PAGE2PAGE1基于遷移學習的草莓果實白粉病識別研究與應用摘要近年來，草莓果品在國內外草莓果品農業和生產經營體系的發展中也占據了非常重要的社會地位。它被國際科學家稱為“水果女王”。但草莓在栽培過程中容易引起或遭受各種果樹病蟲害的直接侵襲。草莓粉狀害蟲的反復發生將進一步嚴重干擾和直接影響草莓果實作物的正常產量和品質。目前，傳統醫學中最常用的植物葉片圖像病害特征診斷和識別方法仍是基于人工診斷、選擇和識別植物葉片圖像和受損果實圖像，并結合人工手段對主要病害特征進行提取和識別。費時費力，多發生在癥狀特征不明顯的識別診斷關鍵期。由于缺乏一些主觀和有意識的因素，容易導致錯誤識別和誤判。因此，本專項技術研究的目的是進一步研究和探索我國草莓果實白粉病問題，制定一套更高效、準確、快速、高效的草莓果實病害防治和鑒定方法。本文首次提出了一種基于遷移學習技術的草莓白粉病識別技術的方法模型及相關應用模式，能夠輕松實現對白粉病植物的快速、有效、準確識別，對整個作物病害的檢測、鑒定和分析領域具有一定的實驗參考價值。關鍵詞：草莓果實白粉病；遷移學習；卷積神經網絡；病害識別；Django目錄TOC\o"1-2"\h\u30334第一章緒論 1167961.1研究背景與意義 110201.2研究的內容 46051第二章草莓果實數據庫建立 5149882.1草莓白粉病介紹 5116862.2草莓果實圖像的采集 683312.3草莓果實圖像的處理 710732.4草莓果實圖像數據庫的建立 133662.5本章小結 1414745第三章基于遷移學習的病害識別模型研究 15184653.1模型設計 15254353.2結果分析 172933參考文獻 25基于遷移學習的草莓果實白粉病識別研究與應用第一章緒論PAGE1第一章緒論1.1研究背景與意義在北方的水果和蔬菜生產中，草莓仍然占有重要的地位。其優質水果因其美味、新鮮、多汁、營養豐富，被專家稱為綠色食品中的“水果皇后”產品。水果除用作新鮮食品外，還可以進一步加工成果汁、果酒、草莓醬飲料等功能性食品，具有很高的潛在經濟開發價值(如李鶴等，2016)。此外，草莓生產季節短，適應性強，在溫室種植管理上更有優勢，易于栽培。然而，草莓白粉病的復發將直接嚴重影響草莓的果實產量和外觀品質(詳見郝寶春和楊莉，2009)。近年來，由于我國農業經濟形勢、氣候變化、農村勞動力資源等各種社會綜合因素的影響，在植物病害的調查、檢測和預測中出現了許多新的問題。其研究正面臨著新的實踐挑戰，并趨于嚴峻。因此，開發新型植物病害調查檢測技術是保證植物在生長育種過程中快速健康生長的必然客觀要求。本研究旨在對我國草莓果實白粉病進行診斷和鑒定，為今后草莓人工采收、農藥施用栽培等自動育種提供堅實的理論和技術基礎。這對提高草莓減產增效，安全有效地防治果樹病害具有積極的科學理論意義。隨著農業計算機技術領域研究的逐步深入和發展，一種基于農業計算機圖像技術的具有多種處理和分析功能的農林植物病害自動圖像識別新方法已經出現或發展。2015年年中以前，農業植物病害特征的快速識別方法是基于圖像技術的研究。主要發達國家采取了一些人為設計的特性曲線圖像快速識別疾病的特征,如如邊緣線(廖經緯等,2018)、HOG(SugiartoB等,2017)、LBP(YuanQi,Zhou等,2018)、Haar(王震等,2018)、SIFT(劉永波等,2018)等。然后，將功能分類中計算和特征識別的研究方法應用于人工神經網絡(HiaryH等,2011)和支持向量機網絡(PadolPB等,2016)。由于三維植物病害的紋理極其復雜，通過人工建模獲得的病害圖像模型系統的典型應用研究場景一般設置在三維非結構化環境中。因此,如果疾病三維圖像特性僅靠人體建模系統是設計和建造,很難確保幾乎所有三維外觀特性數據包括上述三維主要疾病從疾病中提取圖像紋理特性,并且識別度較強，使得通過上述模式和識別建模方法得到的三維植物病害特征系統識別模型具有通用的仿真效果。相對而言，卷積神經網絡(ConvolutionalNeuralNetwork,CNN)具有更強大的生物特性，如植物自主記憶、分析和判斷能力，以及系統學習語言表達和識別能力，可以有效避免長時間的學習。近年來，它已廣泛應用于農業植物病害的人工識別。摘要z等。針對我國9種轉基因雜交玉米葉片病害，提出了一種基于深度機器學習算法的改進玉米繼發性病害識別模型。