论文部分内容阅读
摘要:本文简要概述水稻纹枯病,进一步借助卷积神经网络,对病害问题进行图像识别,介绍应用的分析方式后,阐述大致的试验过程及结果,并提出今后的研究方向。以期更为高效地识别病害,以免此项病害影响水稻的生产效果。
关键词:卷积;纹枯病;图像识别
0 引言
在我国北方,纹枯病严重影响水稻的生长状态。而此类病症是由立枯丝核菌引发的,一旦出现会持续吸收农作物的养分,逐渐蔓延,导致谷粒质量下降,大幅提高空壳的概率,甚至造成整株死亡。传统诊断方式无法确定病害程度,但利用图像识别,切实可以提高诊断的精确度。
1 水稻纹枯病
该项病害是目前在北方地区水稻农业项目中较为严重的一种病害。一旦患病,至少会降低一成的产量,最严重的情况,产值仅有正常状态下的一半左右。根据我国近年来的种植情况可知,该种病害已然超过稻瘟病,切实对粮食生产造成严重的负面影响。农业是民生的根本,收入的逐渐增多,促使人们将眼光投放到质量上,但病害问题会降低最终的产品品质。现实生产活动中,部分从业者依旧缺少科学的管理方式,病害治理也多以个人经验判定标准,不加任何考证便为水稻确诊。该种处理方式确实可以预防部分的病害,但因为是完全依靠个人能力,所以,在诊断识别上,无法确保稳定性,同时部分病害无法利用肉眼直接判定其的严重程度。由此导致防治手段难以保证及时有效,用药也可能和农田现场情况不适宜,出现药量过大、效果不明显、费用偏高等问题,不仅对水稻本身的品质造成影响,周边生态也易遭到破坏。所以,以往的病害识别方式,既增加时间与人力成本,又有较高病害诊断的错误率。而图像识别方式提高识别的精确度[1]。
2 水稻纹枯病运用卷积神经网络图像识别分析
2.1 分析方法
使用统一的数字化格式,保存大量的已经发病与健康水稻的状态图,并调整图片的像素。一方面,卷积神经网络,借助ALexNet的数字模型,其整个体系中包含五个卷积层以及三级全连接层,期间有池化层。该种模型和以往的CNN相较,其摒弃饱和非线性的换算方式,切实下调整体的运算量及难度,以提高运算速率。同时,借助特定的技术,在中间层的信息设成零,由此降低过拟合的干扰。另一方面,SVW,该项技术于上世纪末出现,其呈现出误差小的优势,可以应用于试验样本少、非线性等情况。本文提到的试验是采取模糊C均值聚类的运算方式,以达到病症特点区分的目的,提取经过处理后的图像信息,具体包括色彩、纹理以及形状元素。其中,色彩应用两类空间,RGB可直接通过图像获取,而HSI则通过前者转化得来。纹理研究采用较为典型的灰度共生矩阵,经过准确地试验分析,得到纹理的具体特点。而形状直接以矩特征进行分析,此项技术也可看成几何矩,其具备旋转、移动等特点。该次试验筛选出贡献率超过九成的特征,以此当成输入向量。用纹枯病及健康的水稻图像信息作为基础数据,并借助SVM完成样本训练,由此展开最终地分析。
2.2 分析结果
利用CNN进行运算,确定模型各层级后,完成相应的处理工作,其中,卷积层中的第一层,整个处理过程是由卷积至ReLU,而后進行池化处理,最终完成归一化,第二层则节省最后两步,第三、四层同上,直至第五层以此为基础增加池化处理。而后进入全连接,其的第一层和卷积层在第二层操作上增加Dropout,并且卷积操作属于全连接处理,其第二层同上,最后一层是全连接。基于SVM,分析信息中贡献率高于90%的数据,将其作为试验的输入信息。该项试验分析对象是患有纹枯病及无病害的水稻图像,通过CNN以及SNM两种运算方式,开展图像识别工作。两类图像共有200个,且均等分,将所有图片分成五组,每组中分别包括患病以及无病的水稻各二十张。随机选取其中的一组进入测试环节,而剩余四组用作训练数据。该试验相同的流程共充分五次,将最终得到的数据进行平均计算,以得出更为准确的识别结果。经过多次试验,两种算法也形成对比,其一,在方差分析中,CNN的准确率相对更高;其二,利用无重复双因素,也得到同样的对比结果[2]。
2.3 研究方向
一方面,应当合理增加分析的样本数量,并在纹枯病的基础上,再增加对于其他病害,或纹枯病爆发的不同阶段信息,使得分析样本更具普遍性及代表性。同时,强化采集病害图片的能力,综合运用信息、遥感等现代科技,使得样本涵盖的内容更为全面,以为识别试验提供充足的分析数据。另一方面,纹枯病在水稻上的发生部位不确定,并可能出现在其的任何发育阶段,实际的患病后表面状态有差异,因此,应当改进算法,逐步提升病害的识别效率。
3 结语
提高对病害的识别能力,能保证防治手段的有效性与及时性,以控制从业者的经济损失。并且因为防治的准确性得到提升,实现对用药量地科学把控,降低对原有生态的影响。据本文提到的两种算法,SVM的准确率基本可以保持在95%左右,而CNN可以呈现出97%左右的正确率。
参考文献
[1] 曹英丽,江凯伦,于正鑫,等.基于深度卷积神经网络的水稻纹枯病检测识别[J].沈阳农业大学学报,2020(5):568-575.
