基于迁移学习的改进型PCNN与改进的Trans U-Net分割算法,用于物联网环境下的水稻叶病检测

《Remote Sensing Applications: Society and Environment》:Improved PCNN with Transfer Learning for IoT based Rice Leaf Disease Detection with Modified Trans U-Net Segmentation

【字体: 大 中 小 】 时间:2026年07月09日 来源:Remote Sensing Applications: Society and Environment 3.8

编辑推荐:

  戈文达拉詹·苏布拉曼|玛丽·文尼拉·塞尔瓦杜赖 印度泰米尔纳德邦金奈市马德拉斯大学自治学院计算机科学教授与研究部门,邮编600005 **摘要** 农业在推动经济繁荣中起着至关重要的作用,而及时检测植物疾病对于提高作物产量及保障不断增长的人口需求具有关键意义。传统诊

  戈文达拉詹·苏布拉曼|玛丽·文尼拉·塞尔瓦杜赖
印度泰米尔纳德邦金奈市马德拉斯大学自治学院计算机科学教授与研究部门,邮编600005

**摘要**
农业在推动经济繁荣中起着至关重要的作用,而及时检测植物疾病对于提高作物产量及保障不断增长的人口需求具有关键意义。传统诊断方法依赖专家通过观察表型症状来进行判断,但这些方法成本高昂、耗时较长,且依赖于实验室设施和专业知识,导致农民难以使用。为解决这些难题,本文提出了一种基于迁移学习的稻叶病害检测框架——TL-RLDD。该系统首先利用部署在农田中的物联网设备采集稻叶图像,通过数据增强技术克服数据集限制并提升模型稳定性。在预处理阶段,高斯滤波可减少噪声并提高图像清晰度,随后借助改进的Trans-UNet模型将病患区域与健康组织分离。特征提取则采用多纹理、中值二值模式以及改进的局部单调模式等多种描述符的混合方法,有效捕捉纹理与图案信息。最后,通过结合迁移学习的增强型并行卷积神经网络实现疾病分类,利用预训练知识提升预测精度。实验结果表明,TL-RLDD框架能够提供高效、精准且可扩展的稻叶病害检测方案,为可持续农业发展及为农民提供便捷技术手段带来巨大潜力。在使用80%的数据进行训练后,该框架在数据集1和2中的准确率分别达到0.963和0.961,精确率分别为0.943和0.921,负预测值分别为0.973和0.974,性能优于传统方法,充分体现了其在精准高效检测稻叶病害方面的优势。

**术语表**
缩写:描述
AIA:人工智能
ANN:人工神经网络
AM:算术平均数
ASPP:空洞空间金字塔池化
BEiT:用于图像的Transformer双向编码器表示
BiGRU:双向门控循环单元
BN:批量归一化
CAM:通道注意力模块
CBAM:卷积块注意力模块
CHBA:混沌蜜獾算法
CHGCSO:亨利气体鸡群优化算法
CNN:卷积神经网络
CSO:鸡群优化算法
DC-GAN:深度卷积生成对抗网络
DCNN:深度卷积神经网络
DC-GAN-MDFC-ResNet:深度卷积生成对抗网络-多维特征补偿残差神经网络
DL:深度学习
DRN:深度残差网络
DSGAN2:深度光谱生成对抗神经网络
DS-HE:双S形函数-硬Elish函数
DT:数字孪生
EPCNet:增强型并行卷积神经网络
EPDA:具有双重注意力的增强型金字塔场景解析算法
FC:全连接层
FL:联邦学习
FVBC:融合视觉增强分类器
GF:高斯滤波
GM:几何平均数
HGCSO:亨利气体鸡群优化算法
HGSO:亨利气体蜂群优化算法
IAPO:改进型人工植物优化算法
ILMP:改进的局部单调模式
IoT:物联网
IPN:具有归一化的改进型池化算法
ITNN:改进型阈值神经网络
LBP:局部二值模式
LIME:局部可解释模型无关解释方法
LMPL:局部单调模式
MBP:中值二值模式
MDFC-ResNet:多维特征补偿残差神经网络
ML:机器学习
MT:多纹理
MT-UNet:改进的Trans-UNet模型
PAM:位置注意力模块
PCNN:并行卷积神经网络
PELU:参数化指数线性单元
S2AFS:光谱缩放绝对特征选择算法
S2O-FCW:用于最接近权重值的社会蜘蛛优化算法
SLAF:Softmax逻辑激活函数
SMNS:多尺度神经切片分割算法
TL:迁移学习
TL-RDD:基于迁移学习的稻叶病害检测
UAV:无人飞行器

**1. 引言**
水稻在全球农业经济中占据重要地位,2018–2019年的消费量达4.8662亿吨,2019–2020年上升至4.9630亿吨[1][2],这一上升趋势反映出全球对水稻需求的持续增长。尽管预计产量会随消费增长而提升,但由于田间监测不足,大量水稻产量仍因病害而受损[3]。稻瘟病、细菌性枯萎病等常见稻病会造成严重经济损失[4],这类病害通常会表现为质地、颜色和形状等方面的变化[5]。虽然农药被广泛用于防治这些病害,但其过度使用会给环境带来风险[6]。目前的病害识别方法包括人工检查、参考病害图谱以及自动检测系统[7]。

近年来,计算效率的提升以及来自多种来源的大规模数据的可用性,为农业研究与开发带来了极大机遇[8]。深度学习与物联网的结合为作物病害的早期检测与诊断开辟了新的途径[9]。病害监测技术主要分为三类:数字图像与光谱图像分析、土壤传感器获取的数据分析,以及基于气候规律的评估[10][11]。人们通过这些方法获取的数据集来开发、训练和评估各种人工智能模型[12]。利用机器学习与深度学习算法构建综合的作物病害管理系统,不仅能够提升农民的盈利能力,还有助于土地资源的可持续利用。最终,这些智能系统能够确保及时、针对具体地点且高效地实施防治措施[13]。

农业领域的研究得益于来自物联网传感器、植被指数、无人飞行器影像以及卫星观测等多种渠道的大量数据[14]。为准确解读作物生长状况并及早发现病害迹象,必须运用数据融合技术整合这些异构数据集[15]。基于机器学习的最新数据融合方法在农业领域展现出巨大潜力,尤其在植物病害的早期诊断与防控方面[17]。多源农业数据与人工智能驱动的融合算法的结合,推动了精准农业相关研究的快速发展,尤其是针对水稻作物健康的监测与管理。这些局限性凸显出需要一种集成框架,该框架应具备精确的分割能力、强大的特征提取功能以及基于迁移学习的分类能力。本研究正是为弥补这一缺陷而提出TL-RLDD框架,该框架依托物联网数据采集、改进的Trans-UNet分割技术、混合特征提取方法以及结合迁移学习的EPCNet,从而实现更精准、可扩展且便于农民使用的解决方案。本文提出了一种创新的基于迁移学习的稻叶病害检测框架——TL-RLDD,其主要贡献如下:
• 提出了一种用于分割的MT-UNet模型,该模型采用EPDA算法来捕捉空间与通道层面的依赖关系,有助于信息在模型各层之间更有效地传递,从而缓解梯度消失问题;
• 通过采用基于欧几里得距离并带有动态阈值模型的方法来提取ILMP特征,以应对低分辨率图像的问题,同时还会提取MBP和MT特征;
• 提出了结合TL模型的EPCNet,利用EPCNet模型的预训练知识提升预测精度,该模型通过引入IPN层以及带有激活函数的卷积层,有效扩大了模型的感知范围。

