基于深度学习图像处理的棉花叶诊断疾病和害虫

文摘

棉花是一种具有经济意义农产品在埃塞俄比亚,但它是暴露于不同叶面积的约束。大多数情况下,这些限制被认为是疾病和害虫的侵袭,很难探测光着的眼睛。这项研究集中开发一个模型来提高棉花叶疾病和害虫的检测使用深度学习技术,CNN。要做到这一点,研究人员使用了常见的棉叶大豆细菌性斑点病等疾病和害虫,红蜘蛛,叶子矿工。K-fold交叉验证策略是穿数据集分割和提振了CNN模型的泛化。对于这个研究,近2400个标本(600年每个类图像)访问用于训练目的。这种发展模式是使用python版本实现3.7.3和深度学习的模型是装备包称为Keras, TensorFlow支持,和Jupyter用作发展环境。该模型实现了96.4%的精度识别类棉花植物的叶子疾病和害虫。这揭示了其在实时应用程序使用的可行性和潜在需要基于it解决方案来支持传统或手动疾病和害虫的识别。

1。介绍

在埃塞俄比亚,农业是国民经济的基础,生活的85%,外贸总额的90%来自这个农业部门(1]。相信埃塞俄比亚适用于许多宜耕作物,其中之一就是棉花。棉(Gossypiumspp)也被称为“白金”和“纤维之王。“对种植者来说,处理器、出口商和生产国,棉花是供应的认真点2]。根据非洲报告的数据,只有428120公顷收获总在SNNPRS产值约为596000000美元。约18%的作物产量损失是由于不同的疾病和害虫,这导致全球每年数百万美元的损失。

尽管农业是埃塞俄比亚的支柱,到目前为止还没有探索先进的技术发展的农业科学和自动化生产和质量也有很高的问题,由于不同的疾病和害虫。近年来,复杂的新兴技术吸引了许多领域的研究人员检测和分类的棉花叶片疾病和害虫。在埃塞俄比亚,有诸多限制,减少产品的产量和品质。特别是,识别潜在的疾病或虫害在埃塞俄比亚棉花是基于传统的生产方式。有一个广阔的区域内农业适合棉花种植园,但只有有限的研究关注棉花作物生产。传统上,专家检测和识别这些植物病虫害露出的眼睛。露出眼睛的决心被认为是低级的丧失精度,以发现任何疾病。高需求,不同的先进技术辅助构建的系统帮助非自动的识别植物病虫害增加任何纠正措施的准确性。与先进技术的帮助下,减少植物病害,因此增加了通过提高生产力这有助于提高经济生产。因此,以信息技术为基础的解决方案的实现在农业领域的高水平的意义为货币、埃塞俄比亚的发展社会,环保发展,增加棉花作物的生产。

在不同病虫害发生,约80 - 90%的棉花叶子(3]。在埃塞俄比亚,可以看出可能有财政破坏16%左右,因为植物综合症。然而,没有控制措施,它可以造成30% - -50%的损失4]。棉花病虫害很难识别通过露出的眼睛。

2。问题的陈述

棉花植物容易几个障碍(生物和非生物约束)攻击由于温度波动,疾病和害虫。事实上,整个世界产生近576公斤每公顷棉花作物,只有10%的生产损失发生由于不同棉叶的疾病。美利坚合众国(美国)是一个主要的出口国,世界上棉花,它在2016年获得了51亿美元,但有著名的本地害虫分心的棉花农场的原因(3]。,印度24%的棉花土地4.6世界,数十亿美元的2016年,从一般每年18%的棉花作物的生产失去了由于不同的疾病袭击了棉花植物有其影响损失近九十万印度卢比(5]。目前,在埃塞俄比亚,近12 - 15%的棉花作物植物感染是由于不同的疾病(6]。在埃塞俄比亚,绩效评估GTP-I显示这些疾病和害虫的主要约束世界棉花生产的数量和质量的标准。这导致经济崩溃的农民和国家的1]。

检测这些疾病与裸露的眼睛增加棉花作物生产力的复杂性减少识别精度的准确性。即使是专家也无法用自己的眼睛,评估和诊断疾病,这技术不足导致更多的浪费的棉花作物。由于这些错误的结论,大多数时候,某些不必要的农药应用严重影响健康的棉花。离开农场,即使是很短的时间间隔没有生产将影响整体国家国内生产总值(7]。

研究人员转发以下研究问题考虑的问题在声明中提到的问题:(1)什么是合适的棉花技术用于诊断疾病和害虫?(2)如何开发一个自动棉花疾病和害虫诊断系统?(3)如何确定模型的收购?

