期刊天空网是可靠的职称论文发表与期刊论文发表咨询机构24小时咨询热线:4007890619
期刊天空
期刊天空网
当前位置:期刊天空 > 论文发表 > 农业论文 > 基于深度学习的农作物病害图像识别技术进展> 正文

基于深度学习的农作物病害图像识别技术进展

发布时间:2019-04-24 15:53所属分类:农业论文浏览:1

摘要:农作物病害的无损检测和早期识别是精准农业和生态农业发展的关键。随着图像采集和图像处理技术的进步,高光谱成像等先进成像探测技术和基于深度学习的图像分析技术越来越多地应用于农作物病虫害的无损检测中。本文首先简单介绍了以深度学习为代表的图像

  摘要:农作物病害的无损检测和早期识别是精准农业和生态农业发展的关键。随着图像采集和图像处理技术的进步,高光谱成像等先进成像探测技术和基于深度学习的图像分析技术越来越多地应用于农作物病虫害的无损检测中。本文首先简单介绍了以深度学习为代表的图像识别技术的基本原理,然后系统地阐述了基于深度学习的先进成像技术和先进图像识别分析技术在农作物病害检测识别中的国内外研究现状,分析了其在农作物病害检测识别上存在的优缺点,如具有快速、准确率高等优点以及数据量过大处理不便等缺点,并进一步指出,利用高光谱成像和热红外成像与深度学习相结合,将成为今后研究农作物病虫害早期检测的主要发展方向。

  关键词:农作物病虫害检测;深度学习;图像识别;高光谱成像技术

农机化研究

  精准农业是在20世纪80年代由美国和加拿大等国率先提出,其关键是利用遥感技术、地理信息技术和全球卫星定位技术以及计算机自动控制技术实时监控作物的生长环境,包括土壤结构、植物营养、含水量、病虫害等,确定其最优的施肥施药量,使其可以在减少污染的前提下提高产量,减少成本。及时准确的作物病害信息对其防治有着重要意义,早发现,早防治,可有效减缓作物病害的传播,同时在病害早期可以用更少的药物对其进行防治,可以减少对环境的污染。

  传统的农作物病虫害检测耗时长,过程复杂,通常局限在实验室内的离线分析。近年来,许多研究采用成像技术和图像处理技术对农作物病虫害的进行检测,相较于之前的化学检测手段,这两种技术的结合不仅更快速准确,不会对被测对象造成不可逆的破坏,而且还可以避免各种化学检测手段造成的附带污染;可以实现对农作物各类信息的有效提取,达到对农作物病虫害进行线上检测的目的。随着高光谱成像技术及红外热成像技术等先进检测技术在农作物病虫害领域的应用[1],可以对人眼尚未发现的早期病害特征进行监测,同时高光谱图像所采集的数据立方提供了大量的多维的样本数据,使得深度学习在作物病虫害检测识别方面的应用成为可能。

  本文主要介绍了以近红外热成像技术和高光谱成像技术为代表的新型无损检测技术及以深度学习为代表的图像识别技术等在农作物病虫害无损检测中的国内外研究现状。

  1农作物病虫害的图像识别方法

  1.1传统的农作物病虫害图像识别方法

  传统的图像识别技术包括降噪、腐蚀、增强等,还有对图像各个颜色空间特征和纹理特征的提取,并利用得出的特征值进行线性建模,建模方式采用偏最小二乘法(PLS)等。但是线性建模有着很大的局限性,面对非线性数据的建模识别成功率很低,因而在农作物病害检测中,其建模识别成功率非常不理想。浅层神经网络是基于非线性数据建模的各种困难和失败结果,而兴起的一种建模识别方法。经典的浅层人工神经网络包括BP神经网络、ART神经网络、RBF神经网络等。

  我们以BP神经网络为例,它是经典的3层神经网络,包括输入层、隐含层及输出层,每个节点表示一个神经元,神经网络的各层通过节点间的权系数相互沟通。如果BP神经网络信息的正向传播结果满足预期效果,那么该次网络学习处理完成,算法停止学习;如果没完成预想结果,进行误差反向传播调节各层的权值继续完成学习处理的过程。浅层神经网络中对象识别有着更高的准确率,但是在复杂光照和复杂背景下,其图像分类结果并不理想。

