基于AlexNet的栽培苜蓿病害识别

doi:10.11686/cyxb2023060

草业学报 ›› 2023, Vol. 32 ›› Issue (12): 104-114.DOI: 10.11686/cyxb2023060

• 研究论文 • 上一篇

基于AlexNet的栽培苜蓿病害识别

李云昊¹(), 李仲贤², 伏帅¹, 张忠雪¹, 茆士琴¹, 冯琦胜¹, 梁天刚¹(), 李彦忠¹

^1.兰州大学草地农业科技学院，草地农业生态系统国家重点实验室，兰州大学农业农村部牧草创新重点实验室，兰州大学草地农业教育工程研究中心，甘肃兰州 730020
^2.兰州大学网络安全与信息化办公室，甘肃兰州 730000

收稿日期:2023-03-02 修回日期:2023-05-26 出版日期:2023-12-20 发布日期:2023-10-18
通讯作者: 梁天刚
作者简介:Corresponding author. E-mail： tgliang@lzu.edu.cn
李云昊（1996-），男，藏族，甘肃张掖人，在读硕士。E-mail： liyh21@lzu.edu.cn
基金资助:
中国工程院战略研究与咨询项目(2022-HZ-09);财政部和农业农村部：国家现代农业产业技术体系(CARS-34);甘肃省林业和草原局科技创新项目(kjcx2022010);兰州大学中央高校基本科研业务费专项资金(lzujbky-2022-sp13)

Identification of cultivated alfalfa diseases based on AlexNet

Yun-hao LI¹(), Zhong-xian LI², Shuai FU¹, Zhong-xue ZHANG¹, Shi-qin MAO¹, Qi-sheng FENG¹, Tian-gang LIANG¹(), Yan-zhong LI¹

^1.College of Pastoral Agriculture Science and Technology，Lanzhou University，State Key Laboratory of Grassland Agro-ecosystem，Key Laboratory of Grassland Livestock Industry Innovation，Ministry of Agriculture and Rural Affairs，Engineering Research Center of Grassland Industry，Ministry of Education，Lanzhou 730020，China
^2.Network Security and Informatization Office，Lanzhou University，Lanzhou 730000，China

Received:2023-03-02 Revised:2023-05-26 Online:2023-12-20 Published:2023-10-18
Contact: Tian-gang LIANG

摘要/Abstract

摘要：

苜蓿病害的准确快速识别是栽培苜蓿草地病害防治的关键。苜蓿病害鉴别对专业知识和识别工具及检测环境要求较高，传统的苜蓿病害识别往往需要采用显微观察等手段对叶片病害部位进行镜检，存在时效性差、成本高，难以实现大范围多点位的快速识别等弊端。近年来在图像识别领域的计算机视觉和深度学习得到快速发展，为苜蓿病害智能化识别提供了新途径。本研究利用13种常见苜蓿病害图像数据集，基于改进的AlexNet深度学习卷积神经网络，经过300次迭代训练，构建了苜蓿病害识别模型，并对比分析了不同图像输入分辨率的苜蓿病害识别精度。结果表明：13种苜蓿病害最优模型识别总体精度达到72%，最优图像输入尺寸为512像素×512像素；剔除识别精度过低的苜蓿病害样本图片后，褐斑病、霜霉病、炭疽病、黑茎叶斑病和小光壳叶斑病5类苜蓿病害的识别总体精度提高到92%，最优输入尺寸为1200像素×1200像素。这2种模型均能够实现对苜蓿主要病害的快速识别，研究结果可以为苜蓿病害智能检测系统的研发提供图像识别方面的技术支持。

关键词: 苜蓿病害, AlexNet, 目标检测, 深度学习

Abstract:

Accurate and rapid identification of alfalfa diseases is the key to disease prevention and control in alfalfa grassland. The identification of alfalfa diseases requires a high degree of professional knowledge， identification tools， and a suitable detection environment.Traditional methods for identifying alfalfa diseases include microscopic observations and other means to inspect the diseased parts of the leaves to detect pathogen strains. This disadvantages of those methods are their poor timeliness， high cost， and inability to identify diseases rapidly at multiple locations on a large scale. In recent years， computer-aided methods and deep learning in the field of image recognition have developed rapidly， providing new methods for the intelligent identification of alfalfa diseases. In this study， an alfalfa disease identification model was constructed using image datasets of 13 common alfalfa diseases， the improved AlexNet deep learning convolutional neural network， and 300 iterations of training. The recognition accuracy of alfalfa diseases under different image input resolutions was compared and analyzed. The optimal model for identifying 13 types of alfalfa diseases achieved an overall accuracy of 72%， and the optimal size of the image input was 512 pixels×512 pixels. After removing the images of diseased alfalfa samples with low recognition accuracy， the overall recognition accuracy of five alfalfa diseases， namely brown spot disease， downy mildew disease， anthracnose， black stem and leaf spot disease， and little light lenticel spot disease was increased to 92%， and the optimal input image size was 1200 pixels×1200 pixels. These two models are suitable for the rapid identification of major alfalfa diseases. These results provide technical support for the development of intelligent detection systems for alfalfa diseases based on image recognition.

