《基于Unet神經(jīng)網(wǎng)絡(luò)的作物葉部病害圖像分割方法探究》13000字（論文）

基于Unet神經(jīng)網(wǎng)絡(luò)的作物葉部病害圖像分割方法研究摘要病害葉片圖像分割是基于圖像處理和計(jì)算機(jī)視覺技術(shù)的作物病害識別研究中的關(guān)鍵問題。其目的是將病斑區(qū)域（感興趣區(qū)域）從葉片圖像中分離出來，以便后續(xù)在此基礎(chǔ)上進(jìn)行特征提取和病害診斷。為了提高病斑圖像的正確率，圖像分析和識別都需要比較高的標(biāo)準(zhǔn)。因此圖像分割多年來一直得到研究人員的高度重視。目前已有多種病斑分割方法被提出，傳統(tǒng)的方法有閾值分割法、邊緣檢測法、邊界追蹤法和區(qū)域分割法等。但是植物的病害圖像均為復(fù)雜情況下的，環(huán)境的光影、病斑圖像的不規(guī)則、病斑顏色的深淺都是能夠直接影響檢測結(jié)果的。所以傳統(tǒng)分割方法往往效果較差，繼而會(huì)影響后續(xù)的病害診斷識別，不能滿足當(dāng)前的作物病害識別系統(tǒng)的實(shí)際需要。因此，發(fā)現(xiàn)一種能夠權(quán)衡復(fù)雜植物病斑的圖像分割算法一直是研究人員想要突破的瓶頸。近年來，隨著人工智能的迅猛發(fā)展，大量基于機(jī)器學(xué)習(xí)技術(shù)的圖像分割方法被提出。其中，U-Net神經(jīng)網(wǎng)絡(luò)因其良好的分割性能被成功應(yīng)用到了醫(yī)學(xué)圖像和遙感圖像分割中。其采用編碼-解碼結(jié)構(gòu)，具有可適應(yīng)很小的訓(xùn)練集、可用于不規(guī)則影像分割和分割準(zhǔn)確率高等優(yōu)點(diǎn)。本課題擬將U-Net網(wǎng)絡(luò)應(yīng)用于病害作物病斑圖像的分割中，以實(shí)現(xiàn)對復(fù)雜環(huán)境中病害葉片圖像病斑的自動(dòng)分割，為后續(xù)病害的診斷識別提供支撐。關(guān)鍵詞：U-Net；圖像分割；葉部病害;診斷識別目錄TOC\o"1-2"\h\u12302摘要 I28226第一章緒論 1307641.1選題目的與意義 1203471.2國內(nèi)外研究現(xiàn)狀 234171.3論文主要研究內(nèi)容和章節(jié)安排 324460第二章實(shí)驗(yàn)材料與方法 4327662.1實(shí)驗(yàn)材料 4271882.2基于U-Net模型的病害圖像分割方法 522242第三章模型訓(xùn)練與實(shí)驗(yàn)結(jié)果分析 1294983.1U-Net模型的訓(xùn)練 12315193.2實(shí)驗(yàn)結(jié)果分析 13324353.3測試結(jié)果 14194473.4不同分割方法的效果對比 1624926第四章結(jié)論與展望 17230454.1論文工作總結(jié) 17297394.2工作展望 1819797參考文獻(xiàn) 19緒論1.1選題目的與意義近年來伴隨著我國自然資源和環(huán)境條件的不斷改善，各類植物的生長環(huán)境也發(fā)生了不同的變化，生長環(huán)境變得復(fù)雜了起來。也就是說，植物發(fā)生病害的情況也多種多樣，這樣，對植物生長的免疫力有了更高的要求，但是植物也因此免疫系統(tǒng)低下，發(fā)病率也變得越來越高。而其中，植物葉部的發(fā)病率是最高的，所以，為了減少其造成的損失，無論是自然環(huán)境的損失還是農(nóng)業(yè)生產(chǎn)者的經(jīng)濟(jì)損失，有效預(yù)防植物葉部發(fā)病是我們需要更為深入研究的課題。為了不影響植物大部分病害的發(fā)生和情節(jié)惡化所造成的社會(huì)穩(wěn)定和健康發(fā)展，目前，大量相關(guān)領(lǐng)域研究專家已經(jīng)發(fā)現(xiàn)，植物中大多數(shù)的產(chǎn)生的病害主要是發(fā)生在植物自己的葉片上，通過觀察和檢查葉片的特征便可以發(fā)現(xiàn)，也就是說這樣觀察和發(fā)現(xiàn)，能夠觀察得出并判斷得出的植物病害和疾患類型。傳統(tǒng)的植物疾病診斷和判定方法主要是依靠自然和人工的肉眼進(jìn)行觀察，這一方法不僅僅費(fèi)時(shí)費(fèi)力，而且需要大量的人力資源。并且許多植物病害在早期病斑的面積比較小，人工手段很難判斷出病害的類型。所以，隨著農(nóng)業(yè)信息化的發(fā)展，人工智能迅猛地進(jìn)步，大量基于計(jì)算機(jī)視覺識別技術(shù)的圖像分割方法被提出。使用計(jì)算機(jī)視覺圖像識別技術(shù)對不同種類植物病蟲害防治實(shí)現(xiàn)了精準(zhǔn)識別。為了實(shí)現(xiàn)復(fù)雜情況背景下病害圖像識別逐漸地成為該領(lǐng)域當(dāng)前所研究的熱點(diǎn)和技術(shù)瓶頸，相關(guān)研究成果也僅僅是針對簡易情況背景下的一兩個(gè)特定區(qū)域的病害而進(jìn)行，且其分割速度低，實(shí)際使用效果不佳，這讓計(jì)算機(jī)視覺和圖像識別的相關(guān)技術(shù)被制約了，所以，研究和尋求出一個(gè)可以把復(fù)雜環(huán)境影響降到最低的植物葉片病害圖像分割的方法成為了目前具有科學(xué)研究意義的一件事。其中，U-Net神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)因其良好的分割性能被成功應(yīng)用到了醫(yī)學(xué)圖像和遙感圖像分割中。其采用編碼-解碼結(jié)構(gòu)，具有可適應(yīng)很小的訓(xùn)練集、可用于不規(guī)則影像分割和分割準(zhǔn)確率高等優(yōu)點(diǎn)。本研究課題擬將U-Net網(wǎng)絡(luò)應(yīng)用于對病害作物葉片和病斑的圖像分割中，以實(shí)現(xiàn)真實(shí)農(nóng)業(yè)生產(chǎn)場景中各種病害作物葉片和病斑圖像的自動(dòng)分割，為其后續(xù)病害診斷識別工作提供了支撐。1.2國內(nèi)外研究現(xiàn)狀早在1989年，日本學(xué)者穗波信熊便提出基于圖像分析技術(shù)和模式識別技術(shù)的植物葉片病害診斷方法，這一方法能夠有效快速地診斷農(nóng)作物地病害。時(shí)間到了2009年，國內(nèi)專家CuiDi等人便提出使用OTSU算法分割植物葉片病害圖像，并用K-Means聚合BP神經(jīng)網(wǎng)絡(luò)識別技術(shù)識別出大豆葉部銹病的病害圖像[1]。