  1.2基于深度学习的农作物病虫害图像处理识别方法

  深度学习是相较于浅层网络来说的,是机器学习的一种新的方法和方向,也是实现人工智能的一种新方法。深度学习是由加拿大多伦多大学教授、机器学习领域的大师Hinton在2006年首次提出的,其主要观点是:含多个隐层的人工神经网络可以将从训练模型的原始输入中提取出的低级特征整合成高级特征,与之前的浅层人工神经网络相比,可以获得更高的识别准确率,能更好地解决图像分类和可视化问题。

  这一概念的出现引发了关于深度学习的研究热潮,在ImageNet世界大赛上深度学习网络的出现打破了浅层神经网络的识别准确率,并以压倒性的优势获得冠军,在语音识别、图像识别、图像分类等许多应用上都得到了突破性的进展。深度学习是类似于浅层神经网络结构的,不过它包含很多个隐含层结构的神经网络,典型的深度学习网络包括卷积神经网络(CNN)、有受限玻尔兹曼机(RBM)、深度置信网络、深度玻尔兹曼机(DBM)等。

  深度学习的建模方法相较于传统的图像处理手段省去了大量的预处理手段,只需要将图像裁剪成合适尺寸即可以进行图像识别,大量缩短了识别时间且大幅度提高识别准确率。相较于浅层神经网络,深度学习的学习能力更强,识别准确率更高。虽然识别时间较之前明显缩短,但是在深度学习训练中将会耗费大量时间,增加训练集训练的时间成本。利用深度学习的强大的图像分类能力可以直接将患病作物的图像分离出来,识别率较传统的建模方法和浅层神经网络要高,而且对外界环境条件要求不高,可以应用到实际的生产生活中。图像在进行训练时,先选出候选区域对其图像特征进行提取,然后分为正负样本,正样本为正确的训练分类结果,负样本为不正确的分类结果,通过对正负样本的分类,可以准确地对图像进行分类。

  2农作物病虫害图像识别技术的研究进展

  2.1传统图像识别技术在农作物病害检测识别方面的研究进展

  在国际上,越来越多的研究者选择红外成像技术和高光谱成像技术,传统的图像识别技术可以很好地反映出检测手段所明确表征的被测物的外部特征、内部化学成分含量和生理结构的变化,更容易在早期识别出被测物是否发生病变及其化学成分的变化。

  2016年,浙江大学的Zhao等[2]利用高光谱成像技术来确定黄瓜叶中叶绿素和类胡萝卜素的含量,并通过其含量判断其是否感染角叶斑点。使用偏最小二乘回归模型来开发通过生化分析测量的光谱和色素含量之间的定量分析。由特征波长开发的偏最小二乘回归模型提供了最佳的测量结果,相关系数分别为叶绿素和类胡萝卜素含量的预测值0.871和0.876,并且可以通过其含量来准确判断出黄瓜叶是否感染了角叶斑点。

  首先是在高光谱图像采集和校正之后,从感兴趣区域(ROI)提取反射率值。然后通过生化分析(ChlBA,Car-BA)测定Chl和Car含量。使用Chl-BA,Car-BA的样品和内容物的平均光谱来选择用于开发偏最小二乘回归(PLSR)模型的重要波长(IW)。最后,建立的PLSR模型用于计算高光谱图像上每个像素的Chl-HSI和Car-HSI值。黄瓜叶片的Chl-HSI和Car-HSI空间分布受到不同严重程度的丁香假单胞菌致病变种的感染。

  在MATLAB软件的帮助下显示lachrymans感染。2018年,安徽农业大学的Wang等[3]利用高光谱成像技术区分氮肥水平的方法,通过主成分分析选择5个特征波长,通过灰度梯度共生矩阵从特征波长的图像中提取纹理特征,使用支持向量机(SVM)建立基于全光谱数据、特征波长、纹理特征和数据融合的分类模型。使用融合数据的SVM模型给出了预测集合具有最高正确分类率100%的最佳性能,可以完全判断出茶叶的施氮肥含量,该研究证明了高光谱技术可以准确地判断出作物的氮肥释放量。

  2017年,美国内布拉斯加大学林肯分校的Pandey等[4]利用高光谱成像技术的量化玉米和大豆植物体内化学特性的效用。这些性质包括叶片含水量以及常量营养素氮(N)、磷(P)、钾(K)、镁(Mg)、钙(Ca)和硫(S)以及微量营养素钠(Na)、铁(Fe)、锰(Mn)、硼(B)、铜(Cu)和锌(Zn)。利用每种植物的反射光谱,建立偏最小二乘回归模型以将光谱数据与化学数据相关联。在所有化学性质研究中,以水含量为最高,预测精度为0.93。

