天天看点

自动检测植物病害的无监督深度学习技术有什么好处?

作者:温知忧

«——【·介绍】——»

病害防治对于保障农产品优质丰产发挥着关键作用。病害控制主要通过植保产品在整个田地中重复均匀施用来实现。然而,众所周知,大多数作物病害表现出不均匀的时空分布,在离散病灶周围演化出随机稀疏的斑片结构,特别是在发展的早期阶段。

这种模式为开发精准作物保护解决方案提供了绝佳的机会,即将精准农业概念应用于保护行动,根据作物的需要进行处理的空间和时间变化,从而大大减少农药的使用,并在成本和环境影响方面带来相关效益。

自动检测植物病害的无监督深度学习技术有什么好处?

精准植保系统全面实施的一个基本要求是能够在疾病早期自动检测症状,以便及时针对新出现的感染点进行针对性治疗,防止其形成和随后的流行蔓延。为此,人们应用了不同的疾病传感方法和技术,包括分子分析、光谱学、荧光测定、挥发性有机化合物分析,但基于成像的方法成为疾病传感应用中研究最广泛的技术。

事实上,计算机视觉具有固有的巨大潜力,因为作物病害的症状经常会在植物器官上产生特征,而这些特征可以通过适当的图像分析技术自动检测到。通过分析从叶子或植物图像中专门提取的颜色或反射率、纹理、形状特征。

自动检测植物病害的无监督深度学习技术有什么好处?

或通过计算光谱植被指数,即两个或多个光谱通道中像素值的代数组合,可以检测和识别疾病症状,这可以增强健康组织和患病组织之间的特征差异。虽然这些方法依靠人类专家来选择最相关的特征来区分患病植物和健康植物。

但机器学习的最新发展揭示了自动识别相关特征的新可能性。其中,基于卷积神经网络的深度学习方法几乎被应用于所有图像识别问题,并取得了前所未有的成功结果。在这个框架中,过去几年发表了一系列 CNN 在基于成像的农作物病害检测和识别中的应用。

自动检测植物病害的无监督深度学习技术有什么好处?

例如,中的作者 使用现有的 CNN对 14 种作物的 26 种疾病进行分类,并使用来自 PlantVillage 存储库的 54,306 张标记 RGB 彩色图像作为训练数据。使用 CaffeNet CNN对各种植物物种的 13 种疾病进行分类,训练集包含从网络下载的 4483 张图像。

并提交给初步的手动屏蔽和标记。和都采用了迁移学习技术,使 CNN 专门针对应用目标。作者在考虑了 5000 张番茄叶子图像,其中包含手动注释的包含病斑的边界框,以训练区域提议网络的不同架构来检测患病叶子。

自动检测植物病害的无监督深度学习技术有什么好处?

他们还探索了使用“非常深的特征提取器”,例如视觉几何组网络和残差网络,以便在不同的现场条件下获得准确的疾病分类。作者在根据人类专家对 9 种疾病的分类,对 PlantVillage 数据集中的 16,415 个患病番茄叶子图像和 1590 个健康番茄叶子图像使用了 Res-Net 架构。

所提出的算法自动将叶子分类为健康或患病,并应用 U-net 架构对图像子集进行语义分割,以识别疾病并估计每片叶子的严重程度。在中也进行了语义分割,以识别黄瓜叶子上的白粉病斑点,使用用 30 个带注释的样本训练的 U-net 架构。

自动检测植物病害的无监督深度学习技术有什么好处?

前面提到的所有方法的一个共同特点是,人类专家必须花费大量精力来标记/注释图像,以便准备训练所选 CNN 模型所需的大量样本。即使通过利用已有的标记数据来使用迁移学习技术,仍然需要针对特定。

应用案例的进一步标记。这项工作旨在利用深度学习方法的功能来定义无监督技术,以实现对植物病害的初步但相当准确的自动检测。研究了两种用于疾病检测的无监督方法,即:一种聚类方法,旨在成为这种传统机器学习方法的非常基本的原型。

自动检测植物病害的无监督深度学习技术有什么好处?

