一种基于融合特征的DCNN叶瘟病分级模型的构建方法技术

本发明专利技术公开了一种基于融合特征的DCNN叶瘟病分级模型的构建方法，包括以下步骤：S1.用获取的水稻叶瘟病不同病害等级数据作为样本；S2.获取最佳的叶瘟病分级特征；S3.构建水稻叶瘟病分级模型；S4.对步骤S3中所述的水稻叶瘟病分级模型进行训练试验。本发明专利技术在保持ResNet网络的设计理念的前提下，通过调整ResNet网络的网络深度和结构，添加BatchNorm层与Dropout层建立水稻叶瘟病分级模型，以期为水稻叶瘟病病害检测提供科学和理论依据。病害检测提供科学和理论依据。病害检测提供科学和理论依据。

【技术实现步骤摘要】
一种基于融合特征的DCNN叶瘟病分级模型的构建方法


[0001]本专利技术涉及数据处理
，特别涉及一种基于融合特征的DCNN叶瘟病分级模型的构建方法。

技术介绍

[0002]作物病虫害对农业生产造成了巨大的损失，据联合国粮食及农业组织统计，在全世界范围内，每年有病虫害导致的粮食减产量约占粮食总产量的25％，其中病害造成的减产为14％，虫害造成的减产为10％。
[0003]在中国，每年因病虫害的爆发和危害导致的直接粮食损失约为总产量的30％，对国内经济造成了巨大影响。然而，现今在作物病害监测方面主要还是依靠植保人员的田间调查、田间取样等方式。这些传统的方法虽然具有较高的真实性和可靠性，但是费时、费力、缺乏代表性且存在滞后性。
[0004]同时，传统诊断方法依赖于调查人员的主观判断，容易出现人为误判、主观性错误以及可变性。因此，迫切需要改进病虫害监测和控制方法。
[0005]稻瘟病是中国南北水稻种植区危害最为严重的水稻病害之一，与白叶枯病、纹枯病合称为水稻三大病害。2020年9月，稻瘟病被中国农业农村部列为一类农作物病虫害名录。
[0006]稻瘟病是由稻梨孢和灰梨孢真菌引起的，其通过产生分生孢子侵染水稻的叶片、颈和穗等部位，对水稻生长的生理方面造成破坏性影响。根据受害时期和受害部位，可将稻瘟病分为苗瘟、叶瘟和穗瘟等，其中以叶瘟危害最大。
[0007]叶瘟病通常发生于水稻植株3叶期以后，分蘖期至拔节期为害较重。病斑首先以白点的形式出现，逐渐变成1
‑
3cm长的菱形病斑，病斑中间呈灰色，周围呈现出深棕色。
[0008]侵染严重时，整个叶片干枯，降低绿叶面积和病变区域的光合作用，从而引起大幅度水稻产量降低。一般造成水稻减产20％～30％，严重时可减产40％～50％，甚至颗粒无收。
[0009]在中国，稻瘟病年平均发生面积高达380万公顷，年损失稻谷可达数亿公斤。因此，快速准确地对叶瘟病病害等级进行监测和判别，对及时指导农户采取防治措施，控制叶瘟病菌大面积传播，降低产量损失等具有十分重要的意义。
[0010]有鉴于此，本专利技术借鉴现有研究方法，扩大样本数据量，数据降维使用增加的样本数据提取光谱特征波长、植被指数和纹理特征，基于上述特征及其融合特征，构建了七个一维深度卷积神经网络叶瘟分级模型。
[0011]最后，采用Inception V3、ZF
‑
Net、BiGRU、TextCNN、SVM和ELM模型与本研究的模型进行对比分析，确定叶瘟的最佳分类特征和分类模型，希望能为水稻叶瘟病等级鉴定提供一定的科学理论和技术支持。
[0012]最佳光谱特征选择：
[0013]SPA是一种正向特征变量降维方法，SPA能够获得包含最少冗余信息和最小特征共
线的变量组合。该算法使用向量的投影分析将光谱波长映射到其他光谱波长上，以便比较映射向量的大小并与之匹配；获得投影向量最大的波长，这是要选择的光谱波长；然后建立多元线性回归分析模型，以获得建模集的RMSECV；在待选择的不同特征子集中，对应于最小RMSECV值的数量和波长由最佳光谱特征波长组合组成。
[0014]RF是一种相对较新的特征变量筛选方法，最初用于疾病的基因表达数据分析。该方法使用可逆跳跃马尔可夫链蒙特卡罗(RJMMC)方法对光谱的维度进行变换和采样，在此基础上，在符合稳态分布的空间中建立马尔可夫链模型，以计算每个波长变量的选择频率。频率的选择被用作消除冗余变量的基础，从而产生最佳光谱特征波长。
[0015]灰度共生矩阵(GLCM)是提取叶片表面纹理特征的常用方法，它通过计算像素间相对距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔和变化幅度等综合信息。本文在像素相对距离d为1时，从0