綜合實驗分析表明，googlenet模型和cifar10模型對第一種疾病的平均識別準確率分別為98.9%和98.8%(XihaiZetal.，2018);OppenheimD等。首先，成功比較了深度卷積神經網絡算法，驗證了溫室馬鈴薯種植中4種常見重要作物病害的智能快速識別、分類、檢測和識別分析(D.etal.，2017);馬軍成等人針對中國溫室黃瓜生產中的另外兩種常見病害，構建并完成了另一種基于CNN網絡算法的全球馬鈴薯病害智能快速識別、分析和檢測系統的開發。智能分析檢測系統的快速識別檢測精度在95.7%以上(馬俊成等，2018)。孫云云等針對茶樹三種常見病害設計并優化了7種病害預處理技術，利用alexnet模型技術實現了茶樹病害的快速識別系統(孫云云等，2019)。以上研究成果僅指基于cnn學習方法在小樣本疾病快速識別中的成功應用。然而,由于大量的快速識別應用程序模型的參數通過CNN學習方法訓練通常需要很長時間才能被訓練通過大樣本數據集模型,為了大大縮短學習時間樣本模型的訓練,實現快速和學習效果更好的應用程序,許多相關專業和學者倡導知識轉移學習方法的訓練方法，將在大樣本數據集基礎上學習到的知識轉移到“轉移”中，并應用于訓練自己的疾病快速識別模型。龍勝等課題組對油茶四種病害進行了alexnet模型的遷移驗證和學習。實驗和分析驗證結果進一步充分表明，該病害識別與油茶病害識別方法相比，具有魯棒性低、魯棒性高、準確性高的優點(longManshengetal.，2018)。章建華等等。對5種草莓棉病害進行了鑒定，并通過微調和遷移學習對vgg-16網絡模型進行了改進。草莓病害鑒定結果加權平均識別率達到89.51%(張建華等，2018)。上述研究領域大多集中于草莓等豆科果樹病害特征的快速識別。目前還沒有基于CNN的草莓果實病害特征快速識別與應用的基礎研究卷積神經網絡技術本身具有非常強大和靈活的生物自主特征學習能力。對自然語言進行識別和快速的表達式提取和分析，可以有效地避免一些復雜的學習和提取過程。近年來，該算法已廣泛并成功地應用于植物病害生物學癥狀和行為的快速智能特征識別。然而，根據國內學術界目前的相關研究網絡模型，大多只針對雜交水稻、玉米或小麥白粉病等種子作物，而缺乏能夠直接用于雜交草莓白粉病等果樹抗白粉病研究的深入研究網絡模型。因此，筆者隨機選取并設計了這四種深度研究網絡模型(vgg-16、resnet-50、Inception-v3和densenet-121)，它們是一系列研究網絡模型的設計框架。采用參數遷移模型的設計開發方法，在大型網絡數據處理平臺Imagenet上對系統進行了多次仿真訓練。將仿真模型數據和仿真訓練結果參數的傳輸直接用于草莓白粉病的識別和模型試驗。現對本次專項前期研究項目所完成的十余項重大實驗研究和設計工作成果進行總結，并簡要介紹獲獎目錄中具有代表性的主要成果:(1)初步建立了大型草莓健康果圖片和草莓白粉病圖片數據庫。收集并記錄兩種主要類型的圖像，即大型草莓果實的綠色健康果圖像和草莓白粉病(在田間環境條件的各種變化下可能引起病蟲害)的綠色健康果圖像，建立并形成國內最大的大型野草莓健康綠白粉病圖像數據庫，至少包含6364萬張圖像。為了更好、系統地探究草莓田生長環境變化產生的冗余圖像信息是否能夠再次對卷積神經網絡特征目標提取模型的構建產生重大影響，本研究的重點是將基于HSV的閾值分割提取方法與抓取與切割算法相結合，進一步實現草莓果實圖像樣本的特征目標圖像提取。此外，利用網絡方法對圖像樣本數據進行仿射變換，可以方便地實現模型數據信息的有效擴展，提高網絡模型分析研究的數據魯棒性、效率和準確性。(2)基于遷移學習算法的疾病識別模型系統的算法構建與實現技術及模型優化。本課題的研究成果將提出四種改進的草莓白粉病識別網絡模型?；趨祩鬟f的遷移學習方法，對上述四種網絡模型的最后一層進行重新設計和初始化(將原來網絡的softmax分類器替換為兩個標簽的softmax分類器)。網絡各層的其他模型可以在大型圖像數據處理集Imagenet上直接對網絡權值參數進行預訓練，然后利用草莓果實圖像數據庫對網絡參數進行微調。考慮到實驗網絡的復雜性，選取了3種類型的圖像和3種分辨率，進行了36組圖像組合實驗。同時實驗也證明了基于改進偏移算法和深度學習算法相結合的densenet-121模型在目標提取上是有效的，在512像素處分辨率僅為512×左右。草莓白粉病檢測儀的鑒定準確率在同行業中最高，達到98.12%。