本文的后续结构如下:第2节回顾了稻病检测领域的现有研究;第3节介绍所提出的TL-RLDD框架;第4节阐述实验结果与对比分析;第5节总结核心发现并指出未来研究方向。

**2. 文献综述**
本节对现有研究进行全面梳理,明确与本研究主题相关的关键成果、不足之处及发展趋势。

2022年,帕蒂尔和苏米特[18]提出了一种名为Rice-Fusion的多模态数据融合框架,用于诊断稻病。由于单一模态的诊断往往缺乏准确性,他们强调需要整合多种异构数据源以获得更可靠的检测结果。该系统分别将传感器数据中的数值信息与稻叶图像中的视觉特征融合,从而生成诊断依据。

2025年,拉贾雷迪等人[19]开发了一种基于DT技术的雾计算实时检测系统,该系统结合了边缘计算与云计算技术,并借助各类传感器及先进技术实现功能。该系统采用了类似AlexNet设计的深度学习模型,通过四元数卷积层提升颜色处理能力,同时利用空洞卷积提升病害图案检测的深度感知能力。

2024年,郑等人[20]开发了前馈神经网络模型,用于确定19种水稻害虫实现最佳人工神经网络性能所需的最小数据量。他们根据模型精度峰值确定了每种害虫所需的最少数据维度,同时还利用害虫特征构建了决策树规则来评估这一最小维度。研究表明,不同害虫的数据需求量会因其特征差异而有所不同。

2024年,查克拉巴蒂等人[21]通过优化BEiT模型并结合预训练的卷积神经网络,实现了对稻叶病害的检测。他们使用了包含病叶与健康叶图像的两个大型数据集对模型进行训练与验证,优化后的模型取得了优于其他深度学习及Transformer模型的准确率,同时通过结合分割技术与LIME方法提升了模型的可解释性。

2025年,纳雷什·库马尔和萨克蒂维尔[22]提出了一种基于FVBC的新型稻病检测方法,该方法将VGG19用于特征提取,LightGBM用于分类。FVBC模型的性能优于Softmax等其他分类器,而且通过调整LightGBM的树深度和学习率等超参数,其性能进一步提升。这种方法为早期病害识别提供了可扩展且无侵入性的解决方案,有助于提高作物产量并实现及时干预。

2024年,王宇等人[23]提出了一种名为DC-GAN-MDFC-ResNet的先进作物病害检测模型,该模型将DC-GAN与MDFC-ResNet相结合,旨在实现对叶斑病、细菌性叶枯病和穗枯病等病害的精细识别,从而帮助农民提前预防病害。他们对输入数据进行了预处理,以降低其对模型训练的负面影响。

2025年,赛尼等人[24]在模拟的物联网网络环境中开发了一种植物病害分类模型,用于作物监测。该系统采用HGCSO算法处理路由问题,该算法结合了HGSO与CSO两种算法。在基站处,他们通过中值滤波收集并预处理植物叶图像,然后利用经过CHGCSO训练的DRN模型进行病害分类,该模型将CAViaR模型与HGCSO相结合。

2024年,马哈德万等人[25]提出了将DSGAN2方法与IAPO相结合的稻叶病害检测方案。他们首先通过ITNN算法提升图像质量,随后利用SMNS算法进行图像分割,再通过S2AFS算法筛选最优特征,最后通过S2O-FCW算法进行特征分析。最终,结合DSGAN2与SLAF算法,能够根据所选特征准确检测水稻病害。

2023年,卢等人[26]提出了一种改进的稻病分类方法,该方法将卷积神经网络与BiGRU模型相结合。他们在所提出的模型中在Inception模块中加入了残差机制,增强了模型的深度,同时还改进了CBAM模块。此外,他们还将BiGRU与卷积神经网络的输出结果拼接后传递到分类层进行识别。

许多研究高度依赖高质量的数据集,而这在数据稀缺、存在噪声且变化较大的实际农业环境中限制了这些方法的适用性。此外,分割精度也是一个挑战,因为传统的基于卷积神经网络的方法往往难以在具有不同纹理和形状的叶片上准确识别细微的病患区域。这些不足凸显出需要一种集成框架,该框架应具备精确的分割能力、强大的特征提取功能以及基于迁移学习的分类能力,从而提供更精准、可扩展且便于农民使用的解决方案。本研究正是为弥补这一研究缺口而提出TL-RLDD框架,该框架依托物联网数据采集、改进的Trans-UNet分割技术、混合特征提取方法以及结合迁移学习的EPCNet,提升了稻叶病害检测的水平。表1总结了近期利用各类机器学习与深度学习模型开展稻病检测的研究成果。

