基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的玉米螟蟲害圖像識別

李 靜，陳桂芬，安 宇

(吉林農(nóng)業(yè)大學(xué) 信息技術(shù)學(xué)院，吉林 長春 130118)

目前我國玉米的播種面積約為2×107hm2，種植面積和總產(chǎn)量居世界第2 位[1]。由于受天氣、地理、品種和生態(tài)環(huán)境破壞等因素影響，玉米螟Pyrausta nubilalis 蟲害日益加重，在我國北方尤為嚴(yán)重，嚴(yán)重降低了玉米產(chǎn)量。玉米螟多以老熟幼蟲在玉米的秸桿、根茬及穗軸中越冬，主要危害表現(xiàn)為：葉片抽出后呈現(xiàn)出許多排孔，抽雄時蛀食雄穗主枝，造成果穗缺?；蚯o桿易倒折[2]。一般春玉米受害導(dǎo)致減產(chǎn)約10%，夏玉米減產(chǎn)約20%～30%。因此，對玉米螟進行早期診斷和防治是保證玉米高產(chǎn)穩(wěn)產(chǎn)的重要措施之一。

隨著計算機技術(shù)的不斷發(fā)展，利用圖像識別技術(shù)進行病蟲害診斷，己成為農(nóng)作物病蟲害診斷檢測的重要研究方向[3-4]。傳統(tǒng)的基于機器學(xué)習(xí)的作物病蟲害識別方法，需要針對病蟲害類型精心設(shè)計提取出圖像特征[5]。由于植物類型、生長階段、病蟲害種類、環(huán)境光照等因素的復(fù)雜性，同時離不開專業(yè)人員的指導(dǎo)，植物病蟲害癥狀特征提取困難[6]，在一定程度上制約了機器學(xué)習(xí)技術(shù)在農(nóng)業(yè)領(lǐng)域的快速發(fā)展。卷積神經(jīng)網(wǎng)絡(luò)[7](Convolutional neural network，CNN)算法自20 世紀(jì)90 年代被提出后，分別在圖像分類[8-9]、語音識別[10-11]和自然語言處理[12]等模式識別領(lǐng)域取得了重大突破，到21 世紀(jì)初已經(jīng)成為一種流行的高效機器學(xué)習(xí)方法。CNN 通過引入局部連接、權(quán)值共享、池化操作、非線性激活等方式，允許網(wǎng)絡(luò)自動從數(shù)據(jù)中學(xué)習(xí)特征，與傳統(tǒng)的機器學(xué)習(xí)方法相比具有更強大的特征學(xué)習(xí)和表達(dá)能力[13]。卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法在農(nóng)業(yè)領(lǐng)域也得到了廣泛應(yīng)用，為智慧農(nóng)業(yè)和精準(zhǔn)農(nóng)業(yè)的發(fā)展提供了新的契機[14]。

2009 年劉立波等[15]設(shè)計了3 個多層感知分類器進行病斑識別及準(zhǔn)確率的對比驗證，分別采用葉片正常區(qū)域和病斑區(qū)域的紋理特征、顏色特征以及紋理和顏色的組合特征作為不同分類器的輸入單元，準(zhǔn)確率要比單獨使用紋理特征或顏色特征高10%～15%，研究結(jié)果為進一步實現(xiàn)水稻病害自動診斷打下了基礎(chǔ)。2016 年Tan 等[16]拓展了機器學(xué)習(xí)理論及其應(yīng)用范疇，構(gòu)造了基于機器學(xué)習(xí)的作物病變圖像識別的數(shù)據(jù)結(jié)構(gòu)和算法，為面向作物病害圖像識別深度學(xué)習(xí)的農(nóng)業(yè)智能系統(tǒng)產(chǎn)品開發(fā)設(shè)計提供了參考。2017 年孫俊等[17]針對卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂時間長、模型參數(shù)龐大等問題，提出了1 種批歸一化與全局池化相結(jié)合的卷積神經(jīng)網(wǎng)絡(luò)識別模型，用于訓(xùn)練識別14 種不同植物共計26 類病害的最優(yōu)模型，改進后模型識別準(zhǔn)確率能達(dá)到90%以上。同年，梁萬杰等[18]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的水稻二化螟識別方法，試驗通過設(shè)計1 個10 層的卷積神經(jīng)網(wǎng)絡(luò)模型，可有效地提取圖像的特征，對水稻二化螟識別具有很好的抗干擾性和魯棒性，模型命中率、分類精度分別為86.21% 和89.14%。2018 年馬浚誠等[19]基于圖像處理和深度學(xué)習(xí)技術(shù)，構(gòu)建了基于卷積神經(jīng)網(wǎng)絡(luò)的病害識別分類器，同時采用數(shù)據(jù)增強方法構(gòu)建了溫室黃瓜病害識別分類器的輸入數(shù)據(jù)集，該病害識別系統(tǒng)能夠快速、準(zhǔn)確地實現(xiàn)對含有光照小均勻和復(fù)雜背景的溫室黃瓜病斑圖像的分割。