（3）草莓果實白粉病特征檢測智能識別和預報分析系統軟件的應用設計及開發。基于蘋果Django技術框架搭建蘋果草莓病害智能檢測識別及分析應用系統,實現了蘋果系統對草莓果實白粉病特征檢測的智能病害特征檢測與識別。該識別技術系統還可具備集文字圖像信號的直接輸入、識別存儲及智能處理、結果信息實時展示的功能應用等多重的功能特性優點于一身,為當今我國的果農用戶們提供探索出的了的另外又一種高效快捷且準確和簡便安全的新一代智能草莓果實白粉病特征的識別存儲方式。綜上所述，本系列論文系統地基于以下四種經典網絡模型。將遷移算法與機器學習方法進行系統集成，并將遷移算法應用于草莓白粉病的識別模型。通過對多種鑒定方法的組合優化和對比實驗研究，合理選擇優化后的鑒定網絡模型，實現了對多種草莓白粉病類型的快速鑒定，實現了更好更快的鑒定?；谧R別技術理論，建立并驗證了識別技術模型，并與政府合作設計開發了草莓白粉病智能快速識別技術系統，從而全面、快速地滿足國內農業及相關技術研究人員和基層果農提供的迫切信息需求。1.2研究的內容本文擬將基于VGG-16、ResNet-50、Inception-V3和DenseNet-121等這類4種經典的網絡模型,利用知識遷移分析與機器學習方法將基于其在大型網絡圖像數據集ImageNet上學習所獲取到的相關圖像知識進行遷移并應用到草莓果實白粉病識別模型,利用采集獲取到的約為6364幅草莓果實圖像數據并對該識別模型進行多種綜合技術訓練方法試驗篩選及模擬測試,經過多種技術組合的方法篩選試驗后最終確定選取出草莓最優的識別模型,實現了草莓專家對多種草莓病害類型的準確快速并較好地識別?；趯σ陨舷到y理論研究探討結論及實際應用開發實踐過程進行科學探究,設計研制成功并結合實際應用技術開發總結出了草莓果實白粉病的綜合快速識別應用技術系統,實現在了田間栽培和環境情況條件下的對草莓果實白粉病綜合識別。第二章草莓果實數據庫建立第二章草莓果實數據庫建立2.1草莓白粉病介紹草莓白粉病通常指植株葉片正面上的染病,在草莓白粉病癥狀發生或初期植株發病情況時葉片表面的或背面的都有將會長生出的許多的薄薄的一片的銹白色菌絲層,隨著初期植株的患病和嚴重受害情況而逐步的變得逐漸地加重,在發生草莓白粉病癥狀的晚期癥狀時葉片正面也是將會開始漸漸的呈現許多暗紅或褐色病斑,如草莓葉緣的葉片逐漸卷曲而萎縮,逐漸變焦枯。草莓白粉病是果實在前期極易染病,幼果表面往往還不會完全從其正常大小程度上膨脹就迅速腐爛變軟粗大,呈半自然性干枯萎縮狀,若因其果在其成熟或后期突然地受到大量白粉粒侵害,果實表面上將就會逐漸均勻的覆蓋住了那一層薄薄的厚厚一層的白色粉末,隨著草莓前期的患病及受害嚴重情況而逐步地的發病逐漸地加重,果實外觀也將會因此慢慢的失去其正常的光澤感和慢慢的失水而硬化,著色度將隨之減弱,嚴重會大大影響到草莓漿果制品生產的貯藏加工與質量,造成了嚴重損害商品價值降低和經濟效益損失。草莓果實白粉病圖像特征的識別診斷方法可通過邀請草莓病理學科專家現場進行病理判斷檢測診斷與病理檢測確認,部分草莓新品種的成熟果實表現的草莓白粉病圖像特征可如下文圖例表2.1圖中所示。圖2.1草莓白粉病示意圖2.2草莓果實圖像的采集圖2.2田間環境草莓健康果實圖像圖2.3田間環境草莓白粉病果實圖像本實驗將利用某高校后山草莓實驗種植基地溫室內大量健康草莓果實圖像，進一步構建草莓圖像數據庫。目前，數據庫中只包含以下兩張草莓種子圖像，即健康草莓果實和田間環境下生長的白粉病草莓果實。為了充分考慮拍攝環境和天氣條件下拍攝對象的自然拍攝場景，我們還選擇了避陽光、陰天、上午和下午正常拍攝、采集實時圖像的背光拍攝方式。所有捕獲的相機數據設備均轉換為華為手機，所有焦距拍攝功能均設置并升級為手機自動智能自動對焦。圖像采集時顯示的兩張照片分辨率約為3456像素×3456像素。草莓圖像質量的具體變化如圖左圖2.2和中間圖2.3所示:在本課題的實驗研究階段，草莓果實樣本圖像數據庫的圖像采集范圍和采樣時間跨度較大。在兩個采樣周期內，需要連續采集約7108萬張草莓健康水果樣本圖像。去除一些非常古老和模糊的樣本圖像后，保留了6364張樣本圖像，建立并完善了健康草莓果實樣本數據庫，可用于草莓白粉病果實的快速識別、訓練、鑒定和抗病性試驗。其中，在田間環境條件監測下，獲得健康和無病草莓果實病害圖像3403萬張，白粉病草莓果實病害圖像2961萬張。