基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識(shí)別

許景輝 邵明燁 王一琛 韓文霆

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100；2.西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100；3.西北農(nóng)林科技大學(xué)中國旱區(qū)節(jié)水農(nóng)業(yè)研究院， 陜西楊凌 712100)

0 引言

玉米作為我國三大農(nóng)作物之一，是重要的糧食作物和工業(yè)原料，玉米產(chǎn)業(yè)的穩(wěn)定健康發(fā)展在糧食安全、農(nóng)民增收和國民經(jīng)濟(jì)中具有重要作用[1]。玉米病害直接影響玉米的產(chǎn)量與質(zhì)量。玉米常見病害有十幾種，病發(fā)處多為葉部、穗部和根部，其中尤以葉部的大斑病、銹病等最為常見[2]。及時(shí)準(zhǔn)確地識(shí)別病害并進(jìn)行控制，可將其危害降至最小。目前玉米病害識(shí)別主要依靠農(nóng)林專家進(jìn)行田間現(xiàn)場辨識(shí)，這種方法不僅主觀性強(qiáng)，而且費(fèi)時(shí)、費(fèi)力、效率低下。因此，實(shí)現(xiàn)智能、快速和準(zhǔn)確的玉米病害識(shí)別具有重要意義。

隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展與計(jì)算機(jī)數(shù)據(jù)處理能力的增強(qiáng)，結(jié)合圖像處理的機(jī)器學(xué)習(xí)技術(shù)在植物病害智能識(shí)別上的應(yīng)用越來越廣泛，并且取得許多成果[3-6]。這些研究都是通過人工設(shè)計(jì)提取病害特征，雖然取得了較好的效果，但也存在特征提取困難、適應(yīng)性差和抗干擾能力弱等問題。

田間自然環(huán)境下的玉米病害圖像背景復(fù)雜，光照以及拍攝角度變化大，造成人工提取病害特征困難。在傳統(tǒng)人工提取圖像特征的方法中，無論是利用Canny算子從圖像邊緣提取，還是利用HIS分量分解顏色空間，都很難找到一個(gè)很好的閾值，把玉米病害特征與背景分割開。深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)在特征提取方面發(fā)揮著重要作用，它可以實(shí)現(xiàn)對(duì)圖像特征的自動(dòng)提取，并對(duì)圖像的位移、縮放和扭曲等變形具有良好的適應(yīng)性，已被應(yīng)用于人臉識(shí)別[7-8]、遙感圖像識(shí)別[9]和車輛自動(dòng)駕駛[10]等領(lǐng)域。在農(nóng)業(yè)領(lǐng)域，學(xué)者們也開展了許多相關(guān)的研究[11-15]。秦豐等[16]采用深度學(xué)習(xí)和支持向量機(jī)識(shí)別苜蓿葉部病害，孫俊等[17]、MOHANTY等[18]采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)多種植物葉片病害進(jìn)行識(shí)別，BRAHIMI等[19]基于深度卷積AlexNet網(wǎng)絡(luò)模型將西紅柿病害分為9種，高震宇等[20]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在茶葉分選系統(tǒng)中。在上述研究中卷積神經(jīng)網(wǎng)絡(luò)雖取得較好的效果，但要得到較好分類識(shí)別性能的卷積神經(jīng)網(wǎng)絡(luò)模型還需要大量的數(shù)據(jù)。為此，龍滿生等[21]、鄭一力等[22]利用遷移學(xué)習(xí)，在小數(shù)據(jù)樣本的情況下訓(xùn)練得到高性能的卷積神經(jīng)網(wǎng)絡(luò)模型，分別實(shí)現(xiàn)了油茶病害和不同植物葉片的識(shí)別。

卷積神經(jīng)網(wǎng)絡(luò)雖在植物葉片圖像的特征提取與識(shí)別上有了一定應(yīng)用，但上述試驗(yàn)樣本多為簡單的單一背景，大田實(shí)用性較差。對(duì)于復(fù)雜的田間背景圖像，卷積神經(jīng)網(wǎng)絡(luò)則需要大量的訓(xùn)練樣本學(xué)習(xí)提取圖像特征的能力。而遷移學(xué)習(xí)使卷積神經(jīng)網(wǎng)絡(luò)在大數(shù)據(jù)集上已經(jīng)訓(xùn)練得到了較好的特征提取能力，可以減小網(wǎng)絡(luò)模型訓(xùn)練所需的樣本數(shù)量。田間玉米病害圖像背景復(fù)雜，并且目前沒有大量的數(shù)據(jù)集。因此，本文在多角度光照變化較大的復(fù)雜背景下，拍攝田間玉米病害圖像作為訓(xùn)練樣本，基于VGG-16[23]網(wǎng)絡(luò)模型，利用遷移學(xué)習(xí)方法，使用較小的訓(xùn)練樣本訓(xùn)練識(shí)別精度較高的模型，以期實(shí)現(xiàn)田間復(fù)雜背景下的玉米大斑病與銹病的智能識(shí)別。

