基于U-Net的玉米叶部病斑分割算法

doi:10.11924/j.issn.1000-6850.casb2020-0051

中国农学通报 ›› 2021, Vol. 37 ›› Issue (5): 88-95.doi: 10.11924/j.issn.1000-6850.casb2020-0051

所属专题：玉米；烟草种植与生产

基于U-Net的玉米叶部病斑分割算法

刘永波(), 胡亮, 曹艳, 唐江云, 雷波()

四川省农业科学院农业信息与农村经济研究所,成都 610011

收稿日期:2020-04-28 修回日期:2020-10-16 出版日期:2021-02-15 发布日期:2021-02-25
通讯作者: 雷波
作者简介:刘永波,男,1988年出生,四川甘洛人,助理研究员,硕士,主要从事计算机视觉与农业信息技术研究。通信地址：610011 四川省成都市锦江区净居寺路20号附101号,E-mail： dylyb618@163.com。
基金资助:
四川省科技计划项目“基于深度卷积神经网络的玉米病害智能识别与分级鉴定研究”(2018JY0631);四川省科技支撑计划“十三五畜禽育种战略研究与云服务平台建设”(2016NYZ0054);四川省软科学研究计划“旅游业对乡村农户生计韧性的扰动机理及防范对策研究：以四川省为例”(2020JDR0324)

Image Segmentation for Maize Leaf Disease Based on U-Net

Liu Yongbo(), Hu Liang, Cao Yan, Tang Jiangyun, Lei Bo()

Institute of Agricultural Information and Rural Economy, Sichuan Academy of Agricultural Sciences, Chengdu 610011

Received:2020-04-28 Revised:2020-10-16 Online:2021-02-15 Published:2021-02-25
Contact: Lei Bo

摘要/Abstract

摘要：

本文旨在提出一种基于U-Net算法模型的玉米病程分级方法,实现对玉米常见4类叶部病害程度的快速、准确、客观分级。该方法以两组U-Net模型并行运算实现对玉米叶部病斑图像的语义分割任务。经测试图像分割试验中病斑分割MIoU值达到93.63%,叶片分割MIoU值达到96.33%,且运算速度均在1秒内完成。试验结果表明,该研究以手机拍照等方式采集数据源,不依赖专业仪器设备即可实现玉米病害快速分级,可取代以往以人工目测进行的病害识别方式,提高了病害分级的准确性和客观性。该模型与物联网设备结合运用,可实现玉米病害预警、降低病害影响、增产增收科技惠农的目标。

关键词: 玉米病害, 图像处理, 全卷积, U-Net, 病程分级

Abstract:

In this paper, a grading method of maize disease course based on U-Net algorithm model is proposed, which can quickly, accurately and objectively classify the degree of four kinds of common maize leaf diseases. In this method, the semantic segmentation of corn leaf disease spot image is realized by parallel operation of two groups of U-Net models. In the test image segmentation experiment, the MIoU value of disease spot segmentation is 93.63%, and the MIoU value of leaf segmentation is 96.33%, and the operation speed is completed in 1 second. The experimental results show that this study collects data sources by means of mobile phone photos, can achieve rapid grading of maize diseases without relying on professional instruments and equipment, and replace the previous method of disease identification by manual visual inspection. The accuracy and objectivity of disease grading are improved. Combined with the Internet of Things equipment, the model can achieve the goal of early warning of maize diseases, reducing the impact of diseases, increasing both production and income by science and technology benefiting farmers.

Key words: maize diseases, image processing, FCN, U-Net, course grading

中图分类号:

刘永波, 胡亮, 曹艳, 唐江云, 雷波. 基于U-Net的玉米叶部病斑分割算法[J]. 中国农学通报, 2021, 37(5): 88-95.

Liu Yongbo, Hu Liang, Cao Yan, Tang Jiangyun, Lei Bo. Image Segmentation for Maize Leaf Disease Based on U-Net[J]. Chinese Agricultural Science Bulletin, 2021, 37(5): 88-95.

