基于遷移學(xué)習(xí)和改進殘差網(wǎng)絡(luò)的棉花葉螨為害等級識別

張 ,周保平,王 昱,馮 潔,葉凡愷,何云龍

(塔里木大學(xué) a. 信息工程學(xué)院;b. 現(xiàn)代農(nóng)業(yè)工程重點實驗室,新疆 阿拉爾 843300)

新疆作為我國棉花的主要生產(chǎn)基地,產(chǎn)量占全國的90%。作為新疆的經(jīng)濟作物之首,棉花對新疆的經(jīng)濟發(fā)展和社會穩(wěn)定發(fā)揮著至關(guān)重要的作用[1]。近年來,受氣候變化的影響,新疆棉花生長過程中的病蟲害發(fā)病率明顯上升。棉花葉螨是棉花生長過程中危害棉花的三大主要害蟲之一。棉花播種面積的不斷擴大和地膜植棉等技術(shù)的推廣應(yīng)用,為棉花葉螨的生存和大量繁殖提供了適宜的生態(tài)環(huán)境。這就導(dǎo)致新疆棉花葉螨數(shù)量不斷增加,危害也日趨嚴(yán)重[2]。目前,國內(nèi)規(guī)?；拿藁ǚN植需依賴人工跟蹤棉田中棉花葉螨病害的發(fā)展趨勢和危害程度,導(dǎo)致對棉葉螨蟲害的管理存在一定的滯后性。因此,研發(fā)實時、準(zhǔn)確、快速的檢測機制對于棉花葉螨的及時發(fā)現(xiàn)和精準(zhǔn)防治來說具有現(xiàn)實意義。

近年來,隨著計算機視覺技術(shù)和圖像識別技術(shù)的發(fā)展,機器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)被廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域[3],特別是在作物病蟲害檢測和分類方面,相關(guān)研究已取得很大進步[4-6],越來越多的研究人員將深度學(xué)習(xí)技術(shù)用于作物病蟲害診斷[7]。吳滄海等[8]利用Matlab軟件,分別使用不同算法進行柑橘始葉螨圖像的邊緣檢測,并對比了不同算法的優(yōu)劣。楊麗麗等[9]將支持向量機(SVM)算法和Adaboost算法相結(jié)合,實現(xiàn)了對棉花葉螨為害等級的自動檢測和識別,平均識別率達88.75%。Cheng等[10]在深度學(xué)習(xí)的基礎(chǔ)上,使用殘差神經(jīng)網(wǎng)絡(luò)構(gòu)建蟲害識別模型,改善了復(fù)雜背景下的害蟲識別率。張建華等[11]采用遷移學(xué)習(xí)方法將在大型數(shù)據(jù)集ImageNet上預(yù)訓(xùn)練的參數(shù)和權(quán)重遷移至改進后的VGG模型中,實現(xiàn)了對棉花病害葉片的分類,平均識別準(zhǔn)確率達到89.51%。何東健等[12]針對葡萄霜霉病不同發(fā)病程度葉間特征相似度高、區(qū)分難度大的問題,提出一種基于深度殘差網(wǎng)絡(luò)的卷積神經(jīng)網(wǎng)絡(luò)識別模型。Jenifa等[13]使用卷積神經(jīng)網(wǎng)絡(luò)模型對4種棉花葉片病害進行分類,最高識別正確率達96%。Caldeira等[14]利用卷積神經(jīng)網(wǎng)絡(luò)模型GoogleNet和ResNet50識別棉花葉片病害,最高識別準(zhǔn)確率分別達到86.6%和89.2%。Yang等[15]利用MobileNetV1模型對棉葉螨的危害等級進行檢測,在測試集上的準(zhǔn)確率達95.4%。梳理上述研究發(fā)現(xiàn),基于深度學(xué)習(xí)的病蟲害識別研究多以分類為主;但若僅對病蟲害進行分類,難以滿足在作物生長過程中精準(zhǔn)防治和施藥的要求。機器學(xué)習(xí)技術(shù)在棉花葉螨的分級識別中雖有應(yīng)用,但相關(guān)方法需對圖像進行背景分離和邊緣檢測等預(yù)處理,而且主要依靠人工提取特征和分類,難以挖掘到深層、更具代表性的特征。