1 試驗(yàn)數(shù)據(jù)

1.1 圖像數(shù)據(jù)采集

圖像數(shù)據(jù)采集地點(diǎn)為陜西省楊凌區(qū)陵東村的一塊玉米試驗(yàn)田，為了體現(xiàn)田間自然采集環(huán)境，采集時(shí)進(jìn)行多角度拍攝；拍攝時(shí)間包括早晨、中午、傍晚等不同時(shí)刻；拍攝時(shí)的背景為田間復(fù)雜背景。利用杰銳微通HF800型工業(yè)攝像頭，分辨率640像素×480像素，采集了玉米大斑病、銹病與健康葉片圖像各150幅。為了豐富試驗(yàn)樣本，利用網(wǎng)絡(luò)搜集了3類圖像樣本各50幅。試驗(yàn)樣本共計(jì)600幅，圖像樣本示例如圖1所示。

圖1 玉米葉片圖像示例

1.2 圖像數(shù)據(jù)預(yù)處理

首先從采集的圖像中隨機(jī)選擇75%用于訓(xùn)練，25%用于測試。然后把原始的訓(xùn)練圖像進(jìn)行旋轉(zhuǎn)變換(分別旋轉(zhuǎn)90°、180°、270°)與翻轉(zhuǎn)變換(上下翻轉(zhuǎn)、左右翻轉(zhuǎn))，把訓(xùn)練圖像集擴(kuò)充到5 400幅，作為訓(xùn)練集。最后采用雙三次差值法把圖像縮放到224像素×224像素。

2 玉米病害圖像識(shí)別模型構(gòu)建

2.1 卷積神經(jīng)網(wǎng)絡(luò)模型

深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)是一種流水線式多處理層的網(wǎng)絡(luò)模型，它包含多個(gè)卷積層、池化層和全連接層。模型的訓(xùn)練為在損失函數(shù)的驅(qū)動(dòng)下將誤差反向傳播至網(wǎng)絡(luò)各層并對(duì)參數(shù)權(quán)值進(jìn)行更新，模型的測試則為原始數(shù)據(jù)通過所有訓(xùn)練好的中間層映射到輸出。卷積層的功能是對(duì)圖像進(jìn)行特征提取，每層包含許多個(gè)卷積核，卷積核與圖像作用獲得圖像的局部信息。卷積層計(jì)算公式為

(1)

fm,n——維度為H×W的卷積核

i、j——張量的坐標(biāo)值

m、n——卷積核的坐標(biāo)值

池化層是使用池化函數(shù)對(duì)特征圖進(jìn)行壓縮降維，對(duì)輸入具有平移不變性，不僅能提高模型對(duì)圖像發(fā)生位移、旋轉(zhuǎn)等變換的泛化能力，還能減少模型的計(jì)算量和參數(shù)個(gè)數(shù)。常用的池化函數(shù)有平局池化、最大池化和隨機(jī)池化等。若采用最大池化函數(shù)和2×2的池化窗口，則池化層的計(jì)算公式為

fpool=Max(si,j,si+1,j,si,j+1,si+1,j+1)

(2)

式中fpool——池化后的結(jié)果

si,j——特征圖張量上(i,j)位置上的元素

全連接層是對(duì)卷積層與池化層提取的高維特征數(shù)據(jù)進(jìn)行降維平鋪，再進(jìn)行非線性變換，最后將結(jié)果輸入到分類器中進(jìn)行分類。

2.2 遷移學(xué)習(xí)

