基于深度学习的苹果树叶病害图像识别
**计算机系统的介绍
文章目录 一 概要 二、绪论1.1研究背景1.2研究内容1.3研究意义 二、 相关技术介绍2.1图像识别2.2Python2.3深度学习2.4卷积神经网络 三、 系统设计3.1 系统总体规划3.2 概要设计3.2.1数据集的采集3.2.2图片预处理3.2.3配置相关信息3.3结果分析 四、总结五、 文章目录一 概要
传统的检测是靠大量的人力和物力资源，凭借技术专家的经验俩对苹果树叶片病害进行确定并加以处理。然而这样的方法在普遍的情况下是昂贵、费时且不切实际的。为了快速准确的确定植物病害的类型，提高农业生产率是特别重要的。在这种情况下，深度学习一步步进入了人们的视野里，通过深度学的模型，利用图像处理的相关技术对相机所拍摄的图片进行查找，分类，确定其类型，同时得出相应的处理方法。本论文采用了以深度学习
模型进行的苹果树叶片病害的识别，相对于传统的病害识别，以深度学习模型为基础的病害识别准确率更高，可行性也更好。使用的是基于卷积神经网络的LeNet模型和VGG-16模型，除了相对于传统模型的对比之外，还对上述两种模型进行数据准确率的对比，确定一种高效，切实，使用的模型。首先的操作是对数据集进行分集，随后利用python语言通过LeNet模型对训练集和测试集进行数据处理进而得到图片识别的准确率。
【关键词】python；深度学习；图像识别；卷积神经网络；LeNet ；Vgg-16
二、绪论
1.1研究背景
苹果树是世界上果树栽种面积较广的树种之一，而苹果在全世界上不仅产量多，其营养价值也是较高的，广受世界各国人们欢迎和喜爱。基于苹果自身的价值和产量，苹果的产值在世界各国的水果产值中占着很高的比例。同时苹果的进出口量是逐年保持增长，我国也不例外。经济全球化的到来，必将带来机会，同时我国正在构建国内国外双向经济，这同样也会带来机会。在如此的条件下，进出口经济就会有这重大的压力，所以利用技术带来优质果的概率迫在眉睫。在经济的带动下，优质苹果的进出口量将会逐渐增加。同时，苹果在我国农民的水果产业中是较为快捷，使用的致富产业。但是受病虫害的影响，优质苹果的产出量过少，严重影响了苹果的经济发展。这就导致了我国在经济全球化的环境下苹果产业的竞争会处于劣势地位。而这一切最主要的原因之一就是病害的影响。其一是对于病虫害的治理问题每年会投入大量的资金进行处理，如若辨别不及时则会严重影响处理的速度进一步使苹果
产量变低，其二病害自身会对果树产生严重的影响，例如。坐果率低，优质苹果的数量变少，苹果的大小过小等等。在病虫害的影响下，由苹果带来的经济效益将会变低，在经济全球化的竞争中处于劣势的地位，不利于我国经济的发展和进步。
苹果树作为我国重要的经济果树，其常年受病害的侵蚀，这也造成果实的优质产量低，不利于经济的发展，其病害种类繁多，复杂对果农对病害的识别产生了重大的影响。从病害的分类来看，可以分为四种病害，主要是在叶片，树枝，果实以及树根等位置。而苹果叶片病害一般是有这几种：早期落叶病、白粉病、锈病、黑星病、病毒病、银牙病等多种疾病。同时叶片的病变会产生一系列的变化，例如颜色的改变，叶片的大量脱落，一旦发生上述
的情况就出现严重的问题进而削弱树势和苹果树对于上述疾病的抵抗能力，进而造成苹果的质量和产量的下降。由于苹果树病害的种类的繁杂且区分艰难的问题，所以迫切的需要构建能够让广大果农易于操作，实用简单的识别系统，以提供苹果树病害的识别及处理的服务，降低病害对苹果树的影响，最终实现经济效益的最大化。目前国内对于苹果树叶片的识别，一般采用的是传统上的图像处理方法或是请教专家的人力识别。以上的方法都需要通过人力提取特征，不同的是传统的图像处理一般是提取叶片的病变特征、颜色或者是形状，然后输入到特定的仪器和模型中去进行分析和识别。而请教专家识别，则会对经济实力有着不小的要求，以专家的经验判断还会花费不少的时间和人力资源。而深度学习在图像处理、图像识别，图像分类等方向相对于以上的方法来说有着更高且更为准确的识别和判断能力。国内不少研究学者已经在别的植物病害识别上通过深度学习模型取得了较好的实验结果和数据。所以可以通过深度学习模型对苹果叶片的病害进行识别，来减少果农的经济负担，提高病害识别的准确率和效率，最
