基于卷積神經(jīng)網(wǎng)絡(luò)的油菜病害識(shí)別模型

李 波，彭文學(xué)，周 蕊，王克曉，虞 豹，黃 祥

（1.重慶市農(nóng)業(yè)科學(xué)院，重慶 401329；2.重慶市九龍坡區(qū)農(nóng)業(yè)農(nóng)村委員會(huì)，重慶 400050）

油菜是我國(guó)主要的油料作物之一，特別是在西南地區(qū)油菜種植面積較大。油菜菌核病是油菜生長(zhǎng)中的主要病害之一，常年株發(fā)病率可達(dá)10%～30%，嚴(yán)重的達(dá)70%以上，病株一般減產(chǎn)50%以上。油菜菌核病常會(huì)使病株含油量減少，極大地影響油菜的產(chǎn)量和品質(zhì)[1]。田間病害的識(shí)別對(duì)于種植者來(lái)說(shuō)難度較大，因此，開(kāi)展利用機(jī)器視覺(jué)和深度學(xué)習(xí)技術(shù)對(duì)油菜菌核病病害識(shí)別的研究，對(duì)實(shí)現(xiàn)油菜病害自動(dòng)識(shí)別和精準(zhǔn)施藥有著極其重要的意義。

近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的圖像識(shí)別方法開(kāi)始應(yīng)用于農(nóng)業(yè)領(lǐng)域，國(guó)內(nèi)外研究人員利用深度學(xué)習(xí)的技術(shù)優(yōu)勢(shì)，對(duì)多種農(nóng)作物的病害開(kāi)展了深入研究。柴阿麗等提取番茄葉片顏色、紋理及形狀參數(shù)構(gòu)建特征提取與判別模型，對(duì)其早疫病、晚疫病、葉霜病和棒孢葉斑病進(jìn)行自動(dòng)識(shí)別[2]；劉曜端利用設(shè)置容差取極大值區(qū)域的方法對(duì)苧麻病葉圖像進(jìn)行特征區(qū)域提取，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)病斑的灰度圖像特征，并結(jié)合支持向量機(jī)實(shí)現(xiàn)分類(lèi)識(shí)別[3]；孫俊等針對(duì)AlexNet 模型訓(xùn)練收斂時(shí)間長(zhǎng)、參數(shù)量巨大的問(wèn)題，采用批歸一化和全局均值池化對(duì)其進(jìn)行改進(jìn)，并在Plantvillage 數(shù)據(jù)集上訓(xùn)練，改進(jìn)后模型的準(zhǔn)確率得到提升并有效減少了模型參數(shù)[4]；P.Revathi 等利用機(jī)器視覺(jué)技術(shù)對(duì)棉花病害圖像進(jìn)行了識(shí)別，利用數(shù)字圖像技術(shù)進(jìn)行棉花病害圖像分割處理，并提出采用粒子群算法進(jìn)行特征波長(zhǎng)的選擇，建立四種模型分類(lèi)方法，從而對(duì)比得出對(duì)棉花病害圖像最佳的分類(lèi)模型[5]；蘇婷婷等采用茶葉葉部病害圖像作為數(shù)據(jù)集，采用卷積運(yùn)算完成圖像特征提取，遷移Inception-3 模型進(jìn)行微調(diào)，其識(shí)別準(zhǔn)確率達(dá)到了95.3%[6]；LIANG W-J 等設(shè)計(jì)了基于卷積神經(jīng)網(wǎng)絡(luò)的水稻稻瘟病識(shí)別模型，評(píng)價(jià)結(jié)果表明，與傳統(tǒng)手工提取的局部二值模式直方圖和小波變換等特征相比，CNN 提取的高階特征對(duì)水稻稻瘟病更具有識(shí)別性和有效性[7]。本研究采用基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)油菜菌核病病害葉片進(jìn)行識(shí)別，旨在降低模型復(fù)雜度，提高圖像識(shí)別率。

