深度学习在农作物病虫害智能诊断及农业智能系统中的应用与实践

农业是一个复杂的生命系统，具有典型的生态区域性和生理过程复杂性。信息技术是推动社会经济变革的重要力量，加速农业信息化发展是世界各国的共同选择。我国是个农业大国，对农业信息化技术与科学有着巨大需求。目前，大部分农业设备或者终端只能采集农作物图像，缺乏加工提取功能，不能提取到能指导农业生产管理的有用信息，并对农业物联网终端的图像信息实现自动分析识别处理，同时做出智能响应，这已经成为破解困于设备“视而不见”困局的首要任务。长势图像直观地、形象地表达了作物生长、发育、健康状况、受害程度、病因等方方面面的信息。让机器视觉设备近似正确地识别解读农学信息，实时地、科学地、自动地指导农技措施，一直就是智慧农业的发展目标。
本书主要从以下方面开展了系统性的研究实践工作： 
(1) 基于SVN的CT图像籽种品质评价定级方法。以SVN为基础，探讨惩罚支持向量分类方法处理不平衡样本时，在不同目标尤其是样本稀疏目标的学习错误率的差异，基于拉格朗日系数分析方法，提出惩罚校正的支持向量分类算法和校正方法。该模型应用小麦籽种的CT图像特征数据分类分析，可使稀疏样本目标的准确率显著提高，整体分类性也得到明显改善，具备显著的有效性和通用性。
(2) 复杂场景下病害图像的病变识别预处理。基于作物病害图像的病变模式识别对于提高物联网化的、设施化的农场、果园的作物生产管理的智能化、自动化水平和管理效率有着积极意义。与广泛使用的基准数据集相比，农场果园视频感知设备采集环境复杂，充满着多种干扰，定点、移动方式都难以保证在受限条件和有限样次数下，采集到代表性图像在各状态下分布均匀的样本。在形成适于实验样本之前，必须消除其中噪声，规格化其大小。以苹果为例，介绍病害图像采集和病变识别，提出病害图像预处理过程及其方法——整形算法、方位多样性仿真、亮度多样性仿真、灰值化和稀疏化方法，阐述基于计算和学习的特征提取方法。
(3) 病变模式识别的数值分析降维。在剖析PCA方法降维方法的数学过程中，给出一种基于特征值溢界丢弃的特征提取方法，针对降维性能的重构评价设计误差距离分析方法，在苹果病变图像集合和人脸图像上展开了降维实验，结果显示： “95”原则的PCA特征提取表现出较好的重构性能； 在实验的第二个阶段，以阶段实验提取得到的病害模式特征集，以支持向量机为识别网络，对特征化的病害模式开展交叉验证识别实验，算法表现出相当乐观的可用性； 在后一个阶段，对ORL人脸数据集也进行了泛化实验，泛化准确率三维曲面说明，在合理选择训练参数的前提下，溢界丢弃特征提取能有效降维人脸数据。
(4) 病害图像模式半监督深度学习降维。在分析限制玻尔兹曼机能量模型的数学逻辑的基础上，针对网络的粗糙学习过程，在k阶对比发散方法的基础上提出“基于随机反馈的对比散度方法”，并以RBM自动编码网络为工具，开展了苹果病变图像和人脸图像上的半监督深度学习降维及识别的一系列实验。算法的重构较PCA算法有明显的改进。随机反馈发散方法和kCD的目标函数趋近对比实验显示： 该算法有着较长的收敛时间，但是收敛之后，目标函数具备更好的稳定性，更高的目标值，更加有利于系统性能的稳定。
(5) 病害图像降维识别一体化监督深度学习网络。基于卷积运算提出深度卷积网络的果体病变图像识别诊断方法，设计学习网络结构和面向卷积的误差BP传递算法，提出弹性冲量的权值更新机制，构造线性弹性动量和二次弹性动量方法。该方法通过一体化的学习网络，融合特征提取和模式识别，共享学习机制完成了对识别部件和特征提取部件的协同训练，解决了“过程和目标”失配的问题，收敛曲线反映出该方法有很快的收敛速度； 二次弹性动量和线性弹性动量相比于经典动量梯度下降、自适应动量方法，收敛迭代周期呈现较大幅度的提前。
(6) 从软件工程的观点、从系统分析和系统设计的角度、侧重于面向对象的、基于组件的分层设计技术和方法，详细地论述了“多媒体农业智能应用系统平台”的系统分析、设计、实现方法。首先，说明了“多媒体农业智能应用系统平台”的概要情况，描述了平台的基本约束条件、平台的系统分析和系统设计方案； 然后，阐述了农业领域知识表示和知识管理子系统、电子图书子系统、农情数据库子系统的分析与设计及其实现和技术解决方案； 后，介绍了平台的系统管理功能。

