论文部分内容阅读
温室环境密闭，气候湿热，加之蔬菜连茬种植，病害发生几率增加，病害防治成为一个重要的环节，其中重点需要解决的是病害调查诊断并精准施药。
传统的病害调查方式是人工田间调查和采样，样本保存好后在实验室显微镜下识别和分析。这样的办法费时费力，个人经验对识别病害的准确性有很大影响。
精准施药是防控病害和保证农产品品质的关键环节。在获得准确的病害调查结果后，才能在下一步施药环节中发挥重要的指导作用。也就是说，精准施药的效果受制于病害调查的精度水平。要提高调查精度，通过高光谱图像在传统的光谱基础上更加精细和深入地研究，不但能获得作物大面积信息，还能精确获取患病植株叶片的特征信息，通过结合图谱为病害决策提供大量的数据。报道的研究文献表明，传统光谱方法在叶片病害特征描述、判别特征学习、分类器设计方面有诸多成就。然而，大多数现有方法只能提取叶片病害图像原始数据的浅层特征[1]，对于处于潜伏期尚未表征的叶片病害预测和分类等更细致的分类任务处理结果不够健壮。有学者甚至提出，病害的精确预测，尤其是传统方法对患病植株的病害发生严重性趋势的预测有很大的难度[2]。
深度学习的叶片病害图像像素分类基于高光谱图像，涉及到构建一个面向像素级的数据表示和分类的深度网络结构。深度学习技术提取更健壮和抽象的特征表示，从而提高预测和分类精度。
原理
深度学习用于叶片病害高光谱预测，并基于图像像素级分类，过程分3个主要步骤：第一步是数据输入。能作为输入的向量有多种，包括光谱特征（RGB图像和高光谱图像）、空间特征（RGB属性的GPS信息，高光谱图像像素相对坐标）、光谱-空间特征（图像数据库）[3]。第二是分层深度学习模型训练。RGB和高光谱图像中选取带标签图像作为训练样本输入网络进行学习，只需要提取低水平特征，调用对象属性，在此基础上搭建多层（底层，多个隐含层，顶层）网络，设计一个深层网络结构来学习输入数据的特征表示。第三是分类，在第二步基础上，在深度网络的顶层利用深度学习的特征模型进行分类。参见图1原理图。
试验
基于深度学习的叶片病害高光谱图像预测分类试验，用到分类器主要有2种类型[4]。一是硬分类器支持向量机，直接输出整数作为每个样本的类别。二是软分类器逻辑回归，同时微调整个预训练网络，以概率分布预测类别。
从处理流程可得出，对于高光谱图像，深度学习采用了一个深度的体系结构来处理原始数据和特定类别之间的复杂关系，尤其是结合空间信息的分类，突出图像中的相邻像素，达到利用空间特征显著提高分类精度的目的。图2的图像像素分类结果表明，深度学习提取到稳健的深度特征表示，探索了一种提取深层光谱-空间表示的新方法。
系统测试对图像预处理用到的主成分降维，使用原始图像中的每个特定像素的35×35（35是窗口的大小）邻域来收集空间信息，将多维数据整理为一维输入深层网络。
结论
综上所述，该文浅显的提出了一种基于深度学习的温室病害叶片高光谱预测分类方法，并尝试了结合空间信息对高光谱图像进行分类，以便能提取到稳健的深度特征表示。数据处理使用原始图像中的每个特定像素的35×35（35是窗口的大小）邻域来收集空间信息，将多维数据整理为一维输入深层网络，能处理多维海量高光谱图像原始数据和特定类别之间的预测分类。大量带标签的训练样本是系统准确分类的前提，获取训练样本是系统稳定运行的重要环节。温室种植过程中逢疾病爆发拉秧前，应做好病害叶片图像的拍摄和备案，为病害预测提供宝贵资源。
参考文献
[1] 馬伟，王秀，夏浪，等.温室智能装备系列之七十九—基于高光谱成像的不同药滴粒径的药效试验装置开发[J].农业工程技术（温室园艺），2016，36（10）：44-45.
[2] Schrodi S J， Mukherjee S， Shan Y， et al. Genetic-based prediction of disease traits： prediction is very difficult， especially about the future[J].Frontiers in Genetics，2014（5）：162.
[3] Zhang L， Zhang L， Du B. Deep learning for remote sensing data： A technical tutorial on the state of the art[J].IEEE Geoscience and Remote Sensing Magazine， 2016，4（2）：22-40.
[4] Conneau A， Schwenk H，L Barrault，et al.Very deep convolutional networks for natural language processing. arXiv preprint arXiv：1606.01781，2016.
*项目支持：国家留学基金委项目、北京市农林科学院创新团队和青年基金项目资助。
[引用信息]马伟.温室智能装备系列之九十七基于深度学习的叶片病害高光谱图像预测分类方法[J].农业工程技术，2017，37（28）：65-66.