图/表 14

参考文献 30

[1]	武鹏鸣. 我国玉米育种问题及对策分析[J]. 粮食科技与经济, 2019,44(6):90-92.
[2]	沈冰冰. 玉米茎腐病和大斑病生防菌的筛选及其促生作用的研究[D]. 哈尔滨:东北农业大学, 2019.
[3]	李新疆, 王赏贵, 王丹, 等. 基于HSV色彩空间的红枣叶片病斑分割方法[J]. 安徽农学通报, 2020,26(4):85-87.
[4]	马浚诚, 温皓杰, 李鑫星, 等. 基于图像处理的温室黄瓜霜霉病诊断系统[J]. 农业机械学报, 2017,48(2):195-202.
[5]	蒲一鸣. 基于机器学习的水稻病害识别和叶龄检测算法研究[D]. 哈尔滨:哈尔滨工业大学, 2019.
[6]	吴韵清, 吴鹏, 陈北京, 等. 基于残差全卷积网络的图像拼接定位算法[J]. 应用科学学报, 2019,37(5):651-662.
[7]	段杰, 崔志明, 沈艺, 等. 一种改进FCN的肝脏肿瘤CT图像分割方法[J]. 图学学报, 2020,41(1):100-107.
[8]	刘永波, 雷波, 曹艳, 等. 基于深度卷积神经网络的玉米病害识别[J]. 中国农学通报, 2018,34(36):159-164.
[9]	刁智华, 袁万宾, 罗雅雯, 等. 基于图像处理的小麦白粉病病斑生长模型构建[J]. 中国农机化学报, 2019,40(6):158-161.
[10]	Long J, Shelhamer E, Darrell T. Fully Convolutional Networks for Semantic Segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2014,39(4):640-651. doi: 10.1109/TPAMI.2016.2572683 URL pmid: 27244717
[11]	Evan Shelhamer, Jonathan Long, Trevor Darrell. Fully Convolutional Networks for Semantic Segmentation[M]. IEEE Computer Society, 2017.
[12]	Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation[J]. 2015.
[13]	臧睦君. 图像场景识别的特征研究[D]. 长春:吉林大学, 2015.
[14]	钟成. 基于机器学习的水果图像自动识别与分割算法研究[D]. 衡阳:南华大学, 2018.
[15]	王俊强, 李建胜, 丁波. 深度学习语义分割方法在遥感影像分割中的性能分析[J]. 计算机测量与控制, 2019,27(7):231-235.
[16]	魏芳. 基于语义分割的车载路面裂缝自动识别技术研究[D]. 西安:长安大学, 2019.
[17]	王爽. 深度学习在图像分类中的应用研究[D]. 济南:山东师范大学, 2016.
[18]	张永宏, 蔡朋艳, 陶润喆, 等. 基于改进U-Net网络的遥感图像云检测[J]. 测绘通报, 2020(3):17-20,34.
[19]	Mohamed Kerkech, Adel Hafiane, Raphael Canals. Vine disease detection in UAV multispectral images using optimized image registration and deep learning segmentation approach[J]. Elsevier B.V., 2020,174.
[20]	景庄伟, 管海燕, 彭代峰, 等. 基于深度神经网络的图像语义分割研究综述[J]. 计算机工程, 2020,46(10) 1-17.
[21]	任守纲, 贾馥玮, 顾兴健, 等. 反卷积引导的番茄叶部病害识别及病斑分割模型[J]. 农业工程学报, 2020,36(12):186-195.
[22]	王振, 张善文, 王献锋. 基于改进全卷积神经网络的黄瓜叶部病斑分割方法[J]. 江苏农业学报, 2019,35(5):1054-1060.
[23]	Ajeet Ram Pathak, Manjusha Pandey, Siddharth Rautaray. Application of Deep Learning for Object Detection[J]. Elsevier B.V., 2018,132.
[24]	Deng J, Dong W, Socher R, et al. ImageNet: A large-scale hierarchical image database[C] // IEEE Conference on Computer Vision & Pattern Recognition. IEEE, 2009.
[25]	赵建敏, 李艳, 李琦, 等. 基于卷积神经网络的马铃薯叶片病害识别系统[J]. 江苏农业科学, 2018,46(24):251-255.
[26]	Oriol J. Bosch, Melanie Revilla, Ezequiel Paura. Answering Mobile Surveys With Images: An Exploration Using a Computer Vision API[J]. Social Science Computer Review, 2019,37(5).
[27]	冯立萍. 玉米病虫害防治及高产栽培技术的推广[J]. 黑龙江科学, 2020,11(8):100-101.
[28]	王振, 师韵, 李玉彬. 基于改进全卷积神经网络的玉米叶片病斑分割[J]. 计算机工程与应用, 2019,55(22):127-132.
[29]	陈晓娟, 文成敬. 四川省玉米穗腐病研究初报[J]. 西南农业大学学报, 2002(1):21-23,25.
[30]	Miao S, Liao R . Agent-Based Methods for Medical Image Registration[M] // Deep Learning and Convolutional Neural Networks for Medical Imaging and Clinical Informatics. 2019.