表1.现有系统的特点与缺陷学者们[引用]方法特点缺陷Patil和Sumit[18]CNN该模型的决策结合了两种模式,提升了准确性和稳定性。仍需进一步研究,以开发出强大且自动化的水稻病害检测系统,供农民实际使用。Rajareddy等人[19]AlexNet与仅基于云的方案相比,雾边辅助方式能降低服务延迟。需研究如何利用联邦学习来保障农业场景中的数据隐私。Jeong等人[20]前馈神经网络该模型利用决策树计算每种害虫所需的最小维度数据。对于某些害虫类型,可简化田间数据收集流程并提高效率。Chakrabarty等人[21]CNN在诊断水稻叶片症状方面取得了有效且可解释的结果。未来研究可聚焦于在不降低准确性的前提下简化BEiT模型的复杂性。Naresh kumar与Sakthivel[22]FVBC模型该模型具有可扩展性和无侵入性,有助于农民及时做出决策以提高产量。虽然在实验室条件下准确,但在数据或基础设施匮乏的地区可能不适合实际应用。Yu Wang等人[23]MDFC-ResNet扩大这一方法的适用范围,可实现有效的作物健康监测,并显著提升农场产出。需关注图像质量,制定标准有助于确保数据集收集的一致性。Sainiet等人[24]DRN+ CHGCSO该模型依靠对历史数据的统计分析,预测特定时间段内的潜在损失。未来的发展方向是将其应用于不同植物物种,提升其在农业领域的通用性。Mahadevan等人[25]DSGAN算法在模拟测试中,该模型的处理时间为98毫秒,快于许多现有替代方案。需纳入更多水稻品种和更广泛的病害类型。Lu等人[26]Bi-GRU与CNN与其他模型相比,该模型具有更高的成本效益和准确性。增加现实世界样本的多样性并优化模型结构,对于提升其在复杂环境中的泛化能力至关重要。2.1 研究缺口尽管通过多种深度学习和机器学习方法,在水稻病害检测领域已取得显著进展,但要实现完全自动化且高精度的系统仍面临诸多挑战。现有模型往往存在图像分割不准确的问题,以及难以从异构农业数据集中提取出有效、具有区分度的特征。例如,Mahadevan等人[25]提出了先进的特征分割和选择方法,但指出还需覆盖更多病害类型和水稻品种。Amitabha等人[21]和Sainiet等人[24]展示了基于CNN并经过优化改进的模型在分类方面的有效性,但其性能仍受限于对高质量特征提取的依赖以及模型可解释性的不足。此外,尽管Naresh kumar与Sakthivel[22]使用FVBC模型获得了不错的分类精度,但在数据稀缺和资源有限的条件下,其应用范围仍然有限。因此,亟需一个集成精准图像分割、高效特征提取以及可扩展分类功能的框架。将迁移学习融入该框架,尤其是在训练数据有限或农业条件多样时,能够进一步提升模型的泛化能力和性能。尽管通过多模态融合框架、深度学习架构以及基于优化的模型取得了显著进步,但目前用于水稻叶病检测的方法仍存在明显局限。2.2 研究目标•设计一种改良的Trans-UNet(MT-UNet)分割模型,该模型结合增强型金字塔场景解析与双注意力机制(EPDA),能够有效捕捉空间和通道层面的依赖关系,从而提升分割精度并解决梯度消失问题。•开发一种混合特征提取策略,整合多纹理(MT)、中值二值模式(MBP)以及改进型局部单调模式(ILMP)特征描述符,即便在低分辨率或噪声较大的农业图像中,也能实现可靠的纹理和模式表征。•提出一种结合迁移学习的增强型并行卷积神经网络(EPCNet),用于水稻叶病分类,借助预训练知识提升预测精度、泛化能力以及在不同农业条件下的适用性。3. 提出的方法论水稻是全球重要的粮食作物,其产量常常受到多种叶部病害的威胁。准确且及时地检测这些病害对于减少产量损失至关重要。传统的手工病害识别方法主观性强、耗时且在大规模农业生产中往往效果不佳。随着智慧农业的发展,将物联网技术与人工智能和深度学习模型相结合,实现了对作物健康的实时自动化监测。本研究提出了一种创新的TL-RLDD框架,为精准农业中的及时、数据驱动的决策提供支持。所提出的TL-RLDD框架的架构如图1所示。下载:下载高分辨率图片(819KB)下载:下载完整尺寸图片图1 TL-RLDD框架的架构所提出的基于物联网的水稻叶病检测系统首先从图像输入开始,通过配备物联网功能的设备采集水稻叶片图像,随后对这些图像进行数据增强处理,以提升模型性能并弥补数据集的不足。经过增强的图像会进入预处理阶段,此时会运用几何滤波技术去除噪声并提升视觉信息的质量。之后,使用MT-UNet模型进行分割,该模型能够精准地将叶片的病患区域与健康区域分开,便于后续分析。完成分割后,系统会采用混合特征提取方法,整合多纹理特征、MBP特征以及ILMP特征,这些特征能够捕捉到对准确分类至关重要的细微纹理和模式信息。最后,通过经过迁移学习改进的EPCNet模型进行病害检测,该模型能够借助预训练知识提升检测精度和泛化能力。系统最终会输出检测结果,明确指出具体的水稻叶病类型,以便采取进一步措施或进行治疗。3.1 数据集1的描述该数据集包含120张患有不同病害的水稻叶片jpg图像,根据病害类型分为三类,每类包含40张图像,分别对应叶锈病、褐斑病和细菌性叶枯病。经过数据增强处理后,每类的数据量增至1200张。表2展示了数据集1的训练图像和测试图像的相关信息。表2 数据集1的训练图像与测试图像详情训练数据比例%训练图像测试图像60216014407025201080802880720903240360来自Kaggle的水稻叶病数据集最初仅包含每种病害40张图像,数量不足以支撑高效的深度学习训练。为解决这一问题,采用了多种数据增强技术,人为扩充数据集规模,使每类的图像数量都达到了1200张。这些增强方法可能包括旋转、翻转、缩放和裁剪等几何变换,以及亮度、对比度和颜色抖动等光度调整,这些操作在保留病害特征的同时增加了数据的多样性。这一过程不仅平衡了各类别之间的数据量,还通过模拟各种真实世界的条件提升了模型的泛化能力,进而增强了改进型PCNN结合迁移学习以及改良型Trans U-Net分割技术在基于物联网的农业应用中检测水稻叶病的能力。3.2 数据获取在所提出的TL-RLDD系统中,数据获取是最初也是最基础的一步,需要通过物联网设备采集水稻叶片图像,这些设备包括无人机、智能摄像头或安装在农田中的移动传感器。这些物联网设备被部署在作物附近,能够在不同的环境条件下拍摄水稻叶片的高分辨率实时图像。通过在不同时间、光照条件和作物生长阶段拍摄图像,该步骤能够充分考虑病害症状的差异性。设输入的水稻图像为,其中每种病害类别,如褐斑病、叶锈病和细菌性叶枯病,各有40张样本图像。如此有限的样本数量会导致类别不平衡问题。为解决这一问题,会通过数据增强技术人为增加数据集的多样性和规模。在数据收集完成后,原始图像数据集会通过各种变换进行数据增强处理[27],这些变换包括旋转、水平移动、垂直移动、放大/缩小以及左右翻转,以此提升模型在多样化条件下的泛化能力和精确度。旋转:这种技术是通过指定角度对图像进行旋转,有助于让模型不受图像方向的影响,即便叶片在图像中呈现倾斜状态,模型也能准确识别病害。水平移动:在这种处理中,图像会沿x轴向左或向右移动一定的百分比或像素数,这可以模拟叶片在图像中位置偏移的情况,帮助模型应对位置变化带来的影响。垂直移动:与水平移动类似,垂直移动则是让图像沿y轴向上或向下移动,这样即使叶片在垂直方向上没有完全居中,模型依然能够识别病害特征。放大/缩小:放大操作会增大图像的尺寸(通过裁剪和放大实现),而缩小操作则会减小图像大小(通过缩小和添加边框实现)。这样的处理能让模型能够识别不同尺度和距离下的病害症状。左右翻转:这种技术会将图像水平翻转,就像在镜子中查看一样。当病害症状具有对称性,或者模型需要学习与左右方向无关的特征时,这种技术尤为有用。这些数据增强技术无需额外收集新图像,就能增加训练样本的多样性,有助于防止过拟合并提升模型的泛化能力。经过增强处理的图像记为。这个经过扩充的数据集随后会被传递到后续的预处理和分析阶段。3.3 通过过滤技术进行预处理在TL-RLDD系统中,预处理步骤对于将原始图像数据转换为适合深度学习算法处理的格式而言至关重要。这一步骤中的一个重要环节是高斯滤波[28],它通过应用高斯分布函数来降低图像噪声并提升整体清晰度。高斯滤波的公式如下式(1)所示。(1)其中,和分别表示图像像素的标准差和灰度值。因此,经过预处理后的图像记为。3.4 通过MT-UNet模型进行分割在水稻叶病检测流程中,分割功能起着至关重要的作用,它能将患病区域与健康组织分开,这样模型就可以专注于关键区域,从而进行更精准的分析和分类。本研究采用改良型的Trans-UNet(MT-UNet)模型来进行分割。Trans-UNet[29]将基于Transformer的注意力机制与U-Net架构相结合,尤其在处理农业图像中的精细分割任务时表现出更出色的性能。这是一种混合架构,它将U-Net与Transformer相结合,具体是通过自注意力层来提升分割效果。这种融合方式的优势在于,它既能利用U-Net捕捉局部空间信息,又能借助Transformer获取全局上下文特征。而基于CNN的方法由于卷积操作的局限性,难以捕捉长距离的依赖关系,这往往会导致性能不佳,尤其是在那些水稻叶片的形状、大小和纹理存在较大差异的目标物体上。为克服这些限制,引入了MT-UNet模型,该模型能够更好地捕捉全局特征,并缓解梯度消失问题。如图3所示,MT-UNet架构首先通过增强型金字塔场景解析与双注意力机制(EPDA)模块[30]处理预处理后的输入图像,该模块能够捕捉空间和通道层面的依赖关系。下载:下载高分辨率图片(584KB)下载:下载完整尺寸图片图3 MT-UNet架构增强型金字塔场景解析与双注意力机制(EPDA):该模块从输入的特征图开始,首先通过混合池化操作进行处理,如图2所示。这一池化层通过聚合不同空间尺度上的信息来准备特征图。之后,特征图会被传递到四个分支,每个分支都会应用不同核大小的卷积操作:首先是1x1卷积并配合激活函数,接着是3x3卷积并配合激活函数,然后是5x5卷积并配合激活函数,最后是7x7卷积并配合双Sigmoid-Hard Elish(DS-HE)激活函数[31],其公式如下式(2)所示。(2)下载:下载高分辨率图片(668KB)下载:下载完整尺寸图片图2 EPDA模块的示意图其中,表示前一层的特征图,而表示DS-HE激活函数。这些不同的卷积操作能够捕捉不同尺度上的特征,帮助模型关注输入图像中不同细节层次的信息。经过这些分支处理后,输出结果会被上采样,以恢复图像的空间分辨率。上采样后的特征会与原始输入的特征图拼接在一起,从而结合输入中的低级细节以及卷积产生的高级特征。拼接完成后,输出结果会被传递到另一个卷积层。随后,该模块会分为两个分支:一个分支先应用位置注意力模块(PAM),再经过卷积处理;另一个分支则先应用通道注意力模块(CAM),然后再进行卷积。这些注意力模块分别用于强化特征图中的重要空间区域(PAM)和相关通道(CAM)。这两个分支的输出会被相加,以此整合空间和通道注意力信息。最后,再通过一个卷积层对输出进行细化处理,从而完成整个流程。经过EPDA处理后,图像会进入编码器1,首先应用批量归一化(BN),接着使用参数化指数线性单元(PELU)激活函数。经过另一个EPDA模块后,图像进入编码器2,此处也会应用相同的BN和PELU处理步骤。之后进行混合池化操作,图像再进入编码器3,该编码器同样会经过BN和PELU激活处理。接着通过最大池化降低空间维度,同时引入Transformer层以捕捉长距离依赖关系。Transformer层的数量以及隐藏特征的大小都是可配置参数,它们决定了该变换的深度和复杂程度。之后图像会经历下采样处理,再通过多孔空间金字塔池化(ASPP)层[32]来聚合特征。随后图像会经过一个卷积层,再与EPDA模块的输出、卷积结果以及编码器3的PELU输出相加。此后,图像会再次上采样以恢复空间维度,接着再进行一次卷积处理。其结果会与EPDA模块和编码器2的输出相加。接着又会进行一轮上采样和卷积操作,这次是将EPDA模块和编码器1的输出加入进来。最后,通过一系列上采样和卷积操作,再加上转置卷积,进一步提升分辨率。此时还会再次应用批量归一化并执行最大池化,从而最终形成特征图,进而得到分割后的图像。

