文摘
水稻是最消耗的食物超过一半的世界。全世界大约15%的米饭浪费因为叶疾病。计算机辅助系统需要一个明确的分段损伤检测这样的疾病,但是模糊强度,坏的对比,和尘埃粒子在适当的细分和叶子的挑战,此外,为了更好的特征提取。在这个工作中,首先,SegNet深度学习模型训练独立的杂草从野外捕获的图像;在下一步中,一种新颖的自动分割技术命名RPK-means提出结合随机路径(RP)和k - means聚类分离损伤斑点的叶子图像。的工作模式是多种的。首先,为杂草SegNet模型训练的分离;然后,生成图像的两个集群 - - - - - -意味着集群找出像素坐标躺在损伤位置和健康叶的一部分。此后,病变部分从背景中分离、自动分割是随机路径执行的小说 - - - - - -意味着(RPK-means)方法使用在最后阶段获得协调立场。真菌和细菌疾病如褐斑病、稻瘟病、纹枯病、叶比例,和白叶枯病已经收集的字段执行实验。实验结果表明,深度学习分类器的性能增加了约2 - 6%,而申请RPK-means预处理图像,而不是传统 - - - - - -意味着分割技术。
1。介绍
农业是任何一个国家的经济的支柱,和米饭是最栽培植物在世界各地。但农民每年损失37%的大米,因为恶劣的天气条件和杂草和树叶疾病5到10%的大米发生的损失由于利率,而细菌和真菌疾病原因大约有15%的损失。疾病发生在树叶完全破坏,由于水果不生长的植物。检测这些疾病在电脑的帮助下,清晰的照片树叶是必需的,但当一个农民需要的照片感病叶片的领域,可能会有更多的叶子中可见背景。分离这些背景,我们总是需要一个自动化的系统,可以准确部分感兴趣的地区可能会导致在未来更好的特征提取。最近,基于颜色的分割技术被用在许多研究领域疾病部分作物的叶,大多数这样的方法首先将RGB输入转换成灰色然后通过阈值分割技术(1]。从作物杂草分离是另一个最具挑战性的任务,因为图像直接取自字段包含三个类的大米,杂草,之后和背景;同时,我们需要地面实况图像数据集,评价分割的质量(2]。所以,植物病害的分割是一个多种的方法,即。,separation of weed, separation of background, and finally preparation of ground truth dataset for evaluation. Many research has been done recently to focus on proper segmentation of boundaries of the object rather than concentrating on central pixels. Also, the use of supervised machine learning algorithms [3)和支持向量机、决策树和神经网络模型和许多非监督学习方法 - - - - - -意味着聚类和模糊聚类(4)提出了更好的分割。所有这些技术提供更好的分割叶疾病,但需要更多的数据和时间进行训练。以同样的方式,一些作者提出使用深度学习分割模型在他们的研究中,它使用池层减少功能通过减少背景信息,但与此同时,部分地区的利益也会降低。为了克服这个问题,一些作者提出使用SegNet模型(5];SegNet,执行马克斯池操作之前,它使每个像素指数的记录,以便它可以使用upsampling之后。
分割的图像准确的提取感兴趣的区域(ROI)起着关键作用,大大降低了待分析数据大小以及执行更好的特征提取。因此,它只需要提取ROI有效分析所需的问题。模糊逻辑, - - - - - -意味着clustering-based技术已经被许多研究者使用段ROI从植物图片6]。由于不规则的纹理,叶子上的尘埃,阳光的影响,存在阴影,细菌和真菌疾病的存在使树叶的边界不规则,从而导致不准确的分割在使用传统的图像处理方法(7]。在实时图像,可能有大量的树叶在后台为更好的分割病变部分需要单独在这个地区,有一个很大的挑战。