终实现经济效益的最大化。
1.2研究内容
本论文主要研究苹果叶片病害问题，通过深度学习和卷积神经网络进行图像识别。通过对叶片图片的采集准确地确定出对应的病害类型，便捷迅速的得到识别结果进而有效地处理病害。其主要的内容有通过图像处理技术，对采集的苹果树叶片图片，进行旋转一定的角度，裁剪等预处理，然后通过建立的神经网络模型进行图像的特征提取、信息采集，在进行神经网络的训练对图片的信息进行处理，确定其种类。从训练结束的结果中找到准确率最高的结果，最后确定出识别之后的结果。主要采用的模型有两种的，LeNet模型和VGG-16模型。通过对两种模型在相同的条件下进行图片中病害类型的识别的准确率进行对比，确定出深度学习模型的可行性可准确性，进一步得到二者相比较的结果，最终确定最适宜数字农业发展的使用的模型。
1.3研究意义
苹果树病害是制约以苹果为主体的水果经济的主要原因，同时病害的监测也是苹果种植工作的重要核心。但是长期以来，传统的技术过于的依靠病害知识和经验，这也导致了传统的检测手段大部分依靠专家进行判断，果农以经验的手段进行病害的处理，在出现突发情况下，经验不足以应对面前的状况就会造成大量经济的损失。同时传统的监测手段不仅速度慢、误差大、实时性差、劳动强度大，而且某些特征还难以定量描述，严重制约了果农经济的发展。因此实现便捷病害监测是苹果种植业甚至是农林业信息化发展的迫切需求。随着深度学习一步步走进人们的生活，它也可以运用于苹果树病害的检测，病害的监测主要依赖的工具是计算机，其主要的功能是依赖于计算机功能来实现的，计算机会模仿人类本身识别图片的过程，从所看到的图片中提取特征信息于数据库中的信息进行对比，这一过程通过深度学习实现，会更加的便利快捷。所以深度学习在图像识别方向有着很大的优势，它具备速度快、信息量大、功能多等特点，因此能够在当前农业的发展中发挥出重要的作用，主要用于农作物病害定量诊断、监测、预警与防治等工作。当前加强农业病害检测预警信息化系统建设是发展我国现代农业产业，增加我国的在国际市场的竞争能力，同时带动农民经济发展，从而带动国内水果经济的发展，所以通过深度学习模型来进行病害的识别有了可行的途径，同时也为农业信息化指明了方向。
二、 相关技术介绍
2.1图像识别
图像识别一般是在计算机的基础上，模拟人类视觉识别的过程完成人类对外界事物的识别，而计算机对图像进行处理，也是应用深度学习模型的一种应用。而人类的图像识别，是从眼睛首先看到的事物开始，通过视觉神经网络传输给大脑，该过程就类似摄像头或是将相机将图片送至计算机，接下来就是大脑对所接受的视觉信息进行判断，从记忆中寻找相似度最大的记忆，并对该视觉信息进行处理，分类，最后得出结论。图像识别也是类似的过程，计算机对收到的图片进行预处理并与数据库中的现存图片的信息和特征进行对比，重复与大脑相似的步骤，找到相似度最高的图片，并将最后所得到的结论呈现出来。
2.2Python
Python由荷兰数学和计算机科学研究学会的Guido van Rossum 于1990 年代初设计Python一般包括两个标准的数据库，这两个库的作用就是提供函数的函数式程序设计工具。Python可以说是一种解释脚本语言，不同于c语言的条例清晰，它是完全面向对象的语言，同时由于其本身特点也增强了其源代码的复用性。在代码的运行一般靠的是虚拟机进行执行已编译好的代码。
2.3深度学习