草莓病害圖像數據庫數量見上文2.1所示:表2.1草莓果實白粉病圖像數據庫數量disease英文名稱中文名稱圖片數量圖片格式Healthyfruit健康果實3403JPGPowderymildewfruit白粉病果實2961JPG2.3草莓果實圖像的處理圖像預處理模型(GlezakosTJ等,2010)是建立疾病快速識別模型系統的重要技術基礎步驟，能夠在短時間內有效提高疾病快速識別系統模型的魯棒性。由于本次實驗中參與者收集的草莓圖像數據主要是與項目組成員合作設計和收集的，所以我們需要盡量剔除一些可能不符合設計要求和標準的圖像數據，并逐步完成所有圖像格式的標準化和所有圖像的命名和表示。本實驗要求統一使用所有圖片格式Jpg和PNG;在圖像命名管理方面，通過標簽管理來統一圖像分類的命名2.3.1預處理實驗研究時我們所能實際選用取到的草莓圖像材料一般主要為在田間光環境照射狀態下進行拍攝采集的野生草莓果實,存在的有較多的葉片區域和裸土區域,以及在拍攝時有可能的由于葉片受到背光環境的影響時所可能產生的陰影區域,這些草莓圖像所冗余出來的信息也都有著可能的將會對草莓病害的診斷識別鑒定能力所產生的著有一定的地影響。具體情況可如下圖表3.4所示:圖2.4田間環境草莓果實圖像在上面的圖中,草莓白粉病圖片編號67和152不包含多個草莓白粉病水果,草莓的莖和葉草莓白粉病不會阻塞圖像編號73,和草莓白粉病圖像編號90沒有背光造成的陰影區域。（1）目標提取為了更全面、系統地探究上述現象的發生，以及是否必然會進一步影響卷積神經網絡提取的圖像特征，本階段研究團隊計劃進一步設計并完成以下實驗:實現草莓果實圖像特征的目標提取，并使用OpenCV(sivkovsetal.，2020)編寫圖像特征預處理程序，進一步消除野外環境。在下一篇文章中，我們將從目標提取的過程開始，并簡單地介紹它。A.草莓病果圖像信號自動從RGB顏色空間信號轉換為HSV顏色空間。根據色度和飽和度信息，對草莓病害圖像進行閾值處理，去除背景。B、向各個方向遍歷目標圖像區域，并根據分割結果標記目標區域;C，基于標記區域，結合圖形和切割算法，實現目標信息的自動提取。部分目標提取后的圖像如下圖2.5所示。圖2.5目標提取后草莓果實圖像（2）GrabCut算法Grabcut算法(王連軍和王景秋，2019)是一種基于人工視覺交互系統的圖像視覺分割與識別技術。分割算法只需要用戶確認輸入的前景圖像和背景圖像。根據用戶輸入的圖像的紋理(顏色)、邊界(對比度)等信息，可以對圖像的前景和背景部分進行最優分割，從而實現對前景圖像的較好提取。具體流程如下:A.按照不完全標記的方法，盡量減少人工視覺交互的需要，對前景和背景區域進行標記;B.k-means算法還可以直接面對面前的風景區和背景區域集群中的所有像素,和聚類的結果可以用來初始化和計算高斯混合模型(GMM)前在前臺區域和背景區域,分別。C.建立能量方程,使用新方法,例如迭代變換和迭代更新替換主能量最低的估計價值,調整能量高斯混合模型的參數,并使用新的算法,如Mincut/maxflow,最小化能量來實現多目標能源開發價值。E(α,k,θ,z)U(α,k,θ,z)V(α,z)（2-1）式中:為透明系數，α的值A為0表示背景，α常為1表示前景;K表示每個GMM的分量個數，K表示∈{1,2,K}，K值的一般個數通常表示為5;θ={πk,uk,k}，表示給出了各GMM的分量個數及其對應的比例、平均系數和協方差，E值表示能量函數。當只取E的一個值作為其最小值時，可以快速實現最佳分割。U是圖像用來表示圖像區域之間的相似性匹配項和所有相鄰像素測量圖像的透明系數αZ,α的最小值是當所有的相鄰像素的圖像都可以正確地劃分為圖像的前景和背景區域;系數v表示圖像邊界能量、相鄰像素之間的相似匹配度以及在圖像邊界處取的最小值。2.3.2數據擴充深度卷積神經網絡的研究需要科學家通過訓練獲得大量的樣本圖像數據，從而有效提高果樹病害樣本的識別和準確性。但疾病樣本信息的采集和獲取較為困難。目前還存在一個很大的問題，缺乏一個大而完整的草莓白粉病圖像數據集。因此，在本專題研究中，網絡樣本圖像模型可以通過計算機進行各種仿射和變換方法(平移、旋轉、縮放、翻轉等)，實現模型數據和pr的動態擴展。數據擴充方式如下：（1）平移變換圖像平移變換(LiR等,2020)是指可以在任何一個水平方向圖像或在任意一垂直一個水平方向圖像軸上移動在一個垂直圖像軸上圖像的其它的所有像素的像標,意味著其他的所有圖像的其它像素也可以依照對其在事先或已被給定位置圖像的偏移量而沿著圖像沿著垂直于X度軸的軸方向圖像在任意一水平方向圖像上圖像的方向移動,沿著圖像的垂直相對于垂直Y度軸圖像的水平軸向圖像在任何一個垂直圖像的方向圖像上的移動。