2011年，袁媛等人提出一種方法，這種方法是基于先驗(yàn)信息的對黃瓜病害葉片的分割模型[2]，這一模型也是新的研究發(fā)現(xiàn)。同年，王守志提出一種方法，這種方法是基于并行PCNN的玉米病葉圖像分割研究方法，這一新的方法讓農(nóng)業(yè)領(lǐng)域的圖像識別進(jìn)入了計(jì)算機(jī)視覺識別技術(shù)的時(shí)期。傳統(tǒng)的植物病害圖像分割通常依靠人工來進(jìn)行判斷，這一類的方法效率低下、誤差也大，而且非常依賴個(gè)人的經(jīng)驗(yàn)，如遇到經(jīng)驗(yàn)不足的學(xué)者，結(jié)果就天差地別。國內(nèi)外學(xué)者后來都運(yùn)用了計(jì)算機(jī)視覺和圖像處理技術(shù)，這才開始在大量農(nóng)作物上面作文章，實(shí)現(xiàn)了病斑分割方向的研究。國內(nèi)的LiXinjiang等人在HSV顏色空間下實(shí)現(xiàn)紅棗葉片的病斑自動(dòng)分割。Ma等人利用基于條件機(jī)場的圖像分割方法實(shí)現(xiàn)了識別黃瓜霜霉病的病害識別[3]，識別率高達(dá)90%以上。Pu利用BP神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)水稻的病斑圖像分割，也取得了一定成效。以上的方法都是用于處理作物的特定的病害識別，且普適性比較差，分割的效果也不算理想，有一定的不足。1.3論文主要研究內(nèi)容和章節(jié)安排針對以上不足，本課題采用改進(jìn)于FCN(FullyConvolutionalNetworks)算法原理的U-Net網(wǎng)絡(luò)結(jié)構(gòu)并行運(yùn)算機(jī)制擬解決植物病害圖像的病斑分割問題[4]。為了實(shí)現(xiàn)一種具有高度可擴(kuò)展性的復(fù)雜動(dòng)植物病斑分割算法，對病害的正確辨認(rèn)具有十分重要的指導(dǎo)價(jià)值。U-Net神經(jīng)網(wǎng)絡(luò)因其良好的可以分割性，U-Net神經(jīng)網(wǎng)絡(luò)因其良好的分割性，能夠滿足當(dāng)前的作物病害識別系統(tǒng)的實(shí)際需要。目前該模型已運(yùn)用到醫(yī)療、交通、遙感圖像等領(lǐng)域[5]。雖然有研究人員改進(jìn)該模型解決農(nóng)業(yè)領(lǐng)域問題，但是數(shù)量上比傳統(tǒng)方法來說較少。所以本文將基于U-Net神經(jīng)網(wǎng)絡(luò)模型，對常見的植物番茄的葉部病害進(jìn)行病斑分割。本課題將基于U-Net神經(jīng)網(wǎng)絡(luò)模型的常見植物番茄的葉部病害圖像實(shí)現(xiàn)病斑分割研究擬一個(gè)論文思路以及章節(jié)安排。即第一章提出所選題目的目的與意義，結(jié)合國內(nèi)外的研究現(xiàn)狀提出與傳統(tǒng)方法不同的分割模型，也就是U-Net網(wǎng)絡(luò)模型；第二章開始準(zhǔn)備實(shí)驗(yàn)的材料，實(shí)驗(yàn)的材料選自植物健康圖像存儲庫，然后根據(jù)U-Net模型的病斑圖像分割方法進(jìn)行實(shí)驗(yàn)；第三章實(shí)驗(yàn)開始，先進(jìn)行簡單的U-Net模型訓(xùn)練，以較少的訓(xùn)練集對不規(guī)則的圖像以及帶有光影遮擋的病害圖像進(jìn)行分割實(shí)驗(yàn)，接著，結(jié)合分割圖像的實(shí)驗(yàn)結(jié)果進(jìn)行分析以及測試；第四章將會(huì)對此次實(shí)驗(yàn)的進(jìn)行結(jié)果進(jìn)行簡短的工作總結(jié)以及對實(shí)驗(yàn)工作的展望。最后，將對此次實(shí)驗(yàn)研究的所用到的論文、文獻(xiàn)以及老師的幫助致謝。實(shí)驗(yàn)材料與方法2.1實(shí)驗(yàn)材料本實(shí)驗(yàn)圖像采集自一個(gè)開放的植物健康圖像存儲庫，可用于開發(fā)移動(dòng)疾病診斷。于是，收集了有關(guān)番茄葉部的各種常見病害圖像如早疫?。‥arlyblight）、晚疫?。↙ateblight）、花葉?。∕osaicvirus）、葉霉?。↙eafmold）、細(xì)菌性斑點(diǎn)?。˙acterialspeak）、輪斑?。═argetspot）、黃曲葉?。╕ellowleafcurlvirus）以及二斑葉螨?。═wo-spottedspidermite）等各20張，總共記160張圖像，每張圖像的分辨率是1250×700。從160張圖象中集中隨機(jī)挑選80張作為圖像訓(xùn)練集，80張作為測試訓(xùn)練集。在對模型的訓(xùn)練過程中將采集的訓(xùn)練集之前送入的各種網(wǎng)絡(luò)圖像模型一樣需要直接進(jìn)行初始自動(dòng)化的測試參數(shù)分析訓(xùn)練;就是利用送入驗(yàn)證集的網(wǎng)絡(luò)圖像分析可以實(shí)現(xiàn)對模型在進(jìn)行訓(xùn)練后的每個(gè)各種測試參數(shù)中的值都可以進(jìn)行了自動(dòng)調(diào)優(yōu);最后就是運(yùn)用送入驗(yàn)證集的網(wǎng)絡(luò)圖像可以來進(jìn)行評估該網(wǎng)絡(luò)模型在進(jìn)行訓(xùn)練時(shí)的測試結(jié)果。為了更好地設(shè)計(jì)加速現(xiàn)有網(wǎng)絡(luò)管理模型的技術(shù)訓(xùn)練工作流程，提高了現(xiàn)有網(wǎng)絡(luò)管理模型的圖像數(shù)字化和圖像分割化的效率[6]，將一個(gè)數(shù)據(jù)集中的所有網(wǎng)絡(luò)圖像都統(tǒng)一地分割裁剪成256×256個(gè)小的像素。各類葉片疾病形成斑點(diǎn)的主要病斑情況如下，見圖1所示。早疫病花葉病葉霉病細(xì)菌性斑點(diǎn)病EarlyblightMosaicvirusLeafmoldBacterialspeak晚疫病黃曲葉病輪斑病二斑葉螨病LateblightYellowleafcurlTargetspotTwo-spottedspidermiteVirus圖1番茄病害圖像樣本Fig.1Imagesampleoftomatodisease對于真實(shí)且復(fù)雜條件下的不同情況，待檢測圖像的被測角度、光照、背景等情況也變得比較復(fù)雜，對于算法的魯棒性(Robust)也提出了更高的技術(shù)要求，因此很難通過一些傳統(tǒng)的圖像分割方法，例如:邊緣檢測、圖像紋理特征、閾值分割等等方法解決此類問題。