【《基于机器学习和深度学习的农作物病害识识别研究国内外文献综述》4200字】

基于机器学习和深度学习的农作物病害识识别研究国内外文献综述能否准确地识别番茄病害是对番茄病害进行预防的前提，也是能否实现番茄高产量与高品质的重要基础。目前，对番茄病害的识别主要包括对田地病害的观测、基于机器学习与图像技术的识别等。其中，实地观测要求农业种植者具有一定的技术培训和丰富的经验知识积累，并且还要熟悉各种各样的疾病造成的病害症状和恶劣现象。显然，这种识别方法不能对结果做出准确性与可靠性的保证，会导致识别结果伴随着主观判断性。农作物病例的检测依靠着昂贵的专业设备和专家。该方法需要特别多的时间对实验结果进行整理和分析，而且也不能满足实际中番茄病害检测对于实时性的要求。同样，基于机器学习的图像检测数据量小，对图像数据预处理有一定的难度。因此，要实现对番茄病害的分类就需要大量的样本数据。当样本数据较少时，网络可能会因为训练样本不足而过拟合，无法传递训练参数，不能进行覆盖式应用。在大数据信息时代、网络经济时代大发展的形势下，人们的认知水平不断提高，计算机在寻常百姓家也得到了普及。农业从业者可以使用计算机和其他一些电子设备上传和识别病害图片。以上条件保障了番茄病害的有效识别，因此基于图像识别技术，本论文实现对番茄病害的识别。下面简要阐述国内外机器学习和深度学习两种方式在农作物病害识别方面的研究现状。1.1基于机器学习的病害图像识别研究国外，和等人[13]在研究光谱反射特征和光学滤光片图像的基础上得出三种波长的光学滤光镜图像比其他滤光镜图像更适用于判别，并利用光谱反射特性，使用基于贝叶斯决策来进行鉴别10组黄瓜的健康叶片与病斑叶片，并得到了小于5%的鉴别误差。等人[14]状使用数据增强，分割了彩色的棉花作物数字图片中显示的患病区域，并从每种疾病中提取一组特征作为的输入，并对网络进行训练以获取最佳网络模型，其最终识别率达到90%以上。和等人[15]通过将注意力集中在要搜索的群体上来改善，并将组合多个参数的方法，获取了具有较高区分度，更适合病害模型识别的参数。Sammany和等人[16]使用粗糙集方法优化两个基于神经网络的特征向量的数量。在不会影响分类决策的前提下，使用多层感知器（）获得很高的分类精度，并降低了分类器的复杂度。和等人[17]使用作为分类器，对棕榈油树叶进行识别分类，实验表明对和对炭疽病的识别准确率分别是97%，95%。与等人[18]基于使用方法计算的特定阈值对这些像素进行遮罩，然后对大部分绿色像素进行遮罩。将红色，绿色和蓝色值的零像素和受感染群集边界上的像素删除，实验证明该方法的可以提升病害的识别效果。和等人[19]使用和分类器对苹果的三种病害进行识别，在此过程中使用K均值聚类来检测叶片的患病区域，然后处理病害图片并提取相关特征。实验结果显示在苹果的三种病害的分类精准度方面，支持向量机算法比人工神经网络()算法的实验结果更好。国内，王娜和王克如等人[20]通过使用阈值变换分割图像，并在在此基础上对病斑轮廓进行提取，然后使用迭代二值化等算法处理病害图片并分割出叶片的病斑部位，共提取28个有用特征。该文作者使用遗传算法获取H值、颜色矩、病斑面积、形状因子四个较为稳定，独立性相对较好的特征作为输入，并使用费歇尔判别法判别玉米叶片病害，其准确率达到90%以上。余秀丽等人[21]首先使用中值滤波法和K均值聚类算法对图片进行去噪以及病斑分割并进行特征提取。最后使用对小麦的叶部病害进行训练与检测，实验结果显示对小麦白粉病在内的三种病害的识别率高达99.33%。等人[22]首先对斑点进行分割，并提取疾病特征向量。然后将提取的特征输入给K近邻分类器以识别玉米的五种病害。魏丽冉等人[23]在对病害图片进行预处理使得图片的病斑更加突出的基础上，用多分类法对4种病害检测识别，病害的识别精准率达到89.5%。秦丰和刘东霞等人[24]使用序列前向选择算法()来选择特征，获取最优特征子集，并将特征输入分类器进行病害识别，实验的最终的识别正确率为96.18%。李慧和祁力钧[25]等人先提取一系列特征，并利用主成分分析算法对特征的空间维数进行缩减，最后将特征输入到中实现棉花与杂草的分类。最终的平均分类结果为98.33%。朱洋和许帅涛人[26]首先使用算法选取烟草病害图片最优特征组合，在此基础上提出一种基于人工蜂群算法优化的分类器来检测和识别烟草的蛙眼病和赤星病两种病害，实验结果表明该方法对烟草两种病害的识别精准率高达95%。王孝宇[27]使用基于粒子群优化的算法建立了柑桔苗分类模型,实验证明该模型的识别准确率为93.33%。