CN109117743A - 一种基于深度卷积的小麦赤霉病的检测方法及其系统 - Google Patents

Abstract

本发明公开了一种基于深度卷积的小麦赤霉病的检测方法，包括如下步骤：S1、采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行样本欠采样，以解决数据集不平衡的问题，从而得到目标数据；S2、对目标数据进行二维图像的重塑得到灰度图像，并基于灰度图像进行预处理；S3、基于预处理的数据运用深度卷积神经网络对数据进行训练；S4、基于训练的结果来分析深度卷积神经网络模型的分类效果；本发明利用高光谱成像技术对小麦赤霉病进行早期的快速和无破坏检测，提高了对被测小麦区域分类结果的准确性。

Description

一种基于深度卷积的小麦赤霉病的检测方法及其系统

技术领域

本发明涉及小麦赤霉病的诊断方法领域，特别涉及一种基于深度卷积的小麦赤霉病的检测方法及其系统。

背景技术

小麦赤霉病是小麦的重要病害，其主要分布于潮湿和半潮湿区域，尤其气候湿润多雨的温带地区受害严重，在我国一直是淮河以南及长江中下游麦区发生最严重的病害之一。而近年来，安徽地区的小麦赤霉病已从常发区的淮南麦区推进到淮北麦区。小麦感染赤霉病后如果防治不当会造成减产，严重的会造成绝收，给生产造成严重产量损失和品质影响。当小麦被真菌感染后，会产生多种真菌毒素，其中最严重的是脱氧雪腐镰刀菌烯醇(DON)，会对人、畜造成严重的伤害，而且会在食物链中长期存留。

高光谱成像技术是集光学、电子学、光电子学、计算机科学、信息处理等先进技术为一体的光学图像采集分析技术，可同时获取研究对象的图像信息和光谱信息。因为高光谱图像具有波段多、分辨率高、操作简单、对样品无损害、光谱范围窄、无污染、波段连续、数据量大、信息冗余量大，因而被人们广泛研究应用，尤其是应用于农业领域。陈纳等人利用高光谱成像技术对油菜菌核病进行快速诊断研究；张航利用高光谱成像技术对皮棉中的地膜进行识别方法的研究；张琳利用高光谱成像技术对病害的诊断方法进行研究；尹丽华利用高光谱成像技术对鲜枣进行分级研究；Yeh等人采用了不同的分析方法对草莓叶面炭疽病进行了高光谱诊断研究；Gabriel等通过研究蓝莓500～1000nm范围的高光谱数据与内部硬度、可溶性固形物含量的相关关系等。

当前对于作物病害的检测方法是大多数集中在图像检测和光谱检测，而高光谱成像诊断技术是目前国际上检测农作物病虫害先进的方法之一。虽然高光谱成像诊断技术备受专家学者的关注，但由于高光谱图像数据的空间维度高、数据信息量大等特点，绝大部分应用只能基于成熟的软件开展进行，并且很难从冗余的数据中准确提取到有效的特性信息对病害进行分类。因此大范围、高纬度、大数据级的高光谱数据建模方法研究是现在高光谱研究中的重点和难点。为解决以上高光谱数据的问题，本专利主要基于深度学习方法，通过建立深度卷积-循环混合神经网络模型来对小麦赤霉病进行诊断。

现阶段国内外对于小麦赤霉病的诊断存在以下三方面问题：1.植保方面专家没有足够时间诊治农事活动中出现的所有问题；2.传统的农作物病害诊断方法存在一定的缺陷，普通农民工作者对病害专业知识的掌握较为欠缺；3.当前主流的病害检测方法通常具有局部性、滞后性、破坏性和间接性等问题。因此，研究一种对小麦赤霉病检测速度快、检测准确度高的方法对于精确防控和诊断病害具有重要意义。

发明内容

本发明提供一种基于深度卷积的小麦赤霉病的检测方法，其解决了当前主流的病害检测方法通常具有局部性、滞后性、破坏性和间接性等问题，该模型诊断小麦赤霉病的速率快,该模型在学习的过程中，卷积结构可以有效地对高维度的高光谱图像数据进行降维，并且卷积神经网络模型可以有效地限制训练过程中参数的个数，所以深度卷积神经网络诊断小麦赤霉病的速率快。

本发明解决其技术问题所采用的技术方案是：一种基于深度卷积的小麦赤霉病的检测方法，包括以下步骤：

S1、采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行样本欠采样，以解决数据集不平衡的问题，从而得到具有背景、健康、病害三种特征的用来训练深度卷积神经网络模型的目标数据；

S2、对目标数据进行二维图像的重塑得到灰度图像，并基于灰度图像运用均值去除和主成分分析两种方法进行预处理,均值去除法用于减少不同日期的采样误差；主成分分析法用于在不同观察时间,识别数据的主要特征，并且用于改进光谱数据的可视化；