首先，需要提高圖像的分辨率也就是質(zhì)量，然后對圖像集進(jìn)行預(yù)處理。其作用是削弱和消除和圖像無關(guān)的所有信息，也就是光影還有病斑大小不規(guī)則等，這樣預(yù)處理圖像，增強(qiáng)了有關(guān)信息的檢索可以及盡量減少或更多地簡化數(shù)據(jù)，這樣，就提升了圖像質(zhì)量，增強(qiáng)了被分割圖像被分割和識別的可行性。本文主要討論一種基于U-Net神經(jīng)網(wǎng)絡(luò)的病斑圖像分割方法，以兩組模型并行運(yùn)算實(shí)現(xiàn)對圖像病斑處理的語義分割任務(wù)。所以我們有了一個(gè)更加高質(zhì)量的視頻圖像，盡量減少圖片中的噪音，提高了圖片中的目標(biāo)和背景之間的對比度，也就是我們可以通過這種方式來強(qiáng)調(diào)或者是抑制視頻中的一些細(xì)節(jié)[7]。目前，彩色圖像預(yù)處理已經(jīng)替代灰度圖像成為了圖像處理部分較為重要的實(shí)驗(yàn)方法。本課題也主要針對彩色圖像進(jìn)行研究，充分利用彩色圖像的優(yōu)點(diǎn)摒棄缺點(diǎn)[8]。2.2基于U-Net模型的病害圖像分割方法2.2.1U-Net模型介紹U-Net神經(jīng)網(wǎng)絡(luò)模型是2015年提出的一種基于U-Net網(wǎng)絡(luò)擴(kuò)展的圖像分割算法，基于FCN的改進(jìn)結(jié)構(gòu)，多用于醫(yī)療、衛(wèi)星遙感等語義分割場景[9]。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。圖2U-Net算法結(jié)構(gòu)圖Fig.2U-Netalgorithmstructurediagram整個(gè)U-Net網(wǎng)絡(luò)結(jié)構(gòu)如上圖所示，豎向的數(shù)字表示特征圖(FeatureMap)大小，橫向的數(shù)字表示通道數(shù)，網(wǎng)絡(luò)結(jié)構(gòu)與一個(gè)英文字母U:在網(wǎng)絡(luò)的左半邊首先需要進(jìn)行卷積+池化，對于在輸入圖像下的采樣;然后網(wǎng)絡(luò)的右半邊經(jīng)deconv逆卷積方式進(jìn)行上一次的采樣，同時(shí)，裁剪前面對應(yīng)的一個(gè)低層特征圖，使得下一邊和右邊的特征圖尺寸大小與右邊的特征圖相同，并對其進(jìn)行了融合(這里的特征圖融合指的是拼接，比如說在低層維度為280×280×128，高層維度為200×200×128，先將低層裁剪為200×200×128，然后進(jìn)行融合，融合后的featuremap為200×200×256);接著再次向下上采樣。重復(fù)這個(gè)步驟，直到我們獲得一個(gè)輸出388×388×2的特征圖，最后經(jīng)過Softmax獲得像素級圖像分割結(jié)果[10]。2.2.2基于U-Net模型的圖像分割本課題研究采用了深度機(jī)器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型中的U-Net網(wǎng)絡(luò)模型結(jié)構(gòu)來作為番茄病斑圖像分割的一個(gè)重要基礎(chǔ)性網(wǎng)絡(luò)結(jié)構(gòu)，該模型結(jié)構(gòu)通過對多幅番茄葉部病斑圖像進(jìn)行訓(xùn)練，學(xué)習(xí)獲取并識別和分析番茄葉部病斑圖像中的各種病斑地點(diǎn)和區(qū)域特征，實(shí)現(xiàn)了從輸入端到輸出的終極路徑番茄葉部病斑圖像的分割[11]。具體的分割算法流程如圖3所示。圖3番茄葉部病害分割方法流程圖Fig.3Flowchartoftomatoleafdiseasesegmentationmethodxi本文對番茄葉部病斑圖像的分割算法如下所示：（1）將最初的待分割的圖像輸入到U-Net神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行卷積操作的到最開始的特征圖。卷積層主要包括H個(gè)大小為H×H×G的卷積核，將原始圖像與卷積核進(jìn)行相關(guān)運(yùn)算后，使用非線性激活函數(shù)增強(qiáng)t卷積層的特征提取能力，經(jīng)過運(yùn)算后可以得到H個(gè)大小為(K-G+1)×(K-G+1)的特征圖。卷積層的具體運(yùn)算公式如（2-1）所示。式(2-1)中，為表示第l-1個(gè)輸入隱層的送出輸入，為第l個(gè)隱層輸出和輸入隱層的送出輸入映射圖像，表示第l個(gè)輸入隱層的輸出映射輸入權(quán)重賦值矩陣，為第l個(gè)輸出隱層的輸入映射偏置矩陣。為了快速激活原始線性問題函數(shù)，用來快速解決原始化的線性問題函數(shù)在編程語言中與其表達(dá)能力之間差異較大時(shí)經(jīng)常存在的一種復(fù)雜問題稱為函數(shù)，其中原始線性問題函數(shù)的表達(dá)式為其定義函數(shù)為fx=max(0,x)。為了有效縮短結(jié)構(gòu)模型的開發(fā)培養(yǎng)工作時(shí)間，降低卷積和分層對于網(wǎng)絡(luò)結(jié)構(gòu)模型的開發(fā)工作量，在卷積和分層之后再額外添加一個(gè)數(shù)據(jù)池化層。池化的圖層操作主要研究目標(biāo)就是對通過卷積層采樣輸出的一個(gè)不同特征點(diǎn)的圖和點(diǎn)進(jìn)行下一次圖層采樣，xiai(l)式（2-2）中，l表示當(dāng)前池化的層數(shù)，down為下一次采樣的操作，ω為權(quán)值矩陣，bs在經(jīng)過池化層后再進(jìn)行下一次采樣操作，從而降低了圖像的分辨率，因此可以通過反卷積和上采樣，這樣可以重置被檢測圖像最開始的分辨率和大小。其中，上采樣這一操作主要是為了放大圖像，能夠?qū)⒎糯蠛蟮膱D像顯示在更高分辨率的顯示設(shè)備上，也就是電腦屏幕上，這一操作也成為圖像插值。逆卷積就是利用這一方法，重新讓待分割的圖像恢復(fù)到原來的分辨率。