深度学习是机器学习和人工智能研究的最新趋势之一。它的出现让目前社会中很多的难处以及不利的条件得到了处理。深度学习的方法让图像处理技术得到了革命性的前进，同时它的功能性和便利性远超于当前的最先进的机器学习。从模型上来说它是一种深层模型，层叠式的架构，有多个层组成。通常来说，深度学习方法一般是通过分层学习进行，简单来说就是通过划分，以简单的方式逐层进行学习，把复杂的东西的东西划分成简单的东西进行学习。其主要的用于特征学习、表示、分类和模式识别，通过分解成低层次的信息，通过一系列的线性和非线性的组合来表示高层次的信息。这样就可以用简单的方式去解决复杂的问题，或者是来完成一个较高层次的表达。在当今的世界上无数的研究，都开始趋向于深度学习，由于其非线性的分层便于解决复杂，多层次的问题，使得其在多个领域去到了傲人的成果。
1957年，Frank Rosenblatt在《New York Times》上发表文章《Electronic ‘Brain’ Teaches Itself》，首次提出了可以模型人类感知能力的机器，并称之为感知机。后由于单层感知器的缺点，人们想到了在输入层和输出层之间加入新的层次称之为隐层，就够了多层感知机。 BP算法最早由Werbos于1974年提出，1985年Rumelhart等人发展了该理论.BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。2006年，加拿大多伦多大学教授Geoffrey Hinton对深度学习的提出以及模型训练方法的改进打破了BP神经网络发展的瓶颈。后逐渐发展起来的有CNN(卷积神经网络)等模型。[10]
2.4卷积神经网络
卷积神经网络（CNN）是一种前馈神经网络，卷积神经网络中包含着卷积运算且其结构深层结构，属于深度学习方向的人工神经网络，同时也是深度学习具有代表性的算法之一。
卷积神经网络结构图
卷积神经网络能够分层对所接收的信息进行平移不变分类，也有着表征学习的能力。如上图所示是卷积网络的模型结构图，从图片的作弊那开始来看，第一步是输入图片，进入模型的输入层中，此处可以理解为输入了N个矩阵至输入层中。紧接着就是卷积神经网络的关键位置卷积层，该层是由N个卷积单元组成的，该层主要是通过局部感知和权值共享来完成功能的。其主要的功能就是对来自于输入层的图像信息进行卷积操作，提取出图像的特征信息。下一层就是池化层，在该层我们得到的是最原始的特征图像，同时其作用是对得到的最原始特征图像进行抽象，目的是为了减少模型训练的次数，减少计算机运行的计算量，还有一个作用就是减少模型的拟合过程，保证其运行的流畅和便利
三、 系统设计
3.1 系统总体规划
系统通过输入的图片（Input），进入基于深度学习的卷积神经网络LeNet模型进行模型训练，对图片的特征和信息进行处理，并分类。最后致Output输出图片的信息分类，经过割爱操作之后识别准确率会更高，结果叶会更加理想。
3.2 概要设计
3.2.1数据集的采集
将数据集分成测试集和训练集，后进行模型的训练。此实验一共选取了4种病害的苹果树叶片的图片进行试验，每种病害共用图片50张，共计200张。
3.2.2图片预处理
在使用深度学习方法的过程中，经常需要对输入的图片进行旋转、裁剪，转换为输入图片的大小和尺寸。为保证图像处理的准确性，通常还需要对图片进行预处理，通常是先将数据集的图片进行一定角度的旋转（90度、180度、270度），在按一定角度进行裁剪，后再进行沿x轴或y轴的镜像操作，改变其亮度，对比度等相关信息。下图是部分苹果树树叶的数据集。
对于数据集中不同图片，可以采取合适的方法进行旋转，分割处理等操作，程序采用keras算法来实图像的处理操作。
3.2.3配置相关信息
LeNet网络模型进行苹果树叶病害图像识别，首先第一层是输入层，在向输入层传输照片的时候需要在输入层将招聘的大小确定并统一。下一层是C1层卷积层进行卷积运算，并提取特征提取，卷积核取5x5，个数为32个。然后是S2层池化层采用的是最大池化，接受来自C1层的特征信息，并对这些信息进行最大值的提取。 C3层又是卷积层，主要是对提取的特征进行压缩处理。S4层池化层的功能与S2层功能一样。再接下来就是F5层 为全连接层；主要进行全
连接处理。然后再是输出层，在这里分好类之后在对数据进行输出。
