基于softmax的水稻稻瘟病识别方法研究

张 楠，路 阳（通讯作者），李 欣，韩正君，王洪生

（1黑龙江八一农垦大学 电气与信息学院 黑龙江 大庆 163319）

（2中国移动北京公司 北京 100007）

（3昌吉职业技术学院 新疆 昌吉 831100）

基于softmax的水稻稻瘟病识别方法研究

张 楠1，路 阳1（通讯作者），李 欣2，韩正君2，王洪生3

（1黑龙江八一农垦大学 电气与信息学院 黑龙江 大庆 163319）

（2中国移动北京公司 北京 100007）

（3昌吉职业技术学院 新疆 昌吉 831100）

为了实现水稻生长状态的自动监测，提出一种基于softmax深度分类器的水稻稻瘟病识别方法。首先，利用中值滤波进行图像预处理，然后采用最大类间方差值（Otsu）图像分割算法提取病斑特征，最后利用softmax深度回归分类器方法对水稻稻瘟病识别。通过10重交叉验证测试，平均识别准确率达到95.2%，为水稻病害准确识别与防治提供了有效的技术支持。

softmax分类器；图像识别；稻瘟病；深度学习

1 引言

稻瘟病是危害我国水稻生产的四大主要病害之一，在水稻整个生长期内均可发生，可引起大幅度减产。如何高效地对稻瘟病进行监控识别是水稻稻瘟病防治中的重要课题。目前，常见的识别方法是用肉眼判断叶片是否出现褐色病斑，然后根据水稻病虫害防治彩色图谱确定病害的发病程度。这种识别方法效率低，主观性强，容易出现诊断偏差[1]。

近年来，随着机器学习技术、模式识别技术的快速发展，很多学者研究基于图像处理技术和计算机视觉的作物病害诊断。黑龙江省农业科学院植物保护研究所孟庆林等利用支持向量机对水稻稻瘟病图像识别[2]、黑龙江八一农垦大学谭峰等利用贝叶斯分类器对水稻稻瘟病、纹枯病和白叶枯病进行自动识别与诊断[3]。华南农业大学的罗锡文等基于甘蔗病害图像的颜色与形状特征对甘蔗苗期赤腐病和环斑病进行诊断[4]，湖南农业大学的曹乐平等采用图像的傅里叶频谱对椪柑果实病虫害进行识别[5]。此类智能诊断模型在理论研究和实际应用中都取得很大成功，但这种浅层学习由于在理论分析上的局限，以及网络模型训练过程中需要特定的技巧和许多人工经验知识，在很多情况下导致诊断效果并不是最优。

目前深度学习成为最炙手可热的研究热点。2015年5月，Yann LeCun、Yoshua Bengio和Geoffrey Hinton三位在深度学习领域最有影响力的科学家在《Nature》杂志上发表的Deep learning文章，对深度学习的基本原理和核心优势进行了综述，指出深度学习正在取得重大进展，解决了人工智能界很多年没有进展的问题，将来深度学习会取得更多成功[6]。因此一些学者开始研究深度学习技术在农业工程领域的应用。如Oquab[7]等利用卷积神经网络对病害图像进行表示。谭文学等[8]将深度学习应用于果蔬果体病理的识别中，识别率高达98.2%。张帅等[9]将深度学习应用于植物叶片的识别研究中，取得了更高的叶片图像识别率。这些方法和技术，在一定程度上提高了诊断精度，但是很难把这些技术应用于诊断作物的其它病害或者其它作物病害。

关于深度学习技术在水稻病害诊断识别中的应用还未见报道。基于深度学习在图像识别、目标识别方面取得的巨大成功，在水稻稻瘟病识别诊断中引入深度学习是可行的。本文将利用softmax深度分类器识别水稻病害图像，从中获取更有效的特征信息用于识别稻瘟病，从而提高识别效果和诊断效率，为模式识别、计算机视觉和机器学习技术在农业工程领域中的应用开辟出一片天地。

本文基于Matlab深度学习DeepLearnToolbox平台，研究基于深度学习理论的水稻稻瘟病图像识别与诊断关键技术。研究目标是应用softmax深度回归分类器对水稻稻瘟病进行智能诊断识别。具体研究过程包括数据预处理，softmax深度回归分类模型构建及算法验证及性能分析等。

2 数据预处理

2.1 水稻病害图像的采集

在自然光照条件下，使用佳能EOS 5D Mark III数码相机获取北方寒地水稻稻瘟病图像。这些水稻病害图片针对不同的前期、中期及晚期分别采集，每种病害采集10幅图像，共采集100幅图像，每幅图像采用jpg格式存储，每个图像大小为32×32像素，采集的原始水稻病害样例图像如图1所示。

图1 水稻稻瘟病病害图像

2.2 水稻稻瘟病病害图像中值滤波

中值滤波以某个像素为中心点的方形邻域内对邻域像素的灰度值进行排序，取其中间值作为中心点像素灰度的新值，从而对图像进行平滑去噪。其可表示为：

本实验中，窗口大小取为[5,5]，滤波后的水稻稻瘟病图像如图2所示。

图2 中值滤波后的水稻稻瘟病病害图像

2.3 水稻稻瘟病病斑特征提取

使用最大类间方差值（Otsu）[10]病斑检测方法，提取出水稻稻瘟病害图片中包含的病斑信息，Otsu算法步骤如下：

设图像包含L个灰度级(0，1，……L-1)，灰度值为的象素点数为Ni，图像总的象素点数为N=N0+N1……NL-1。灰度值为 的点的概率为：P(i)=N(i)/N。

