玉米疾病深度学习检测与严重程度预测

农业中的人工智能6（2022）276使用深度学习在MaizeCrop中进行疾病检测、严重程度预测和作物损失Nidhi Kundua，Geeta Rania，Vijaypal Singh Dhakaa，Kalpit Guptaa，Siddaiah Chandra Nayakab，Eugenio Vocaturoc，d，Ester Zumpanoc，da印度斋浦尔马尼帕尔大学计算机和通信工程系。bICAR DOS in Biotechnology， University of Mysore Manasagangotri，Mysore 570005，Indiac意大利卡拉布里亚大学计算机工程、建模、电子和系统系dNanotec，意大利国家研究委员会，87036 Rende，CS，意大利a r t i c l e i nf o文章历史记录：2022年7月26日收到2022年11月13日收到修订版，2022年2022年11月17日网上发售关键词：病害检测作物损失严重度深度学习Maizea b s t r a c t玉米作物的需求和生产力之间的差距越来越大，这是食品工业和农民关注的一个问题其对玉米叶枯病、锈病等病害的易感性是其减产的主要原因人工检测和分类这些疾病，计算疾病严重程度和作物损失估计是一项耗时的任务。此外，它还需要疾病检测方面的专业知识因此，需要找到一种用于自动疾病检测、严重程度预测和作物损失估计的替代方案机器学习和深度学习算法在模式识别、对象检测和数据分析方面的前景，促使研究人员将这些技术用于玉米作物的疾病检测、分类和作物损失估计文献中的研究工作已经证明了它们在使用机器学习和深度学习模型进行自动疾病检测方面的潜力但是，这些都缺乏可靠的和真实的标签数据集来训练这些模型。此外，没有现有的工作集中在严重程度预测，作物损失估计。本文作者收集了植物病理学家标记的真实数据集他们提出了一个基于深度学习的框架，用于数据集的预处理、自动疾病检测、严重程度预测和作物损失估计。它使用K-Means聚类算法提取感兴趣区域接下来，他们使用定制的深度学习模型该模型报告的最高准确率为98.50%。此外，作者使用Grad-CAM进行特征可视化目前，该模型已被集成到一个Web应用程序中，提供了一个用户友好的界面.该模型在提取相关特征方面的有效性、较少的参数数量、较低的训练时间、较高的准确性有利于其作为植物病理学专家的辅助工具的重要性。相关网络应用程序“Maize-Disease-Detector”的版权与日记编号：17006/2021-CO/SW一起版权所有© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 我不想让你失望不同品种的玉米作物，如玉米、甜玉米、爆米花和玉米苗是人类和家禽饲料的来源（Modi，2014）。玉米是优选的能量谷物，因此印度约47%的玉米产量用作家禽饲料（Panda et al.，2013年），13%，*通讯作者。电子邮件地址：gmail.com（N. Kundu），geetachhikara@gmail.com（G.Rani），vijaypalsingh. jaipur.manipal.edu（V.S.达卡），kalpitgupta369@gmail.com（K. Gupta），moonnayak@gmail.com（南卡罗来纳州）Nayaka），e. dimes.unical.it（E. Vocaturo），e. dimes.unical.it（E.Zumpano）。牲畜饲料和12%，以满足人类的粮食需求。此外，12%的玉米产量用于工业目的。 玉米有助于改善消化系统健康并降低慢性疾病如心血管疾病、糖尿病和肥胖症的风险（Sheng et al.，2018年）。因此，它的需求在民众中日益增加为了满足需求，170个国家在1.937亿公顷的土地上生产了其全球平均生产力为5.75吨/公顷。但是，据报道，印度的生产力为3070 kg/ha，远低于全球平均生产力5920 kg/ha（Alla Singh等人， 2019年）。玉米的水和养分需求比广泛种植的作物如水稻和小麦少80-90%（Timsina等人，2010年）。这降低了其生产成本生产成本低，适应各种环境条件的能力，https://doi.org/10.1016/j.aiia.2022.11.0022589-7217/© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/N.