郭 丹，路 陽，李建寧，姜 峰，李愛傳

(1.黑龍江八一農(nóng)墾大學(xué) 電氣與信息學(xué)院,黑龍江 大慶 163319；2.雞西市公安局，黑龍江 雞西 158100)

0 引言

水稻是我國重要的糧食和經(jīng)濟作物，北方種植面積巨大。近年來，水稻紋枯病的危害日趨嚴(yán)重，導(dǎo)致水稻無法抽穗，秕谷增加，千粒質(zhì)量下降，產(chǎn)量降低，嚴(yán)重時可造成減產(chǎn)15%以上[1]。水稻紋枯病在水稻生長的各個時期都可能出現(xiàn)，但在預(yù)防及防治問題上，如何高效、智能地對紋枯病進(jìn)行自動識別是個難題。目前，識別水稻是否發(fā)生病害主要依靠水稻植保專家。專家首先需要到田間使用肉眼判斷葉片是否出現(xiàn)暗綠色水浸小斑點，然后以水稻病蟲害防治彩色圖譜為依據(jù)，最終依據(jù)比對結(jié)果來確定病害類型及程度。由于水稻植保專家數(shù)量嚴(yán)重不足，使得這種識別方法效率低，而且專家主觀性強，容易出現(xiàn)診斷偏差[2]。

近年來，隨著深度學(xué)習(xí)研究的深入，深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)快速發(fā)展，有很多學(xué)者利用深度信念網(wǎng)絡(luò)研究圖像識別、語音識別、人臉識別及植物葉片分類等。南京農(nóng)業(yè)大學(xué)的盧偉等提出基于深度信念網(wǎng)絡(luò)對稻種發(fā)芽率進(jìn)行檢測的一種方法[3]。Fatahi等[4]提出一個基于深度信念網(wǎng)絡(luò)改進(jìn)的人臉識別系統(tǒng)，通過改變自身的網(wǎng)絡(luò)結(jié)構(gòu)組成元件和調(diào)整模型參數(shù)來提高分類識別率[5]。目前，有很多學(xué)者研究利用機器學(xué)習(xí)與模式識別等技術(shù)對水稻紋枯病進(jìn)行檢測和識別。中國農(nóng)業(yè)科學(xué)院蜜蜂研究所的劉婷婷等[6]及中國科學(xué)院合肥智能機械研究所的袁媛等利用支持向量機實現(xiàn)了水稻紋枯病自動識別與診斷[7]；北京林業(yè)大學(xué)的劉念用深度信念網(wǎng)絡(luò)來對植物的葉片進(jìn)行識別[8]。

深度信念網(wǎng)絡(luò)由多個受限玻爾茲曼機(Restricted Boltzmann Machine，RBM)組成，主要用作圖像或聲音等對象的識別與分類。相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法，其最大優(yōu)勢是可以直接對原始圖像進(jìn)行仿真識別，不需要對樣本進(jìn)行人工標(biāo)簽。它是一種多層的網(wǎng)絡(luò)結(jié)構(gòu)，為原始圖像的特征提取和后續(xù)圖像的識別提供了基礎(chǔ)模型[9]。在網(wǎng)絡(luò)中，訓(xùn)練是逐層次的，訓(xùn)練步驟一般分為逐層貪心的訓(xùn)練和參數(shù)優(yōu)化微調(diào)的過程。

目前，使用深度信念網(wǎng)絡(luò)方法對水稻紋枯病進(jìn)行識別還未見報道。關(guān)于植物葉片病害識別和分類方面，基于卷積神經(jīng)網(wǎng)絡(luò)方法已取得了較大的成果。Brahimi等[10]利用深度學(xué)習(xí)模型CaffeNet對植物葉片進(jìn)行識別；DeChant Chad等[11]利用深度學(xué)習(xí)對北方受葉枯病侵害的玉米植株進(jìn)行自動識別；馬苗等使用深度信念網(wǎng)絡(luò)方法對手勢圖像進(jìn)行識別，取得了很好的效果[13]。因此，采用深度信念網(wǎng)絡(luò)對水稻紋枯病進(jìn)行識別診斷是可以實現(xiàn)的。本文將采用深度信念網(wǎng)絡(luò)對水稻紋枯病的圖像進(jìn)行識別，進(jìn)而提高識別效果和診斷效率，為準(zhǔn)確識別水稻紋枯病害奠定基礎(chǔ)。

本文基于MatLab 2016a深度學(xué)習(xí)工具箱DeepLearning Toolbox平臺，構(gòu)建深度信念網(wǎng)絡(luò)模型，研究基于深度信念網(wǎng)絡(luò)理論的水稻紋枯病圖像自動診斷識別，具體研究過程包括水稻紋枯病害圖像預(yù)處理、深度信念網(wǎng)絡(luò)模型構(gòu)建及訓(xùn)練、實驗對比分析等。

1 數(shù)據(jù)預(yù)處理

1.1 水稻病害圖像的采集

在自然光照條件下，使用華為P10Plus手機(EMUI 8.0兼容Android 8.0操作系統(tǒng)，2 000萬黑白+1 200萬彩色雙攝像頭)獲取北方寒地水稻紋枯病圖像。將手機的后置攝像頭放在準(zhǔn)備拍攝距離紋枯病病葉適中的距離且圖像清晰的環(huán)境下完成采集。手機拍攝的照片像素是3 840×5 120。水稻病害圖像的采集分別在水稻的前期、中期和末期進(jìn)行，每個時期每種病害分別采集50幅圖像，共采集1 500幅圖像，每幅圖像采用JPG格式存儲且剪輯壓縮成統(tǒng)一的大小。采集的原始水稻紋枯病病害樣例圖像如圖1所示。

