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.