基于殘差網(wǎng)絡(luò)的人參葉片病害診斷模型研究

韓永奇　馬東賀　張蕓

摘要：本文利用殘差網(wǎng)絡(luò)結(jié)構(gòu)模型，針對(duì)人參白粉病、黑斑病、灰霉病、炭疽病、疫病5種病害，共105個(gè)數(shù)據(jù)集進(jìn)行測(cè)試和訓(xùn)練，生成人參葉片病害識(shí)別模型，利用ResNet18網(wǎng)絡(luò)模型完成了對(duì)人參葉片病害的檢測(cè)。結(jié)果表明，在經(jīng)過(guò)多次參數(shù)優(yōu)化后，ResNet18模型的分類(lèi)精度可以達(dá)到99%。

關(guān)鍵詞：殘差網(wǎng)絡(luò);人參病害;ResNet18

中圖分類(lèi)號(hào)：TP389? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）23-0005-03

1 前言

人參在生長(zhǎng)的過(guò)程會(huì)受到當(dāng)?shù)氐目諝鉂穸取囟?、氣候、土壤等環(huán)境因素和工業(yè)化的廢氣、廢水等人為因素的影響，都會(huì)直接影響到人參的健康生長(zhǎng)[1]。而經(jīng)過(guò)人們的種植經(jīng)驗(yàn)和許多生物學(xué)家的不斷探索發(fā)現(xiàn)，人參的健康狀況可以直接體現(xiàn)在葉片的質(zhì)量和生長(zhǎng)情況上。為了確保人參的健康生長(zhǎng)，在其發(fā)生病害時(shí)，及時(shí)地診斷出葉片病害并進(jìn)行治療是十分有必要的。目前，我國(guó)對(duì)各種植物的病害診斷，還是以人工檢測(cè)為主，這種診斷方式效率較低，很容易造成誤判，已經(jīng)漸漸無(wú)法滿(mǎn)足如今農(nóng)業(yè)現(xiàn)代化和信息化的要求。近年來(lái)，隨著人工智能和深度學(xué)習(xí)的蓬勃發(fā)展，越來(lái)越多的研究開(kāi)始探索，利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力和識(shí)別能力，通過(guò)植物葉子的圖像對(duì)植物病害進(jìn)行檢測(cè)[2]。這種將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用到植物病害檢測(cè)的方法，使得植物病害檢測(cè)更加準(zhǔn)確方便，節(jié)省了大量的人力物力[3-4]。

2 殘差網(wǎng)絡(luò)

針對(duì)一般卷積神經(jīng)網(wǎng)絡(luò)易出現(xiàn)過(guò)擬合和梯度消失問(wèn)題，提出了基于殘差網(wǎng)絡(luò)（Residual Networks，ResNet）結(jié)構(gòu)的ResNet模型。其基本思想是將殘差塊加入到深層卷積神經(jīng)網(wǎng)絡(luò)中，將深層網(wǎng)絡(luò)模型構(gòu)建為淺層網(wǎng)絡(luò)模型和自身映射的疊加，然后把訓(xùn)練好的淺層網(wǎng)絡(luò)結(jié)構(gòu)與自身映射的增加層，通過(guò)殘差塊進(jìn)行巧妙連接。大量的實(shí)驗(yàn)結(jié)果證明，殘差映射比原始最優(yōu)解映射更容易得到優(yōu)化[5-7]。

如圖1所示，確定葉片圖像病害檢測(cè)所用的網(wǎng)絡(luò)模型后，開(kāi)始對(duì)原始的圖片樣本數(shù)據(jù)進(jìn)行預(yù)處理。由于本次研究的原始數(shù)據(jù)樣本數(shù)量較小，所以在實(shí)驗(yàn)過(guò)程中擬對(duì)圖像進(jìn)行預(yù)處理和數(shù)據(jù)增強(qiáng)[8];然后將處理后的圖像通過(guò)ResNet網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的網(wǎng)絡(luò)模型;最后利用已訓(xùn)練的模型對(duì)隨機(jī)選擇的人參葉片進(jìn)行病害診斷，得到診斷結(jié)果[9-10]。

3人參葉片病害診斷模型構(gòu)建

本實(shí)驗(yàn)準(zhǔn)備將患有不同病害的人參葉片圖片作數(shù)據(jù)集，利用ResNet18網(wǎng)絡(luò)模型對(duì)其訓(xùn)練，完成病害圖片的分類(lèi)。診斷模型的構(gòu)建分兩步：

