深度學(xué)習(xí)驅(qū)動的農(nóng)作物病害識別模型研究

郭章龍, 李宜汀 趙維 陳凱

關(guān)鍵詞： 智能化；深度學(xué)習(xí)；病害識別；卷積神經(jīng)網(wǎng)絡(luò)；ResNet50_vd

0 引言

在當(dāng)前人工智能與大數(shù)據(jù)驅(qū)動的全球傳統(tǒng)農(nóng)業(yè)轉(zhuǎn)型趨勢下，我國農(nóng)業(yè)裝備正朝著計算機集成化、高度智慧化的方向蓬勃發(fā)展。農(nóng)作物病害識別是農(nóng)業(yè)領(lǐng)域的關(guān)鍵問題之一，傳統(tǒng)的檢測方式主要依據(jù)人工觀察識別病害類別，往往有速度慢、強度大、主觀性強等局限性。

針對上述問題，國內(nèi)外研究人員將人工智能技術(shù)應(yīng)用于農(nóng)作物病害識別領(lǐng)域，并已具備一定成效[1-7]。例如：宋大鵬等人[1]提出將深度學(xué)習(xí)用于水稻葉部病害識別任務(wù)中，通過引入深度可分離卷積機制，模型在速度和精度上均取得了較大程度的提升；王敬賢等[4]探究了不同深度的卷積神經(jīng)網(wǎng)絡(luò)對農(nóng)作物病害特征提取質(zhì)量的影響，并針對數(shù)據(jù)集樣本數(shù)量少可能引發(fā)的過擬合問題，提出使用遷移學(xué)習(xí)調(diào)整參數(shù)的思想，并分別在實驗中予以驗證；曾偉輝等[5]針對實際場景下農(nóng)作物病害識別精度較差的問題，提出一種深度殘差卷積神經(jīng)網(wǎng)絡(luò)方法，通過參數(shù)共享反饋子網(wǎng)絡(luò)抑制了圖像背景，提升了模型的魯棒性。

隨著算力的不斷提升及深度學(xué)習(xí)領(lǐng)域的發(fā)展，大量深度模型已開始部署在邊緣設(shè)備中[6]，這在很大程度上提高了農(nóng)作物病害識別的自動化程度。本文將基于先進(jìn)的ResNet50_Vd深度殘差網(wǎng)絡(luò)對農(nóng)作物病害識別數(shù)據(jù)集進(jìn)行識別，并通過對比試驗驗證該方法的可行性和有效性。

1 農(nóng)作物病害識別模型

1.1 ResNet 網(wǎng)絡(luò)

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Net? work， CNN）對圖像有較強的特征提取能力。越深的網(wǎng)絡(luò)能夠提取越豐富的抽象特征，并且這些特征具有語義信息。然而，增加網(wǎng)絡(luò)深度容易導(dǎo)致梯度消失和爆炸的問題。隨著網(wǎng)絡(luò)層數(shù)的增加，模型在一定程度上將出現(xiàn)退化現(xiàn)象，即在訓(xùn)練集上的性能下降。上述問題并不屬于過擬合問題，因為過擬合的表現(xiàn)在訓(xùn)練集上更好[8]。因此，如何解決深度CNN退化問題成為了深度學(xué)習(xí)的研究重點。2016年，何凱明團隊提出了有效的解決方法，即殘差網(wǎng)絡(luò)（Re? sidual Network，ResNet）[9]。該結(jié)構(gòu)在神經(jīng)網(wǎng)絡(luò)層數(shù)較深時，仍然展現(xiàn)出了強大的特征學(xué)習(xí)能力，其基本單元如圖1所示。

殘差網(wǎng)絡(luò)主要的突破點是“殘差”概念的提出，具體來說，是在兩層之間跨層映射，有效防止梯度消失和梯度爆炸情況的出現(xiàn)。假設(shè)一個殘差單元為yl，則其表達(dá)式為：

式中：xl 和xl + 1 分別表示的是第l層殘差單元的輸入和輸出；F 是殘差函數(shù)，表示學(xué)習(xí)到的殘差；h（xl ）表示恒等映射；f 是ReLU激活函數(shù)?；谏鲜剑梢缘玫綇臏\層l到深層L的學(xué)習(xí)特征為：

ResNet相比傳統(tǒng)卷積網(wǎng)絡(luò)，具有多個優(yōu)點。首先，它通過在卷積層之間添加殘差連接，能夠解決梯度消失問題；其次，殘差網(wǎng)絡(luò)更好地利用了網(wǎng)絡(luò)的寬度，實現(xiàn)了更充分的信息流動；最后，殘差網(wǎng)絡(luò)訓(xùn)練速度更快，更易于收斂，通?？梢栽诟痰臅r間內(nèi)獲得更高的準(zhǔn)確度。

