24、智能农业：基于物联网无人机的WPCA和ANN疾病诊断

智能农业：基于物联网无人机的WPCA和ANN疾病诊断

1. 引言

统计显示，印度在农业生产方面位居世界第二。农业是该国的重要领域，对社会经济发展起着关键作用。印度约有2.1亿英亩土地用于农业，主要农作物包括小麦、水稻、高粱、玉米等，常见水果有芒果、橙子、香蕉等，还有香草、棉花、茶叶等经济作物。

农业产出受降雨、土壤状况和气候条件影响，任何一项因素的变化都可能导致产量下降。因此，良好的监测对于提高农业产量至关重要。为了加强农业环境监测，传感器和物联网技术被应用于智能农业中，物联网技术能为用户提供即时更新。

然而，农作物的病理问题是导致产量下降的主要原因，如何智能控制这些疾病是关键挑战。植物病原体主要由病毒、寄生虫、细菌和真菌等引起，可分为自养型（寄生虫）和腐生型（异养型），还有兼性类型能在两者环境中生存。

过去，植物疾病诊断依靠人工，成本高且困难，因为种植者知识匮乏且专家稀缺。如今，为了维持作物产量、保护环境并减少有害化学物质的使用，人们探索了多种替代方法。因此，农业专家、科学家和研究人员关注的重点是疾病检测、识别、分类以及提出控制措施。早期检测和预防疾病是确保高产的唯一途径，所以应用信息科学、人工智能、数字图像和处理等最新技术对于提高产量和促进国民经济发展至关重要。

计算程序已用于农业领域的计算机化，物联网智能农业方案具有诸多优势，如降低供应商锁定风险、支持机械设备和传感/自动化系统。基于无人机的农业监测有助于利用智能技术及时做出作物保护决策。

植物疾病的发现过去依赖人类视觉，如今，物联网和机器学习技术的应用使农业监测更加智能。无人机在农业中发挥着重要作用，可通过多光谱和高光谱传感器识别作物的营养缺乏、病虫害损害、肥料需求、水质等情况，还可用于分析植物营养、疾病、水质以及矿物质和表面化学成分。

目标是利用数字图像处理和机器学习技术开发一个强大的作物疾病自动诊断系统，该系统能感知、识别和分类作物的病理问题，并提供控制疾病的建议和信息，从而防止损失。因此，机器学习和图像处理技术非常适合这一目的。

2. 文献综述

由于环境变化，农作物病虫害增加，导致经济、社会和生态损失巨大，因此准确及时地诊断疾病至关重要。农民需要准确一致的信息来做出合适决策，近期有许多关于疾病检测和参数监测的研究。
- Ali等人（2017） ：利用主成分分析（PCA）和最近邻分类器（KNN）检测棉花叶感染。棉花植物的不足可通过叶片颜色变化识别，这可能导致产量下降。
- Akila等人（2018） ：使用灰度转换发现植物病害，并通过直方图扩展图像亮度。这些方法在远程图像检测和其他应用中发挥重要作用，直方图调整有助于有效提取特征。
- Padol等人（2016） ：通过支持向量机（SVM）分类器检测葡萄叶疾病。他们将数字叶片图像输入训练和测试，增强图像质量，调整图像大小，提取绿色成分，去除噪声，进行K - 均值聚类分割和特征提取，最终通过线性支持向量机（LSVM）分类技术实现了88.89%的高精度检测。
- Bashish等人（2010） ：开发了一种方法来识别和组织植物叶和茎的疾病。该方法先通过K - 均值技术进行图像分割，然后将其输入预训练的神经网络。在约旦的Al - Ghor地区进行测试，实验结果显示该方法能自动检测叶疾病，基于统计分类的神经网络分类器在检测和分类方面达到了93%的精度。

3. 系统设计

3.1 IoD系统架构

利用机器学习和图像处理技术识别和组织疾病症状分为两个阶段，核心是提供高效的作物田地监测和疾病诊断。

第一阶段基于无人机传感器进行农业参数监测，无需人工干预即可对稻田区域进行监测和控制。使用温度湿度、PH传感器与微控制器连接，传感器将土壤样本数据传输到微控制器，控制器显示各传感器值，并展示适合该土壤样本的作物。通过物联网网络服务器和移动应用程序，土壤参数监测可连续控制作物区域的电机设备。

第二阶段使用WPCA - EANN机器学习算法和图像处理应用检测作物叶片疾病。该阶段包括使用KNV滤波器进行预处理、自适应K - 均值聚类分割、WPCA特征提取和EANN分类。通过无人机相机捕捉叶片图像，利用基于物联网服务器的移动应用程序应用上述方法诊断疾病。