（1）對(duì)用于模型訓(xùn)練與測(cè)試的人參葉片圖片進(jìn)行數(shù)據(jù)預(yù)處理操作，包括對(duì)圖片做分類(lèi)標(biāo)簽、等分辨率裁剪、按比例劃分訓(xùn)練集和測(cè)試集等操作。

（2）加載ResNet18預(yù)訓(xùn)練模型，結(jié)合人參葉片圖片進(jìn)行微調(diào)訓(xùn)練，觀察模型訓(xùn)練收斂速度，調(diào)整超參數(shù)到最佳，得到微調(diào)之后的人參葉片圖片分類(lèi)模型。

3.1 數(shù)據(jù)處理

在利用深度學(xué)習(xí)進(jìn)行分類(lèi)和檢測(cè)時(shí)，為了讓模型的泛化能力更好，往往需要準(zhǔn)備質(zhì)量達(dá)到標(biāo)準(zhǔn)且已做好分類(lèi)標(biāo)記的數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)，數(shù)據(jù)對(duì)模型最后學(xué)習(xí)的結(jié)果有著直接的影響，數(shù)據(jù)集的準(zhǔn)備是重中之重的部分。本次實(shí)驗(yàn)采集了50張人參葉片圖片數(shù)據(jù)，其中包含了5種常見(jiàn)的人參葉片病害：“白粉病-8”“黑斑病-14”“人參灰霉病-26”“人參炭疽病”“人參疫病”，如圖2所示。

為了保證模型的泛化能力，本文在已有人參圖片樣本的基礎(chǔ)上，通過(guò)一定的數(shù)據(jù)增強(qiáng)方法對(duì)幾種人參病害的數(shù)據(jù)進(jìn)行了擴(kuò)充。本次實(shí)驗(yàn)中主要采用了以下方法對(duì)人參葉片病害圖片數(shù)據(jù)集進(jìn)行了擴(kuò)充，所使用的函數(shù)均為深度學(xué)習(xí)包Keras下的ImageDataGenerator這個(gè)類(lèi)，該類(lèi)可以很方便地給原始數(shù)據(jù)加入一些隨機(jī)擾動(dòng)。

（1）將原始圖像水平和豎直平移一段距離，并保存新圖像。在實(shí)驗(yàn)時(shí)設(shè)置平移的最大范圍占整個(gè)圖片寬、高的20%，對(duì)于由于平移而空出來(lái)的區(qū)域，選擇的填充方式為“wrap”。設(shè)置代碼為：

ImageDataGenerator（width_shift_range=0.2， height_shift_range=0.2， fill_mode='wrap'）。平移后的圖片示例如圖3所示。

（2）將原始圖像隨機(jī)旋轉(zhuǎn)一定的角度，并保存新圖像。實(shí)驗(yàn)中將圖片旋轉(zhuǎn)范圍設(shè)置為45，即圖像會(huì)在[0°，45°]的范圍內(nèi)任意旋轉(zhuǎn)一個(gè)角度。設(shè)置代碼為ImageDataGenerator（rotation_range =45）。旋轉(zhuǎn)后的圖片示例如圖4所示。

經(jīng)過(guò)以上處理，將原始的數(shù)據(jù)集擴(kuò)展為原來(lái)的5倍，大大增加了樣本的多樣性，減小了樣本過(guò)擬合的風(fēng)險(xiǎn)，增強(qiáng)了模型的泛化能力。

在得到人參葉片圖片后，還需要對(duì)所有圖片進(jìn)行病害分類(lèi)標(biāo)記，并將標(biāo)記后的數(shù)據(jù)存入.txt文件中，標(biāo)記規(guī)則如表1所示：

對(duì)于數(shù)據(jù)集中的每張圖片，若患有該種病害則標(biāo)記為1，反之則為0。例如第二張圖片為“白粉病-8”，則第二張圖片在不同標(biāo)記數(shù)據(jù)中的值為1、0、0、0、0。同時(shí)，由于在大部分的分類(lèi)網(wǎng)絡(luò)中，圖片在輸入網(wǎng)絡(luò)前，需要保證尺寸一致。因此，在完成病害圖片的標(biāo)記后，需要對(duì)圖片的尺寸進(jìn)行調(diào)整。本次實(shí)驗(yàn)采集到的人參圖片分辨率均大于300×300，所以將圖片裁剪為224×224的統(tǒng)一尺寸，作為網(wǎng)絡(luò)的數(shù)據(jù)輸入。