(4)U-Net神經(jīng)網(wǎng)絡(luò)主要用于執(zhí)行的原始特征提取圖分類是一個(gè)從從終端開始到端至終點(diǎn)的逐層向像素特征分類處理過程，使用卷積分類層和數(shù)據(jù)池化像素分類處理層以及其它激活的分類函數(shù)對終端輸入的原始特征圖像數(shù)據(jù)進(jìn)行特征提取后，需要將這些被特征提取后的原始圖像特征提取圖分別作為一個(gè)原始輸入以及逐像素分類作為輸入分類層以指令作為標(biāo)準(zhǔn)的一個(gè)像素分類處理層并用來對其圖像進(jìn)行原始特征提取圖像的分類。常見的代碼分類器符號有s、softmax、svm等。分類層具體參數(shù)計(jì)算公式及其列表說明如下:Softmax(xi)=式（2-4）中，ωi為卷積在經(jīng)過了分類層次對像素進(jìn)行分類以后，要求我們利用損失函數(shù)來評價(jià)模的訓(xùn)練效果，訓(xùn)練集與測試集之間的損失差值越小就說明模型的訓(xùn)練效果也就好。分類層所需要使用的損失函數(shù)具體的計(jì)算公式列出:L(P)=1式(2-5)中，P為一個(gè)正在網(wǎng)絡(luò)虛擬模型中我們所認(rèn)為需要同時(shí)進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)的一個(gè)重要計(jì)算參數(shù)，是在每一個(gè)標(biāo)注訓(xùn)練檢測集上第i張被認(rèn)為用于標(biāo)注訓(xùn)練的網(wǎng)絡(luò)圖像，N中則是每一個(gè)標(biāo)注訓(xùn)練集的被認(rèn)為用于標(biāo)注病害紅斑圖像的像素?cái)?shù)量，為每一個(gè)被認(rèn)為用于標(biāo)注訓(xùn)練集的一個(gè)病害紅斑圖像，為每一個(gè)正在網(wǎng)絡(luò)虛擬模型中被認(rèn)為用于病害檢測的一個(gè)病害紅斑現(xiàn)象圖像，L(P)則認(rèn)為是通過分別計(jì)算被認(rèn)為用于病害標(biāo)注的一個(gè)病害紅斑現(xiàn)象圖像和被認(rèn)為用于標(biāo)注檢測集的病害紅斑現(xiàn)象圖像之間的歐氏距離而計(jì)算獲得的概率損失。2.2.3基于U-Net模型的作物葉部病斑圖像分割模型結(jié)構(gòu)目前在應(yīng)用于計(jì)算機(jī)視覺圖像識別技術(shù)這一領(lǐng)域中針對圖像分割技術(shù)問題常用的網(wǎng)絡(luò)模型結(jié)構(gòu)主要有FCN-8s、Deeplabv3、SegNet等網(wǎng)絡(luò)模型，在這些網(wǎng)絡(luò)模型中對所有輸入的圖像都是經(jīng)過特征提取之后直接對所有特征圖像的信號和像素?cái)?shù)據(jù)進(jìn)行了分類，通常情況下會(huì)因?yàn)槠渲械南乱粋€(gè)采樣層的存在而導(dǎo)致所有輸入圖像的分辨率降低，從而大大降低了像素值以及分割精度的準(zhǔn)確性[12]。為了徹底解決目前傳統(tǒng)的圖像分割技術(shù)在植物葉片和樹木上的病斑影像分割中對于圖像處理效果不佳的問題，才首先提出U-Net神經(jīng)網(wǎng)絡(luò)的模型[13]。該網(wǎng)絡(luò)模型主要由數(shù)字編碼電路網(wǎng)絡(luò)和數(shù)字解碼信息網(wǎng)路兩個(gè)大部分結(jié)構(gòu)組成，編碼電絡(luò)網(wǎng)路在改變傳統(tǒng)的數(shù)字編碼電絡(luò)網(wǎng)路結(jié)構(gòu)基礎(chǔ)上也對此進(jìn)行了很多改善，其中，編碼網(wǎng)絡(luò)的結(jié)構(gòu)前面的部分主要有卷積層解碼層、數(shù)據(jù)激活層，還有批量的并歸一化層這三部分組成。在這樣幾個(gè)組成部分之后又增加了最大的池化層，也就是批歸池化層。就像剛才所說的，池化過程就是在全部的編碼處理之后，整個(gè)處理的網(wǎng)絡(luò)對于每一個(gè)不同編碼層的每一個(gè)池化都要有池化的記錄[14]，通過這種操作進(jìn)行池化的記錄因子就會(huì)對全部的要編碼要處理的數(shù)據(jù)進(jìn)行上述的提取樣本的操作。解碼密集網(wǎng)絡(luò)的基本結(jié)構(gòu)與已在編碼密集網(wǎng)絡(luò)相互對稱，解碼密集網(wǎng)絡(luò)主要工作目的之一就是在于用來對已在編碼密集網(wǎng)絡(luò)中所記錄的最大稀疏池化層數(shù)據(jù)索引進(jìn)行數(shù)據(jù)分析進(jìn)行上傳和采樣，之后，將分析所得出的稀疏優(yōu)化后的特征圖用于在解碼網(wǎng)絡(luò)層中記錄現(xiàn)有的卷積優(yōu)化層索引數(shù)據(jù)，將這些數(shù)據(jù)集放入U(xiǎn)-Net神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和計(jì)算，從而快速獲取密集網(wǎng)絡(luò)數(shù)據(jù)庫的稀疏特征結(jié)構(gòu)圖。在解碼網(wǎng)絡(luò)層的最后一層，這一層是由上述所提到的Softmax分類器來工作組成，Softmax分類器可以將每一個(gè)待解碼像素進(jìn)行獨(dú)立的分類，并且，能夠?qū)⒎诸愃玫降拿恳粋€(gè)解碼像素分類后的結(jié)果輸入解碼網(wǎng)絡(luò)層進(jìn)行解碼圖像的分割。本課題主要提出的全卷積模型U-Net模型神經(jīng)網(wǎng)絡(luò)改進(jìn)模型的基本結(jié)構(gòu)，U-Net變形模型通俗來說也可以就是全卷積模型神經(jīng)網(wǎng)絡(luò)的一種基本變形，主要它的基本結(jié)構(gòu)模型是由于這篇論文文章中的一位作者自己繪制設(shè)計(jì)出來的，它的外形似于拉丁字母中的U，因此這個(gè)變形模型得以命名為變形U-Net。整個(gè)搜索神經(jīng)網(wǎng)絡(luò)大致由兩個(gè)主要的部分共同一起組成:一個(gè)搜索網(wǎng)絡(luò)路徑(Contractingpath)和一個(gè)拓?fù)渌阉髀窂?Expandingpath)。搜索路徑主要目的就是通過一個(gè)用來實(shí)現(xiàn)捕獲和識別圖片中的各種上下文信息(ContextInformation)，和之前不同的拓寬搜索路線的目的就是為了能夠?qū)Υ指畹闹参锶~部病斑圖像進(jìn)行較為精準(zhǔn)的定位。