《田间小麦病害自动诊断系统》由会员分享，可在线阅读，更多相关《田间小麦病害自动诊断系统（15页珍藏版）》请在金锄头文库上搜索。
1、田间自动小麦病害诊断系统摘要农作物病害是造成世界农业产业减产和经济损失的主要原因。监测作物的健康状况对于控 制疾病的蔓延和实施有效的管理至关重要。本文提出了一种基于弱监督深层学习框架的田间自 动小麦病害诊断系统，即深层多示例学习，在田间仅用图像标注进行图像训练实现了小麦病害 识别与病害区域定位的统一。并应用一个新小麦病害数据库2017 (wdd2017)收集验证该系统 的有效性。两种不同的体系结构，即vgg-fcn-vd16和vgg-fcn-s,用5重交叉验证对wdd2017 的平均识别率分别可以达到 97.95%和 95.12%，超过 vgg-cnn-vd16 和 vgg-cnn-s 两个传
2、统 CNN 框架93.27%和 73%的结果，实验结果表明该系统在精度参数相同的条件的识别下优于传统的 卷积神经网络架构，同时保持相应的疾病领域的准确定位。此外，该系统已被打包成一个实时 的移动应用程序，为农业疾病诊断提供支持。关键词：农业病害诊断 小麦病害检测 弱监督学习 深多示例学习 完全卷积网络1 引言作物病害诊断对防止疾病的蔓延和保持农业经济的可持续发展具有重要意义。一般来说， 作物病害的诊断是通过目测或显微镜技术手工完成的，证明是耗时的，而且由于主观知觉存在 误差的风险。在这样的背景下，不同的光谱和成像技术已经研究了识别作物病害症状(布拉沃 et al.， 2004；魔兽 et al
3、.， 2005；chaerle et al.， 2007；belasque et al.， 2008；秦等， 2009)。虽 然这些技术可以对作物病害做出相对快速的诊断，但它们离不开昂贵而笨重的传感器。随着计算机视觉技术的发展，关注的是关于图像检测技术对作物病害的生长(Camargo和 史米斯， 2009；Arivazhagan 等， 2013；barbedo， 2014；Rastogi et al.， 2015)，它摆脱了时间 成本和分子分析设备的束缚(马蒂内利等， 2015。)。相反，人们只需要普通摄像机和消费级电 子存储设备来进行作物病害鉴定。然而，这些方法几乎都是具体的任务，需要专家的
4、知识来设 计手工制作的特征提取器，只在理想的实验环境下的作物图像。做一个自动的作物病害诊断系 统，可应用于现场的图像，一个必须面对一些棘手的挑战barbedo(2016)：(1)复杂的背景图 像，如树叶、土壤、石头，甚至人们的手，(2)不可控制的捕获条件，如光照、摄像机的角度 和图像质量，(3)在一个图像中多叶或多个疾病领域的共生，(4)对疾病发展的不同阶段的不 同特征，(5)在不同类别的疾病之间外观相似。从我们收集的小麦病害数据集中筛选出一些具 有挑战性的样本，如图 1 所示。据我们所知，很少有人研究减轻或消除作物病害诊断所面临的 上述挑战。这项工作的总体目标是开发一个自动小麦病害诊断系统，
5、以便在田间小麦图像中同时识别 疾病类别并找到相应的疾病区域。为了避免昂贵和费力的手工注释，将小麦病害识别和定位的 双重任务建模为弱监督学习任务。据我们所知，我们首先建议在田间情况下共同处理小麦病害 的双重任务。在本文中、一种新的提出得基于深度学习和多示例学习的现场自动小麦病害诊断系统(MIL) (Dietterich等人，1997),它可以部署在移动手机进行实时诊断。如图2所示，我们的 框架由移动客户端和设备层的计算服务器组成。一方面，在野外条件下从移动相机采集的图像， 调整大小后用完全卷积网络(FCN)进行局部特征提取和局部缩放图像。然后，FCN产生不 同疾病种类的空间计分图，每个计分点对应