传统的病害调查方式是人工田间调查和采样，样本保存好后在实验室显微镜下识别和分析。这样的办法费时费力，个人经验对识别病害的准确性有很大影响。
精准施药是防控病害和保证农产品品质的关键环节。在获得准确的病害调查结果后，才能在下一步施药环节中发挥重要的指导作用。也就是说，精准施药的效果受制于病害调查的精度水平。要提高调查精度，通过高光谱图像在传统的光谱基础上更加精细和深入地研究，不但能获得作物大面积信息，还能精确获取患病植株叶片的特征信息，通过结合图谱为病害决策提供大量的数据。报道的研究文献表明，传统光谱方法在叶片病害特征描述、判别特征学习、分类器设计方面有诸多成就。然而，大多数现有方法只能提取叶片病害图像原始数据的浅层特征[1]，对于处于潜伏期尚未表征的叶片病害预测和分类等更细致的分类任务处理结果不够健壮。有学者甚至提出，病害的精确预测，尤其是传统方法对患病植株的病害发生严重性趋势的预测有很大的难度[2]。
深度学习的叶片病害图像像素分类基于高光谱图像，涉及到构建一个面向像素级的数据表示和分类的深度网络结构。深度学习技术提取更健壮和抽象的特征表示，从而提高预测和分类精度。
原理
深度学习用于叶片病害高光谱预测，并基于图像像素级分类，过程分3个主要步骤：第一步是数据输入。能作为输入的向量有多种，包括光谱特征（RGB图像和高光谱图像）、空间特征（RGB属性的GPS信息，高光谱图像像素相对坐标）、光谱-空间特征（图像数据库）[3]。第二是分层深度学习模型训练。RGB和高光谱图像中选取带标签图像作为训练样本输入网络进行学习，只需要提取低水平特征，调用对象属性，在此基础上搭建多层（底层，多个隐含层，顶层）网络，设计一个深层网络结构来学习输入数据的特征表示。第三是分类，在第二步基础上，在深度网络的顶层利用深度学习的特征模型进行分类。参见图1原理图。
试验
基于深度学习的叶片病害高光谱图像预测分类试验，用到分类器主要有2种类型[4]。一是硬分类器支持向量机，直接输出整数作为每个样本的类别。二是软分类器逻辑回归，同时微调整个预训练网络，以概率分布预测类别。
从处理流程可得出，对于高光谱图像，深度学习采用了一个深度的体系结构来处理原始数据和特定类别之间的复杂关系，尤其是结合空间信息的分类，突出图像中的相邻像素，达到利用空间特征显著提高分类精度的目的。图2的图像像素分类结果表明，深度学习提取到稳健的深度特征表示，探索了一种提取深层光谱-空间表示的新方法。
系统测试对图像预处理用到的主成分降维，使用原始图像中的每个特定像素的35×35（35是窗口的大小）邻域来收集空间信息，将多维数据整理为一维输入深层网络。
结论
综上所述，该文浅显的提出了一种基于深度学习的温室病害叶片高光谱预测分类方法，并尝试了结合空间信息对高光谱图像进行分类，以便能提取到稳健的深度特征表示。数据处理使用原始图像中的每个特定像素的35×35（35是窗口的大小）邻域来收集空间信息，将多维数据整理为一维输入深层网络，能处理多维海量高光谱图像原始数据和特定类别之间的预测分类。大量带标签的训练样本是系统准确分类的前提，获取训练样本是系统稳定运行的重要环节。温室种植过程中逢疾病爆发拉秧前，应做好病害叶片图像的拍摄和备案，为病害预测提供宝贵资源。
参考文献
[1] 馬伟，王秀，夏浪，等.温室智能装备系列之七十九—基于高光谱成像的不同药滴粒径的药效试验装置开发[J].农业工程技术（温室园艺），2016，36（10）：44-45.
[2] Schrodi S J， Mukherjee S， Shan Y， et al. Genetic-based prediction of disease traits： prediction is very difficult， especially about the future[J].Frontiers in Genetics，2014（5）：162.
[3] Zhang L， Zhang L， Du B. Deep learning for remote sensing data： A technical tutorial on the state of the art[J].IEEE Geoscience and Remote Sensing Magazine， 2016，4（2）：22-40.
[4] Conneau A， Schwenk H，L Barrault，et al.Very deep convolutional networks for natural language processing. arXiv preprint arXiv：1606.01781，2016.
*项目支持：国家留学基金委项目、北京市农林科学院创新团队和青年基金项目资助。
[引用信息]马伟.温室智能装备系列之九十七基于深度学习的叶片病害高光谱图像预测分类方法[J].农业工程技术，2017，37（28）：65-66.