技术领域
[0001] 本
发明涉及一种水稻穗瘟检测方法及系统，尤其是一种基于深度卷积神经网络的水稻穗瘟检测方法及系统，属于水稻穗瘟病智能化检测技术领域。
背景技术
[0002] 水稻是我国最主要的粮食作物。我国水稻种植面积达3000万公顷，产量占粮食总产量的40％，水稻生产担负着确保我国粮食安全的重大责任。然而，水稻在其生育过程中，常遭遇病虫害侵袭，影响产量和品质。稻瘟病是世界
真菌性病害，是我国南北稻作区危害最严重的水稻病害之一。我国各大稻区均有稻瘟病发生，其年发生面积平均在380万公顷以上，稻谷年损失数亿公斤。如果遭遇病害流行年份，一般减产10％–20％，严重时达40％–50％，甚至绝收。
[0003] 穗瘟是一种严重影响水稻产量及品质的多发病害，有效地检测穗瘟是水稻病害防治过程中的重要任务。穗瘟由于其发生在穗颈，穗轴，枝梗或穗粒上，病害直接影响水稻产量和
质量，因而，加强对穗瘟病的防治是水稻安全生产中的重要环节。在水稻生产上准确地检测穗瘟病害，对评估水稻品种的穗瘟抗性，以及生产过程中水肥或
农药等农资资源的合理精量施用管理等具有指导性作用。
[0004] 目前，穗瘟病害检测主要由人工完成，因穗瘟病害的判定有严格的技术规范，普通人很难进行可靠病害判定。由植保专家和农技人员分析评判,则需要花费大量时间和精
力。现代农业生产对穗瘟病病害预测预报工作的准确率和效率要求越来越高,这对水稻病害诊断技术提出了新的要求。
[0005] 穗瘟病害由真菌病原侵入引发，导致穗株发生一系列形态、生理和生化等方面的变化。这些变化因处于不同病害侵入阶段而呈现非视觉可见的隐性症状，或视觉可见显性症状甚至导致外部形态发生显著变化。高
光谱成像仪基于水稻在穗瘟病害胁迫下表现出的
光谱特性差异，利用扫描式成像
传感器获取水稻样本三维光谱图像，既包含连续光谱信息，又提供
植物病症的空间分布信息；既能获得病害显症，又能获得病害隐症。因此，高光谱成像仪成为穗瘟病害重要的定量信息获取手段。
[0006] 随着高光谱技术的发展，高光谱成像仪的光谱
分辨率和空间分辨率大大提高，获取的原始信息更加精准。同时，高光谱成像仪从拘泥于固定
光源的光箱操作模式逐渐过渡到自然光环境下的灵活便携式操作模式，这种便利将高光谱成像仪的使用从实验室往实际生产过程推进。然而，越发详实的光谱成像信息和更为便利的操作模式也带来数据量巨大和更为复杂的数据噪声，因此，对高光谱图像数据的解析和建模技术提出更高要求。随着便携式高光谱仪带来的便利，我们将高光谱成像操作放在自然环境条件下任意地点获取，以便将基于高光谱成像的水稻病害检测推广至实际生产过程。
[0007] 目前，基于高光谱图像进行穗瘟检测的文献为数不多。主要的困难在于单张高光谱图像数据量过大，需要约简。穗瘟病斑可能分布在枝梗，穗
主轴、穗颈基或者水稻颗粒，这种病斑微结构分布不一，尺度相异，很难用传统的提取病斑并分析病斑形态的方法检测穗瘟。张浩等在2009年湖南农业科学期刊上发表“基于高光谱成像的水稻穗瘟病害程度分级方法”的论文，提出穗颈瘟严重程度识别方法，先将水稻穗颈从穗株高光谱图像中分离出来，再分析穗颈灰度值与病情指数的相关性，据此建立穗颈瘟严重程度识别模型。该方法仅仅针对穗颈单一部位的病害，且结果受制于穗颈分割性能。黄双萍等在2015年Computers and Electronics in Agriculture期刊上发表的“BoSW Model Based Hyperspectral Image Analysis for Rice Panicle Blast Grading”论文，提出光谱词袋模型分析稻穗的高光谱图像，自动预测稻株穗瘟病害。该研究工作局限于百数量级的样本规模，并局限于固定光源条件下实验室光箱操作高光谱
图像采集过程，与实际生产应用仍有较大距离。
发明内容