关键词:卷积;纹枯病;图像识别
0 引言
在我国北方,纹枯病严重影响水稻的生长状态。而此类病症是由立枯丝核菌引发的,一旦出现会持续吸收农作物的养分,逐渐蔓延,导致谷粒质量下降,大幅提高空壳的概率,甚至造成整株死亡。传统诊断方式无法确定病害程度,但利用图像识别,切实可以提高诊断的精确度。
1 水稻纹枯病
该项病害是目前在北方地区水稻农业项目中较为严重的一种病害。一旦患病,至少会降低一成的产量,最严重的情况,产值仅有正常状态下的一半左右。根据我国近年来的种植情况可知,该种病害已然超过稻瘟病,切实对粮食生产造成严重的负面影响。农业是民生的根本,收入的逐渐增多,促使人们将眼光投放到质量上,但病害问题会降低最终的产品品质。现实生产活动中,部分从业者依旧缺少科学的管理方式,病害治理也多以个人经验判定标准,不加任何考证便为水稻确诊。该种处理方式确实可以预防部分的病害,但因为是完全依靠个人能力,所以,在诊断识别上,无法确保稳定性,同时部分病害无法利用肉眼直接判定其的严重程度。由此导致防治手段难以保证及时有效,用药也可能和农田现场情况不适宜,出现药量过大、效果不明显、费用偏高等问题,不仅对水稻本身的品质造成影响,周边生态也易遭到破坏。所以,以往的病害识别方式,既增加时间与人力成本,又有较高病害诊断的错误率。而图像识别方式提高识别的精确度[1]。
2 水稻纹枯病运用卷积神经网络图像识别分析
2.1 分析方法
使用统一的数字化格式,保存大量的已经发病与健康水稻的状态图,并调整图片的像素。一方面,卷积神经网络,借助ALexNet的数字模型,其整个体系中包含五个卷积层以及三级全连接层,期间有池化层。该种模型和以往的CNN相较,其摒弃饱和非线性的换算方式,切实下调整体的运算量及难度,以提高运算速率。同时,借助特定的技术,在中间层的信息设成零,由此降低过拟合的干扰。另一方面,SVW,该项技术于上世纪末出现,其呈现出误差小的优势,可以应用于试验样本少、非线性等情况。本文提到的试验是采取模糊C均值聚类的运算方式,以达到病症特点区分的目的,提取经过处理后的图像信息,具体包括色彩、纹理以及形状元素。其中,色彩应用两类空间,RGB可直接通过图像获取,而HSI则通过前者转化得来。纹理研究采用较为典型的灰度共生矩阵,经过准确地试验分析,得到纹理的具体特点。而形状直接以矩特征进行分析,此项技术也可看成几何矩,其具备旋转、移动等特点。该次试验筛选出贡献率超过九成的特征,以此当成输入向量。用纹枯病及健康的水稻图像信息作为基础数据,并借助SVM完成样本训练,由此展开最终地分析。
2.2 分析结果
利用CNN进行运算,确定模型各层级后,完成相应的处理工作,其中,卷积层中的第一层,整个处理过程是由卷积至ReLU,而后進行池化处理,最终完成归一化,第二层则节省最后两步,第三、四层同上,直至第五层以此为基础增加池化处理。而后进入全连接,其的第一层和卷积层在第二层操作上增加Dropout,并且卷积操作属于全连接处理,其第二层同上,最后一层是全连接。基于SVM,分析信息中贡献率高于90%的数据,将其作为试验的输入信息。该项试验分析对象是患有纹枯病及无病害的水稻图像,通过CNN以及SNM两种运算方式,开展图像识别工作。两类图像共有200个,且均等分,将所有图片分成五组,每组中分别包括患病以及无病的水稻各二十张。随机选取其中的一组进入测试环节,而剩余四组用作训练数据。该试验相同的流程共充分五次,将最终得到的数据进行平均计算,以得出更为准确的识别结果。经过多次试验,两种算法也形成对比,其一,在方差分析中,CNN的准确率相对更高;其二,利用无重复双因素,也得到同样的对比结果[2]。
2.3 研究方向
一方面,应当合理增加分析的样本数量,并在纹枯病的基础上,再增加对于其他病害,或纹枯病爆发的不同阶段信息,使得分析样本更具普遍性及代表性。同时,强化采集病害图片的能力,综合运用信息、遥感等现代科技,使得样本涵盖的内容更为全面,以为识别试验提供充足的分析数据。另一方面,纹枯病在水稻上的发生部位不确定,并可能出现在其的任何发育阶段,实际的患病后表面状态有差异,因此,应当改进算法,逐步提升病害的识别效率。
3 结语
提高对病害的识别能力,能保证防治手段的有效性与及时性,以控制从业者的经济损失。并且因为防治的准确性得到提升,实现对用药量地科学把控,降低对原有生态的影响。据本文提到的两种算法,SVM的准确率基本可以保持在95%左右,而CNN可以呈现出97%左右的正确率。
参考文献
[1] 曹英丽,江凯伦,于正鑫,等.基于深度卷积神经网络的水稻纹枯病检测识别[J].沈阳农业大学学报,2020(5):568-575.
- [2] 刘婷婷,王婷,胡林.基于卷积神经网络的水稻纹枯病图像识别[J].中国水稻科学,2019(1):90-94.