张善文等人[28]使用超像素聚类，K均值聚类和三种算法的融合来分割植物叶片并进行识别，为农作物叶片病害区域分割与检测提供了一种新的解决思路。邓立苗和马文杰[29]使用玉米品种叶片图像数据集，在此基础上提取图片的特征并输入支持向量机模型以构建分类模型并获得87%的准确率。综上所述，基于机器学习农作物病害检测与识别已经取得了良好的结果，但存在一定的局限性。首先需要专业人员手动选取病害图像的特征，选取特征的优劣直接影响模型的识别效果。其次，手工选取的特征无法准确描述相近农作物之间的类别的差异，从而出现语义理解差异的问题。因此上述两点限制了基于机器学习的手工提取特征的农作物病害检测与识别很难在真实环境下大规模应用。1.2基于深度学习的病害图像识别研究国内，孙俊与谭文军[30]等人使用和方法对传统的卷积神经网络进行优化，进而获取8种改进模型。在此基础上对26种不同植物的叶片病害进行网络训练并识别以选取准确率最高的模型。实验最终识别准确率为99.56%。Liu和Gao等人[31]使用学习水田害虫的特征并分类，网络通过优化参数最终在水田害虫的数据集的识别准确率达到了95.1%，网络规模可实际应用。Wang和Sun等人[32]使用由植物学家进一步标注的数据集中的苹果黑腐病图像作为训练样本，使用从自我构建的卷积神经网络以及通过迁移学习进行参数调整之后的网络将进行对比。经过迁移学习训练的深VGG16模型在测试集上的整体精度为90.4%。Tan等人[33]使用利于动量学习规则，来更新卷积神经网络的参数，该卷积神经网络模型的识别准确率为97.5%。Lu和Hu等人[34]提出了基于弱监督深度学习框架的和架构，在两种不同架构下，系统在数据集上的识别精准率分别达到97.95%和95.12%。张善文和谢泽奇[35]等人训练了一种基于CNN的黄瓜病害识别模型,相比于传统机器学习分类器，CNN模型拥有更好地分类识别精度。傅隆生和冯亚利等人[36]构建了一种基于网络结构的多簇猕猴桃图像的识别方法。此识别方法除了这遮挡果实的识别准确率为78.97%，其余三种图片识别准确率均超过84%。李建华和郝炘等人[37]训练一种卷积神经网络算法用以识别59种农作物病害识别图片。李建华和郝炘等人训练的模型的平均识别精度为83%。国外，和等人[38]使用数据集来进行训练，该模型的识别精准度达到99.35%。和等人[39]训练一种新的卷积神经网络模型用以识别13种不同类别的植物病害，其平均识别精度达到96.3%。和等人[40]训练了一种从物联网的采集的图像中识别植物类别的卷积神经网络架构。作者将CNN模型与具有不同内核的支持向量机分类器以及等实验结果进行对比，证明了卷积神经网络模型在分类准确率方面均高于其他分类器。等人[41]引入了CNN网络来训练识别9种疾病的14828张番茄叶片图像模型，最终获得了99.18%的识别精准度。Ding和等人[42]设计了一个任务驱动的深度迁移学习框架来进行图像分类，其中设计深层结构来获取深度特征和分类器来实现最佳分类性能。和等人[43]使用，R和，三个深度学习元架构与深层特征提取器,例如和残差网络进行结合，以探寻最优的深度学习模型。Too和Yujian等人[44]对VGG16、InceptionV4、具有50、101和152层的和深度卷积神经网络进行微调和评估数据集。实验证明网络的实验精准度为99.75%，高于其他网络。等人[45]使用卷积神经网络(CNN)对87848张病害图像的开放数据库进行模型的训练，其识别率达到了99.53%。等人[46]使用和这两种基于深度学习网络对数据集中的6种番茄病害图片进行实验。分析了小批量大小，权重和偏差学习率在分类精度和执行时间中的作用。综上所述，基于卷积神经网络的识别大多结合数据集进行研究，这种方法需要大规模的数据集来实现。这种方法的特点是方法较为单一且没有对细粒度的番茄病害展开研究，所以提高细粒度的农作物病害模型识别准确度并大规模应用是农作物病害自动化检测与精准防治的关键。参考文献于璐.不同番茄品种花药培养和花粉活力的研究[D].南京农业大学.赵凌侠,李景富.番茄起源、传播及分类的回顾[J].作物品种资源,1999(03):31-33.赵美佳,邹通,汤泽君,李存香.番茄营养成分以及国内外加工现状[J].食品研究与开发,2016,37(10):215-218.梁梅,周蓉,邹滔,刘小娟,吴震.番茄农艺性状与果实主要营养成分相关性分析[J].西北农业学报,2013,22(05):91-100.闫春兰,刘子贻.