Identification of cultivated alfalfa diseases based on AlexNet

doi:10.11686/cyxb2023060

Abstract

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

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.

Figures/Tables 12

References 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.

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

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

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

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