基于改進(jìn)的VGG13網(wǎng)絡(luò)的番茄葉片病害識(shí)別

肖靚瑤　方焯

關(guān)鍵詞：番茄葉片病害；卷積神經(jīng)網(wǎng)絡(luò)；細(xì)粒度圖像；雙線(xiàn)性池化；圖像分類(lèi)

中圖法分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A

1引言

番茄在生長(zhǎng)的過(guò)程中，產(chǎn)量受光照、濕度和病蟲(chóng)害等影響。其中，病蟲(chóng)害的影響最為嚴(yán)重。農(nóng)作物病蟲(chóng)害不但影響作物的品質(zhì)，而且減少產(chǎn)量。當(dāng)番茄植株有病蟲(chóng)害時(shí)，通常會(huì)大規(guī)模使用農(nóng)藥進(jìn)行噴灑處理，但當(dāng)使用農(nóng)藥時(shí)，會(huì)影響番茄的生長(zhǎng)，并且番茄果實(shí)有許多的農(nóng)藥殘留。所以，在病蟲(chóng)害暴發(fā)的初期，需要合理地利用農(nóng)藥并控制在一定的范圍內(nèi)，才能有效地避免產(chǎn)量降低。

隨著計(jì)算機(jī)技術(shù)和機(jī)器學(xué)習(xí)的快速發(fā)展，出現(xiàn)了許多相應(yīng)技術(shù)。傳統(tǒng)機(jī)器學(xué)習(xí)方法的圖像識(shí)別分類(lèi)分為以下幾個(gè)步驟：數(shù)據(jù)分析和預(yù)處理、邊緣特征提取后進(jìn)行分類(lèi)。Kurmi等對(duì)圖像進(jìn)行預(yù)處理，得到葉片的輪廓信息并去除背景，避免其干擾，能最大限度提取葉片病害的信息，從而進(jìn)行分類(lèi)。楊英茹等提出基于支持向量機(jī)的CCL-SVM算法，實(shí)現(xiàn)對(duì)復(fù)雜環(huán)境番茄葉片圖像病害識(shí)別。然而，傳統(tǒng)的機(jī)器學(xué)習(xí)方法的預(yù)處理普遍非常復(fù)雜，而且只能用于個(gè)別植物病蟲(chóng)害的識(shí)別，遷移能力較差。隨著視覺(jué)領(lǐng)域和深度學(xué)習(xí)不斷發(fā)展，傳統(tǒng)機(jī)器學(xué)習(xí)中煩瑣的圖像預(yù)處理步驟遷移能力差的問(wèn)題得到解決。

現(xiàn)在，已經(jīng)出現(xiàn)了許多應(yīng)用廣泛、遷移度高的卷積神經(jīng)網(wǎng)絡(luò)，如VGG，MobileNet，ResNet等。國(guó)內(nèi)外已經(jīng)出現(xiàn)許多利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)病害進(jìn)行識(shí)別的研究。肖旺等基于GoogLeNet網(wǎng)絡(luò)，減少網(wǎng)絡(luò)層數(shù)，提出GoogLeNet-Mini算法實(shí)現(xiàn)對(duì)鴨蛋表面缺陷的檢測(cè)。但當(dāng)使用上述網(wǎng)絡(luò)識(shí)別細(xì)粒度圖像時(shí)，準(zhǔn)確率會(huì)降低，細(xì)粒度數(shù)據(jù)集擁有較小的種間差異和較大的類(lèi)內(nèi)差異以及冗余背景信息的特點(diǎn)，導(dǎo)致識(shí)別準(zhǔn)確率降低。Lin等提出了雙線(xiàn)性網(wǎng)絡(luò)（Bilinear-CNN），在網(wǎng)絡(luò)中設(shè)計(jì)兩條通道提取圖像的特征信息，但會(huì)導(dǎo)致參數(shù)和計(jì)算量增加。為了解決上述問(wèn)題，李揚(yáng)等對(duì)此進(jìn)行改進(jìn)，提出單特征通路的雙線(xiàn)性池化方法，以降低參數(shù)和計(jì)算量，實(shí)現(xiàn)對(duì)服裝圖像風(fēng)格識(shí)別：楊旺功等利用以輕量化網(wǎng)絡(luò)EfficientNet為基礎(chǔ)，加入雙線(xiàn)性池化及注意力機(jī)制，提高了對(duì)垃圾分類(lèi)任務(wù)的精度。