1 材料與方法

1.1 數(shù)據(jù)集準(zhǔn)備

自然光照條件下，在油菜種植基地使用手機(jī)分別拍攝健康和受菌核病感染的油菜葉片圖像（見(jiàn)圖1）。拍攝時(shí)，光路盡量與葉片平面垂直，光照保持均勻，病害癥狀盡可能在整個(gè)畫(huà)面中占較大比例。油菜葉片圖像的采集主要在苗期進(jìn)行，共采集2 000 余幅圖像，其中包含30%的油菜菌核病病害葉片圖像和70%的油菜健康葉片圖像。選擇油菜菌核病葉片圖像627 張作為數(shù)據(jù)集。將圖片存儲(chǔ)到電腦中，標(biāo)注采集的病害圖片，做好標(biāo)簽數(shù)據(jù)記錄，構(gòu)建通用的帶標(biāo)簽的油菜菌核病病害數(shù)據(jù)庫(kù)。

圖1 受菌核病感染的油菜葉片

1.2 卷積神經(jīng)網(wǎng)絡(luò)特點(diǎn)

卷積神經(jīng)網(wǎng)絡(luò)以其局部權(quán)值共享的特殊結(jié)構(gòu)在圖像處理方面有著獨(dú)特的優(yōu)勢(shì)，其布局更符合真實(shí)的生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，權(quán)值共享降低了網(wǎng)絡(luò)的復(fù)雜度，特別是可以將多維輸入向量圖像直接輸入的特點(diǎn)，可有效降低特征提取及分類(lèi)過(guò)程中數(shù)據(jù)處理的冗余過(guò)程。

1）局域感受野。局部感受野是指卷積層中的每一層輸出特征圖上的像素點(diǎn)在原始圖像或者上層特征圖中映射區(qū)域的大小。通過(guò)局域感受野，不同濾波器可以提取圖像的初始特征。

2）權(quán)值共享。每個(gè)卷積核檢測(cè)輸入特征圖中所有位置上的特定特征，且同一個(gè)輸入特征圖中的權(quán)重參數(shù)都是共享的，權(quán)值共享在很大程度上減少了網(wǎng)絡(luò)的參數(shù)總量，降低了計(jì)算量，這種方式不僅增強(qiáng)了網(wǎng)絡(luò)表達(dá)能力，而且提高了參數(shù)的訓(xùn)練速度。即用一個(gè)卷積核和輸入圖像的不同區(qū)域進(jìn)行卷積，檢測(cè)到的是相同的圖像特征，而只有通過(guò)不同的卷積核才能獲取不同的圖像特征。

1.3 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成，其基本結(jié)構(gòu)如圖2所示[8]。卷積層的本質(zhì)是圖像特征提取，由于一層卷積可提取到的特征是局部特征，因而如果要提取更加全面的圖像特征，則需要采用多層卷積方式。池化層是將卷積層的圖像特征進(jìn)行降維處理，從而降低網(wǎng)絡(luò)復(fù)雜度和提取圖像特征信息，減少參數(shù)和計(jì)算量，防止過(guò)擬合，提高模型泛化能力。池化操作一般采用最大池化、平均池化和重疊池化等方法。全連接層的作用主要是對(duì)特征圖像計(jì)算每種類(lèi)別的概率，從而實(shí)現(xiàn)圖像分類(lèi)識(shí)別，線性排列結(jié)構(gòu)使得卷積神經(jīng)網(wǎng)絡(luò)能夠直接從輸入的圖像中提取隱藏在深層的抽象特征，有利于分類(lèi)器對(duì)圖像進(jìn)行更加精準(zhǔn)的分類(lèi)。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.4 特征提取可視化