昆杜湾Rani，V.S. Dhaka等人农业人工277玉米的多种用途使其成为全球农业经济的主要驱动力所述病害，例如玉米叶枯病（TLB）或北方玉米叶枯病（NCLB）、多囊锈菌（Polysora rust）、炭腐病（Charcoal rot）、普通锈病和高粱霜霉病，导致玉米作物生产力的巨大损失（Smith，1988; Taylor等人，2008年）。因此，早期发现这些疾病已成为一项迫切的要求此外，还迫切需要预测这些疾病造成的作物损失植物病理学家基于视觉症状的人工病害检测此外，还需要进行作物样品分析和疾病严重程度计算的实验室测试人工疾病检测和实验室测试昂贵且耗时。此外，这些方法在早期病害预测、病害严重程度预测和作物损失估计方面效果较差这就提出了对病害检测、严重程度预测和作物损失估计自动化的需求深度学习（DL）和机器学习（ML）技术在医疗保健中的潜力（Caoet al.， 2020; Pradhan等人， 2020; Bedi和Gole，2021; Kundu等人，2021）、图像处理（Wang等人， 2019; Singh等人， 2020;Kundu等人， 2021）、数据分析（Agarwal等人， 2020; Rani和Agarwal，2020），模式识别（Hijazi等人， 2015）、行为分析（Luque等人，2020）和对象检测（Chen等人， 2017; Lee等人，2020; Oza等人， 2021年）等。促使我们将这些技术用于玉米作物的早期病害预测、病害严重程度检测和作物损失估计在本研究中，我们开发了一个基于DL的框架这里，标记为“多病”的多种疾病如表1所示，我们关注引起疾病的病原体、受感染区域的叶色和形状方面的症状、感染阶段和这些疾病发生的有利条件。所提出的结构具有准确分类的潜力，健康和玉米植株感染TLB，锈病和多种疾病。它也有能力检测已确定疾病的严重程度此外，该方法还能有效地估计农田中的病株数和病株面积 基于该评估，我们可以预测TLB和Rust的严重性（Bock等人， 2010）在由ICAR Ludhiana的病理学科学家设计的1至9的标准化量表上（Hooda等人， 2018年）。在该量表中，（0）表示最低严重程度，而（9）表示疾病的最高严重程度如果植物感染多种疾病，则假定作物损失为100%所提出的架构的有效性进行了验证的植物病理学家从ICAR-Mysore参与这项研究。他们手动可视化分割的感兴趣区域、计算的患病面积和在评级量表上预测的严重程度根据结果，他们验证了模型的性能所提出的方法的概述如图所示。 1，其主要贡献如下。• 在玉米病理学家的密切监督下收集玉米作物数据集。• 开发用于疾病预测的新型深度学习架构• 最小化设计的深度学习模型的训练时间• 计算受感染植物的叶面积• 使用标准化量表预测疾病严重程度。• 开发一个智能化的疾病预测和作物损失估计系统2. Related工作本节介绍了与分割、疾病识别、分类、严重程度预测和作物损失估计相关的文献研究分割是疾病检测的第一步从输入图像中分割出感兴趣区域（ROI）是一作者（Ma等人，2009）综述了基于阈值、模式识别和可变形模型的各种分割技术。在这些技术中，阈值的确定或手动或自动基于边缘，区域和混合。作者声称，拉普拉斯算子和canny边缘检测技术最广泛地用于图像分割（Al-amri等人，2010）。Laplacian技术用于发现边缘的暗侧和亮侧，而Canny技术用于在边缘之前分离噪声，并确定阈值的临界值。作者（Khan等人，2019）应用基于强相关的方法分割苹果叶。他们通过融合期望最大化（EM）技术来优化结果但这种方法只适用于小感染点的分割因此，它留下了改进的余地 一组研究人员（Usha Kumari等人，2019）采用K-means算法，提高了分割的正确性。但是，它们不能提高分类的准确性接下来，作者（Dechant等人， 2017年）展示了基于DL的鉴定感染北方叶枯病的玉米植株的系统。在实验中，他们使用了包括1796个玉米图像的数据集（nlb_annotated_public_2016_Maize dataset，2016）。他们在收集的数据集上训练了三个卷积神经网络（CNN）模型，将它们分类为患病和非患病类别，并生成热图。