本文識(shí)別分類(lèi)主體為番茄病害葉片圖像，由于其圖片為細(xì)粒度圖像，不同番茄病害種類(lèi)葉片的外觀(guān)非常相似，經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別率并不高。針對(duì)此現(xiàn)象，提出Bilinear-VGG13模型，它基于VGG13網(wǎng)絡(luò)進(jìn)行改進(jìn)，由于原網(wǎng)絡(luò)為直鏈結(jié)構(gòu)，能夠隨意添加其他卷積層，基于這一良好特性，在連接層之前加入雙線(xiàn)性池化，減少背景的干擾，使模型能更加關(guān)注病害區(qū)域，并與其他經(jīng)典網(wǎng)絡(luò)進(jìn)行對(duì)比，分析其不同番茄病害種類(lèi)的識(shí)別情況，驗(yàn)證本文網(wǎng)絡(luò)識(shí)別番茄葉片病害方面的優(yōu)秀表現(xiàn)。

2實(shí)驗(yàn)數(shù)據(jù)

本文數(shù)據(jù)集來(lái)源于PlantVillage公共數(shù)據(jù)集，從中截取了番茄葉片病害圖片，共有10種不同的病害種類(lèi)，分別用1～10進(jìn)行編號(hào)，本文使用的原始數(shù)據(jù)共有11644張圖片。

為了防止模型過(guò)擬合，同時(shí)為了讓每個(gè)種類(lèi)的病蟲(chóng)害圖片數(shù)量達(dá)到均衡，利用圖像增強(qiáng)技術(shù)對(duì)圖片進(jìn)行增強(qiáng)。利用圖片翻轉(zhuǎn)和改變對(duì)比度等技術(shù)可以得到不同角度的圖片，從而獲得數(shù)量均衡的樣本數(shù)據(jù)。本文將原始數(shù)據(jù)進(jìn)行擴(kuò)增，得到了15974張圖片，使得每個(gè)種類(lèi)圖片數(shù)量為1500左右，最后將數(shù)據(jù)60%作為訓(xùn)練集、30%作為驗(yàn)證集、10%作為測(cè)試集。部分的數(shù)據(jù)集圖像如圖1所示。

3改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)

整個(gè)Bilinear-VGG13模型結(jié)構(gòu)如圖2所示，以VGG13網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行改進(jìn)，整個(gè)模型分為兩個(gè)部分，即特征信息提取和識(shí)別分類(lèi)。特征提取的功能是由VGG13中conv1_1～conv5_2共10個(gè)卷積層構(gòu)成，其中下劃線(xiàn)“_”前的數(shù)字代表不同的卷積模塊序號(hào)，后面的數(shù)字代表卷積塊某一卷積層序號(hào)。同時(shí)，每種卷積模塊中間通過(guò)局部卷積池化降低特征圖的大小。由于不同種類(lèi)的番茄病害種類(lèi)的差別較小，識(shí)別的精度可能會(huì)受到影響，為了提高模型對(duì)葉片病害區(qū)域的敏感程度，并避免番茄葉片圖片背景的影響，在網(wǎng)絡(luò)的連接層前加入單一特征通路的雙線(xiàn)性池化，以增強(qiáng)對(duì)細(xì)粒度圖像的識(shí)別能力。原始的Bilinear CNN通過(guò)兩條并行的通路提取特征信息，并通過(guò)雙線(xiàn)性池化得到格拉姆矩陣，提取有效區(qū)分細(xì)粒度圖像的特征信息。但是，兩條通道得到不同的特征信息再經(jīng)過(guò)雙線(xiàn)性池化操作，將會(huì)導(dǎo)致數(shù)據(jù)和計(jì)算量成倍地增加。為了解決此問(wèn)題并能夠利用雙線(xiàn)性池化良好的特性，本文將VGG13卷積核提取到的單一特征通路進(jìn)行池化操作。在識(shí)別分類(lèi)的過(guò)程中，本文使用兩個(gè)連接層進(jìn)行分類(lèi)，大小分別為512×10，最后將分類(lèi)概率通過(guò)Softmax分類(lèi)器進(jìn)行輸出。

