大豆食心蟲成蟲的蟲卵會(huì)附著于大豆表面，孵化的幼蟲會(huì)啃食大豆，對(duì)大豆產(chǎn)量和品質(zhì)造成嚴(yán)重影響。這種現(xiàn)象在我國各大豆產(chǎn)區(qū)普遍發(fā)生，如發(fā)現(xiàn)和預(yù)防得不及時(shí)會(huì)使得大豆產(chǎn)量嚴(yán)重下降。在大豆病害的檢測(cè)上，人工可視化調(diào)查作為實(shí)踐中最基本的直接方法，至今仍在使用。然而，這種方法需要相關(guān)植物表型和植物病理學(xué)的專業(yè)知識(shí)；另一種常見的植物病害檢測(cè)技術(shù)可以稱為生物分子法，但生物分子技術(shù)需要詳細(xì)的取樣和復(fù)雜的處理方法，與人工調(diào)查方法相比，這些方法更具專業(yè)性和周期性。這兩種技術(shù)具有基本性、有效性，但總是需要手動(dòng)去檢測(cè)，導(dǎo)致復(fù)雜的工作和較大的勞動(dòng)量。

近年來，深度學(xué)習(xí)技術(shù)在植物病害分類中的成功應(yīng)用，為大豆病害的研究提供了新思路，該技術(shù)通過將卷積網(wǎng)絡(luò)與高光譜結(jié)合，能夠?qū)δ繕?biāo)進(jìn)行有效分類。高光譜技術(shù)可視為光譜學(xué)的一部分，它可以從多個(gè)光譜帶中獲取光譜信息，一些有效波段對(duì)病害引起的大豆細(xì)微變化具有很高的敏感性，從而可以區(qū)分不同的病害類型。卷積網(wǎng)絡(luò)是一種特殊的深度學(xué)習(xí)技術(shù)，在圖像處理和提取特征方面具有突出的能力。

1實(shí)驗(yàn)部分

1.1樣本制備

測(cè)試集中所需要食心蟲大豆樣本由專業(yè)農(nóng)業(yè)機(jī)構(gòu)提供，將只成蟲放入大豆中使其于大豆上產(chǎn)卵，5d后采集附著蟲卵的大豆，10d后采集附著食心蟲幼蟲的大豆，30d后采集被啃食的大豆。分別對(duì)正常的大豆以及上述三種大豆拍攝高光譜圖像，每類樣本數(shù)量為20。

1.2高光譜成像系統(tǒng)

由軟件進(jìn)行圖像采集，高光譜成像系統(tǒng)的組成部分有電控平移臺(tái)，4盞功率為150w的鹵素?zé)簦珻CD相機(jī)，一臺(tái)計(jì)算機(jī)五個(gè)部分，采集的圖像包含256個(gè)光譜波段。它們的光譜范圍為383.70~1032.70nm，整個(gè)采集過程在暗箱中完成，避免了環(huán)境光的影響，如圖1所示。

圖1系統(tǒng)結(jié)構(gòu)圖

1.3高光譜圖像采集

采集圖像時(shí)，曝光時(shí)間為18ms，平臺(tái)的移動(dòng)速度設(shè)置為1.50cm.s-1，鹵素?zé)襞c平臺(tái)之間的夾角設(shè)置為50°。先采集白板圖像W和暗背景圖像B，然后對(duì)大豆樣本進(jìn)行圖像采集，得到256個(gè)波段的高光譜圖像。采集到的大豆樣本合成的RGB圖如圖2所示

圖2大豆樣本高光譜圖像

1.4數(shù)據(jù)預(yù)處理

采集圖像過程中為了緩解可能出現(xiàn)的漫反射，樣本不均勻，基線漂移等問題，對(duì)采集圖像進(jìn)行了Savitzky-Golay濾波處理，針對(duì)光照不均勻的問題，使用了黑白校正的預(yù)處理方法。高光譜圖像的波段數(shù)量太多，許多波段的數(shù)據(jù)是冗余的；為了避免這些冗余數(shù)據(jù)造成的影響，使用了主成分分析法進(jìn)行降維處理，選取前30個(gè)高光譜波段作為特征波段。以樣本為中心截取了50*50像素的正方形區(qū)域，使得單個(gè)高光譜樣本數(shù)據(jù)的大小為50*50*30。