本文所研究的U-Net圖像識別分割方法能夠發(fā)現(xiàn)的一個(gè)重要原因就是在深度學(xué)習(xí)以及機(jī)器學(xué)習(xí)的時(shí)候，需要大量的sample以及算法資源，所以，U-Net通過基于FCN(FullyConvultionalNetwork:全卷積神經(jīng)網(wǎng)絡(luò))做了一系列改進(jìn)，并且使用了數(shù)據(jù)加速器來增強(qiáng)即可對一些比較少樣本的信息技術(shù)數(shù)據(jù)進(jìn)行培訓(xùn)，特別重視與醫(yī)學(xué)技術(shù)方面密切相關(guān)的信息技術(shù)數(shù)據(jù)(因?yàn)獒t(yī)學(xué)技術(shù)中的信息比一般我們所能夠觀察得到的醫(yī)學(xué)圖片及其他信息技術(shù)數(shù)據(jù)的收集和獲取費(fèi)用成本更高，不管是在時(shí)間上或者資源上的消耗)，所以U-Net的問題已經(jīng)開始出現(xiàn)，這對于我們進(jìn)行深度學(xué)習(xí)應(yīng)該對于使用比較少樣本的信息技術(shù)和醫(yī)學(xué)攝像技術(shù)來說也是非常有意義和必要的。本文提到的U-Net模型網(wǎng)絡(luò)就是這樣通過改進(jìn)于FCN，讓待分割的圖像集進(jìn)行了一些改良，在另一個(gè)較為重要的方面，不僅僅是簡單的把待分割的圖像進(jìn)行編碼和解碼，而是獨(dú)立于U-Net自身的分割技術(shù)。這一技術(shù)，讓U-Net為了能夠讓我們圖片能夠真正做到精準(zhǔn)的精確收縮和精準(zhǔn)定位，從這個(gè)精準(zhǔn)收縮的處理路徑上把它進(jìn)行提取得整合出來的所有局部特征像素中的特征信息都會(huì)在一個(gè)階段上升式的采樣(Upsampling)這個(gè)過程中與新的局部特征結(jié)構(gòu)圖(FeatureMap)信息進(jìn)行了互相結(jié)合(其實(shí)比較直白的一句話說就是將一些局部像素信息和一些全局像素信息進(jìn)行相結(jié)合，通過這些局部信息的進(jìn)行整合我們可以大大提高對局部像素各個(gè)節(jié)點(diǎn)不同類別的信息預(yù)測性和準(zhǔn)確性)，以最大最有限度的方式減少和重復(fù)保留前面所述下一個(gè)階段降低的下采樣(Downsampling)的這個(gè)過程一些重要的是特征圖的信息。而為了盡可能多地能夠讓整個(gè)圖像網(wǎng)絡(luò)中的結(jié)構(gòu)更高效地正常地在運(yùn)行，結(jié)構(gòu)中往往也總是沒有完整的全動(dòng)態(tài)連接層(FullyDynamicConnectionLayer），這樣子就已經(jīng)可以在很大的一定程度上完全降低和大大減少了那些需要長期培養(yǎng)和進(jìn)行訓(xùn)練的其他各種網(wǎng)絡(luò)參數(shù)，并且還可以得益于特別多的是這種u型網(wǎng)絡(luò)結(jié)構(gòu)使它能夠很好地準(zhǔn)確保留整個(gè)圖像網(wǎng)絡(luò)中的各種基本信息。收縮的分層路徑上面也就是每兩個(gè)3×3的卷積的分層在然后會(huì)跟一個(gè)2×2的最大下降池化卷積的分層（其收縮步長大小為2)，并且每個(gè)卷積層后面系統(tǒng)都會(huì)自動(dòng)采用一個(gè)Relu激活收縮函數(shù)，Relu之后是池化步驟，即U-Net會(huì)降低卷積特征的采樣率（以節(jié)省處理時(shí)間），從而減少特征圖的維數(shù)，同時(shí)仍保留最關(guān)鍵的特征信息，此過程常用的算法稱為最大池化。該方法是用來對原始的壓縮圖片和原始視頻采樣進(jìn)行一個(gè)最大下降池化采樣的收縮操作，除此之外，每一個(gè)進(jìn)行下降取樣率的過程中系統(tǒng)都會(huì)自動(dòng)添加一杯收縮通道的取樣次數(shù)。在反向擴(kuò)展收縮路徑的逐步向上提高采樣中，每一步路徑都會(huì)自動(dòng)設(shè)置為具有一個(gè)2×2的卷積分隔層和一個(gè)兩個(gè)3×3的卷積分隔層，于此同時(shí)，每一步路徑也都會(huì)提高上采樣部分，這一操作讓每一卷積分隔層都有了編碼和解碼的過程。U-Net神經(jīng)網(wǎng)絡(luò)模型在系統(tǒng)中還有一個(gè)非常重要的一個(gè)特點(diǎn)，那就是它基本上就是可以對任何一種形狀或者任何尺寸的矩形圖像文件進(jìn)行卷積或者運(yùn)算式的操作，尤其當(dāng)它是任何一個(gè)大的矩形圖像。第三章模型訓(xùn)練與實(shí)驗(yàn)結(jié)果分析3.1U-Net模型的訓(xùn)練3.1.1實(shí)驗(yàn)平臺計(jì)算機(jī)圖像處理需服務(wù)器具備較強(qiáng)性能的CPU和GPU支持，實(shí)驗(yàn)平臺操作系統(tǒng)為Ubuntu21.04，計(jì)算機(jī)內(nèi)存為32GB，使用英偉達(dá)GTX1660Ti8GBGPU顯卡，它搭載Intel?Corei7處理器。表3-1試驗(yàn)平臺配置表Table1TestplatformconfigurationtableCPU型號Intel?Corei7CPU個(gè)數(shù)1內(nèi)存4×32GB硬盤1.8TB操作系統(tǒng)Ubuntu21GPU型號GeForeceGTX1660TiGPU個(gè)數(shù)1GPU顯存8GB3.1.2訓(xùn)練數(shù)據(jù)預(yù)處理本文將在U-Net神經(jīng)網(wǎng)絡(luò)模型中，將采集到的這160張待檢測圖像輸入神經(jīng)網(wǎng)絡(luò)模型中的數(shù)據(jù)，將數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，然后通過對待檢測圖像的預(yù)處理，減少其被光影、病斑大小不規(guī)則、病斑不明顯的影響，減少其圖像中的噪音。通過這一預(yù)處理之后的圖像統(tǒng)一尺寸，這樣，便可以對訓(xùn)練集的圖像進(jìn)行標(biāo)注。本文將通過PS對數(shù)據(jù)區(qū)的待檢測圖像進(jìn)行標(biāo)注，將葉片部分的背景像素區(qū)域標(biāo)注為256，然后對其他除了葉片的部分像素區(qū)域標(biāo)注為0。把它們區(qū)分開來。