3.5 特征提取:MT、MBP和ILMP
特征提取是水稻叶病检测流程中的关键环节,它将分割得到的叶片区域转化为结构化的数值描述符,这些描述符对于精准分类至关重要。本研究采用了混合特征提取策略,以便全面捕捉能够反映水稻叶病特征的复杂图案和纹理,具体如下:
3.5.1 MT特征
多纹理直方图[33]是一种基于纹理的方法,它结合颜色直方图和共现矩阵来表示多样性图像。该方法既能捕捉纹理的方向信息,也能体现空间内的颜色关联。它通过分析叶片中图案的空间分布和结构来提取与纹理相关的信息,而这些图案往往会在患病后发生改变。与将彩色图像转换为灰度图像的做法不同(如公式(3)所示,这种做法会丢失重要信息),MT直接利用公式(4)从彩色图像中提取方向特征。
(3)
(4)
其中, 和 分别表示通过沿水平方向和垂直方向应用Sobel算子生成的两种特征图。由此,提取出的MT特征记为 。
3.5.2 MBP特征
中值二值模式[34]通过将每个像素与其3×3邻域内的中值进行比较来提取局部纹理,该邻域包括中心像素。这种增强型的纹理描述符通过对比每个像素与其邻域的中值来检测像素强度的局部变化,因此相比LBP(局部二值模式)等传统方法,它对噪声和光照变化的容忍度更高。这样一来就能生成29种不同的二值模式,有效捕捉局部强度变化。MBP的公式如下所示:
(5)
其中, 表示邻域数量, 而 则代表强度值。由于MBP算法依赖于基于中值的阈值处理,因此它对单调的灰度变化具有很强的鲁棒性。它能捕捉局部的空间相互作用,如果某个邻域内不存在对比度,就会被视为一个斑点。MBP算法会根据中值对图像进行划分,突出不同强度范围之间的差异。值为1的像素区域代表了定义图像结构的局部纹理模式。因此,提取出的MBP特征记为 。
3.5.3 ILMP特征
局部单调模式[35]相比传统的局部二值模式(LBP),能够捕捉更广泛的强度变化,从而提升纹理特征提取的效果。与只考虑相邻像素的LBP不同,LMP会分析更大范围内的方向性单调变化,从而为中心像素生成更具信息量的二值模式,其公式如下所示:
(6)
其中, 表示半径为 的圆周上均匀分布的像素的强度变化率, 而 则代表强度值。标准LMP特征的一个主要缺陷是它依赖于高分辨率图像才能实现有效提取,低质量图像会导致提取精度下降。改进型局部单调模式(ILMP)特征通过引入欧几里得距离和动态阈值模型,解决了这一问题,使得在不同质量级别的图像上都能提高提取效果。该改进型ILMP的公式如下所示:
(7)
其中, 表示 和 之间的一维欧几里得距离[36],其定义如公式(8)所示; 表示距离 时的动态值,其表达式如公式(9)所示。这里,Gm和Am分别代表几何平均数和算术平均数。公式(8)和(9)分别为:
(8)
(9)
ILMP特征描述符的示意图如图4所示。
下载:下载高分辨率图像(136KB)
下载:下载完整尺寸图像
图4. ILMP特征描述符的示意图
由此,提取出的ILMP特征记为 。这种基于欧几里得距离和动态阈值模型的方法,能够有效处理低分辨率图像。此外,它还能捕捉复杂的纹理和过渡细节,从而提升精度,更好地处理各种细微和宏观的纹理特征。最终,从分割后的图像中提取出的整体特征记为 。
3.6 疾病检测
疾病检测是水稻叶病检测流程中的最后也是最关键的阶段,在这一阶段,模型会分析提取出的特征,进而判断水稻叶上是否存在疾病。这一阶段的准确性直接影响系统识别作物所患疾病类型的能力,而准确识别疾病类型对于及时采取干预措施和进行有效的作物管理至关重要。在这一过程中,采用了增强型并行卷积神经网络(EPCNet),该网络借助深度学习技术来处理特征数据。EPCNet的设计理念是并行处理,这样它就能够同时处理多项任务,或从叶片的不同区域提取特征,从而提升效率和准确性。为了进一步提升EPCNet的性能,还采用了迁移学习技术。通过迁移学习结合EPCNet进行疾病检测的流程如图5所示。
下载:下载高分辨率图像(164KB)
下载:下载完整尺寸图像
图5. 通过迁移学习结合EPCNet进行疾病检测的流程
经过EPCNet结合迁移学习处理数据后,系统会输出结果,指示水稻叶上存在的疾病类型。对于数据集1,检测结果可能为“0”表示细菌性叶枯病,“1”表示褐斑病,“2”表示叶锈病;而对于数据集2,检测结果可能为“0”表示细菌性叶枯病,“1”表示稻瘟病,“2”表示褐斑病,“3”表示稻曲病。这些检测结果对于指导农民和农业专家采取适当措施控制和治疗疾病具有重要意义,有助于减少作物损失,提升农业生产力。
3.6.1 迁移学习
迁移学习[37]是一种机器学习方法,它将针对某一任务训练好的模型重新利用,作为解决另一相关任务的基准。相比从头开始训练模型,迁移学习能够让模型借助之前任务积累的经验,从而缩短训练时间并提升性能,尤其是在新任务的可标记数据较少的情况下。迁移学习的示意图如图6所示。
下载:下载高分辨率图像(692KB)
下载:下载完整尺寸图像
图6. 迁移学习的示意图
在TL-RLDD的框架下,迁移学习通常涉及使用在大型通用数据集上训练过的预训练模型,这类模型能够学习边缘、纹理和图案等基本特征。一旦模型(EPCNet)学会了这些基础特征,就可以用针对特定任务的小规模数据集对其进行微调,比如包含不同类型水稻叶病图像的数据集。另一个EPCNet模型则会进一步适应,以识别与当前任务相关的更细微的特征。
3.6.2 增强型并行卷积神经网络(EPCNet)
EPCNet是并行卷积神经网络(PCNN)[38]的扩展版本,PCNN是一种深度学习架构,它通过多个并行卷积层从图像中提取多种特征。这种并行处理方式使得模型能够同时检测各种类型的图案,如水平、垂直和对角线方向的特征,从而提升其分析复杂图像的能力。由于可以并行处理不同的图案,模型在识别复杂特征方面表现得更为出色。不过,不同的分支可能会学习到重复的特征,这会降低模型的整体效能。此外,各分支之间的特征缺乏区分度,难以区分它们的纹理外观。为了解决这些问题,人们提出了新的EPCNet模型,该模型采用带有激活函数的卷积结构,同时还融入了带归一化的改进型池化(IPN)[39]。这种方法能够显著扩大模型的感受野,捕捉更精确的像素级特征。如图7所示,处理流程首先是将提取出的特征输入到两个结构相同的分支中,进行并行处理。在每个分支中,特征首先经过卷积操作(Conv 1),之后通过批量归一化来标准化激活值,从而加快收敛速度。非线性特性则通过Swish激活函数来实现。接着进行第二次卷积操作(Conv 2),之后再次应用批量归一化和Tanh激活函数。之后通过最大池化降低特征图的空间维度,这些特征图还会经过IPN进一步优化。
下载:下载高分辨率图像(486KB)
下载:下载完整尺寸图像
图7. EPCNet模型的架构
IPN:IPN是加权混合池化与尺度点积响应批量归一化的结合体。混合池化[40]的定义如公式(12)所示,而尺度点积[41]则通过公式(13)计算得出。
(12)
(13)
其中, 表示 的池化区域, 和 分别代表查询矩阵和键矩阵; 表示键矩阵背后的实际值, 而 则表示键的维度。接下来,如公式(14)所示,对混合池化和尺度点积应用权重 ,从而得到带有权重且经过尺度点积处理的混合池化结果。最后,将加权混合池化结果与尺度点积的结果相加,再与批量归一化结果相加,即可得到最终的IPN值( ),其公式如下所示:
(14)
(15)
其中, 表示上一层的特征图, 表示 和 的平均值, 而 表示 的方差。当两个分支处理完特征后,它们的输出会被合并,然后传递到一个融合层,该层会将两组特征整合为一个完整且独特的特征集合。这个合并后的特征集合会再经过一个IPN层处理,进一步优化特征表示。之后会使用全连接层(FC1、FC2和FC3)来处理这些特征,在FC2和FC3层还会应用丢弃机制,以防止过拟合。最终,输出结果会经过FC4层,再通过softmax激活函数,从而得到检测结果,明确指出水稻叶上存在的具体疾病类型。表4列出了各类分类器的超参数。
表4. 分类器的超参数
分类器 参数
PCN optimizer='adam',epochs=50,batch size=32,activation='sigmoid'
ShuffleNet epochs=50,batch size=32,learning rate: 0.001,optimizer='adam'
SqueezeNet epochs=50,batch size=32,learning rate: 0.001,optimizer='adam'
DCNN epochs=50,batch size=32,learning rate: 0.001,optimizer='adam'
Bi-LSTM epochs=50,batch size=32,learning rate: 0.001,optimizer='adam'
improved CNN-BiGRU epochs=50,batch size=32,activation='sigmoid',optimizer='rmsprop'
DC-GAN-MD DC_ResNetepochs=50,batch size=32,learning rate: 0.001,optimizer='adam'
DRN+CHGCSO epochs=50,batch size=32,learning rate: 0.001,optimizer='adam'
DSGAN epochs=50,batch size=32,learning rate: 0.001,optimizer='adam'
EPCNet-TL activation='sigmoid',epochs=50,batch size=32