VGG-16网络模型，其中由13个卷积层，进行卷积操作，还有3个全连接层，其网络的机构是一致的，其中卷积层采用的是3x3的卷积核和池化层的2x2卷积层，其卷积过程基本相似。
3.3结果分析
实验结果和数据如上图所示，首先是LeNet模型，图像中的蓝色线代表训练集，红色线代表测试集，横坐标代表迭代次数，纵坐标代表叶片病害的准确率，通过GPU的训练，我们每次投入25张图片进行模型的训练，在一百次之后准确率在80％左右，。 一般的情况下可以完成叶片病害的基本识别。第二张图是基于VGG-16模型的实验数据，蓝色线代表训练集黄色线代表测试集，横坐标是迭代次数，纵坐标是叶片识别准确率，通过GPU进行训练，投入相同张数的图片进行训练，通过观察图像可以得知，起始两个模型的识别率都不高，在10张之后VGG-16模型识别准确率已经与LeNet模型的准确率处于持平的状态，随着迭代次数的增加VGG-16模型的准确率有着明显的提升，loss函数的情况也是优于LeNet模型，这表明在相同的时间和资源的情况下，VGG-16模型的识别准确率是要高于LeNet模型，在这种条件下，对于测试照片基数不大，时间相对紧迫的果农来说，VGG-16模型更具有优势。
四、总结
本论文进行了基于深度学习的苹果树叶片图像识别的研究，在当下经济全球化的背景下，世界各国经济竞争愈演愈烈，每一种进出口的贸易都会是一场另类的“战争”。而苹果特别是优质苹果的产量的产出的效率，以及经济成本显得尤为重要，这其中最大因素就是病害的处理问题，传统的病害处理，面临着高成本，高人力的问题，对于广大的果农来说是不小得经济负担，所以通过深度学习中的卷积神经网络来解决此问题就有着很大的可行性。相对于传统的图像识别和人力识别，利用深度学习技术来完成的图像识别，实现了财力物力的最大程度的节约，在准确率方面有着强大的优势，随着迭代次数的增加，准确率也在逐渐的接100％，由于本人的知识问题对于准确率的提高方面，没有做到尽善尽美。同时论文详细的介绍了深度学习的概念，所使用的卷积神经网络的发展，以及lenet模型，同时也验证了深度学习在病害识别方面的优势和可行性。通过对python软件的使用也让我对算法和代码的理解更加的透彻。
对于未来来说，基于深度学习的图像处理技术，可以得到更多更加广泛的运用，通过对苹果树病害的识别，可以让人们节约大部分的人力和物力，但是迎面而来的问题还有系统建立的便捷性和使用的便捷性。通过卷积神经网络进行的识别极大的增加了识别的准确性，但是相似类型病害图片的识别也会出现识别不成功的问题，所以数据集的采集和训练结果的准确性就会有着更大的要求。总体来说，利用图像识别进行病害问题的处理，会给广大人民个人生活乃至国家的数字化农业的建设带来极大的助力和进步。
五、 文章目录
目 录
1引言1
1.1研究背景2
1.2研究内容2
1.3研究意义2
1.4国内外研究现状3
2相关技术介绍5
2.1图像识别5
2.2Python5
2.3深度学习5
2.4卷积神经网络6
2.5LeNet网络8
2.6Vgg-16网络9
3系统设计及结果10
3.1系统总体规划10
3.2概要设计10
3.2.1数据集采集10
3.2.2图片预处理10
3.2.3配置相关信息11
3.3结果分析12
4总结与展望13
参考文献14
致谢14
相关知识
基于深度学习的农作物病害图像识别技术进展
基于深度迁移学习的农业病害图像识别
基于深度学习的苹果叶片病害识别研究
深度学习在农作物病害图像识别中的研究进展
基于深度学习的农作物病虫害图像识别技术研究进展
基于YOLOv8的苹果树叶病害检测研究（附源码+数据集+可部署安装）
基于深度学习的病虫害智能化识别系统
基于改进YOLOv5s的农田辣椒病害图像识别
向日葵图像识别深度学习数据集
基于图像的小麦真菌病害深度学习识别（数据+平台）
网址: 基于深度学习的苹果树叶病害图像识别 https://m.huajiangbk.com/newsview1312832.html
| 上一篇: 核桃病害的识别与防治 – 大博雅 |
下一篇: 核桃病害的识别与防治 |
