基于深度信念网络的水稻纹枯病识别方法研究

郭 丹，路 阳，李建宁，姜 峰，李爱传

(1.黑龙江八一农垦大学 电气与信息学院,黑龙江 大庆 163319；2.鸡西市公安局，黑龙江 鸡西 158100)

0 引言

水稻是我国重要的粮食和经济作物，北方种植面积巨大。近年来，水稻纹枯病的危害日趋严重，导致水稻无法抽穗，秕谷增加，千粒质量下降，产量降低，严重时可造成减产15%以上[1]。水稻纹枯病在水稻生长的各个时期都可能出现，但在预防及防治问题上，如何高效、智能地对纹枯病进行自动识别是个难题。目前，识别水稻是否发生病害主要依靠水稻植保专家。专家首先需要到田间使用肉眼判断叶片是否出现暗绿色水浸小斑点，然后以水稻病虫害防治彩色图谱为依据，最终依据比对结果来确定病害类型及程度。由于水稻植保专家数量严重不足，使得这种识别方法效率低，而且专家主观性强，容易出现诊断偏差[2]。

近年来，随着深度学习研究的深入，深度信念网络(Deep Belief Network,DBN)快速发展，有很多学者利用深度信念网络研究图像识别、语音识别、人脸识别及植物叶片分类等。南京农业大学的卢伟等提出基于深度信念网络对稻种发芽率进行检测的一种方法[3]。Fatahi等[4]提出一个基于深度信念网络改进的人脸识别系统，通过改变自身的网络结构组成元件和调整模型参数来提高分类识别率[5]。目前，有很多学者研究利用机器学习与模式识别等技术对水稻纹枯病进行检测和识别。中国农业科学院蜜蜂研究所的刘婷婷等[6]及中国科学院合肥智能机械研究所的袁媛等利用支持向量机实现了水稻纹枯病自动识别与诊断[7]；北京林业大学的刘念用深度信念网络来对植物的叶片进行识别[8]。

深度信念网络由多个受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)组成，主要用作图像或声音等对象的识别与分类。相比传统神经网络方法，其最大优势是可以直接对原始图像进行仿真识别，不需要对样本进行人工标签。它是一种多层的网络结构，为原始图像的特征提取和后续图像的识别提供了基础模型[9]。在网络中，训练是逐层次的，训练步骤一般分为逐层贪心的训练和参数优化微调的过程。

目前，使用深度信念网络方法对水稻纹枯病进行识别还未见报道。关于植物叶片病害识别和分类方面，基于卷积神经网络方法已取得了较大的成果。Brahimi等[10]利用深度学习模型CaffeNet对植物叶片进行识别；DeChant Chad等[11]利用深度学习对北方受叶枯病侵害的玉米植株进行自动识别；马苗等使用深度信念网络方法对手势图像进行识别，取得了很好的效果[13]。因此，采用深度信念网络对水稻纹枯病进行识别诊断是可以实现的。本文将采用深度信念网络对水稻纹枯病的图像进行识别，进而提高识别效果和诊断效率，为准确识别水稻纹枯病害奠定基础。

本文基于MatLab 2016a深度学习工具箱DeepLearning Toolbox平台，构建深度信念网络模型，研究基于深度信念网络理论的水稻纹枯病图像自动诊断识别，具体研究过程包括水稻纹枯病害图像预处理、深度信念网络模型构建及训练、实验对比分析等。

1 数据预处理

1.1 水稻病害图像的采集

在自然光照条件下，使用华为P10Plus手机(EMUI 8.0兼容Android 8.0操作系统，2 000万黑白+1 200万彩色双摄像头)获取北方寒地水稻纹枯病图像。将手机的后置摄像头放在准备拍摄距离纹枯病病叶适中的距离且图像清晰的环境下完成采集。手机拍摄的照片像素是3 840×5 120。水稻病害图像的采集分别在水稻的前期、中期和末期进行，每个时期每种病害分别采集50幅图像，共采集1 500幅图像，每幅图像采用JPG格式存储且剪辑压缩成统一的大小。采集的原始水稻纹枯病病害样例图像如图1所示。

