文摘

传统的柑橘橙病虫害识别方法在运行过程中容易收敛,导致识别精度较低。为此,本研究回顾了最新的方法识别柑橘橙病虫害基于深卷积神经网络(DCNN)。苦橙叶的初始图像采集的硬件设备,然后使用裁剪技术预处理,增强,形态学变换。通过使用神经网络将柑橘橙的病斑图像,准确识别结果通过特征匹配。比较实验结果表明,与传统的识别方法相比,该方法的识别率增加了约11.9%,表明其更好的性能。该方法可以克服外部环境的干扰在一定程度上,可以提供参考数据,苦橙的预防和控制疾病和害虫。

1。介绍

柑橘橙(苦橙)是一种草药收集中国药典,及其药用来源是芸香料植物的干果石灰和品种。绿色的皮是7月份收获,从中间切成两半,在阳光下晒干或低温。柑橘橙是苦的,苦的,酸的,温暖的,调节气和分块胃的功能,促进气,停止膨胀。主要用于治疗疾病,如气停滞在胸部,向外突出,疼痛,不溶解的食物堆积,phlegm-rheum收集内部,胃下垂,肛门脱垂,子宫脱垂,等。柑橘橙生产在很多地方在中国,主要在湖南和江西两省。具体来说,从兴安县城内苦橙县,江西省也称为事件的柑橘橙和三湖柑橘橙,厚浆的特点,像树莓外翻,和许多橙色花瓣。其药用成分比其他品种,并列为中国国家地理标志产品保护(1]。柑橘橙工业的发展,各种各样的苦橙的病虫害增加,损害已经恶化的程度。迫切需要找到方法来快速、准确地诊断柑橘橙疾病并采取相应的控制措施。

疾病和害虫的检测,常用的方法是手动识别用肉眼通过农业专家。这种方法可以比较植物昆虫和害虫样本基于外部特征,如形状、颜色等,得到识别结果。然而,由于手动识别有一定的局限性和主体性,和人类不能连续工作很长一段时间,人工识别的准确性较低,劳动密集型的。这导致日益增长的需求之间的矛盾农作物病虫害的识别和鉴定人员的短缺在中国2]。为此,研究人员提出了柑橘橙害虫的识别方法结合计算机技术和图像处理技术。到目前为止,与作物病害图像识别相关的研究领域已经取得了一些进展,取得了许多研究成果。现有的研究成果包括害虫的建议基于深度学习识别方法(3,机器视觉4),和空间金字塔池(5]。

目前,大多数的图像特征提取人工设计或通过光谱歧视。然而,传统的柑橘橙病虫害识别方法在运行过程中容易收敛,导致识别精度较低。不同环境条件对识别结果有很大的影响,和鲁棒性和准确性差。为此,本研究引入了一个DCNN算法。DCNN算法结合深入学习算法和卷积神经网络(CNN)算法,解决问题,传统的有线电视新闻网是容易收敛,在传播过程中陷入局部最小值点。的DCNN算法,深度学习技术是用于自动提取的特征图像。DCNN方法的应用柑橘橙病虫害的识别可以提高识别效率,提供有效的技术支持的控制柑橘橙疾病和害虫。

2。实验材料和方法

2.1。获取图像的柑橘橙疾病和害虫

首先,柑橘橙被选中的测试对象。在自然光照条件下,CCD相机的图片收集柑橘橙病虫害三种自动曝光模式下图像分辨率为2048×1536,1600×1200、1024×768,分别。这些照片是保存在相同的格式的统一环境。获得的图像的具体步骤柑橘橙病虫害如图1。

柑橘橙病虫害的图片收集三个时间段,上午,中间,和晚上。收集点是随机和均匀分布在指定的区域。相机是尽可能地平行平面苦橙叶的位置,以防止明显的变形(6]。

2.2。图像预处理

有一定程度的不相关的图像信息在健康和患病的柑橘橙图像。图像预处理是提高相关信息并消除无关信息最大程度,从而提高图像识别的可靠性。

不利于不同大小的图像卷积运算在随后的网络培训,和主要的信息位于中部地区的形象。因此,图像应该出现在之前批次分类和识别,和一个最终的图像大小为256×256年中部地区应选择。简化数据集,数据集的数量应保持不变,和重大疾病的信息应该保留。

