基于機器識別算法的植物病害嚴重程度估計分析案例目錄TOC\o"1-2"\h\u24342基于機器識別算法的植物病害嚴重程度估計分析案例 1268431.1試驗數(shù)據(jù)選擇 1188491.2目標檢測模型 2146551.3預測模型的建立 4204851.4實驗結(jié)果與分析 9根據(jù)植物的病斑和病斑區(qū)域的大小可以清楚地了解植物是否患病，但是很難用肉眼去對植物的病害程度進行量化評估。要想獲取待測病害葉片的病害程度，就需要獲取病害葉片病斑區(qū)域的面積和病害葉片面積，它們之間的比就是該葉片的病害程度。要想獲取上述數(shù)據(jù)就需要先分割出圖像的葉片面積和病斑區(qū)域面積，但是在手機端沒有直接運行的圖像分割算法，本文預測模型去預測葉片面積和病斑區(qū)域面積。首先采用目標檢測的方式把葉片用一個邊界框框住，計算邊界框的面積，通過計算發(fā)現(xiàn)邊界框的面積與實際中測量的葉片面積之間存在一種線性的關(guān)系，從而建立了一種葉片預測模型，同理病斑區(qū)域面積也可得到病斑預測模型，最后通過建立的葉片預測模型和病斑預測模型，得到該葉片的病害程度1.1試驗數(shù)據(jù)選擇本次實驗數(shù)據(jù)采用的數(shù)據(jù)集選擇PlantVillage數(shù)據(jù)庫中病斑面積明顯的幾種植物病害葉片，分別是蘋果葉片的瘡痂病、黑腐病、銹病和葡萄葉片的黑腐病、黑痘病、葉枯病。每種植物病害類型200張，試驗樣本按4:1的比例把數(shù)據(jù)分成訓練集和測試集兩個部分，訓練集共計960張，測試集共計240張。樣本標記過程中，對病害葉片的病害區(qū)域和整張葉片用一個邊界框進行標記，規(guī)定兩類邊界框的名稱為disease和leaf，各種病害葉片的例子如圖4-1所示：a.蘋果瘡痂病b.蘋果黑腐病c.蘋果銹病d.葡萄黑腐病e.葡萄黑痘病f.葡萄葉枯病圖4-1病害葉片標記示例Fig.4-1Examplesofdiseasedleaves1.2目標檢測模型本文目標檢測的核心任務在于找到圖像中的葉片位置和病斑區(qū)域位置，并確定目標在圖像中的位置和大小。SSD是當前比較成熟的目標檢測算法之一，在保證精度的同時也能保證極高的檢測速度，能夠充分地滿足病斑數(shù)量多、檢測精度的需求，因此本文選擇SSD作為手機端去檢測植物葉片與病斑區(qū)域的模型基礎。1.2.1SSD模型結(jié)構(gòu)SSD[94]模型即SingleShotMultiBoxDetector，由Wei等人提出。SSD的模型架構(gòu)如圖4-2所示，網(wǎng)絡的主體由兩部分構(gòu)成：基礎網(wǎng)絡和附加特征網(wǎng)絡，輸入的圖像尺寸是300×300，基礎網(wǎng)絡由主要是由圖像分類的網(wǎng)絡（如VGG、MobileNet、GooleNet等）構(gòu)成，基礎網(wǎng)絡的作用是提取特征形成特征圖。SSD模型通過獲取不同卷積層、不同尺度的特征圖數(shù)據(jù)來進行目標檢測。SSD模型的多尺度算法公式如下所示：T（4-1）R=（4-2）式中，Tn為第n層特征圖，Sn是經(jīng)過上一層特征圖通過非線性運算得到的第n層特征圖，S1(I)是通過圖像I后經(jīng)過非線性運算后得到的第一層特征圖；dn()輸出的是第n層特征圖的結(jié)果，D()表示集合化后得到的最終結(jié)果。公式中下一層的特征信息決定上一層的特征信息，各個層是相互分開獨立的。因此，想要更精確地檢測出目標所在的位置和坐標，前提就是要獲取更多的特征信息，即獲取更大地特征圖大小，然后集合模型網(wǎng)絡獲取目標結(jié)果。圖4-2SSD模型結(jié)構(gòu)Fig.4-2StructuremapofSSD1.2.2MobileNet_SSD網(wǎng)絡結(jié)構(gòu)MobileNet_SSD網(wǎng)絡結(jié)構(gòu)如圖4-3所示。原始的SSD目標檢測模型采用的基礎網(wǎng)絡是VGG，MobileNet_SSD模型改進的方式是將SSD目標檢測模型中的基礎網(wǎng)絡VGG替換成MobileNet，去掉MobileNet的全連接層和Softmax層，在卷積層最后添加4層深度卷積層。