改进BP神经网络和特征提取的黄瓜病害识别研究
2022-03-10刘坤刘娜张娜师亚楠
刘坤 刘娜 张娜 师亚楠
摘 要：快速、准确地识别黄瓜病害类型，制定防治方案并采取相关措施，是保障黄瓜良好生长的前提条件。为此，该研究提出采用随机梯度下降法的改进BP神经网络结合颜色特征和纹理特征的方法对黄瓜叶病害进行识别。首先，对采集的已归档分类后黄瓜的3种病害图像进行尺寸归一化和数据增强等预处理，其次，通过分析选择RGB图像的R分量、灰度共生矩阵的对比度、熵和能量作为特征提取参数;再次，构建改进的BP网络，运用提取到的特征参数对黄瓜病害叶片进行分类识别。结果表明，采用该方法黄瓜叶病害的识别率可达91.33%，说明该方法能较好地识别病害，具有较好的鲁棒性。
关键词：黄瓜叶病害;图像识别;改进BP神经网络;颜色特征;纹理特征
中图分类号 TP391.41 文献标识码 A 文章编号 1007-7731（2022）03-0119-04
Abstract： Rapid and accurate identification of cucumber disease types， making control plans and taking relevant measures are the prerequisite for ensuring the good growth of cucumber.Therefore， an improved BP neural network based on stochastic gradient descent method combined with color and texture features was proposed to recognize cucumber leaf diseases. Firstly， the three kinds of archived and classified cucumber disease images were pre-processed by size normalization and data enhancement. Secondly， the R component of RGB image， the contrast， entropy and energy of gray co-occurrence matrix were selected as the feature extraction parameters through analysis. Finally， the improved BP network was constructed. The extracted characteristic parameters were used to classify and identify cucumber disease leaves.The experimental results showed that the recognition rate of cucumber leaf diseases could reach 91.33%， and the method could recognize cucumber leaf diseases well and had good robustness.The experimental results showed that the recognition rate of cucumber leaf diseases could reach 91.33%， and the method could recognize cucumber leaf diseases well and had good robustness.The experimental results showed that the recognition rate of cucumber leaf diseases could reach 91.33%， and the method could recognize cucumber leaf diseases well and had good robustness.
Key words： Cucumber leaf disease; Image recognition; Improved BP Neural Network; Color features; Texture feature
黃瓜是广受欢迎的蔬菜品种之一，但多种黄瓜病害影响着其产量和质量[1]，常见的黄瓜病害有霜霉病、白粉病、褐斑病等[2]。只有准确、快速地识别黄瓜病害类型，采取相关防治措施才能保障其良好生长，因此精准识别黄瓜病害非常重要。不同黄瓜病害的叶片形状、纹理及颜色不尽相同[3-4]。胡敏等提出选取出黄瓜叶病害的颜色和纹理作为特征，对病害进行分类识别，采用支持向量机的方法，识别率达94.11%[5]。冀晓丽提出支持向量机的方法对白粉病斑进行分割、特征提取及识别，识别率达93.75%[6]。谢泽奇等提出颜色特征和属性简约算法相结合的病害叶片识别方法，识别率达92%[7]。
