朱幸辉，周 勇*

(湖南农业大学 信息科学与技术学院，湖南 长沙 410128)

1 引言

植物叶子是进行光合作用和呼吸作用，制造有机养料的重要器官，对植物生长来说至关重要，因此必须保证其健康。一旦发生病害，必须及时进行治疗[1]。病害特征主要通过叶片状态显现，因此番茄病害识别主要通过番茄叶片出现的病斑来实现[2]。早先番茄叶片病斑识别主要通过人眼去判断其类别，不仅容易出错，还效率地下，因此当前番茄叶片病斑识别，主要目标检测算法来实现，如基于遗传算法、AdaBoost算法、随机森林算法等，其原理先将图像转换成不同大小，然后分别目标检测，最后将结果综合起来，得到识别结果[3]。由于图像是经过分割等多重处理的，图像中部分信息会丢失，因此mAP(Mean Average Precision)，即均值平均精度并不高。

针对上述情况，本次将卷积神经网络应用其中，提出一种新的番茄叶片病斑识别方法。方法最大特点了节省了图像预处理环节，直接输入整体图像即可，需要进行图像分割、转换，只需完成图像质量改善即可，且它将特征提取、特征选择和特征分类融合为一体，直接利用卷积神经网络对每个滑动窗口产生的候选区进行二分类，判断其是否为待检测目标[4]。最后通过仿真实例验证本文方法有效性，结果表明：与基于遗传算法、AdaBoost算法的目标识别方法相比，本文基于卷积神经网络的识别方法mAP较高，即能更为准确、迅速的完成病害辨别，为其防止提供了重要的理论依据。

2 基于CNN的番茄叶片病斑识别方法研究

番茄是人们日常饮食中常见的一种蔬菜，包含了大量的纤维素、钾元素、苹果酸、胡萝卜素、番茄红素等营养物质，因此每年我国都会种植大量番茄。而在番茄种植中，会发生多种病害，如早疫病、晚疫病、叶霉病、灰霉病、叶斑病等，具体见表1[5]。

表1 番茄多种病害描述

本文以番茄为对象，基于卷积神经网络进行其叶片病斑识别研究，研究思路如图1所示。

图1 基于卷积神经网络番茄叶片病斑识别思路

2.1 图像预处理

通过摄像头获取到原始图像，图像预处理中，包括图像灰度化、图像去噪、图像增强三项内容[6]。

1)图像灰度化

图像灰度化是图像预处理中必经步骤，主要作用是将采集到的彩色图像转变为由不同的灰度级的图像。

摄像头采集下来的原始图像多数都为彩色图像，即包括RGB及CMYK两种，其中前者更为常见，因此下述图像灰度化就以RGB彩色图像为对象进行说明。RGB彩色图像由R(红色)、G(绿色)、B(蓝色)三种不同颜色成分组合而成图像。而R(红色)、G(绿色)、B(蓝色)像素的不同是造成图像彩色的原因，因此只要消除彩色图像中三种颜色不同像素值之间的差距，即使R=G=B，即可实现图像灰度化[7]。不同灰度化表达式分别如下所示：

①分量法

(1)

其中，Gk(i，j)(k=1，2，3)为转换后的灰度图像在(i，j)处的灰度值；R(i，j)、G(i，j)、B(i，j)分别是彩色图像在(i，j)处的R、G、B分量

②最大值法

G(i，j)=max[R(i，j)，G(i，j)，B(i，j)]

(2)

③平均值法

(3)

④加权平均法

G(i，j)=0.299R(i，j)+0.578G(i，j)+0.114B(i，j)

(4)

2)图像去噪

现实中的数字图像在采集、处理和传输过程中常受到成像设备与外部环境噪声干扰等影响，造成图像质量下降，因此需要减少图像中噪声影响，提高图像质量，这一过程就被称为图像去噪。目前图像方法有多种，在本文中选择基于小波阈值的方法进行去噪[8]。首先对二维图像p(x1，x2)进行小波域的二维Mallat分解，如图2所示。

图2 Mallat算法分解重构

图中，L代表低频子图、H代表水平方向的高频子图、V代表垂直方向的高频子图、D代表对角线方向的高频子图。利用二维小波分解与重构算法所具有可分离的特性，对二维信号依次按行、按列与一维的低通滤波器和高通滤波器进行卷积，二维基本小波ψ(x1，x2)要遵循容许性条件cψ：

(5)

上式中，ω1、ω2表示图像的频率信息。

图像P在经过Mallat算法分解后，其图像中有用信息会基本分布在低频部分，即L低频子图中，这一部分的小波系数的绝对值较大；而图像中无用信息，即噪声的分解系数，会集中分布在高频子图中，这一部分的小波系数绝对值则较小。

根据上述描述，小波阈值去噪基本原理如下：当分解的小波系数小于某个临界阈值时，则认为是噪声造成的，过滤掉，而当分解的小波系数大于某个临界阈值时，则认为是有用信息，保留下来。即大于该阈值的小波系数含有噪声图像信号的概率趋近于零，其表达式如下所示：

(6)

式中，σn表示零均值高斯白噪声的标准方差，N表示图像信号长度。

最后将保留下来的小波系数进行重构，即可获得M×M带有噪声的图像去噪后的图像[9]。

(7)

3)图像增强

图像灰度化和去噪后，图像会存在失真现象，图像中部分信息会丢失，因此还需要进行图像增强，选择直方图均衡化方法进行图像增强，其基本原理是根据积分概率密度函数，将去噪图像直方图转化为概率密度为1的图像，此时为理想情况，在一定程度上提高对比度。