不同蟲害等級的棉葉螨圖像相似度高,不易區(qū)分。為了精準(zhǔn)快速地識別棉葉螨的等級,提高模型的泛化能力,本文結(jié)合遷移學(xué)習(xí)和改進的ResNet50模型,將在PlantVillage[16]數(shù)據(jù)集上預(yù)訓(xùn)練得到的權(quán)重參數(shù)進行遷移學(xué)習(xí),在原ResNet50模型的不同深度嵌入注意力機制模塊并引入焦點損失(focal loss)函數(shù),使模型專注于難以分級的棉花葉螨圖像,加強模型對更具區(qū)分性信息的關(guān)注,采用Dropout正則化進行優(yōu)化,并與其他圖像分類模型進行對比,以驗證本文模型的有效性。

1 材料與方法

1.1 試驗數(shù)據(jù)

1.1.1 棉葉螨危害程度分級標(biāo)準(zhǔn)

參照國家標(biāo)準(zhǔn)GB/T 15802—2011《棉花葉螨測報技術(shù)規(guī)范》[17]中的螨害等級劃分標(biāo)準(zhǔn),根據(jù)葉片病斑面積占比,將棉花葉螨為害劃分為4個等級:0級,無為害;1級,葉面有零星黃色斑塊;2級,紅色斑塊面積占棉葉總面積的1/3以下;3級,紅色斑塊面積占棉葉總面積的1/3及以上。

1.1.2 圖像數(shù)據(jù)采集

2022年4—8月,分別于單一背景和自然環(huán)境下在新疆阿拉爾市九團棉田試驗基地采集棉葉圖像。采集圖像時,棉葉的生長階段主要為苗期、蕾期和花鈴期。圖像采集設(shè)備為索尼Alpha 6400,攝像頭像素達2 420萬,焦距設(shè)置為自動對焦。共采集原始樣本圖像2 695幅。根據(jù)棉花葉螨為害程度,將采集到的棉葉圖像分為4個等級(圖1),其中,0級(健康)圖像521幅,1級圖像684幅,2級圖像680幅,3級圖像810幅。分別將4種等級的棉花葉片圖像放于不同的文件夾(代表不同的級別標(biāo)簽)中,用于棉花葉螨檢測和為害等級劃分的訓(xùn)練與測試。

1.1.3 圖像數(shù)據(jù)增強

首先,對棉花葉片圖像進行預(yù)處理,去除無用和重復(fù)的葉片圖像。將預(yù)處理后的圖像按7∶3的比例劃分為訓(xùn)練集和測試集,通過測試集驗證模型的準(zhǔn)確度。然后,采用高斯模糊、水平翻轉(zhuǎn)、彈性變換和隨機旋轉(zhuǎn)90°這4種方式對所有的數(shù)據(jù)樣本進行增強,之后,再從隨機裁剪、矩形丟棄、網(wǎng)格失真、網(wǎng)格擦除和光學(xué)畸變中隨機選擇一種方式進行數(shù)據(jù)增強操作(表1、圖2)。數(shù)據(jù)增強后,0～3級棉葉螨葉片圖像在訓(xùn)練集上的效果如圖2所示。最后將所有試驗圖像的圖片尺寸調(diào)整為512 pixel×512 pixel,降低像素值,去除圖像的冗余信息以減少計算量,并對輸入層圖像進行歸一化處理以提高模型收斂速度,緩解梯度消失問題。

表1 數(shù)據(jù)增強后各級棉葉圖像的數(shù)量

a,原圖;b,高斯模糊;c,水平翻轉(zhuǎn);d,旋轉(zhuǎn)90°;e,彈性變換;f,隨機裁剪;g,矩形丟棄;h,網(wǎng)格失真;i,網(wǎng)格擦除;j,光學(xué)畸變。

1.2 模型構(gòu)建

1.2.1 ResNet模型

通過深層網(wǎng)絡(luò)提取圖像的高級特征可顯著提高分類精度,但隨著網(wǎng)絡(luò)深度的增加,會出現(xiàn)梯度消失、網(wǎng)絡(luò)退化和精度趨于飽和等問題。ResNet50模型[18]在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入殘差模塊來解決網(wǎng)絡(luò)退化等問題。殘差網(wǎng)絡(luò)的核心思想是逐層計算殘差,用更簡單和清晰的框架訓(xùn)練網(wǎng)絡(luò)模型。與以往每層直接匹配一個給定的映射不同,殘差網(wǎng)絡(luò)是讓這些層匹配一個殘差映射,網(wǎng)絡(luò)底層的誤差可通過快捷連接的方式傳遞給下一層,隨著網(wǎng)絡(luò)收斂速度的加快,可進行更深層次的訓(xùn)練,以實現(xiàn)更高的準(zhǔn)確率。