1.5圖像檢索模型原理

3D-R-D模型的內(nèi)容主要包括一個(gè)用于提取特征的3D卷積網(wǎng)絡(luò),一個(gè)用于幫助網(wǎng)絡(luò)產(chǎn)生有效特征的DCH損失函數(shù)。其中網(wǎng)絡(luò)模型為3D-Resnet18，該預(yù)訓(xùn)練模型的原始數(shù)據(jù)集包括Kinetics-700(K)和MomentsinTime(M)兩個(gè)數(shù)據(jù)集，前者一共700個(gè)類，每個(gè)類包括超過600個(gè)來自You-Tube的人類動(dòng)作視頻，后者是包括100萬個(gè)視頻的數(shù)據(jù)集，使用這樣的預(yù)訓(xùn)練模型，可以得到較好的初始化參數(shù)。預(yù)訓(xùn)練模型并不能直接使用，在網(wǎng)絡(luò)結(jié)構(gòu)的改變上，本工作僅僅去除最后的分類層，并添加一個(gè)從高維映射到低維的hash層，這樣不僅使用了模型中的初始化參數(shù)，還能利用網(wǎng)絡(luò)訓(xùn)練來進(jìn)行降維。在損失函數(shù)的設(shè)計(jì)上，為得到效果優(yōu)良的相似度特征，文獻(xiàn)中經(jīng)常使用成對(duì)損失函數(shù)來更新這些特征提取算法的可學(xué)習(xí)參數(shù)。專家學(xué)者通過設(shè)計(jì)合理的損失函數(shù)，使得每一對(duì)輸入樣本如果相似就讓它們的特征相互靠近，不相似的樣本對(duì)特征距離相互遠(yuǎn)離，充分利用了樣本標(biāo)簽之間的相似性；部分學(xué)者對(duì)輸入圖像的監(jiān)督信息進(jìn)行編碼，對(duì)輸出特征進(jìn)行正則化，以逼近所需的離散值，該方法設(shè)計(jì)了一個(gè)閾值m，當(dāng)不相似對(duì)的特征距離大于m時(shí)不提供損失貢獻(xiàn)。部分學(xué)者設(shè)計(jì)了一個(gè)基于柯西分布的成對(duì)損失，它對(duì)漢明距離大于給定漢明半徑閾值的相似圖像對(duì)造成了顯著的懲罰，也充分利用了標(biāo)簽信息。將中的損失函數(shù)與交叉熵函數(shù)進(jìn)行結(jié)合，使得最后的特征信息包含分類損失和標(biāo)簽之間的相似度信息。通過引入一個(gè)哈達(dá)碼矩陣，改進(jìn)交叉熵?fù)p失，通過添加分類中心，增強(qiáng)了分類損失的特征信息。在特征距離的計(jì)算上，由于最后的特征都是低維的二進(jìn)制碼，所以使用漢明距離進(jìn)行衡量，并且由于維度較低，不同樣本之間特征距離的計(jì)算速度極快。

2結(jié)果與討論

2.1模型使用與分析

如上所述。本工作使用預(yù)訓(xùn)練模型，并將分類層改為hash層，損失函數(shù)使用的是DCH，訓(xùn)練集為CAVE，iCVL和NUS，測(cè)試集為采集的大豆樣本，訓(xùn)練時(shí)用于微調(diào)以適應(yīng)應(yīng)用場(chǎng)景的訓(xùn)練集則和文獻(xiàn)中描述的一樣，就是使用光譜數(shù)據(jù)集CAVE，iCVL和NUS作為數(shù)據(jù)集。CAVE是一個(gè)包含32個(gè)場(chǎng)景的數(shù)據(jù)集，iCVL高光譜數(shù)據(jù)集由計(jì)算機(jī)視覺會(huì)議收集，包含農(nóng)村，城市，植物，公園，室內(nèi)這些場(chǎng)景，NUS數(shù)據(jù)集則包含了一些普通場(chǎng)景和水果，而上述的四種類別的大豆數(shù)據(jù)則作為分類實(shí)驗(yàn)中的測(cè)試集和檢索集。利用圖像檢索進(jìn)行分類的步驟如下所示：