本文的油菜病害識(shí)別方法充分利用了深度學(xué)習(xí)的特征表示能力，使用深度學(xué)習(xí)網(wǎng)絡(luò)中油菜病害葉片圖像在不同場(chǎng)景下的特征表示，然后通過(guò)應(yīng)用遷移學(xué)習(xí)方法，再次學(xué)習(xí)油菜病害圖像的特征，最后對(duì)特征進(jìn)行分類(lèi)識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)模型的可視化可以更直觀地理解分類(lèi)模型，通過(guò)模型卷積層輸出特征的可視化，有效了解模型的每一層都學(xué)習(xí)到了圖像的哪些特征。根據(jù)可視化特征圖（見(jiàn)圖3），進(jìn)一步調(diào)整模型參數(shù)，以便更好地提升模型準(zhǔn)確率。

圖3 第1層和第4層卷積后病害葉片可視化特征圖

2 結(jié)果與分析

2.1 網(wǎng)絡(luò)模型參數(shù)設(shè)置

本文設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)輸入卷積層的圖像數(shù)據(jù)進(jìn)行歸一化處理，主要包括4個(gè)卷積層、3個(gè)池化層和1個(gè)全連接層，輸出層的激活函數(shù)使用softmax，卷積層的激活函數(shù)使用非線性激活函數(shù)Relu。輸入油菜病害葉片圖像，輸出屬于識(shí)別病害的概率值，選擇網(wǎng)絡(luò)結(jié)構(gòu)中的全連接層作為要提取的病斑特征層。池化層主要是降維，減少參數(shù)加速運(yùn)算，防止過(guò)擬合，加入Dropout層可有效防止過(guò)擬合情況發(fā)生。

在訓(xùn)練過(guò)程中，為了獲取更高的準(zhǔn)確率，采取fine-tune 方法微調(diào)和優(yōu)化網(wǎng)絡(luò)模型參數(shù)，使用隨機(jī)梯度下降的方式更新網(wǎng)絡(luò)參數(shù)，Batch Size 設(shè)置為50，優(yōu)化器lr 設(shè)置為0.000 3。為了降低過(guò)擬合，在全連接層dropout設(shè)置為0.5。

2.2 識(shí)別結(jié)果

選擇田間獲取的油菜病害葉片樣本數(shù)627 張，其中訓(xùn)練樣本數(shù)501 張，測(cè)試樣本數(shù)126 張。本文選取Keras 作為深度學(xué)習(xí)框架，采用Python 語(yǔ)言進(jìn)行編程。模型訓(xùn)練采用批量訓(xùn)練的方法，每個(gè)批次訓(xùn)練的樣本數(shù)為30 個(gè)，測(cè)試集樣本數(shù)為20 個(gè)，共迭代100 次，卷積核步長(zhǎng)為2。從圖4 中可以看出，在訓(xùn)練到80 次左右的時(shí)候達(dá)到準(zhǔn)確率的最高點(diǎn)，準(zhǔn)確率約在97%。

圖4 油菜病害葉片圖像樣本識(shí)別準(zhǔn)確率

3 小結(jié)

本文針對(duì)油菜病害葉片圖像識(shí)別率較低的問(wèn)題進(jìn)行研究，提出將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到油菜菌核病病害識(shí)別中，建立了基于卷積神經(jīng)網(wǎng)絡(luò)的油菜病害識(shí)別模型。采用Keras 對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，通過(guò)設(shè)置不同的網(wǎng)絡(luò)模型參數(shù)對(duì)油菜菌核病葉片圖像進(jìn)行識(shí)別研究。

通過(guò)對(duì)模型的預(yù)測(cè)性能進(jìn)行實(shí)驗(yàn)測(cè)試，發(fā)現(xiàn)當(dāng)?shù)螖?shù)到80次后，其函數(shù)圖像變化曲線趨于穩(wěn)定，未出現(xiàn)較大波動(dòng)，且未發(fā)生過(guò)擬合現(xiàn)象，說(shuō)明該模型具有較好的魯棒性和泛化能力。實(shí)驗(yàn)結(jié)果表明，該模型識(shí)別性能較強(qiáng)，實(shí)用性較好，能夠識(shí)別油菜菌核病病害葉片，也為后續(xù)的植物病害研究提供理論依據(jù)和參考價(jià)值。