4. EPCNet-TL的实验结果评估
4.1 实施流程
本研究提出的水稻叶病检测系统是基于PYTHON 3.7开发的。所用处理器为“第11代Intel(R) Core(TM) i3-1115G4 @ 3.00GHz”,系统的安装内存为8.00GB。此外,水稻叶病检测的分析工作是使用水稻叶病数据集1[43]和水稻叶病图像样本数据集2[44]进行的。
4.2 性能分析
本节将从不同的评估指标出发,对EPCNet-TL模型在疾病分类方面的性能进行评估。此外,还进行了其他一些研究,旨在分析不同分类方法在疾病分类中的效果差异。图8和图9展示了针对数据集1和数据集2使用高斯滤波进行去噪后的图像结果。这些图像反映了不同类型的稻叶病害。高斯滤波体现了预处理步骤在提升图像质量方面的有效性,使得图像更适于精确的疾病检测与分析。下载:下载高分辨率图像(341KB)下载:下载全尺寸图像图8. 数据集1的去噪图像:a) 输入图像 b) 通过高斯滤波技术预处理后的图像下载:下载高分辨率图像(539KB)下载:下载全尺寸图像图9. 数据集2的去噪图像:a) 原始图像 b) 通过高斯滤波技术预处理后的图像4.3. 基于MT-UNet的分割分析图10和图11展示了不同分割方法的图像,直观显示了这些模型在分类过程中的作用。分析中涉及的方法包括用于数据集1和数据集2的传统T-UNet、RCNN、ResUNet、SegNet以及MT-UNet。在所有模型中,MT-UNet实现了更出色的分割效果,在识别叶片病患区域方面具有更高的准确性。此外,MT-UNet的结果更为详细,表明它更能应对多种复杂叶病的情况。这进一步凸显了MT-UNet相较于传统方法的优越性。下载:下载高分辨率图像(502KB)下载:下载全尺寸图像图10. 数据集1——分割结果 a) 原始图像 b) 传统T-UNet c) RCNN d) ResUNet e) SegNet f) MT-UNet下载:下载高分辨率图像(930KB)下载:下载全尺寸图像图11. 数据集2——分割后图像 a) 原始图像 b) 传统T-UNet c) RCNN d) ResUNet e) SegNet f) MT-UNet4.3.1. 基于Dice分析和Jaccard分析的分割评估表5总结了MT-UNet的Dice和Jaccard分析结果,并将其与SegNet、RCNN、ResUNet及传统T-UNet等现有分割模型进行了对比。该评估使用了数据集1和数据集2,全面展示了MT-UNet在Dice和Jaccard指标上相较于传统方法的表现。这些结果为评估MT-UNet在植物叶病分割中的应用效果提供了重要依据。在分析数据集1时,MT-UNet取得了最高的Dice得分0.912,而SegNet、RCNN、ResUNet和传统T-UNet的Dice得分分别为0.854、0.737、0.833和0.873。同样,MT-UNet的Jaccard指数也最高,为0.902,而SegNet为0.796,RCNN为0.713,ResUNet为0.825,传统T-UNet为0.867。在数据集2上,MT-UNet的Jaccard得分最高,为0.892,显示出其相比传统方法更强的性能。它的Dice得分也为0.901,高于SegNet(0.769)、RCNN(0.691)、ResUNet(0.802)以及传统T-UNet(0.847)。这些结果都体现了MT-UNet在精准分割植物叶病方面的优势。MT-UNet采用EPDA机制来捕捉空间和通道层面的依赖关系,这使得信息能够在各层之间更顺畅地传递,同时避免了梯度消失的问题。表5. MT-UNet与传统分割方法在Dice和Jaccard指标上的对比数据集1指标SegNetRCNNResUNet传统T-UNETMT-UNETDice0.8540.7370.8330.8730.912Jaccard0.7960.7130.8250.8670.902数据集2指标SegNetRCNNRes U-Net传统T-UNETMT-UNETDice0.8330.7100.8130.8670.901Jaccard0.7690.6910.8020.8470.8924.4. 数据集1和数据集2的定量比较为了评估EPCNet-TL方法在检测稻叶病方面的可行性,进行了全面的定量分析。该比较将EPCNet-TL方法的性能与多种传统方法进行了对比,比如PCNN、ShuffleNet、SqueezeNet、DCNN、Bi-LSTM、DRN+ CHGCSO [24]、DSGAN算法[25]、改进型CNN-BiGRU[26]以及DC-GAN-MDFC–ResNet[23]。为确保结果的可靠性,该评估使用了数据集1和数据集2两组数据。图12、图13、图14、图15、图16和图17展示了所提方法与传统方法在各指标上的表现。从图表中可以看出,EPCNet-TL方法在几乎所有训练数据情况下都能有效提升模型的准确性。在60%的训练数据量下,EPCNet-TL模型的准确率达到了0.946,而其他方法的准确率则在0.827到0.875之间。当训练数据量为70%和80%时,EPCNet-TL模型的准确率进一步提升至0.956和0.975。在90%的训练数据量下,其准确率达到了最高值0.987,充分展现了其在稻叶病检测方面的优异能力。相比之下,PCNN、ShuffleNet、SqueezeNet、DRN+ CHGCSO [24]、DSGAN算法[25]、DCNN、Bi-LSTM以及DC-GAN-MDFC–ResNet [23]等传统方法的准确率则相对较低。这进一步证明了EPCNet-TL模型在实现精准疾病检测方面的优势。下载:下载高分辨率图像(776KB)下载:下载全尺寸图像图12. 数据集1上EPCNet-TL方法与其他方法的各项指标对比:a) 准确率 b) 精度 c) 敏感性 d) 特异性下载:下载高分辨率图像(660KB)下载:下载全尺寸图像图13. 数据集1上EPCNet-TL方法与其他方法的负向指标对比:a) FDR b) FNR c) FPR下载:下载高分辨率图像(368KB)下载:下载全尺寸图像图14. 数据集1上EPCNet-TL方法与传统方法的中间指标对比 a) MCC b) NPV下载:下载高分辨率图像(757KB)下载:下载全尺寸图像图15. 数据集2上EPCNet-TL方法与传统方法的各项指标对比:a) 准确率 b) 精度 c) 敏感性 d) 特异性下载:下载高分辨率图像(662KB)下载:下载全尺寸图像图16. 数据集2上EPCNet-TL方法与传统方法的负向指标对比:a) FDR b) FNR c) FPR下载:下载高分辨率图像(386KB)下载:下载全尺寸图像图17. 数据集2上EPCNet-TL方法与传统方法的中间指标对比 a) MCC b) NPV此外,EPCNet-TL在90%的训练数据量下还取得了最高的精度值0.978,远超其他方法:PCNN的精度为0.876,ShuffleNet为0.817,SqueezeNet为0.843,DCNN为0.863,Bi-LSTM为0.825,DRN+ CHGCSO [24]为0.894,DSGAN算法[25]为0.883,改进型CNN-BiGRU[26]为0.843,DC-GAN-MDFC–ResNet [23]为0.851。在NPV指标方面,EPCNet-TL在60%的训练数据量下获得了最高的NPV值0.952。而传统方法如PCNN(0.875)、ShuffleNet(0.847)、SqueezeNet(0.843)、DCNN(0.881)、Bi-LSTM(0.832)、DRN+ CHGCSO [24](0.896)、DSGAN算法[25](0.893)、改进型CNN-BiGRU[26](0.872)以及DC-GAN-MDFC–ResNet [23](0.862)的NPV值则相对较低。与数据集2的结果一致,EPCNet-TL模型在所有性能指标上都优于传统模型。对于有效的稻叶病检测而言,降低负向指标值至关重要,因为这些数值代表着误差程度的降低。