1.2 ResNet50-vd 結(jié)構(gòu)

ResNet50網(wǎng)絡(luò)是殘差網(wǎng)絡(luò)的典型結(jié)構(gòu)之一，其優(yōu)點在于可以訓(xùn)練非常深的神經(jīng)網(wǎng)絡(luò)，并且可以在不同的層之間保持信息的傳遞。這使得ResNet50 在計算機視覺等領(lǐng)域有著廣泛的應(yīng)用。目前針對ResNet50 網(wǎng)絡(luò)有較多改進(jìn)策略，ResNet50_vd便是其中一種。ResNet50_vd 在ResNet50 的基礎(chǔ)上進(jìn)行了一定的改進(jìn)，以提高模型的性能和準(zhǔn)確率，其主要的改進(jìn)結(jié)構(gòu)如圖2所示。

此外，與ResNet50相比，ResNet50_vd在整個模型上并沒有改動。本文選用該模型作為農(nóng)作物病害識別模型，以提升識別任務(wù)的準(zhǔn)確性，其完整的結(jié)構(gòu)圖如圖3所示。

2 實驗與分析

2.1 數(shù)據(jù)預(yù)處理與實驗參數(shù)設(shè)定

本文一共使用農(nóng)作物數(shù)據(jù)55 443張，數(shù)據(jù)量達(dá)到深度學(xué)習(xí)數(shù)據(jù)量要求。在使用數(shù)據(jù)前，首先進(jìn)行了數(shù)據(jù)的預(yù)處理，其步驟如下：

首先，將數(shù)據(jù)進(jìn)行縮放，將其大小統(tǒng)一變?yōu)椋?56， 2N5o6rm，3a）；liz其at次ion，（B對N數(shù)）；最據(jù)后進(jìn)使行用了卷批積標(biāo)神準(zhǔn)經(jīng)化網(wǎng)操絡(luò)作（C，N即N）B來at自ch動學(xué)習(xí)圖像特征，對農(nóng)作物病害數(shù)據(jù)進(jìn)行端到端的圖像分類[10]，彌補人工提取圖像特征的局限性。圖4展示了部分農(nóng)作物葉片圖像。

本次實驗使用的配置如下：GPU為Tesla V100 （40GB顯存），處理器核心數(shù)為4，RAM32GB，Disk100GB，深度學(xué)習(xí)框架PaddlePaddle。

式中：TP表示真正類，即樣本的真實類別是正類，并且模型識別的結(jié)果也是正類；FN表示假負(fù)類，即樣本的真實類別是正類，但是模型將其識別為負(fù)類；FP 表示假正類，即樣本的真實類別為負(fù)類，但是模型將其識別為正類；TN為真負(fù)類，即樣本的真實類別是負(fù)類，并且模型將其識別為負(fù)類。實驗過程中，模型的訓(xùn)練參數(shù)設(shè)定如表1所示。

2.2 實驗分析

為表現(xiàn)ResNet50_vd在農(nóng)作物病害識別中的優(yōu)異效果，選取深度學(xué)習(xí)任務(wù)中應(yīng)用廣泛的VGG 網(wǎng)絡(luò)、ResNet網(wǎng)絡(luò)作為實驗對比模型。圖5為各個模型在訓(xùn)練集上訓(xùn)練過程中的準(zhǔn)確率和損失函數(shù)隨著遍歷次數(shù)的變化趨勢圖。通過圖5可以看到，模型在訓(xùn)練集上擬合數(shù)據(jù)的有效性。

測試集上模型的表現(xiàn)效果往往可以證明其魯棒性，圖6展示了模型在測試集上的準(zhǔn)確率和損失函數(shù)的變化趨勢。通過測試集上可視化結(jié)果可以看出，模型具有較好的魯棒性，在測試集上也能很好地擬合數(shù)據(jù)。實驗中的結(jié)果對比數(shù)據(jù)如表2所示?？梢钥闯?，模型在測試集上也有較高的預(yù)測精度，滿足實際場景需求。

3 結(jié)論

本文使用深度殘差神經(jīng)網(wǎng)絡(luò)模型ResNet50_vd進(jìn)行農(nóng)作物病害圖像識別，該模型擁有較高的識別精度，并在對比實驗中展現(xiàn)了優(yōu)異的性能?？梢钥闯觯瑢⒂嬎銠C視覺技術(shù)與病害識別結(jié)合，可以幫助農(nóng)民快速、準(zhǔn)確地識別作物病害，有助于提高農(nóng)業(yè)生產(chǎn)效率和農(nóng)作物產(chǎn)量。但是，本文僅研究了成像質(zhì)量較高的識別情境，未來將繼續(xù)深入探索現(xiàn)實場景中無人機拍攝下的作物圖像，提高模型在小目標(biāo)中的識別效果。