此外,图像直接压缩或扩展到深卷积网络模型,这需要一个固定的输入图像的大小。所需的输入格式ResNet网络模型是224×224,和所需的输入格式Inception-v3网络模型是299×299 (7]。

图像增强技术包括灰度、二值化、滤波、平滑等。常用的RGB图像进行加权处理的三个组件R,G,B然后用作灰度值。这个过程可以表示为 在哪里R,G,B代表的彩色图像的三个组件柑橘橙,分别计算结果是像素的灰度值。在此基础上,计算原始图像的所有像素,和彩色图像的灰度处理结果。利用图像的灰度直方图、图像分为对象使用一个阈值和背景。表达式如下: 在哪里 点的像素值吗 和的全局阈值分割图像。然后,中值滤波算法来过滤的图像。中值滤波算法使用一些邻居像素的像素处理形成一个空间区域,安排所有像素的灰度值在该地区的空间从小型到大型或从大到小成一个系列,然后使用本系列的中间值作为中心点的灰度值,如图所示

一个新的图像可以通过执行相同的处理在序列图像中每个像素(8]。在方程(3),如果有奇数个像素的空间 ,中间的像素的灰度值排序后作为中心点的灰度值;如果有偶数个像素的空间 ,中间两个像素的灰度值作为中心点的灰度值。

2.2.1。多个形态转换

数学形态学通常有四个基本操作,即腐蚀,膨胀,关闭,打开9]。在这项研究中,两种转换方法,即。,erosion and dilation, are mainly used in processing the images of Citrus aurantium. The corrosion operation is to eliminate boundary points and shrink the boundary inward. Target area of the image of Citrus aurantium is set as the set这是与内核进行卷积操作 。处理结果如下:

方程(4)表明,翻译之后通过设置像素,它的解决方案仍然存在 ;然后据说被侵蚀 。腐蚀主要表现为图像收缩。此外,扩张的作用是将周边环境到目标区域,边界向外扩张。处理的结果集扩大了一组可以表示为

当执行多晶转变形象,侵蚀和扩张的操作被称为开放操作,可以消除图像内的小噪音和光滑的边界对象。扩张和侵蚀的操作称为合闸操作,可以填补图像内的小洞和光滑的边界对象(9]。经过很多次的打开和关闭操作柑橘橙的图像,需要对其进行形态变换。

2.2.2。图像归一化

标准化操作的角色在概率论是样本的统计分布,和间隔是[0,1]规范化;然后间隔了坐标分布(10]。为此,Z得分方法用于疾病的图像数据集规范化为[0,1]区间满足深层卷积网络模型的数据输入要求。它的数学表达式 在哪里代表疾病的图像数据集,最初的代表柑橘橙疾病和害虫的平均值数据和参数代表了柑橘橙病虫害的方差数据。

2.3。构建一个DCNN

DCNN分为输入层、特征提取层和输出层从数据流的角度(11]。从结构的角度来看,DCNN由一个或多个卷积层、汇聚层,和完全连接层。二维图像作为网络的直接输入,和网络的中间部分由卷积层和池层交替连接。输出层通常是由一个完全连接层和一个分类器,和构造DCNN结构如图2。

从图可以看出2DCNN包含三个回旋的层,两个池层和两层完全连接。手写数字图像输入的大小是32×32。在特征提取层,卷积层接收特性上一层的地图和仿射上一层的卷积与当前层(12]。操作的结果计算,功能层的地图是通过激活函数。 在哪里和代表了特征映射和净的激活卷积的内核th卷积层,代表偏差参数,代表的重量卷积的内核th层,和分别代表了非线性激活函数和卷积算子。DCNN的downsampling层对上层执行聚合统计特征图谱通过本地相关性。通过降低特征维度,可以提高信噪比,地方特色可以融合产生新的特性13]。将采样提取输入特征的地图可以表示为 在哪里代表将采样函数和代表的重量卷积的内核将采样层。软渲染输入像素值的二维特征映射转换为一维特征列,然后地图完全连接层的输出特性是通过加权求和和非线性激活函数操作: 在哪里代表完全连接层的重量参数。提高识别精度或满足特定任务的需要,辍学等多个辅助层,局部反应正常化,本地对比度归一化和线性激活单元也插入到隐层在本研究14]。激活函数在乙状结肠DCNN选择函数单调递增的特点和逆函数,可以将变量映射到[0,1]。给出了s形的函数表达式