深入学习了图像处理和数据分析的路径更可能的结果。已成功应用,现在已经进入农业领域。今天,几个深上优于计算机视觉应用程序如CNN(卷积神经网络),RNN(递归神经网络),DBN(深层信念网络)和DBM(深玻耳兹曼机)与高精度执行任务。然而,最突出的应用这一研究工作是CNN (7]。

如今,CNN技术用于检测不同对象和执行自动绘图指令用于分析(8]。K-fold交叉验证策略最近建议数据集分割,提高了CNN模型的泛化。通常,模型最后是从零开始而不是任何转移学习模式或开门模式。

深度学习吸引注意力为了最大化性能不同的任务进行分类有助于保证人工干预数据(9]。在这个现实世界中,深度学习的使用显示了解码人类大脑活动的主要兴趣(10]。面临的问题是intertrial和主体间变异性之间的电脑照相术信号,引起双向long-short-term自主访问的内存。分析了卷积神经网络在不同的因素分为四类电脑照相术汽车虚函数。这里,使用双向long-short-term记忆力与注意力模型完成了不同特征的提取从原始电脑照相术信号。促进临床翻译的电脑照相术电动机imaginary-based大脑计算机接口技术适用于不同的请求,这个系统支持瘫痪的病人。不同寻常的成就包括最高精度和时间分辨的预测11]。

。一个有效的和有效的接口系统,人类扮演重要的角色。图卷积神经网络,小说深度学习框架,解决问题为了区分四级电机虚构的意图通过相互同意的相似性电脑照相术电极。找到马达虚,四个任务与预测精度最高的首选12]。

3所示。这项研究的范围和限制

本研究专注于开发一个棉花叶病虫害识别模型使用深度学习技术名为“卷积神经网络”。三种常见类型的疾病和害虫如白叶枯病、叶矿工,红蜘蛛一直影响棉花产量和质量。同时,模型的应用做了一个监督学习技术在数据集有四个主要特征提取过程和2400数据集。四个不同的数据集是有限的特征描述符。考虑时间约束和达到种植棉花的地区,研究集中在埃塞俄比亚南部如亚明奇,Shele, Woyto。MelkaWorer农业研究中心也提出了重点区域,因为它负责SNNPR棉花农场。深度学习技术被用来执行自动根除特性从不同的输入数据集。

4所示。文献综述

根据Shuyue [13),他们列出了不同格式的图像卷积神经网络。这是准备过程的统一的电脑照相术数据预测电机的四类的目的虚与电相关脑照相术电极。他们处理数据与2 d到3 d视角的变换。通过这些空间单元的结构处理。

一项研究[14)说,为了利用深度学习的动态路线,他们提议短期电压稳定。他们管理的聚类算法获得短期电压稳定增加可靠性。

在[7),它是说深度学习技术是应用于识别不同芒果树的叶子疾病。研究人员使用五种不同的叶疾病各种标本的芒果树叶,在那里他们解决近1200数据集。CNN结构训练有超过600张照片,其中80%用于培训和20%是用于测试。剩下的600张图片用于查找的准确性和辨认芒果叶疾病显示在实时应用中使用的可行性。分类精度可以进一步增加如果更多的图像数据集提供调优CNN模型的参数。

研究[6]国家水稻数据集的识别和分类机制用于过程CNN模型。与疾病培训,近500种不同的图像采集处理的水稻试验田。

在[15棉花叶片),检测与图像处理解决。在这里,k - means算法用于数据集。

研究[16)显示,香蕉植物感染疾病的识别他们的叶子。在本研究的研究中,3700个图像被用于训练,但在每个类不平衡的数据集。研究人员进行不同的实验,例如,训练模式通过使用彩色和灰度图像数据集,也通过使用不同的数据集分割技术。他们获得最好的在彩色图像的准确性98.6%,80%和20%的训练数据集验证。

5。研究方法

本研究使用一个设计科学构建和评估的方法,创建了创新和定义思想,实践,技术能力和产品使用定性或定量数据。DSRM输出之一是一个模型;它是一种概念上的抽象表示和数据集。根据Hevner [16),图1这项研究代表了处理模型。

