一种基于深度卷积的干腐病马铃薯的检测方法

1.本发明涉及马铃薯检测技术领域，尤其涉及一种基于深度卷积的干腐病马铃薯的检测方法。


背景技术：

2.在贮藏过程中，马铃薯容易受到致病菌和腐生菌侵染，引发多种贮藏期病害，严重影响了马铃薯的质量。其中，干腐病是贮藏期最主要的真菌类病害，发病率达10％～30％，在窖温湿度适宜时会大面积发生导致“烂窖”，严重影响了马铃薯的商品价值和食用品质，已成为限制我国马铃薯产业发展的重大病害。
3.高光谱成像是融合图像和光谱技术的新型技术，具有分辨率高、波数较多、“图谱合一”的特点，其结合了成像和光谱学的主要特征，可同时获取检测对象的光谱和空间信息。高光谱成像技术在食品和农业种得到广泛应用，该技术将在许多应用领域中取代单一的成像或光谱技术。sun等利用高光谱成像技术对桃子根霉病害引起的腐烂程度进行分析，基于单波段图像建立了桃腐烂区定位方法，将桃分为健康、轻度、中度及严重腐烂程度；li等基于高光谱反射图像，结合主成分分析(pca)和改进分水岭分割算法对真菌引起的苹果腐烂进行了快速准确的识别；郭红艳等利用900～1700nm波长范围内的高光谱图像，对宁夏地区环腐病马铃薯进行了无损检测，校正集和验证集识别率分别为100％和93.33％。
4.高光谱成像技术近年来成为快速无损检测植物病害及化学性质的有力工具。然而，由于高光谱图像对于被测对象的每个像素都是由数百个相邻波段组成的，如此庞大的数据量增加了数据处理的负荷，导致光谱特征的复杂性。传统的化学计量学方法通常依赖于计算所有像素的均值光谱来减少数据处理负荷，而对于固体样品，平均光谱不能揭示高光谱图像中的全局信息。本专利利用深度卷积神经网络来对马铃薯干腐病进行诊断，其能够处理大规模数据，极大改善了由上述问题引起的大规模数据处理的高光谱图像回归和分类任务。
5.现阶段，马铃薯干腐病检测尚停留在抽样基础上的主观经验判断、分子生物学评价等方面，主观经验法通过目测对有明显病症的样品进行识别，但对症状不明显或内部发病的样品辨识能力有限；分子生物学方法灵敏准确，但存在检测效率低、结果滞后、前处理繁琐、分析过程复杂等弊端，不适合于快速实时检测。可见，随着我国马铃薯生产加工产业的迅速发展，研究一种对干腐病马铃薯检测速度快、检测准确度高的方法对于精确防控和诊断病害具有重要意义。
6.为此，设计一种基于深度卷积的干腐病马铃薯的检测方法，解决以上问题。