2.2 卷积神经网络实现番茄叶片病斑识别

卷积神经网络，从数据流角度来看，包括三个部分：输入层、特征提取和输出层；而从结构上看，则由一个或多个卷积层、池化层和全连通层组成[10]。

图3 卷积神经网络

其中，卷积层主要作用是对输入的图像进行卷积运算，提取图像局部特征，因此卷积层也被称为特征提取层。池化层主要作用对卷积层提取到的图像局部特征进行下采样，即利用局部相关性聚合图像局部特征，以较少的信息代表局部特征，减少特征维数，因此池化层也被称为下采样层。全连通层是卷积神经网络的分类器，利用输入信号的加权求和以及非线性激活函数，将提取到的图像特征映射到样本的标记空间当中，实现图像分类，即完成番茄叶片病斑识别[11-12]。

在本章节中，选择卷积神经网络中的SSD算法来完成番茄叶片病斑识别。在CNN系列的许多模型中，Region Proposal和分类是分作两块[12]，而SSD算法模型是将二者统一在一起，使得目标识别更加简单和快速。根据SSD算法的匹配策略，定义xij=1来表示第i个默认框匹配类别p的第j个真实框，可能有多个默认框的阈值大于 0.5。目标损失函数是位置损失和置信损失的加权和，目标函数表示如下

(8)

式中，N表示默认框的个数，Lloc(x，l，g)表示位置损失，即预测框与真实标签框之间的平滑损失值，Lconf(x，c)表示置信度损失，α设置为 1。

充分利用不同尺度的特征图来预测边界框的类别分数和位置偏移，可大大提高检测精度。

SSD 的检测架构如图4所示：

图4 SSD 的检测架构

在训练期间，需要用默认框来与图片所标记的真实框进行匹配。黑框默认匹配到病变区域，能够正确匹配到真实框的设定为正样本，其余的框设定为负样本。为保证其有效性和准确性，SSD模型应用前需要进行训练。SSD模型训练具体流程如图5所示。

图5 SSD模型训练流程

3 实例分析

3.1 实验样本集

于2019年7月15日在山东省某番茄种植基地利用佳能A640数码摄像机拍摄番茄叶片病害图片作为本章实例分析样本。该样本情况如下表2所示。

表2 实验样本情况

为降低这些图片对计算机系统的压力，需要利用Matlab7.0软件对每幅图片进行分辨率压缩，压缩规格为256×256，最后以JPEG格式导入计算机当中，构建番茄叶片病害图像数据库。

3.2 实验平台

表3 实验平台参数设置

3.3 测试结果

3.3.1 病斑识别结果分析

为进一步验证该识别方法的有效性，分析不同方法的病斑识别结果。

图6 不同方法病斑识别结果分析

由上图可以看出，遗传算法与AdaBoost算法均难以从病害图像中准确的识别病斑，对于识环境干扰无法做出准确判断。卷积神经网络方法展示出了良好的分割效果及鲁棒性。主要原因在于选择卷积神经网络中的SSD算法来完成番茄叶片病斑识别，SSD模型应用前需要进行训练，保证了识别的有效性和准确性。

3.3.2 温室番茄病害识别

为验证卷积神经网络识别番茄叶片病斑准确性，采用测试数据集对模型进行测试，测试结果显示在测试结果面板中。如图7所示。

图7 识别结果显示面板

由图7可以看出，以霜霉病以及白粉病为例，各去数据集415个、332个。在数据处理结果显示的混淆矩阵中，霜霉病样本中正确识别率达到47.6%，样本识别个数为1070个，白粉病样本中，正确识别率达到48.1%，样本识别个数为1027个。其中，识别错误率较低，不超过4%，白粉病误识率为0.8%，霜霉病的误识率为3.5%。整体来说，病害识别率高达95.7%，霜霉病以及白粉病的识别准确率分别为93.1%、98.4%。依据上述数据结果，可知该方法可准确识别番茄病害，为病害治疗提供理论依据。

3.3.3 叶片平均检测精度值(mAP)分析

番茄叶片病斑识别方法的评价指标为mAP值，即均值平均精度，是指每个类别AP(PR曲线围起来的面积)的平均值，其值越高代表方法的识别性能越好。通过下式计算mAP值，结果如下表4所示。

表4 mAP值测试结果

(9)

式中，AveragePrecisionC表示验证集中叶片图片各类别的平均精度之和，N(Classes)表示所有类别的数目。

从表4中可以看出，利用基于卷积神经网络方法进行番茄叶片病斑识别，得到的mAP值为0.988，而利用基于遗传算法、AdaBoost算法进行番茄叶片病斑识别，得到的mAP值分别为0.847、0.836。以上三种结果对比可知，本文基于卷积神经网络的番茄叶片病斑识别方法的性能更好，识别准确率更高。

4 结束语

综上所述，农作物在生长过程中，无法避免会产生病害，对其产量和质量造成了严重影响，因此必须进行及时、有效的治疗。而治疗之前，确定其病因对于治疗措施选择具有重要意义。本次以番茄病害为例，利用基于卷积神经网络的方法进行番茄叶片病斑识别，并以基于遗传算法、AdaBoost算法目标识别方法作为对比项，进行仿真实例分析。结果表明，本文方法得到的mAP值更高，病斑识别识别性能更强，病害识别结果较为准确，这为病害治疗措施的选择提供了重要的理论依据。