以下是该阶段的具体步骤：
- 3.1.1 预处理：使用KNV滤波
- 确定每个像素的噪声部分后，对当前像素和其非噪声邻域的均值进行线性组合，以恢复有噪声的像素。
- 如果指定区域的所有元素都是噪声，则将区域大小增加到下一个级别，重复该过程直到窗口大小达到预设的最大窗口大小。
- KNV滤波器通过对相邻像素值求和来替换像素值，从HSV颜色空间获取颜色感知，将周围像素值求和得到中值，用中值替换中间像素值，从滤波图像的RGB颜色中获取颜色空间参数。
- 3.1.2 分割：使用自适应K - 均值聚类算法
- 传统K - 均值方法在初始化k个质心时存在问题，基于随机数的聚类和位置放置可能导致分割不当和结果不佳。
- 自适应K - 均值聚类算法通过添加图像的局部最小值和最大值，采用迭代方法最小化目标函数，以生成初始k个质心的最优值。以下是分割算法：

输出：分割区域
输入：无人机图像数据集
步骤1. 初始化子窗口大小W = 3，最大窗口大小Wmax = 15。
步骤2. 选择一个W×W的子窗口，以中心像素为参考。
步骤3. 如果中心像素不等于0或255，移动窗口并返回步骤1（无噪声像素）。
步骤4. 从子窗口中收集像素集（忽略值为0或255的像素）。
步骤5. 如果像素集的大小满足特定条件，用该像素集的维纳滤波值替换中心像素，移动窗口并返回步骤1。
步骤6. 设置W = W + 2。
步骤7. 如果W ≤ Wmax，返回步骤2；否则，用最大窗口大小子窗口中像素的均值替换中心像素。

• 3.1.3 特征提取

  • 特征提取在分割完成后进行，植物疾病检测基于纹理和形状特征。小波 - PCA统计纹理特征通过对比度、相关性、能量、均匀性、熵、均方根、偏度、峰度、方差、平滑度、逆差矩、均值、中位数、标准差、最大值和最小值计算得出。
  • 小波 - PCA统计特征提取
    • 对分辨率为256×256的预处理图像应用“Haar”小波变换，得到不同分辨率的子带图像。
    • 将这些子带图像用于PCA计算，得到PCA矩阵，进而计算20个统计特征。
    • 首先将图像分为水果（Fr）、花朵（Fl）和叶子（Lf）三组，以水果图像为例，分析研究过程。设水果图像集为IMP = {Fr1, Fr2, Fr3, …, From}，用于分类的图像集为SFr = {sfr1, sfr2, sfr3, …, sfrn}，提取20个小波特征用于疾病诊断，特征值集表示为FV = {fv1, fv2, fv3, …, fv20}。
    • 农作物疾病是农业产量的主要问题，有效监测疾病对农业经济增长至关重要。为预防和控制疾病，需要确定预防措施并找到病变区域。例如，叶片和果实上的黑点可能表示炭疽病，可通过MRKT方向集特征提取技术和人工神经网络对植物部分图像进行分类，判断其健康状况。
    • 为了检测低等植物的白粉病，使用小波几何特征提高了炭疽病和白粉病诊断的准确性。在扩展工作中，除了12个MRKT方向特征外，还提取了20个小波 - PCA统计特征，共32个特征作为人工神经网络的输入，用于植物部分疾病的分类。
      以下是部分特征的计算公式：
      | 序号 | 形状特征 | 公式 |
      | — | — | — |
      | 1 | 对比度 | $\sum_{i,j = 0}^{n - 1}(i,j)^2C(i,j)$ |
      | 2 | 能量 (C) | $\sum_{i,j = 0}^{n - 1}C(i,j)$ |
      | 3 | 均匀性 | $\sum_{i,j = 0}^{n - 1}(i,j)^2C(i,j)/(1 + (i - j)^2)$ |
      | 4 | 熵（随机性） | $\sum_{i,j = 0}^{n - 1}(i,j)^2C(i,j) \log c(i,j)$ |

• 3.1.4 分类：使用增强人工神经网络（ECNN）

  • 选择和提取所需特征后，根据特征对图像进行分类。可以结合两个或多个分类器或技术以获得更好的结果，还可以采用学习方法来改进分类方法。分类技术和分类器对作物病理问题的诊断有很大影响，概率、相似性和决策区域边界是构建分类器的关键概念，也会影响分类准确性。
  • 在本研究中，改进的ANN输入层有11个节点，由不同的小波 - PCA统计特征和12维MRKT方向特征组成。使用了四个隐藏层，每个隐藏层有四个节点或神经元。选择最佳数量的隐藏层和单元取决于多个因素，如输入和输出单元的数量、训练数据集的噪声量、分类的复杂性、训练数据集的大小、训练数据集模式区域的分布、激活函数、隐藏单元的连接类型和训练算法。
  • 隐藏单元数量过少会因欠拟合导致训练和泛化误差过大，而数量过多会使训练算法变慢，且在没有其他正则化方法的情况下会导致泛化能力差。
  • EANN具有学习能力，通过改变权重值实现学习。大多数EANN包含某种学习规则，根据输入模式修改连接权重。在训练过程中，神经元针对特定输入数据集模式进行训练，在操作模式下，当输入已训练的模式时，输出相应结果；如果输入模式与训练集中的任何数据不匹配，则根据触发规则决定是否触发。

