一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的玉米病害高效識(shí)別模型

王營(yíng)瑛, 鄭 鋮, 董 偉, 高海濤*

(1.安徽科技學(xué)院 電氣與電子工程學(xué)院,安徽 蚌埠 233030;2.安徽省農(nóng)業(yè)科學(xué)院,安徽 合肥 230001)

病害的精準(zhǔn)識(shí)別是科學(xué)防治的前提,是有效提高作物產(chǎn)量的基礎(chǔ)。目前在農(nóng)作物病害檢測(cè)中主要利用傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法。傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)檢測(cè)農(nóng)作物病害種類通常分為圖像預(yù)處理、圖像分割、特征提取和分類等4個(gè)階段[1]。在特征提取中存在需要人為設(shè)定特征模式、特征抽取不穩(wěn)定、受環(huán)境影響較大等問(wèn)題。深度學(xué)習(xí)技術(shù)通過(guò)提取作物表面的病害特征信息構(gòu)建病害識(shí)別網(wǎng)絡(luò),避免了特征提取耗時(shí)費(fèi)力的問(wèn)題,并提高了作物病害的識(shí)別精度[2-3]。

近年來(lái),深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)等領(lǐng)域表現(xiàn)出了良好的性能,利用該技術(shù)對(duì)復(fù)雜背景下的病害圖像進(jìn)行檢測(cè)識(shí)別已成為現(xiàn)實(shí)。卷積神經(jīng)網(wǎng)絡(luò)[4-7](Convolutional neural network,CNN)能夠不依賴圖像的特定特征,從輸入圖像中自動(dòng)提取相關(guān)特征,在圖像識(shí)別領(lǐng)域已經(jīng)得到了廣泛應(yīng)用[8-10]。如賈鶴鳴等[11]在VGG-16網(wǎng)絡(luò)中引入深度可分離卷積和全局平均池化方法,改進(jìn)后的模型在植物葉片病害數(shù)據(jù)集中的識(shí)別精度達(dá)到99.427%。孫俊等[12]將批歸一化與全局池化相結(jié)合對(duì)AlexNet經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型進(jìn)行改進(jìn),在PlantVillage植物病害數(shù)據(jù)集上的最終平均測(cè)試識(shí)別準(zhǔn)確率達(dá)到99.56%。黃林生等[13]在殘差網(wǎng)絡(luò)(ResNet18)中引入Inception模塊,加入注意力機(jī)制SE-Net,在病害數(shù)據(jù)集上獲得了95.62%的平均識(shí)別準(zhǔn)確率。許景輝等[14]在VGG-16模型上利用遷移學(xué)習(xí)并設(shè)計(jì)了全新的全連接層模塊,構(gòu)建的玉米病害圖像識(shí)別模型的平均識(shí)別準(zhǔn)確率達(dá)到95.33%。陳善雄等[15]利用最大穩(wěn)定極值區(qū)域和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法,實(shí)現(xiàn)了蕎麥病害區(qū)域與非病害區(qū)域的分離,識(shí)別準(zhǔn)確率達(dá)到97.54%。

不同類型的病害在生長(zhǎng)初期外觀差異較小,且病害之間可能發(fā)生重疊,加上光照強(qiáng)度變化、噪聲和背景干擾等,影響病害識(shí)別的準(zhǔn)確率。為解決病害分類粗糙、識(shí)別準(zhǔn)確率低的問(wèn)題,本研究針對(duì)玉米的6種典型病害,構(gòu)建一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的病害識(shí)別模型,探究影響該模型性能的因素,并將改進(jìn)后模型的病害識(shí)別效果與典型網(wǎng)絡(luò)模型進(jìn)行對(duì)比,驗(yàn)證該模型的正確性和高效性。

1 材料與方法

1.1 數(shù)據(jù)來(lái)源

試驗(yàn)數(shù)據(jù)來(lái)源于安徽省農(nóng)業(yè)科學(xué)院,采用相機(jī)設(shè)備在玉米田間人工拍攝。為確保數(shù)據(jù)的真實(shí)性,進(jìn)行多角度拍攝,圖像背景含有秸稈、土壤、雜草等復(fù)雜條件。6種玉米病害癥狀如圖1所示。