6、于一个特定的局部窗口的原始图像。然后将这些不 同局部窗口的估计量送入MIL框架，对整幅图像进行整体评价。另一方面，空间计分图经过 上采样操作大致定位的疾病位置，然后近似包围盒(BBA)进行准确地锁定病变位置。该模型 为多示例学习为基础的小麦病害诊断系统(dmil-wdds)。特别是，该dmilwdds可以有足够的 准备训练数据，实现端到端的训练。为了验证我们的dmil-wdds的实用性和有效性，一场疾病 数据集的小麦病害数据库2017 (wdd2017)收集，其中包括9230的图像有7个不同的类(6 普通小麦病害，1健康的小麦)。在wdd2017表明该dmil-wdds优于传统的CNN结构对疾
7、病类 别的识别精度的实验结果，但也保持精确定位相应的疾病领域。注：我们dmil-wdds工艺管道。左、右虚线框分别为移动客户端和计算服务器。在系统进行疾病识别和定位之前，红色 加粗虚线包围的部件将经过训练数据的训练阶段。要反馈给用户的诊断包括疾病类别和相应疾病部位的位置。最佳颜色观看。 （对于这个图例中对颜色的引用的解释，读者可以参考本文的Web版本）。我们的主要贡献概括如下：DMIL弱监督学习框架的基础上首先利用小麦病害诊断，具有应对棘手的麦田图像的能 力。提出的小麦病害识别与定位集成方法优于传统方法。基于CNN的深度模型参数相同的识别体系结构。一个新的领域wdd2017小麦病害数据收集证明
8、了系统的有效性以及后续工程建设标准。2 综述已经开发了许多基于图像的方法来处理作物病害鉴定。基于高光谱和多光谱荧光测量的融 合，魔兽等。（2005）提出了 一种基于自组织映射（SOM）的疾病分类器。Camargo和史米斯 （2009）提出了识别作物病害的视觉症状通过颜色变换和图像颜色分割。在phadikar等人。 （2013）提出了基于费米能量的分割方法，将感染区域与整个图像隔离开来，然后采用粗糙集 理论（RST）进行特征选择，并用规则基分类器进行疾病识别。简单地说，现有的方法大多局 限于捕获图像的纯背景或受控环境，这是实际应用中的一个难题。作为一个结果，叶分割（张 和孟，2011；该a Ri
9、bas et al.，2013；王等，2013）通常是被迫的前提下进行作物病害识别。 然而，一个将陷入另一个困境天真叶分割处理图像多叶或多个感染区域共存。虽然最近关于计 算机视觉的作品证明了选择性搜索的巨大成功（SS） （uijlings et al.，2013）在目标分割，似乎 无力直接采用SS段现场图像由于严重的重叠和交错间作物的散漫。深度卷积神经网络（DCNN） 一定程度上加速了计算机视觉的发展（krizhevsky et al.，2012； Simonyan 和 Zisserman，2014； Szegedy et al.，2015； sermanet et al.，2013； Gir
10、shick et al.，2014）。 鉴于大量的训练数据和高性能计算应用的基础设施，可以带来惊人的性能分类和目标检测。当 然，信息已经应用近年来在精准农业领域。（DyrmCNN et al.， 2016； grinblat et al.， 2016）设 计了他们的特定任务的应用架构进行植物分类。萨等。（2016）提出了一种多快r-cnn模型，即 DeepFruits，发挥实时水果检测。此外，少量的研究主要集中在利用DCNN植物病害检测。 sladojevic等人。（2016）收集了 3000个原叶图像从互联网对该数据库进行数据增强的过程，然后建立了一个信息的自动分类与检测13种不同类型的植物
11、病害叶片图像。同样，Mohanty 等人。（2016）训练数据集上的疾病和健康的植物叶片识别14种作物和26病54306图像的应 用。然而，上述植物病害检测的深层学习方法建立了它们在受控条件下采集的纯图像的深层识 别模型，这些模型不适用于野生环境。此外，他们只是意识到了疾病的识别，却没有注意到疾 病在哪里。MIL是Dietterich等人首先介绍。（1997）在弱标记情况下的药物活性预测。为了减少繁琐 的人工标注尽可能同时实现目标定位，有些作品侧重于组合学深密的框架（ Pinheiro 和 collobert， 2015；吴等人， 2015）。吴等人。（2015）提出了一个假设，即所需的对象必
