基于CSJMM-AS-GAC 的马陆葡萄病虫害识别研究

doi:10.15933/j.cnki.1004-3268.2022.06.017

摘要/Abstract

摘要： 为了提高马陆葡萄病虫害的识别准确率，有效地进行马陆葡萄病虫害防控，对测地线活动轮廓模型（GAC）进行改进，通过引入动态系数函数将马陆葡萄病虫害图像边界区域与非边界区域进行精确划分，从而实现准确分割病虫害图像模糊和凹陷边界，提出并建立了精确分割测地线活动轮廓模型（ASGAC）。接下来为了克服复杂背景下训练样本不足造成的误差，提出了Core损失函数，建立了Core-Softmax联合监督机制（CSJMM），从而确立了基于CSJMM的精确分割测地线活动轮廓模型（CSJMM-ASGAC）。结果表明，CSJMM-AS-GAC训练集初始准确率为65.46%，验证集准确率为95.67%，测试集准确率为93.95%，Kappa系数达到0.913 8，召回率达到89.21%，CSJMM-AS-GAC对于马陆葡萄病虫害识别准确率达到94.06%。CSJMM-AS-GAC的整体性能、识别准确率、召回率等指标都优于常用的病虫害识别模型。

关键词: 马陆葡萄, 病虫害识别, 损失函数, 分割, 测地线活动轮廓模型, 精确分割测地线活动轮廓模型, 召回率

Abstract: In order to improve the identification accuracy of diseases and insect pests of Malu grape and effectively carry out the prevention and control of diseases and insect pests of Malu grape，this paper improved the geodesic active contour model（GAC），by introducing the dynamic coefficient function，the boundary region and non⁃boundary region of Malu grape pest image were accurately divided，so as to accurately segment the fuzzy and concave boundary of the pest image. A precise segmented geodesic active contour model（AS⁃GAC） was proposed and established. Next，in order to overcome the error caused by insufficient training samples in complex background，the Core loss function was proposed，and the Core⁃Softmax joint supervision mechanism（CSJMM） was established. Thus，a precise segmented geodesic active contour model based on CSJMM（CSJMM⁃AS⁃GAC）was established. The results showed that the initial accuracy of CSJMM⁃AS⁃GAC training set was 65.46%，the accuracy of validation set was 95.67%，the accuracy of test set was 93.95%，the Kappa coefficient of CSJMM⁃AS⁃GAC reached 0.913 8，the recall rate reached 89.21%，and the average accuracy of CSJMM⁃AS⁃GAC for identifying the diseases and pests of Malu grape reached 94. 06%. The overall performance，recognition accuracy and recall rate of CSJMM⁃AS⁃GAC are better than the commonly used disease and pest identification models.

Key words: Malu grape, Disease and pest identification, Loss function, Division, GAC, AS?GAC, Recall rate

中图分类号:

TP273.5
S126

王兴旺, 郑汉垣, 王素青. 基于CSJMM-AS-GAC 的马陆葡萄病虫害识别研究[J]. 河南农业科学, 2022, 51(6): 154-163.

WANG Xingwang, ZHENG Hanyuan, WANG Suqing. Identification of Diseases and Insect Pests of Malu Grape Based on CSJMM⁃AS⁃GAC[J]. Journal of Henan Agricultural Sciences, 2022, 51(6): 154-163.