MobileNet_SSD網(wǎng)絡利用卷積層的conv11、conv13層和新添加的conv14~conv17這6層，作為錨點框的提取層，錨點框的位置同原始的SSD模型一樣。抽取的這6層也同時進行分類和候選框的回歸。網(wǎng)絡所抽取的6層為conv11、conv13、conv14_2、conv15_2、conv16_2、conv17_2。尺寸分別是19×19，10×10、5×5、3×3、2×2和1×1。由于SSD模型是一種直接在圖像上產(chǎn)生物體類別概率和位置坐標的模型，經(jīng)過檢測后即可得到最終的檢測結(jié)果。MobileNet是使用目標檢測算法的基礎網(wǎng)絡，用于特征的提取，具有參數(shù)少，計算量小的特點。該模型結(jié)合了SSD和MobileNet兩種網(wǎng)絡的優(yōu)勢，在確保精確度的基礎上。使用更小規(guī)模的識別網(wǎng)絡，降低計算量，節(jié)省資源消耗，縮短訓練的時間，改善了整個模型的性能，可以有效地滿足目標檢測算法在手機端使用的需求。圖4-3Mobilenet_SSD網(wǎng)絡模型結(jié)構(gòu)Fig4-3Mobilenet_SSDnetworkmodelstructure1.2.3目標檢測結(jié)果本實驗的目標檢測的類別是病害區(qū)域（disease）和葉片（leaf），以測試集測試目標檢測模型的檢測情況，實驗結(jié)果如圖4-4所示：a.蘋果瘡痂病b.蘋果黑腐病圖4-4兩種植物葉片目標檢測示例Fig4-4Exampleofbladetargetdetection目標檢測的目的是獲取兩種信息，一是獲取圖中橙色框表示的葉片面積；二是獲取圖中綠色框表示的病斑面積的代數(shù)和，為后面預測模型的建立做準備。1.3預測模型的建立1.3.1基于檢測的病斑面積預測本文采用第二節(jié)選取的移動端目標檢測算法MobileNet_ssd，檢測出病斑區(qū)域位置坐標，坐標是邊界框左上角的坐標（X，Y），以及邊界框的長（L）和高H。以整張圖像為基準，獲取所有病斑邊界框的歸一化面積。為了更好的估算病斑區(qū)域面積，分別取上述六種病害的數(shù)據(jù)樣本進行線性回歸相關(guān)分析法分析處理，規(guī)定單張葉片病害區(qū)域的歸一化面積總和是自變量（X）,采用Photoshop軟件人工分割病斑區(qū)域面積是因變量（Y）。根據(jù)得到的矩形框面積與病斑實測面積，采用Excel圖表中的散點圖對矩形面積、實測面積之間進行分析，結(jié)果顯示如圖4-5所示，六種病害葉片目標檢測的矩形框面積與實測病斑面積呈線性關(guān)系。a.蘋果瘡痂病b.蘋果黑腐病c.蘋果銹病d.葡萄黑腐病e.葡萄黑痘病f.葡萄葉枯病圖4-5歸一化病斑面積與實際病斑面積關(guān)系Fig.4-5Thenormalizeddiseasespotareaandtheactualdiseasespotarea1.3.2基于檢測的葉片面積預測上一章節(jié)已經(jīng)預估出病斑區(qū)域面積，下面開始計算葉片面積，同基于檢測的病斑面積預測，首先確定葉片位置，然后用一個邊界框?qū)⑷~片位置給框住，給出矩形邊框在圖像中的坐標，并貼上葉片標簽，用來表示該圖像中的另一類事務，同樣采用MobileNet_SSD移動端目標檢測算法，檢測的結(jié)果是實際圖像中包圍整張葉片的坐標，坐標是矩形框左上角的坐標（X，Y），以及矩形框的長（L）和高（H）。以整張圖像為基準，獲取葉片邊界框的歸一化面積。在計算葉片面積時，由于六種病害葉片主要包含蘋果葉片與葡萄葉片，同一類的葉片在葉片形狀，寬高比等方面相近，下面僅需分別計算出蘋果葉片與葡萄葉片兩種預估模型即可，采用線性回歸相關(guān)分析法進行分析處理，規(guī)定單張葉片邊界框的歸一化面積為自變量（X）,采用Photoshop軟件人工分割的葉片面積是因變量（Y）。根據(jù)得到的矩形框面積與葉片實測面積，采用Excel圖表中的散點圖對矩形面積、實測面積之間進行分析，結(jié)果顯示如圖所示，六種病害葉片目標檢測的矩形框面積與實測病斑面積呈線性關(guān)系。a.蘋果葉片b.