遷移學(xué)習(xí)是將一個(gè)任務(wù)上訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型通過簡單的調(diào)整使其適用于一個(gè)新的任務(wù)[24-26]。訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)的卷積層可以對(duì)圖像進(jìn)行特征提取，提取到的特征向量再輸入結(jié)構(gòu)簡單的全連接層就可以實(shí)現(xiàn)較好的識(shí)別分類，所以經(jīng)過卷積層提取的特征向量可以作為圖像的一個(gè)更加精簡且表達(dá)能力更強(qiáng)的向量。于是，訓(xùn)練好的卷積層加上適合新任務(wù)的全連接層將組成新的網(wǎng)絡(luò)模型，對(duì)新的網(wǎng)絡(luò)模型稍加訓(xùn)練就可以處理新的分類識(shí)別任務(wù)[27]。

遷移學(xué)習(xí)首先保持模型卷積層的結(jié)構(gòu)不變，接著向卷積層載入訓(xùn)練好的權(quán)重與參數(shù)。然后設(shè)計(jì)適用于新任務(wù)的全連接層，接著用新設(shè)計(jì)的全連接層代替原本的全連接層，并與先前的卷積層組成新的卷積網(wǎng)絡(luò)模型。最后用新圖像數(shù)據(jù)集訓(xùn)練新模型，訓(xùn)練新模型有兩種方式，一種方式為凍結(jié)卷積層，只訓(xùn)練全連接層，另一種方式為訓(xùn)練網(wǎng)絡(luò)的全部層。

2.3 模型構(gòu)建

本文使用VGG-16基本網(wǎng)絡(luò)模型進(jìn)行遷移學(xué)習(xí)，VGG-16是牛津大學(xué)計(jì)算機(jī)視覺組(Visual Geometry Group)和Google DeepMind公司一起開發(fā)的一種深度卷積神經(jīng)網(wǎng)絡(luò)模型，其模型如圖2所示，包含了13個(gè)卷積層、5個(gè)池化層和3個(gè)全連接層，模型參數(shù)繁多，為了訓(xùn)練得到一個(gè)較好的分類識(shí)別網(wǎng)絡(luò)模型，需要大量的數(shù)據(jù)集。

圖2 VGG-16卷積神經(jīng)網(wǎng)絡(luò)模型

VGG-16在ImageNet數(shù)據(jù)集上完成訓(xùn)練，圖像數(shù)量高達(dá)100多萬幅。然而玉米病害的圖像目前還沒有足夠大的數(shù)據(jù)集，難以把網(wǎng)絡(luò)模型訓(xùn)練到理想的分類效果。因此可以利用遷移學(xué)習(xí)的方法來實(shí)現(xiàn)玉米病害的小數(shù)據(jù)集分類任務(wù)。保留圖2中卷積模塊5之前的模型結(jié)構(gòu)，然后重新設(shè)計(jì)全連接模塊。改進(jìn)后的全連接模塊如圖3所示。

圖3 改進(jìn)后的全連接模塊流程圖

輸入圖像經(jīng)過卷積和池化模塊1～5運(yùn)算可展開成一個(gè)1×25 088的向量，通過全連接層1降維到1×256。之后進(jìn)入非線性激活函數(shù)，常用的激活函數(shù)有sigmoid函數(shù)、tanh函數(shù)與ReLU函數(shù)，模型采用ReLU激活函數(shù)。ReLU函數(shù)相對(duì)于前兩個(gè)函數(shù)具有計(jì)算簡單、收斂速度快等特點(diǎn)，其表達(dá)式為

(3)

式中fReLU——ReLU函數(shù)

t——ReLU函數(shù)的自變量

接著進(jìn)入Dropout層[28]，Dropout層是在網(wǎng)絡(luò)的每次訓(xùn)練過程中，按照一定的概率將一部分神經(jīng)元權(quán)重暫時(shí)置0，可以緩解神經(jīng)元之間的協(xié)同適應(yīng)，降低神經(jīng)元間的依賴，避免網(wǎng)絡(luò)的過擬合。然后進(jìn)入全連接層2把向量的維數(shù)進(jìn)一步降到1×3。最后利用Softmax函數(shù)計(jì)算得到最終的分類概率，其計(jì)算公式為

(4)

式中vr——向量中第r個(gè)分量

pr——第r個(gè)分量的分類概率

k——分量的序號(hào)

