基于图像识别的农作物病虫害识别研究现状 - SUSTC-XLAB/crops GitHub Wiki

前言

农作物病虫害是指植物受到其他生物的侵染或由于不适宜的环境条件而引起的正常的生理技能的破坏。国内外目前识别病虫害实际采用的方法主要有声测、诱集、红外等，然而这些方法由于人工检测效率低下、噪声干扰等原因，很难准确地识别病虫害的种类、密度等信息。随着数字图像处理技术的迅速发展，图像识别技术开始应用于农作物病虫害识别研究。

国内外研究现状

国外研究现状

在1985年就有国外的学者利用图像识别技术进行了谷物籽粒形态识别方面的研究，现在国内外学者已经开始使用图像处理技术和模式识别技术研究植物病害的诊断。

美国学者 Zayas 等利用计算机视觉技术中的多光谱分析和模式识别相结合的技术来识别害虫，实验结果表明该法有较高的识别率。

Johann G. Zaller 等讨论了冬季含油种子害虫受到农田地形特点的影响，冬季油菜的收割情况与杀虫剂的使用强度有关，利用计算机视觉技术分析害虫的过冬策略和活动性的不同，从而决定杀虫剂的合理使用量，以达到最佳收成。

日本的安冈善文等对被有害气体污染过的农作物叶片的红外图像进行了研究，发现红外图像清晰显示了污染区域，由此提出农作物病害的识别诊断。

Shariff 等用数码相机获取了水稻田间 6 种常见害虫的图像，开发了基于模糊逻辑的分类识别及虫量计数算法，取得了较好的效果。

国内研究现状

国内对农作物病虫害的识别主要还是靠专家在现场进行诊断，这种方法效率低、时效差，远远不能满足我国农业发展的需求。随着近年来科技农业的兴起，越来越多的学者和博士生开始从事基于计算机视觉的病虫害识别的研究。 邱道尹等设计了农田中害虫实时检测系统，通过诱集传输机构自动诱集害虫，使其平稳经过摄像区，同时成功的运用了神经网络技术对常见的 9 种害虫进行分类。

陈佳娟采用计算机图像处理技术，根据棉花叶片的孔洞及叶片边缘的残缺，来测定棉花虫害的受害程度。实验结果表明，该方法可有效地测定棉花虫害的受害程度，其测定误差小于 0.05。

王克如等将作物病害识别的专家知识与数字图像处理、神经网络结合，综合运用人工智能和网络技术，研究实现了作物病害的远程图像识别与诊断。

徐贵力针对无土栽培中主要作物番茄缺素叶片的提取问题，提出了不受对象形状大小影响的彩色图像颜色和纹理的几种统计算法和图像间的相关系数法，其纹理的提取是把图像数据经傅立叶变换到频域中，利用长方环周向谱能量法和径向谱能量法提取缺素叶片的纹理特征。

王剑和周国民采用数码相机在田间获取了水稻三化螟的静态图像,开发了基于神经网络的识别系统,其分类器训练集的首次识别率达 90%。

基于深度学习的植物病虫害识别

这里以苜蓿作为研究对象，利用卷积神经网络（CNN）来实现病害识别。

步骤

  • 1.图像获取 实验获取400张苜蓿的典型病害图像，分辨率像素为4256x2832，图像处理时, 使用裁剪的形式, 对每一张图像进行裁剪, 获得具备典型病状病斑的子图像, 由于病状病斑数量不一, 因此子图像的大小就取决于病斑的大小和数量。

  • 2.分割病斑图像 使用现行判别和K中值聚类算法进行分割，得到二值图像，如果为病斑区, 则会显示为独立的白色, 如果是非病斑区, 则以黑色展现, 因此确定每个病斑的最小矩形所在位置。然后将二值图像乘以原始子图像的每个颜色通道，然后利用MATLAB软件合成一张RGB图像。

  • 3.提取病斑图像特征 先将病斑图像分割并缩放，保证图像尺寸的大小相同，同时将像素均设定为64x64,转变每个颜色的像素空间，得到灰度图像。 CNN算法是采用Plam开发的深度学习MAT-LAB。CNN网络结构有6层。其中输入层图像尺寸的像素为64×64;卷积计算是采用5×5的卷积核对输入层图像实施, 获取C1层的6张特征图, 之后实施2×2的池化, 获取S2层的6张特征图, 每张图像的像素均为30×30;然后进行卷积计算, 方法同样为5×5的卷积核, 获取C3层的12张特征图, 每张图像的像素为26×26, 以全链接的方式将S2层和C3层进行链接;然后2×2池化C3层图像, 获得有关S4层的特征图共12张, 其像素为13×13;展开获得的S4层特征图, 成为1×2 028的列向量, 获取F5层, 在Sigmoid激励函数的计算下, 得到病害结果。随之产生网络初始权, 权值的调整使用反向传播算法。CNN的学习速率控制为0.1, 每隔50个样本, 调整1次网络权值, 迭代次数设置为100。

  • 4.病害识别模式建立 基于CNN提取的特征, 输入每个特征以及各个特征的相互组合, 实现病害识别SVM模型的构建;而一阶矩、二阶矩和三阶矩之间的取值范围存在差异, 可能影响模型构建的效果。将所有特征值的范围规定为[0, 1], 特征归一化的式列为 病虫害识别模型 式中Xinorm———归一化处理之后的第i个特征

Xii———处理前的第i个特征

Ximin———归一化处理之前第i个特征的最小值

Ximax———表示最大值

SVM在高维度数据建模中使用效果较好, 可有效解决非线性、局部极小点、小样本以及高维度等问题。SVM模型的核函数是径向基函数, 采用网络术搜索算法, 在2-10~210搜索惩罚参数C、核函数参数g, 且识别正确里的验证方法为训练集计算3次的交叉实验, SVM模型参数的确定则为识别正确率最高时的C值以及g值, 并对训练集、测试集的识别准确率进行分别计算

总结

基于计算机视觉的农作物病虫害识别研究可以提高病虫害识别的精度和水平，实时、准确、快速地识别病虫害，进而及时地采取相应的补救措施，可以大大提高经济效益。由于目前实验主要是对静止图像的处理和识别，这也为实际农田中的农作物病虫害识别的实时性、准确性和快速性的研究留下空间，今后的研究重点可以放到提高图像识别率的相关算法上。

references:

邹修国.基于计算机视觉的农作物病虫害识别研究现状.计算机系统应用

邱道尹,张红涛,等.基于机器视觉的大田害虫检测系统.农业机械学报,2007,38(1):120−122.

陈佳娟.基于图像处理和人工智能的植物病害自动诊断技术的研究田[博士学位论文].长春:吉林工业大学,2001.94−110.

徐贵力.基于计算机视觉技术的无土栽培番茄缺素智能识别研究[博士学位论文].镇江:江苏大学,2001.

安强强等.基于深度学习的植物病虫害图像识别.农业工程 2018,8(07),38-40