葡萄葉片圖4-6歸一化葉片面積與實際葉片面積關(guān)系Fig.4-6Thenormalizedleafareaandtheactualleafarea1.3.3預測模型適應性檢驗從表面上看，不論是葉片面積還是病斑面積預測模型坤可表征各自的實際大小，但為了驗證預測模型的適用性，分別取六種病害葉片的測試集對預測模型進行檢驗，圖4-7將預測病斑面積與Photoshop軟件所測的實際病斑面積進行了對比，從圖中可以看出，在蘋果病害葉片中蘋果銹病的病斑預測模型相比較其他兩種預測模型，它的模擬值與實測值更為接近，比較集中分布在y=x周圍；然而葡萄葉片的三種病害葉片，其預測病斑面積模型均密集分布在y=x直線的兩側(cè)，表現(xiàn)出較高的模擬精度。a.蘋果瘡痂病b.蘋果黑腐病c.蘋果銹病d.葡萄黑腐病e.葡萄黑痘病f.葡萄葉枯病圖4-7六種病害葉片預測病斑面積與實際面積對比Fig.4-7Therelationshipbetweenthemeasuredrectangularareaandthemeasuredareaofsixdiseaseleaves為了進一步檢驗病斑預測模型和葉片預測模型的模擬精度，將模型模擬誤差進行量化，因此筆者進行模型誤差分析時，現(xiàn)分別對六種病害葉片的模型的病斑預測模型和葉片預測模型的相關(guān)系數(shù)的平方（R2）、均方根誤差（RMSE）、平均相對誤差（ME，%）、平均相對誤差絕對值（MAE，%）指標進行計算。其計算表達式如下所示：(4-1)(4-2)(4-3)表4-1六種病斑預測模型系數(shù)的參數(shù)估計Table.4-1Parameterestimationofsixdiseasepredictionmodelcoefficients病害葉片病斑預測模型檢驗結(jié)果R2RMSEME（%）MAE（%）蘋果瘡痂病y1=0.934x-0.0010.9790.1612.3310.34蘋果黑腐病y2=0.893x-0.0010.9510.1141.679.36蘋果銹病y3=0.934x+0.0010.9890.0271.242.69葡萄黑腐病y4=0.956x-0.0960.9670.0451.431.33葡萄黑痘病y5=0.957x-0.0010.9710.0160.933.06葡萄葉枯病y6=0.924x-0.0040.9650.0171.195.78表4-1給出了六種作物病斑面積的預測模型，可以看出所有模型的R2均大于0.9，說明預測的歸一化的病斑面積與實際病斑面積密切相關(guān)，RMSE都很小，均小于0.2，ME均在在3%以下，其中以葡萄葉枯病和葡萄黑痘病最為顯著，六種病害葉片MAE以葡萄黑痘病最小，總的來說，建立的6個預估模型均預估精度較高，能很好地對病斑區(qū)域面積進行預估。其中以葡萄黑痘病的預估模型最為顯著。表4-2六種葉片預測模型系數(shù)的參數(shù)估計Table.4-2Parameterestimationofsixdiseasepredictionmodelcoefficients病害葉片葉片預測模型檢驗結(jié)果R2RMSEME（%）MAE（%）蘋果葉片Y1=0.965x-0.0440.9665.4710.3512.19葡萄葉片Y2=0.964x–0.0060.9862.303.433.48表4-2給出的作物葉片面積的預測模型，可以看出所有模型的R2均大于0.96，說明預測的歸一化的葉片面積與實際葉片面積密切相關(guān)，以葡萄葉片最為顯著，R2超過了0.98；蘋果葉片預測模型的ME均超過了10%，可能會存在模擬失真的隱患，然而葡萄葉片的ME均小于5%，表示該類葉片模型模擬精度較高，表現(xiàn)出較高的自穩(wěn)定性。2種葉片中葡萄葉片的MAE在5%以下，蘋果葉片的MAE超過了10%?？偟膩碚f，建立的2個預估模型均預估精度相對較好，能很好地對葉片面積進行預估。其中以葡萄葉片的預估模型最為顯著。1.4實驗結(jié)果與分析病害程度的計算是病斑預測面積與葉片預測面積之比，計算公式如下（4-5）式中，yi是第i種病害j張葉片的病斑預測面積，Yi是第i葉片第j張葉片的葉片預測模型，k是該葉片的病害程度。采用對六種病害葉片的測試集進行測試，對比葉片實際的病害程度與本文采用預測模型獲得的病害程度，驗證本文預測模型的可行性。表4-3預測與實際病害程度的對比Table4-3Comparisonbetweenpredictionandactualdisease