推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

基于卷积神经网络与迁移学习的油茶病害图像识别

更新时间:2020-01-01 19:46:56 大小:1M 上传用户:songhuahua查看TA发布的资源 标签:卷积神经网络 下载积分:1分 评价赚积分 (如何评价?) 收藏 评论(0) 举报

资料介绍

传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。


部分文件列表

文件名 大小
基于卷积神经网络与迁移学习的油茶病害图像识别.pdf 1M

部分页面预览

(完整内容请下载后查看)
34 18 期  
194 2018 9 月  
农 业 工 程 学 报  
Vol.34 No.18  
Sep. 2018  
Transactions of the Chinese Society of Agricultural Engineering  
基于卷积神经网络与迁移学习的油茶病害图像识别  
龙满生,欧阳春娟,刘 欢,付 青  
1. 井冈山大学电子与信息工程学院, 吉安 343009;  
2. 流域生态与地理环境监测国家测绘地理信息局重点实验室,吉安343009)  
摘 要:传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征  
学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将AlexNet模型在ImageNet图像数据集上学习得到的  
知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工  
分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择  
80%的样本用作训练集剩余20%用作测试集用随机裁剪转变换和透视变换对训练集进行数据扩充以模拟图像  
采集的不同视角和减少网络模型的过拟合。在TensorFlow深度学习框架下,基于数据扩充前后的样本集,对AlexNet进行  
全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的  
多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、  
黄化病、健康叶5类病害的F1得分分别达到94.28%94.67%97.31%98.34%98.03%。该方法具有较高的识别准确率,  
对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。  
关键词:病害;分类;作物;油茶病害;图像识别;深度学习;迁移学习  
doi10.11975/j.issn.1002-6819.2018.18.024  
中图分类号:TP391.4; S431.9  
龙满生阳春娟. 基于卷积神经网络与迁移学习的油茶病害识图像识别[J]. 农业工程学报201834(18):  
194201. doi
文献标志码:A  
文章编号:1002-6819(2018)-18-0194-08  
Long Mansheng, Ouyang Chunjuan, Liu Huan, Fu Qing. Image recognition of Camellia oleifera diseases based on convolutional  
neural network & transfer learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the  
CSAE), 2018, 34(18): 194 201 (in Chinese with English abstract)  
doi 10.11975/j.issn.1002-6819.2018.18.024  
为了提高病害识别的准确率与效率,研究人员尝试利  
用图像处理、机器学习等方法自动识别水稻[3-4]、玉米[5]、  
小麦[6][7][8][9-12][13]等作物病害[5-13]。  
0 引 言  
油茶是四大木本油料植物之一,主要产品为茶油,  
[15]  
利用图像处理技术[14]获取目标的颜色 、形状[16]纹理[17]等  
副产品包括茶枯、茶壳和茶粕,具有较高的综合利用价  
值,在保健、医疗、生物农药、生物饲料、杀菌消毒及  
化学工业等方面都有广泛的应用[1]国家政策的大力扶  
持下,油茶种植面积不断扩大,但由于粗放经营导致油  
茶病害频发,严重影响了油茶的产量和品质。危害油茶  
的病害多50 余种,主要有炭疽病、软腐病、煤污病和  
藻斑病等[2]。油茶病害的发生受到油茶品种、栽培环境、  
气候条件和经营管理水平等多种因子综合作用的影响,  
及时准确识别病害类型是有效防治的关键。大多数植物  
病害在可见光波段会产生某些可见症状,为人工识别诊  
断提供了可行性。由于植物病害症状复杂多变,往往需  
要经过专业训练的植保专家才能准确识别诊断,而对于  
业余人员则容易出现诊断错误。此外,人工识别诊断植  
物病害耗时费力并且具有一定的主观性,因此亟需研究  
植物病害智能诊断系统,提高病害识别准确率。  
特征[14-17]后,再利用人工神经网络[18]、支持向量机[19]等  
方法对病害特征向量进行分类[18-19]。为了减少环境光照  
对病害检测的影响,常将病害图像RGB 变换Lab、  
HSIYCbCr 等颜色空间进行病斑分割用的颜色特征  
主要有颜色均值、方差、峰值、偏度、能量、熵等,形  
状特征主要有矩形度、偏心率、致密度等,纹理特征主  
要有基于灰度共生矩阵的对比度、相关性、能量、惯性  
矩等。  
传统的基于机器学习的植物病害识别方法,需要针  
对病害类型精心设计病害特征。由于植物类型、生长阶  
段、病害种类、环境光照等因素的影响,导致植物病害  
症状复杂,特征提取相当困难。卷积神经网络  
convolutional neural network, CNN过引入局部连接、  
权值共享、池化操作、非线性激活等方法,允许网络从  