圖像尺寸的平移上的移動變換類型又通常分為保持原有圖像尺寸上的微小變化類型和繼續保持現有圖像尺寸上的微小不變型兩種。第一種矩陣類型能夠保證記錄保留了進行圖像尺寸變換過程前所得的所有原始及完整的圖象信息,第二種矩陣類型存儲中得到的部分原始的圖像資料和完整原始圖形信息仍有部分可能會被存在或部分改變或全部丟失。其基本矩陣定義方式及基本計算矩陣公式都可用分別來表示如矩陣公式2-2、2-3所示:（2-2）（2-3）上式中,dx分別表示變換原的水平偏移量,dy均表示變換原的垂直和方向偏移量,其中的(x0,y0)均能表示原變換后原圖像的水平圖像坐標,而的(x,y)均僅能夠表示出原圖像變換后水平的方向圖像坐標。本方向課題先研究自定義平移矩陣,后又將探索利用一個基于OpenCV的warpAffine函數來實現對草莓果實圖像矩陣的平移及矩陣的變換。經過平移處理和變換處理過程后所形成的草莓果實圖像如左圖第2.6段中的所示:圖2.6數據擴充—平移變換（2）旋轉變換圖像旋轉變換法動力學(QiyinC等,2018)動力學是指一個方法指能讓一張圖像能夠按照在其特定的空間位置被旋轉變換為一種特定的空間角度,并可確保其在被該角度旋轉或變換的過程中保持著該幅圖像中最接近原始的尺寸大小和恒定形狀的一個動力學過程。在每次變換一個旋轉坐標系的旋轉圖像參數坐標之后,該單幅旋轉圖像坐標系內的圖像水平向對稱軸、垂直方向或對稱軸方向上和該旋轉的圖像中心坐標位置上相應的旋轉圖像原點位置上均表示隨時也可能會要同時發生另外一些位置變化,因此我們還會需要相應地重新再一次變換這一個旋轉圖像坐標的圖像旋轉中心坐標。其圖像的旋轉坐標參數示意圖如附件第2.7圖所示:圖2.7旋轉變換示意圖Figure2.7Rotationtransformationdiagram變換后的圖像用上圖中的原始坐標(x0)表示，其中，變換后的圖像用原始坐標(x0)表示，α分別表示原始圖像的坐標點與原始坐標軸的相對夾角，其中θ分別表示原點的旋轉角度，R分別表示從原始圖像坐標原點到變換后原點的線性距離。矩陣和積分公式如圖2-4和2-5所示:(2-4)(2-5)本課題的實驗目的和研究方法是利用getrotationmatrix2d函數獲取原始圖像中的旋轉矩陣，然后利用基于OpenCV的warpaffine函數逐步實現原始圖像中旋轉矩陣的旋轉變換。旋轉后形成的草莓果實圖像如圖2.8所示:圖2.8數據擴充—旋轉變換（3）鏡像變換圖像的垂直向鏡像變換方法(AVC等,2019)該方法又包括了水平鏡像變換法和圖像的垂直方向鏡像變換方法等兩種的主要應用類型。水平鏡像的變換的方法一般是指通過以左右兩幅圖像的各自的垂直軸同一直線方向圖上的某一條中心線圖像為垂軸,對換另外一條圖像中心線方向上左右兩側的圖像的相同長度的每兩個像素,意味著我們需要先將另外兩條中線圖像中心線上兩側的圖像其左下一半長的圖像部分圖像和其的右上半長部分圖像進行互換。垂直半鏡像變換基本原理是指以兩條垂直相交于一個圖像水平方向線上的某一條圖像中心線為變換軸,將另外兩個平行圖像軸間的圖像垂直水平上半的圖像部分和垂直于水平垂直下半圖像的圖像部分之間相互映換。水平鏡像變換原理中所用的變換矩陣的組成方法及運算基本運算公式也可分別單獨列出如公式圖2-6、2-7式中所示:(2-6)(2-7)上式中,(x0,y0)分別表示變換原的圖像坐標,其中(x1,y1)分別表示變換后的圖像坐標,W分別為表示像素寬度。本部分研究主要利用基于OpenCV的flip函數來實現原圖像的水平鏡像變換。經過水平鏡像變換處理后形成的草莓果實圖像如左圖第2.9頁所示:圖2.9數據擴充—水平鏡像變換（4）縮放變換本方向研究是利用基于OpenCV的resize函數來實現原圖像的縮放與變換。將草莓和果實的圖像分辨率可分別縮放調整至128位像素×128位像素、256位像素×256位像素、512位像素×512像素。2.4草莓果實圖像數據庫的建立通過總結了對以上這幾點最簡單直接地進行闡述,在系統地完成包括了對大量的來自于全國草莓果樹試驗及種植基地數據庫的果實圖像信息進行采集與分析整理以及果實圖像進行采集后預處理工作的各項操作技術步驟等后,對數據庫所有通過采集技術獲得信息的全國各類優質草莓果實圖像數據均能夠進行實時自動的存檔與管理存儲和信息自動分類,實現了中國優質草莓果實圖像數據庫信息存儲管理自動化系統平臺的初步成功地建立。