[0008] 本发明的目的是为了解决上述
现有技术的
缺陷，提供了一种基于深度卷积神经网络的水稻穗瘟检测方法，该方法能够很好地实现水稻穗瘟病害的精准检测，可以克服因户外拍摄高光谱图像的光照条件变化而带来穗瘟预测的困难，以及克服因高光谱图像数据稀缺带来的深度模型训练的困难，可以为户外水稻穗瘟病害预测提供技术支持，也可以为生产过程中水肥或农药等农资资源的合理精量施用管理等具有指导性作用。
[0009] 本发明的另一目的在于提供一种基于深度卷积神经网络的水稻穗瘟检测系统。
[0010] 本发明的目的可以通过采取如下技术方案达到：
[0011] 基于深度卷积神经网络的水稻穗瘟检测方法，所述方法包括：
[0012] 采集户外水稻穗株的高光谱图像，并进行穗瘟病害标定；
[0013] 对水稻穗株的高光谱图像进行数据预处理及数据增强；
[0014] 建立深度卷积神经网络模型，并采用随机梯度下降
算法优化模型参数；
[0015] 采用训练好的深度卷积神经网络模型对需测试水稻穗株的高光谱图像进行检测，判断该水稻穗株是否感染穗瘟病害。
[0016] 作为一种优选方案，所述户外采集及标定水稻穗株的高光谱图像，具体为：
[0017] 从稻瘟病自然诱发的天然病区采集黄熟初期水稻样本，
覆盖多个水稻品种，在进行泥水清理后，采集水稻穗株的高光谱图像，并进行穗瘟病害标定。
[0018] 作为一种优选方案，所述对水稻穗株的高光谱图像进行数据预处理及数据增强，具体为：
[0019] 对水稻穗株的高光谱图像进行裁切，去除无稻穗的背景部分，对裁切处理后的水稻穗株高光谱图像通过随机扔弃波段和随机平移平均光谱图像
亮度两种策略增强数据，增加训练样本数量，形成增强
训练数据集。
[0020] 作为一种优选方案，所述通过随机扔弃波段增强数据，具体为：
[0021] 从裁切后的水稻穗株高光谱图像样本的260个波段中随机扔弃1个波段图像，为此对每个样本处理之前，产生区间[1，260]之间的一个随机数r，从三维高光谱立方体中扔弃第r个波段图像，再沿着波段轴计算平均光谱图像。
[0022] 作为一种优选方案，所述通过随机平移平均光谱图像亮度增强，具体包括：
[0023] 计算平均光谱图像的最大和最小
像素点值，分别记为max和min，求出(max-min)/2，记tag；计算平均光谱图像的平均像素值，记为mean；
[0024] 计算min/3，记为a；计算(1ax)/3，记为b；比较a与b的大小，若a＞b，则随机数区间为[b,a]，否则随机数区间为[a,b]；产生随机数区间中的一个随机值，记为r′；
[0025] 比较mean与tag的大小，若mean＞tag，则平均光谱图每个像素点减去随机值r；若mean＜tag，则平均光谱图像每个像素点加上随机值r′。
[0026] 作为一种优选方案，所述建立深度卷积神经网络模型，具体为：
[0027] 采用多尺度卷积组合成多分支并行结构的Inception模
块，多次重复堆叠构成深度卷积神经网络模型。
[0028] 作为一种优选方案，每个Inception模块包括卷积核分别为1×1，3×3，5×5三个分支和1个3×3的
池化分支；其中，3×3和5×5支路在其分支入口处各自级联了1个1×1卷积，以降低输入数据维度并增强分支提取局部微结构特征的非线性特性，3×3池化分支在其出口处级联了1个1×1卷积层。
[0029] 作为一种优选方案，所述采用随机梯度下降算法优化模型参数，具体为：
[0030] 从训练集中随机
抽取32个样本构成样本批包进行一次深度卷积神经网络模型的更新，该过程
迭代进行；其中，初始学习率设定为1e-5，学习率采取步进阶梯调节策略step，即每隔3000个训练迭代调整一次学习率，学习率调整因子为0.96，动量参数设定为0.9，依据测试识别率及损失函数趋于稳定原则，设定训练集重复14次，即epoch参数设定为14。