他们的模型达到了97.8%的准确率但它的大内存需求是其实际使用的一个障碍。为了扩展疾病检测的现实生活适用性，作者（Mishra等人，2020年）使用移动或无人机相机拍摄图像并转发到Raspberry pi 3b+模块。他们在Rasp-berry Pi上部署了英特尔Movidius神经计算棒（NCSDK）然后，他们应用预训练的深度CNN模型来检测疾病，并报告了98.40%的平均准确率。遵循类似的研究路线，作者（Chen等人， 2020）提出了一种识别玉米作物8种类型病害的轻量级网络。他们开发了基于DenseNet模型的Mobile-DANet（Huang et al.，2017年），以最大限度地减少内存需求。他们的模型达到了98.50%的平均准确率和95.86%的回收率。但该网络在复杂背景的图像分类中效率不高。为了解决复杂背景的问题，作者（Lv等人， 2020）提出了一种基于深度学习的复杂环境下玉米特征增强网络。它的特征增强能力使用Retinex和基于小波的方法从图像中去除噪声他们开发了一个DMS-Robust AlexNet模型（Krizhevsky，表1玉米叶部病害的指示参数。病名致因剂叶色感染区感染阶段有利条件TLB或Exserohilum• 初始阶段：灰绿色。• 早期：椭圆形。抽雄潮湿的天气和温和的温度约8NCLBturcicum• 后期：棕褐色。• 严重期：肾--27 °C。形状。强降水和露水，气温为18 °C至27 °C。锈高粱柄锈菌暗红褐色细长椭圆形至细长形。后低温约16 °C至23° C，高温脓疱抽雄湿度N.昆杜湾Rani，V.S. Dhaka等人农业人工278Fig. 1. 拟议办法概述2010年），报告的最高准确率为98.62%。虽然，该方法消除了选择特定特征的需要，但是训练具有这种增强的模型是耗时的过程作者（Agarwal 和 Sharma ，2021 年） 跟踪 了 Chen等 人进 行 的 研究 ，2020），并提出了一个系统，以确定九类玉米疾病。 他们专注于使用增强的CNN模型去除背景噪声。他们的模型在plantvillage数据集上的准确率为95.69%（PlantVillage数据集，2018）。同样，作者（Zhang et al.，2018）提出了改进的CNN模型用于玉米作物8种病害的识别。采用改进的GoogleNet和Cifar 10模型，准确率达到98.9%，回收率达到98.8%此外，一组研究人员（Sun等人， 2020）观察到，当基于DL的分类模型应用于在高光强度下捕获的图像时，分类准确度降低。为了解决这一挑战，他们采用了一种改进的Retinex算法，并在玉米作物中检测NCLB病害的准确率为91.83%为了进一步提高真实数据集的分类准确性，作者（Haque et al.， 2022）提出了一种基于DL的疾病检测方法。 他们使用了从卢迪亚纳的印度农业研究委员会-全印度协调研究项目（ICAR（AICRP-Mysore中心））的土地上拍摄的玉米作物的数字图像。 他们使用亮度增强技术来降低数据集的噪声。他们报告使用Inception-v3模型的准确性为95.99%但是训练参数的增加增加了计算时间。研究人员（Ramamurthy，2019）在另一个维度上工作疾病检测。他们开发了一种基于物联网和DL的系统，用于检测水稻作物的温度、湿度、土壤湿度和pH值根据收集的参数和作物图像，他们预测作物病害，并通知农民。他们的工具可能被证明在减少作物损失和提高作物产量方面是有用的病害的严重程度直接决定着作物的损失因此，作者（Bock等人，2010）讨论了用于计算植物病害严重程度的高光谱成像和图像分析技术。他们声称，高光谱的方式是昂贵的，由于需要大量的数据和存储空间。他们还强调，如果使用DL和ML技术进行自动化，严重性评估可以减少时间密集型 为了从事同样的研究，作者（Prabhakar等人，2020）在plantvillage数据集上应用ResNet101模型，并将其分为轻度、中度和重度类。该模型的准确率为94.60%。另一组研究人员（Wang等人，2017）测量了疾病的严重程度，使用预训练的DL模型即VGG-16、VGG-19（Simonyan和Zisserman，2015）、Inception-v3（Szegedy等人， 2016）和ResNet50（He等人， 2016年）。他们声称VGG-16模型优于其他模型，准确率为90.4%。