关于深卷积神经网络水稻穗瘟病检测方法.PDF

第 33 卷 第 20 期 农 业 工 程 学 报 Vol.33 No.20 2017 年 10 月 Transactions of the Chinese Society of Agricultural Engineering Oct. 2017 169 基于深度卷积神经网络的水稻穗瘟病检测方法 1 2 2 ※ 2 3 黄双萍 ，孙 超 ，齐 龙 ，马 旭 ，汪文娟 （1. 华南理工大学电子与信息学院，广州 510641；2. 华南农业大学工程学院，广州 510642 ； 3. 广东省农业科学院植物保护研究所，广州 510640 ） 摘 要：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的重要任务。该文提出基于 深度卷积神经网络 GoogLeNet 模型的水稻穗瘟病检测方法，该方法利用 Inception 基本模块重复堆叠构建主体网络。 Inception 模块利用多尺度卷积核提取不同尺度穗瘟病斑分布式特征并进行级联融合。GoogLeNet 利用其结构深度和宽度， 学习复杂噪声高光谱图像的隐高维特征表达，并在统一框架中训练 Softmax 分类器，实现穗瘟病害预测建模。为验证该 研究所提方法的有效性，以 1 467 株田间采集的穗株为试验对象，采用便携式户外高光谱成像仪 GaiaField-F-V10 在自然 光照条件下拍摄穗株高光谱图像，并由植保专家根据穗瘟病害描述确定其穗瘟标签。所有高光谱图像-标签数据对构成 GoogLeNet 模型训练和验证的原始数据集。该文采用随机梯度下降算法（SGD, stochastic gradient descent ）优化GoogLeNet 模型，提出随机扔弃 1 个波段图像和随机平移平均谱图像亮度的 2 种数据增强策略，增加训练数据规模，防止模型过拟 合并改善其泛化性能。经测试，验证集上穗瘟病害预测最高准确率为 92.0% 。试验结果表明，利用 GoogLeNet 建立的深 度卷积模型，可以很好地实现水稻穗瘟病害的精准检测，克服室外自然光条件下利用光谱图像进行病害预测面临的困难， 将该类研究往实际生产应用推进一大步。 关键词：病害；模型；图像处理；高光谱成像；穗瘟病检测；深度卷积神经网络；GoogLeNet doi ：10.11975/j.issn.1002-6819.2017.20.021 中图分类号：S24 文献标志码：A 文章编号：1002-6819(2017)-20-0169-08 黄双萍，孙 超，齐 龙，马 旭，汪文娟. 基于深度卷积神经网络的水稻穗瘟病检测方法[J]. 农业工程学报，2017， 33(20)：169－176. doi ：10.11975/j.issn.1002-6819.2017.20.021 Huang Shuangping, Sun Chao, Qi Long, Ma Xu, Wang Wenjuan. Rice panicle blast identification method based on deep convolution neural network[J].