图1 水稻纹枯病病害图像

1.2 高斯滤波对水稻纹枯病的预处理

图2 高斯滤波后的水稻纹枯病病害图像

1.3 纹枯病病斑特征的提取

使用Sobel算子边缘检测方法来提取出水稻纹枯病的病害图片中所包含的病斑信息，算法步骤描述如下:Sobel算子的方向模板包含了两组3×3的矩阵，即水平方向和垂直方向的两组矩阵。其中，Gx表示垂直方向梯度，检测水平边缘；Gy表示水平方向梯度，检测垂直边缘。

若有连续的图像函数，式(1)表示图像函数在点处的梯度向量；式(2)表示梯度幅度；式(3)表示为了简化计算，使用绝对值来表示梯度幅度；式(4)表示梯度的方向[14]。

(1)

(2)

|G(x,y)|=|Gx|+|Gy|

(3)

(4)

检测过程中，首先将两组矩阵与纹枯病的图像中任何一个像素重合，并沿其图像像素进行移动；再将两组矩阵中的系数与纹枯病的图像的像素点进行卷积运算，用两个卷积的最大值代替纹枯病图像中间位置的像素点，将其用作该像素点的灰度值；最后取合适的阈值TH，假如新的灰度值≥TH，就认为该像素点为边缘点。即它是以3×3邻域内的中心像素点为中心，对一些离散的图像进行邻域平均或加权平均，进而对图像的边缘点进行检测。使用Sobel算子边缘检测方法对水稻纹枯病病斑提取的结果如图3所示。

图3 水稻纹枯病病斑图像的提取

2 深度信念网络

深度信念网络(DBN)主要用于识别和分类。DBN的基本思想为：深度信念网络由一系列受限玻尔兹曼机(RBM)单元组成[15]。设输入层节点的数目为m，隐含层节点的数目为n，设计的网络模型如图4所示。受限玻尔兹曼机的能量函数为

假设归一化因子Z(θ)=∑v,he-E(v·h/θ)，v表示输入层的所有结点，h表示隐含层的所有结点，进而估算出隐含层被开启的概率为

图4 DBN结构图

图5 训练性能曲线

3 实验与分析

本文深度信念网络搭建在DeepLearning Toolbox上，其训练及整体测试过程均在MatLab平台上进行。定义好深度信念网络的各项参数为：受限玻尔兹曼机隐含层和输出层神经元个数为dbn.sizes=[25,25]，随机样本数量每批次为opt.batchsize=50，学习速率为opt.alpha=1，权值和偏置为0到1之间随机数。使用上述参数构建深度信念网络后，训练时选取60%的水稻纹枯病病害图像为训练样本，其余的40%用于模型验证。采用7重交叉验证方法，水稻纹枯病病害的识别结果如表1所示。由表1可以看出：深度信念网络对水稻纹枯病病害平均识别率达到94.05%，运行时间为72ms，而BP方法与SVM方法的平均识别率都低于深度信念网络，运行时间都高于深度信念网络。结果表明：深度信念网络方法针对水稻纹枯病病害的平均识别准确率优于传统的BP神经网络和SVM。当取样本为100张图片时，使用DBN、BP、SVM等3种方法进行训练，得出的误差曲线如图6所示。由图6可以看出：DBN的误差率是最小且最稳定。

表1 水稻纹枯病病害的识别Table 1 Rice sheath blight disease of recognition

图6 误差曲线分析图

4 结论

基于深度信念网络对水稻纹枯病进行自动识别。首先采用高斯滤波方法和Sobel算子边缘检测算法对水稻纹枯病病害图像进行预处理操作，建立了水稻纹枯病病斑图像数据库；然后，构建和训练了深度信念网络模型对水稻纹枯病病害进行识别，通过7重交叉验证，平均识别率达到94.05%。通过与传统的BP神经网络和支持向量机识别方法对比，结果表明：本文采用的方法在对水稻纹枯病病害识别方面取得了较好的效果，为深度信念网络在农作物病害的识别诊断方面打下了良好的基础。