1.2.2 遷移學(xué)習(xí)

遷移學(xué)習(xí)(transfer learning)是將源域?qū)W到的知識遷移到目標(biāo)域的一種學(xué)習(xí)方法[19]。本文使用遷移學(xué)習(xí)方法預(yù)訓(xùn)練模型,并將其作為特征提取網(wǎng)絡(luò)應(yīng)用在棉花葉螨病害圖像數(shù)據(jù)集上,用來提取棉花受葉螨為害的特征。遷移學(xué)習(xí)減少了構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)模型所需的訓(xùn)練數(shù)據(jù)量和實驗平臺的計算力,使得模型無須從零開始重新訓(xùn)練和學(xué)習(xí)。

1.2.3 焦點損失函數(shù)

焦點損失函數(shù)是針對目標(biāo)檢測中數(shù)據(jù)樣本不平衡和挖掘困難樣本等問題提出的解決方案。其核心思想是使模型更加關(guān)注難分類的樣本和小數(shù)量樣本,通過提高小數(shù)量樣本和難分類樣本的權(quán)重、降低易分類樣本的權(quán)重,解決數(shù)據(jù)樣本不平衡的問題[20]。焦點損失函數(shù)的表達式為

(1)

1.2.4 注意力機制

注意力機制(attention mechanism)是一種仿生物視覺機制[21-22],具有計算效率高、對圖像內(nèi)容理解能力強等特點,被作為核心技術(shù)廣泛應(yīng)用于目標(biāo)識別[23]、目標(biāo)檢測[24]、圖像識別[25]和自然語言處理[26]等領(lǐng)域。注意力機制由通道注意力模塊[27-29]和空間注意力模塊[30]2個注意力模塊組成。通道注意力負(fù)責(zé)將資源分配到各卷積通道,空間注意力將原始圖像中的空間信息傳輸?shù)教囟臻g并提取關(guān)鍵信息,使神經(jīng)網(wǎng)絡(luò)更關(guān)注對圖像分類起決定性作用的區(qū)域。通道注意力機制首先使用平均池(AvgPool)和最大池(MaxPool)聚合空間信息,并將特征的維數(shù)減少為2個1×1×C的向量(分別代表平均池化特征和最大池化特征);然后將2個特征向量分別通過具有共享權(quán)值的全連接層網(wǎng)絡(luò),利用元素求和方法合并輸出向量,生成通道維度的權(quán)重。空間注意力機制著重于位置信息,是對通道注意力在H×W維度上的補充:首先,在通道上應(yīng)用最大池和平均池生成兩個H×W×1的特征圖;然后,將堆疊后的特征圖通過卷積層生成單通道的空間注意圖,對圖像中需要抑制或增強的位置進行權(quán)重分配。

1.2.5 模型整體架構(gòu)

本研究選擇ResNet50模型作為主干網(wǎng)絡(luò)。ResNet50模型主要分為6個階段(圖3):Stage 0階段主要包含3層,首先是卷積核為7×7的卷積層,卷積核個數(shù)為64,其次是歸一化層和ReLu激活函數(shù),最后是核大小為3×3、步長為2的最大池化層下采樣,主要對輸入圖像進行預(yù)處理,提取常規(guī)特征,縮放特征尺寸;Stage 1～4階段主要由殘差塊組成,用來提取高層特征信息;Stage 5,將提取的高層特征信息通過全局平均池化和全連接層生成網(wǎng)絡(luò)預(yù)測的分類結(jié)果。

圖3 ResNet50模型結(jié)構(gòu)圖

在ResNet50模型的基礎(chǔ)上引入遷移學(xué)習(xí)、注意力機制和損失函數(shù)構(gòu)建改進的ResNet50模型(圖4)。首先,在PlantVillage數(shù)據(jù)集上進行模型預(yù)訓(xùn)練,并將訓(xùn)練參數(shù)遷移到改進的ResNet50模型中,在棉葉數(shù)據(jù)集上對參數(shù)進行微調(diào)。然后,在網(wǎng)絡(luò)特征傳遞過程中引入注意力機制,引導(dǎo)殘差網(wǎng)絡(luò)關(guān)注螨害區(qū)域,降低自然環(huán)境下采集的圖像背景區(qū)域的權(quán)重,提高網(wǎng)絡(luò)模型對棉葉螨害識別和分級的準(zhǔn)確性。為了彌補樣本類別不平衡造成的影響,損失函數(shù)選擇焦點損失函數(shù)。為了避免小量數(shù)據(jù)集出現(xiàn)過擬合,在全連接層后添加Dropout層,Dropout率設(shè)置為0.4,即隨機丟棄40%的參數(shù)以進一步提高網(wǎng)絡(luò)對于輸入圖像的穩(wěn)健性。最后,通過Softmax分類器進行分類,并輸出模型預(yù)測結(jié)果。