从上面的讨论中可以明显看出，一些研究人员专注于使用深度CNN进行分割和作物病害识别。但是，其中一些工作对玉米作物的自动严重程度测量和作物损失估计。此外，上述方法都没有提供用于玉米作物中的数据收集、数据预处理、疾病识别、严重性预测、患病区域可视化和作物损失估计的完整系统此外，文献中提出的模型精度低，大量的可训练参数，计算成本高，训练时间长此外，缺乏疾病预测中涉及的特征的可视化。这些挑战限制了将这些模型用于现实生活的预测。因此，现有的模型都没有在现实生活中的数据集上进行为了填补上述已识别的空白，本文中的作者提出了一种与web应用程序集成的新颖框架，用于收集数据集，由植物病理学专家标记和验证数据集，分割患病区域，将数据集分类为健康，TLB，Rust和多个疾病类别。 该框架包括严重程度预测和作物损失估计机制。此外，它采用GradCam来可视化参与决策的感染区域。3. MATERIAL和METHODS在本节中，我们描述了所提出的框架早期玉米病害检测和评估器（EMDDE）的详细架构和工作。EMDDE的体系结构如图所示。 二、 该框架涉及图像采集、预处理、分类和作物损失评估。这些活动的细节将在下文讨论。3.1. 数据集采集在印度农业研究委员会-全印度协调研究项目（ICAR（AICRP-迈索尔中心））的农田中，参与这项研究的植物病理学科学家有目的地种植了感染TLB和锈病的玉米作物其次，对感染TLB、锈病和多种病害的植株的叶片图像进行了分析。N.昆杜湾Rani，V.S. Dhaka等人农业人工279图二、“玉米早期病害检测与评价系统”的体系结构。在植物病理学专家的密切监督下被捕获基于表1中所示的可见症状，专家鉴定了玉米的患病植物。此外，准备了包括2996个图像的数据集。数据集的样本图像如图所示。 3.接下来，收集的数据集已被分为训练和测试数据集的基础上，如（Xu和Goodacre，2018）中所讨论的试错机制为了防止数据泄漏的问题，不同类别的图像，即健康，TLB，Rust和Multidisease，以一种图像是训练或测试数据集的一部分的方式分布此外，确保相同图像的多个副本不是训练和测试数据集的一部分训练数据集仅用于训练模型，而测试数据集用于评估和比较不同模型架构的性能现在，本文的作者分别以70：30、75：25和80：20的比例对训练和测试数据集进行了实验他们观察到，当总数据集的80%用于训练，20%用于测试时，模型的错误分类最小因此，他们考虑了80%的数据集，包括2460张图像，用于训练模型，20%的数据集，包括536张图像，用于测试。每个类别中的图像数量如表2所示。3.2. 数据集准备叶片图像是在高强度的明亮阳光下拍摄的因此，这些图像具有噪声背景，这可能会影响模型的性能我们还观察到这些树叶图像在包括叶子和背景区域的感兴趣区域（ROI）中变化图像的叶子区域和背景区域的像素值是不同的。在彩色图像中，对于黑色像素，像素值为零，对于白色像素，像素值为255，对于除黑色和白色之外的任何颜色，像素值在0和255这些像素可以根据其值的相似性容易地分组在一起为了将图像分为前景和背景，作者采用了一种无监督聚类方法“K均值”，并将此外，已经观察到，在一些样品中，叶面积大于背景区域，反之亦然。因此，我们通过使用open CV和NumPy库的内置函数来计算图像中黑色和非黑色像素的数量（Harris等人，2020年，如图所示。（1）和（2），分别用于计算白像素和黑像素的数目。白色像素np：总图像255像素1像素黑色像素np：总图像0像素2像素黑色像素表示背景区域，而非黑色像素表示叶子区域。同时，感染区域中遇到的像素也被转换为白色像素。这避免了在背景区域中包括ROI。然后，我们应用K均值（Usha Kumari et al.， 2019）算法，用于将叶片图像分割为两个聚类，即ROI和背景区域。如果样本图像的叶面积（LLA）大于其背景图3. 样本数据集。N.昆杜湾Rani，V.S. Dhaka等人农业人工280表2训练和测试数据集的大小。类训练数据集中的图像数量测试数据集中的图像数量图像总数健康800176976TLB800197997锈800138938多种疾病602585总24605362996区域，然后该算法选择一个具有LLA的簇相反，如果样本具有比其背景区域更小的叶面积（SLA），则算法选择具有SLA的聚类。在这两种情况下，叶面积构成ROI。因此，从样本图像中去除背景区域这一策略在图中得到了证明。 