过度的绿色指数(EXG),营养指数(蔬菜),营养和颜色指数提取(书),他们的想法是基于RGB图像的植物,和绿色通道信息对分割更有用,可视为前景对象(8]。基于颜色的分割患有oversegmentation由于重叠的叶子和相似的背景。均值漂移分割等技术(9), - - - - - -意味着分割(10),和随机游走分割11)被许多作者用来检测区域的植物叶片的兴趣。但集群和意味着找到准确的边界转移技术的局限性病变和遭受oversegmentation或undersegmentation,而随机游走方法需要更多人工干预选择前景和背景像素的坐标。深度学习模型,像SegNet5]和UNet [12],成为更受欢迎的这些天从植物叶片段病变,因为这些模型是基于人工智能模型,和他们的预测更接近人类与其他传统提供基于图像处理模型(13]。同样,纹理特征提取使用常规图像处理技术有限功能(14),颜色特征(15)、地方特色和全球功能(16),但随着植物病害的多功能性质,所以一些额外的功能,如像素角转移疾病后,叶子的形状的变化,随时改变颜色的叶子需要预测疾病在早期阶段。所以深学习模型已经使用在许多研究中提取输入图像的特点。在大多数的研究中,我们发现印模型优于完全连接神经网络模型,因为它提取低功能使用编码器,并将它们转换成高分辨率特性使用解码器(17,18]。
自动化 - - - - - -意味着聚类方法(10)和一些作者还用软计算技术得到分割的阈值(19]。大部分的这些技术,oversegmentation下主要面临的问题。所以,分割结果的改善,各种人员提出两个或两个以上技术的融合。融合的颜色空间变换和聚类应用于农作物和蔬菜的叶子20.面对低精度的问题分类。在另一个工作(21),超像素分割与融合 - - - - - -意味着集群有更好的精度,但研究只局限于两种类型的疾病。另一项研究说,颜色特征的结合,提出分割显示更好的结果比其他传统方法(22]。分割的图像准确的提取感兴趣的区域(ROI)起着关键作用,大大降低了待分析数据大小以及执行更好的特征提取。因此,它只需要提取ROI有效分析所需的问题。分割是一种方法,可以用来提取ROI,它始终是一个具有挑战性的任务提取ROI。模糊逻辑, - - - - - -意味着clustering-based技术已经被许多研究者使用段ROI从植物图片23]。由于不规则的纹理,叶子上的尘埃,阳光的影响,存在阴影,细菌和真菌疾病的存在使树叶的边界不规则,从而导致分割不准确在使用传统的图像处理方法(24]。背景分割也起到非常重要的作用,因为把叶子的图像从一个农民的土地可能会有很多树叶在后台生成形状不规则。
各种自动化系统提出了利用图像分割技术提取水稻叶病变部分,色调部分分离,然后映射与基地后图像RGB颜色空间转换(25),而 - - - - - -意味着聚类方法来突出病变部分在水稻的叶26]。最近,深度学习方法已经应用在各领域的图像增强(27)和地方特征提取(28和实现整体学习29日]。现在,它也被应用于农业确定叶疾病和分离的部分从植物图片30.和视频帧31日)更准确,但有一个维护大量的数据处理的开销。
进一步提高时期,过度拟合的问题已经遇到和系统的性能开始下降,因为我们的模型试图达到零误差,从嘈杂的数据开始训练。通过文献,我们发现细分叶病是最大的挑战由于尘埃颗粒出现在叶子,相机的角度,由于类似的背景资料。所以,这是一个非常艰巨的任务来检测病变部分使用传统的图像处理方法。
这个工作的动机是解决问题的错误分类训练深神经网络模型不同的作物的杂草。另一个动机是开发一个自动化系统来提高作物的生产力叶疾病的早期检测,需要更好的分割特征提取紧随其后。
1.1。主要贡献
(我)这里,我们重点开发一种新型的“多级深度细分模式(MDSM)”,以减少多个对象的影响可以在后台通过应用SegNet起初阶段,小说RPK-means分割算法来克服的问题,和undersegmentation,无需人工干预(2)一个新的“RPK-means”算法,它结合了 - - - - - -意味着集群( - - - - - -意味着)和随机路径算法;后来,模型的结果进行比较与其他类似的模型(3)一个名为“地面实况算法”的新算法,提出了创建地面实况图像分析任何细分技术的性能
2。材料和方法
2.1。数据库
我们有记录视频切蒂斯格尔邦的印度农民的土地。录音是通过使用尼康COOLPIX 20.1像素,3.0液晶相机,拥有5 x缩放工具来捕获所需的空间距离。我们已经捕获的视频在一天时间早上8点到下午2点,这样我们就可以得到足够的光环境更好的视频质量。每个视频记录10到30秒为一个特定的疾病。视频帧转换执行到2019年一个版本的MATLAB软件;执行语义分割,我们安装深度学习工具箱和嵌入式计算机视觉工具箱用于进一步的处理。最后,数据集的1500张图片是准备进一步的过程。叶子的图像数据集包含6类,稻瘟病(RB) 250图像帧,叶(LS) 300图像帧,纹枯病(SL) 200图像帧,布朗现货(BS) 250图像帧,健康叶片(HL) 250图像帧,和白叶枯病(BLB) 250图像帧图所示1。
在这里, 代表的坐标背景, 代表叶上的像素。在上部, 选择生成3集群的前景、背景和病变叶片的一部分,而在下部, 选择只产生病变的部分和正常部分的两个集群。
2.2。杂草分离