以及,作为首选且更有效的选择,基于异常检测的无监督自动特征提取方法。作为案例研究,我们考虑了黄瓜白粉病。白粉病是一种主要的真菌病害,主要影响许多农作物的叶子,表现出常见的症状:宿主组织上菌丝体菌丝的增殖影响叶子对入射光的反射。

导致白灰色、粉状外观。在感染的早期到中期,这些细丝状结构由于尺寸小、密度低和空间排列对叶表面的光谱特征影响仍然很小,使得白粉病的早期检测成为一个不小的问题。该研究考虑了叶子的多光谱图像,以便利用疾病症状改变的光谱特征,不仅在可见光光谱中,而且在近红外波段。

自动检测植物病害的无监督深度学习技术有什么好处?

在下面的章节中,在简要回顾了叶子反射率与疾病检测目的的相关性和测量程序的描述之后,深入介绍了 CNN 聚类和异常检测的无监督方法,以及所实现的网络架构的详细信息。最后讨论了所获得的结果,以突出这项工作最重要的发现。

叶子反射率特征在检测植物健康状态的偏差方面具有很高的潜力,这些偏差与光系统功能障碍或光化学色素破坏、植物组织组成和结构的改变、或与叶子表面病原体孢子或繁殖体的发育有关。这些生物物理变化引起植物组织光谱特征的显着变化,可以通过适当的技术检测到。

自动检测植物病害的无监督深度学习技术有什么好处?

可见光和近红外光谱范围的变化特别相关,因为它们可以使用常见的硅基传感器或相机进行测量。在这些波段中,健康的叶子通常表现出由于色素的强烈吸收,在可见光波长下反射率较低;由于叶子结构的内部散射,近红外区的高反射率,除了特定波段的水吸收较弱之外。

一般疾病症状对应于叶组织上从毫米级尺寸演变为宏观斑块的离散结构或病变,其特征是可见光范围内反射率增加,特别是蓝色和红色波段的叶绿素吸收带。相反,在疾病的更晚期阶段,症状区域的近红外范围内的反射率因组织中的氧化和衰老过程而降低。

自动检测植物病害的无监督深度学习技术有什么好处?

而在植物冠层范围内的反射率则因生物量生长、落叶和干燥的减少而降低。这些一般特征适用于白粉病的具体情况,并且基于此,它依赖于在上述指示带中使用多光谱成像来检测叶表面中表现出与健康光谱特征偏差的区域的基本原理。

将黄瓜植物播种并在温室中的受控条件下在盆中生长,温度为 25/22 ∘ C,相对湿度为 60%。根据需要定期给植物浇水和施肥,不使用农药处理。在3片叶子的发育阶段,通过将新鲜孢子菌落的悬浮液喷洒到叶子上,分别用Podosphaera xanthii真菌分离物接种一组植物。

自动检测植物病害的无监督深度学习技术有什么好处?

其余植物在受控条件下保持隔离,以在生长过程中保持健康状况。随后培养和接种多批植物,为实验目的提供足够的样本。

2.3多光谱图像采集与预处理

为了获得白粉病症状的各种严重程度,在不同日期对接种的植物进行取样,并与同龄健康植物一起成像。通过 QSi640 ws-Multispectral 相机对健康和患病的黄瓜叶子进行成像,该相机配备柯达 4.2 Mp 微镜头图像传感器和 8 个通带光谱滤光片,工作波段为 430 至 740 nm。

自动检测植物病害的无监督深度学习技术有什么好处?

出于本实验的目的,在受控漫射照明条件下,在黑暗背景上对树叶进行单一成像。在单光谱通道 430 nm、530 nm、685 nm和 740 nm中采集图像。还获取了一组相同叶子在标准 CIE 色彩空间中的 RGB 图像以供参考。

设置相机参数并通过用MATLAB 编写的内部开发的采集软件进行图像采集。通过在每个图像中包含 3 个反射参考目标,对不同采集的像素灰度强度进行反射校准。获得的数据集包含 97 张健康叶子的图像和 114 张患病叶子的图像。

自动检测植物病害的无监督深度学习技术有什么好处?