1.3 試驗環(huán)境配置與參數(shù)設(shè)置

使用安裝有64位Linux18.04操作系統(tǒng)的塔式服務(wù)器進行試驗。服務(wù)器的運行內(nèi)存為128 GB,配備2個Intel Silver 4210 CPU(2.2 GHz)。

在存儲方面,配備512 GB固態(tài)硬盤和4 TB的機械硬盤。使用2個英偉達GeForce RTX3090 GPU(24 GB顯存)進行并行計算。使用Python 3.7和Pytorch 1.5軟件進行模型搭建和訓(xùn)練測試,運行的虛擬環(huán)境使用Anaconda 3軟件進行管理。

訓(xùn)練過程中設(shè)置不同的超參數(shù)會影響模型的性能。本文在試驗過程中多次調(diào)整超參數(shù)并對比試驗結(jié)果,最終選擇一組最佳超參數(shù)。試驗中,所有模型的輸入批尺寸(batch_size)統(tǒng)一設(shè)置為16,采用隨機梯度下降(stochastic gradient descent, SGD)優(yōu)化器。根據(jù)精度最優(yōu)原則,設(shè)置3個動量梯度(0.3、0.6和0.9),權(quán)重衰減為0.000 5。在最優(yōu)動量的基礎(chǔ)上采用指數(shù)標(biāo)尺選取0.01、0.001、0.000 1共3組學(xué)習(xí)率。損失函數(shù)選擇焦點損失函數(shù),以緩解樣本數(shù)量不平衡的問題。每次試驗訓(xùn)練100輪次(epochs)。在每輪次結(jié)束時進行測試并記錄測試結(jié)果,在全連接層前設(shè)置Dropout層,隨機丟棄的概率為0.4。

1.4 模型評價

選擇準(zhǔn)確率(precision)、召回率(recall)和F1得分(F1 score)作為模型的評價指標(biāo),用于對比試驗。各指標(biāo)的計算公式如下:

P=NTP/(NTP+NFP);

(2)

R=NTP/(NTP+NFN);

(3)

F=2PR/(P+R)。

(4)

式(2)～(4)中:P、R、F分別代表準(zhǔn)確率、召回率、F1得分的值;NTP代表被模型預(yù)測為正的正樣本數(shù)量;NFP代表被模型預(yù)測為負(fù)的正樣本數(shù)量;NFN代表被模型預(yù)測為正的負(fù)樣本數(shù)量。

2 結(jié)果與分析

2.1 模型特征提取可視化

通過模型特征可視化,可直觀地觀察網(wǎng)絡(luò)模型中間卷積層的特征變化和每一層學(xué)習(xí)的棉葉螨害特征,從而進一步調(diào)整網(wǎng)絡(luò)參數(shù)以提高模型的識別準(zhǔn)確度。

試驗中隨機選取棉葉螨害特征圖像進行特征提取可視化(圖5)。通過觀察不同卷積層的輸出特征圖發(fā)現(xiàn),在特征提取的淺層Conv1_x,可獲得受到螨害的葉片圖像的輪廓和紋理等特征信息;隨著卷積層的加深,在Conv2_x和Conv3_x的輸出特征圖中,關(guān)于視覺內(nèi)容的信息逐漸減少,呈現(xiàn)出更多的抽象特征信息;在深層次Conv4_x和Conv5_x中,卷積層輸出的特征圖變得更加抽象。最終,獲得目標(biāo)特征的抽象提取。

圖5 棉葉螨害原始圖像及其特征提取的可視化

通過特征圖的可視化過程可發(fā)現(xiàn),特征圖的可視化在網(wǎng)絡(luò)模型重現(xiàn)中可用于判斷并及時調(diào)整模型的誤差,改進后的ResNet50模型能有效地提取圖像的螨害特征。