技术实现要素：

7.本发明为克服以上不足，提供一种基于深度卷积的干腐病马铃薯的检测方法，其解决了传统病害检测方法具有局部性、滞后性、破坏性和间接性等问题。
8.本发明解决其关键问题所采用的技术方案是：一种基于深度卷积的干腐病马铃薯
的检测方法，包括如下步骤：
9.步骤一、采集待测干腐病马铃薯块茎的高光谱图像；
10.步骤二、对步骤一得到的高光谱图像进行去除背景、噪音等预处理，从而得到具有病害、健康两种特征的用来训练深度卷积神经网络的目标数据；
11.步骤三、基于步骤二的目标数据运用深度卷积神经网络模型进行训练，其训练过程为：
12.①
网络进行权值的初始化；
13.②
输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值；
14.③
求出网络的输出值与目标值之间的误差；
15.④
当误差大于期望值时，将误差传回网络中，依次求得全连接层、下采样层、卷积层的误差；各层的误差可以理解为对于网络的总误差，网络应承担多少；当误差等于或小于我们的期望值时，结束训练；
16.⑤
保存训练好的模型；
17.步骤四、基于训练得到的模型准确率来分析所建深度卷积神经网络模型的分类效果。
18.进一步，步骤一中，高光谱图像的采集光谱范围是可见-短波近红外光谱(450～970nm)和(940～1650nm)，利用区域特征加权融合算法将两个波段的光谱数据融合为一个波段光谱。
19.进一步，步骤一具体按照如下实施：将马铃薯样本放置于一块低反射率的黑板上；采集参数为：曝光时间为50ms，移动速度为7.5mm/s，样品到镜头的垂直距离为30cm。
20.进一步，步骤二具有包括掩摸、去均值等操作，去均值：把输入数据各个维度都中心化到0，也就是算出所有样本的平均值，再让所有样本减去这个均值。
21.进一步，所述卷积神经网络是经典的caffe框架，caffe中的数据结构是以blobs-layers-net形式存在，其中，blobs是通过四维向量形式(num，channel，height，width)存储网络中所有权重，激活值以及正向反向的数据，作为caffe的标准数据格式，blob提供了统一内存接口，layers表示的是神经网络中具体层，例如卷积层等，是caffe模型的本质内容和执行计算的基本单元，layer层接收底层输入的blobs，向高层输出blobs，在每层会实现前向传播，后向传播，net是由多个层连接在一起，组成的有向无环图，一个网络将最初的data数据层加载数据开始到最后的loss层组合为整体。
22.本发明的有益效果是：
23.本发明所述的一种基于深度卷积神经网络的干腐病马铃薯的检测方法，该模型诊断马铃薯干腐病快速、系统、简便、正确率高，提高了高光谱成像技术对马铃薯干腐病快速检测的准确性。
附图说明
24.图1为高光谱成像系统示意图；
25.1-样品；2-物台；3-光源；4-光纤；5-岗素灯；6-镜头；7-光谱仪；8-ccd机；9-电脑。
26.图2为本发明方法流程示意图；
27.图3为马铃薯高光谱图像及感兴趣区域；
28.a、b、c代表了病害部分的感兴趣区域
29.d代表健康部分的感兴趣区域；
30.e代表背景的感兴趣区域。
31.图4为深度卷积神经网络模型。
32.其中：
33.1-样品；2-物台；3-光源；4-光纤；5-岗素灯；6-镜头；7-光谱仪；8-ccd机；9-电脑。
具体实施方式
34.以下将结合本发明的实施例参照附图进行详细叙述。
35.本实验采集了连续培养21天的马铃薯样品的高光谱图像，对所有图像进行分类，有效判别马铃薯干腐病病害程度。
36.图1为本发明实施例使用的高光谱成像系统，采集光谱范围为。系统主要包括12位ccd相机(sensicam qe，the cooke corportion，德国)、成像光谱仪(400～1000nm，imspectorv10e，spectral imaging ltd.，芬兰)、焦距为12.7mm的镜头、10～250w功率可调的卤钨灯、定制线性光纤束、二维平移台、计算机等。
37.高光谱图像采集：采集前首先通过自带软件设置不同参数，包括曝光时间、起止位置、移动速度、光源强度等。然后进行黑白图像校正。最后，将样品放置在平移台上，调整初始扫描位置，控制相机逐条获取线扫描高光谱图像。
38.如图2所示，本发明流程中，步骤一为采集样品高光谱图像，得到目标数据。
39.步骤二采用掩膜法对目标图像进行去除背景与噪音，然后采用去均值等预处理方法后得到二值化图像。
40.图3为基于预处理后的高光谱图像选择感兴趣区域的选取，其中a、b、c代表了病害部分的感兴趣区域，d代表健康部分的感兴趣区域，e代表背景的感兴趣区域。
41.步骤三具体包括基于预处理后的数据，运用卷积神经网络训练数据；
42.图4为卷积神经网络的典型结构，其由卷积层、池化层、全连接层构成，本发明特征提取神经网络包含一个单卷积层，它由20个9*9的卷积过滤器组成。卷积层的输出通过relu函数后进入池化层。池化层采用2*2子矩阵的平均池化。该神经网络分类器包含一个单隐藏层和一个输出层。隐藏层有100个节点，采用relu激活函数。因为有10个类别，所以输出层取10个节点，激活函数为softmax。
43.深度卷积神经网络的结构配置如下表1所示
44.表1深度卷积神经网络的结构配置
45.[0046][0047]
本发明利用matlab计算视觉工具箱所提供的平均精确度evaluatedetectionprecision函数来评估检测器的训练效果，并计算召回率和精确率指标来作为评估标准。针对一个目标检测问题，存在如下表2所示的情况。
[0048]
表2目标检测评估参数
[0049][0050]
所述精确率p＝tp/(tp fp)，也就是检测到目标的图像中真正包含目标的比例。所述召回率r＝tp/(tp fn)，也就是包含目标的图像中被成功检测出来的比例。精确率p和召回率r越高越好。
[0051]
本发明一种基于深度卷积的干腐病马铃薯的检测方法，该模型诊断马铃薯干腐病的速率快、准确度高。卷积神经网络目前被认为是各个研究领域大数据分析最流行的机器智能模型之一，该模型在学习的过程中，为了减少训练参数的数量，降低卷积层输出的特征向量的维数和减少过度拟合现象，从而提高检测速率。此外，相较于传统机器学习方法使用原始数据作为输入，或者根据手工特征处理分类任务，卷积神经网络可以在训练过程中从数据集中学习表征特征，表现出比传统方法更强的能力。本发明方法快速、系统、简便、正确率高，提高了高光谱成像技术对马铃薯干腐病快速检测的准确性。
[0052]
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0053]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相
连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0054]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。