[0031] 作为一种优选方案，所述采用训练好的深度卷积神经网络模型对需测试水稻穗株的高光谱图像进行检测，判断该水稻穗株是否感染穗瘟病害，具体为：
[0032] 将需测试水稻穗株的高光谱图像进行平均光谱图像计算，对平均光谱图像进行归一化处理，采用训练好的深度卷积神经网络模型进行分数计算，判断该水稻穗株是否感染穗瘟病害。
[0033] 本发明的另一目的可以通过采取如下技术方案达到：
[0034] 基于深度卷积神经网络的水稻穗瘟检测系统，所述系统在户外搭建，包括高光谱相机、计算机、三
脚架和反射板，所述反射板上挂着水稻穗株，所述高光谱相机固定在三脚架上，并与计算机相连，高光谱相机的镜头对准反射板上的水稻穗株；
[0035] 所述高光谱相机，用于采集任意光照条件下的水稻穗株高光谱图像；
[0036] 所述计算机用于实现如下操作：
[0037] 将高光谱相机采集的水稻穗株高光谱图像进行穗瘟病害标定；
[0038] 对水稻穗株的高光谱图像进行数据预处理及数据增强；
[0039] 建立深度卷积神经网络模型，并采用随机梯度下降算法优化模型参数；
[0040] 采用训练好的深度卷积神经网络模型对需测试水稻穗株的高光谱图像进行检测，判断该水稻穗株是否感染穗瘟病害。
[0041] 本发明相对于现有技术具有如下的有益效果：
[0042] 1、本发明通过在户外任意光照条件下采集水稻穗株高光谱图像，超越固定光源条件下的实验室光箱操作高光谱图像采集过程的局限，并将水稻穗株高光谱图像进行穗瘟病害标定，通过对水稻穗株的高光谱图像进行数据预处理及数据增强，形成增强训练数据集，以便后续深度卷积神经网络模型进行特征学习及穗瘟病害分类模型优化，增大样本数和样本多样性，解决因高光谱数据稀缺而导致深度卷积神经网络方法在基于高光谱图像的植物病害预测中的使用局限性，使得深度卷积神经网络模型提升了穗瘟预测
精度，更好地适应户外穗瘟预测领域的使用。
[0043] 2、本发明利用高光谱图像波段冗余性，提出随机扔弃波段的数据增强策略，在三维高光谱立方体数据层面进行训练样本增强，成倍增加高光谱图像样本数，增加多样性，克服因高光谱图像稀缺而导致穗瘟深度
预测模型训练不充分的困难，改善了穗瘟预测精度。
[0044] 3、本发明提出随机平移平均光谱亮度的数据增强策略，在平均光谱图像数据层面进行训练样本增强，成倍增加高光谱图像样本数，增加多样性，克服因高光谱图像稀缺而导致穗瘟深度预测模型训练不充分，进一步提升穗瘟预测精准度。
[0045] 4、本发明的高光谱相机优选采用便携式高光谱成像仪，在任意白天到晚间的光照条件下拍摄穗株高光谱图像，能有效克服因任意光照条件拍摄而带来的穗瘟识别的挑战，取得高达92％的穗瘟预测准确率。本发明超越光箱环境固定光照条件拍摄穗株的研究局限性，充分发挥便携式高光谱成像仪带来的便利。
[0046] 5、本发明利用深度卷积神经网络模型进行穗瘟病害建模和预测，利用数据驱动的
机器学习思路学习穗瘟病害特征并建立分类模型，改善穗瘟预测精准度。
附图说明
[0047] 图1为本发明
实施例1的基于深度卷积神经网络的水稻穗瘟检测方法
流程图。
[0048] 图2为本发明实施例1的增强训练数据集形成过程示意图。
[0049] 图3为本发明实施例1的通过随机平移平均光谱图像亮度的数据增强过程示意图。
[0050] 图4a为本发明实施例1的通过随机平移平均光谱图像亮度处理的一个示例的效果图。
[0051] 图4b为本发明实施例1的通过随机平移平均光谱图像亮度处理的另一个示例的效果图
[0052] 图5为本发明实施例1的深度卷积神经网络模型结构示意图。
[0053] 图6为本发明实施例1的深度卷积神经网络模型中Inception模块结构示意图。