四、3.3. 架构在本节中，作者展示了基于DL模型MaizeNet的架构，该模型是为将玉米叶片图像数据集分为四类而开发的，即：健康、TLB、锈病和多种疾病。 该模型由九个卷积层和三个最大池化层组成，如图所示。 五、作者在第二，第五和第八卷积层应用批量归一化（BN）来标准化模型的深层。这减少了内部协变量偏移（ICS）（Ioffe和Szegedy，2015）。此外，BN在选择激活函数和学习速率方面提供了灵活此外，他们在第三、第四、第六和第九卷积层使用了激活函数。最后一个卷积层之后是卷积层和密集层。这种组合对于多维数据叠加是重要的单独的致密层不支持多维数据叠加。因此，在卷积层和密集层之间嵌入一个卷积层，以转换一维的多维输入并提供正确的预测（Kurtulmusic，2020）。3.4. 培训详情提出的模型MaizeNet在Kaggle平台上训练，该平台提供13 GBRAM，15.9 GB GPU和19.6 GB磁盘空间，每周连续会话30小时（Kaggle Server，2017）。使用包括感染TLB、锈病或多种疾病的玉米叶片的2460个图像的数据集来训练模型MaizeNet它的超参数是微调的，如在随后的子节中所讨论的见图4。数据集准备策略。科.此外，使用ImageNet数据集（Lab，2017）对所提出的模型进行预训练，并在结果部分中说明了迁移学习对其性能的影响。相同的数据集用于训练预训练的MaizeNet模型、非预训练的MaizeNet模型和最先进的模型，即。VGG-16、VGG-19（Simonyan和Zisserman，2015）、Inception-v3（Szegedy等人，2019年）。然后，该模型的性能与上述国家的最先进的模型。3.5. 训练参数采用softmax激活函数、Adam优化器和分类交叉熵损失对模型MaizeNet进行训练预先设定学习率为0.001，当模型完成10个epoch的训练时，每epoch后将其乘以0.9。基于参考文献（Prechelt，2012）中进行的实验以及在本研究中进行的具有0.01、0.001+ 0.0001、0.001*0.9和0.001-0.0001的不同学习率的一组实验来确定学习率。这些学习率对损失函数值的影响如图7所示。从图6所示的结果可以明显看出，在所有上述学习率值中，损失函数在学习率为0.001. 因此，作者将该损失函数值用于进一步的实验。其次，采用不同的损失函数，即均方对数误差、均方误差、平均绝对误差、kullback-leibler散度和二元交叉熵，选择最优损失函数从图1所示的结果可以明显看出。 7证明了当采用二进制交叉熵损失函数时，模型是光滑收敛的。因此，作者将此损失函数用于进一步的实验.3.6. 评估指标从混淆矩阵、精确度、召回率、F1评分、准确度和病害严重程度等方面对早期玉米病害检测与评价系统（EMDDE）的性能进行了评价这些指标是从eq定义的。（3）通过EQ。（15），从参考文献中获得线索（Simonyan和Zisserman，2015）。多类分类的混淆矩阵：这是表3所示的每个标记类别中正确和错误分类的样本数量的表格表示。 用于显示健康、TLB、锈病和多种疾病的正确和不正确分类的样品混淆表示于表3中。在此，TP HH、TP RR、TP TT和TP MM分别是健康叶、锈病、TLB和多种疾病的正确分类的样品的数量。类似地，F HR、F HM、F HT分别表示样品属于锈病类、多病类和TLB类，但被分类为健康类。类似地，F RH、F RM、F RT分别表示样品属于健康、多病害和TLB类，但被分类为锈病类。类似地，F MH、F MR和F MT表示样品分别属于健康、锈病和TLB类，但被分类为多病害类。类似地，FTH、FTR、FTM分别表示样品属于健康、锈病和多病害类，但被分类为TLB类。i. 精度：这是从分类到特定类别的样本总数中正确预测该类别的样本的度量。例如，精度健康是正确预测的健康叶图像的数量与预测到健康类的图像总数的比率。其定义如方程式所示（三）、类似地，精确锈蚀是正确预测的锈蚀样本的数量与在等式中定义的锈蚀类别中预测的样本总数之（4）、通过遵循相同的符号，精度TLB被定义为正确预测的TLB样本的数量与预测到TLB类的样本的总数之（五）、同样，精准多病是N.昆杜湾Rani，V.S. Dhaka等人农业人工28141/4TLB联系我们我的天啊我爱你联系我们图五、“MaizeNet”模型的架构。