在不同的入口点,“石林启蒙”是最适合这个设计科学研究。石林启动入口点是适用的,因为这个问题被研究人员观察和业务在棉花疾病识别领域17]。图1研究提出的描绘了DSRM一起适应了这项研究的活动。

6。数据收集和采样技术

样品叶子图像,本研究中使用的研究人员都是一级以及二级类型的数据集。主要数据是一种类型的数据收集新鲜的第一次。在这项研究中,主要类型收集从2019年7月至8月亚明奇,Shele,和Woyto棉花农场棉花植物被广泛种植,高SNNPR感染,而在每个类辅助数据收集来自Melaka-Worker农业研究中心成立于遥远地区,SNNPR。

在这项研究中,研究人员已经使用目的或判断抽样技术,选择三个感染和人口健康的样本,非概率。在2400年数据收集、数据捕获的图像和分成4个相等类大豆细菌性斑点病等健康,叶子矿工,红蜘蛛用来训练和平衡的数据集,如图2。

6.1。棉花的样本图像数字化

本研究使用的数据采集系统对产生清晰、公正,简化数字图像棉叶的植物样本数据库进行进一步分析和处理。目的是为数字化系统提供统一的闪电或平衡的照明。使用智能手机相机和数码相机捕获的图像然后转移到电脑,在屏幕上显示,存储在硬盘上的PNG格式的数字彩色图像。

6.2。图像数据预处理

预处理的图像插入网络是第一个在所有图像处理项目和基本任务。常见的图像预处理任务在任何图像处理项目向量化、规范化,图像缩放,和图像增强。在这项研究中,这些图像预处理任务之前要进行进一步的深度学习处理在python中使用OpenCV库(18]。数据增加也是用于生成更多的训练数据集从实体集进行数据采样。

6.3。特征提取

深度学习机器学习解决不同缺点的特征提取等特征提取手动使用最好的和健壮的技术称为CNN (19]。层是用来学习知识。使用数据过滤机制是用来匹配和提取它们的值。

6.4。数据分区和模型选择方法

使用数据集分区技术K倍交叉验证的分区K值,K+ 1获得了即将到来的分歧。对于这个研究,研究人员已经分配了K值为10,因为它是适合深度学习(8,20.]。因此,K= 10意味着10倍交叉验证,所以将整个数据集划分为10。D= 2400/10 = 240年的数据为每个使用折叠。从这个例程活动,80%(2160叶图像)收益率最合适的性能被训练和休息20%(240叶图像)是用于测试;因此,系统验证。

6.5。工具的选择

收集棉花叶片图像的研究,使用了两个图像捕获设备,如智能手机和数码相机。该模型是使用python版本实现3.7.3用法。此外,模型训练的深度学习包名为Keras版本:2.2.4-tf TensorFlow支持。TensorFlow,版本:1.14.0推荐采用该系统。评价性能,进行了许多实验装置的帮助下一个图形用户界面使用Tkinter。从硬件、培训和测试进行CPU而不是GPU。

6.6。评价技术

评估的常规结构,研究人员使用各种技术在不同时期,如发展阶段和结束时。首先,研究者评估原型使用混淆矩阵的要求和四个评价指标等混淆矩阵报告F1-score,精度,回忆,和准确性的测试数据集。主观评价第二,在这项研究中,研究人员用问卷测量样机的性能由领域专家,如图3和4。客观评价了利用实验分析测试工件。最后,评估的结果描述了模型的实用性。

7所示。棉花植物病害和害虫识别模型的设计

第一个任务在这个模型设计是图像采集与数码相机和智能手机领域。然后,图像预处理技术应用于准备收购图像进行进一步分析。在这之后,预处理图像插入到CNN算法与神经网络特征提取。然后,能够良好地拔牙来表示图像从图像中提取使用图像分析技术。根据提取的特征、训练和测试数据,用于识别提取。最后,一个训练有素的知识库将新形象分为综合症的类,如图5。

8。CNN的体系结构模型

CNN体系结构包含两个主要部分如特征学习和分类部分。一般来说,棉花图像给最后一个输入层和输出层。隐藏层由不同的层,如图6。这里,棉花叶和输出将这样一个图像的类名也叫棉叶疾病或虫害的标签。一般来说,对于这个建议的体系结构,每一个棉花叶片图像的神经元还在增加中,相当大的重量。即将到来的增加过程的输出层处理,重复下一层。输出层显示了预测计算神经元的研究任务。