图/表 10

参考文献

［1］HU X L，ZHOU G Y. Fresh⁃keeping effect of compound sodium alginate⁃lysozyme coating on malu grapes［J］.Food Science，2020，32（20）：271⁃276.
［2］颜孙安，史梦竹，林香信，等.基于主成分与聚类分析不同品种鲜食葡萄的氨基酸品质评价［J］.食品工业科技，2022，43（6）：373⁃380.
YAN S A，SHI M Z，LIN X X，et al.Amino acid quality evaluation of different varieties of fresh grapes based on principal component and cluster analysis［J］.Food Industry Science and Technology，2022，43（6）：373⁃380.
［3］PRM A，USS A，JMPA B.Agrivoltaic potential on grape farms in India［J］.Sustainable Energy Technologies and
Assessments，2017，23（5）：104⁃110.
［4］HUANG J H，LIU Y T，NI H C，et al.Termite pest identification method based on deep convolution neural networks［J］.Journal of Economic Entomology，2021，12（4）：25⁃33.
［5］苏仕芳，乔焰，饶元.基于迁移学习的葡萄叶片病害识别及移动端应用［J］.农业工程学报，2021，37（10）：18⁃25.
SU S F， QIAO Y， RAO Y.Grape leaf disease identification and mobile terminal application based on transfer learning［J］.Journal of Agricultural Engineering，2021，37（10）：18⁃25.
［6］黄林生，罗耀武，杨小冬，等.基于注意力机制和多尺度残差网络的农作物病害识别［J］.农业机械学报，2021，52（10）：8⁃14.
HUANG L S，LUO Y W，YANG X D，et al.Crop disease identification based on attention mechanism and multi⁃scale residual network［J］.Journal of Agricultural Machinery，2021，52（10）：8⁃14.
［7］尚增强，杨东福，马质璞.基于深度卷积神经网络的大豆叶片多种病害分类识别［J］.大豆科学，2021，40（5）：7⁃12.
SHANG Z Q，YANG D F，MA Z P.Classification and recognition of soybean leaf diseases based on deep convolution neural network［J］.Soybean Science，2021，40（5）：7⁃12.
［8］李博，江朝晖，谢军，等.基于迁移学习的园艺作物叶部病害识别及应用［J］.中国农学通报，2021，37（7）：6⁃12.
LI B，JIANG Z H，XIE J，et al.Identification and application of horticultural crop leaf diseases based on transfer learning［J］.Chinese Agronomy Bulletin，2021，37（7）：6⁃12.
［9］CHO G，MALENOVSK I，BURCKHARDT D，et al.A tale of continued misidentifications［J］.Bulletin of Entomological Research，2020，11（4）：1⁃14.
［10］ZOU K，GE L，ZHOU H，et al.Broccoli seedling pest damage degree evaluation based on machine learning
combined with color and shape features ［J］.Information Processing in Agriculture，2021，13（3）：56⁃61.
［11］王春山，周冀，吴华瑞，等.改进Multi⁃scale ResNet的蔬菜叶部病害识别［J］.农业工程学报，2020，36（20）：9⁃15.
WANG C S，ZHOU J，WU H R，et al.Identification of vegetable leaf diseases based on improved Multi⁃scale ResNet［J］. Journal of Agricultural Engineering，2020，36（20）：9⁃15.
［12］杨森，冯全，张建华，等.基于深度学习与复合字典的马铃薯病害识别方法［J］.农业机械学报，2020，51（7）：8⁃13.
YANG S，FENG Q，ZHANG J H，et al.Potato disease recognition method based on deep learning and compound dictionary［J］.Journal of Agricultural Machinery，2020，51（7）：8⁃13.
［13］INDRAYANI Y，SETYAWATI D，MARYANI Y，et al.Level of damage and identification of pest species［J］.Earth and Environmental Science，2022，76（1）：12⁃16.
［14］YANG Z，LI W，LI M，et al.Automatic greenhouse pest recognition based on multiple color space features［J］.International Journal of Agriculture and Bioengineering，2021，14（2）：8⁃16.
［15］ZHOU S Y，SU C Y.An efficient and small convolutional neural network for pest recognition⁃exquisite net［J］.The Visual Computer，2021，14（3）：25⁃32.
［16］WANG Q H，ZHANG Y，ZHANG Y T，et al.First report of leaf spot disease caused by Colletotrichum siamense on Cornus hongkongensis（Hemsl. ）in China［J］.Plant Disease，2021，6（5）：127⁃134.
［17］REN S，HE K，GIRSHICK R，et al.Faster R⁃CNN：Towards real⁃time object detection with region proposal networks［J］.IEEE Transactions on Pattern Analysis & Machine Intelligence，2017，39（6）：37⁃42.
［18］MEI S，GENG Y，HOU J，et al.Learning hyperactive spectral images from RGB images via a coarse⁃to⁃fine
CNN［J］.Science China Information Sciences，2022，65（5）：92⁃102.
［19］PANDEY R K，GANESAN R A.Deep interpolation：Fusion of multiple interpolations and CNN to obtain super⁃resolution［J］.IET Image Processing，2021，25（6）：85⁃94.
［20］WIDIPUTRA H，MAILANGKAY A，GAUTAMA E.Multivariate CNN⁃LSTM model for multiple parallel financial time⁃series prediction［J］.Complexity，2021，12（1）：67⁃74.
［21］李涛，王子豪，王庸道，等.基于深度残差网络的油纸绝缘老化状态识别策略研究［J］.广西科技大学学报，2022，33（1）：7⁃15.
LI T，WANG Z H，WANG Y D，et al.Research on identification strategy of aging state of oil paper insulation based on depth residual network［J］.Journal of Guangxi University of Science and Technology，2022，33（1）：7⁃15.
［22］QU R，HUANG S，ZHOU J，et al.The vehicle trajectory prediction based on resnet and efficient net model［J］.Proceedings of the Institution of Mechanical Engineers，2022，6（1）：10⁃16.
［23］PRIYA E.Resnet based feature extraction with decision tree classifier for classification of mammogram images
［J］.Turkish Journal of Computer and Mathematics Education（TURCOMAT），2021，12（2）：47⁃53.
［24］付乐天，李鹏，高莲.考虑样本异常值的改进最小二乘支持向量机算法［J］.仪器仪表学报，2021，42（6）：12⁃18.
FU L T，LI P，GAO L.Improved least squares support vector machine algorithm considering sample outliers［J］.Journal of Instrumentation，2021，42（6）：12⁃18.
［25］ZOUHRI W，HOMRI L，DANTAN J Y.Identification of the key manufacturing parameters affecting the prediction accuracy of support vector machine（SVM）model for quality assessment［J］.International Journalon Interactive Design and Manufacturing（IJIDeM），2022，16：177⁃196.
［26］VADDIRAJU S C， RESHMA T， SAVITHA C.Determination of impervious area of saroor nagar watershed of telangana using spectral indices，mlc，and machine learning（SVM）techniques［J］.Environmental Monitoring and Assessment，2022，194（4）：45⁃52.
［27］DUAN H，FENG T，LIU S，et al.Tumor classification of gene expression data by fuzzy hybrid twin SVM［J］.Chinese Journal of Electronics，2022，31（1）：99⁃106.
［28］郭宝军，高贝贝，崔金龙，等.基于混合活动轮廓模型的河流遥感图像分割［J］.移动信息，2021，12（3）：15⁃21.
GUO B J，GAO B B，CUI J L，et al.River remote sensing image segmentation based on hybrid active contour
model［lJ］.Mobile Information，2021，12（3）：15⁃21.
［29］REN G，CAO X Q，PAN W M，et al.Image segmentation using binary level set method based on region⁃based GAC model［J］.Key Engineering Materials，2021，16（6）：98⁃103.
［30］ZHOU L，ZHOU Z，NING H.Road detection based on edge feature with gac model in aerial image［J］.International Journal of Pattern Recognition and Artificial Intelligence，2021，35（14）：67⁃74.