3.1.3實(shí)驗(yàn)參數(shù)設(shè)置本文通過嘗試使用用于帶動(dòng)網(wǎng)絡(luò)測量響應(yīng)因子的一種小批量隨機(jī)數(shù)據(jù)梯度數(shù)值下降測量算法為例來分析訓(xùn)練這種網(wǎng)絡(luò)測量模型。為了有效地可以保證卷積模型的非線性，提高卷積函數(shù)層的模型學(xué)習(xí)工作效率，采用它的relu函數(shù)可以作為一個(gè)被模型激活的卷積函數(shù)。由于手機(jī)視頻顯存中的文字?jǐn)?shù)據(jù)集太多以及由于計(jì)算機(jī)視頻顯存的數(shù)據(jù)局部大小限制，將數(shù)字batchsize分別大小設(shè)置成32、64和128個(gè)不同字符串的不同大小。為了有效率地保證電腦網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練工作效率，將初始化的學(xué)習(xí)成功率參數(shù)設(shè)置為0.01，動(dòng)量變化因子數(shù)值設(shè)置參數(shù)為0.9，batchsize參數(shù)設(shè)置為128。在數(shù)據(jù)經(jīng)過1200次迭級換代以后，網(wǎng)絡(luò)學(xué)習(xí)模型的數(shù)據(jù)訓(xùn)練學(xué)習(xí)速度將可能會(huì)逐漸由大變慢，因此把數(shù)據(jù)學(xué)習(xí)的效率從0.001。3.2實(shí)驗(yàn)結(jié)果分析利用本文所述作者提出的兩種新型網(wǎng)絡(luò)測試模型分別與dafcn、deeplabv3和ersegnet3對模型數(shù)據(jù)進(jìn)行了綜合比較[15]，采用的兩種網(wǎng)絡(luò)測試集均為經(jīng)過大量的網(wǎng)絡(luò)數(shù)據(jù)分析拓展以及擴(kuò)充后的120幅度番茄葉片的部位性疾病癥狀斑點(diǎn)的全景影像，分別等于是它們利用了一個(gè)目標(biāo)完整性精度(com)、全局觀測精度(globalacc)和iniou(intersection-overunion)3個(gè)重要的測量指標(biāo)并也可以用來作為一個(gè)用來衡量如何劃分研究結(jié)果的既可重要性和不可評價(jià)性的指標(biāo)。全局高和低精度準(zhǔn)確地分別表示了分割番茄葉子根部葉片病理花斑病理影像中整個(gè)番茄葉子根部正常目標(biāo)像素部位區(qū)域和其他病理葉斑影斑的像素部位區(qū)域被正確地進(jìn)行分類的直觀結(jié)果;正常目標(biāo)完整高精度分別代表了被分割后整個(gè)番茄葉子根部的正常病理影斑像素區(qū)域與其所標(biāo)記的病斑圖像中正常目標(biāo)像素區(qū)域之間的一定像素比例;iou分別代表分割番茄根部葉片上的不同病理葉斑病理影像像素圖象在其中的不同病理影斑像素部位被錯(cuò)誤地進(jìn)行劃分而形成了不同的正常像素部位。3個(gè)企業(yè)評估評價(jià)指標(biāo)的一個(gè)數(shù)學(xué)基本表達(dá)式分別可以是:COM=TPTP+FN(3-1)GlobalAcc=TP+TNTP+TN+FN+FP(3-2)IOU=TPTP+FP+FN(3-3)表3-2U-Net框架參數(shù)表Table3-2U-NetframeworkparametertableInput_size(256，256)Batch_size8Epoch100Learning_rate0.001Gamma0.1Learning_rate_decay(epoch)20GPU_num1GPU_memory8GTrianingtime25h18m*式(3-1)中，TP(TruePositive)用來代表一個(gè)目標(biāo)正確圖像的每個(gè)像素量和一個(gè)數(shù)目;式(3-2)中，TN(TrueNegative)代表對于背景進(jìn)行正確劃分的像素個(gè)體數(shù)量;FN(falsenegative)表示一個(gè)目標(biāo)被錯(cuò)誤地劃分為一個(gè)背景像素的數(shù)量;式(3-3)中，F(xiàn)P(FalsePositive)是指表示將一個(gè)背景錯(cuò)誤地劃分成一個(gè)目標(biāo)像素的數(shù)量[16]。為保證算法執(zhí)行效率，使CPU運(yùn)算時(shí)間上不超過1.3s，經(jīng)過反復(fù)驗(yàn)證后，我們嘗試采用256×256和128×128作為縮放后的輸入尺寸。對比了輸入不同尺寸，以及是否增加光照等因素變換后對精度的影響。最后兩組U-Net模型的測試結(jié)果如表3-1、表3-2所示。由表3-1、3-2可知當(dāng)輸入尺寸為256×256IOU值分別達(dá)到了91.23%和92.03%。3.3測試結(jié)果為保證算法執(zhí)行效率，盡量讓運(yùn)算時(shí)間上不超過1.3s，經(jīng)過反復(fù)驗(yàn)證后，我們嘗試采用256×256和128×128作為縮放后的輸入尺寸。對比了輸入不同尺寸，以及是否增加光照等因素變換后對精度的影響[17]。最后兩組U-Net模型的測試結(jié)果如表3-1、表3-2所示：由表3-1、3-2可知當(dāng)輸入尺寸為256×256，IOU值分別達(dá)到了91.23%和92.03%，且兩組測試數(shù)據(jù)運(yùn)算時(shí)間都在1.3秒內(nèi)[18]。由于病斑模型的特征過小可能會(huì)造成一定的漏檢，從兩個(gè)模型的IOU指標(biāo)上也能發(fā)現(xiàn)葉片的分割效果略優(yōu)于病癥的分割效果[19]。表3-3U-Netdisease測試結(jié)果表Table3-3U-NetdiseasetestresultstableInput_size(n)ChangebrightnessMeanIOUGPUtimeCPUtime128N0.916030ms60ms128Y0.907430ms60ms256N0.918480ms125ms256Y0.925280ms125ms表3-4U-Netofleaf測試結(jié)果表Table3-4U-NetofleafdiseasetestresultstableInput_size(n)ChangebrightnessMeanIOUGPUtimeCPUtime128N0.932130ms60ms128Y0.926330ms60ms256N0.942080ms125ms256Y0.952280ms125ms近年來，以深度學(xué)習(xí)為基礎(chǔ)展開的農(nóng)作物病害識別研究已較為成熟[20]。