鄭新橋

（武昌工學(xué)院，湖北 武漢 430065）

0 引言

圖像處理技術(shù)在農(nóng)業(yè)上的應(yīng)用，已經(jīng)引起了廣大研究者的關(guān)注與重視，也得到了越來(lái)越多人的認(rèn)可。我國(guó)是一個(gè)農(nóng)業(yè)大國(guó)，農(nóng)業(yè)領(lǐng)域一直是人們關(guān)注的重要領(lǐng)域。因此，越來(lái)越多的研究者開(kāi)始研究圖像處理技術(shù)在農(nóng)業(yè)上的應(yīng)用。陳彥[1]根據(jù)云儲(chǔ)存圖像處理技術(shù)來(lái)研究數(shù)量龐大、體積小、特征無(wú)法通過(guò)肉眼來(lái)觀察的種子。吳少霜等[2]利用數(shù)字圖像處理技術(shù)對(duì)果蔬進(jìn)行分級(jí)檢測(cè)，詳細(xì)介紹了利用圖像處理技術(shù)對(duì)果蔬圖像特征進(jìn)行提取的方法。任震宇等[3]針對(duì)圖像處理技術(shù)提出了有關(guān)我國(guó)未來(lái)智慧農(nóng)業(yè)的發(fā)展意見(jiàn)和建議。

圖像處理技術(shù)的出現(xiàn)，在一定程度上推動(dòng)了我國(guó)農(nóng)業(yè)的發(fā)展，對(duì)于促進(jìn)現(xiàn)代農(nóng)業(yè)信息化發(fā)展具有長(zhǎng)遠(yuǎn)的意義。

1 相關(guān)理論概述

計(jì)算機(jī)圖像處理技術(shù)是一門從圖像出發(fā)的技術(shù)，是在計(jì)算機(jī)識(shí)別和處理分析過(guò)程中高度發(fā)展形成的一門學(xué)科，能夠通過(guò)對(duì)捕捉到的圖像進(jìn)行相應(yīng)的處理，如灰度化處理、圖像的細(xì)節(jié)增強(qiáng)等，有效地幫助使用者從圖像中分析出所需要的相關(guān)信息[4]。在最近40年里，計(jì)算機(jī)圖像處理技術(shù)已經(jīng)隨著計(jì)算機(jī)技術(shù)的發(fā)展逐漸成為一門綜合類的技術(shù)，為人們提供便利[5-7]。

計(jì)算機(jī)圖像處理技術(shù)可以和傳感器相結(jié)合，實(shí)現(xiàn)對(duì)圖像的加工處理。在以往的農(nóng)業(yè)生產(chǎn)中，常常依靠人眼去觀察，人的眼睛在本質(zhì)上也可以看作是一種圖像處理的工具，但是通過(guò)人的眼睛來(lái)處理農(nóng)作物的病害問(wèn)題和其他問(wèn)題時(shí)需要依靠人的一些經(jīng)驗(yàn)，不僅不夠準(zhǔn)確，而且費(fèi)時(shí)費(fèi)力。計(jì)算機(jī)圖像處理技術(shù)，不管是從處理的速度還是數(shù)量來(lái)說(shuō)，都要優(yōu)于人的眼睛。所以，隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，計(jì)算機(jī)圖像處理技術(shù)也逐漸地進(jìn)入農(nóng)業(yè)領(lǐng)域，為更多的種植者和研究者提供了一定的技術(shù)支撐，在一定程度上幫助了種植者提高農(nóng)作物的產(chǎn)量和質(zhì)量。

2 圖像處理技術(shù)在農(nóng)業(yè)中的具體應(yīng)用

圖像處理技術(shù)沒(méi)有被應(yīng)用之前，在農(nóng)業(yè)生產(chǎn)時(shí)，種植者往往依靠人工作業(yè)來(lái)掌控農(nóng)作物的生長(zhǎng)趨勢(shì)，不僅效率低，而且掌控難度也非常大[8-9]。所以在農(nóng)作物的生長(zhǎng)過(guò)程中，查看農(nóng)作物的長(zhǎng)勢(shì)、土壤、水量和空氣濕度等相關(guān)信息都是依靠種植者的經(jīng)驗(yàn)。隨著圖像處理技術(shù)的出現(xiàn)和發(fā)展，農(nóng)作物的種植變得更加科學(xué)，我國(guó)農(nóng)作物的整體產(chǎn)量和質(zhì)量得到了提高。筆者將從以下三個(gè)方面來(lái)闡述圖像處理技術(shù)在農(nóng)業(yè)上的相關(guān)應(yīng)用。