數據庫模型中的主要樣本信息包含涵蓋了草莓白粉病危害果實特征圖像及草莓健康果實病害特征圖像數據兩大數據類,并還可以直接依據平移變換、旋轉變換、水平鏡像變換、縮放垂直鏡像變換等各種特征數據的增強及變換等方式來自動擴充樣本圖像數量至約為57276萬幅,大幅度上地增加了草莓病害特征數據多樣性,提升到了數據庫模型中的識別結果的分析準確率。本次研究項目的其他所有的研究實驗研究工作雖然都沒有可能全部只去集中于針對草莓果實白粉病,但是在這次的研究與實驗的工作過程中建所立起來的草莓果實病害數據庫也正好可以被用來作為給那些對未來開展專門的研究進行此類植物問題相關的研究感興趣的中國學者們建立的另一個相對開放的研究數據源。此外,若將來要獲得能比較迅速準確地快速地識別已鑒定分析出來的優質草莓果實表面上還有其他種類的草莓病害種類,也可能將獲得可以通過直接添加在其他果實種類表面上的草莓病害圖像數據。通過進一步利用這個初步實驗和結果可建立較為完整準確的優質草莓果實病害圖像數據庫,為我們將來研究實現高效優質的草莓果實無公害工廠化高效栽培及其生產運行模式等提供了一個比較可行且高效準確的科學數據基礎。2.5本章小結本報告章框下我們首先詳細系統深入地詳細提出與論述分析了草莓果實白粉病圖像數據庫的一些相關基本理論概念,其次詳細系統地表明和討論分析了基于本項技術研究的圖像數據集的基本獲取方法渠道及草莓果實圖像數據庫模型體系的幾個基本的建立,再接著分別系統詳細系統地論述了分析探討了草莓果實圖像信息獲取方法的兩種最主要的預處理的方式。一是采用目標區分割提取作為預處理的方式,首先我們要首先采用一種基于HSV的顏色空間技術來對目標區原圖像區域信息進行一個高閾值的分割與提取預處理;而后我們再分別依次來根據這個閾值和分割后的預處理結果分別進行遍歷目標像素點和標記目標區域圖像信息;最后是通過選擇將該果實圖像目標區域數據作為GrabCut算法模型中的框選對象數據來實現完成了對該草莓果實圖像數據集的圖像目標域的提取。二則是通過利用圖像數據集的擴充訓練等方式,對該草莓果實圖像樣本數據集進行了平移、旋轉、鏡像變換及縮放變換等以完成擴充與訓練該圖像數據集。最后是簡述地討論介紹了該草莓果實圖像數據庫模型的一些初步概念建立。第三章基于遷移學習的病害識別模型研究第三章基于遷移學習的病害識別模型研究3.1模型設計為了顯著縮短模型的訓練時間，提高模型的自識別和準確性，設計中選擇了4個深度訓練神經網絡模型(vgg-16、resnet-50、concept-v3和densenet-121)。采用參數遷移的訓練方法，我們可以在Imagenet大數據存儲平臺的基礎上進行多次深入的訓練，并將模型的訓練時間參數傳遞到草莓白粉病識別模型中。3.1.1模型分析與優選（1）VGG-16模型VG16的模型層包括這16個模型層，它們也應該是vgg-16模型名稱的來源。在最基本的結構層次上，VG模型中包含的各種層次模型一般至少采用五個卷積段，每個卷積段至少包含一個或多個連通的卷積層。同時，在每個分段的末端，需要連接另一個最大的池層模型，以幫助減小圖像的大小。其中，vgg-16模型從頭到尾只有兩個維度，大小只有3×3左右，卷積核和3的三維只有2×2左右，結構簡單清晰。vggnet模型的另一個核心技術特點是它的主要功能可以直接在網絡中的三個測試和訓練過程中實現。在這三個測試和訓練過程中，其他三個網絡的全連通卷積網絡層可以直接替代其他三個網絡的全連通網絡層，這樣鏈完整卷積網絡的三個網絡獲得的圖像在測試過程中不會太擔心被完整的連接層的寬度有限的三個網絡,然后他們可以接收任何網絡的圖像輸入寬度信號或其他兩個網絡高度信號同時,能夠快速測試各種大型圖像輸入模式的網絡。（2）ResNet-50模型殘差網絡模型的深度學習可以直接幫助解決深度網絡計算中的退化問題，這也證明了為什么我們可以直接訓練和構建這樣一個更寬、更深的網絡結構。在RESNET模型中，平均池層可以通過一個步長約為2倍的卷積直接有效地操作，這種全局平均池層操作可以完全替代任何全連通層。兩個非常重要的模型的優化控制原理設計中引入RESNET網絡模型設計也是,當每個兩層網絡特性圖的尺寸范圍翻了一半或更少,功能圖的數量只會翻倍,從而有效地保持最低設計網絡層模型設計的復雜性。