在韩国，人参是一种重要的药用植物。人参根部具有较高的药用价值，保持人参根部的质量对于充分发挥人参的药用价值是及其重要的。根腐病是影响人参根部质量的一种主要疾病，在根腐病造成危害前进行准确的预测是非常关键的。因此，迫切需要一种非破坏性的方法来识别人参植物的根腐病。本文提出了一种利用图像处理和深度学习对RGB植物图像进行分析来识别根腐病的方法。首先进行植物分割，然后去除植物图像中的噪声区域，这些图像作为所提出的线性深度学习模型的输入，以识别人参的根腐病。迁移学习模型也适用于这些图像，所提出的方法在根腐病识别方面具有良好的应用前景。

 

　　图1 植物生长室

 

　　图2 成像设备

 

　　图3数据扩充。(a) 原始植物图像;(b) 有对比度变化的图像;(c) 有照度变化的图像;(d) 旋转的图像;(e) 高度或宽度移动的图像。

 

　　图4 所提出方法的工作流程

 

　　图5 所提出模型的结构

 

　　表1 所提出模型结构的详细信息

 

　　表2 对所提出模型进行不同层数的性能评估

 

　　图6模型训练期间的准确率和损失值曲线

 

　　表3 对所提出模型进行不同学习策略的性能评估

 

　　表4 对所提出模型的进行不同小批量数据性能评估

 

　　表5 所提出模型的性能评估：手动选择与基于机器学习的优化

 

　　图7从健康植物图像中进行植物分割。第一行是原始植物图像;第二行是分割后的植物图像。

 

　　图8从生病的植物图像中进行植物分割。上行是原始植物图像;下行是分割后的植物图像。

 

　　图9通过所提出的模型正确识别健康植物。(a) 原始植物;(b) 分割的植物区域;(c) 植物根部。

 

　　图10 通过所提出的模型正确识别患病植物。(a) 原始植物;(b) 分割的植物区域;(c) 植物根部。

 

　　图11 所提出的模型对患病植物的错误识别。(a) 原始植物;(b) 分割的植物区域;(c) 植物根部。

 

　　图12对患病植物图像的错误识别。第一行显示原始图像;最下面一行显示分割的图像。

 

　　表6 不同深度模型训练次数

 

　　表7以原始植物图像(来自测试数据集)作为输入的各种深度学习模型的性能比较。

 

　　表8 以分割的植物区域(来自测试数据集)作为输入图像的各种深度学习模型的性能比较

 

　　表9各种深度学习模型的推理时间(用于测试数据集)。

 

　　表10各种深度学习模型的参数。

 

　　来源：Jayapal P K, Park E, Faqeerzada M A, et al. Analysis of RGB Plant Images to Identify Root Rot Disease in Korean Ginseng Plants Using Deep Learning[J]. Applied Sciences, 2022, 12(5): 2489.https://doi.org/10.3390/app12052489

 

　　编辑：小王博士在努力