以上這些基于機器視覺和卷積神經(jīng)網(wǎng)絡(luò)算法的識別模型，相對于常規(guī)的農(nóng)作物病蟲害識別方法均取得了較好的試驗結(jié)果，但是，卷積神經(jīng)網(wǎng)絡(luò)在玉米等作物蟲害識別方面的應(yīng)用還較少，識別準(zhǔn)確率也不高[18，20]。通過對卷積神經(jīng)網(wǎng)絡(luò)和前人的方法進行深入學(xué)習(xí)，針對卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練周期長、識別準(zhǔn)確率不理想等問題，本研究構(gòu)建了1 種基于優(yōu)化Inception-v4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的玉米螟蟲害識別模型，并將優(yōu)化后的模型與對照的卷積神經(jīng)網(wǎng)絡(luò)算法進行了對比試驗和結(jié)果評估。本研究可為進一步開發(fā)基于手機等移動終端的作物病蟲害識別APP 提供技術(shù)支撐，也可為輔助玉米蟲害識別診治系統(tǒng)提供決策支持。

1 材料與方法

1.1 試驗環(huán)境

模型的訓(xùn)練在TensorFlow 框架下完成，硬件環(huán)境：Intel C1612 chipset 服務(wù)器主板、E5-2680V4 2.8 G雙路CPU、四GPU，64 GB DDR3 1600 RECC 內(nèi)存；GTX 1080TI 11 GB 顯存。軟件環(huán)境：CUDA Toolkit 9.0，CUDNN V7.0；Python 3.5.2；TensorFlow-GPU 1.8.0；Windows 7 64 位操作系統(tǒng)；編程語言為Python。

1.2 數(shù)據(jù)來源與處理

1.2.1 數(shù)據(jù)來源 試驗采集了“國家星火計劃”吉林省農(nóng)安縣試驗田中基于復(fù)雜背景下的玉米螟蟲害圖像和公開數(shù)據(jù)集中的圖像作為卷積神經(jīng)網(wǎng)絡(luò)的建模輸入。農(nóng)安縣數(shù)據(jù)采集試驗田網(wǎng)格如圖1 所示。

農(nóng)安縣地處松遼平原腹地，東經(jīng)124°31′～125°45′，北緯43°55′～44°55′，海拔250～270 m，年平均降水量507.7 mm，年平均溫度4.7 ℃，是玉米螟蟲害自然誘發(fā)的地區(qū)。試驗數(shù)據(jù)的采集裝置為安卓系統(tǒng)手機，后置1 200 萬像素攝像頭，拍攝距離約為35 cm，采集日期為7—8 月。這種自然環(huán)境下采集試驗數(shù)據(jù)的研究方式，有利于本文研究方法在大田環(huán)境下的適用性。

圖 1 數(shù)據(jù)采集試驗田網(wǎng)格圖Fig. 1 Grid map of field for data collection and experiment

1.2.2 數(shù)據(jù)增強與處理 試驗共選取了921 張玉米圖像樣本，其中健康圖像318 張，標(biāo)記為0，剩余603 張為蟲害圖像，標(biāo)記為1。為了提高模型識別的準(zhǔn)確率，卷積神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練過程中需要大量樣本數(shù)據(jù)。由于蟲害樣本采集數(shù)量較少，目前還沒有大型的病蟲害圖像公開數(shù)據(jù)集，試驗采用數(shù)據(jù)增強方法對已有圖像樣本進行數(shù)據(jù)擴充。通過對TensorFlow 平臺ImageDataGenerator類中參數(shù)的調(diào)節(jié)來增強數(shù)據(jù)，各項參數(shù)設(shè)置如下: rotation_range 為40，width_shift_range、height_shift_range 和shear_range 均 為0.2，fill_mode 為‘nearest’。

