园林植物常见病虫害识别

杨庆贺,丛晓燕,秦丽红,郭秀梅*

园林植物常见病虫害识别

杨庆贺1,丛晓燕2,秦丽红3,郭秀梅2*

1. 山东农业大学后勤管理处, 山东 泰安 2710108 2. 山东农业大学信息科学与工程学院, 山东 泰安 271018 3. 泰安市规划编制研究中心, 山东 泰安 271000

绿化植物养护是校园生态文明建设的重要组成部分，在美化校园环境，愉悦师生身心健康方面起着非常重要的作用。但是随着全球气候变暖环境恶化，导致虫害和疾病经常爆发。病虫害对校园绿化防护具有极大的危害，直接影响校园绿化环境。本文针对校园绿化中常见的病虫害，提出了基于深度学习的病虫害识别方法。该方法首先对图像进行灰度归一化处理，然后提取灰度图像的PCANet特征，最后利用支持向量机进行识别。该方法在扩充的数据集上进行了验证，识别效果理想。

园林植物; 病虫害识别; 深度学习

校园环境建设作为校园生态文明建设的重要组成部分，不仅能营造师生在欣赏景观的过程中受到潜移默化的教育，更是学校寓教于景实际体现，其作用不言而喻。但是随着全球气候的恶化，生态环境遭到了越来越多的破坏，导致虫害和疾病经常爆发，加上校园类园林植物种类较多，引进的外来物种生存环境的改变，诸多因素导致园林植物在生长过程中，受到各种病虫害的入侵，如果防治不及时，导致植物出现落叶、腐烂、坏死斑块等，大大降低了绿化效果和观赏性，破坏了生态环境，影响校园环境整体外观形象。目前高校园林病虫害主要采用人工干预的方式，由于病虫害发生存在很大的随机性，同时校园绿化植物分布整个校园，靠人工发现的方式费时低效，难以适应现代校园的快速发展。

随着人工智能技术的发展，基于人工智能的农作物病虫害识别方法大致分为两大类：基于特征的方法和基于深度学习模型的方法。基于特征的方法主要是提取害虫图像的纹理和几何特征，然后利用鉴别器对其进行分类。文献[1-3]提取图像的颜色、直方图、面积以及滤波等方法作为病虫害的特征进行识别，文献[4-5]提取灰度共生矩阵、局部二值模式等纹理信息作为特征进行识别。这类方法识别速度快、易于理解，但存在过分依赖先验知识、识别效果差的缺点。基于深度学习的方法主要是利用现有的深度学习模型或改进的模型对作物病害进行分类。文献[6]使用AlexNet网络模型，文献[7]构建了农作物病害的神经网络模型，文献[8]利用深度残差网络进行虫害识别，文献使用迁移学习和Inception V3[9,10]对病虫害进行识别，文献[11]结合迁移学习和VGG16网络对苹果黑腐病进行分类。深度学习识别方法具有良好的泛化能力，取得了良好的识别效果。但是，一些深度学习模型的训练时间过长，给应用带来了不便。

目前这些方法主要针对农作物的病虫害，主要原因是一定面积范围内，农作物种类单一，病虫害的种类也相对单一，为智能监控及预测识别带来很大的方便。相对于农作物的病虫害识别，校园园林植物病虫害识别存在以下难点：一是植物品种繁多，出现的病虫害类型也繁多，常见的校园病虫害种类如表1所示，预测识别难度大；二是目前还没有针对校园绿化植物常见的病虫害数据库，为算法验证带来很大不便。

表1 常见的校园病虫害

本文针对校园园林绿化植物病虫害防治存在的问题，提出了基于智能检测病虫害防治的方法，主要完成的工作：一是建立了常见的校园绿化植物病虫害数据库，二是提出了基于深度学习的校园绿化植物病虫害识别方法，为校园绿化养护以及管理，提供技术上支持。

1 基于深度学习的病虫害识别

本文利用一种快速而有效的深度学习网络对病虫害进行识别，算法主要分为三个步骤。首先对图像进行预处理，然后提取病虫害样本的PCANet特征，最后使用SVM进行决策分类。流程图如图1所示。