[0054] 图7为本发明实施例2的基于深度卷积神经网络的水稻穗瘟检测系统示意图。
具体实施方式
[0055] 下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
[0056] 实施例1：
[0057] 本实施例提供了一种基于深度卷积神经网络的水稻穗瘟检测方法，可以为户外水稻穗瘟病害预测提供技术支持，也可以为生产过程中水肥或农药等农资资源的合理精量施用管理等具有指导性作用。
[0058] 如图1所示，本实施例的基于深度卷积神经网络的水稻穗瘟检测方法包括以下步骤：
[0059] S1、采集户外水稻穗株的高光谱图像及标定穗瘟病害
[0060] 从稻瘟病自然诱发的天然病区采集黄熟初期水稻样本，覆盖多个水稻品种，在进行简单泥水清理后，采集水稻穗株的高光谱图像。
[0061] 由多个植保专家根据国际水稻所关于水稻穗瘟抗性定级标准对穗瘟病害的描述，标定高光谱图像的穗瘟病害标签，当多个植保专家出现不一致标定时，以投票方式决定真实穗瘟病害标签。
[0062] S2、对水稻穗株的高光谱图像进行数据预处理
[0063] 对水稻穗株的高光谱图像进行简单粗裁切，去除无稻穗的背景部分，经过裁切处理后，沿着光谱维度计算平均光谱图像，简约波段信息，达到减少数据量的目的，并将平均光谱图像尺寸归一化为200×600。
[0064] S3、训练数据集增强处理
[0065] 对于经过裁切及归一化的光谱图像，通过随机扔弃波段进行第一阶段数据增强，再通过随机平移平均光谱图像亮度进行第二阶段数据增强，增加训练样本数量，形成增强训练数据集。
[0066] 如图2所示，假设原始“高光谱图像-穗瘟病害标签”数据对有1467个，其中247个穗瘟负样本，1220个穗瘟正样本。用随机正负样本划分的方式，选择正负样本各100个用作测试，剩余部分用作训练。先后用“随机扔弃波段”和“随机平移平均光谱亮度”两种数据增强策略对训练集1267个样本进行增强，形成进入后续GoogLeNet模型的“平均光谱图像-穗瘟标签”数据对，优化该模型。考虑到正负样本平衡，对147个负样本进行15轮“随机扔弃波段”数据增强，形成包括原样本在内的2352个增强负样本集，对1120个正样本进行1轮“随机扔弃波段”数据增强，形成包括原样本在内的2240个增强正样本集。对上述总共4592个样本三维高光谱图像沿着波段轴计算其平均光谱图像，标签保持不变，得到4592个“平均光谱图像-穗瘟标签”数据对，形成第一阶段增强训练数据集；进一步的，对4592个样本进行一次随机平移平均光谱图像亮度的操作，形成第二阶段增强训练数据集，其包括原4592个样本在内的9184个样本，该增强训练数据集进入后续深度卷积神经网络(GoogLeNet)模型特征学习及穗瘟病害分类模型优化过程，该增强训练数据集包括4704个负样本，4480个正样本。
[0067] 在本实施例中，通过随机平移平均光谱图像亮度数据增强过程如图3所示，具体包括：
[0068] 1)对每个平均光谱图像，计算其像素最大值和最小值，分别记为max和min，求出(max-min)/2，记为tag；
[0069] 2)计算平均光谱图像的平均像素值，记为mean；进一步的，计算min/3，记为a；计算(1-max)/3，记为b；比较a与b的大小，若a＞b，则随机数区间为[b,a]，否则随机数区间为[a,b]，产生随机数区间中的一个随机值，记为r′；
[0070] 3)比较mean与tag的大小。若mean＞tag，则平均光谱图每个像素点减去随机值r；若mean＜tag，则平均光谱图每个像素点加上随机值r′，这样得到随机平移亮度后的增强样本，样本的穗瘟标定不因谱图像的整体亮度平移而改变。