對于構(gòu)建GoogLeNet 模型的二分類問題，為了避免由于正負(fù)樣本集數(shù)量相差較大導(dǎo)致模型出現(xiàn)訓(xùn)練失偏的問題，該研究通過隨機裁剪、旋轉(zhuǎn)等變化將感染蟲害的圖像隨機擴大了4 倍后得到1 272個正樣本，未感染蟲害的圖像隨機擴大了2 倍后得到1 206 個負(fù)樣本，使正負(fù)樣本基本達(dá)到平衡，以滿足試驗需求。

為了方便后續(xù)試驗，提高特征抽取、圖像分割、匹配和識別的準(zhǔn)確性，試驗在TensorFlow 平臺中編寫了數(shù)據(jù)預(yù)處理程序代碼，使用圖像處理輔助模塊中的ImageDataGenerator 類創(chuàng)建生成器，將圖像文件自動轉(zhuǎn)化為處理好的張量批量，以長邊為基準(zhǔn)按比例生成大小為299×299 的RGB 圖像；再使用fit_generator 方法對數(shù)據(jù)進行擬合，同時傳入nalidation_data 生成器參數(shù)，用來驗證數(shù)據(jù)批量。以一組玉米螟蟲害圖像為例(圖2)。

圖 2 玉米螟蟲原圖(a)和經(jīng)過數(shù)據(jù)增強和預(yù)處理的圖像(b、c、d)Fig. 2 Original image (a) and images after data enhancement and preprocessing (b，c，d) of corn borers

1.3 模型構(gòu)建與優(yōu)化

1.3.1 模 型 結(jié) 構(gòu) G o o g L e N e t 通 過 設(shè) 計Inception 模塊，引入多尺度卷積提取多尺度局部特征的特性，在增加網(wǎng)絡(luò)寬度和深度的同時，克服了因深度和寬度增加帶來的參數(shù)量爆炸和優(yōu)化計算量劇增的問題，提高了深度網(wǎng)絡(luò)模型質(zhì)量。通過遷移學(xué)習(xí)的方法將GoogLeNet 預(yù)訓(xùn)練模型在Image-Net 數(shù)據(jù)集上學(xué)習(xí)到的知識進行特征遷移，獲得Inception-v4 的預(yù)訓(xùn)練權(quán)重，并將學(xué)習(xí)到的特征向量作為激活值重新訓(xùn)練模型。圖3 是本文所使用的Inception-v4 模型的整體結(jié)構(gòu)，圖4 是其中的Stem部分，用于對進入Inception 模塊前的數(shù)據(jù)進行預(yù)處理。Stem 后使用了3 種共計14 個Inception 模塊，模塊參數(shù)的取舍靠經(jīng)驗判斷，3 種Inception 模塊間的3 種Reduction 使用了并行結(jié)構(gòu)來防止遇到瓶頸。

圖 3 Inception-v4 的整體結(jié)構(gòu)Fig. 3 Overall structure of Inception-v4

從圖3 可以看出，GoogLeNet 主體部分由多個Inception 模塊堆疊而成，模塊通過設(shè)計引入1×1、3×3、1×3 和1×3 卷積核分支，對在不同部位、不同尺度的玉米螟蟲害圖像結(jié)構(gòu)進行特征提取和特征學(xué)習(xí)。Inception 模塊接收前一層輸入，通過不同尺度和功能分支的并行處理后級聯(lián)形成該Inception模塊的輸出，實現(xiàn)多尺度特征融合。在Inception 模塊和Reduction 模塊之間引入1×1 的卷積核來增加網(wǎng)絡(luò)深度，改善網(wǎng)絡(luò)非線性程度，同時減少大卷積核(例如3×3、5×5 卷積核)對象的維度，降低運算量?？紤]到設(shè)計的網(wǎng)絡(luò)層次較深，本研究的網(wǎng)絡(luò)中增加了批標(biāo)準(zhǔn)化(Batch normalization，BN)操作，規(guī)避因網(wǎng)絡(luò)深度導(dǎo)致的配準(zhǔn)漂移，同時在主干網(wǎng)絡(luò)的旁側(cè)增加了1 條額外的全連接Softmax 輔助分類器，用主干分類器和輔助分類器損失函數(shù)梯度之和更新網(wǎng)絡(luò)模型參數(shù)，減少訓(xùn)練過程中梯度消失的問題。1.3.2 模型優(yōu)化 經(jīng)典的GoogLeNet 模型將ReLu(線性整流函數(shù))作為模型的非線性映射層。雖然在大部分的訓(xùn)練中ReLu 都表現(xiàn)出了相當(dāng)?shù)男阅?，能夠更快地收斂，但是在實際訓(xùn)練中發(fā)現(xiàn)，隨著訓(xùn)練數(shù)據(jù)不斷增多，越來越多卷積核的數(shù)值不再發(fā)生變化，也就是權(quán)重不再更新，導(dǎo)致了識別準(zhǔn)確率下降的問題。為了提高對玉米螟蟲害圖像識別的準(zhǔn)確率，增強模型的魯棒性，試驗重新選擇了Sigmoid函數(shù)[f (x)]作為模型的激活函數(shù)：