12、须位于 可以通过现成区域提议算法生成的所有区域建议中，例如SS。由于区域推荐算法的计算代价 和叶子分布的复杂性，流行的区域分割或推荐方法可能会给实用性带来麻烦。FCN是长等人首先提出了。（2015）语义分割。在本文中，一个新的函数是用来减少计算 成本和执行实例级疾病同时估计，这相当于一个滑动窗口操作对整个图像。总之，很少有研究集中在复杂杂乱场景中田间原始图像的作物病害识别和定位上，目前尚 未有有效的田间作物病害图像数据集。一方面，本系统针对田间小麦病害自动诊断，更贴近实 际情况，为精准农业提供技术支持和服务。另一方面，该 wdd2017 是首次提出在大田作物疾 病数据集，这将建立一个基准对场疾
13、病检测和促进后续相关工作。因此，我们的工作对于进一 步的研究是有价值的。三.材料与方法3.1 小麦病害数据库 2017（wdd2017）在作物病害诊断研究提供便利，相关数据已发布的公开和自由，如Plantvillage,其中包 括超过50000个专业上注明健康和病叶作物图像。然而，遗憾的是，在Plantvillage的所有图 像处理已成为理想状态，很难以看到田间，即在一个纯背景作物叶片。据我们所知，迄今 为止还没有合适的田间作物病害诊断数据集。为此，本研究收集了 9230种小麦图像，在图像 级标注了 7种小麦病害，包括健康的。收集的图像就是小麦病害数据库2017 （wdd2017）,实 例wd
14、d2017是图1所示。注意，wdd2017已均匀分为5组进行交叉验证，其中4组作为训练 集和一组作为测试集。表1显示了我们的wdd2017细节。表1中的6种病害是小麦的常见病，是导致小麦减产的主要原因。需要明确的是，我们的 wdd2017具有以下特点:（1）每一个图像在wdd2017几乎只包含该图像的注释的一种疾病，（2） 每一个图像采集现场的情况下在后面没有技术手段，保持捕捉环境的所有原始信息， （3） wdd2017涵盖目前挑战的小麦病害诊断如图1所示，包括复杂的背景，不同的拍摄条件下，对 疾病发展的不同阶段的各种表征（疾病的早期、中期和晚期）和小麦不同疾病之间的相似。表1小麦病害数据库的
15、组成（2017 wdd2017）。小麦病害图像分割图像训练/测试白粉病350280/70黑穗病14551164/291黑箔条585468/117条锈病17551404/351叶枯病24551964/491叶锈病1110888/222健康小麦15201216/3043.2多示例学习集成（MIL ）多示例学习（MIL ）是一种弱监督学习方法，它的目的是通过使用包而不是实例的注释来 减少标签的工作量。在MIL设置中，一个类包含至少一个正实例的包被标记为正，而所有实 例都为负的包被标记为负。对于分类任务，假设是从袋袋组反馈；K 1;。.；吴，和BK的 实例表示为bk1;o ； ；; bknkg,在NK
16、表示袋浅滩CK 2 F1实例的数量CG是袋BK类 标签，和CKJ 2 F1;。.；例如氮气弹簧CG类标签。该实例Bkj是C类记为PC KJ P CKJ cjbkj条件概率；C 2 F1;。.； CG。下一个工作是找到一个聚合函数f,它可以适当地编码 MIL假设。更具体地说，如果一个实例对一个类来说可能是正的，那么函数f应该给它相应的 包分配更多的正信任。包BK的聚合函数f可以表示为：PC K P CK cjbk F PC 电脑 K2 K1 ;。.；电脑专业；1其中F可以maxj PC KJ ; avgj PC KJ或他人（吴等，2015）。在我们的工作中，我们也 考虑在瑞和克雷文SoftMax聚合函数提出了（2005）:PC K FS PC 电脑 K2 K1电脑专业P NK J 1pc KJ EAPC KJ P J NK 1eapc
