Mini专题｜作物病害识别方法
Mini专题9：作物病害识别方法
1
CHEN Guifen, ZHAO Shan, CAO Liying, FU Siwei, ZHOU Jiaxin. Corn plant disease recognition based on migration learning and convolutional neural network[J]. Smart Agriculture, 2019, 1(2): 34-44. (in Chinese with English abstract)
2
李 淼, 王敬贤, 李华龙, 胡泽林, 杨选将, 黄小平, 曾伟辉, 张 建, 房思思. 基于CNN和迁移学习的农作物病害识别方法研究[J]. 智慧农业, 2019, 1(3): 46-55.
LI Miao, WANG Jingxian, LI Hualong, HU Zelin, YANG Xuanjiang, HUANG Xiaoping, ZENG Weihui, ZHANG Jian, FANG Sisi. Method for identifying crop disease based on CNN and transfer learning[J]. Smart Agriculture, 2019, 1(3): 46-55. (in Chinese with English abstract)
摘要：互联网是一个巨大的资源库，也是一个丰富的知识库。针对农作物小样本引起的过拟合问题，本研究引入了知识迁移和深度学习的方法，采用互联网公开的ImageNet图像大数据集和PlantVillage植物病害公共数据集，以实验室的黄瓜和水稻病害数据集AES-IMAGE为对象开展相关的研究与试验。首先将批归一化算法应用于卷积神经网络（CNN）中的AlexNet和VGG网络模型，改善网络的过拟合问题；再利用PlantVillage植物病害数据集得到预训练模型，在改进的网络模型AlexNet和VGG网络模型上用AES-IMAGE对预训练模型参数调整后进行病害识别。最后，使用瓶颈层特征提取的迁移学习方法，利用ImageNet大数据集训练出的网络参数，将Inception-v3和Mobilenet模型作为特征提取器，进行黄瓜和水稻病害特征提取。本研究结合试验结果探讨了适用于农作物病害识别问题的最佳网络和对应的迁移策略，表明使用VGG网络模型参数微调的策略可获得的最高准确率为98.33%，使用Mobilenet瓶颈层特征提取的策略可获得96.8%的验证准确率。结果证明CNN结合迁移学习可以利用充分网络资源来克服大样本难以获取的问题，提高农作物病害识别效率。
3
代 芬, 邱泽源, 邱 倩, 刘楚健, 黄国增, 黄雅琳, 邓小玲. 基于拉曼光谱和自荧光光谱的柑橘黄龙病快速检测方法[J]. 智慧农业, 2019, 1(3): 77-86.
DAI Fen, QIU Zeyuan, QIU Qian, LIU Chujian, HUANG Guozeng, HUANG Yalin, DENG Xiaoling. Rapid detection of citrus Huanglongbing using Raman spectroscopy and Auto-fluorescence spectroscopy[J]. Smart Agriculture, 2019, 1(3): 77-86. (in Chinese with English abstract)
摘要：为了快速检测黄龙病这一柑橘毁灭性病害，本研究分析了柑橘黄龙病样本和健康样本的自荧光和拉曼光谱差异，建立了基于自荧光光谱、拉曼光谱和混合光谱的PLS-DA模型，进行了模型的结果比较，最后绘制了三种模型的分类器特征曲线ROC，通过曲线下面积AUC参数进一步评价了模型的性能。试验结果表明，柑橘黄龙病叶片样本和健康叶片样本的自荧光光谱和拉曼光谱存在差异信息。在785nm波长激光诱导下，柑橘叶片样本都产生了比较强的自荧光。黄龙病叶片的自荧光相对于健康样本的自荧光在小于1203cm-1范围更弱，而在大于1206cm-1范围更强，其下降的斜率（绝对值）相对健康样本更小。在典型的黄龙病样本和健康样本的拉曼光谱数据中，均可发现具有以下拉曼峰且具有一致性：920cm-1、1160cm-1、1289cm-1、1331cm-1和1529cm-1。黄龙病样本和健康样本相比在1257cm-1、1396cm-1、1446cm-1、1601cm-1和1622cm-1具有更大的拉曼峰值强度和光谱带宽，在1006cm-1、1160cm-1、1191cm-1和1529cm-1位置谱峰强度较弱，提示黄龙病样本的类胡萝卜素含量较低。基于自荧光光谱、拉曼光谱和混合光谱三种光谱的PLS-DA模型鉴别的准确率分别为86.08%、98.17%和94.75%。进一步计算三种模型的ROC曲线下面积AUC参数分别为0.9313、0.9991和0.9875，拉曼光谱模型的AUC值最大，也表明拉曼光谱模型的鉴别效果最优。本研究结果表明拉曼光谱分析技术可以成为探索柑橘黄龙病快速诊断鉴别的新途径。
4
吴华瑞. 基于深度残差网络的番茄叶片病害识别方法[J]. 智慧农业, 2019,1(4): 42-49.
WU Huarui. Method of tomato leaf diseases recognition method based on deep residual network[J]. Smart Agriculture, 2019, 1(4): 42-49. (in Chinese with English abstract)
摘要：传统深度学习模型在用于蔬菜病害图像识别时，存在由于网络梯度退化导致的识别性能下降问题。为此，本文研究了一种基于深度残差网络模型的番茄叶片病害识别方法。该方法首先利用贝叶斯优化算法自主学习网络中难以确定的超参数，降低了深度学习网络的训练难度。在此基础上，通过在传统深度神经网络中添加残差单元，解决了由于梯度爆炸/消失造成的过深层次病害识别网络模型性能下降的问题，能够实现番茄叶片图像的高维特征提取，根据该特征可进行有效病害鉴定。试验结果表明，本研究中基于超参数自学习构建的深度残差网络模型在番茄病害公开数据集上取得了良好的识别性能，对白粉病、早疫病、晚疫病和叶霉病等4种番茄叶片常见病害的识别准确率达到95%以上。本研究可为快速准确识别番茄叶片病害提供参考。
温馨提示：如果您不在中国知网服务范围内，可进入期刊官方网站：
免费下载。