圖 4 Stem 部分結(jié)構(gòu)示意圖Fig. 4 Structural diagram of Stem part

Sigmoid 函數(shù)也叫Logistic 函數(shù)，在特征相差比較復(fù)雜或是相差不是特別大時效果比較好，可以將一個權(quán)值映射到(0，1)的區(qū)間，加強模型的非線性表達(dá)能力。將Sigmoid 作為激活函數(shù)，在反向傳播算法中，要對激活函數(shù)求導(dǎo)，Sigmoid 的導(dǎo)數(shù)[f ′(x)]表達(dá)式為：

由Sigmoid 函數(shù)的導(dǎo)數(shù)公式可以發(fā)現(xiàn)，網(wǎng)絡(luò)訓(xùn)練過程容易出現(xiàn)梯度消失的情況，從而無法完成深層網(wǎng)絡(luò)的訓(xùn)練，該研究在此基礎(chǔ)上選用小批量梯度下降算法(Mini-batch gradient descent，MBGD)算法優(yōu)化模型。該算法增加了一次更新使用的訓(xùn)練數(shù)據(jù)量，使得目標(biāo)函數(shù)收斂得更加平穩(wěn)；通過矩陣運算，每次在一個批處理上優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)并不會比單個數(shù)據(jù)慢太多，可以大大減小收斂所需要的迭代次數(shù)，同時可以使收斂到的結(jié)果更加接近梯度下降的效果。相比ReLu 函數(shù)，選取Sigmoid 作為激活函數(shù)可以在一定程度上增加模型的魯棒性和泛化能力，同時運用MBGD 方法對模型優(yōu)化，使得玉米螟蟲害圖像識別的準(zhǔn)確率有了相當(dāng)水平的提升。網(wǎng)絡(luò)的pooling 層采用Max-pooling(最大池化) 方式[gmax(x)]和Avg-pooling(平均池化)方式[gave(x)]混合：

為了進一步降低過擬合，本文在模型密集鏈接分類器之前添加了1 個Dropout 層，具體步驟總結(jié)如下：1)調(diào)節(jié)參數(shù)，改變數(shù)據(jù)尺寸以及角度；2)定義1 個Dropout 層，添加到密集鏈接分類器之前；3)利用數(shù)據(jù)增強生成器訓(xùn)練網(wǎng)絡(luò)；4)保存模型，繪制結(jié)果，驗證曲線。

2 結(jié)果與分析

2.1 試驗結(jié)果

模型的訓(xùn)練與測試均采用GPU 加速，部分參數(shù)設(shè)置為：初始學(xué)習(xí)率0.01、沖量0.9、權(quán)值衰減0.000 5、批處理大小50、測試間隔和顯示間隔均設(shè)置為1 個epoch(全部訓(xùn)練數(shù)據(jù)完成1 次運算)、最大訓(xùn)練次數(shù)設(shè)置為4 000 個epoch。本文隨機選取85%數(shù)據(jù)集的圖像用于訓(xùn)練，剩余15%數(shù)據(jù)作為測試數(shù)據(jù)用于評估算法的表現(xiàn)。對原始圖像進行預(yù)處理后，將其作為輸入放入CNN 模型中訓(xùn)練模型參數(shù)。卷積層和池化層的激活函數(shù)均采用Sigmoid 函數(shù)；全連接層的神經(jīng)元與上一層的所有神經(jīng)元連接，學(xué)習(xí)率更新策略采用指數(shù)衰減，最后由Softmax分類器對得到的特征進行計算，得到蟲害和背景像素的識別概率，從而得到分類結(jié)果。表1 展示了卷積神經(jīng)網(wǎng)絡(luò)改進前后各項參數(shù)及平均識別準(zhǔn)確率的對比情況。