圖1 水稻紋枯病病害圖像

1.2 高斯濾波對水稻紋枯病的預(yù)處理

圖2 高斯濾波后的水稻紋枯病病害圖像

1.3 紋枯病病斑特征的提取

使用Sobel算子邊緣檢測方法來提取出水稻紋枯病的病害圖片中所包含的病斑信息，算法步驟描述如下:Sobel算子的方向模板包含了兩組3×3的矩陣，即水平方向和垂直方向的兩組矩陣。其中，Gx表示垂直方向梯度，檢測水平邊緣；Gy表示水平方向梯度，檢測垂直邊緣。

若有連續(xù)的圖像函數(shù)，式(1)表示圖像函數(shù)在點處的梯度向量；式(2)表示梯度幅度；式(3)表示為了簡化計算，使用絕對值來表示梯度幅度；式(4)表示梯度的方向[14]。

(1)

(2)

|G(x,y)|=|Gx|+|Gy|

(3)

(4)

檢測過程中，首先將兩組矩陣與紋枯病的圖像中任何一個像素重合，并沿其圖像像素進(jìn)行移動；再將兩組矩陣中的系數(shù)與紋枯病的圖像的像素點進(jìn)行卷積運算，用兩個卷積的最大值代替紋枯病圖像中間位置的像素點，將其用作該像素點的灰度值；最后取合適的閾值TH，假如新的灰度值≥TH，就認(rèn)為該像素點為邊緣點。即它是以3×3鄰域內(nèi)的中心像素點為中心，對一些離散的圖像進(jìn)行鄰域平均或加權(quán)平均，進(jìn)而對圖像的邊緣點進(jìn)行檢測。使用Sobel算子邊緣檢測方法對水稻紋枯病病斑提取的結(jié)果如圖3所示。

圖3 水稻紋枯病病斑圖像的提取

2 深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)(DBN)主要用于識別和分類。DBN的基本思想為：深度信念網(wǎng)絡(luò)由一系列受限玻爾茲曼機(RBM)單元組成[15]。設(shè)輸入層節(jié)點的數(shù)目為m，隱含層節(jié)點的數(shù)目為n，設(shè)計的網(wǎng)絡(luò)模型如圖4所示。受限玻爾茲曼機的能量函數(shù)為

假設(shè)歸一化因子Z(θ)=∑v,he-E(v·h/θ)，v表示輸入層的所有結(jié)點，h表示隱含層的所有結(jié)點，進(jìn)而估算出隱含層被開啟的概率為

圖4 DBN結(jié)構(gòu)圖

圖5 訓(xùn)練性能曲線

3 實驗與分析

本文深度信念網(wǎng)絡(luò)搭建在DeepLearning Toolbox上，其訓(xùn)練及整體測試過程均在MatLab平臺上進(jìn)行。定義好深度信念網(wǎng)絡(luò)的各項參數(shù)為：受限玻爾茲曼機隱含層和輸出層神經(jīng)元個數(shù)為dbn.sizes=[25,25]，隨機樣本數(shù)量每批次為opt.batchsize=50，學(xué)習(xí)速率為opt.alpha=1，權(quán)值和偏置為0到1之間隨機數(shù)。使用上述參數(shù)構(gòu)建深度信念網(wǎng)絡(luò)后，訓(xùn)練時選取60%的水稻紋枯病病害圖像為訓(xùn)練樣本，其余的40%用于模型驗證。采用7重交叉驗證方法，水稻紋枯病病害的識別結(jié)果如表1所示。由表1可以看出：深度信念網(wǎng)絡(luò)對水稻紋枯病病害平均識別率達(dá)到94.05%，運行時間為72ms，而BP方法與SVM方法的平均識別率都低于深度信念網(wǎng)絡(luò)，運行時間都高于深度信念網(wǎng)絡(luò)。結(jié)果表明：深度信念網(wǎng)絡(luò)方法針對水稻紋枯病病害的平均識別準(zhǔn)確率優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和SVM。當(dāng)取樣本為100張圖片時，使用DBN、BP、SVM等3種方法進(jìn)行訓(xùn)練，得出的誤差曲線如圖6所示。由圖6可以看出：DBN的誤差率是最小且最穩(wěn)定。

表1 水稻紋枯病病害的識別Table 1 Rice sheath blight disease of recognition

圖6 誤差曲線分析圖

4 結(jié)論

基于深度信念網(wǎng)絡(luò)對水稻紋枯病進(jìn)行自動識別。首先采用高斯濾波方法和Sobel算子邊緣檢測算法對水稻紋枯病病害圖像進(jìn)行預(yù)處理操作，建立了水稻紋枯病病斑圖像數(shù)據(jù)庫；然后，構(gòu)建和訓(xùn)練了深度信念網(wǎng)絡(luò)模型對水稻紋枯病病害進(jìn)行識別，通過7重交叉驗證，平均識別率達(dá)到94.05%。通過與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和支持向量機識別方法對比，結(jié)果表明：本文采用的方法在對水稻紋枯病病害識別方面取得了較好的效果，為深度信念網(wǎng)絡(luò)在農(nóng)作物病害的識別診斷方面打下了良好的基礎(chǔ)。