與其他常用的網絡模型設計方法相比，RESNET網絡層模型設計還在每兩層網絡模型中增加了短路機制，形成了殘差學習。其中resnet-50模型的計算精度趨向于保持較高的精度，其運行裕度范圍一般較小。它是目前國內最成熟、最理想、最實用、最可行的殘差網絡計算和訓練模型。（3）Inception-V3模型在inception-v3模型中，最重要的數學和創新點之一是因式分解，它可以將任意對數體積積分解成任意兩個非對稱卷積之間的級數。最后，模型還可以將×7分解為兩個一維卷積(1)×7,7×1)，將3×3分解為兩個一維卷積(1)×3,3×1)。根據以上三種方法的主要優點，不僅可以適當加快計算在網絡中的收斂速度(剩余的計算能力可以用來深化網絡)，還可以進一步大大增加網絡的深度，大大降低了網絡設計中計算的非線性，有效減少了網絡參數的數量，加快了計算網絡的收斂速度。（4）DenseNet-121模型Densenet模型設計的技術核心是建立網絡不同層之間的連接關系，使網絡的每個卷積層輸出的特征層數盡可能小(小于100)，它不像許多其他網絡系統那樣有幾百甚至幾千個像素那么寬。同時，該計算方法充分利用了特征梯度轉移(每層直接連接輸入與損耗)，進一步減少了特征梯度轉移消失后的冗余問題。該模型通過使用瓶頸層、交換層和小學低接入率，減少了網絡信道，減少了參數，有效抑制了擬合過快的現象，大大減少了計算量。依據Keras的中文文檔數據顯示,以上4種網絡模型在大型圖像數據集ImageNet上部分數據情況如表3.1所示:表3.14種網絡模型在ImageNet上部分數據情況模型尺寸前1名準確度前5名準確度參數深度VGG-16528MB0.7130.90113835754423Resnet-5098MB0.7490.9212563671250Inception-V392MB0.7790.93723851784159DenseNet12133MB0.790.9438062504121從量表結果對比可以看出，前四個圖像網絡模型的網絡深度分布深度依次分布在第23層、第50層、第159層和第121層。在許多大型網絡圖像數據集系統中，如Imagenet網絡模型，一般來說，深度圖像識別網絡的深度數據通常較高，五種深度圖像網絡模型的深度識別精度通常需要控制在90%以上。Vgg-16模型網絡參數差異最大，resnet-50模型參數和inception-v3模型參數在模型網絡參數數量上一般差異不大，densenet-121模型網絡參數差異最小。此外，模型的大小基本上與模型參數的數量成正比。3.1.2模型結構設計目前研發團隊主要采用四種草莓白粉病識別網絡模型?；趨颠w移的遷移學習方法，將四個網絡模型的最后一層vgg-16、resnet-50、initial-v3和densenet-121重新初始化(用兩個標簽的softmax分類器替換原網絡中使用的softmax分類器)。其他層可以直接在Imagenet等大型網絡圖像數據集上使用預先訓練好的網絡權值參數，然后利用草莓果實圖像數據集對網絡參數進行微調。3.2結果分析對上述的這類36組實驗組合得到的試驗及結果數據也應進一步加以計算重新予以繪制表格及加以分析,具體結果數據情況表格式如上圖第3.1段所示:圖3.1模型測試準確率圖3.1顯示了四種深度自學習神經網絡技術(vgg-16、accept-v3、resnet-50和densenet-121)處理了三種完全不同的圖像類型(目標提取、非提取和混合提取)，三種完全不同的圖像分辨率范圍和圖像尺寸范圍(128位像素)×128像素，從基本分析圖中可以看出，即使在同一網絡上對這四種網絡模型進行測試，草莓白粉病的識別效果曲線特征設定點網絡通常也能較好地反映，但每個模型的識別精度之間可能仍然存在一些甚至很大的差異。感知v3模型不能完全提取兩個目標，目標分辨率為128×128，草莓白粉病的正確識別率最低，為73.02%。雖然densenet-121模型可以提取兩個目標，但草莓白粉病的最大正確識別率僅為512×512。3.2.1模型選取比較分析本實驗旨在探討基于遷移和學習技術的四種改進深度神經網絡技術對草莓白粉病的識別和準確率的綜合效果。具體分析見下文第3.2至3.4段。圖3.2分辨率為512×512時不同模型測試準確率圖3.3分辨率為256×256時不同模型測試準確率圖3.4分辨率為128×128時不同模型測試準確率由圖3.2至3.4可知(1)即使將目標圖像的分辨率提高一定倍數，且目標圖像提取方法的精度基本保持不變，densenet-121模型的目標圖像識別精度仍遠高于前三種模型，resnet-50模型的目標圖像識別精度略低于其他4個densenet-121模型。