3.2 模型訓(xùn)練

本次選擇的操作系統(tǒng)版本為Ubuntu 18.04長(zhǎng)期維護(hù)版，計(jì)算機(jī)內(nèi)存為16G，顯卡為NVIDIA GeForce GTX 1650，編程語(yǔ)言采用Python 3.6版本，同時(shí)實(shí)驗(yàn)基于深度學(xué)習(xí)框架PyTorch進(jìn)行開(kāi)發(fā)，集成開(kāi)發(fā)軟件為JetBrains PyCharm。

在完成了圖片數(shù)據(jù)的預(yù)處理后，本次實(shí)驗(yàn)采用基于ResNet18的網(wǎng)絡(luò)模型對(duì)人參病害葉片圖片進(jìn)行分類(lèi)。首先，將每一類(lèi)的圖片按照8：2的比例分為訓(xùn)練集和驗(yàn)證集。為了進(jìn)一步提高本次實(shí)驗(yàn)所用模型的泛化能力，本實(shí)驗(yàn)采用的神經(jīng)網(wǎng)絡(luò)模型為已經(jīng)過(guò)預(yù)訓(xùn)練的ResNet18模型，將此模型進(jìn)行微調(diào)，得到調(diào)整之后的模型。將此模型加載到本實(shí)驗(yàn)所采用的人參葉片圖片分類(lèi)模型中，調(diào)整模型參數(shù)，通過(guò)遷移學(xué)習(xí)的方法完成對(duì)小樣本圖片數(shù)據(jù)的分類(lèi)。

在深度學(xué)習(xí)的訓(xùn)練過(guò)程中，包括批處數(shù)量Batch_size、學(xué)習(xí)率、優(yōu)化算法等超參數(shù)對(duì)網(wǎng)絡(luò)的訓(xùn)練精度有著非常重要的影響。實(shí)驗(yàn)中通過(guò)多次試驗(yàn)的精度對(duì)比，確定了效果最好的一組參數(shù)，具體參數(shù)如表2所示。

在參數(shù)設(shè)置完成后，即可將人參葉片圖片輸入ResNet18預(yù)訓(xùn)練模型中進(jìn)行訓(xùn)練。ResNet18模型的網(wǎng)絡(luò)配置參數(shù)如表3所示。

表3只展示了整個(gè)Resnet18模型中卷積層、全連接層的配置參數(shù)，每一層所使用的激活函數(shù)和Batch Normalization。下面以第二個(gè)卷積層Conv2_x為例，說(shuō)明具體的網(wǎng)絡(luò)結(jié)構(gòu)，如圖5所示。

從圖5中可以看出，在輸出層之前的每一個(gè)卷積操作之前，都會(huì)加上Batch Normalization（BN）操作和ReLu激活函數(shù)。在卷積操作之后，首先進(jìn)行Batch Normalization操作，對(duì)數(shù)據(jù)進(jìn)行歸一化為均值為0，方差為1的數(shù)據(jù)，使數(shù)據(jù)進(jìn)入下一層之前保證參數(shù)量級(jí)沒(méi)有很大的變化。在不同卷積層之間加入Batch Normalization可以加速收斂，降低了權(quán)重值的尺度對(duì)模型的影響，并且在小樣本圖片訓(xùn)練過(guò)程中加入Batch Normalization，可以代替Dropout，抑制模型的過(guò)擬合。模型在BN層之后引入了激活函數(shù)ReLu，增加模型的非線(xiàn)性映射能力。模型其他層的結(jié)構(gòu)與Conv2_x層類(lèi)似，在通過(guò)Conv5_x和池化層后利用Softmax輸出最終的分類(lèi)結(jié)果。

3.3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中基于已訓(xùn)練的ResNet18網(wǎng)絡(luò)模型對(duì)單個(gè)種類(lèi)的人參葉片病害圖片檢測(cè)精度對(duì)比如表4所示。

從表4中可以看出，雖然本文所用的人參葉片圖片數(shù)量較少，但是在使用了預(yù)訓(xùn)練模型后，增強(qiáng)了模型的泛化能力，且本次測(cè)試集所使用的圖片也來(lái)自訓(xùn)練集圖片。因此，即使在本次小樣本的分類(lèi)預(yù)測(cè)實(shí)驗(yàn)中也達(dá)到了很高的精度，對(duì)所有病害的檢測(cè)精度均達(dá)到了99%以上。