國內(nèi)外研究人員利用U-Net神經(jīng)網(wǎng)絡(luò)對農(nóng)作物病斑分割研究也取得了一定成效[21]。如國內(nèi)的任守綱[22]等采用了19120張番茄病害圖片，通過反卷積引導(dǎo)的網(wǎng)絡(luò)模型實(shí)現(xiàn)病斑分割I(lǐng)OU值達(dá)到74.63%，國內(nèi)的王振[24]采用黃瓜病害圖片共計(jì)1530張，利用改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)番茄病斑分割I(lǐng)OU值為71.34%。與之相比，本文研究采集的原始病害圖片每種為20張，總計(jì)160張，數(shù)據(jù)集少于上述兩類方法。在U-Net神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)中若訓(xùn)練數(shù)據(jù)特征過于復(fù)雜、訓(xùn)練數(shù)量少，會(huì)導(dǎo)致模型過擬合[23]。若是直接增加原始圖像采集數(shù)量又會(huì)大量增加的人力和時(shí)間成本。在本研究中將ImageNet數(shù)據(jù)集作為U-Net算法模型的神經(jīng)網(wǎng)絡(luò)前的網(wǎng)絡(luò)參數(shù)并進(jìn)行初始化，而其他網(wǎng)絡(luò)層參數(shù)則使用隨機(jī)初始化的方式進(jìn)行訓(xùn)練。通過模型遷移技術(shù)提高訓(xùn)練度，實(shí)現(xiàn)在有限的原始數(shù)據(jù)集中提高語義分割的準(zhǔn)確性，本研究模型經(jīng)測試葉片和病斑的分割I(lǐng)OU值分別達(dá)到了91.23%和92.03%，分割效果優(yōu)于上述兩類方法。研究算法模型目的在于更好的為用戶提供服務(wù)。并且，有個(gè)別相關(guān)的研究專家開發(fā)出一個(gè)手機(jī)的APP，APP里面的內(nèi)容由病害識別系統(tǒng)組成，這一組成的框架式采用了較好的后臺服務(wù)，這樣的實(shí)現(xiàn)方式可實(shí)現(xiàn)在手機(jī)APP中快速識別目標(biāo)，但使用范圍比較局限。本研究算法服務(wù)系統(tǒng)通過開放API提供對各種算法元數(shù)據(jù)的訪問以及算法調(diào)用。算法服務(wù)系統(tǒng)提供標(biāo)準(zhǔn)可擴(kuò)展的算法調(diào)用接口，可同時(shí)為手機(jī)移動(dòng)端、PC、高清槍機(jī)等設(shè)備提供了非常有效的圖像識別手段[26]。本研究模型對番茄病害圖像的分級測試取得了一定成效，但依然存在以下可改進(jìn)的空間。（1）本模型無法對同一植株上同時(shí)存在兩種以上病害的番茄葉片分級。若將同時(shí)存在兩種以上病害的葉片放入模型測試，模型會(huì)統(tǒng)計(jì)所有病斑所占面積，從而導(dǎo)致結(jié)果不準(zhǔn)確。未來考慮根據(jù)病斑特征的不同，在分割葉片與病斑的基礎(chǔ)上，同時(shí)分割不同病害的病斑，再對多種病斑分別加以測算。（2）本研究目前只能針對葉部病害分級鑒定。本研究中的模型加以參數(shù)調(diào)試可運(yùn)用到其他作物上，但在農(nóng)業(yè)中還有很多病害特征不是呈現(xiàn)在葉片上，也存在于根部、莖部、果實(shí)部位。以番茄為例，早疫病的病征主要呈現(xiàn)在番茄葉部上，而葉部不同于葉片是平面圖像的問題，葉部三維圖像為病害區(qū)域面積測算增加了難度，目前國內(nèi)外研究中僅有醫(yī)學(xué)領(lǐng)域?qū)CN圖像分割技術(shù)運(yùn)用到三維圖形領(lǐng)域。對三維空間中農(nóng)作物的病級判定同樣重要，這也將是這次論文未來研究的重點(diǎn)。3.4不同分割方法的效果對比為了測試本課題所提到的U-Net神經(jīng)網(wǎng)絡(luò)模型分割葉片病害圖像的效果，本文將采用以往的傳統(tǒng)分割技術(shù)方法進(jìn)行番茄葉部病害圖像的分割和實(shí)驗(yàn)。在此次實(shí)驗(yàn)中，依次選擇了五個(gè)不同的傳統(tǒng)圖像分割網(wǎng)絡(luò)的結(jié)構(gòu):U-Net，F(xiàn)CN-8s，Deeplabv3，SegNet和JointNet，還有一種區(qū)別于傳統(tǒng)的圖像分割方法的另一種選擇:SVM。圖7所示為各種圖像分割方式的顯示。從圖中我們可以清楚地看到，fcn-8s具有明顯的錯(cuò)誤分類現(xiàn)象。deeplabv3的分割處理效果比fcn更佳，但它們都只能夠分割比較大的病害，導(dǎo)致了對于較小型病害的分割處理精度不高。全卷積，SegNet和JointNet與本研究方法中的模型架構(gòu)相同，然而這三種方法都分割了西紅柿的詳細(xì)特點(diǎn)。病變療法效果低，附著的病變區(qū)域不能被完全分割，正常區(qū)域的一部分被錯(cuò)誤地劃分為病變區(qū)域。SVM這種與傳統(tǒng)分割方法具有著與疾病基本相同的圖像分割效果，這兩種分割方法都是可以更精確地對疾病進(jìn)行分割，但是如果使用數(shù)學(xué)形態(tài)學(xué)的處理，結(jié)果在圖像中局部邊緣的信息可能會(huì)發(fā)生丟失甚至很小。病害區(qū)域似乎過度分割;本文強(qiáng)調(diào)病害的完整性。小病變的完全分割。對于各種度量分割技術(shù)，在測試集的圖像中均比較出了度量分割的效果，度量標(biāo)準(zhǔn)如表3-4所示。原始圖像FCN-8sDeepLabV3U-NetSegNetJoinNetSVM圖7各種分割方法的分割結(jié)果Fig.7Segmentationresultsofvarioussegmentationmethods表3-5不同分割方法對評價(jià)指標(biāo)的影響Table3-5Theimpactofdifferentsegmentationmethodsonevaluationindicators分割方法訓(xùn)練時(shí)間/h單張圖像分割時(shí)間/sCOM/%GlobelAcc/%IOU/%FCN-8s3.231.4386.4187.5683.45DeepLabV32.891.5688.5288.3285.63SegNet2.541.3691.8792.7987.95JoinNet2.381.2992.5293.0888.73SVM1.142.3894.1494.8389.86U-Net2.311.2496.3495.8791.23與其他各類的分割方法相比較，本文用到的基于U-Net網(wǎng)絡(luò)模型結(jié)構(gòu)的病斑圖像分割方法在每張圖像的分割時(shí)間上更短，實(shí)現(xiàn)在有限的待測試訓(xùn)練集中提高語義分割的準(zhǔn)確性，本研究模型經(jīng)測試葉片和病斑的分割I(lǐng)OU值分別達(dá)到了91.23%和92.03%，分割效果優(yōu)于上述5類方法。