改进DenseNet融合去雾算法的水果病害识别

陈智超 颜琪

摘要：在水果种植领域，病虫害是威胁水果生长的主要因素之一。文章通过识别水果叶片实现复杂环境下对水果病害的识别和防治，对提高水果产量和品质具有关键作用。基于以上问题，文章提出了一种基于深度学习的新型植物病害识别模型，该模型首先通过图像归一化处理和MSRCR去雾算法完成对图像的预处理与增强，然后使用基于梯度上的Canny SLIC算法对病害图像数据集进行高精度的分割，进而得到包含病斑特征的叶片，最后通过改进的DenseNet算法对图像进行病害特征识别和分类，完成水果病害图像的识别。在水果病害中，以白粉病、黑痘病、炭疽病为例进行测试，结果表明该模型平均正确率为98.98%，远高于传统的CNN卷积架构模型的正确率。该模型实现了复杂环境下水果病害图像的识别，可用于辅助水果病害的自动识别与检测，提高了水果病害图像识别的清晰度和准确率。

关键词：改进DenseNet算法;去雾算法;水果病害图像识别

中图分类号：TP18      文献标识码：A

文章编号：1009-3044（2022）25-0070-03

开放科学（资源服务） 标识码（OSID） ：

1 概述

水果经济在我国农业经济中占有不低的地位。目前，水果产业在种植规模、品种资源、利润空间等方面已成为中国农业经济中继粮食、蔬菜之后的第3大农业种植产业，在国内外市场中前景广阔，同时具有较强国际竞争力的农业产业，也是许多地方进行经济发展的重点和农民致富的重要产业之一。在种植水果时，水果病害对水果的产量以及质量有巨大的影响。此外，果农因为无法准确地辨认具体的水果病害，只能进行大规模的农药喷洒，将会导致大规模的农药滥用，进而造成生态环境的损害，无法实现可持续发展。所以，完成水果病虫害的图像识别是势在必行的。

传统的病害识别方式是农业专家及技术人员凭借多年经验，人工识别水果的病害情况及程度，存在识别效率低、识别效果不佳等问题。随着计算机硬件设备性能的不断发展，越来越多的研究者开始将卷积神经网络应用于智慧农业领域进行植物病害的识别。例如田有文等提出基于Fisher准则判别函数对彩色图像进行二值化分割，进而对图像进行识别;尚怡君等在判别局部保持映射（DLPP）的基础上，提出一种植物病害识别方法，该方法试图找到映射矩阵，使得高维数据映射后，在低维子空间同类样本之间的距离最小，而异类样本之间的距离最大，由此提高算法的识别率 ;晁晓菲等通过基于深度学习的苹果叶片病害识别以及基于深度学习的苹果叶片病害图像进行语义分割和识别[1]。

目前国内外對复杂环境下的植物病害识别的研究主要集中在病害叶片图像分割、叶片病斑特征提取、叶片病害识别三方面。且大多模型均基于传统CNN模型架构，对罕见病害识别准确率较低、速度慢。基于以上问题，本文提出一种基于现代卷积架构的CNN模型——多尺度改进的DenseNet识别模型。该模型首先通过MSRCR算法整体去雾，通过图像增广技术对数据集进行扩充，再进行图像归一化处理、色彩抖动完成数据预处理与增强。然后运用基于梯度方向上的Canny SLIC算法实现图像精准分割处理[2]。再通过改进的DenseNet卷积神经网络提取病害特征并进行分类，最后通过数据传输得到反馈结果。水果病害识别流程图如图1所示。

2  水果病害图像及防治措施数据集

本文采用的水果病害图像数据集来源于Kaggle数据科学官网的公共数据集 New plant diseases dataset[3]及PlantVillage宾州州立大学建立的大型农业论坛包含的水果病害图片及正常状态下水果图片的数据集，共计45，000张水果病态或健康的RGB图像，并且使用One-host编码方式进行标记，基于水果病害的不同生长状况、水果病害种类及水果病害严重程度创建了2个图像数据库。50种不同种类水果病害标签图像30，000张，根据水果病害颜色、形状、大小的特征标记3种不同水果病害严重程度图像10，000张。