4 結(jié)論

本文以人參葉片常見(jiàn)的五種病害為例，展開(kāi)了預(yù)測(cè)算法的研究工作，并通過(guò)將預(yù)訓(xùn)練的ResNet18網(wǎng)絡(luò)模型應(yīng)用于人參葉片圖片分類(lèi)檢測(cè)任務(wù)中，取得了較高的人參病害檢測(cè)精度，驗(yàn)證了深度學(xué)習(xí)在人參葉片病害診斷上的優(yōu)勢(shì)和有效性。 但由于實(shí)驗(yàn)設(shè)備的限制，本次實(shí)驗(yàn)沒(méi)有采用較為復(fù)雜但精度表現(xiàn)更好的ResNet50，ResNet101等深層殘差網(wǎng)絡(luò)來(lái)進(jìn)行實(shí)驗(yàn)和模型搭建，而是改用了結(jié)構(gòu)相對(duì)簡(jiǎn)單的ResNet18來(lái)進(jìn)行，而深層神經(jīng)網(wǎng)絡(luò)在人參病害檢測(cè)上的表現(xiàn)是否要優(yōu)于ResNet18，還有待進(jìn)一步研究。此外，本次人參葉片圖片的采集過(guò)程和來(lái)源較為簡(jiǎn)單和單一，導(dǎo)致訓(xùn)練樣本較小，雖然利用遷移學(xué)習(xí)，且在測(cè)試時(shí)使用了和樣本圖片極為類(lèi)似的人參病害圖片，在預(yù)訓(xùn)練模型上也完成了對(duì)人參葉片圖片的分類(lèi)檢測(cè)，達(dá)到了較好的檢測(cè)精度，但是若能采集到更多質(zhì)量更好、數(shù)量更多的圖片，最終的效果會(huì)有進(jìn)一步的提升。

參考文獻(xiàn)：

[1] 于合龍，丁民權(quán)，黃浦，等.基于ZigBee網(wǎng)絡(luò)的人參生長(zhǎng)監(jiān)測(cè)及病害預(yù)警[J].吉林農(nóng)業(yè)大學(xué)學(xué)報(bào)，2017，39（1）：120-126.

[2] 賈少鵬，高紅菊，杭瀟.基于深度學(xué)習(xí)的農(nóng)作物病蟲(chóng)害圖像識(shí)別技術(shù)研究進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（S1）：313-317.

[3] 葉中華，趙明霞，賈璐.復(fù)雜背景農(nóng)作物病害圖像識(shí)別研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（S1）：118-124，147.

[4] 孫俊，譚文軍，毛罕平，等.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（19）：209-215.

[5] 趙春霞.基于ResNet18的圖像分類(lèi)在農(nóng)作物病蟲(chóng)害診斷中的應(yīng)用[J].農(nóng)業(yè)與技術(shù)，2021，41（19）：10-13.

[6] 樊杰.基于深度殘差網(wǎng)絡(luò)的農(nóng)作物葉片病癥識(shí)別研究[D].包頭：內(nèi)蒙古科技大學(xué)，2020.

[7] 吳華瑞.基于深度殘差網(wǎng)絡(luò)的番茄葉片病害識(shí)別方法[J].智慧農(nóng)業(yè)，2019，1（4）：42-49.

[8] 張賀.基于深度度量學(xué)習(xí)的小樣本圖像分類(lèi)方法研究[D].西安：西安理工大學(xué)，2021.

[9] 李博，江朝暉，謝軍，等.基于遷移學(xué)習(xí)的園藝作物葉部病害識(shí)別及應(yīng)用[J].中國(guó)農(nóng)學(xué)通報(bào)，2021，37（7）：138-143.

[10] 王東方，汪軍.基于遷移學(xué)習(xí)和殘差網(wǎng)絡(luò)的農(nóng)作物病害分類(lèi)[J].農(nóng)業(yè)工程學(xué)報(bào)，2021，37（4）：199-207.

【通聯(lián)編輯：唐一東】

收稿日期：2022-05-15

基金項(xiàng)目：吉林省教育廳科學(xué)技術(shù)研究項(xiàng)目“基于人工智能的人參精準(zhǔn)種植與病害診斷系統(tǒng)研究， JJKH20210329KJ”; 吉林省科技發(fā)展計(jì)劃項(xiàng)目“吉農(nóng)在線(xiàn)直播云課堂與農(nóng)技智能問(wèn)答系統(tǒng)的開(kāi)發(fā)與應(yīng)用，20210404020NC”

作者簡(jiǎn)介：韓永奇（1980—），男，吉林長(zhǎng)春人，副教授，碩士，主要研究方向農(nóng)業(yè)信息化。