多疾病类别的正确预测的样本的数量与预测到多疾病类别的样本的总数的比率，如在等式2中定义的（六）、平均精度如等式中所定义（7）是从以下各项计算的每个类别的精度的平均值：等式（3）EQ。（六）、平均精度精密健康系列精密防锈系列精密TLB系列精密多病系列精密防锈系列ii. Recall：这是一个类的正确预测样本与该类样本总数的比率比如说，我很抱歉，TPHH1/4TP HHF RHFTHFMHð3Þ回忆起在EQ中定义的健康。（8）是健康类别的正确分类的样本与健康类别的样本总数的比率。Rust、TLB和多种疾病的召回也被取消-精密度TPRRTPRRHRHRTRMR精密TPTTTPTTFHTFRTFMTð4Þð5Þ从EQ中找到了类似的概念。（9）EQ。（十一）、平均召回率如等式中所定义（12）是计算所有四个类别的召回平均值精密TPMM6TPMMBAFHMBAFRMBAFTM召回TPHHTPHHHMFHRHMFHTHMFHM召回TPRRTPRRBAFRHBAFRTBAFRMð8Þð9Þ图第六章（a）学习率：0.01、0.001+ 0.0001和0.001* 0.9;（b）学习率：0.001-0.0001。N.昆杜湾Rani，V.S. Dhaka等人农业人工2821/4TLB¼：¼¼ × ð Þ4图第七章损失函数的比较召回TPTTTPTTTMFTHTMFTR TMFTMTPMMð10Þ疾病严重程度量表：在该手稿中，作者使用了由ICAR的植物病理学家设计的严重程度量表（ IndianInstitute of Maize Research ， 2015 ） 和（Hooda et al.， 2018年）。它是0到召回Multidiseases¼TPMMMSFMH MSFMRMSFMT1100平均召回健康召回健康召回铁锈召回TLB召回多种疾病召回12年iii. F1分数：这是精确率和召回率的加权平均值计算F1评分的公式见方程式：（十三）、9等级量表来表示TLB的病害严重程度，并且基于病害的视觉症状来评定锈病等级参与本研究的植物病理学专家人工分析了本研究预测的严重度，并根据严重度量表验证了病害严重度水平等级是根据叶片面积（DLA）和总叶面积（TLA）的比例分配的TLB和Rust的比例如图1A和1B所示。分别为9和10。显示10%感染区域的图像表示最小严重性。它可以造成最小的作物损失。而>80%的地区感染一种疾病，表示最严重。可能会导致最大的作物损失同时，叶片感染多种疾病F12精确度：召回率查全率ð13Þ无论感染的区域在哪里都被认为是高度易感的。这些叶子被评为最高等级。其次，参考Mckinney在1923年给出的公式，以及使用TLB和Rust制定的评级量表预测的严重性，iv. 平均准确度：它是对分类正确程度的衡量它可以使用等式中给出的公式计算。（十四）、疾病严重程度通过以下等式估计（十五）、在此，将评定量表转换为疾病指数或百分比对于量表90%或参数统计是疾病严重程度%准确度TPHHTPRRTPTTTPMM总数据集ð14Þ所有数据的最小值1 0 015ðTotal number of rating×maximum disease ratingÞv. 感染区域的程度：感染区域的百分比通过使用标记的数据集执行实验来计算每个类别的数据集分为红色[R]、蓝色[B]和绿色[G]通道。观察每个类别的这些通道的值的范围因此，使用范围，图中给出的以下机制。八是引进。4. 结果在本节中，作者介绍了在作为本研究的一部分收集和准备的数据集上使用MaizeNet、VGG-19、VGG-16、Inception ResNetV2、InceptionV3和ResNet-50模型他们训练这些模型，表3样本混淆矩阵。实际标签图八、K-means疾病分类。预测标签健康锈多种疾病TLB健康TPHHFHRFHMFHT锈FRHTPRRFRMFRT多种疾病FMHFMRTPMMFMTTLBFTHFTRFTMTPTTN.昆杜湾Rani，V.S. Dhaka等人农业人工283图第九章 TLB规模。图10. 锈鳞2460张图像，批量大小为32，100个epoch。 作者采用二进制交叉熵损失函数的基础上的分析，在图。第七章他们使用了如图所示的0.001的预设学习率。第六章4.1. 预处理对分类器性能的影响作者对图像进行预处理，并使用K均值从所有叶片中分割ROI 从感染TLB和Rust的叶片中提取ROI的样本示于图1A和1B中。