Key words: alfalfa disease, AlexNet, target detection, deep learning

李云昊, 李仲贤, 伏帅, 张忠雪, 茆士琴, 冯琦胜, 梁天刚, 李彦忠. 基于AlexNet的栽培苜蓿病害识别[J]. 草业学报, 2023, 32(12): 104-114.

Yun-hao LI, Zhong-xian LI, Shuai FU, Zhong-xue ZHANG, Shi-qin MAO, Qi-sheng FENG, Tian-gang LIANG, Yan-zhong LI. Identification of cultivated alfalfa diseases based on AlexNet[J]. Acta Prataculturae Sinica, 2023, 32(12): 104-114.

图/表 12

图1 13类苜蓿主要病害

Fig. 1 13 major alfalfa diseases

表1 苜蓿病害数据集

Table 1 Alfalfa disease dataset

分组Group	苜蓿病害 Alfalfa disease	样本 Samples （No.）	清洗后样本 Samples after cleaning （No.）
1	锈病U. striatus	98	80
2	霜霉病P. cubensis	200	163
3	白粉病P. fusca	148	95
4	黑茎叶斑病P. medicaginis	197	174
5	尾孢黑茎叶斑病C. medicaginis	225	203
6	褐斑病C. beticola	405	361
7	黄斑病L. medicaginis	78	65
8	葡柄霉叶斑病S. botryosum	71	64
9	小光壳叶斑病L. briosiana	302	260
10	壳针孢叶斑病S. medicaginis	173	155
11	炭疽病B. anthracis	284	213
12	黄萎病Cyanosis	131	89
13	病毒病Mosaicvirus	118	92
14	健康苜蓿Healthy alfalfa	1020	908

图2 数据增强a：原图Original image； b：顺时针旋转90°Rotate 90° clockwise； c：顺时针旋转270°Rotate 270° clockwise； d：水平经镜像翻转Flip horizontally through a mirror image； e：处置镜像翻转Dispose of mirror flipping； f：随机剪裁Randomly cut.

Fig.2 Examples of enhancing data

图3 简化型AlexNet网络结构图中数字以像素为单位，ReLU为网络所使用的激活函数，MaxPooling为最大池化。Numbers in the Figure are in pixels， ReLU （rectified linear unit） is the activation function used by the network， and MaxPooling is the maximum pooling.

Fig.3 Simplified structure of AlexNet model

图4 研究技术路线

Fig.4 Research technology roadmap

表2 13类病害分组训练总体识别精度

Table 2 Overall recognition accuracy of group training for 13 kinds of diseases

项目

Item

分组Group

训练输入尺寸Training input size （pixels）

总体识别精度Overall recognition accuracy （%）

表3 5类病害分组训练总体识别精度（低分辨率组）

Table 3 Overall recognition accuracy of group training for five kinds of diseases （low resolution group）

项目

Item

分组Group

训练输入尺寸Training input size （pixels）

总体识别精度Overall recognition accuracy （%）

表4 5类病害分组训练总体识别精度（高分辨率组）

Table 4 Overall recognition accuracy of group training for five kinds of diseases （high resolution group）

项目

Item

分组Group

训练输入尺寸Training input size （pixels）

768×768

1200×1200

1500×1500

总体识别精度Overall recognition accuracy （%）

80.6

92.3

87.2

图5 13类病害和健康苜蓿在4组输入尺寸下的识别精度变化

Fig.5 Recognition accuracy of 13 types of diseases and healthy alfalfa under four sets of input sizes

图6 5类病害和健康苜蓿在4组输入尺寸下的识别精度变化

Fig.6 Recognition accuracy changes of 5 types of diseases and healthy alfalfa under 4 sets of input sizes

表5 最优模型测试集识别精度

Table 5 Identification accuracy of the optimal model on the test set

评价指标 Evaluating indicator	识别Recognize
评价指标 Evaluating indicator	正确Correct	错误Incorrect
健康苜蓿Healthy alfalfa	101	0
褐斑病C. beticola	30	5
霜霉病P.cubensis	17	1
炭疽病B. anthracis	22	2
黑茎叶斑病P. medicaginis	19	3
小光壳叶斑病L.briosiana	25	4