在FDR指标上,EPCNet-TL在90%的训练数据量下取得了最低的值0.053。而ShuffleNet、SqueezeNet和Bi-LSTM的表现最差,其FDR值分别为0.195、0.186和0.185,紧随其后的是DC-GAN-MDFC–ResNet [23]的0.157和改进型CNN-BiGRU[26]的0.156。EPCNet-TL模型之所以能表现出色,是因为它采用了结合欧几里得距离的ILMP特征,以及基于动态阈值的机制,从而即便在低分辨率图像下也能保持良好性能。此外,它还具有捕捉局部纹理和过渡信息的能力,这些功能经过训练后可进一步提升分类精度。4.5. 组件级消融分析表6和表7展示了TL-RLDD模型与几种不同变体之间的消融实验结果。这些变体包括不进行特征提取的TL-RLDD、不进行分割处理的TL-RLDD、采用现有Trans U-Net的TL-RLDD以及采用现有LMP的TL-RLDD,这些实验都是针对数据集1和数据集2进行的。通过这类消融研究,可以了解各个组件对整体性能的影响,进而更深入地分析TL-RLDD方案及其各个组成部分在检测植物叶病方面的效率。在表6中,TL-RLDD方案的FPR值最低,为0.028,而那些没有进行分割处理或特征提取的变体,其FPR值则分别高达0.086和0.080。采用现有Trans U-Net和现有LMP的TL-RLDD方案的FPR值虽有所下降,分别为0.053和0.042,但仍高于TL-RLDD方案本身的性能。在表7中,使用TL-RLDD模型获得的最高敏感性值为0.922,充分体现了该模型在准确识别稻叶病方面的强大能力。相反,不进行特征提取的TL-RLDD模型敏感性为0.797,不进行分割处理的为0.806,采用现有Trans U-Net的为0.848,采用现有LMP的为0.875,这些数值均低于前者。表6. 针对数据集1的TL-RLDD方案及其各种变体的消融研究指标TL-RLDD不进行特征提取的TL-RLDD不进行分割处理的TL-RLDD采用现有Trans U-Net的TL-RLDD采用现有LMP的MCC0.9170.7590.7440.8420.879准确率0.9630.8930.8860.9300.946FDR0.0570.1610.1720.1070.083敏感性0.9460.8400.8300.8960.922FPR0.0280.0800.0860.0530.042特异性0.9720.9200.9140.9470.958FNR0.0540.1600.1700.1040.078精度0.9430.8390.8280.8930.917NPV0.9730.9200.9150.9480.961表7. 针对数据集2的TL-RLDD方案及其各种变体的消融研究指标TL-RLDD不进行特征提取的TL-RLDD不进行分割处理的TL-RLDD采用现有Trans U-Net的TL-RLDD采用现有LMP的MCC0.8950.7290.7400.7970.833准确率0.9610.8980.9030.9240.937FDR0.0790.2040.1950.1530.126敏感性0.9220.7970.8060.8480.875FPR0.0260.0680.0650.0510.042特异性0.9740.9320.9350.9490.958FNR0.0780.2030.1940.1520.125精度0.9210.7960.8050.8470.874NPV0.9740.9330.9350.9490.9584.6. P检验分析如表8所示,通过对所提模型性能提升情况的P检验分析,可知该模型相较于现有方法——例如PCNN的p值为0.044233,Shufflenet为0.037464,Squeezenet为0.040657,DCNN为0.047226——其性能提升均低于0.05这一公认的显著性水平。此外,所提方法的p值还更低,比如相比Bi-LSTM为0.020116,相比改进型CNN-BiGRU为0.029555,相比DC-GAN-MDFC-Resnet为0.028213,这些数据进一步证明了所提方法在性能提升方面的可靠性。表8. P检验分析所提模型与各方法的P值对比PCNN0.044233Shufflenet0.037464Squeezenet0.040657DCNN0.047226Bi-LSTM0.020116改进型CNN-BiGRU0.029555DC-GAN-MDFC-Resnet0.0282134.7. Wilcoxon检验分析表9呈现的Wilcoxon符号秩检验结果进一步证实了所提模型相较于其他现有方法在性能提升方面的统计显著性。所有对比模型对应的p值——包括PCNN的0.042124、Shufflenet的0.029656、Squeezenet的0.027566、DCNN的0.035127、Bi-LSTM的0.036523、改进型CNN-BiGRU的0.039566以及DC-GAN-MDFC-Resnet的0.043623——均低于0.05的显著性阈值。这进一步说明所提模型带来的性能提升具有统计学意义,并非由随机因素所致。表9. Wilcoxon检验分析所提模型与各方法的Wilcoxon检验值对比所提模型WilcoxonPCNN0.042124Shufflenet0.029656Squeezenet0.027566DCNN0.035127Bi-LSTM0.036523改进型CNN-BiGRU0.039566DC-GAN-MDFC-Resnet0.0436234.8. 交叉验证分析表10展示了结合迁移学习与改进型Trans U-Net分割技术的改进型PCNN在基于物联网的稻叶病检测中的交叉验证结果。在训练集到测试集以及测试集到训练集的评估中,该模型的性能都非常稳定且优异。其准确率分别为0.945和0.942,表明具备良好的泛化能力。模型的敏感性和特异性较为均衡,这说明它既能正确识别病叶,又能减少误报。不过敏感性略低,意味着有时会漏检部分病例。而精度和负预测值则都很高,进一步证明了该模型在正负案例预测方面的可靠性。 Matthews相关系数(MCC)值均高于0.81,这也体现了即使在数据不平衡的情况下,该模型的分类效果依然十分出色。至于错误相关的指标,如假发现率(FDR)、假阳性率(FPR)和假阴性率(FNR),虽然都在可接受范围内,但仍有提升空间,通过进一步优化可减少错误分类现象。总体而言,这些结果都证明,将迁移学习与改进型Trans U-Net分割技术相结合,能够显著提升PCNN的诊断能力,使其成为精准农业领域中适用于实时物联网应用的优质方法。表10. 交叉验证分析空白单元格训练集2交叉验证测试集1测试集1交叉验证训练集2准确率0.9450.941敏感性0.8960.885特异性0.8650.886精度0.8660.876MCC0.8260.814NPV0.8010.835FDR0.2360.255FPR0.2850.301FNR0.2750.2864.9. 精度的统计分析表11的统计分析结果显示,所提出的EPCNet-TL模型在两个数据集上的精度均明显优于其他架构。在数据集1中,EPCNet-TL模型的平均精度最高,为0.9287,标准差较低,仅为0.0233,这既体现了其高精度,也显示出了稳定性,而ShuffleNet和Bi-LSTM等模型的平均精度则在0.78左右,且波动较大。在数据集2中,EPCNet-TL同样表现最佳,其平均精度为0.6468,最大精度甚至可达0.9826,这一数值远高于其他竞争模型的平均精度,后者大多在0.60到0.63之间。数据集1中相对较低的标准差以及数据集2中较高的最大精度,进一步凸显了EPCNet-TL模型的稳健性及强大的泛化能力,尤其是相较于传统的CNN模型以及基于优化技术的模型而言。这些结果证实,将改进的Trans-UNet分割技术、混合特征提取方法与迁移学习相结合,能够显著提升疾病分类的性能,为水稻叶病检测提供了一种可靠且可扩展的解决方案。表11. 数据集1和数据集2的精确度统计分析