S3、基于预处理得到的数据对深度卷积神经网络模型进行训练,深度卷积神经网络模型的训练是基于预处理得到的数据按照模型的结构自上而下进行的监督学习,训练过程中的误差自上向下传输，并自动对网络结构参数进行微调，从而达到训练模型的效果；

S4、基于训练得到的模型准确率和损失率来分析深度卷积神经网络模型的分类效果。

优选的，所述步骤S1中对高光谱图像像元进行样本欠采样具体包括：对原始数据进行随机抽样；所述的数据集分为70％的训练集和30％的验证集。

优选的，所述步骤S2具体包括：将高光谱图像像元的光谱二维数据转化为灰色图像；并对灰度图像运用标准化、均值去除的方法进行加速梯度下降的预处理。

优选的，所述深度卷积神经网络是由卷积层、池化层和全连接层构成的二维深度卷积神经网络；

所述二维深度卷积神经网络的结构为四个卷积层、两个池化层和一个全连接层；

所述二维深度卷积神经网络的配置为：卷积核的大小为3×3，池化层的大小为2×2；

优选的，所述步骤S4具体包括：利用数据训练之后得到的精确度P、召回率R和F1分数来评估模型以确定小麦是否感染赤霉病；

所述精确度P由以下公式得出：

所述召回率R由以下公式得出：

所述F1分数由以下公式得出：

其中，公式中的TP代表模型预测为正的正样本，称作判断为真的正确率；TN代表模型预测为负的负样本，称作判断为假的正确率；FP代表模型预测为正的负样本，称作误报率；FN代表模型预测为负的正样本，称作漏报率。

优选的，所述的一种基于深度卷积的小麦赤霉病的检测方法的病害分类系统，包括以下模块：

噪声去除模块，用于采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行去除噪声处理，得到目标数据；

第一处理模块，用于对目标数据进行二维图像的重塑来作为灰度图像，并基于灰度图像进行预处理；

第二处理模块，用于基于预处理的数据运用深度卷积神经网络对数据进行训练；

病害分类模块，用于基于训练的结果来分析深度卷积神经网络模型的分类效果。

本发明提供一种基于深度卷积的小麦赤霉病的检测方法，该模型诊断小麦赤霉病的速率快,该模型在学习的过程中，卷积结构可以有效地对高维度的高光谱图像数据进行降维，并且卷积神经网络模型可以有效地限制训练过程中参数的个数，所以深度卷积神经网络诊断小麦赤霉病的速率快。

附图说明

图1为本发明方法流程示意图；

图2为小麦赤霉病高光谱图像及其感兴趣区域图；

图3为深度卷积神经网络模型的训练实验结果图。

具体实施方式

下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

如图1所示，本发明实施例提供一种基于深度卷积的小麦赤霉病的检测方法，包括以下步骤：S1、采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行样本欠采样，以解决数据集不平衡的问题，从而得到具有背景、健康、病害三种特征的用来训练深度卷积神经网络模型的目标数据；

S2、对目标数据进行二维图像的重塑得到灰度图像，并基于灰度图像运用均值去除和主成分分析两种方法进行预处理,均值去除法用于减少不同日期的采样误差；主成分分析法用于在不同观察时间,识别数据的主要特征，并且用于改进光谱数据的可视化；

S3、基于预处理得到的数据对深度卷积神经网络模型进行训练,深度卷积神经网络模型的训练是基于预处理得到的数据按照模型的结构自上而下进行的监督学习,训练过程中的误差自上向下传输，并自动对网络结构参数进行微调，从而达到训练模型的效果；

S4、基于训练得到的模型准确率和损失率来分析深度卷积神经网络模型的分类效果。

所述步骤S1中对高光谱图像像元进行样本欠采样具体包括：对原始数据进行随机抽样；

所述步骤S2具体包括：将高光谱图像像元的光谱二维数据转化为灰色图像；并对灰度图像运用标准化、均值去除的方法进行加速梯度下降的预处理；所述预处理的方法运用均值-移除方法；如图2所示,图中左边两列为原始的高光谱图像，右边两列为画出感兴趣区域的高光谱图像，其中红色感兴趣区域代表病害的部分，绿色的感兴趣区域代表健康的部分，白色的感兴趣区域代表背景。

步骤S3具体包括：基于步骤S2的预处理过的数据，运用深度卷积神经网络训练预处理过的数据；

深度卷积神经网络(DCNN)被广泛用作前反馈神经网络，并且由卷积层(convolution layer)、池化层(pooling layer)和全连接层(fully connectedlayer)构成。本发明运用的是二维深度卷积神经网络；二维深度卷积神经网络的结构使用四个卷积层、两个池化层和一个全连接层；二维深度卷积神经网络的配置为卷积核的大小为3×3，池化层的大小为2×2；