分别为11和12。感染区域在提取的ROI中以蓝色突出显示作为预处理技术使用的分割提取感兴趣的区域，即叶面积。因此，它允许DL模型仅从ROI提取特征。 这最大限度地减少了决策过程中不相关特征的干扰。从而提高了疾病预测的准确性和DL模型的可靠性经过预处理后，对MaizeNet的性能进行了评估。表4和表5分别示出了在不采用预处理的情况下和在采用预处理的情况下获得的混淆矩阵。从这些表中所示的结果中可以注意到，当MaizeNet模型应用于通过预处理提取ROI。因此，预处理提高了MaizeNet模型的分类精度。此外，MaizeNet模型报告的损失函数的趋势有预处理，和没有预处理，在图中展示。 13岁从图中可以观察到，MaizeNet模型报告了预处理后损失函数的较低值。同时，当该模型应用于通过预处理提取的感兴趣区域时，损失函数的下降更平滑4.2. 分类和聚类为了进一步验证所提出的模型MaizeNet的性能，我们将无监督K-Means聚类技术应用于分类图像。 聚类技术基于像素值的相似性识别健康类、TLB类、锈病类和多病害类的聚类。它使用函数“kmeans.labels”为每个图像分配一个标签（Khairnar和Goje，2020）。标签对于识别图像所属的聚类很重要。我们认为k为144而不是4，以基于多个方向的图十一岁从感病叶片中提取感兴趣区域。N.昆杜湾Rani，V.S. Dhaka等人农业人工284图12个。感锈病叶片感兴趣区域的提取。表4带预处理的“maizenet”混淆矩阵实际标签健康锈多疾病TLB健康175100锈013503多种疾病11212TLB000197一个形象在这里，经过训练的模型从不同的方向扫描图像，并将它们分成集群。我们还通过采用MaizeNet、VGG-16、VGG-19、Inception V3、InceptionResNet-v2和ResNet-50模型进行了一组类似的实验，如表6所示。所获得的结果由图1A和图1B示出。十四到十九岁4.2.1. 精度MaizeNet报告的精确度值以及上述包含536张图像的数据集上的最新模型如图所示。14个。从图中可以明显看出，VGG-19模型在预处理数据集上报告的平均精度最高值为99.82%，在未预处理的情况下为99.56% 预 处 理 微 弱 地 提 高 了 0.26% 的 精 度 。 接 下 来 ， InceptionResNet-v2模型报告了预处理前的最高精度值为95.30%，预处理后为99.82%在这里，观察到精度值提高了04.52%所提出的MaizeNet模型报告了未经预处理的95.85%的精度，以及经过预处理的98.87%的精度。MaizeNet模型报告的精度与预处理后的ResNet-v2模型相当。采用预处理后，平均精度提高了3.02%。表5未预处理的“maizenet”混淆矩阵实际标签健康锈多疾病TLB健康171203锈113031多种疾病34171TLB2231904.2.2. 召回从图1所示的结果可以明显看出。VGG-19和Inception ResNet-v2在预处理后报告了99%的最高召回率。此外，分析显示，当这些应用于预处理数据集时，报告的召回值增加了0.37%和然而，提出的模型MaizeNet给出了95.31%的平均召回率，并且在预处理数据集上没有报告任何变化。4.2.3. F1得分为了进一步验证分类的质量，我们计算了F1得分的值，如图所示。十六岁VGG-19和Inception ResNet-50报告了预处理后的最高F1分数，为99.40%从图中可以明显看出，预处理显示了F1评分值的增加VGG-19和Inception ResNet-50报告的F1评分增量分别为0.31%和4.18%。所提出的模型报告的F1得分为97.13%，与VGG-19模型相当。4.2.4. 平均准确率为了评估分类的正确性，我们计算了所有上述模型的平均准确度这些值 如图 所示。 十 七岁 从图 中可 以明 显看 出 ， VGG-19 和 InceptionResNet-50 报告 的平均准 确率最 高，为99.81%。然而，提出的模型MaizeNet报告的平均准确度略低，为98.50%。4.2.5. 计算量尽管MaizeNet模型的查准率、查全率、F1得分和准确率略低于VGG-19，但其训练时间远低于上述最先进的模型图13岁MaizeNet：带有预处理的损失函数的趋势。