相对应的图像乙状结肠函数如图3。

2.4。图像的分割区域的柑橘橙病斑

苦橙的形象,在DCNN的背景下,选择HSI颜色空间。其中,我组件与图像的颜色信息,而H和S组件与有色人种的看法密切相关。基于这一特性,当H属于(70、200)和S属于[0.17,1],作物叶子的绿色区域大致可以代表。利用HSI颜色范围,上述地区抹去达到过滤的目的叶绿素(15]。然后所有像素的灰度值遍历类方差最大化,和获得T是所需的阈值。每个像素的颜色区间是由解决实现像素值的分割阈值。最后病斑分割结果可以通过合并获得多个分割区域。

2.5。提取的特征的疾病和害虫柑橘橙

使用DCNN特征提取部分,提取病虫害的特点实现图像中苦橙从颜色和纹理。

2.5.1。颜色特征

为了找出核心功能的颜色适合柑橘橙病虫害,根据这些疾病和害虫的色差,选择多个特征参数作为颜色特征(16]。我们定义 , ,和红色,绿色和蓝色的组件th像素分别,色调,饱和度和亮度分量的值th像素的HSI颜色空间表示为转换 , ,和 。然后,每种颜色特征的提取可以表示为 在哪里 , , , , ,和代表平均值的红色,绿色和蓝色的组件和色调,饱和度和亮度分量,分别。

2.5.2。纹理特征

在模式识别领域,纹理分析是一个非常重要的工作,其中包括图像的细节,如灰度分布模式,梯度方向,粗糙度等等。因为不同的疾病产生的病斑柑橘橙总是不同的纹理,纹理特征被选中作为补充的颜色特性,和两个相互合作,以避免单一功能的缺陷分类。选择灰度同现矩阵来提取纹理特征。这种方法主要是获得的同现矩阵计算灰度图像,然后获得的一系列标量计算灰度图像来表示图像的纹理信息。在灰度图像上任意一点,另一个要点是保持一定的距离,并重点对灰度值(17]。假设图像的灰度级序列,然后这两个像素的灰度值的组合。对整个灰度图像,数出现的次数每获得一个统计矩阵,称为灰度共生矩阵,这个矩阵然后正常化的联合概率矩阵获得图像的灰度分布。基于这个模型,能量、熵和惯性矩计算纹理特征量,分别。

通过集成的提取结果收集图像的颜色特征和纹理特征柑橘橙病虫害,提取结果柑橘橙病虫害的综合特征。

2.6。识别柑橘橙疾病和害虫

在DCNN构造在这项研究中,提取的图像特征是resubstituted。通过网络培训和迭代,得到分类结果,也就是说,识别柑橘橙病虫害的功能。

DCNN的训练过程可以分为两个阶段:正向传播和反向传播。传播是获取计算结果推断,和反向传播是更新的参数根据梯度计算的损失。算法计算每一层的输出和损失通过向前传播的网络和计算梯度通过反向传播网络(18]。然后把参数梯度更新根据随机梯度下降算法。后持续学习的最终损失满足精度要求,每一层的网络的参数值没有仅保留下次使用网络(19]。

柑橘橙病虫害的识别,有必要设置一个比较标准的澄清的颜色和纹理差异正常柑橘橙和异常,并设定一个特定的识别和对比标准地图根据疾病的严重程度和害虫(20.]。然后,标准柑橘橙图像特征之间的相似性在数据库和害虫特征提取DCNN计算实现害虫的匹配特性。给出了计算公式 在哪里和代表了图像特征提取和标准柑橘橙病虫害特性数据库,分别和变量需要一个常数值。通过设置相似度阈值,结合方程的结果(12),我们可以得到类和严重程度的柑橘橙病虫害,也就是说,获得柑橘橙病虫害的识别结果。