图7 褐斑病与小光壳叶斑病早期阶段对比

Fig.7 Comparison of brown spot and small light shell leaf spot at the early stage

参考文献 32

1	Wang X， Ma Y X， Li J. Fat-breeding effects of full-grazing turkey on regressed grassland. Pratacultural Science， 2003， 20（10）： 39-41.
	王鑫，马永祥，李娟. 紫花苜蓿营养成分及主要生物学特性. 草业科学， 2003， 20（10）： 39-41.
2	Pan X， Gao Y， Liu B， et al. Current situation and prospect of alfalfa industry. Journal of Green Science and Technology， 2017（13）： 104-107.
	潘霞，高永，刘博，等. 苜蓿产业发展现状及前景展望. 绿色科技， 2017（13）： 104-107.
3	Chen S K， Zhou Z X， Chen P， et al. Study on incidence of diseases in varieties of alfalfa grown in Hulunbuir City. Journal of Inner Mongolia Minzu University （Natural Sciences）， 2017， 32（6）： 521-525.
	陈申宽，周忠学，陈鹏，等. 呼伦贝尔市岭东苜蓿品种主要苜蓿病害研究. 内蒙古民族大学学报（自然科学版）， 2017， 32（6）： 521-525.
4	Chen J， Guo Z W， Pan C Q， et al. Research status of alfalfa diseases， insect pests and weeds. Journal of Grassland and Forage Science， 2022（1）： 1-14.
	陈婧，郭子雯，潘春清，等. 苜蓿病虫草害研究现状. 草学， 2022（1）： 1-14.
5	Nan Z B. Diseases of alfalfa in my country and their integrated control system. Animal Science and Veterinary Medicine， 2001， 18（4）： 81-84.
	南志标. 我国的苜蓿病害及其综合防治体系. 动物科学与动物医学， 2001， 18（4）： 81-84.
6	Wei H A. Alfalfa disease summary. Grassland and Turf， 1986（2）： 37.
	魏宏安. 苜蓿病害概要. 草原与牧草， 1986（2）： 37.
7	Yuan Q H. Advances in alfalfa diseases in China. Plant Protection， 2007， 33（1）： 6-10.
	袁庆华. 我国苜蓿病害研究进展. 植物保护， 2007， 33（1）： 6-10.
8	Han Y J， Liu X P， Du G M， et al. Leaf disease investigation and pathogen identification of alfalfa in Daqing area. Contemporary Animal Husbandry， 2013（4）： 53-55.
	韩玉静，刘香萍，杜广明，等. 大庆地区紫花苜蓿叶部病害调查和病原菌鉴定. 当代畜牧， 2013（4）： 53-55.
9	Hou T J. Occurrence status and control strategies of alfalfa diseases in China. Inner Mongolia Prataculture， 1994（Z2）： 4-8.
	侯天爵. 我国苜蓿病害发生现状及防治对策. 内蒙古草业， 1994（Z2）： 4-8.
10	Lv X L， Ai L， Yin Q F， et al. Investigation and research on alfalfa downy mildew. Journal of Gansu Agricultural University， 1976（3）： 39-42.
	吕新龙，艾里，殷启夫，等. 苜蓿霜霉病的调查研究. 甘肃农业大学学报， 1976（3）： 39-42.
11	Lu H T， Zhang Q C. Applications of deep convolutional neural network in computer vision. Journal of Data Acquisition and Processing， 2016， 31（1）： 1-17.
	卢宏涛，张秦川. 深度卷积神经网络在计算机视觉中的应用研究综述. 数据采集与处理， 2016， 31（1）： 1-17.
12	Gu Y L， Zong X X. Survey of object detection based on deep learning. Acta Electronica Sinica， 2022， 48（6）： 1230-1239.
	谷永立，宗欣欣. 基于深度学习的目标检测研究综述. 现代信息科技， 2022， 48（6）： 1230-1239.
13	Zhang H， Wang K F， Wang F Y. Advances and perspectives on applications of deep learning in visual object detection. Acta Automatica Sinica， 2017， 43（8）： 1289-1305.
	张慧，王坤峰，王飞跃. 深度学习在目标视觉检测中的应用进展与展望. 自动化学报， 2017， 43（8）： 1289-1305.
14	LeCun Y， Bengio Y， Hinton G， et al. Deep learning. Nature， 2015， 521： 436-444.
15	Rumelhart D， Hinton G E， Williams R J， et al. Learning representations by back-propagating errors. Nature， 1986， 323： 533-536.
16	Hinton G E， Osindero S， The Y W， et al. A fast learning algorithm for deep belief nets. Neural Computation， 2006， 18（7）： 1527-1554.
17	Hinton G E， Salakhutdinov R R， Hinton G E， et al. Reducing the dimensionality of data with neural networks. Science， 2006， 313： 504-507.
18	Krizhevsky A， Sutskever I， Hinton G E.Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems， 2012， 25： 1097-1105.