预测标签预测标签N.昆杜湾Rani，V.S. Dhaka等人农业人工285997 ×98442 ×9表6有和没有预处理的评估指标模型预处理前预处理后精度召回F1得分准确度（%）精度召回F1得分准确度（%）MaizeNet95.8595.3195.5798.3298.8795.3197.1398.50VGG-1699.5698.6399.0999.4499.649898.8199.62VGG-1999.5698.6399.0999.3499.829999.4099.81ResNet-5099.5698.6399.0999.4499.3496.8598.0799.25inception-V399.3897.6398.4999.2599.5197.8198.6599.44Inception ResNet-v295.3095.1695.2297.3899.829999.4099.81k-means95.5794.7795.1797.0193.4595.5694.4995.89如图 十八岁从图1所示的结果可以清楚地看出。 MaizeNet有1，55，956个训练参数，明显少于InceptionResNet-v2模型提取的5，43，86，786个参数。因此，MaizeNet的训练时间显著减少了140 s。4.2.6. Grad-Cam植物病理学家很难依赖基于计算机视觉的模型报告的分类因此，有必要将决策中涉及的特征我们采用了加权类别激活映射（Grad-CAM）（Selvaraju等人，2020）用于将图像分类为四个类别（即，健康、锈病、TLB和多种疾病对预处理以及非预处理数据集的影响，如图1A和1B所示。20比21为了绘制Grad-CAM，模型使用CNN模型最后一层的梯度从图1和图2所示的梯度CAM中可以明显看出。在图20和21中，当在预处理的数据集上采用模型时，特征是可见的，具有更清晰的边界。此外，从图中可以明显看出，所提出的模型“MaizeNet”在标记给定样本中的最大感染区域方面是有效的它清楚地区分了健康、TLB、锈病和多病的特征从而证明了该模型在分类上的可靠性4.3. 疾病严重程度仅仅检测和分类病害是不足以预防和估计作物损失的。因此，我们扩大了研究工作，并计算了玉米作物的病害严重度为此目的，我们使用1至9等级量表来标记玉米作物中 该量表由植物病理学家ICAR、玉米、Ludhiana设计（Hooda等人， 2018年）。使用该量表，我们计算了TLB和锈病的疾病严重程度的百分比，分别如表7和8所示此外，通过遵循等式中提出的疾病严重程度的定义（13），我们计算了TLB的严重性，并生锈疾病在本手稿准备的数据集 TLB和锈蚀严重性的计算在等式中示出。（14）、（15）。从方程中计算的结果可以明显看出。（16）和（17），本手稿中研究的玉米作物比TLB更受锈病的影响锈病的严重性报告为82.13%，而TLB的严重性报告为57.48%。TLB的严重性% s=5158×100< $57： 48%s =16锈蚀严重度%% 6934×100 ¼82： 13%±17%4.4. 作物损失估算估计作物损失对于维持作物的供需平衡很重要这在调节农作物价格方面也很重要因此，我们致力于估计玉米作物的作物损失。在这项研究中，我们使用了由2996张图像组成的玉米数据集该数据集包含938张受锈病感染的玉米植株图像和976张受TLB感染的玉米植株图像根据植物病理学家的建议我们记录了病情严重程度在1至5级和6至9级范围内的叶片数量。报道严重度在1至5等级范围内的叶子导致约40%的作物损失。而等级为6 ~ 9的叶片造成>50%的作物损失。多病叶片被认为是造成作物100%损失的原因作物损失估计的进一步详情见表9。参与这项研究的植物病理学家证实了估计的作物损失作物损失的估计是基于报道的病害检测、分类、感染区域的可视化和严重度计算的结果进行验证的图14个。不同模型的平均精度。图15个。不同型号的平均召回率。N.昆杜湾Rani，V.S. Dhaka等人农业人工286图十六岁F1-不同模型的得分。图十八岁不同型号的训练时间。5. 我们的猫为了开发从疾病检测到作物损失估计的单点解决方案，我们将所提出的框架与交互式和用户友好的Web应用程序相结合。Web应用程序提供了一个选择输入图像并提交的选项。上传的原始图像及其由K-meansmask生成的相应掩码将显示在屏幕上。接下来，图像被发送到建议的