用新設(shè)計(jì)的全連接層代替VGG-16的全連接層模塊構(gòu)成一個(gè)新的網(wǎng)絡(luò)模型，再把利用VGG-16已經(jīng)訓(xùn)練好的卷積層權(quán)重與參數(shù)遷移載入到上述新構(gòu)建模型的卷積層中，最后用收集到的玉米圖像對(duì)新模型進(jìn)行訓(xùn)練，訓(xùn)練完成的新模型即可對(duì)玉米病害圖像進(jìn)行檢測與識(shí)別，具體流程如圖4所示。

圖4 基于遷移學(xué)習(xí)的玉米病害圖像識(shí)別方法流程圖

3 模型訓(xùn)練與試驗(yàn)結(jié)果分析

3.1 試驗(yàn)環(huán)境

試驗(yàn)在Python 3.6.7、Tensorflow-GPU 1.8.0軟件環(huán)境下完成。硬件環(huán)境中CPU采用Intel core i7-6500U，主頻2.5 GHz；GPU采用Nvidia GeForce 940MX，2 GB顯存。

3.2 試驗(yàn)設(shè)計(jì)

綜合考慮硬件設(shè)備的性能以及訓(xùn)練效果，試驗(yàn)每批次訓(xùn)練與測試都是15幅圖像，即batch size設(shè)置為15，動(dòng)量參數(shù)設(shè)置為0.9。在不同影響因素下對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，包括全新學(xué)習(xí)與兩種不同的遷移學(xué)習(xí)訓(xùn)練方式(凍結(jié)卷積層，只訓(xùn)練全連接層與全部層)、不同學(xué)習(xí)率(0.01、0.000 1)以及圖像數(shù)據(jù)是否擴(kuò)充，共計(jì)12組試驗(yàn)。

3.3 試驗(yàn)結(jié)果與分析

觀測各組試驗(yàn)發(fā)現(xiàn)，若訓(xùn)練收斂，則迭代訓(xùn)練43 200次后訓(xùn)練的準(zhǔn)確率與損失函數(shù)值都趨于穩(wěn)定，其中訓(xùn)練準(zhǔn)確率變化范圍在1個(gè)百分點(diǎn)以內(nèi)，損失函數(shù)值變化范圍在0.01以內(nèi)。因此選擇迭代訓(xùn)練43 200次的模型對(duì)訓(xùn)練樣本和測試樣本的準(zhǔn)確率進(jìn)行評(píng)估并保存，結(jié)果如表1所示。為了記錄試驗(yàn)過程中的數(shù)據(jù)，每訓(xùn)練一輪(遍歷所有訓(xùn)練圖像)便對(duì)訓(xùn)練樣本和測試樣本的準(zhǔn)確率進(jìn)行評(píng)估并保存。

表1 不同因素下模型訓(xùn)練與測試的準(zhǔn)確率

3.3.1學(xué)習(xí)率對(duì)模型的影響

原VGG-16在ImageNet數(shù)據(jù)集上的訓(xùn)練初始學(xué)習(xí)率為0.01。針對(duì)本試驗(yàn)樣本，當(dāng)學(xué)習(xí)率設(shè)置為0.01時(shí)，由表1可知，各組試驗(yàn)的訓(xùn)練準(zhǔn)確率與測試準(zhǔn)確率都在33%左右，而在3種葉片中隨機(jī)識(shí)別的準(zhǔn)確率為33.33%。為找到出現(xiàn)這種結(jié)果的具體原因，在學(xué)習(xí)率為0.01的情況下增添多次試驗(yàn)并記錄每次試驗(yàn)中每輪訓(xùn)練的損失函數(shù)值，發(fā)現(xiàn)不同的卷積層初始參數(shù)會(huì)出現(xiàn)3種損失函數(shù)值。第1種情況如圖5a所示，損失函數(shù)值一直波動(dòng)，不能夠減小收斂。第2種情況如圖5b所示，損失函數(shù)先收斂，然后訓(xùn)練到某輪后發(fā)生梯度爆炸。第3種也是發(fā)生梯度爆炸，而與第2種情況不同的是梯度爆炸發(fā)生在開始訓(xùn)練時(shí)。第1種與第2種情況發(fā)生在全新學(xué)習(xí)訓(xùn)練方式中，過大的學(xué)習(xí)率導(dǎo)致全新學(xué)習(xí)無法正常訓(xùn)練，第3種情況發(fā)生在兩種遷移學(xué)習(xí)訓(xùn)練方式中，過大的學(xué)習(xí)率引起損失函數(shù)值梯度爆炸，參數(shù)更新過快，破壞遷移學(xué)習(xí)中原本訓(xùn)練好的權(quán)重信息，使遷移學(xué)習(xí)失去意義。當(dāng)學(xué)習(xí)率設(shè)置為0.000 1時(shí)，3種訓(xùn)練方式均能取得較好的效果。