表 1 改進前后模型各項參數(shù)及識別準(zhǔn)確率Table 1 Various parameters and recognition accuracy of the model before and after improvement

由表1 可以看出，該研究提出的卷積神經(jīng)網(wǎng)絡(luò)模型在玉米螟害蟲害圖像識別任務(wù)上，圖像平均識別準(zhǔn)確率為96.44%，較改進前的卷積神經(jīng)網(wǎng)絡(luò)提高了7.27%；處理單張圖像的平均時間快了0.08 秒，識別效率提高了17.02%。

2.2 模型性能影響因素分析

2.2.1 MBGD 優(yōu)化GoogLeNet 模型性能變化趨勢 卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的實質(zhì)就是迭代最小化損失函數(shù)的過程，本文采用MBGD 算法優(yōu)化GoogLeNet模型，通過對迭代過程中損失函數(shù)值的變化趨勢以及對玉米螟蟲害識別準(zhǔn)確率進行分析，可以得到采用MBGD 優(yōu)化方法對模型性能的影響。

由圖5 可以看出，隨著模型迭代次數(shù)的不斷增加，訓(xùn)練損失函數(shù)值呈下降趨勢，表明經(jīng)過MBGD優(yōu)化的模型在訓(xùn)練過程中，其預(yù)測損失偏差逐漸降低；同時，模型在測試集上的預(yù)測準(zhǔn)確率呈整體上升趨勢。模型識別準(zhǔn)確率逐漸上升且損失函數(shù)值逐漸下降的變化趨勢反應(yīng)出模型在不斷迭代更新參數(shù)過程中性能得以優(yōu)化，經(jīng)過MBGD 優(yōu)化的模型收斂速度很快，在4 000 次的試驗后達(dá)到了較好的收斂狀態(tài)。

2.2.2 數(shù)據(jù)增強對模型性能的影響 數(shù)據(jù)增強為模型訓(xùn)練提供了強大的數(shù)據(jù)支撐，通過對數(shù)據(jù)增強前后4 000 次迭代試驗識別準(zhǔn)確率變化值的測定，繪制了數(shù)據(jù)增強前后識別準(zhǔn)確率隨訓(xùn)練迭代次數(shù)變化的曲線，如圖6 所示。

圖 5 訓(xùn)練迭代次數(shù)對識別準(zhǔn)確率和損失函數(shù)的影響Fig. 5 Effects of iteration number in training on recognition accuracy and loss function

圖 6 數(shù)據(jù)增強前后訓(xùn)練迭代次數(shù)對識別準(zhǔn)確率的影響Fig. 6 Effects of iteration number in training on recognition accuracy before and after data enhancement

由圖6 可以看出，在前1 000 次訓(xùn)練過程中，數(shù)據(jù)增強前后2 個神經(jīng)網(wǎng)絡(luò)模型的識別率相差不大，當(dāng)模型的迭代次數(shù)超過1 000 后，經(jīng)過數(shù)據(jù)增強后訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)模型識別準(zhǔn)確率均高于僅使用原始圖像數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型。試驗結(jié)果表明，數(shù)據(jù)增強對模型準(zhǔn)確率有較大影響，對識別準(zhǔn)確率的提高有重要意義。