9。实验结果

在实验中,不同的实验经历了得到一个有效的模型通过定制各种参数,提供了不同的结果。这些参数是数据集的颜色,数量的时代,增大,优化器,辍学。根据Serawork Wallelign [19),增强RGB彩色图像提供了大约15%的进步不准确的增强。

对于这个新模型,研究人员已经培训了三个不同的数字时代,如50,100和150。然而,该模型实现了最佳性能在100时代,如图7。Nitish斯利瓦斯塔瓦(5)添加了一个辍学的CNN给予额外的性能(2.7%)。因此,在实验过程中,研究人员使用0.25和0.5辍学比例在每一层和在0.5辍学比例达到最佳性能。最后,一个非常重要的实验进行了优化算法的正则化方法的使用可以减少损失通过迭代更新意味着根据梯度。从图8,观察到数字时代的影响和正则化方法确定。对于这个研究,使用两个最近和使用优化算法如RMSProp和亚当,但亚当优化算法减少损失2.5%,如图9。

研究人员观察到100年训练精度最高^th时代为0.990。图表显示所有的培训和验证成功率网络过程中实现,如图9如图,图10。

10。结果与讨论

分析模型的性能,最后的结果是通过使用参数如K-fold使用10折交叉验证。RGB-colored图像数据集扩充提供了15%的最佳性能模型。研究人员使用转移学习CNN模型和灰度数据集已经达到了98.6%的准确率6]。然而,颜色是棉花的主要和最决定性的特征检测和分类;因此,使用一个彩色的数据集需要很长时间来训练该模型添加性能,即使它是一个复杂的层。与100年时代的迭代的数量和亚当优化方法模型性能非常显著增加10%和5.2%,分别。最后,这个开发了CNN模型实现大豆细菌性斑点病的98%,94%健康,叶子小的97.6%,和100%的红蜘蛛,正确分类。此外,研究者不同的预处理技术用于噪声去除。的主要因素的误分类结果之间存在白叶枯病,健康,和叶矿工。模型的整体性能,见混淆矩阵,是96.4%准确的诊断叶植物疾病和害虫的棉花。

11。原型开发和评估

为原型,研究人员专注于数字法医调查过程的公约,ISO和IEC评价原型在效率方面,有效性,容错,乐于助人,学习能力,和控制评估原型的质量。目前,系统原型测试进行一个桌面应用程序的帮助下进行Tkinter, Python编程语言的图形用户界面。

为原型,研究人员专注于数字法医调查过程的公约,ISO和IEC,评价原型在效率方面,有效性,容错,乐于助人,学习能力,和控制评估原型的质量。提问者,评价者获准率选项非常满意,非常满意,比较满意,不满意,不满意五封闭式问题和开放式问题。埃塞俄比亚的棉花农场专家问卷分布,如图11。从农民获得的数据记录在表中1评价模型。问卷调查的,评估者被允许选择非常满意,非常满意,比较满意,不满意,不满意五封闭式问题。

棉花叶片的整体性能疾病和害虫识别原型评估被评估者为60%非常满意的选择所有的问题,20%的非常满意和比较满意的选择。开放式的问题,几乎所有的专家反映压缩性的思想对系统的整体性能和原型。这个结果表明,棉花叶病虫害的原型是表现良好的解决问题能力和作出正确的预测图所示12。

12。结论

这个深上优于模型是使用Python和实现Keras包,和Jupyter被用来作为一个开发环境。不同的实验已经在这个研究经历了一个有效的模型通过定制各种参数等数据集的颜色,数量的时代,增大和正则化方法。RGB-colored图像数据集扩充为模型提供了15%的最佳性能。数字时代和正则化方法的模型性能非常显著增加10%和5.2%,分别。提出原型取得了96.4%的最高效率确定每个类棉叶疾病和害虫的植物。发展这样的自动化系统是用来帮助农民和专家确定棉花叶视觉症状疾病和害虫。结果证明,农民非常有用的设计系统以减少复杂性,时间,成本从任何疾病诊断的叶子。

13。未来的工作

面临的主要挑战,而发展中一个对象检测模型深度学习收集大量的培训高质量图像有不同的形状,大小,不同的背景,光强度和方向不同的类。因此,未来的研究应该包括在他们的工作和解决方案这样的挑战不仅识别还建议治疗疾病和害虫。2019年埃塞俄比亚发射卫星,这是最好的计划对未来研究者访问remote-accessing高分辨率卫星图像训练高性能深度学习的技术模型。