圖5 損失函數(shù)值變化曲線

3.3.2圖像數(shù)據(jù)擴(kuò)充對(duì)模型的影響

通過表1可知，在學(xué)習(xí)率為0.000 1時(shí)，相比較于原始圖像數(shù)據(jù)集，擴(kuò)充圖像數(shù)據(jù)作為訓(xùn)練集對(duì)3種訓(xùn)練方式的測試準(zhǔn)確率分別提高了1.34、2.66、4.00個(gè)百分點(diǎn)，表明圖像數(shù)據(jù)擴(kuò)充可以提高測試的準(zhǔn)確率。 圖像數(shù)據(jù)擴(kuò)充前后全新學(xué)習(xí)與遷移學(xué)習(xí)訓(xùn)練全部層的訓(xùn)練準(zhǔn)確率都為100%，而遷移學(xué)習(xí)只訓(xùn)練全連接層的訓(xùn)練準(zhǔn)確率卻下降了0.08個(gè)百分點(diǎn)，這是因?yàn)閿?shù)據(jù)擴(kuò)充增加了數(shù)據(jù)的多樣性，僅僅訓(xùn)練改變?nèi)B接層參數(shù)難以讓模型適應(yīng)多樣的數(shù)據(jù)。但遷移學(xué)習(xí)只訓(xùn)練全連接層的測試準(zhǔn)確率卻有所提高，表明擴(kuò)充圖像數(shù)據(jù)提高了模型的魯棒性。

數(shù)據(jù)擴(kuò)充雖提高了模型的魯棒性，但提高效果最為明顯的遷移學(xué)習(xí)訓(xùn)練全部層也僅提高4個(gè)百分點(diǎn)。為研究遷移學(xué)習(xí)訓(xùn)練全部層在不同擴(kuò)充圖像情況下的泛化能力，對(duì)原始數(shù)據(jù)集、旋轉(zhuǎn)擴(kuò)充數(shù)據(jù)集、翻轉(zhuǎn)擴(kuò)充數(shù)據(jù)集以及旋轉(zhuǎn)翻轉(zhuǎn)共同擴(kuò)充數(shù)據(jù)集進(jìn)行測試，訓(xùn)練準(zhǔn)確率與測試準(zhǔn)確率如圖6所示。3種不同擴(kuò)充情況下的訓(xùn)練準(zhǔn)確率與測試準(zhǔn)確率相差不大，原因是數(shù)據(jù)圖像采集時(shí)為多角度拍攝，旋轉(zhuǎn)和翻轉(zhuǎn)操作對(duì)圖像的質(zhì)量改變不大。又由于遷移學(xué)習(xí)使模型在大數(shù)據(jù)集上訓(xùn)練得到了較好的特征提取能力，弱化了數(shù)據(jù)集在數(shù)量擴(kuò)充上的作用。但3種擴(kuò)充數(shù)據(jù)較原始數(shù)據(jù)集的測試準(zhǔn)確率有所提升，原因是原訓(xùn)練樣本集只包含450幅圖像，訓(xùn)練樣本數(shù)量較少，數(shù)據(jù)擴(kuò)充為模型訓(xùn)練提供了必要的數(shù)據(jù)量。表明遷移學(xué)習(xí)雖弱化了數(shù)據(jù)擴(kuò)充作用，但一定數(shù)量的訓(xùn)練集還是必要的。

3.3.3學(xué)習(xí)方式對(duì)模型的影響

在學(xué)習(xí)率為0.000 1、擴(kuò)充圖像作為訓(xùn)練集的條件下，3種訓(xùn)練方式的訓(xùn)練準(zhǔn)確率與測試準(zhǔn)確率如圖7所示。由圖7a可知，全新學(xué)習(xí)訓(xùn)練方式的收斂速度最慢，并且具有較大的波動(dòng)。遷移學(xué)習(xí)只訓(xùn)練全連接層的收斂速度較全新學(xué)習(xí)快一些，最后趨于平穩(wěn)，遷移學(xué)習(xí)訓(xùn)練全部層收斂速度最快，僅訓(xùn)練十幾輪訓(xùn)練準(zhǔn)確率就達(dá)到了100%。表明遷移學(xué)習(xí)縮短了模型收斂時(shí)間。