本研究模型對番茄葉部病害病斑圖像分割的實(shí)驗(yàn)取得了一定的成效，由于本研究模型目的在于更好地、高效地實(shí)現(xiàn)病斑圖像分割，所以在研究期望上是基本上達(dá)到并且實(shí)現(xiàn)了。第四章結(jié)論與展望4.1論文工作總結(jié)本文所提出的基于U-Net神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的植物葉部病害圖像分割方法區(qū)別于傳統(tǒng)的分割方法，其通過并行運(yùn)算實(shí)現(xiàn)對植物病斑分割的任務(wù)完成得比較成功，U-Net算法是比較早的一種利用多尺度特征對番茄進(jìn)行語義分割任務(wù)的算法之一，其U形結(jié)構(gòu)也激活了后面許多算法。但其也存在幾個(gè)不同的缺點(diǎn):有效的U-Net大大增加了該模型的設(shè)計(jì)難度和通用性;目前許多算法直接選擇采用U-Net，這樣也就能夠避免特征圖在合并前的裁邊運(yùn)動(dòng)，其通過裁邊的形式和特征圖并不是對稱的，個(gè)人感覺采用雙線性插值的效果應(yīng)該會(huì)更好。經(jīng)測試圖像分割試驗(yàn)中病斑分割I(lǐng)OU值達(dá)到91.23%，葉片分割I(lǐng)OU值達(dá)到91.23%，且運(yùn)算速度均在1.3s內(nèi)完成。針對當(dāng)前番茄樹葉部病害的識別和分割模型所遭受到的陰影、掩蓋物以及相關(guān)光線強(qiáng)度的影響，特征提取方法存在著盲目以及不確定性等諸多問題，使用數(shù)據(jù)集中10種番茄病害圖像，構(gòu)建了基于U-Net網(wǎng)絡(luò)模型圖像分割研究法。與SegNet相比，本模型分割精度較高，只標(biāo)注少量的病斑樣本訓(xùn)練模型，也節(jié)省大量標(biāo)注成本，達(dá)到了比較好的分割精度。并且，U-Net網(wǎng)絡(luò)模型能夠較為準(zhǔn)確地對番茄樹葉片的病斑和動(dòng)脈瘤圖像進(jìn)行分割，避免了傳統(tǒng)的分割技術(shù)需要人工設(shè)計(jì)的特征提取技術(shù)，而且模型的結(jié)構(gòu)相比之前現(xiàn)有的卷積式神經(jīng)網(wǎng)絡(luò)在模型構(gòu)造上的結(jié)構(gòu)更加簡單。本文這種方法對番茄葉部圖像中不同患者的背景都具有良好的適應(yīng)性，能夠克服各種復(fù)雜情況下對圖像分割效果的干擾，準(zhǔn)確實(shí)現(xiàn)了番茄葉部圖像中各個(gè)患者的病斑區(qū)域。在分割的速度上也是具有很多優(yōu)勢，它們可以直接實(shí)現(xiàn)真正的番茄圖像分割，為我們后續(xù)實(shí)現(xiàn)番茄各種病害和類型的準(zhǔn)確識別打下堅(jiān)實(shí)的基礎(chǔ)。4.2工作展望通過上述綜述可以進(jìn)一步總結(jié)U-Net模型在作物病害圖像分割中的應(yīng)用具有幾個(gè)方面的優(yōu)勢:該研究以手機(jī)拍照等方式采集數(shù)據(jù)源，不依賴專業(yè)儀器設(shè)備即可實(shí)現(xiàn)番茄病害快速分級，可取代以往以人工目測方式進(jìn)行的病害識別，提高了病害分級的準(zhǔn)確性和客觀性。該模型與手機(jī)、AI攝像頭等設(shè)備結(jié)合運(yùn)用，可實(shí)現(xiàn)番茄病害預(yù)警、降低病害影響、增產(chǎn)增收科技惠農(nóng)的目標(biāo)。有效得提取出圖像得特點(diǎn)，對于目標(biāo)的識別具有較高得抗干擾度和魯棒性。此外，雖然它較之于傳統(tǒng)的方法所采用的訓(xùn)練集相對較少，但是識別的時(shí)間相當(dāng)短，最后，可以考慮通過擴(kuò)充數(shù)據(jù)集的方式來進(jìn)行訓(xùn)練模型，以節(jié)約復(fù)雜的環(huán)境下搜索和獲得圖像信息所花費(fèi)的工作量。并且隨著計(jì)算機(jī)視覺識別以及自動(dòng)化檢測地崛起，智慧農(nóng)業(yè)在全國范圍內(nèi)地普適性，現(xiàn)代農(nóng)業(yè)在我國迅速地興起以及快速地發(fā)展，相關(guān)的領(lǐng)域研究能夠推進(jìn)農(nóng)業(yè)生產(chǎn)技術(shù)領(lǐng)域的高新化、智能化還有管理領(lǐng)域的差異化、全方位信息化，在這樣的發(fā)展趨勢之下，產(chǎn)生除了許許多多不同種類的資料圖片以及數(shù)據(jù)，這樣，如何融合并綜合利用這些數(shù)據(jù)還面臨著較大挑戰(zhàn)，新型得圖像分割技術(shù)在這方面還得深入研究。參考文獻(xiàn)[1]武鵬鳴.我國番茄育種問題及對策分析[J].糧食科技與經(jīng)濟(jì)，2019，44(6):90-92.[2]沈冰冰.番茄莖腐病和大斑病生防菌的篩選及其促生作用的研究[D].哈爾濱:東北農(nóng)業(yè)大學(xué)，2019.[3]李新疆，王賞貴，王丹，等.基于HSV色彩空間的紅棗葉片病斑分割方法[J].安徽農(nóng)學(xué)通報(bào)，2020，26(4):85-87.[4]馬浚誠，溫皓杰，李鑫星，等.基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(2):195-202.[5]蒲一鳴.基于機(jī)器學(xué)習(xí)的水稻病害識別和葉齡檢測算法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué)，2019.[6]吳韻清，吳鵬，陳北京，等.基于殘差U-Net網(wǎng)絡(luò)的圖像拼接定位算法[J].應(yīng)用科學(xué)學(xué)報(bào)，2019，37(5):651-662.[7]段杰，崔志明，沈藝，等.一種改進(jìn)FCN的肝臟腫瘤CT