（1）利用訓(xùn)練集訓(xùn)練得到一個(gè)網(wǎng)絡(luò)模型，這個(gè)模型能夠?qū)斎氲耐活惛吖庾V樣本輸出相似的二進(jìn)制特征。

（2）從大豆樣本的每一類中隨機(jī)取出10個(gè)樣本組成檢索集，對(duì)檢索集提取特征并儲(chǔ)存到文件A中，剩下的大豆樣本作為測(cè)試集。

（3）模擬新采集樣本的分類：將測(cè)試集中每一個(gè)樣本依次提取特征，并用漢明距離與文件A中的數(shù)據(jù)進(jìn)行相似度匹配排序，從檢索集取出的排名前5個(gè)樣本中相同標(biāo)簽最多的即為這個(gè)測(cè)試樣本的類別。

（4）實(shí)驗(yàn)得到的準(zhǔn)確率即為正確的測(cè)試個(gè)數(shù)占總測(cè)試樣本數(shù)量的比重，重復(fù)上述步驟，反復(fù)實(shí)驗(yàn)取平均值。在最近的大豆食心蟲分類研究中，文獻(xiàn)使用了小樣本分類，采用了MN，MAML,3D-RN的方法，也解決了高光譜圖像數(shù)據(jù)樣本不足的問題，它的實(shí)驗(yàn)結(jié)果如表1所示。

表1不同分類模型在4-way5-shot情況下的檢測(cè)結(jié)果

由此發(fā)現(xiàn)，使用Resnet18的網(wǎng)絡(luò)結(jié)構(gòu)，具有良好的效果，為了研究圖像檢索進(jìn)行分類的有效性，也為了能和文獻(xiàn)進(jìn)行對(duì)比，通過使用不同的預(yù)模型，結(jié)合不同損失函數(shù)，設(shè)計(jì)了如表2實(shí)驗(yàn)。

表2不同損失函數(shù)下的檢索性能

在表2中，Resnet18-K表示使用了Kinetics-700（K）為數(shù)據(jù)集的預(yù)訓(xùn)練模型，Resnet18-KM，表示該預(yù)訓(xùn)練模型還使用了MomentsinTime（M）數(shù)據(jù)集，從實(shí)驗(yàn)結(jié)果中發(fā)現(xiàn)，盡管使用了更多的數(shù)據(jù)，本實(shí)驗(yàn)在性能上，有所提升但是比較細(xì)微；和原來的交叉熵?fù)p失函數(shù)相比，DH使用成對(duì)損失提高了5%的分類準(zhǔn)確率，在使用M閾值之后，DSH又有所提高，DSHSD盡管結(jié)合分類損失和成對(duì)損失，但是性能和DSH幾乎沒有區(qū)別，由此可見，單純的分類損失并不適用于本次實(shí)驗(yàn)，CSQ引入了中心損失，在改善交叉熵后，確實(shí)提高了5%左右的準(zhǔn)確率，和DSH差不多，而DCH在使用柯西分布后，達(dá)到了86%的準(zhǔn)確率，相比于之前效果最好的3D-RN實(shí)驗(yàn)，提高的準(zhǔn)確率。

3結(jié)論

近年來，使用高光譜成像對(duì)農(nóng)業(yè)病蟲害檢測(cè)已經(jīng)應(yīng)用地十分廣泛，但是樣本數(shù)量少的問題仍然需要解決，本文通過采集不同時(shí)期的樣本，利用樣本之間的相似度信息，構(gòu)建了一種基于圖像檢索的分類方法，在模型上，從視頻檢索中得到啟發(fā)，利用大量數(shù)據(jù)訓(xùn)練的3D預(yù)訓(xùn)練網(wǎng)絡(luò)，獲得了較好的初始化參數(shù)，利用3DCNN，使得不同波段間數(shù)據(jù)的相似性能夠被利用起來，通過對(duì)不同損失函數(shù)的比較，DCH利用柯西分布，能較好地提取到樣本之間地相似信息，它的準(zhǔn)確率達(dá)到了86.0±1.00，從而解決了實(shí)際問題，這是一種新穎的高光譜檢測(cè)方法，為高光譜檢測(cè)的相關(guān)研究提供了一種新的思路。

審核編輯 黃昊宇