基于深度学习的特征提取与识别方法广受关注，深度学习已被广泛应用于农作物病害识别中[8]。Sharada P.Mohanty对公共数据集中的图片进行识别，采用AlexNet和GoogLeNet网络模型，其中包括38个类别的14种植物以及26种病害，取得了较为理想的识别效果，最高识别精度可达99.35%[9]。Amara等、Jihen等采用LeNet神经网络、卷积神经网络模型对香蕉叶片的几种病虫害进行了分类识别[10-11]。
基于此，本研究提出基于改进BP神经网络和特征提取的黄瓜病害识别。首先，采集黄瓜叶霜霉病、白粉病和褐斑病等病虫害叶片进行归档分类，再进行图像预处理;其次，提取其颜色特征参数和纹理特征参数;再次，对黄瓜病害进行分类识别采用改进的BP神经网络。与传统图像处理相比，该方法所需时间短、识别率高且识别鲁棒性强[12-13]。
1 黄瓜叶病害图像特征提取
本研究是基于改进BP神经网络与特征提取的黄瓜叶病害识别，其原理如图1所示。
1.1 黄瓜叶病虫害图像的数据建立 病虫害的图像一般是经过对专门培养的获病植物进行拍照搜集，从而得到具有特征的病虫害图像。本次实验的图像均来自互联网上所提供的图片数据库，选取黄瓜叶霜霉病、白粉病和褐斑病等病虫害叶片共600张图片用作实验数据。对这些图像进行归档分类，完成病虫害图像数据库的建立。图2为选取的黄瓜叶3种病害图片。
1.2 黄瓜叶病虫害图像的预处理 由于从网络上采集到的黄瓜叶病害图像大小不一，为了后期实验效果更好，对所有图像尺寸进行归一化;又由于在拍摄图像时光照、角度等的影响，图像质量不一，对图像进行数据增强及去噪处理，为后面特征的提取需对图像进行阈值分割及形态学处理，其原理框图如图3所示。
2 黄瓜叶病虫害图像特征提取
2.1 颜色特征提取 颜色特征描述的是图像区域表面特征的全局特征[14]。从图2可以看出：黄瓜的3种病害叶片的颜色互不相同，因此可以选择颜色为判断依据之一，选用RGB颜色空间中的R、G、B3个分量均值作为颜色特征参数。
提取颜色特征值的过程如下：（1）随机选择25张黄瓜叶白粉病、褐斑病和霜霉病图像;（2）对选取的原始图像分别进行预处理：图像增强和平滑处理;（3）在MATLAB中进行仿真，求出所选图片R、G、B分量的均值;（4）将R、G、B的分量值作为颜色特征值，画出散点图，如图4所示。
从图4（a）、（b）、（c）图对比得出：3种病害的RGB分量均有部分重叠，但大致可以区分3种病害，红色分量最为明显，当R<120，该病被判为白粉病;当120
2.2 纹理特征提取 纹理是图像的重要特征之一，纹理特征的分析方法有：灰度直方图和灰度共生矩阵，本文采用灰度共生矩阵来提取参数。灰度共生矩阵是指灰度的空间相关特性来分析纹理特征。灰度共生矩阵如式（1）所示：
随机选取25幅黄瓜叶白粉病、褐斑病和霜霉病图像，根据（2）～（6）式计算出其特征参数值，其结果如表1所示。根据计算出的5个纹理特征值，画出散点图，其结果如图5所示。
从图5（a）、（b）、（c）、（d）、（e）图对比得出：有的特征值并不能较好地区分病害种类。为了提高系统的识别率，本文通过观察筛选出对比度、熵、能量等3个值作为识别的特征参数。
3 基于改进BP神经网络的黄瓜病害识别
BP神经网络是由输入层、隐层和输出层组成的前馈网络，各层神经元之间通过权值和阈值连接，通过不断地调整权值和阈值，使得输出和期望值的误差达到最小[14]。传统BP算法采用最大梯度下降法，易陷入局部极小值、收敛慢等缺点。而采用随机梯度下降法的改进BP神经网络，输入样本随机选取，该算法充分体现了随机性[15]。因此，本文选择改进BP神经网络对黄瓜病害进行分类识别。
3.1 改进BP神经网络结构设计 根据黄瓜3种病害的特点来设计网络模型。
3.1.1 输入层节点 将输入层的节点设为红色（R）均值和对比度、熵值、能量4个特征参数，它们可以体现出黄瓜病害区域的颜色和纹理特征。
3.1.2 隐层节点 隐层节点数由经验公式（7）确定[14]：
式中：[m]是隐层节点个数，[n]为输入层节点个数，[l]为输出层节点个数，[α]为1～10任意常数。不断调整[α]的值确定隐层节点数。
3.1.3 输出层节点 输出层节点数=目标类别数，由于研究的是黄瓜3种病害，因此输出层数目为3。
3.2 改进BP神经网络算法 改进BP神经网络算法的步骤如下[15]：
（1）初始化：权值矩阵V、W给一个随机数，样本计数器[P]和训练计数器[q]设为[l]，设定误差函数[E=0]，给定训练精度[Emin]为一个（0，1]区间内的正小数;
（2）对权值矩阵给予一个权值调整量[ΔW];
（3）输入黄瓜的3种病害图像训练样本，随机选择样本计算隐层、输出层各单元的输出;
（4）计算神经网络的输出误差，设有P对黄瓜病害图像训练样本，网络对不同的样本有不同的误差[EP]如式（8）所示，网络总误差[ERME]式（9）所示。
（5）若[ERME]值减小了，则计算权值调整量来对权值进行调整;否则，返回步骤（2），给予新的权值调整量[-ΔW];
（6）检查是否所有的样本都训练完成，若[p<P]，返回步骤（2），否则转到步骤（5）;
（7）判断[ERME]有没有达到精度要求，若[ERMF<Emin]或循环次数为设置的最大值，则结束，否则返回步骤（2）。