编者2020年12月

本书运用深度机器学习等人工智能方法研究了农作物病虫害智能诊断及其在农业智能系统中的应用与实践，提供了大量农作物病害图像实例集和MATLAB例程供相关人员参考。

谭文学，男，1973年7月出生，博士，教授，系统分析师，中国计算机协会会员。主要从事计算机科学与技术及相关专业的教学与科研工作，研究方向：深度学习、人工智能及农业智能系统、云计算与网络信息安全等。近5年在国内、国际期刊、国际会议上发表论40余篇，其中20余篇被EI、SCI等数据库收录。

第1章病虫害智能诊断和农业智能系统概述

1.1深度学习在作物图像处理及病害识别领域的应用背景

1.1.1图像信息成为农业物联网大数据的“主力军”

1.1.2破解“视而不见”困局的关键在于图像信息的
机器识别

1.1.3作物病害图像识别是发展精准、高效、绿色
农业的基石

1.1.4深度机器学习有机融入是智慧农业的
必由之路

1.2病虫害智能诊断的研究目标及内容

1.2.1研究目标

1.2.2研究内容

1.3国内外智能诊断的研究现状和发展趋势

1.3.1图像技术在病害识别诊断上的应用

1.3.2机器学习的图像降维和特征提取研究

1.3.3农业专家系统和病害诊断技术研究

1.3.4深度方法在图像等非结构化数据识别
领域的研究

1.4专家系统概述及其发展概况

1.5专家系统的开发方式

1.6农业信息化技术和农业专家系统

1.6.1农业信息化技术

1.6.2农业专家系统

1.7农业专家系统开发工具的研究

1.8多媒体农业智能应用系统

1.8.1多媒体农业智能应用系统

1.8.2多媒体农业智能应用系统平台

1.9主要工作及本书结构

第2章CT图像特征的支持向量网络籽种品质评价

2.1支持向量网络和籽种品质智能评价

2.2SVN的理论基础

2.2.1优化问题的基本概念

2.2.2优化问题的解条件

2.2.3博弈问题和对偶理论

2.2.4Wolfe对偶（乌尔夫对偶）方法

2.3线性SVN和基于核的SVN

2.3.1规范超平面和SVN的形式化问题

2.3.2SVN的形式化求解

2.3.3基于核的支持向量网络和VC维

2.4惩罚校正SVN

2.4.1问题描述

2.4.2惩罚支持向量机

2.4.3均匀惩罚SVC的学习错误率分析

2.4.4惩罚因子校正

2.5籽种CT特征SVN分析实验及讨论

2.5.1实验过程

2.5.2籽种影像特征提取

2.5.3结果分析、对比及讨论

2.6本章小结

第3章病害图像预处理及其病变识别

3.1苹果病害图像采集及识别

3.1.1苹果病害及其病变图像特征

3.1.2基于图像的病害识别

3.2病害图像的预处理

3.2.1图像整形和采集方位多样性仿真

3.2.2图像采集亮度多样性和多样性组合

3.2.3图像灰值化和稀疏化

3.3病变图像特征提取及方法

3.3.1数据相关性分析降维的特征提取

3.3.2半监督学习的降维特征提取

3.3.3监督深度学习提取特征和卷积网络

3.4卷积运算和深度卷积神经网络

3.4.1像卷积运算

3.4.2卷积的局部、全局连接

3.4.3LeNet卷积神经网络及其特征图多对多组合

3.5本章小结

第4章主成分图像降维的病变模式识别

4.1图像特征提取和PCA方法

4.2PCA方法

4.2.1PCA降维的基本过程

4.2.2均值和协方差

4.2.3本征值和本征向量

4.2.4数据集的PCA分析和重构

4.3基于距离的重构数据误差分析

4.3.1PCA降维

4.3.2溢界丢弃PCA方法和病变图像降维

4.4实验结果与分析

4.4.1重构性能分析

4.4.2识别性能分析

4.5本章小结

第5章玻尔兹曼机图像降维的病害识别

5.1限制玻尔兹曼机

5.1.1麦克斯韦玻尔兹曼分布

5.1.2玻尔兹曼机机器学习模型

5.1.3玻尔兹曼机模型的能量函数

5.2理想玻尔兹曼机学习和自动编码

5.2.1模型节点激活的条件概率

5.2.2样本的概率分布

5.2.3理想梯度上升的玻尔兹曼机学习

5.2.4RBM自动编码网络

5.3玻尔兹曼机对比散度学习和随机反馈学习

5.3.1朴素对比发散方法学习方法

5.3.2基于反馈的随机对比散度方法

5.4模型评价和实验分析

5.4.1基于分批的学习和机器模型评价