门限t将整幅图像分为暗区C1和亮区C2两类，则类间方差δ是t的函数：

使用Otsu算法对水稻稻瘟病病斑提取的效果如图3所示。

图3 提取的水稻稻瘟病病斑图像

2.4 softmax深度回归分类器

Softmax深度回归器主要用于多类别标签分类问题，其在MNIST手写数字分类问题取得巨大成功[11]。Softmax回归分类器基本思想为：

计算其偏导数

水稻稻瘟病诊断识别，实质上是对k种类型的稻瘟病病害进行识别。本实验中，仅对北方寒地水稻急性型、慢性型及白点型三种不同类型水稻稻瘟病进行诊断，因此使用类别数k=3的softmax回归。

3 实验与分析

本文的仿真实验在Intel Core(TM)i7-7820的CPU上进行，主频为3.6GHz，内存为16GB。Softmax深度回归分类器搭建在Matlab DeepLearnToolbox上，softmax回归分类器的训练以及整体测试过程在Matlab平台上进行。

定义好softmax回归网络参数后，从建立的水稻病害图像数据库中随机选取70%样本来训练softmax回归分类器，剩余的30%用于模型验证，使用的图片尺寸为32×32像素，采用10重交叉验证方法，水稻稻瘟病病害识别结果如表1所示。从表中可以看出softmax深度回归分类模型对水稻稻瘟病病害平均识别率达到95.2%，而SVM方法与BP方法的识别率分别为85.3%和91.3%，结果表明softmax深度回归分类方法针对水稻稻瘟病病害的识别准确率比较高。

表1 水稻稻瘟病病害识别结果Tab.1 Rice blast disease recognition results

4 结语

本文针对水稻稻瘟病急性型、慢性型及白点型三种病害，采用中值滤波方法和Otsu图像分割进行图像预处理，建立水稻病斑图像数据库。基于softmaxt深度回归分类方法研究了水稻稻瘟病病害的识别技术，通过10重交叉验证的方法平均识别率达到95.2%，结果表明取得了较好的识别效果，为softmax深度回归分类在作物病害识别诊断领域奠定了基础。

[1]宋成艳,王桂玲,李立军,等.寒地水稻主栽品种稻瘟病流行规律[J].植物保护,2014,40(3):94-100.

[1]石凤梅，赵开才，孟庆林，等.基于支持向量机的水稻稻瘟病图像分割研究[J].东北农业大学学报，2013，44(2)：128-137.

[3]杨昕薇，谭峰.基于贝叶斯分类器的水稻病害识别处理的研究[J].黑龙江八一农垦大学学报，2012，24(3)：64-67

[4]赵进辉，罗锡文，周志艳.基于颜色与形状特征的甘蔗病害图像分割方法[J]，农业机械学报，2008，39(9):100-103.

[5]温芝元，曹乐平.椪柑果实病虫害的傅里叶频谱重分形图像识别[J].农业工程学报，2014，vol.29，No.23，159-165.

[6] Yann LeCun,Yoshua Bengio and Geoffrey Hinton. Deep learning[J].Nature.2015,521:436-444.

[7] Oquab M,Bottou L,Laptev I,et al.Learning and transferring mid-level image representations using convolutional neural networks[C]//Computer Vision and Pattern Recognition (CVPR),2014 IEEE Conference on.IEEE,2014:1717-1724.

[8]谭文学,赵春江,吴华瑞,等.基于弹性动量深度学习神经网络的果体病理图像识别[J].农业机械学报,2015,46(1):20-25.

[9]张帅,淮永建.基于分层卷积深度学习系统的植物叶片识别研究[J].北京林业大学学报,2016,38(9):108-115.

[10]申铉京,刘翔,陈海鹏.基于多阈值Otsu准则的阈值分割快速计算[J].电子与信息学报，2017，vol.39，No.1，144-149.[11] Y.LeCun,L.Bottou,Y.Bengio,and P.Haffner.Gradientbased learning applied to document recognition,Proceedings of the IEEE,86(11):2278-2324,November 1998.

S435.111.41 【文献标识码】A 【文章编号】1009-5624（2018）01-0209-03

中国博士后科学基金面上项目（2016M591560）；黑龙江省政府博士后资助经费（LBH-Z15185）；大庆市指导性科技计划项目（zd-2016-011）；黑龙江八一农垦大学校内培育课题资助计划（XA2016-05）；黑龙江八一农垦大学博士科研启动基金（XDB2014-12）；黑龙江八一农垦大学博士后专项资助经费；黑龙江省网络化与智能控制重点实验室专项资助经费。

张楠（1976-），男，黑龙江大庆人，讲师，研究方向：水稻病害信息智能处理技术；

路阳（1976-），男，黑龙江双城人，副教授，研究方向：复杂系统智能故障诊断及模式识别技术。