  所有宏量营养素也被令人满意地定量精度从0.69到0.92,N最好,其次是P、K和S。微量营养素组显示较低的预测准确度从0.19到0.86,其相较于传统的反演方式具有更高的准确性。2018年,法国蒙彼利埃大学的Nouri等[5]利用高光谱成像技术研究了荔枝果实的非破坏性分级测试方法,提取荔枝果实感兴趣区的高光谱数据并使用主成分分析来确定用于识别荔枝品质特性的特征波长694、725和798nm,使用灰度共生矩阵提取纹理特征,进行最小二乘支持向量机建模,以对荔枝的不同品质进行分类。该模型使用实验数据进行验证,验证集的平均准确率为93.75%,而外部验证集为95%。

  3展望

  可见光成像的技术已经相当成熟,但是它只能得到作物的表面信息,只有在作物的病变或者虫害肉眼可见时才能取得比较好的识别效果。将红外成像和高光谱成像引入其中可以在作物患病还没有表征的时候,发现被测物的内部结构和化学成分的改变,进行早期判断,可以实现作物病害的早期检测,在植物病害的防治过程中具有重要价值,有利于实现精准农业。

  今后农作物病害的无损检测技术可分为以下几个研究方向:(1)利用红外热成像、高光谱成像技术为农作物病害的早期探测提供了可能性,是农作物病害早期探测的发展方向;(2)深度学习的图像处理技术可以将复杂背景下的图像进行分类识别并具有极高的准确率,可为农作物病害的早期识别提供算法保障;(3)高光谱成像技术具有图谱合一的特点,为深度学习的图像识别提供了不同波段的海量图像信息,使得高光谱成像技术和深度学习的图像识别技术结合在农作物病害检测识别方面具有广泛的应用前景;(4)在深度学习的应用中,针对学习过程中会花费大量的时间成本的问题,未来可在算法上进行改进,减少时间成本,使其可以对不同的病害种类和发生阶段进行识别,对病虫害的检测具有重要的意义。

  参考文献(References):

  [1]李真,史智兴,王成,等.红外热成像技术在作物胁迫检测方面的应用[J].农机化研究,2016,38(1):232-237.LIZ,SHIZX,WANGC,etal.Theapplicationprogressofinfraredthermographyforcropstressdetection[J].JournalofAgriculturalMechanizationResearch,2016,38(1):232-237.(inChinesewithEnglishabstract)

  [2]ZHAOYR,LIXL,YUKQ,etal.Hyperspectralimagingfordeterminingpigmentcontentsincucumberleavesinresponsetoangularleafspotdisease[J].ScientificReports,2016,6:27790.

  [3]WANGYJ,HUX,HOUZW,etal.Discriminationofnitrogenfertilizerlevelsofteaplant(Camelliasinensis)basedonhyperspectralimaging[J].JournaloftheScienceofFoodandAgriculture,2018,98(12):4659-4664.

  [4]PANDEYP,GEYF,STOERGERV,etal.Highthroughputinvivoanalysisofplantleafchemicalpropertiesusinghyperspectralimaging[J].FrontiersinPlantScience,2017,8:1348.

  [5]NOURIM,GORRETTAN,VAYSSEP,etal.Nearinfraredhyperspectraldatasetofhealthyandinfectedappletreeleavesimagesfortheearlydetectionofapplescabdisease[J].DatainBrief,2018,16:967-971.

  相关刊物推荐:《农机化研究》为农业工程类学术期刊,创办于1979年,其投稿要以紧紧围绕大农业概念下(包括农、林、《农机化研究》牧、副、渔)的机械化、电气化、自动化及数字化相关的新理论、新技术、新成果和综合述评为核心内容,语言精炼、结构完整、表达准确。邮发代号:14-324。

  

投稿方式: • 邮箱: sdwh_2001@126.com 投稿时邮件主题请写明文章名称+作者+作者联系电话
• 电话:24小时热线4007890619
期刊天空网 专业提供职称论文发表的平台 400-7890619 论文发表咨询

最新经济论文目录

最新法律论文目录

最新教育论文目录

最新文史论文目录

最新科技论文目录

最新管理论文目录

职称论文发表期刊

热点关键词