草莓白粉病目標識別準確率的關鍵是其最高識別率為97.72%。與初始模型和n-v3模型相比，vgg-16模型對草莓白粉病癥狀早期識別的檢測準確率普遍較低。(2)與之前的v3模型相比，vgg-16模型對草莓白粉病特征的識別效果普遍較差，說明淺層神經網絡模型對草莓白粉病特征的直接識別效果較差，而且其特征提取的研究能力還不夠，更能有效地提取觀察到的草莓白粉病特征。有必要繼續采用更深入、更豐富、更復雜的神經網絡結構方法提取草莓白粉病識別特征。(3)感知v3模型對草莓白粉病的識別和提取效果最差，說明感知結構模型對草莓白粉病的識別和提取效果不是特別強;神經網絡模型不適用于草莓白粉病的鑒定和提取。(4)與resnet-50模型相比，實驗驗證結果也表明densenet-121模型網絡對草莓白粉病特征識別與提取具有較好的綜合評價效果，結果表明，具有殘差結構的網絡模型在草莓白粉病特征識別和提取方面是成熟的，具有較好的應用前景。因此，也建議在考慮具體條件和選擇草莓白粉病特征提取和識別模型時，首先要仔細考慮如何選擇具有殘差結構網絡的深度神經網絡。(5)Densenet-121模型在草莓白粉病特征識別中的應用效果是世界上最好的。實驗證明，該模型能夠直接有效地將模型中各層或兩層特征之間的特征識別連接起來，且特征識別具有可重用和交叉的特點。對促進特征識別和提取方法在未來草莓果實抗病鑒定中的應用和發展具有更全面、更有效的理論作用。在模型參數計算方面，densenet-121模型的模型參數個數明顯小于其他三種常用模型，模型尺寸一般僅為33MB左右。綜上所述，基于改進遷移模型和深度學習算法的densenet-121模型在草莓白粉病分子識別和預測中具有世界上最好的應用效果。3.2.2目標提取比較分析本實驗主要研究了上述三種不同提取分離方法對草莓白粉病鑒定及準確性的綜合影響。具體應用如圖4.5至圖4.7所示。圖3.5分辨率為512×512時不同目標提取方式的測試準確率圖3.6分辨率為256×256時不同目標提取方式的測試準確率圖3.7分辨率為128×128時不同目標提取方式的測試準確率由圖3.5至3.7可知：1)當目標圖像的分辨率達到一定程度，與所選目標網絡模型的分辨率大致相同時，提取目標模型后得到的草莓白粉病圖像的識別和準確率更高。其中，densenet-121模型提取在分辨率為512×分辨率的目標圖像之和小于512時識別精度最高，達到98.12%。由于沒有人工目標提取和處理，草莓白粉病圖像檢測的識別和檢測精度往往低于國內水平。混合提取后的草莓果實圖像中白粉病的檢測和識別精度在我國普遍屬于較高的技術水平。(2)在composition4.5模型中，提取的目標圖像在512像素處的分辨率約為512pixel×?？梢钥紤]Resnet-50模型和densenet-121模型?；旌蠄D像提取目標方法對草莓白粉病識別結果的準確提取率略低于未使用混合圖像提取目標圖像分辨率的情況。顯然，這種特殊情況可能是由以下兩個重要原因造成的:第一，草莓果實圖像特征提取過程中存在較多不包含圖形的混合網絡模型，不需要提取。提取的水果圖像信息量小，對特征信息提取沒有明顯影響，不利于我們對混合網絡模型特征提取方法的研究。由于深度混合網絡的特征信息提取能力往往強于深度混合網絡，因此能否同時提取更多的目標數據對其質量影響不大。(3)圖例分析模型，當圖像分辨率為256×256像素時，vgg-16模型中多目標混合提取方法的提取精度遠低于混合提取方法。除了一些可能的原因外，還可能有以下原因:Vgg-16模型網絡的分布層較淺，層數太少，本身對草莓果實特征信息的識別、提取和處理能力較弱，對草莓果實白粉病特征信息的識別和提取的準確性一般較低。(4)特征識別的準確性和分布變化可以解釋在野生環境的影響下，草莓果實圖像中可能存在過多的冗余信息，對特征識別和提取結果會產生一定的影響。實驗數據表明，一般情況下，草莓果實圖像背景結構越復雜，白粉病識別的準確率越低。因此，對草莓果實背景圖像結構進行多目標提取和分析，可以進一步提高草莓果實圖像中白粉病的識別和準確性。3.2.3分辨率大小比較分析本試驗研究了三種不同分辨率對草莓白粉病識別精度的重要影響。詳細分析圖如下圖3.8至3.10所示。圖3.8目標提