采用水果病害防治药剂名单，根据水果病害不同种类及严重程度创建了数据库，将水果病害防治药剂剂量和使用方法数据进行录入存放。

3 水果病害数据预处理与增强

首先，将水果病害RGB图像进行分类。根据多节点样条理论方法通过对基函数在数据中的采样和处理，然后对数据进行逼近，实现对冗余数据快速去除，进而避免了人工去除冗余数据的速度慢、准确率不高的问题[4]。考虑到在能见度较低的天气下图像识别准确率较低的原因，本文将使用优化的MSRCR算法对冗余处理后的数据集进行去雾处理。相对传统MSR算法，存在因噪声而导致色彩失真，不能显示图像真正颜色的问题，本文将加入色彩恢复因子C，调节由于图像局部区域对比度增强而导致色彩失真的缺陷。去雾处理后，图像局部对比度得到提高，亮度与真实场景相似，最终实现对图像增强效果。完成对图像的整体去雾，解决了由于天气原因导致的识别不准确的问题，其计算公式如式（1） 所示，其中G表示增益Gain（一般取值：5） ;b表示偏差Offest（一般取值：25） ;（x，y）表示某个通道的图像;C表示某个通道的彩色因子，用来调节3个通道颜色比例;f（?）表示颜色空间映射函数;β是增益函数（一般取值46） ;α是受控制的非线性强度（一般取值125） [5]。

[RMSRCRx，y'=G?RMSRCRx，y+b]

[RMSRCRx，y=C（x，y）RMSR（x，y）]

[C（X，Y）=f[l^' （x，y）]=f[lx，yl（x，y）]Cix，y=fli'x，y=f[lix，yj=1Nlj（x，y）]     （1）

[f[l'x，y]=β{logαl'x，y-loglx，y}]

然后将MSRCR去雾处理后的数据集分成训练集、验证集、模拟测试集，其比例为6：2：2，进行模拟训练。再将输入的水果病害图像归一化处理，这有利于后续卷积神经网络训练。然后对输入的水果病害图像数据进行模拟增强，将水果病态或健康的RGB图像进行随机45°范围旋转，并进行随机移位（水平方向和垂直方向） 40%，同时进行图像随机缩放，最后对图像进行色彩抖动操作，扩充数据集合。

4 优化的Canny SLIC图像算法分割

通过运用基于梯度方向上的Canny SLIC算法实现对预处理和增强后图像的精准分割。传统的Canny SLIC图像分割算法是将Canny算法与SLIC算法进行结合，先将Canny算子边缘信息的检测，然后与SLIC算法将像素划分到一个五维空间中，并将其分解成五维特征向量，然后将收集到的图像转化为颜色空间和x-y二维像素点空间坐标，像素间的相似度通过向量距离来衡量，最后使生成的图像聚类保持较好的边缘超像素[6]。但传统方法使用的滞后阈值法识别和边缘连接时容易将梯度幅度较小的边缘信息识别处理成为噪声，进而融合SLIC法时边缘信息容易丢失。改进后的Canny SLIC图像分割法能够很好地解决边缘化区域由于梯度原因造成边缘化丢失的问题，并且由于增加了超像素预处理，在形状方面采用六边形描绘图像形状，提高了分割的精确率、准确率。Canny SLIC优化算法通过保留水果叶片的完整结构，最终实现复杂环境下图像分割。优化的Canny SLIC图像分割方法如下：

（1） 通过水果病害图像的数据集，收集图像前景和背景的多个图像，提取图像函数运算符，并通过优化后的SVM分类器，SVM-KNN分类器输入数据，进行深度训练并且导入二元划分模型。

（2） 对输入的水果病害图像进行预处理和增强，去除重复项，用RPN分类模型进行分类训练，并且通过旋转、平移等方法对图像数据进行处理最终实现图像数据增强。

（3） 输入正常或病害的水果图像，并使用优化后的Canny SLIC算法计算出图像的边缘点和像素值，进而对图像进行复数运算，将边缘点从二维降到一维。

（4） 基于优化后的Canny SLIC算法分割图像获取图像信息后，从聚类中心区域提取5种划分的类别，并使用二元划分模型的方法对图像的前景和背景划分成图像块，进行分类和标记，前景标记为0，背景标记为1。

（5） 直接越过每个水果病害图像中的每个超级像素块，通过二元划分模型，依次对标记进行排列，直到将所有超级像素划分为前景和背景。

（6） 对标记的前景进行保留，删除标记背景，检测到水果或水果叶片等其他特征后，图像分割完成。

由于传统的Canny SLIC图像分割算法边缘分割能力较弱，导致对图片边缘部分分割性能较低，对复杂环境下叶片边缘化的病斑分割图像能力较弱，处理时间较长，分割准确率低。通过优化后的Canny SLIC算法能够获得水果病害图像中的整体区域，在颜色转换，边缘化信息处理上都得到了很大的提升，能够较好地解决复杂环境下水果病害的颜色难辨别、形状复杂等问题。经实验，改进后的Canny SLIC算法分割时间相对于传统Canny SLIC算法图像分割消耗时间消耗降低了12%左右，并提高了分割图像的准确率。