2.2 模型優(yōu)化

2.2.1 動量因子和學(xué)習(xí)率對識別性能的影響

為提高模型的識別準(zhǔn)確率,分別設(shè)置3個梯度的動量因子(m)和學(xué)習(xí)率(α)進行對比試驗。動量設(shè)置為0.3、0.6、0.9共3個梯度,通過試驗選出最優(yōu)動量因子。在最優(yōu)動量因子的基礎(chǔ)上,分別設(shè)置學(xué)習(xí)率為0.01、0.001、0.000 1進行對比試驗,確定最優(yōu)超參數(shù)(動量因子m、學(xué)習(xí)率α)。

當(dāng)動量因子為0.3和0.6時,訓(xùn)練過程中的收斂速度緩慢(圖6),且準(zhǔn)確率和損失值曲線均出現(xiàn)震蕩,容易導(dǎo)致模型跳過最優(yōu)值,不利于模型準(zhǔn)確率的提升。當(dāng)動量因子為0.9時,模型在測試集和訓(xùn)練集上的識別準(zhǔn)確率分別為97.8%、98.6%,均高于其他動量因子參數(shù)模型,且識別準(zhǔn)確率高于原ResNet50模型。因此,選取m=0.9作為最優(yōu)動量因子,并在此基礎(chǔ)上設(shè)置學(xué)習(xí)率分別為0.01、0.001、0.000 1的對比試驗。結(jié)果(表2)表明,當(dāng)學(xué)習(xí)率為0.001時,模型訓(xùn)練曲線的波動幅度小,具有更快的收斂速度,在測試集上的平均識別準(zhǔn)確率達到97.8%,高于其他模型,更適于改進ResNet50模型的學(xué)習(xí)和訓(xùn)練。

表2 不同學(xué)習(xí)率下模型的性能指標(biāo)對比

a,m=0.3;b,m=0.6,c,m=0.9。

2.2.2 注意力機制嵌入方式對識別性能的影響

改進ResNet50模型時,在Stage 1～4有選擇性地嵌入注意力機制,分別選擇:1)在淺層網(wǎng)絡(luò)Stage 1和Stage 2之間嵌入注意力機制;2)在深層網(wǎng)絡(luò)Stage 3和Stage 4之間嵌入注意力機制;3)同時在淺層網(wǎng)絡(luò)Stage 1、Stage 2之間和深層網(wǎng)絡(luò)Stage 3、Stage 4之間嵌入注意力機制,相應(yīng)地構(gòu)建出M1、M2和M3,并與原ResNet50模型的性能進行對比。

與原ResNet50模型相比,嵌入注意力機制后,模型的識別準(zhǔn)確率均有所提升(圖7)。這主要是因為,利用注意力機制可提高對螨害區(qū)域的激活權(quán)重,降低背景等信息的干擾,使得網(wǎng)絡(luò)能夠更加精確地定位識別出對結(jié)果影響最大的螨害區(qū)域。相較于分別在淺層和深層嵌入注意力機制,在深、淺兩層同時嵌入注意力機制能夠加強模型對棉葉螨害的特征提取能力。這是因為,棉葉螨害的形態(tài)首先在低階的紋理信息中呈現(xiàn),淺層注意力機制過濾棉葉螨害紋理區(qū)域并用于后續(xù)判斷,但由于螨害區(qū)域和葉片的莖部有重疊,淺層難以發(fā)掘和引導(dǎo)語義信息,在淺層特征初步過濾的基礎(chǔ)上,深層注意力機制在高階語義維度上進行篩選,可以迅速定位受害概率最大的棉葉區(qū)域,從而提高網(wǎng)絡(luò)分類的精度。

圖7 注意力機制在不同嵌入方式下的模型準(zhǔn)確率對比

2.3 不同識別模型的性能對比

在相同的參數(shù)設(shè)置和試驗條件下,選擇卷積神經(jīng)網(wǎng)絡(luò)模型AlexNet、MobileNet、VGG16、SENet、ResNet50模型和改進的ResNet50模型進行訓(xùn)練和對比試驗。隨著訓(xùn)練輪次的增加,各個模型的準(zhǔn)確率整體呈上升趨勢(圖8),當(dāng)訓(xùn)練輪次達到70左右時,各模型的準(zhǔn)確率曲線趨于穩(wěn)定,改進的ResNet50、MobileNet、SENet、VGG16、ResNet50、AlexNet模型的平均識別準(zhǔn)確率依次為97.8%、93.1%、92.4%、91.7%、88.9%和80.15%。各模型的損失值在前40輪次訓(xùn)練過程中下降較大,之后趨于穩(wěn)定。整體來看,改進的ResNet50模型的損失值曲線平滑度優(yōu)于其他模型。與其他神經(jīng)網(wǎng)絡(luò)模型相比,本文提出的改進的ResNet50模型對棉葉螨害的識別實現(xiàn)了較高的準(zhǔn)確率,且損失值也低于其他模型。也就是說,改進的ResNet50模型能夠更有效地檢測棉葉受到不同級別螨害的細微差距,更適用于棉葉螨害的圖像識別和自動分級。