数据可用性

在数据收集,3117的图像数据收集从这些不同的环境。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究由亚明奇大学,隶属于科学和高等教育部,埃塞俄比亚。

引用

1. 埃塞俄比亚农业研究所棉花研究战略EIAR亚的斯亚贝巴,埃塞俄比亚,2017。
2. p .声速的p·帕蒂尔、m . Rupali和s . Zambre”分类的棉花叶斑病病使用支持向量机,”国际期刊的工程研究和应用程序,4卷,不。5,92 - 93年,2014页。视图:谷歌学术搜索
3. O.-I。e。印加希尔伯特,“棉花供应链在埃塞俄比亚,”弗莱堡,38卷,2018年。视图:谷歌学术搜索
4. b s所诉k . Dabhi h . b .生,”一个调查棉花叶病的检测和分类”学报》国际会议上电气、电子和优化技术(ICEEOT),页1 - 2,钦奈,印度,2016年3月。视图:谷歌学术搜索
5. a . r . Hevner s t .三月,j .公园和美国Ram,“设计科学研究,”管理信息28卷,第105 - 75页,2004年。视图:谷歌学术搜索
6. s Arivazhagan和美国VinethLigi芒果叶疾病使用卷积神经网络识别,”国际纯粹和应用数学杂志》上卷,120年,第11079 - 11067页,2018年。视图:谷歌学术搜索
7. l·杨,彝族,n .曾和张y, y . Liu”使用深卷积神经网络识别水稻疾病,”Neurocomputing,卷276,不。1,第384 - 378页,2017。视图:谷歌学术搜索
8. s . Wallelign m . Polceanu, c .大餐”大豆植物病害识别使用卷积神经网络”人工智能研究学会学报会议美国佛罗里达州墨尔本,,2018年5月。视图:谷歌学术搜索
9. y侯,s, s . Zhang et al .,“深入挖掘功能通过引起BiLSTM-GCN人类运动图像识别,”2020年,arXiv预印本arXiv: 2005.00777。视图:谷歌学术搜索
10. m·a·Schwemmer n . d . Skomrock p . b . Sederberg et al .,“满足脑机接口用户性能期望使用深层神经网络解码框架,“自然医学,24卷,不。11日,第1676 - 1669页,2018年。视图:出版商的网站|谷歌学术搜索
11. y侯和s .贾”,深入挖掘功能通过关注基于BiLSTM-GCN人类运动图像识别,”杂志的乳胶类文件,14卷,不。8,2020。视图:谷歌学术搜索
12. x Lun, s .贾y侯et al .,“GCNs-net:图卷积神经网络方法解码时间分辨脑电图运动图像信号,”2020年,arXiv预印本arXiv: 2006.08924。视图:谷歌学术搜索
13. 贾,y, y史et al .,“引起图ResNet运动意图检测从原始EEG信号,”2020年,arXiv预印本arXiv: 2007.13484。视图:谷歌学术搜索
14. y . j . m . Zhang Li Li和r·徐“深度学习的短期电力系统电压稳定评估,”IEEE访问,99卷,2021年。视图:谷歌学术搜索
15. d·s·r·g .一生和p·沃恩检测疾病的棉花叶子上使用K-mean聚类方法,”国际研究工程与技术杂志》上,卷2,不。4、426 - 428年,2015页。视图:谷歌学术搜索
16. b . Bouaziz j·阿马拉,A . Algergawy“深上优于香蕉叶子疾病分类方法,”学报Datenbanksysteme毛皮生意,技术和网络(2017)89年,页80 -斯图加特,德国,2017年3月。视图:谷歌学术搜索
17. y律,j·陈,z的歌,“基于图像的过程监控使用深度学习框架,”化学计量学和智能实验室系统卷。189年,7-19,2019页。视图:谷歌学术搜索
18. z倪,y。Cai, y y。王,Y.-T。田,X.-L。王,b . Badami“皮肤癌症诊断基于卷积神经网络优化,“人工智能在医学上卷,102年,页1 - 7,2020。视图:谷歌学术搜索
19. f . Chollet深度学习与python曼宁出版物有限公司住所岛,纽约,美国,2018年。
20. t .郭,j .盾、h·李和y高,“简单的卷积神经网络在图像分类,”大数据分析IEEE国际会议论文集,页721 - 730,波士顿,MA,美国,2017年12月。视图:谷歌学术搜索

版权

版权©2021 Azath m . et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。