Bilinear-CNN通常被用于細(xì)粒度圖像，利用兩個(gè)通路提取特征信息，然后進(jìn)行雙線(xiàn)性池化，減少背景的干擾。該網(wǎng)絡(luò)能夠很好地分辨細(xì)粒度圖像，并且有著不錯(cuò)的準(zhǔn)確率，該網(wǎng)絡(luò)雙線(xiàn)性池化結(jié)構(gòu)如圖3所示。

4.4對(duì)比實(shí)驗(yàn)

為了更好地驗(yàn)證本文模型的有效性，利用擴(kuò)增后的番茄葉片病害圖片作為數(shù)據(jù)集，使用本文提出的Bilinear-VGG13模型分別與AlexNet，VGG13和MobileNet進(jìn)行對(duì)比實(shí)驗(yàn)。從表1可知，相比于其他模型，本文模型的識(shí)別準(zhǔn)確率是最高的。

利用上文給出的評(píng)價(jià)指標(biāo)的公式，利用混淆矩陣分別算出各個(gè)模型的相關(guān)評(píng)價(jià)指標(biāo)并進(jìn)行比較。從表2數(shù)據(jù)可知，本文模型對(duì)病害種類(lèi)識(shí)別的召回率（Recall）、精確度（Precision）和平均交互比（MIoU）都高于其他模型。同時(shí)，改進(jìn)模型對(duì)測(cè)試集的準(zhǔn)確率為96.34%，與其他模型相比也是最高的。

為了驗(yàn)證本文網(wǎng)絡(luò)的遷移能力較強(qiáng)，對(duì)其他農(nóng)作物病害也有較高的分類(lèi)能力，利用改進(jìn)模型對(duì)土豆、玉米和蘋(píng)果的病害葉片圖片進(jìn)行分類(lèi)識(shí)別，最后得出的識(shí)別準(zhǔn)確率如表3所列。根據(jù)表3數(shù)據(jù)可知，本文模型對(duì)其他品種的作物葉片病害識(shí)別分類(lèi)的精度高，反映出改進(jìn)網(wǎng)絡(luò)具有較強(qiáng)的可遷移性。

5結(jié)束語(yǔ)

觀(guān)察番茄葉片是否出現(xiàn)病害特征，是檢測(cè)作物是否發(fā)生病變最快速的方法。本文研究對(duì)象番茄葉片病害圖片屬于細(xì)粒度圖像，不同病害種類(lèi)的差異較小，并且由于光照、背景等因素影響，利用經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類(lèi)的準(zhǔn)確率不高。針對(duì)此問(wèn)題，同時(shí)為了有效地判斷番茄作物的生長(zhǎng)情況并且避免產(chǎn)量減少，本文基于改進(jìn)的VGG13網(wǎng)絡(luò)對(duì)番茄葉片進(jìn)行識(shí)別，驗(yàn)證本文模型對(duì)番茄葉片病害模型識(shí)別的有效性。與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)VGG13，MobileNet和AlexNet相比，本文模型的識(shí)別率最高；本文在VGG13網(wǎng)絡(luò)的基礎(chǔ)上，加入了雙線(xiàn)性池化，提高對(duì)番茄圖像病害區(qū)域特征信息的提取能力，并增強(qiáng)了模型的性能。然而，本文使用的是固定環(huán)境的番茄葉片病害圖像，減少了外部環(huán)境的影響，使得模型對(duì)于自然環(huán)境的病害圖片識(shí)別有一定的局限。未來(lái)將會(huì)進(jìn)一步研究圖像的分類(lèi)，以及對(duì)于不同的自然環(huán)境中的病害識(shí)別。

作者簡(jiǎn)介：

肖靚瑤（1999—），碩士，研究方向：圖像處理。