这些图像表现出从早期到严重的各种症状。从原始分辨率开始512\乘512,每个图像都被裁剪并调整大小,以便将分辨率降低到,这对于处理目的来说更易于管理。调整大小的图像使用最小-最大归一化进行预处理,以获得区间内的像素值。

通过使用近红外通道,叶子组织的高反射率可以立即与背景区分开来,计算指示属于叶子的前景像素的二进制掩模。获取的数据集中的四个黄瓜叶子样本的 RGB 图像。叶子表现出不同的白粉病症状,从非常轻微到严重,按顺时针顺序

自动检测植物病害的无监督深度学习技术有什么好处?

异常检测,也称为新颖性检测,是检测不符合“正常”行为模型的数据实例的过程。特征提取与降维密切相关:该技术在于将数据从高维空间变换到低维空间,使得低维表示是原始数据的信息编码。下面,我们首先提供自动编码器的简要背景,然后我们更详细地讨论这两种考虑的方法。

其中x属于所收集数据的子集,称为训练集。本工作中选择损失函数ℓ作为标准均方误差。损失函数的替代形式也可以在特定上下文中使用,使用与不同的度量、加权度量或不同的函数,例如交叉熵。最小化过程可以通过众所周知的迭代技术来执行,例如梯度下降法。

自动检测植物病害的无监督深度学习技术有什么好处?

聚类分析是通过根据某种相似性度量将对象聚集在一起来找到“自然”分组的过程。聚类是一项众所周知的艰巨任务,其结果取决于许多因素,其中包括数据维度。由于并非所有原始特征都与聚类相关,因此降维等预处理策略可以使聚类表现更好。

在这项工作中,我们使用 AE 框架来提取减少的特征集,并在其上进行聚类。然后使用经典的k进行聚类-均值方法,其中通过迭代优化过程来寻找簇质心,该迭代优化过程最小化缩减特征空间中的数据点与其最近质心之间的欧几里得距离。

自动检测植物病害的无监督深度学习技术有什么好处?

尽管文献中已经提出了更复杂的方法,但在这项工作中,我们坚持使用这种简单的算法,因为我们的目标仅限于探测嵌入在特征表示空间中的辨别潜力。

«——【·结论·】——»

本研究开发了两种基于自动编码器网络的深度学习方法,用于自动识别黄瓜叶多光谱图像中的白粉病。具体目标是探索无监督技术来克服对大量手动标记图像训练集的需求,这是 CNN 应用的典型特征。为此,实现了自动编码器网络架构以获得:

自动检测植物病害的无监督深度学习技术有什么好处?

压缩空间中特征的聚类。这种方法显示出提供准确疾病检测的能力有限,即使它能够突出显示压缩特征中包含的相关信息。当使用带有监督初步过滤的特征聚类以进一步过滤相关特征时,这预示着改进的潜力;

一种异常检测方法。这种方法在病叶的无监督检测方面表现出卓越的能力,在减少手动标记叶子图像的需求方面具有巨大的应用潜力。事实上,所开发的方法可以用作在大型数据集上训练的无监督分类器,该数据集与用有限数量的手动标记样本训练的监督神经网络集成。

自动检测植物病害的无监督深度学习技术有什么好处?

除了健康与患病叶子的二元分类之外,这种方法还可以对由 GAN 架构人工生成的合成叶子 提供可靠的质量检查,可用于神经网络训练的数据增强策略。

«——【·参考文献·】——»

Sankaran S、《植物病害检测先进技术综述》。计算电子农业。2010。

巴贝多 JGA。《基于可见光范围图像的植物病害自动识别主要挑战综述》 百奥系统工程公司 2016

马莱因 AK. 《通过成像传感器检测植物病害——精准农业和植物表型的平行和特定需求》。植物分布。2016

古尔汉 VA。《棉叶病害的检测及其可能的诊断》。Int J 图像处理。2011

继续阅读