像样本X_n作为输入图像，将所述第n张叶片图像样本X_n所对应的病害种类标签Y_n作为识别目标，训练卷积神经网络模型Φ：

步骤2.1、定义所述卷积神经网络模型包括：两层的特征感知层记为α₁和α₂，一层的第一激活函数层记为χ₁，一层的第一维度收缩层记为β₁，两层的精化层记为α₃和α₄，一层的第二激活函数层记为χ₂，一层的第二维度收缩层记为β₂，一层的全连接层记为λ；

设置代价损失阈值为ε，最高迭代次数为t max；则任意第t次迭代的卷积神经网络模型Φ_t按如下过程建立：

步骤2.2、在第t次迭代中，所述输入图像X_n分别经过所述特征感知层α₁和α₂的线性滤波器进行卷积处理后，得到特征感知图像

步骤2.3、将所述特征感知图像送入第一激活函数层χ₁，从而利用式(1)所示的稀疏层和maxout层神经元进行激活，得到激活图像

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>n</mi> </msubsup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msubsup> <mi>X</mi> <mi>n</mi> <mi>b</mi> </msubsup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msub> <mi>W</mi> <mrow> <mn>..</mn> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>b</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <mi>W</mi> <mo>&amp;Element;</mo> <msup> <mi>R</mi> <mrow> <mi>d</mi> <mo>&amp;times;</mo> <mi>m</mi> <mo>&amp;times;</mo> <mi>k</mi> </mrow> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>q</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>X</mi> <mi>n</mi> <mi>b</mi> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <mi>max</mi> <mrow> <mo>(</mo> <msubsup> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>n</mi> </msubsup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>X</mi> <mi>n</mi> <mi>b</mi> </msubsup> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <mi>q</mi> <mo>(</mo> <msubsup> <mi>X</mi> <mi>n</mi> <mi>b</mi> </msubsup> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

式(1)中，k表示所述maxout层的神经元个数，m表示所述第一维度收缩层β₁的神经元个数，d表示特征感知层α₂的神经元个数，W_..ij表示所述第一维度收缩层β₁中第i个神经元对应的maxout层中任意第j个神经元的权值；b_ij表示权值W_..ij对应的偏置；表示所述特征感知图像在所述第一维度收缩层β₁中第i个神经元对应的maxout层中第j个神经元的输出；表示所述第一维度收缩层β₁中第i个神经元对应的maxout层中最大的神经元输出值，表示所述第一维度收缩层β₁中所有神经元对应的maxout层中最大的神经元输出值；

步骤2.4、将所述激活图像经过所述第一维度收缩层β₁进行维度收缩处理，得到维度收缩图像

步骤2.5、将所述维度收缩图像分别经过精化层记为α₃和α₄的线性滤波器进行卷积处理后，得到特征精化图像后，再经过所述第二激活函数层χ₂和第二维度收缩层β₂的处理后，得到特征图像

步骤5.6、将所述特征图像中所有神经元与全连接层λ中所有神经元进行全连接处理，得到最终特征图像并经过softmax分类器输出分类结果y_n；

步骤6、计算第t次迭代的卷积神经网络Φ_t的代价损失L_t，并求解输入图像X_n在卷积神经网络Φ_t中的滤波响应梯度；

步骤7、将所述滤波响应梯度在卷积神经网络Φ_t中进行反向传播，从而更新第t次迭代的卷积神经网络Φ_t中的各层权值和偏置参数；

步骤8、将t+1赋值给t，并判断L_t≥ε或t≤t max是否成立，若成立，则返回步骤2.2；否则，表示完成卷积神经网络模型Φ的训练；

步骤9、将所采集的其他农作物病害叶片图像作为识别图像并经过预处理之后输入到所述卷积神经网络模型Φ中，从而得到所述识别图像的所属病害种类。