2.1 圖像處理技術(shù)在病蟲(chóng)害監(jiān)測(cè)上的應(yīng)用

農(nóng)作物的產(chǎn)量和質(zhì)量在一定程度上與農(nóng)作物的病蟲(chóng)害有關(guān)，所以，要提高農(nóng)作物的收成，幫助種植者增加收益，就要及時(shí)處理農(nóng)作物的病蟲(chóng)害問(wèn)題，對(duì)癥解決，有效地防治病蟲(chóng)害。以往農(nóng)作物的收成相對(duì)現(xiàn)在較低，主要原因就是病蟲(chóng)害問(wèn)題沒(méi)有被及時(shí)解決。在大多數(shù)情況下，病蟲(chóng)害問(wèn)題主要依靠人工來(lái)處理，如利用人工經(jīng)驗(yàn)對(duì)病蟲(chóng)害進(jìn)行防治，還有的直接利用手工將病蟲(chóng)害的區(qū)域去掉，若是防治不及時(shí)將導(dǎo)致農(nóng)作物的產(chǎn)量降低。

目前，圖像處理技術(shù)與農(nóng)業(yè)生產(chǎn)結(jié)合，為智能化農(nóng)業(yè)帶來(lái)全新的發(fā)展，利用圖像處理技術(shù)對(duì)農(nóng)作物在生長(zhǎng)過(guò)程中出現(xiàn)的病蟲(chóng)害進(jìn)行監(jiān)測(cè)，精密度高，識(shí)別速度快，識(shí)別分類準(zhǔn)確，從而可以有效地減少農(nóng)作物的損失。

2.2 圖像處理技術(shù)在生長(zhǎng)環(huán)境因子監(jiān)測(cè)上的應(yīng)用

在農(nóng)作物的生長(zhǎng)過(guò)程中，為了讓農(nóng)作物健康生長(zhǎng)，產(chǎn)量和質(zhì)量得到保障，除了要及時(shí)地滿足其所需要的營(yíng)養(yǎng)成分以外，還需要除去影響農(nóng)作物生長(zhǎng)的病蟲(chóng)草害[10-11]。人們的生活質(zhì)量在不斷地提高，同時(shí)也給周圍的環(huán)境帶來(lái)了一定的污染，所以對(duì)于農(nóng)作物的生長(zhǎng)環(huán)境，也需要進(jìn)行一定的監(jiān)測(cè)。如土壤的酸堿度、濕度，土壤有害化學(xué)殘留物是否超標(biāo)，土壤適合種植哪種農(nóng)作物等等，都需要進(jìn)行相應(yīng)的考察。目前，我國(guó)針對(duì)環(huán)境問(wèn)題，已經(jīng)提出了垃圾分類方案，這可以在一定程度上減輕環(huán)境污染問(wèn)題。利用AI圖像智能分類功能，可以對(duì)垃圾的類別進(jìn)行識(shí)別。同時(shí)，還可以利用無(wú)人機(jī)對(duì)環(huán)境進(jìn)行監(jiān)測(cè)、拍攝，然后利用相關(guān)技術(shù)將數(shù)據(jù)信息傳送給研究者，從而有效地對(duì)農(nóng)作物的生長(zhǎng)環(huán)境因子進(jìn)行監(jiān)測(cè)。

2.3 圖像處理技術(shù)在種子質(zhì)量選育上的應(yīng)用

優(yōu)質(zhì)的種子，能夠保障農(nóng)作物的成活率以及農(nóng)作物的果實(shí)品質(zhì)。在種植種子之前，可以利用計(jì)算機(jī)圖像處理技術(shù)對(duì)種子進(jìn)行檢測(cè)和分類，比如按表皮破損、果實(shí)飽滿、表皮褶皺等進(jìn)行分類，利用不同的方法進(jìn)行種植、實(shí)驗(yàn)。這樣可以在一定程度上減少農(nóng)作物的損失，同時(shí)，對(duì)下一年的育種選擇具有一定的參考價(jià)值。

2.4 LeNet-5模型的蘋果病害研究案例

本案例中的蘋果數(shù)據(jù)來(lái)源于PlantVillage-Dataset數(shù)據(jù)集。蘋果黑星病、黑腐病、銹病三種葉部病害圖像和健康蘋果葉部圖像，如圖1所示。

圖1 三種蘋果葉部病害圖像和健康蘋果葉部圖像

案例中采用的分類方法是改進(jìn)的經(jīng)典LeNet-5模型，用來(lái)對(duì)蘋果葉部的三種病害圖像和健康圖像進(jìn)行分類研究。LeNet模型是由Lecun Y等[12]第一次用于手寫數(shù)字的分類，也被眾多人用于識(shí)別支票上的手寫數(shù)字，近年來(lái)逐漸被用于農(nóng)業(yè)領(lǐng)域中。其模型主要是由一個(gè)32×32的輸入層和兩個(gè)卷積層、兩個(gè)池化層、兩個(gè)全連接層和一個(gè)輸出層組成。其中，卷積層使用步長(zhǎng)為2的5×5的卷積核來(lái)提取圖像特征。但是蘋果葉部病害情況復(fù)雜，所以在本實(shí)驗(yàn)中，將卷積層的病害圖像改為256×256大小作為卷積層的輸入，卷積層的計(jì)算過(guò)程如式（1）所示。