深度卷积神经网络的结构配置如下表1所示：

表1深度卷积神经网络的结构配置

所述的数据集分为训练集(70％)和验证集(30％)；损失函数是“交叉熵”，优化器是“adadelta”，激活函数是“tanh”并且批量大小为64，训练次数为300次，由此训练得到分类模型；如图3所示,图中横坐标为迭代次数(即训练循环次数)，纵坐标为模型对数据的分类的准确率，另training set是训练集，validation set是验证集。

所述步骤S4具体包括：利用数据训练之后的精确度P、召回率R和F1分数来评估模型以确定小麦是否感染赤霉病；

所述精确度P由以下公式得出：

所述召回率R由以下公式得出：

所述F1分数由以下公式得出：

其中，公式中的TP代表模型预测为正的正样本，称作判断为真的正确率；TN代表模型预测为负的负样本，称作判断为假的正确率；FP代表模型预测为正的负样本，称作误报率；FN代表模型预测为负的正样本，称作漏报率。

本发明一种基于深度卷积的小麦赤霉病的检测方法，该模型诊断小麦赤霉病的速率快,该模型在学习的过程中，卷积结构可以有效地对高维度的高光谱图像数据进行降维，并且卷积神经网络模型可以有效地限制训练过程中参数的个数，所以深度卷积神经网络诊断小麦赤霉病的速率快。此外，该模型诊断方法解决了当前主流的病害检测方法通常具有局部性、滞后性、破坏性和间接性等问题，本发明方法系统、简便、快速，不仅解决了利用高光谱成像技术对小麦赤霉病进行准确分类的难题；而且能够利用高光谱成像技术对小麦赤霉病进行早期的快速和无破坏检测，提高了对被测小麦区域分类结果的准确性；此外，本发明的诊断系统组合模块数量较少，程序设计合理，利用后期开发推广使用。

以上公开的仅为本发明的具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (6)

1.一种基于深度卷积的小麦赤霉病的检测方法，其特征在于，包括以下步骤：

S1、采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行样本欠采样，以解决数据集不平衡的问题，从而得到具有背景、健康、病害三种特征的用来训练深度卷积神经网络模型的目标数据；

S2、对目标数据进行二维图像的重塑得到灰度图像，并基于灰度图像运用均值去除和主成分分析两种方法进行预处理,均值去除法用于减少不同日期的采样误差；主成分分析法用于在不同观察时间,识别数据的主要特征，并且用于改进光谱数据的可视化；

S3、基于预处理得到的数据对深度卷积神经网络模型进行训练,深度卷积神经网络模型的训练是基于预处理得到的数据按照模型的结构自上而下进行的监督学习,训练过程中的误差自上向下传输，并自动对网络结构参数进行微调，从而达到训练模型的效果；

S4、基于训练得到的模型准确率和损失率来分析深度卷积神经网络模型的分类效果。

2.根据权利要求1所述的一种基于深度卷积的小麦赤霉病的检测方法，其特征在于，所述步骤S1中对高光谱图像像元进行样本欠采样具体包括：对原始数据进行随机抽样；所述的数据集分为70％的训练集和30％的验证集。

3.根据权利要求1所述的一种基于深度卷积的小麦赤霉病的检测方法，其特征在于，所述步骤S2具体包括：将高光谱图像像元的光谱二维数据转化为灰色图像；并对灰度图像运用标准化、均值去除的方法进行加速梯度下降的预处理。

4.根据权利要求1所述的一种基于深度卷积的小麦赤霉病的检测方法，其特征在于，所述深度卷积神经网络是由卷积层、池化层和全连接层构成的二维深度卷积神经网络；

所述二维深度卷积神经网络的结构为四个卷积层、两个池化层和一个全连接层；

所述二维深度卷积神经网络的配置为：卷积核的大小为3×3，池化层的大小为2×2；

5.根据权利要求1所述的一种基于深度卷积的小麦赤霉病的检测方法，其特征在于，所述步骤S4具体包括：利用数据训练之后得到的精确度P、召回率R和F1分数来评估模型以确定小麦是否感染赤霉病；

所述精确度P由以下公式得出：

所述召回率R由以下公式得出：

所述F1分数由以下公式得出：

其中，公式中的TP代表模型预测为正的正样本，称作判断为真的正确率；TN代表模型预测为负的负样本，称作判断为假的正确率；FP代表模型预测为正的负样本，称作误报率；FN代表模型预测为负的正样本，称作漏报率。

6.根据权利要求1所述的一种基于深度卷积的小麦赤霉病的检测方法的病害分类系统，其特征在于，包括以下模块：

噪声去除模块，用于采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行去除噪声处理，得到目标数据；

第一处理模块，用于对目标数据进行二维图像的重塑来作为灰度图像，并基于灰度图像进行预处理；

第二处理模块，用于基于预处理的数据运用深度卷积神经网络对数据进行训练；

病害分类模块，用于基于训练的结果来分析深度卷积神经网络模型的分类效果。