3所示。结果和分析

为了测试基于DCNN提出识别方法的性能,以下测试实验设计。

在实验中,传统的基于机器视觉的方法(该方法在文献[4])和基于空间金字塔池的方法(该方法在文献[5)被用于比较,包括传统的识别方法和算法优化方法。识别不同的方法计算和比较在相同的实验环境。

3.1。选择柑橘橙样本数据集

三个不同的实验数据集用于实验,即MalayaKew数据集,P1antVillage数据集,AES-CD2020数据集。这些MalayaKew叶在数据集来自英国皇家植物园,英国,并包含两个子集,MK-D1 MK-D2,共有44类。MK-D1是一片叶子图像数据集执行多角度旋转扩张对收集到的图像形成一个与2282个样本训练集和测试集,528个样本。MK-D2是一个图像集由当地种植和多角度旋转MK-D1所有树叶的扩张。MK-D2训练集的788图片类,每个类和测试组有200个图像。P1antVillage数据集是一组图像含有多种植物的健康和疾病。有38类作物疾病,健康和患病的图像相关的数量超过50000张图片,每个类的图像是不均匀的。

本研究选择10478 P1antVillage收集的叶苦橙的图像,包括健康叶片的图像和5类病变的树叶。上述两个实验样本数据集主要提供比较实验。AES-CD2020数据集是一个数据集组成的图像拍摄现场。AES-CD2020数据集的图像有不同的大小、拍摄角度、背景、和照明等环境条件如图4。

实验中的所有图像训练集也同样分为5组,每组200张照片。每组图片的具体组成如表所示1。表中的数据1设置的标准数据识别实验。

3.2。实验环境

实验设计使用咖啡框架。咖啡是一个开源的工具与cnn深度学习。咖啡支持c++和CUDA的语言MATLAB, Python接口和命令行,set_mode接口可用于CPU和GPU之间切换。选中的柑橘橙示例数据集预处理来生成一个数据库格式。首先,咖啡是用来读取数据,然后进行培训。净完成了网络层的初始化,解算器是用来控制模型训练过程。在培训过程中,培训结束时,几个训练模型得救了。通过实验环境的配置,确保了所构造的DCNN可以在实验环境中正常运行。

3.3。测试过程和结果的分析识别方法

识别率作为指标来评估算法的性能。它可以直接通过计算获得正确的数量的比例确定样本总数的确定样本。准备实验样本数据导入到实验环境,和解决数据样本调整到600×600。同时,比较的三种方法是导入到程序代码形式的实验环境。检索数据样本的识别结果。

通过比较输出识别结果与表中的数据集1,识别率可以获得的结果,如表所示2。

根据表中的数据2,平均识别率的方法4]和[5)分别为87.0%和91.5%,分别。相比之下,DCNN-based识别方法提出了研究显示平均识别率为98.9%,表明其最佳性能。

4所示。结论

为了实现有效的控制和预防柑橘橙病虫害,本研究设计一个DCNN-based识别柑橘橙病虫害的方法。方法使用相关的硬件设备来收集最初的苦橙叶图像并完成图像预处理。识别结果通过特征匹配。(1)为了验证该方法的有效性,进行了相关实验。实验结果表明,该方法的识别率是11.9%高于传统的识别方法,验证其高识别率。(2)该方法的可靠性高的原因是,它实现了初始的预处理通过种植柑橘橙图像数据,增强和形态学变换等,这从根本上避免了环境因素对识别结果的影响。(3)通过使用神经网络将柑橘橙的病斑图像,准确识别结果通过特征匹配。该方法可以克服外部环境的干扰在一定程度上,可以提供参考数据,苦橙的预防和控制疾病和害虫。

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了特殊的一般项目技术创新和应用程序开发:在重庆的发展应用防治病虫害中医基于图像识别:一个案例研究的果实Aurantii Immaturus (cstc2019jscx-msxmX0098)和特殊重点项目的技术创新和应用发展重庆:绿色、高效的生产技术的集成和应用特色产业(茶和中药)秀山县(cstc2020jscx-tpyzxX0021)。