式中，X表示輸入需要卷積的M區(qū)域元素，i和j表示坐標(biāo)，W表示卷積核元素，m和n表示卷積核的尺寸，b表示偏移量。F(*)表示Sigmoid激活函數(shù)，傳統(tǒng)的激活函數(shù)是用Sigmoid函數(shù)，Sigmoid函數(shù)表達(dá)式如式（2）所示。但是此函數(shù)在反向傳播過(guò)程中很容易出現(xiàn)梯度消失等情況，對(duì)蘋果病害分類研究有一定的影響，所以案例中將Sigmoid激活函數(shù)修改為Relu激活函數(shù)，Relu函數(shù)如式（3）所示。

從式（3）可以看出，當(dāng)輸入的x值小于或等于0時(shí)，其函數(shù)值為0；當(dāng)輸入的x值為正數(shù)時(shí)，其函數(shù)值為x，成正比關(guān)系，這樣可以有效地避免梯度爆炸的情況。Sigmoid函數(shù)和Relu函數(shù)對(duì)實(shí)驗(yàn)準(zhǔn)確率的影響如表1所示。

表1 Sigmoid函數(shù)和Relu函數(shù)對(duì)模型準(zhǔn)確率的影響

由表1可知，在實(shí)驗(yàn)過(guò)程中使用Sigmoid函數(shù)，對(duì)蘋果葉部病害的分類準(zhǔn)確率在81.3%左右，而改用為Relu激活函數(shù)后，模型的分類準(zhǔn)確率達(dá)到了92.5%，相對(duì)于Sigmoid函數(shù)，提高了11.2個(gè)百分點(diǎn)?？梢钥闯?，換用激活函數(shù)，對(duì)模型的性能有積極作用。

蘋果葉部病害情況復(fù)雜，病害程度也不一樣，所以在本案例中，增加了網(wǎng)絡(luò)層數(shù)，用以有效地提取病害圖像特征。卷積層的層數(shù)對(duì)模型性能的影響如表2所示。

由表2可知，對(duì)于蘋果葉部的幾種病害圖像，卷積層選擇5層的時(shí)候，模型對(duì)蘋果葉部病害的分類準(zhǔn)確率達(dá)到最高，為92.5%左右。所以，本案例中選擇卷積層的層數(shù)為5層。

表2 卷積層的層數(shù)對(duì)模型性能的影響

隨著網(wǎng)絡(luò)層數(shù)的加深，模型中很容易發(fā)生過(guò)擬合現(xiàn)象，所以在添加了網(wǎng)絡(luò)層數(shù)后，在網(wǎng)絡(luò)層中添加Dropout層，設(shè)置丟棄概率，這樣可以有效地避免過(guò)擬合現(xiàn)象產(chǎn)生，提高模型的魯棒性。Dropout層對(duì)實(shí)驗(yàn)結(jié)果準(zhǔn)確性的影響如表3所示。

表3 Dropout層對(duì)實(shí)驗(yàn)結(jié)果準(zhǔn)確性的影響

由表3可知，實(shí)驗(yàn)中添加Dropout策略層，隨機(jī)值設(shè)為0.5，對(duì)數(shù)據(jù)進(jìn)行隨機(jī)刪減，可以有效地防止過(guò)擬合現(xiàn)象的產(chǎn)生。在沒(méi)有使用Dropout策略層時(shí)，模型的準(zhǔn)確率為87.7%，使用之后準(zhǔn)確率達(dá)到了92.5%，對(duì)蘋果葉部病害的分類率提高了4.8個(gè)百分點(diǎn)。在一定程度上，提高了模型的魯棒性。

實(shí)際生活中蘋果葉部的病害區(qū)域，大多比較小，并且分布不均勻，結(jié)合目前所擁有的蘋果病害數(shù)據(jù)集，對(duì)LeNet-5模型進(jìn)行了相應(yīng)的改進(jìn)，LeNet-5改進(jìn)前后相關(guān)的參數(shù)如表4所示。

表4 改進(jìn)后模型與傳統(tǒng)模型的相關(guān)參數(shù)對(duì)比

模型選擇的池化方式為最大池化法（Max Pooling），由于本模型中是4種不同類別的蘋果葉部圖像，所以最后采用了Saftmax分類器，分類器選擇的輸出類別是4，進(jìn)行了訓(xùn)練。