番茄红素保健功能的研究现状[J].浙江大学学报(医学版),2002(02):77-80.程力,韩葆颖.我国番茄产业如何应对市场新挑战[J].农产品加工,2013(06):14-15.张彩霞.世界番茄贸易特征及我国番茄出口贸易地位[J].国际商务(对外经济贸易大学学报),2010(03):20-25.徐卫林.番煎病虫害防治技术[J].现代农业科技,2010(14):161+167.柴毅,黄席樾,何离庆,涂运华.番茄栽培病虫害防治知识表示[J].重庆大学学报(自然科学版),2000(06):56-58.孙艳敏.番茄主要病虫害防治技术[J],现代农村科技,2013(02):27-28.丛飞.番前病虫害诊治专家系统的设计与研究[D].新疆农业大学,2013.GoodfellowI,BengioY,CourvilleA.Deeplearning[M].MITpress,2016.SasakiY,OkamotoT,ImouK,etal.Automaticdiagnosisofplantdisease-Spectralreflectanceofhealthyanddiseasedleaves[J].IFACProceedingsVolumes,1998,31(5):145-150.CamargoA,SmithJS.Imagepatternclassificationfortheidentificationofdiseasecausingagentsinplants[J].ComputersandElectronicsinAgriculture,2009,66(2):121-125.SasakiY,SuzukiM.Constructionoftheautomaticdiagnosissystemofplantdiseaseusinggeneticprogrammingwhichpaiditsattentiontovariety[C]//2003ASAEAnnualMeeting.AmericanSocietyofAgriculturalandBiologicalEngineers,2003:1.SammanyM,MedhatT.Dimensionalityreductionusingroughsetapproachfortwoneuralnetworks-basedapplications[C]//InternationalConferenceonRoughSetsandIntelligentSystemsParadigms.Springer,Berlin,Heidelberg,2007:639-647.KamalMM,MasazharANI,RahmanFA.ClassificationofLeafDiseasefromImageProcessingTechnique[J].IndonesianJournalofElectricalEngineeringandComputerScience,2018,10(1):191-200.JawareTH,BadgujarRD,PatilPG.Cropdiseasedetectionusingimagesegmentation[J].WorldJournalofScienceandTechnology,2012,2(4):190-194.OmraniE,KhoshnevisanB,ShamshirbandS,etal.Potentialofradialbasisfunction-basedsupportvectorregressionforapplediseasedetection[J].Measurement,2014,55:512-519.王娜,王克如,谢瑞芝,等.基于Fisher判别分析的玉米叶部病害图像识别[J].中国农业科学,2009,42(11):3836-3842.余秀丽,徐超,王丹丹,等.基于SVM的小麦叶部病害识别方法研究[D].2014.ZhangSW,ShangYJ,WangL.Plantdiseaserecognitionbasedonplantleafimage[J].J.Anim.PlantSci,2015,25(3):42-45.魏丽冉,岳峻,李振波,等.基于核函数支持向量机的植物叶部病害多分类检测方法[J].农业机械学报,2017,1.秦丰,刘东霞,孙炳达,等.基于图像处理技术的四种苜蓿叶部病害的识别[J].中国农业大学学报,2016,21(10):65-75.李慧,祁力钧,张建华,等.