数据中自动学习特征,比传统机器学习方法具有更强大  
的特征学习和特征表达能力。CNN 在图像分类、语音识  
别等方面取得了突破,AlexNet[20] GoogleNet[21] 在  
ILSVRC[22] imageNet large scale visual recognition  
challenge)图像分类比赛中将分类错误率分别降低到了  
收稿日期:2017-07-20  
修订日期:2018-08-03  
基金项目:国家自然科学基金项目(41561065流域生态与地理环境监测  
国家测绘地理信息局重点实验室开放基金课题(WE2015002江西省自然  
科学基金项目(20151BAB20303820161BAB204172。  
作者简介:龙满生,副教授,博士,主要从事图像分析、虚拟仿真研究。  
Email
18 期  
龙满生等:基于卷积神经网络与迁移学习的油茶病害图像识别  
195  
16.4%6.7%VGG[23]ResNet[24]都取得了较好效果。  
Mohanty [25]收集5 万多幅病害图像14 类作物、  
26 种病害,利用 CNN 将其分为 38 类的准确率高达  
99.35%Sladojevic [26]在网络上收集4 千多幅病害图  
像,数据扩充后得到 3 万多幅图像样本,基于 CaffeNet  
将其分15 类,分类准确率91%~98%Brahimi [27]  
收集了1.5 万幅西红柿叶片病害图像AlexNet 将  
其分为 9 类病害,获得了较好的识别效果。孙俊等[28]在  
PlantVillage 物叶片病害图像数据集的基础上,将  
AlexNet 的全连接层改为全局池化层改用批规范化进  
行训练低了模型参数量并提高了模型识别率Lu [29]  
收集了 500 幅水稻病害图像,构建了一个包含 3 个卷积  
层的卷积神经网络,用于识别稻瘟病、稻曲病、稻斑病、  
稻纹枯病等 10 种常见的水稻病害,正确识别率达到  
95.48%述研究为利CNN 进行植物叶片病害识别提  
供了参考和可行性CNN 的特征学习与分类性能依赖  
于大型数据驱动,且全新训练非常耗时。2017 11 月  
Google 发布了TensorFlow 用于移动和嵌入式设备的轻  
量级解决方案——TensorFlow Lite许快速部署基于预  
训练模型的智能应用,为基于移动终端的植物叶片病害  
智能识别提供了可行性。  
叶片目标的二阶矩和主轴角;  
4)目标掩模与原始图像进行乘法运算得到彩色的叶  
片目标,再根据主轴角旋转叶片目标,使其主轴沿水平  
对齐;  
5长边为基准片目标按比例缩放256×256  
像素。  
根据油茶病害症状,将预处理后的叶片图像人工分  
为藻斑病、健康叶、软腐病、煤污病和黄化5 种类别,  
分别用 01234 表示对应的类别标签,选取每类  
750 个样本组成数据集,病害示例样本如图 1 所示。  
从每类样本图像中随机选择 80%(即每类 600 个样本,  
3 000 个)用于训练,其20%(即每150 个样本,  
750 个)用于测试,分别制作TFRecord 格式的训练  
数据集和测试数据集。  
a. 藻斑病  
a. Algal spot  
b. 软腐病  
b. Soft rot  
针对深度卷积神经网络模型训练耗时问题,本文基  
于经典的 AlexNet 模型建立了油茶叶片病害图像识别模  
用迁移学习方法AlexNet 在大型图像数据集上学  
习得到的图像分类的共性知识迁移到油茶叶片病害识别  
模型,经过组合试验与对比分析优选模型的超参数,以  
期提高模型训练效率与识别准确率,为进一步开发基于  
智能手机等移动终端的油茶病害智能诊断系统提供模型  
支持,对于辅助油茶病虫害防治决策具有重要意义。  
c. 煤污病  
c. Sooty mold  
d. 黄化病  
d. Yellows  
1 试验数据  
1 油茶病害叶片图像示例  
Fig.1 Examples of diseased Camellia oleifera leaf images  
1.1 病害图像数据集  
在江西省永丰县瑶田镇的人工油茶林地采集了藻斑  
病、软腐病、煤污病、黄化病和健康叶等油茶叶片样本。  
79 月为藻斑病的发病盛期腐病15~25℃下发病率  
最高,煤污病盛行35 911 月,黄化病则全年表  
现黄化症状。根据各种典型病害的发病规律,在为害症  
状较为显著时从油茶树上采集病害叶片样本。为保持叶  
片样本新鲜,将采集的叶片样本装入自封袋后带回实验  
室。在明亮的室内环境(自然光+日光灯)下,将叶片样  
本展平于白色背景上用安卓手NEM-TL00H,  
主摄像1 300 万像素直拍摄叶片样本摄距离约  
20~30 cm。  
1.2 图像数据扩充  
为了提高分类准确率,深度卷积神经网络需要大量  
训练样本。然而,由于病害样本采集比较困难,目前还  
缺乏大型的病害图像数据集。通过对图像样本进行仿射  
变换、透视变换、颜色抖动、对比度增强、叠加噪声等  
操作引入轻微的扰动而实现数据扩充,可以减少训练阶  
段的过度拟合,从而提升网络的泛化性能。仿射变换包  
括平移、旋转、缩放、翻转、错切等基本变换,具有平  
直性和平行性,即变换后直线依然为直线、平行线依然  
为平行线。通过透视变换可以模拟实际场景的不同视角。  
OpenCV 实现仿射变换的方法如下:  
为了规范化数据集,利用 OpenCV 编写了图像预处  
理程序,对叶片图像依次进行如下预处理:  
1)将叶片图像由 RGB 颜色空间转换为 HSI 颜色空  
间,基于色度、饱和度信息对病害图像进行阈值分割,  
去除背景;  
1)指定源图像和目标图像中3 组对应点;  
2)利用 OpenCV getAffineTransform 函数计算仿  
射变换矩阵;  
3OpenCV warpAffine 函数对源图像应用刚  
才的仿射变换。  
2分割结果进行半径3 像素的形态学开闭运算,  
去除毛刺、孔洞等噪声;  
OpenCV 实现透视变换的方法如下:  
3)填充目标区域孔洞,形成目标掩模,并计算油茶  

全部评论(0)

暂无评论