蘋果葉部圖像一共選擇了2 606張，其中蘋果葉部黑病選擇了630張，蘋果葉部黑腐病選擇了621張，蘋果葉部銹病選擇了675張，蘋果葉部健康圖像選擇了680張，按照4∶1的比例對(duì)數(shù)據(jù)集分類訓(xùn)練集和測(cè)試集進(jìn)行實(shí)驗(yàn)，最后的實(shí)驗(yàn)結(jié)果如圖2所示。

圖2 訓(xùn)練集和測(cè)試集的準(zhǔn)確率和損失值曲線圖

圖2中橫坐標(biāo)表示實(shí)驗(yàn)迭代的次數(shù)，本案例中實(shí)驗(yàn)迭代次數(shù)設(shè)置為6，每批次選擇22張進(jìn)行實(shí)驗(yàn)。縱坐標(biāo)表示分類準(zhǔn)確率和損失值，可以看出，模型的分類準(zhǔn)確率最終為92%左右，損失值為29%左右。

從這個(gè)案例可以看出，利用計(jì)算機(jī)圖像處理技術(shù)，可以很方便地解決農(nóng)作物在生長(zhǎng)過(guò)程中出現(xiàn)的病蟲(chóng)害問(wèn)題。而這個(gè)案例只是利用了最經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型之一的LeNet模型實(shí)驗(yàn)，隨著計(jì)算機(jī)技術(shù)的發(fā)展，近年來(lái)出現(xiàn)了越來(lái)越多的其他模型，例如AlexNet模型、VGG模型、ResNet模型以及這些模型的改進(jìn)，已經(jīng)逐步應(yīng)用于農(nóng)業(yè)中，為更多的農(nóng)業(yè)從業(yè)者提供了便利。

3 圖像處理技術(shù)在農(nóng)業(yè)中應(yīng)用的局限性與展望

圖像處理技術(shù)雖然已經(jīng)被眾多研究者廣泛應(yīng)用，但是目前還存在一系列的問(wèn)題。1）在大田背景下，如何快速準(zhǔn)確地采集農(nóng)作物的病蟲(chóng)害圖像？2）農(nóng)作物的病害、蟲(chóng)害、雜草以及附近土壤等如何劃分？3）對(duì)于農(nóng)作物的病蟲(chóng)害圖像分割算法，邊緣檢測(cè)和特征提取還存在一定的難度。4）圖像處理技術(shù)與移動(dòng)硬件設(shè)備相結(jié)合，是否能夠普遍應(yīng)用于我國(guó)廣大的田間農(nóng)作物病害的快速識(shí)別分類？

針對(duì)上述問(wèn)題，圖像處理技術(shù)在今后的發(fā)展中，可以致力于研究圖像處理硬件的開(kāi)發(fā)。這就包括了采集田間農(nóng)作物病蟲(chóng)害圖像以及采集后進(jìn)行處理的硬件設(shè)備。同時(shí)要改進(jìn)與圖像處理技術(shù)相結(jié)合的相關(guān)特征提取算法，不斷地研究出新型的快速準(zhǔn)確的算法。針對(duì)圖像處理技術(shù)在訓(xùn)練過(guò)程中數(shù)據(jù)集的收集問(wèn)題，還可以考慮構(gòu)建全國(guó)農(nóng)作物病蟲(chóng)害數(shù)據(jù)集平臺(tái)，健全農(nóng)作物病蟲(chóng)害圖像，為更多的研究者提供訓(xùn)練模型所需的數(shù)據(jù)集。

4 總結(jié)

農(nóng)業(yè)是我國(guó)重點(diǎn)關(guān)注的一個(gè)領(lǐng)域，為了提高農(nóng)作物的產(chǎn)量和質(zhì)量，加快推進(jìn)現(xiàn)代農(nóng)業(yè)信息化進(jìn)程，應(yīng)該發(fā)展計(jì)算機(jī)圖像處理技術(shù)，讓農(nóng)業(yè)生產(chǎn)變得更加科學(xué)，更加有保障。我國(guó)的農(nóng)業(yè)領(lǐng)域，不同地區(qū)，不同的農(nóng)作物在生長(zhǎng)過(guò)程中環(huán)境各不相同，具有多樣性的生物因素，而這些問(wèn)題同人類視覺(jué)相比，可以很明顯地看出，圖像處理技術(shù)在未來(lái)還是有很大的發(fā)展空間。所以，筆者深信圖像處理技術(shù)未來(lái)將在我國(guó)農(nóng)業(yè)領(lǐng)域有更廣闊、更先進(jìn)、更便捷、更智能化的應(yīng)用。