2.2.3 BN 操作對模型性能的影響 由于網(wǎng)絡(luò)模型的深度較大，為了避免出現(xiàn)因前期網(wǎng)絡(luò)中細(xì)微的變化引起后面幾層網(wǎng)絡(luò)中數(shù)據(jù)分布改變，本研究在網(wǎng)絡(luò)中引入BN 操作對神經(jīng)元進行處理。試驗發(fā)現(xiàn)，通過將BN 操作引入到模型訓(xùn)練過程中，網(wǎng)絡(luò)模型訓(xùn)練可以選擇較大的初始學(xué)習(xí)率，同時可以對每個小批數(shù)據(jù)進行規(guī)范化，讓每個隱層節(jié)點的激活輸入分布固定下來，同時可避免因規(guī)范化操作引起的局部特征信息丟失問題，在更大程度上保留了訓(xùn)練集的先驗信息，以便后面的網(wǎng)絡(luò)獲得更精準(zhǔn)的數(shù)據(jù)。2.2.4 ROC 曲線評價模型分類結(jié)果 為了判斷改進的卷積神經(jīng)網(wǎng)絡(luò)算法的優(yōu)劣，本文繪制了接收者操作特征(Receiver operating characteristic，ROC)曲線并計算了相關(guān)曲線下面積(Area under curve，AUC)，如圖7 所示。真正類率(True positive rate，TPR)為分類器所識別出的正實例占所有正實例的比例，計算公式為：

式中，TP 是真陽性值， FN 為假陰性值；假正類率(False positive rate， FPR)為分類器錯識別為正類的負(fù)實例占所有負(fù)實例的比例，計算公式為：

式中，F(xiàn)P 是假陽性值； TN 為真陰性值。

圖 7 模型識別性能評估曲線Fig. 7 Evaluation curve of model identification performance

由圖7 可以看出，隨著預(yù)測次數(shù)的增加，模型預(yù)測對的次數(shù)增多，模型預(yù)測數(shù)據(jù)的真正類率大于假正類率；由曲線的變化趨勢可以得出，模型ROC 的曲線靠近縱軸，且曲線上升迅速，模型性能表現(xiàn)良好。根據(jù)ROC 曲線來量化評價該模型的性能，試驗通過計算得到AUC=0.960 17，表明模型的分類性能良好，具有較高的分類平衡性能。

3 結(jié)論

針對常規(guī)的玉米螟蟲害識別方法存在準(zhǔn)確率和效率低的問題，本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的玉米螟蟲害識別模型，與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)算法相比，其優(yōu)越性在于利用了Inception 結(jié)構(gòu)在目標(biāo)識別、圖像分類等任務(wù)上可以對多尺度特征進行提取，加寬加深網(wǎng)絡(luò)的同時降低網(wǎng)絡(luò)識別時長，同時試驗選取了更加適合的激活函數(shù)和梯度下降算法得到了最優(yōu)模型，獲得了更高的識別準(zhǔn)確率，也在一定程度上提高了模型識別效率。本文作者對模型性能的影響進行了對比分析，現(xiàn)將試驗結(jié)果及結(jié)論總結(jié)如下：

1)改進的卷積神經(jīng)網(wǎng)絡(luò)模型對于玉米螟蟲害平均識別準(zhǔn)確率為96.44%，較改進前的網(wǎng)絡(luò)識別準(zhǔn)確率提升了約7%，識別效率提高了約17%，可以用于實際生產(chǎn)應(yīng)用；

2)采用MBGD 優(yōu)化GoogLeNet 模型，可以在降低損失值的同時明顯提高模型的識別準(zhǔn)確率，使模型得到更好的收斂；

3)數(shù)據(jù)增強技術(shù)對整個網(wǎng)絡(luò)的影響很大，通過數(shù)據(jù)擴充方式避免了因數(shù)據(jù)量不足導(dǎo)致模型訓(xùn)練精度不佳的問題，豐富了數(shù)據(jù)的多樣性，減少了模型的過擬合現(xiàn)象，同時提升了模型的識別準(zhǔn)確率；

4) 引入BN 操作的網(wǎng)絡(luò)模型訓(xùn)練可以選擇較大的初始學(xué)習(xí)率，同時可以對小批數(shù)據(jù)進行規(guī)范化，在一定程度上加速模型的收斂，模型識別準(zhǔn)確率趨于平穩(wěn)。

研究與試驗結(jié)果證明，改進的卷積神經(jīng)網(wǎng)絡(luò)模型對玉米螟蟲害圖像識別具有較高的實用性，對于其他農(nóng)作物害蟲識別具有較強的應(yīng)用價值。該優(yōu)化模型將應(yīng)用于吉林省榆樹市和農(nóng)安縣的玉米精準(zhǔn)作業(yè)示范基地，為以后大田玉米等農(nóng)作物精準(zhǔn)噴藥提供決策支持和技術(shù)支撐。