数据集1
空单元格
均值
中位数
标准差
最小值
最大值
PCNN:0.875521 0.878472 0.032975 0.828472 0.916667
ShuffleNet:0.786921 0.791204 0.030356 0.748611 0.816667
SqueezeNet:0.792303 0.790509 0.037493 0.743750 0.844444
DCNN:0.873032 0.875231 0.025065 0.838889 0.902778
Bi-LSTM:0.787847 0.795139 0.033526 0.738889 0.822222
改进型CNN-BiGRU:0.794792 0.793750 0.029665 0.758333 0.833333
DC-GAN-MDFC-ResNet:0.796065 0.796296 0.042144 0.738889 0.852778
DRN+CHGCSO:0.842288 0.846111 0.026611 0.802466 0.874465
DSGAN:0.876423 0.900005 0.046915 0.795657 0.910026
EPCNet-TL:0.928704 0.928935 0.023358 0.898611 0.958333

数据集2
空单元格
均值
中位数
标准差
最小值
最大值
PCNN:0.633821 0.847667 0.377908 0.025785 0.975309
ShuffleNet:0.608005 0.736369 0.309856 0.066143 0.934905
SqueezeNet:0.612384 0.764889 0.321295 0.059417 0.941639
DCNN:0.629883 0.839046 0.365988 0.040919 0.960157
Bi-LSTM:0.611471 0.740866 0.319258 0.058857 0.9422
改进型CNN-BiGRU:0.614979 0.763350 0.327968 0.052691 0.948373
DC-GAN-MDFC-ResNet:0.611479 0.748173 0.319610 0.054372 0.946689
DRN+CHGCSO:0.603314 0.770056 0.336551 0.042153 0.937847
DSGAN:0.605208 0.765657 0.336063 0.034917 0.941524
EPCNet-TL:0.646833 0.911748 0.413329 0.018498 0.982604