[1]	韦钙兴, 易文龙, 刘昱成, 赵应丁, 陈庭倬. 基于改进U-Net 的水稻叶片细胞分割方法研究[J]. 河南农业科学, 2023, 52(3): 153-160.
[2]	张卫正, 陈赛越扬, 王艳玲, 帖金鑫, 丁佳, 李萌, 李灿林, 苏晓珂, 甘勇. 基于YOLOv3 改进算法的烟叶原料烟草甲识别方法研究[J]. 河南农业科学, 2023, 52(11): 157-166.
[3]	吕宗旺, 王玉琦, 孙福艳. 基于改进U-Net 的不同容重小麦籽粒识别检测[J]. 河南农业科学, 2023, 52(10): 141-152.
[4]	赵康迪, 单玉刚, 袁杰, 赵元龙. 基于实例分割的玉米虫害检测研究[J]. 河南农业科学, 2022, 51(12): 153-161.
[5]	张卫正, 李旭光, 万瀚文, 李灿林, 张伟伟, 金保华, 刘岩. 基于骨架提取和二叉树分析的玉米植株图像茎叶分割方法[J]. 河南农业科学, 2020, 49(9): 166-172.
[6]	张红涛, 朱洋, 谭联, 许帅涛, 刘迦南. 基于FA-SVM技术的烟草早期病害识别[J]. 河南农业科学, 2020, 49(8): 156-161.
[7]	冯晓, 张辉, 马中杰, 乔璐, 靳薇, 魏东, 臧贺藏. 基于PLSA和颜色命名的小麦图像分割方法[J]. 河南农业科学, 2020, 49(4): 173-180.
[8]	许鑫, 李海洋, 冯洋洋, 马新明, 沈帅杰, 乔新昱. 基于K-means和Harris角点检测的麦苗识别研究[J]. 河南农业科学, 2020, 49(12): 164-171.
[9]	张卫正, 殷长魁, 金保华, 张伟伟, 刘岩, 陈启强, 蒋珂珂. 向日葵花盘直径及面积的测量[J]. 河南农业科学, 2019, 48(10): 162-173.
[10]	郑二功，田迎芳，陈涛. 基于深度学习的无人机影像玉米倒伏区域提取[J]. 河南农业科学, 2018, 47(8): 155-160.
[11]	濮永仙. 基于病斑特征融合的烟草病害图像检索方法[J]. 河南农业科学, 2015, 44(2): 71-76.