°
、45
°
、90
°
、135
°
等4个方向分别计算能量、熵、相关性和对比度。其能量、熵、相关性和对比度的计算公式如表1所示。
[0016]然后，对4个方向的能量、熵、相关性和对比度分别进行平均和标准差计算。获得能量均值(MEne)、能力标准差(SDEne)、熵均值(MEnt)、熵标准差(SDEnt)、相关性均值(MCor)、相关性标准差(SDCor)、对比度均值(MCon)和对比度标准差(SDCon)等共8个纹理特征。
[0017]表1基于灰度共生矩阵的纹理特征提取
[0018][0019]注：i，j分别代表灰度共生矩阵的行号和列号；P(i,j)表示两个相邻像素的相对频率。
[0020]依据水稻患叶瘟病后叶片表面和内部生理特性的变化以及学者们的研究成果选取比值植被指数RSI(Ratio spectral index)、差值植被指数DSI(Difference spectral index)以及归一化植被指数NDSI(normalized defference spectral index)构建决定系数等势图。3种植被指数计算公式如下：
[0021]RSI＝R
i
/R
j
[0022]DSI＝R
i
‑
R
j
[0023]NDSI＝R
i
‑
R
j
/R
i
+R
j
[0024]式中，R
i
与R
i
分别表示在光谱波段范围内的光谱反射率值
[0025]ResNet网络结构：人类视觉系统具有强大的分类、监测和识别的能力。因此，近年来，广大研究人员深受生物视觉系统的启发，研发了先进的数据处理方法。
[0026]卷积神经网络(CNN)是仿造生物视知觉机制研发的深度神经网络。该网络能够自动提取数据中浅层和深层的敏感特征，CNN由于其强大的特征提取能力，被广泛应用于光谱
数据分析。
[0027]残差网络(Residual Network,ResNet)是CNN的典型代表，如图1所示。其残差模块(包括直接映射和残差部分)的设计理念能更好提取数据特征，并防止网络发生退化现象。同时，ResNet网络在ILSVRC 2015竞赛中它的特征提取和分类效果得到了充分的肯定。
[0028]由于Resnet网络层次比较深，易导致训练过程中出现过拟合现象。同时，ResNet网络最初主要用于图像分类中，并不适用于光谱数据。
[0029]因此，本专利技术对ResNet网络进行调整，使其适用于一维数据建模。
[0030]研究人员多采用SVM、BP
‑
NN等机器学习方法对高光谱数据进行建模，但基于高光谱成像数据，采用深度学习方法进行作物病害鉴定和识别的研究仍存在较少。究其原因可能在于样本数据较少，无法构建深度学习模型。
[0031]而在已有的研究中，研究人员多采用三维的高光谱数据进行深度学习建模，虽然这种建模方式能够获得较高的准确率，但在实际本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合特征的DCNN叶瘟病分级模型的构建方法，其特征在于，包括以下步骤：S1.用获取的水稻叶瘟病不同病害等级数据作为样本；S2.获取最佳的叶瘟病分级特征；S3.构建水稻叶瘟病分级模型；S4.对步骤S3中所述的水稻叶瘟病分级模型进行训练试验。2.根据权利要求1所述的基于融合特征的DCNN叶瘟病分级模型的构建方法，其特征在于，步骤S1中所述水稻叶瘟病不同病害等级数据包括数据增广方法获得的数据，其中训练集、验证集和测试集按照7:1:2进行划分。3.根据权利要求1所述的基于融合特征的DCNN叶瘟病分级模型的构建方法，其特征在于，步骤S2包括：通过采用决定系数等势图筛选与病害等级相关性较好的植被指数；采用SPA、RF算法提取光谱特征波段；采用纹理特征及其融合特征。4.根据权利要求1所述的基于融合特征的DCNN叶瘟病分级模型的构建方法，其特征在于，步骤S3包括：步骤S1中所述的等级数据均为一维数据，分别以输入特征数的个数作为网络输入；同时针对水稻叶瘟病正常、1级、2级、3级、4级病害的5分类问题，将ResNet网络的FC层的通道数调整为5；通过调整ResNet网络的网络深度和结构，添加BatchNorm层与Dr...

【专利技术属性】
技术研发人员：许童羽，冯帅，于丰华，赵冬雪，周云成，金忠煜，刘子扬，
申请(专利权)人：沈阳农业大学，
类型：发明
国别省市：