[0071] 图4a为通过随机平移平均光谱图像亮度处理的一个示例的效果图，右边为三个平均光谱图像，随机选取一个，通过随机平移平均光谱图像亮度处理后，得到左边的效果图；同样，图4b为通过随机平移平均光谱图像亮度处理的另一个示例的效果图，右边为三个平均光谱图像，左边为通过随机平移平均光谱图像亮度处理得到的效果图。
[0072] S4、建立深度卷积神经网络(GoogLeNet)模型，并采用随机梯度下降(Stochastic Gradient Descent，简称SGD)算法优化模型参数
[0073] 本实施例的深度卷积神经网络模型结构如图5所示，其主体部分由9个Inception模块堆叠而成，从图中看出，在靠近平均光谱图像
输入层，采用传统卷积神经网络基本模块，依次为：7×7卷积层、3×3最大池化层、局部响应归一化层、1×1卷积层、3×3卷积层、局部响应归一化层。局部归一化层的加入主要针对深度卷积神经网络模型的网络层次比较深，加入归一化层能规避因网络深度导致的配准漂移；考虑到
中间层次的特征已经具备一定程度的
鉴别能力，同时考虑到因网络层次过深易导致随机梯度下降算法优化过程中的梯度消失问题，深度卷积神经网络模型在主干网络的旁侧增加两条额外的全连接Softmax分类器，每个分支包括1个5×5平均池化层，1个1×1卷机层，两个全连接层以及Softmax层；模型优化过程中，用主干与分支分类器损失函数梯度之和更新网络模型参数；测试过程中，则去掉相应分支分类器，只用主干分类器进行穗瘟病害预测。
[0074] 在本实施例中，深度卷积神经网络模型中的每个Inception模块，引入多尺度卷积提取多尺度局部特征，其结构如图6所示，从图中看出，Inception模块设计1×1，3×3和5×5卷积核分支，对穗瘟在不同部位不同尺度病斑结构进行特征提取和学习。从图中还可以看出，Inception模块3×3，5×5卷积和3×3最大池化分支中均额外设计一个1×1卷积核，构成级联关系。这种1×1卷积核一方面用来增加网络深度，改善网络非线性程度；另一方面用以减少大卷积核(例如，3×3，5×5)卷积对象的维度，降低运算量。Inception模块接受前一层输入，通过不同尺度和功能分支的并行处理后级联形成该Inception模块输出，实现多尺度特征融合。
[0075] 在本实施例中，采用随机梯度下降算法优化模型参数，具体为：
[0076] 从深度卷积神经网络模型的训练集中随机抽取32个样本构成样本批包(miniBatch)进行一次深度卷积神经网络模型的更新，该过程迭代进行；其中，初始学习率设定为1e-5，学习率采取步进阶梯调节策略step，即每隔3000个训练迭代调整一次学习率，学习率调整因子为0.96，动量参数设定为0.9，依据测试识别率及损失函数趋于稳定原则，设定训练集重复14次，即epoch参数设定为14。
[0077] S5、采用训练好的深度卷积神经网络模型对需测试水稻穗株的高光谱图像进行检测，判断该水稻穗株是否感染穗瘟病害
[0078] 将需测试水稻穗株的高光谱图像进行平均光谱图像计算，对平均光谱图像进行归一化处理，采用训练好的深度卷积神经网络模型进行分数计算，具体为：计算沿着图5主体网络结构(去掉两个旁侧Softmax分支)，依次进行7×7卷积、3×3最大池化、局部响应归一、1×1卷积、3×3卷积、局部响应归一和9个Inception卷积级联运算和操作，最后进行5×5平均池化操作、全连接运算和Softmax概率计算。Softmax概率的计算公式如下：
[0079]
[0080] 式中，θ是深度卷积神经网络模型参数，θT是对θ进行转置运算，x是归一化的平均光谱图像。根据Softmax概率判断该水稻穗株是否感染穗瘟病害，当P＞0.5，则该水稻穗株感染了穗瘟病害，反之没有感染。
[0081] 实施例2：