SegNet模型(17,32]在许多方面用于分割;模型包含编码器层压缩特性,译码器层减压功能,和一层分类器分类图像中的特定部分。在这个模型中,我们保持类似的编码器和解码器架构层,以确保输入和输出图像的大小必须相同;解码过程后,输出是美联储的概率分类器产生一个特定像素属于ROI的利益(地区)或属于背景类。编码器和解码器的设计由一个卷积层窗口大小 生产功能映射,一批标准化层来降低计算的成本,和修正线性单元(ReLU)层过滤掉每个部分的负值。此外,马克斯池层大小 窗口是用于执行将采样数据编码器。工作模型的体系结构如图2。
我们已经训练SegNet模型标记数据有3类,即。、水稻幼苗、杂草和背景。模型显示重要的输出的稻秧杂草分离形式。测试已经在我们的数据集和执行SegNet模型的输出图像存储在另一个数据集进行进一步处理。我们使用2000年拍摄的图像从不同农业土地训练SegNet和U-Net模型。模型训练标签特定类的每个像素,这样我们可以得到完美的边界分割后盒子和标签。
2.3。病灶分割
实时输入图像的分割是一个很大的挑战,因为在后台实时图像包含多个重叠的叶子。首先,我们需要执行背景减法分离感病叶片;与此同时,我们需要从感病叶片中提取感兴趣的地区。当我们申请 - - - - - -意味着聚类图像分割成2集群的前景和背景,我们观察到它不能完全独立的背景,一些背景像素包含相似的信息如前景像素。同时,随机路径分割的方法很有效,但不能消除了背景部分段病变的部分在一片叶子。同时,有一个主要的限制,需要人工干预提供前景和背景像素的坐标。拟议中的RPK-means算法融合这两种算法不仅能够正常段病变也不需要人工干预。我们随机选择图像数据集执行下一个层次分割。这种技术也可以减少的问题,和undersegmentation选择种子像素因为更准确 - - - - - -意味着集群前景和背景像素坐标存储在数据集d1和d2的方程的算法2。此后,提供的随机路径方法生成最终的分割图像。
病变分离的任务是由应用RPK-means算法解释如下。
|
||||||||||||||||||||||||||||
图像分割算法后得到1需要检查的准确性,所以地面实况图像的数据集是由使用地面实况算法(下面解释);在该算法中,我们随机选择100像素图像来创建一个数据集的坐标的像素强度是相似的。同样的过程也申请背景。后来,我们可以使用这些协调立场与前景和背景图像的坐标得到不同的分割算法。
|
||||||||||||||||||||||||||||||||
2.4。分类基于深度学习模型
我们已经创建了一个深度为特征提取和分类学习模型;我们使用的卷积过滤器 与步1)和“相同”填充;在第一阶段,这种过滤器的数量是8;然后,在第二个阶段,它是16,在第三阶段,它是32。减少功能最大池使用 过滤器与步幅大小2)和“相同”填充。完全连接层有6神经元分类5可能的疾病与健康的叶子,最后,softmax层用于分类白叶枯病、褐斑病、叶比例、稻瘟病、纹枯病。层的安排改变了多次分析对分类精度的影响;最后,在实验后,模型如图3被选中作进一步处理。
在这里,我们创建了手工制作的轻量级模型对疾病进行分类;模型有15层(包括输入层)和有能力的疾病分类的准确性。VGG-16等类似的模型,VGG-19 ResNet-50, GoogleNet可能产生类似的分类精度,但需要更多的时间,因为他们有更多的层次体系结构。
我们训练模型,416年,3472年和13856年在1训练参数圣,2nd,3理查德·道金斯卷积的水平层,分别。卷积计算数量的训练参数在每个层列在下表中1。
3所示。结果和讨论
在本节中,执行的结果及其分析工作是检查系统验证。
3.1。用于杂草分离SegNet模型的性能分析
SegNet模型已被用于部分杂草的水稻幼苗;我们有训练SegNet模型(结构如图2224年10)时代的迭代。训练精度和损失图如图所示3。模型的性能进行比较,相同的数据集也训练了标准U-Net模型(5),这是一个类似的模型作为SegNet小编码器和译码器层的变化。
我们没有考虑参数的时代,执行时间,批处理精度,在我们的实验学习速率。我们得到了最好的结果0.0010学习速率,每个时代10 224迭代次数,增加更多的迭代,精度图得到饱和后这个极限,进一步增加的时代导致内存溢出和oversegmentation问题。
输出显示在图的图形表示4不同的参数后,获得的结果列在下表中2。我们观察到的最佳精度92.07%,此前13时代;此后,准确性会饱和。