CPU型号	Intel(R) Xeon(R) CPU E5-2678 v3 @2.50GHz
CPU个数	2
内存	4x32GB
硬盘	1.8TB
操作系统	Ubuntu 16
GPU型号	GeForce RTX2080
GPU数	1
GPU显存	8GB

CPU型号	Intel(R) Xeon(R) CPU E5-2678 v3 @2.50GHz
CPU个数	2
内存	4x32GB
硬盘	1.8TB
操作系统	Ubuntu 16
GPU型号	GeForce RTX2080
GPU数	1
GPU显存	8GB

Input_size	（256,256）
Batch_size	8
Epoch	100
Learning_rate	0.001
Gamma	0.1
Learning_rate_decay(epoch)	20
GPU_Num	1
GPU_Memory	8G
Training time	25h18m*

Input_size	（256,256）
Batch_size	8
Epoch	100
Learning_rate	0.001
Gamma	0.1
Learning_rate_decay(epoch)	20
GPU_Num	1
GPU_Memory	8G
Training time	25h18m*

Input_size (n)	Change brightness	Mean IOU	GPU time	CPU time
128	N	0.9270	32ms	78ms
128	Y	0.9174	32ms	78ms
256	N	0.9295	84ms	143ms
256	Y	0.9363	84ms	143ms

基于U-Net的玉米叶部病斑分割算法

Image Segmentation for Maize Leaf Disease Based on U-Net

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

Input_size (n)	Change brightness	Mean IOU	GPU time	CPU time
128	N	0.9430	32ms	78ms
128	Y	0.9374	32ms	78ms
256	N	0.9531	84ms	143ms
256	Y	0.9633	84ms	143ms

病情级别	症状描述
1	叶片上无病斑或仅在穗位下部叶片上有零星病斑,病斑占叶面积少于或等于5%
3	穗位下部叶片上有少量病斑,占叶面积6%~10%,穗位上部叶片有零星病斑
5	穗位下部叶片上病斑较多,占叶面积11%~30%,穗位上部叶片有少量病斑
7	穗位下部叶片或穗位上部叶片有大量病斑,病斑相连,占叶面积31%~70%
9	全株叶片基本为病斑覆盖,叶片枯死

病情级别	症状描述
1	叶片上无病斑或仅有无孢子堆的过敏性反应
3	叶片上有少量孢子堆,占叶面积少于25%
5	叶片上有中量孢子堆,占叶面积26%~50%
7	叶片上有大量孢子堆,占叶面积51%~75%
9	叶片上有大量孢子堆,占叶面积76%~100%,叶片枯死

[1]	孙瑜, 张永梅, 武玉军. 基于粒子群算法和支持向量机的黄花菜叶部病害识别[J]. 中国农学通报, 2022, 38(8): 135-140.
[2]	重阳, 赵建凯, 马修才. 牧草观测自动化技术研究与系统设计[J]. 中国农学通报, 2022, 38(22): 126-133.
[3]	杨红云, 罗建军, 万颖, 孙爱珍. 计算机视觉技术在水稻氮素营养诊断中应用的研究进展[J]. 中国农学通报, 2020, 36(16): 149-155.
[4]	赵树弥,张龙,徐大勇,堵劲松,李志刚,孙淼,刘勇. 机器视觉检测鲜烟叶的分级装置设计[J]. 中国农学通报, 2019, 35(16): 133-140.
[5]	刘永波,雷波,曹艳,唐江云,胡亮. 基于深度卷积神经网络的玉米病害识别[J]. 中国农学通报, 2018, 34(36): 159-164.
[6]	李琼,姚遥,杨青春,舒文涛,李金花,张保亮,张东辉,耿臻. 基于MATLAB图像处理的大豆颗粒检测方法研究[J]. 中国农学通报, 2018, 34(30): 20-25.
[7]	张鹏,朱育强,王丽莉,周胜军. 基于机器视觉技术的黄瓜叶片白粉病识别[J]. 中国农学通报, 2017, 33(21): 134-137.
[8]	袁开放,陶栋材,徐浩,谢巍. 基于最小外接矩形的牛角椒大小分级研究[J]. 中国农学通报, 2016, 32(16): 166-170.
[9]	胡林. 植物叶面积系数法改进研究[J]. 中国农学通报, 2015, 31(5): 228-233.
[10]	徐义鑫,李凤菊,王建春,花登峰,张雪飞,吕雄杰,钱春阳. 基于OpenCV的Android手机植物叶片几何参数测量系统[J]. 中国农学通报, 2015, 31(35): 236-244.
[11]	刘新庭,匡迎春,陈熵,欧明文,曾文辉. 基于最小外接圆直径的苹果分级研究[J]. 中国农学通报, 2015, 31(20): 239-243.
[12]	李娜娜,郝科星,池宝亮,梁改梅. 玉米吐丝后果穗生长动态的研究[J]. 中国农学通报, 2014, 30(27): 234-240.
[13]	李俊1,陈振德2. 基于数字图像的番茄黄化曲叶病毒病色彩分析研究[J]. 中国农学通报, 2013, 29(31): 96-100.
[14]	郑小东张晓煜薄树奎. 植物叶裂特征自动提取研究[J]. 中国农学通报, 2012, 28(27): 152-156.
[15]	王远王德建张刚. 基于数码相机的水稻氮素营养诊断[J]. 中国农学通报, 2012, 28(24): 111-117.