以下是EANN的简单示例和单个神经元的操作说明：

智能农业：基于物联网无人机的WPCA和ANN疾病诊断

4. 实验结果与分析

为了验证所提出的基于WPCA和ANN的疾病诊断方法的有效性，进行了一系列实验。实验数据集涵盖了多种农作物的叶片图像，包括受到不同疾病感染的叶片以及健康叶片。

在实验过程中，首先对采集到的叶片图像进行预处理，使用KNV滤波去除噪声，然后通过自适应K - 均值聚类算法进行图像分割，将病变区域从背景中分离出来。接着，利用小波 - PCA方法提取图像的统计特征，共得到20个小波 - PCA统计特征和12个MRKT方向特征，总计32个特征。

将提取的特征输入到增强人工神经网络（EANN）中进行训练和分类。在训练过程中，调整网络的权重和参数，使得网络能够准确地识别不同类型的疾病。为了评估分类性能，使用了准确率、召回率、F1值等指标。

实验结果表明，所提出的方法在疾病诊断方面取得了较高的准确率。具体来说，基于WPCA的统计特征与EANN相结合的方法在分类准确率上达到了97.46%。这一结果优于之前文献中提到的一些方法，如Padol等人的方法（88.89%）和Bashish等人的方法（93%）。

通过对实验结果的进一步分析，可以发现不同特征对分类性能的影响。例如，小波 - PCA统计特征中的对比度、能量和均匀性等特征在疾病分类中起到了重要作用。这些特征能够有效地描述叶片图像的纹理和形状信息，从而帮助神经网络更好地识别疾病。

此外，还对不同隐藏层和神经元数量的EANN进行了实验比较。结果显示，选择四个隐藏层，每个隐藏层包含四个神经元的结构能够在保证分类准确率的同时，避免过拟合和训练时间过长的问题。

5. 结论与展望

本文提出了一种基于物联网无人机（IoD）的智能农业疾病诊断方法，结合了小波 - PCA（WPCA）特征提取和增强人工神经网络（EANN）分类技术。该方法通过无人机采集农作物叶片图像，利用图像处理和机器学习算法实现了对植物疾病的准确检测和分类。

实验结果表明，所提出的方法在疾病诊断方面具有较高的准确率，能够有效地帮助农民及时发现和控制农作物疾病，从而提高农业产量和质量。与传统的人工诊断方法相比，该方法具有成本低、效率高、准确性强等优点。

然而，该方法也存在一些局限性。例如，实验数据集的规模相对较小，可能无法涵盖所有类型的农作物疾病。在实际应用中，需要进一步扩大数据集，以提高方法的泛化能力。此外，该方法对无人机的飞行高度、光照条件等因素较为敏感，可能会影响图像采集的质量和疾病诊断的准确性。

未来的研究方向包括：
1. 扩大数据集 ：收集更多不同农作物、不同疾病类型的叶片图像，以提高方法的泛化能力和适应性。
2. 优化特征提取方法 ：探索更有效的特征提取方法，进一步提高疾病诊断的准确性。
3. 考虑环境因素 ：研究如何减少无人机飞行高度、光照条件等环境因素对图像采集和疾病诊断的影响。
4. 集成更多传感器数据 ：除了图像数据外，还可以集成土壤湿度、温度、光照等传感器数据，以提供更全面的农作物健康信息。

综上所述，基于物联网无人机的智能农业疾病诊断方法具有广阔的应用前景，但需要进一步的研究和改进，以更好地满足实际农业生产的需求。

总结

智能农业是未来农业发展的重要方向，利用物联网和机器学习技术可以实现对农作物的高效监测和疾病诊断。本文介绍的基于WPCA和ANN的疾病诊断方法为智能农业提供了一种有效的解决方案。通过准确的疾病检测和分类，农民可以及时采取措施控制疾病，减少农作物损失，提高农业生产的经济效益和可持续性。

以下是整个疾病诊断流程的mermaid流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A(图像采集):::process --> B(预处理 - KNV滤波):::process
    B --> C(分割 - 自适应K - 均值聚类):::process
    C --> D(特征提取 - 小波 - PCA):::process
    D --> E(特征选择):::process
    E --> F(分类 - EANN):::process
    F --> G(疾病诊断结果):::process

这个流程图展示了从图像采集到疾病诊断结果输出的整个过程，包括预处理、分割、特征提取、特征选择和分类等关键步骤。每个步骤都对最终的疾病诊断结果起到了重要作用。通过这种系统化的流程，可以确保对农作物疾病进行准确、高效的诊断。