圖6 不同擴(kuò)充方式下的訓(xùn)練與測試準(zhǔn)確率

圖7 不同訓(xùn)練方式下訓(xùn)練與測試準(zhǔn)確率曲線

由圖7b可知，測試準(zhǔn)確率最低的為遷移學(xué)習(xí)只訓(xùn)練全連接層，原因是遷移參數(shù)權(quán)重的卷積層模塊雖然可以提取圖像的特征，但玉米病害圖像數(shù)據(jù)與ImageNet圖像數(shù)據(jù)存在較大差異，僅訓(xùn)練改變?nèi)B接模塊，不能達(dá)到理想的效果，而遷移訓(xùn)練全部層可以明顯提高測試的準(zhǔn)確率。

3.3.4模型檢驗(yàn)

為了便于應(yīng)用，用Python將腳本程序開發(fā)成圖形用戶界面，為擴(kuò)大待檢測玉米病害圖像的來源，設(shè)計(jì)了3種圖像來源方式，分別為：用requests庫通過輸入的網(wǎng)址爬取網(wǎng)絡(luò)圖像、用PyQt5庫中的文件選擇功能選取本地圖像以及通過OpenCV庫調(diào)用攝像頭拍攝的圖像。在界面中選擇訓(xùn)練好的模型以及通過上述3種方式獲取的玉米病害圖像，載入待檢測的圖像即可進(jìn)行檢測?，F(xiàn)選擇遷移學(xué)習(xí)訓(xùn)練全部層訓(xùn)練的模型，選擇1幅玉米大斑病圖像進(jìn)行檢測，結(jié)果顯示圖像為大斑病的概率為99.87%，如圖8a所示。再選擇1幅玉米銹病圖像進(jìn)行檢測，結(jié)果顯示圖像為銹病的概率為100%，如圖8b所示。為檢驗(yàn)?zāi)Ｐ偷淖R(shí)別精度與泛化能力，從網(wǎng)絡(luò)搜集3種病害圖像各50幅，3種圖像的查準(zhǔn)率與查全率如表2所示，平均查準(zhǔn)率與查全率分別為93.42%與93.33%，結(jié)果表明通過遷移學(xué)習(xí)訓(xùn)練全部層訓(xùn)練的模型具有較好的應(yīng)用效果。

4 結(jié)論

(1)與全新學(xué)習(xí)相比，遷移學(xué)習(xí)縮短了訓(xùn)練時(shí)間，提升了模型的識(shí)別性能，在玉米病害圖像識(shí)別方面具有較好的識(shí)別精度。

(2)遷移學(xué)習(xí)弱化了數(shù)據(jù)擴(kuò)充的作用，但一定數(shù)量的訓(xùn)練集還是必要的，對(duì)數(shù)量較小的訓(xùn)練數(shù)據(jù)集進(jìn)行必要的數(shù)據(jù)擴(kuò)充可以提高模型的識(shí)別性能。

(3)在全新學(xué)習(xí)和遷移學(xué)習(xí)中，學(xué)習(xí)率0.01訓(xùn)練效果不理想。在全新學(xué)習(xí)中，學(xué)習(xí)率較大會(huì)導(dǎo)致?lián)p失函數(shù)值振蕩或梯度爆炸，無法達(dá)到訓(xùn)練效果；在遷移學(xué)習(xí)中，學(xué)習(xí)率較大會(huì)導(dǎo)致參數(shù)更新過快，破壞遷移學(xué)習(xí)中原本訓(xùn)練好的權(quán)重信息。

(4)VGG-16原訓(xùn)練樣本與玉米病害樣本差別較大，在遷移學(xué)習(xí)中，若保持卷積層模塊的權(quán)值參數(shù)不變，只訓(xùn)練全連接層模塊，測試集的準(zhǔn)確率為83.33%，而訓(xùn)練模型全部層模塊，在測試樣本中的準(zhǔn)確率為95.33%。表明訓(xùn)練全部層模塊，模型能夠更好地提取玉米葉片病害圖像的特征。

圖8 可視化界面檢測結(jié)果

表2 模型的識(shí)別精度

(5)在田間復(fù)雜背景下，卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)對(duì)玉米病害圖像識(shí)別具有較好的應(yīng)用效果。