图 1 算法流程

1.2 PCANet特征提取

PCANet是一种基于卷积神经网络(CNN)的简化深度学习模型[12]。图2为经典的卷积神经网络[13]，卷积神经网络中一个重要的任务就是卷积核的确定，不同的卷积核提取的特征也是不一样的，效果也不一样。同时，经典的CNN存在参数训练时间过长且需要一定的调参技巧。

图 2 经典的卷积神经网络

Tsung-Han提出的PCANet模型[12]是一种训练更为简单，且适应不同任务、不同数据类型的网络模型。PCANet网络模型分为三步：第一级PCA卷积层、第二级PCA卷积层和输出层。其中第一、二级PCA卷积层实现步骤基本相似，其工作过程如图3所示。

图 3 第一、二级PCA卷积层实现流程

PCA卷积层对每个输入样本X，使用大小为1*2滑动窗对图像上所有像素点进行采样，将采样区域进行级联，然后进行去平均处理。对所有输入样本进行相同的处理，把处理后的数据级联成一个12×矩阵，然后对该矩阵进行PCA处理，提取其前1个特征向量，这1个特征向量就是该阶段的卷积核。最后每个输入样本X分别1个PCA核函数进行卷积运算，即可得到该阶段的卷积特征。第一、二阶段的区别是第一阶段得到的特征作为第二阶段的输入。

输出层为哈希编码，首先对每2个特征进行十进制编码，得到一张新的十进制图像，然后将每1个十进制图像进行直方图分块处理，处理后的输出即为提取的输入样本的PCANet特征。样本提取PCANet特征的过程如图4所示。

图 4 PCANet特征的提取过程

1.3 SVM分类器

本文利用SVM分类器对对病虫害提取的PCANet特征进行分类。

2 结果与分析

2.1 病虫害

根据学校常见的园林树木病虫害，建立了包括白粉病、锈病、叶斑病、煤污病、蚜虫、网蝽、红蜘蛛、蚧壳虫小型数据库。数据库中部分数据如图5所示。

图 5 园林植物常见病虫害数据库部分样本

由于数据采集量相对较少，为了得到更好地PCA卷积核函数，本文利用免费的数据库Plant Village[15]进行数据集的扩充。Plant Village库包含数十种作物的虫害和病害图像，本文选择了苹果、玉米、番茄、葡萄、土豆5种农作物19类作物病虫害对数据库进行扩充，并对图像的大小进行统一处理为256*256，扩充后的数据集作为本实验的数据库。

2.2 识别与验证

为了得到最佳的PCA卷积核，对PCANet模型中的参数进行验证，分别验证滑窗大小、滤波器个数和直方图大小取不同值对识别率的影响。首先我们选择滑窗大小分别为5*5,7*7,9*9,11*11,13*13，15*15进行验证，实验结果如图其结果分别为图6所示。

图 6 识别率与滑窗大小的关系

从图中我们可以看出，滑窗的大小对识别率的影响不是很大，基本可以忽略不计，但是滑窗大小对后面主成分计算的运算量有影响，因此不能太小，一般情况下，后续实验中滑窗大小一般选择9*9。

PCANet网络中需要两次计算PCA卷积核，为了验证两层卷积核12取值不同时对识别率的影响，分别取值1、4、8、10、16，识别结果如图7所示。

图 7 识别率与L1L2取值的关系

从图中我们可以看出，每一级PCA核函数的多少对识别率影响较大，当12分别取1时，识别率仅为27%，当12取值分别为4时，识别率可升高至82%，取值越大，识别率越高，但是提取到的PCANet维数也越高，当12取值为16时，特征维数高达67108864。综合考虑识别率和维数，一般情况下取8。

同样，为了验证直方图分块大小对识别率有影响，我们选取了0～150之间若干值进行验证，识别结果如图8所示。

图 8 识别率与直方图分块大小的关系

从图中可以看出，识别率随着分块大小先增加后降低，因为取值较小，取得特征维数过大，导致过拟合，识别率低。吐过取值过大，特征提取会丢失重要信息，识别率也会降低。

为了进一步验证算法的有效性，我们对苹果、玉米、葡萄、马铃薯、番茄以及园林绿化植物等病虫害进行了测试。对于每种疾病类型，我们随机选取每种病虫害10个作为检测样本，其余作为训练样本。识别结果如表2所示。