19	Schroff F， Kalenichenko D， Philbin J， et al. Facenet： A unified embedding for face recognition and clustering//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2015： 815-823.
20	Fawaz H I， Forestier G， Weber J， et al. Deep learning for time series classification： A review. Data Mining and Knowledge Discovery， 2019， 33（4）： 917-963.
21	Qiang M J. Research of deep learning in crop image recognition. Journal of Fujian Computer， 2021， 37（2）： 1-5.
	强敏杰. 深度学习在农作物图像识别中的应用研究. 福建电脑， 2021， 37（2）： 1-5.
22	Liu W X， Kuai N Y， Han S， et al. The intelligent identification system of alien invasive plants based on Android and deep learning. Plant Protection， 2021， 47（4）： 174-179， 233.
	刘万学，蒯乃阳，韩爽，等. 基于Android和深度学习的外来入侵植物智能识别系统. 植物保护， 2021， 47（4）： 174-179， 233.
23	Yang W Q， Liu T X， Tang X P， et al. Research progress on plant phenomics in the context of smart agriculture. Journal of Henan Agricultural Sciences， 2022， 51（7）： 1-12.
	杨文庆，刘天霞，唐兴萍，等. 智慧农业背景下的植物表型组学研究进展. 河南农业科学， 2022， 51（7）： 1-12.
24	Gao H Y， Gao X H， Feng Q S， et al. Approach to plant species identification in natural grasslands based on deep learning. Pratacultural Science， 2020， 37（9）： 1931-1939.
	高宏元，高新华，冯琦胜，等. 基于深度学习的天然草地植物物种识别方法. 草业科学， 2020， 37（9）： 1931-1939.
25	Li M， Wang J X， Li H L， et al. Method for identifying crop disease based on CNN and transfer learning. Smart Agriculture， 2019， 1（3）： 46-55.
	李淼，王敬贤，李华龙，等. 基于CNN和迁移学习的农作物病害识别方法研究. 智慧农业， 2019， 1（3）： 46-55.
26	Xu J H， Shao M Y， Wang Y C， et al. Recognition of corn leaf spot and rust based on transfer learning with convolutional neural network. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（2）： 230-236， 253.
	许景辉，邵明烨，王一琛，等. 基于迁移学习的卷积神经网络玉米病害图像识别. 农业机械学报， 2020， 51（2）： 230-236， 253.
27	Qin F， Ruan L， Ma Z H， et al. Image recognition of alfalfa brown spot and rust based on Logistic regression model//Green prevention and control of pests and diseases and the quality and safety of agricultural products-Proceedings of the 2015 Academic Annual Conference of the Chinese Society for Plant Protection. Beijing： China Agricultural Science and Technology Press， 2015： 465.
	秦丰，阮柳，马占鸿，等. 基于Logistic回归模型的苜蓿褐斑病和锈病的图像识别//病虫害绿色防控与农产品质量安全-中国植物保护学会2015年学术年会论文集. 北京：中国农业科学技术出版社， 2015： 465.
28	Li Y Z， Yu B H， Xu L B. Alfalfa disease atlas. Beijing： China Agricultural Science and Technology Press， 2016： 10.
	李彦忠，俞斌华，徐林波. 紫花苜蓿病害图谱. 北京：中国农业科学技术出版社， 2016： 10.
29	Xiao W， Feng Q， Zhang J H， et al. Research on plant disease identification based on few-shot learning. Journal of Chinese Agricultural Mechanization， 2021， 42（11）： 138-143.
	肖伟，冯全，张建华，等. 基于小样本学习的植物病害识别研究. 中国农机化学报， 2021， 42（11）： 138-143.
30	Ren S N， Sun Y， Zhang H Y， et al. Plant disease identification for small sample based on one-shot learning. Jiangsu Journal of Agricultural Sciences， 2019， 35（5）： 1061-1067.
	任胜男，孙钰，张海燕，等. 基于one-shot学习的小样本植物病害识别. 江苏农业学报， 2019， 35（5）： 1061-1067.
31	Redmon J， Divvala S， Girshick R， et al. You only look once： Unified， real-time object detection// IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas， NV， USA， 2016： 779-788.
32	Girshick R. Fast r-cnn// Computer Vision and Pattern Recognition （cs.CV）. Boston， MA， USA， 2015： 1440-1448.

基于AlexNet的栽培苜蓿病害识别

Identification of cultivated alfalfa diseases based on AlexNet

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 32

相关文章 1

编辑推荐

Metrics