5  图像病虫害特征识别处理

传统的CNN卷积架构模型处理时间长，随着网络深度层数增加出现梯度消失等问题[7] ，DenseNet卷积神经网络为保证随着卷积层数增加，信息丢失的问题，将所有卷积层进行相互连接，从前面的卷积层中获取其他输入，再将本层中特征传入下一卷积层中，其实质是将传递特征之前对特征进行拼接，实现了特征图保持不变，最终实现在基于网络特征图的分类器中进行预测[8]。在水果病害中苹果病害高达一百多种，而葡萄病害仅存在20余种。导致水果病害图像数据集中样本种类存在明显不均衡的问题，苹果病害图像高达一万多张，葡萄病害图像仅3000张左右，相对于水果病害图像少的水果类别，往往病害样本较多的圖像更容易分类和识别。

通过引入Focal loss损失函数加以改进，使网络在训练时减少易分样本的权重，从而增加对病害图像中样本类别少的训练，进而提高水果病害识别率和精准率，其计算公式如式（2） 所示。其中x是特征值，i与j表示类别号，γ 称为聚焦参数。经实验，γ=2时效果最好，此时预测样本准确率高，损失函数变化率小，实现了在深层训练过程中更专注难以分类的样本[9]，有效改善了人工提取水果（图像） 效率低、识别率低的情况，以此达到图像病害识别的最佳效果。然后对图像进行模拟训练，为后续图像测试进行准备，本文采用两种网络模型对三种数据库中样本标记后的图像进行训练和测试。两种网络模型分别为DenseNet169网络模型和多尺度改进的DenseNet网络模型。

[Focalloss（x）=-（1-exijexj）γg（exijexj）]     （2）

使用改进的DenseNet卷积神经网络模型对优化后的水果病害分割图像进行水果特征病害识别并进行分类和提取，相对传统的DenseNet卷积神经网络模型能够有效避免由于水果病害类别数量差异较大而造成的类别不均衡，导致识别率较低，特征提取较差等问题，提高了图像识别的准确率和速率。不同训练网络下对不同种类水果病害评价结果如表2（本文训练50种病害种类，表1列出常见三种水果病害分析结果） ，最终得出改进后的DenseNet 网络模型平均识别准确率高达 98.98%，对水果病害严重程度（轻、中、重） 平均识别准确率达到97.31%，显著优于DenseNet169模型的正确率97.95%。可以发现，相比于白粉病和炭疽病，黑痘病可以获得更好的效果。

6 结束语

随着人工智能的发展，计算机视觉成为人工智能中广泛应用的技术，被应用到社会生活各个方面。本文通过MSRCR算法完成了图像预处理与增强，对图像进行整体去雾的处理，提高了水果病害图像的识别速度以及准确率，优化的Canny SLIC算法解决了图像分割时边缘化区域由于梯度原因造成边缘化丢失数据的问题，提升了图像分割速度和准确率。同时引入了Focal损失函数的DenseNet算法实现了在深层训练过程中更专注处理难分类的样本，提升了模型特征识别的准确率和速度。通过对多尺度改进的DenseNet模型与DenseNet169模型训练结果表明，改进的DenseNet模型对水果病害识别正确率平均为98.98%，相较于传统CNN卷积模型准确率得到提高，解决了对罕见水果病害识别不精准、耗时高等问题，此类模型可用于其他病害的迁移学习，可为后续水果病害图像识别提供参考及研究。

参考文献：

[1] 晁晓菲.基于深度学习的常见苹果叶片病害识别与病斑分割方法研究[D].杨凌：西北农林科技大学，2021.

[2] 郭昕刚，王佳，屈诺希，等.基于梯度方向的Canny SLIC图像分割算法[J].计算机仿真，2021，38（9）：465-469，500.

[3] 程艳艳.非对齐分布冗余数据自适应快速去除方法仿真[J].计算机仿真，2019，36（9）：389-392.

[4] 图像处理之Retinex增强算法（SSR、MSR、MSRCR）.https：//www.bbsmax.com.

[5] HOCHREITER S. The vanishing gradient problem during learning  recurrent  neural  nets  and  problem  solutions[J]. Int J Unc Fuzz Knowl Based Syst， 1998，6（2）：107-116.

[6] 刘华松.基于深度学习的毒株胚蛋图像分割方法研究[D].天津：天津工业大学，2019.

[7] 杨其睿.基于改进的DenseNet深度网络火灾图像识别算法[J].计算机应用与软件，2019，36（2）：258-263.

[8] Tsung-Yi L，Priya G，Ross G，et al.Focal loss for dense object detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（2）：318-327.

[9] 吴云志，刘翱宇，朱小宁，等.FI-DenseNet：用于植物病害图像识别的卷积网络[J/OL].安徽农业大学学报：1-7[2021-11-30].https：//doi.org/10.13610/j.cnki.1672-352x.20210319.002.

【通联编辑：唐一东】