4 结果分析
本实验环境是在PC机上进行，操作系统为Windows10，硬件处理器CPU为Intel Core i7-7700hq，系统内存为8GB，选用显卡为GTX 1060，MATLAB软件为2020b版本。
在训练中，从之前建立好的数据库中随机选取黄瓜叶霜霉病、白粉病和褐斑病图像各150幅、共计45幅图像样本作为训练集，其余的作为测试集。设[循环次数][=1000]，[Emin=0.01]，[初始化步长=0.05]，[学习速率=0.02]，当训练次数达到1000或[ERME<0.01]时停止训练。神经网络在经过78次训练后，网络误差达到预期值，网络误差的变化曲线如图6所示。
在训练之后，对采集到的150个样本图像进行测试，黄瓜3种病害识别率可达90%～94%。具体的识别结果如表2所示。
5 结论
本研究提出改进的BP神经网络结合特征提取的方法对黄瓜叶病害进行识别。根据需要建立黄瓜叶病害的图像数据库，选取了黄瓜叶霜霉病、白粉病和褐斑病等病虫害叶片共600幅图像用作实验数据，首先，对其进行预处理，如：尺寸归一化、数据增强、去噪、阈值分割及形态学处理等操作;其次，进行特征提取，选择RGB图像的R分量为颜色特征参数，灰度共生矩阵的对比度、熵和能量为纹理特征参数;再次，构建采用随机梯度下降法的改进BP网络模型，运用提取到的特征参数对黄瓜叶片进行分类识别。实验结果表明，采用该方法黄瓜叶病害的识别率可达91.33%，具有较高的准确性，能够完成對病害的识别，可为农作物病虫害防治提供有力保障，对于发展精准农业、现代化农业具有重要意义。
参考文献
[1]顾大路，王伟中，孙爱侠，等.不同轮作模式对日光温室黄瓜生长的影响[J].江苏农业学报，2016，32（04）：874-878.
[2]张善文，谢泽奇，张晴晴.卷积神经网络在黄瓜叶部病害识别中的应用[J].江苏农业学报，2018，34（1）：56-61.
[3]WEI Y，CHANG R，WANG Y，et al. A study of image processing on identifying cucumber disease[C]//Springer Berlin Heidelberg：Computer and Computing Technologies in Agriculture.2012：201-209.
[4]贾建楠，吉海彦.基于病斑形状和神经网络的黄瓜病害识别[J].农业工程学报，2013，29（S1）：115-121.
[5]胡敏，陈红波，许良凤等.基于颜色和纹理特征的黄瓜病害识别算法[J].电子测量与仪器学报，2015，29（07）：970-977.
[6]冀晓丽.基于支持向量机的黄瓜叶部白粉病害检测[D].哈尔滨：东北大学，2014.
[7]谢泽奇，张会敏，张善文，等.基于颜色特征和属性约简的黄瓜病害识别方法[J].江苏农业学报，2015，31（3）：526-530.
[8]JEON W S，RHEE S Y. Plant leaf recognition using a convolutionneural network[J]. International Journal of Fuzzy Logic & Intelli-gent Systems，2017，17（1）：26-34.
[9]Mohanty Sharada P，Hughes David P，Salathé Marcel.Using Deep Learning for Image-Based Plant Disease Detection[J].Frontiers in plant science，2016（7）：55-58.
[10]Amara，Bouaziz，Algergawy.A deep learning-based approach for banana leafdiseases classification[C]//In：Datenbanksysteme Fr Business，Technologie Und Web.2017：79-88.
[11]Jihen A，Bassem B，Alsayed A.A deep learning-based approach for banana leaf disease classification[C]//Gesellschaft fur Informatik，Bonn：Lecture Notes in Informatics.2017：79-88.
[12]黄双萍，孙超，齐龙，等.基于深度卷积神经网络的水稻穗瘟病检测方法[J].农业工程学报，2017，33（20）：169-176.
[13]史冰莹，李佳琦，张磊，等.基于CNN的农作物病虫害图像识别模型[J].计算机系统应用，2020，29（6）：89-96.
[14]陈玉坤，管会生，周磊，等.基于BP神经网络的盘形滚刀磨损预测研究[J].现代隧道技术：2021，58（03）：1-8.
[15]刘路.改进的BP神经网络在车辆目标识别中的应用研究[J].机电工程技术，2021，50（04）：192-195.
（责编：张宏民）
3437500338275