[0082] 如图7所示，本实施例提供了一种基于深度卷积神经网络的水稻穗瘟检测系统，该系统在户外搭建，包括高光谱相机1、计算机2、三脚架3和反射板4，所述反射板4上挂着水稻穗株5，所述高光谱相机1固定在三脚架3上，并与计算机2相连，高光谱相机1的镜头对准反射板4上的水稻穗株5，在本实施例中，高光谱相机1与反射板4之间的距离为80cm，反射板的宽度为40cm，高度为60cm。
[0083] 所述高光谱相机用于采集任意光照(包括不同日照条件的白天和
白炽灯照明的夜晚)条件下的水稻穗株高光谱图像，其采用四川双利合谱科技有限公司的GaiaField-F-V10便携式户外高光谱成像系统，其核心器件采自芬兰Specim透射式光栅成像光谱仪，覆盖从可见光到
近红外光的波段区域(400-1000nm)，光谱分辨率为4nm，光谱波段数达260个。
[0084] 本实施例的测试在在自然光照条件下完成，测试过程用高光谱相机自动调焦实现对物距的测量，自动调焦模组15秒内自动完成对焦，只需一键单击即可全自动完成自动调焦实现对物距的测量。从所述测试过程看，样本测试光照条件不可控，不仅有一天之内太阳光强度的变化，而且有不同天气引起的光照变化；白天太阳光源和晚上的白炽灯光环境也引起拍摄条件的巨大差异。
[0085] 高光谱相机所拍摄的每个水稻穗株高光谱图像是260个波段重叠起来的图像，可以看成有三个轴的立方体数据，包括表示图像像素
位置的XY轴以及谱方向Z轴。
[0086] 所述计算机采用
笔记本电脑，其配备独立显卡GPU，且安装了遥感
图像处理软件ENVI 5.1(Research System Inc，Boulder，Co.，USA)，采用Matlab2016a(The Math Works，Natick，USA)编制各类处理程序，各类处理程序同样可以采用Python语言编制；
[0087] 所述计算机用于实现如下操作：
[0088] 1)将高光谱相机采集的水稻穗株高光谱图像进行穗瘟病害标定；
[0089] 2)对水稻穗株的高光谱图像进行数据预处理及数据增强；
[0090] 在ENVI 5.1软件平台上对水稻穗株的高光谱图像进行裁切，去除无稻穗的背景部分，对裁切处理后的水稻穗株高光谱图像通过随机扔弃波段和随机平移平均光谱图像亮度两种策略增强数据，增加训练样本数量，形成增强训练数据集；
[0091] 3)建立深度卷积神经网络模型，并采用随机梯度下降算法优化模型参数；
[0092] 采用多尺度卷积组合成多分支并行结构的Inception模块，多次重复堆叠构成深度卷积神经网络模型；从深度卷积神经网络模型的训练集中随机抽取32个样本构成样本批包进行一次深度卷积神经网络模型的更新，该过程迭代进行。
[0093] 4)采用训练好的深度卷积神经网络模型对需测试水稻穗株的高光谱图像进行检测，判断该水稻穗株是否感染穗瘟病害；
[0094] 将需测试水稻穗株的高光谱图像进行平均光谱图像计算，对平均光谱图像进行归一化处理，采用训练好的深度卷积神经网络模型进行分数计算，判断该水稻穗株是否感染穗瘟病害。
[0095] 综上所述，本发明通过在户外任意光照条件下采集水稻穗株高光谱图像，超越固定光源条件下的实验室光箱操作高光谱图像采集过程的局限，并将水稻穗株高光谱图像进行穗瘟病害标定，通过对水稻穗株的高光谱图像进行数据预处理及数据增强，形成增强训练数据集，以便后续深度卷积神经网络模型进行特征学习及穗瘟病害分类模型优化，增大样本数和样本多样性，解决因高光谱数据稀缺而导致深度卷积神经网络方法在基于高光谱图像的植物病害预测中的使用局限性，使得深度卷积神经网络模型提升了穗瘟预测精度，更好地适应户外穗瘟预测领域的使用。
[0096] 以上所述，仅为本发明
专利优选的实施例，但本发明专利的保护范围并不局限于此，任何熟悉
本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。