4.11. 混淆矩阵分析
数据集1和数据集2的混淆矩阵分析分别见图18和图19。这些图表详细展示了实际的水稻叶病类型与模型预测类型之间的对比,对角线元素代表正确分类的样本,非对角线元素则表示错误分类。对角线上数值较多,表明改进的Trans U-Net在准确分割病叶区域方面表现优异,而经过迁移学习的改进型PCNN在提取用于疾病识别的特征方面也效果良好。通过分析混淆矩阵,可以评估模型区分不同水稻叶病的能力,并计算出精确度、召回率、特异性及F1分数等重要性能指标,从而验证所提出的基于物联网的疾病检测框架的可靠性与稳健性。

下载:下载高分辨率图像(594KB)
下载:下载完整尺寸图像
图18. 数据集1的混淆矩阵分析:(a) PCNN,(b) ShuffleNet,(c) SqueezeNet,(d) DCNN,(e) Bi-LSTM,(f) DRN+CHGCSO,(g) 改进型CNN-BiGRU,(h) 提出的模型
下载:下载高分辨率图像(696KB)
下载:下载完整尺寸图像
图19. 数据集2的混淆矩阵分析:(a) PCNN,(b) ShuffleNet,(c) SqueezeNet,(d) DCNN,(e) Bi-LSTM,(f) DRN+CHGCSO,(g) 改进型CNN-BiGRU,(h) 提出的模型

5. 结论
本文提出了一种创新的基于迁移学习的水稻叶病检测框架(TL-RLDD),旨在为精准农业提供及时且基于数据的决策支持。该基于物联网的水稻叶病检测系统以图像输入为起点,通过物联网设备采集水稻叶图像,随后对这些图像进行数据增强处理,以提高模型的稳健性并弥补数据集的不足。经过增强的图像会经过预处理阶段,利用GF去除噪声并提升视觉信息的质量。之后,使用MT-UNet模型进行分割,将病患区域与叶片健康部分准确分离以便进一步分析。分割完成后,系统采用结合了MT特征、MBP和ILMP的混合方法进行特征提取,这些特征能够捕捉对准确分类至关重要的细粒度纹理和模式信息。最后,通过经过迁移学习改进的EPCNet进行疾病检测,使模型能够利用预训练的知识提升准确性和泛化能力。系统最终会输出检测结果,明确具体的水稻叶病类型,以便采取相应的措施或进行治疗。在90%的训练数据中,EPCNet-TL方案的假阳性率最低,仅为0.053。相比之下,ShuffleNet、SqueezeNet和Bi-LSTM的性能最差,其假阳性率分别为0.195、0.186和0.185,紧随其后的是DC-GAN-MDFC–ResNet[23],假阳性率为0.157,以及改进型CNN-BiGRU[26],假阳性率为0.156。该框架有效解决了以往系统存在的诸多问题,比如对细粒度病患区域的划分不准确、在噪声较大或分辨率较低条件下特征提取的稳健性不足,以及在不同水稻品种间的泛化能力有限等。与那些依赖大规模高质量数据集的早期方法不同,TL-RLDD借助迁移学习提升了在现实农业环境中的可扩展性和适应性。这些成果使得TL-RLDD成为一种更准确、更高效且更易于农民使用的水稻叶病检测方案,有助于实现可持续农业和及时干预。未来的工作将致力于扩充包含多种真实水稻叶样本的数据集,进一步提升模型的泛化能力。此外,整合联邦学习和多模态物联网数据也能进一步增强疾病检测系统的可扩展性与稳健性。

作者贡献说明
Govindarajan Subburaman:撰写——审稿与编辑,撰写——初稿,概念设计。
Mary Vennila Selvadurai:可视化,验证,概念设计。

知情同意
不适用

利益冲突
作者声明没有利益冲突。

伦理审批
本研究与人类或动物使用无关。

资金支持
本研究未获得任何特定资助。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号