對比各模型對4組(螨害等級分別為0～3級)棉葉圖像的識別性能(表3)。改進的ResNet50模型對0～3級螨害棉葉圖像的識別準(zhǔn)確率分別達到了97.1%、96.2%、98.0%和98.7%,高于其他模型。召回率和F1得分的數(shù)值越高,代表模型的識別效果越好。對比召回率和F1得分可知,改進的ResNet50模型具有更好的識別性能和泛化能力。

表3 不同模型性能對比

混淆矩陣是分類問題的一種標(biāo)準(zhǔn)描述形式,也是分類模型的評價指標(biāo)之一[31]。混淆矩陣的列標(biāo)簽代表預(yù)測類別,對應(yīng)的行值總和代表類別中的所有圖像數(shù)量,行標(biāo)簽代表預(yù)測圖像的真實類別,行列交叉處數(shù)值表示該類別被預(yù)測為對應(yīng)列標(biāo)簽的數(shù)量,對角線上的數(shù)值表示正確預(yù)測的標(biāo)簽數(shù)量,對角線上的顏色越深表示模型預(yù)測效果越好。

不同級別的螨害葉片存在一定的相似性,因此識別時易發(fā)生識別混淆的情況。通過各網(wǎng)絡(luò)模型的混淆矩陣(圖9)可以看出,改進的ResNet50、MobileNet、ResNet50、AlexNet、VGG16和SENet模型,正確識別出2級螨害的數(shù)量分別為97、91、84、44、84和90,將2級螨害錯誤識別為3級螨害的數(shù)量分別為0、3、6、14、7和3。與其他模型相比,改進的ResNet50模型針對級別相近的螨害葉片的誤識率更低,能夠更準(zhǔn)確地分辨出不同等級螨害葉片間的細微差別。

圖9 各模型的混淆矩陣比較

3 結(jié)論

針對人工檢測棉花葉螨分級準(zhǔn)確率低、耗時長、成本高、難以滿足精準(zhǔn)施藥要求的問題,本文提出一種基于遷移學(xué)習(xí)和改進殘差網(wǎng)絡(luò)的棉葉螨害等級識別方法,通過在ResNet50模型中引入焦點損失函數(shù)、注意力機制和Dropout層,加強了對螨害特征的提取,提高了模型的收斂速度、泛化能力和識別準(zhǔn)確率,實現(xiàn)了對棉葉螨害的檢測和為害等級劃分。

利用遷移學(xué)習(xí)在大數(shù)據(jù)集上獲取預(yù)訓(xùn)練模型,在一定程度上加快了模型的收斂速度。通過對比不同動量因子與學(xué)習(xí)率下模型的識別結(jié)果,發(fā)現(xiàn)當(dāng)動量因子為0.9、學(xué)習(xí)率為0.001時,改進的ResNet50模型具有最好的識別效果。在優(yōu)化動量因子和學(xué)習(xí)率的基礎(chǔ)上,識別準(zhǔn)確率高于原ResNet50模型。

通過嵌入焦點損失函數(shù),并在不同層次嵌入注意力機制進行對比,使網(wǎng)絡(luò)在訓(xùn)練過程中加大難分級樣本的權(quán)重,增強了網(wǎng)絡(luò)特征的提取能力,使網(wǎng)絡(luò)更加專注于重要的螨害特征,抑制其他干擾因素,識別準(zhǔn)確率較原ResNet50模型提高。

在相同的訓(xùn)練參數(shù)下,本文提出的改進ResNet50模型對棉葉螨害平均分級準(zhǔn)確率達到97.8%,高于AlexNet、 MobileNet、VGG16、SENet和ResNet50模型,驗證了本文模型在棉葉螨害等級識別上的有效性。

下一步,計劃采集更多不同時間段、不同光照條件下,包含葉片受污染和遮擋等復(fù)雜背景環(huán)境的棉花葉片圖像,進一步豐富棉花葉螨蟲害圖像數(shù)據(jù)集,提高模型的性能和穩(wěn)健性,并嘗試建立端到端的棉花葉螨為害分級模型,進一步提高其實用價值。