5.4.2玻尔兹曼机的病变图像降维实验及分析

5.4.3基于识别性能分析

5.5本章小结

第6章基于深度卷积网络的病变图像识别

6.1卷积神经网络

6.1.1网络结构和参数

6.1.2网络功能流程

6.1.3网络BP梯度偏差传递算法

6.2弹性动量学习

6.2.1算子学习和参数学习

6.2.2弹性动量的权值更新方法

6.3识别网络的实现

6.3.1全局参数

6.3.2卷积层参数

6.3.3采样层参数

6.3.4网络的初始化

6.3.5网络输入的前馈

6.3.6网络误差的后传

6.3.7网络的梯度下降和动量学习

6.4基准数据上的实验分析及讨论

6.4.1MNISTZipDigit字符数据实验及结果

6.4.2基于ORLFace数据集的人脸识别

6.5病害图像识别实验

6.5.1混淆矩阵和召回率

6.5.2识别性能对比

6.5.3不同网络的性能收敛

6.5.4不同数据集合的识别精度收敛

6.5.5不同动量方法的误差函数收敛性

6.6本章小结

第7章农业智能应用系统平台的系统设计

7.1应用系统平台的研发背景

7.1.1目标系统描述及要求

7.1.2农业智能应用系统的初步系统分析

7.2农业智能应用系统业务用例建模

7.2.1用户角色

7.2.2业务对象实体

7.2.3业务用例角色

7.2.4农业智能应用系统平台的体系结构

7.3系统平台的组件构成模型

7.3.1农业智能应用系统平台

7.3.2农业智能应用系统开发平台

7.3.3农业智能应用系统运行平台

7.3.4农业智能应用系统

7.4农业智能应用系统平台的系统设计

7.4.1功能单元及逻辑分块

7.4.2子系统和功能单元

7.4.3文件目录结构设计

7.4.4开发平台系统数据库设计

7.4.5安全机制设计

7.5本章小结

第8章农业领域的知识表示与知识管理

8.1知识和专家系统

8.1.1专家系统基本结构

8.1.2知识表示技术

8.1.3推理策略

8.1.4知识获取

8.2农业领域的知识表示

8.2.1农业知识规则模式

8.2.2领域知识表示模式

8.2.3农业领域知识库的数据库设计

8.3农业领域知识管理平台的功能需求分析

8.3.1知识库管理的基本功能

8.3.2知识管理

8.3.3提问式推理

8.4农业知识管理平台的设计与实现

8.4.1类和包设计与实现

8.4.2界面设计与实现

8.4.3第三方组件的应用

8.5本章小结

第9章农情数据库

9.1概述

9.1.1农业基础数据

9.1.2农业智能应用系统与农情数据库

9.1.3农情数据库管理的基本问题

9.2农情数据库管理平台的设计

9.2.1农情数据库管理

9.2.2农情库表结构管理

9.2.3农情数据管理

9.2.4农情数据查询

9.2.5配置到应用系统

9.3本章小结

第10章农业电子图书

10.1电子图书概述

10.1.1广受欢迎的电子图书

10.1.2农业电子图书与农业智能应用系统

10.1.3农业智能应用系统平台中的农业电子
图书平台

10.2农业电子图书平台的设计与实现

10.2.1农业电子图书制作

10.2.2农业电子图书管理

10.2.3农业电子图书配置到农业智能应用系统

10.3本章小结

第11章农业智能应用系统管理及平台的系统管理

11.1农业智能应用系统管理

11.1.1生成农业智能应用系统

11.1.2农业智能应用系统运行平台

11.1.3发行应用系统

11.1.4软件注册序列号管理

11.2平台的系统管理

11.2.1系统日志管理

11.2.2系统资源管理

11.2.3界面主题管理

11.2.4用户角色管理

11.3本章小结

附录A结论和展望

附录B致谢

参考文献

本书运用深度机器学习等人工智能方法研究了农作物病虫害智能诊断及其在农业智能系统中的应用与实践，提供了大量农作物病害图像实例集和MATLAB例程供相关人员参考。

谭文学，男，1973年7月出生，博士，教授，系统分析师，中国计算机协会会员。主要从事计算机科学与技术及相关专业的教学与科研工作，研究方向：深度学习、人工智能及农业智能系统、云计算与网络信息安全等。近5年在国内、国际期刊、国际会议上发表论40余篇，其中20余篇被EI、SCI等数据库收录。