U-Net是另一种广泛使用的图像分割这一系列架构卷积层没有填充执行将采样。有一个马克斯池层应用卷积过滤器中提取两个集合之间的更好的特性;整个过程被称为数据的编码。解码过程重新生成图像的初始形状通过应用使用upconvolution upsampling。观察最高标准U-Net模型精度87.5%与相同数量的时代SegNet如表所示3。
3.2。的性能分析 - - - - - -手段和RPK-Means模型用于分割
分析分割的性能,我们已经创建了地面实况图像数据集通过选择总100像素,从65年的背景,和35病变的图像(使用算法的一部分2节中描述3所示。2)。的性能 - - - - - -手段和RPK-means算法如图5公认,蓝色像素代表像素像素在病变的部分和红色像素代表像素检测的背景图像。
分割的质量分析比较蓝色像素的坐标位置和红色像素图像,与地面真理 在哪里和是蓝色和红色像素在图像分割,分别和和是像素的数据集使用方程算法创建的吗2。
形式表4和5,我们发现RPK-means算法的分割精度比传统的2%多-6% - - - - - -意味着集群。这是因为如果质心的离群值使自己的集群而不是得到避免。RPK-means集群解决这个问题通过选择自动化重心基于相似的像素强度。悦et al。32]提出了类似的植物病害SegNet分割的方法,但其精度是有限的高达79.12%。同时,误分类模型相对误差低于廖等提出的模型。1]。
精度通过不同的分类器呈现在图6。这里,我们观察到RPK-means算法能够识别的背景病叶在80%到97%的范围和精度也能够发现病变部分精度超过90%到98.5%,如图6。在同一时间约定 - - - - - -意味着集群、背景分离的能力范围从84%到97%,病变部分检测,其范围是89% - -98.5%。
3.3。CNN模型的性能分析
分析细分对分类的影响,我们已经创建了不同的CNN模型从11层。首先,培训执行和验证(90 - 10比)11日15层模型,20日,25 - 30时代;验证的准确性为90.1%,91.94%,93.6%,和94.58%,分别如上所示图。此外,如果我们增加时代的数量,那么我们发现过度拟合的问题。建造这个11-layer模型输入层后,我们使用两组曲线玲珑,批处理规范化,ReLU,和最大池层完全连接,最后softmax和分类层。进一步8卷积过滤器是用于第一层提取过滤器的外特性和数量翻了一番后续层提取更深层次的功能。采样后执行每个卷积层减少功能。
为了提高分类的精度,增加到15层的数量,通过添加一个组曲线玲珑,批处理规范化,ReLU以及max池层在上面11-layer模型。在这个新模型中,实验是由不同时代的15日,20、25和观察的准确性92.5%,93.54%,和96.88%,分别;进一步提高时期,过度拟合的问题已经遇到和性能的系统开始减少增加的时代我们的模型试图实现零误差,开始从嘈杂的数据得到训练。
从表6,我们发现手工CNN (HCNN)的分类精度优于RPK-means集群和增加了而不是精度为1 - 2% - - - - - -意味着集群。与此同时,随着RPK-means集群随机路径选择的一个额外的步骤;它需要时间略高于传统 - - - - - -意味着集群。实验0.001的固定学习上执行不同的时代从15到30。我们用缓慢的学习取得更大的训练精度和避免过度拟合的问题。
在数据7和8,上半部分显示了增加训练精度(蓝色线)在每个迭代和验证准确性(黑色线)后培训的边界曲线。的下半部分7显示了减少培训损失(红色线)和225次迭代后合并培训损失确认的损失。从数据7和8,我们发现HCNN模型精度略好应用时对产出从RPK-means算法,获得最高的分类器获得的准确性为95.42% - - - - - -意味着处理图像,它增加了1 - 2%,而RPK-means加工处理图像。
4所示。结论
解决问题误导治疗出现的由于错误的识别疾病,进一步导致作物生产的巨大损失,小说RPK-means集群提出了随着SegNet分割预处理。通过大量的实验,发现该方法获得一个像样的性能标准的评价措施,熟练解决当前问题的农作物疾病也可以选择更好的植物疾病识别系统。分析细分技术的影响,我们使用了一个手工制作的CNN模型(HCNN)定量;模型的精度是96.88%,对于RPK-means预处理图像;它是95.42% - - - - - -图像处理手段。而编译模型用于杂草分离,SegNet模型优于UNet模型通过领导约3 - 4%更好的精度。进一步,保证该方法优于最近的最先进的技术领域。在未来的发展方向,行为的方法将尝试,经历了通过进化技术。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有已知的金融竞争或人际关系,可能被视为影响工作报告。