表 2 不同作物病虫害识别率

从表中我们可以看出，算法在农作物病虫害识别上具有很好地识别效果。园林绿化植物病虫害数据集由于采集时间跨度较大，有的间隔一年以上，同时每次采集时的季节、温度、光照等外界环境差别较大，仍能取得70%以上的识别率。

3 结论

校园绿化养护管理中，病虫害的防治非常关键，传统安排专人现场排查的方法费时费力，也容易疏漏，基于人工智能的病虫害防治方法已成为趋势。本文结合校园信息化管理以及我校常见的病虫害，提出了一种深度学习的识别方法，该方法在数据集上进行了验证，得到了较好的识别效果。

[1] Klatt B, Kleinhenz B, Kuhn C,Smart DDS-plant disease detection via smartphone //Sustainable Agriculture through ICT Innovation [C]. Mexico City:EFITA-WCCA-CIGR Conference, 2013

[2] Barbedo JGA, Koenigkan LV, Santos TT. Identifying multiple plant diseases using digital image processing [J]. Biosystems Engineering, 2016,147:104-116

[3] Pethybridge SJ, Nelson SC. Estimate, a new iPad application for assessment of plant disease severity using photographic standard area diagrams [J]. Plant disease, 2018,102(2):276-281

[4] Pantazi XE, Moshou D, Tamouridou AA. Automated leaf disease detection in different crop species through image features analysis and one class classifiers [J]. Computers and Electronics in Agriculture, 2019,156:96-104

[5] Hemantkumar W, Nilima A. An appropriate model predicting pest diseases of crops using machine learning algorithms [C]. Coimbatore, India: 4th International Conference on Advanced Computing and Communication Systems, 2017

[6] Mohanty SP, Hughes DP, Salathé M. Using deep learning for image-based plant disease detection [J]. Frontiers in Plant Science, 2016,7:1-10

[7] Ferentinos KP. Deep learning models for plant disease detection and diagnosis [J]. Computers and Electronics in Agriculture, 2018,145(2):311-318

[8] 吴华瑞.基于深度残差网络的番茄叶片病害识别方法[J].智慧农业,2019,1(4):42-49

[9] 贾鹤鸣,郎春博,姜子超.基于轻量级卷积神经网络的植物叶片病害识别方法[J].计算机应用,2021,41(6):8

[10] Ramcharan A, Baranowski K, Mccloskey P,. Deep learning for image-based cassava disease detection [J]. Frontiers in plant science, 2017,8:01852

[11] Wang G, Sun Y, Wang J. Automatic image-based plant disease severity estimation using deep learning [J]. Computational Intelligence and Neuroscience, 2017, 2017:2917536

[12] Chan TH, Jia K, Gao S,. PCANet: A simple deep learning baseline for image classification?[J]. IEEE Transactions on Image Processing, 2015,24(12):5017-5032

[13] Lecun Y, Bottou L, Bengio Y,. Gradient-based learning applied to document recognition [J]. Proceedings of the IEEE, 1998,86(11):2278-2324

[14] Hughes DP, Salathe M. An open access repository of images on plant health to enable the development of mobile disease diagnostics[EB/OL]. [2015-11-25]. https: //arxiv. org/abs/1511. 08060.

The Identification for Common Plant Diseases and Pests from Garden Plants

YANG Qing-he1, CONG Xiao-yan2, QIN Li-hong3, GUO Xiu-mei2*

1.2710108,2.271018,3.271000,

Campus landscaping plants are important parts of campus ecological civilization construction.It plays a very important role in greening the campus environment and pleasing the physical and mental health of teachers and students.But as the global environment deteriorates, there are frequent outbreaks of plant pests and diseases.Plant diseases and pests can bring great harm to campus greening protection and directly affect the campus greening environment. In this paper, we proposed a method for plant disease and pests identification based on deep learning. Firstly, transform the color image into gray image and normalized the gray image. Secondly, extract PCANet feature of the gray image,and then use the the support vector machine to identify. The method is tested on the extended database, and the recognition is effetely.

Garden plants; identification of plant diseases and pests; deep learning

S43

A

1000-2324(2022)02-0265-06

2021-05-24

2021-06-12

杨庆贺(1977-),男,硕士研究生,高级工程师,从事校园绿化物业管理. E-mail:1098733826@qq.com

Author for correspondence. E-mail:xmguo@sdau.edu.cn