圖1 玉米病害樣本Fig.1 Corn disease samples注:A為大斑病;B為紋枯病;C為褐斑病;D為彎孢霉葉斑病;E為小斑病;F為銹病。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 樣本歸一化 本研究將數(shù)據(jù)集中圖像調(diào)整為同一尺寸256×256像素,所有圖像均為jpg格式,同時(shí)為了減小計(jì)算量,對(duì)每個(gè)通道像素進(jìn)行歸一化處理,以防止模型訓(xùn)練中出現(xiàn)梯度爆炸問(wèn)題,加速模型收斂。

1.2.2 豐富數(shù)據(jù)集 通過(guò)對(duì)樣本進(jìn)行數(shù)據(jù)增強(qiáng)技術(shù),一是增加病害圖像樣本的數(shù)量,二是盡量模擬實(shí)際田間拍攝環(huán)境中不同光線和拍照角度,增加樣本特征的多樣性,提升數(shù)據(jù)的品質(zhì)。本研究數(shù)據(jù)集采用6種數(shù)據(jù)增強(qiáng)方式:隨機(jī)旋轉(zhuǎn)、水平平移、垂直平移、隨機(jī)裁剪、隨機(jī)縮放、隨機(jī)水平翻轉(zhuǎn)。最終經(jīng)過(guò)數(shù)據(jù)增強(qiáng)后的數(shù)據(jù)集為10 785張,原始圖像及進(jìn)行數(shù)據(jù)增強(qiáng)后的圖像如表1所示。

表1 玉米病蟲(chóng)害數(shù)據(jù)集統(tǒng)計(jì)

1.3 試驗(yàn)方法

卷積神經(jīng)網(wǎng)絡(luò)由具有可學(xué)習(xí)的權(quán)重和偏置常量的神經(jīng)元組成,是深度學(xué)習(xí)的代表算法之一[16]。CNN主要由輸入層、卷積層、激活函數(shù)、池化層、全連接層和輸出層構(gòu)成,通過(guò)不同的卷積核對(duì)圖像卷積提取特征,借助Softmax分類,實(shí)現(xiàn)端到端的目標(biāo)檢測(cè)輸出[17]。本研究構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型有較高的準(zhǔn)確率,可實(shí)現(xiàn)對(duì)玉米病害的精準(zhǔn)識(shí)別,但由于樣本較小,在訓(xùn)練過(guò)程中模型在測(cè)試集上的表現(xiàn)不夠穩(wěn)定,因此對(duì)該網(wǎng)絡(luò)模型進(jìn)行改進(jìn)和優(yōu)化。

1.3.1 學(xué)習(xí)率優(yōu)化設(shè)計(jì) 為提高模型訓(xùn)練過(guò)程中的泛化能力,本研究采用自適應(yīng)學(xué)習(xí)率算法(Adam)來(lái)動(dòng)態(tài)調(diào)整模型訓(xùn)練時(shí)的學(xué)習(xí)率,調(diào)整方式如式1所示:

(1)

αt+1=αt×κ,0<κ<1

(2)

1.3.2 提升網(wǎng)絡(luò)泛化能力設(shè)計(jì) 為有效抑制過(guò)擬合的發(fā)生,在網(wǎng)絡(luò)的全連接層模塊添加了Dropout層。通過(guò)在每次訓(xùn)練過(guò)程中隨機(jī)將部分神經(jīng)元的權(quán)重置為0,使被抑制的神經(jīng)元暫時(shí)不參與網(wǎng)絡(luò)的前向傳播,但保留其權(quán)值,來(lái)有效抑制過(guò)擬合的發(fā)生,進(jìn)而提高模型的泛化能力[18]。模型中正則化參數(shù)設(shè)置為0.3,即丟棄30%的神經(jīng)元。Dropout策略的計(jì)算方法如式(3)～(6)所示:

(3)

(4)

(5)

(6)

1.3.3 加快網(wǎng)絡(luò)收斂速度優(yōu)化設(shè)計(jì) 在模型的第2個(gè)全連接層模塊加入BN層,利用式(7)～(8)強(qiáng)制將神經(jīng)網(wǎng)絡(luò)各層的任何神經(jīng)元輸入值的分布拉回標(biāo)準(zhǔn)正態(tài)分布,加快網(wǎng)絡(luò)收斂速度,改善梯度彌散[19]。

(7)

(8)

(9)

yi=γixi+βi

(10)

(11)

βi=E[xi]

(12)

1.3.4 防止過(guò)擬合優(yōu)化設(shè)計(jì) 利用早停法對(duì)網(wǎng)絡(luò)優(yōu)化,在模型訓(xùn)練過(guò)程中計(jì)算模型在驗(yàn)證集上的表現(xiàn),當(dāng)模型在驗(yàn)證集上的表現(xiàn)開(kāi)始出現(xiàn)下降的時(shí)候,停止訓(xùn)練,避免繼續(xù)訓(xùn)練導(dǎo)致的過(guò)擬合問(wèn)題。利用L2正則化使網(wǎng)絡(luò)的權(quán)值變小,簡(jiǎn)化網(wǎng)絡(luò),減少網(wǎng)絡(luò)誤差。優(yōu)化函數(shù)J(w,b)+λR(w),其中,J(w,b)為損失函數(shù),λ表示模型復(fù)雜損失在總損失中的比例,R(w)為懲罰項(xiàng),由式(13)計(jì)算得到,wj為第j個(gè)神經(jīng)元的權(quán)值,l為全連接層的數(shù)量。

(13)

1.3.5 提高網(wǎng)絡(luò)非線性表達(dá)能力 在網(wǎng)絡(luò)的卷積層和全連接層模塊添加式(14)所示的ReLU激活函數(shù),增加神經(jīng)網(wǎng)絡(luò)各層之間的非線性關(guān)系。通過(guò)使一部分神經(jīng)元的輸出為0,增加網(wǎng)絡(luò)的稀疏性,減少參數(shù)的相互依存關(guān)系,克服梯度消失,加快訓(xùn)練速度。

(14)

1.3.6 全連接層模塊重構(gòu) 為提高模型在測(cè)試集上的準(zhǔn)確率,提升模型的泛化能力,并克服模型在有限樣本訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合問(wèn)題,結(jié)合模型應(yīng)用對(duì)象,本研究設(shè)計(jì)了一個(gè)新的全連接層模塊,由Flatten層,激活函數(shù),全連接層1、2、3等組成,其模塊構(gòu)成如圖2所示。Flatten層用于將網(wǎng)絡(luò)前級(jí)模塊中最后一個(gè)池化層輸出的多維特征矩陣進(jìn)行一維化,由5×5×64矩陣轉(zhuǎn)為1×1 600的向量。全連接層對(duì)前級(jí)輸出的病害特征進(jìn)行加權(quán)和運(yùn)算,整合卷積層和池化層中具有類別區(qū)分性的局部信息,把學(xué)習(xí)到的分布式特征映射到樣本標(biāo)記空間。進(jìn)一步利用ReLU激活函數(shù),增加神經(jīng)網(wǎng)絡(luò)各層之間的非線性關(guān)系。在激活函數(shù)后添加Dropout機(jī)制,隨機(jī)將部分隱藏層節(jié)點(diǎn)的權(quán)值進(jìn)行歸零,減少模型參數(shù)量。添加的BN層用于對(duì)網(wǎng)絡(luò)中的數(shù)據(jù)進(jìn)行歸一化處理,降低不同樣本的差異性,加快模型的訓(xùn)練速度。第1個(gè)全連接層包含512個(gè)神經(jīng)元,第2個(gè)全連接層含有128個(gè)神經(jīng)元。全連接層3輸出的結(jié)果被送入softmax邏輯回歸模型進(jìn)行類別判斷[20],各類別的概率分布由式(15)計(jì)算得出:

圖2 改進(jìn)后的全連接層模塊Fig.2 Improved full connection module

(15)

其中,Pi為各類別分類的概率;yi為全連接層的輸出;c是數(shù)據(jù)集類別總數(shù)。

1.3.7 玉米病害分類識(shí)別模型 本研究構(gòu)建的基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的玉米病害識(shí)別模型總體結(jié)構(gòu)如圖3所示。該模型構(gòu)建了4個(gè)卷積層(Conv1、Conv2、Conv3、Conv4)、4個(gè)最大池化層和3個(gè)全連接層,在每個(gè)卷積層后都設(shè)有ReLU激活函數(shù),對(duì)卷積層輸出的特征圖進(jìn)行非線性激活。模型要求輸入256×256的標(biāo)準(zhǔn)圖像,利用32個(gè)5×5的卷積核對(duì)該輸入圖像進(jìn)行特征信息提取,獲取252×252×32的特征圖。采用3×3最大池化下采樣操作降低該特征圖的數(shù)據(jù)維度,降維后的特征圖的尺寸為84×84×32,將其送入32個(gè)5×5 的卷積核和3×3最大池化層進(jìn)行運(yùn)算,獲取尺寸為26×26×32的特征圖。然后用32個(gè)3×3的卷積核進(jìn)行卷積運(yùn)算,得到圖像更深層次的特征圖,進(jìn)一步經(jīng)過(guò)用2×2最大池化下采樣得到12×12×32的池化層。最后通過(guò)64個(gè)3×3的卷積核和2×2的最大池化運(yùn)算得到5×5×64的特征輸出。將輸出的特征信息經(jīng)過(guò)Flatten層過(guò)渡,通過(guò)3層全連接降維平鋪,根據(jù)特征向量進(jìn)行權(quán)重計(jì)算,采用softmax分類器輸出屬于6個(gè)類別的概率,實(shí)現(xiàn)玉米病害的6種分類。

圖3 基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)病害識(shí)別網(wǎng)絡(luò)模型Fig.3 Disease identification network model based on improved convolution neural network

1.3.8 模型評(píng)價(jià)指標(biāo) 為便于分析本研究所設(shè)計(jì)網(wǎng)絡(luò)模型的綜合性能,選用代表性較好的準(zhǔn)確率和算法運(yùn)行效率兩個(gè)評(píng)價(jià)指標(biāo)來(lái)進(jìn)行評(píng)價(jià),其中,準(zhǔn)確率的計(jì)算可以由式(16)計(jì)算得出:

(16)

其中,TP表示被正確分類為正樣本的數(shù)量;TN表示被正確分類為負(fù)樣本的數(shù)量;FP表示被錯(cuò)誤劃分為正樣本的數(shù)量;FN表示被錯(cuò)誤劃分為負(fù)樣本的數(shù)量。此外,模型訓(xùn)練過(guò)程中的損失值也是判斷模型性能的另一個(gè)指標(biāo)。損失函數(shù)的數(shù)值下降越快,則說(shuō)明模型收斂得越快;損失函數(shù)的數(shù)值越小,則說(shuō)明模型的魯棒性越強(qiáng),性能越優(yōu)越。

2 結(jié)果與分析

2.1 試驗(yàn)環(huán)境

試驗(yàn)在Windows10(64位)操作系統(tǒng),處理器型號(hào)為Intel(R) Core(TM) i5-10400F CPU@2.90 GHz,計(jì)算機(jī)內(nèi)存為16 GB的電腦運(yùn)行環(huán)境下,基于python 3.6.2、Tensorflow-GPU 1.14+Keras 2.2.4深度學(xué)習(xí)框架環(huán)境下完成的。

2.2 試驗(yàn)設(shè)計(jì)

將玉米病害原始數(shù)據(jù)集和數(shù)據(jù)增強(qiáng)后的數(shù)據(jù)集分別按照8∶2的比例劃分成訓(xùn)練集和測(cè)試集。訓(xùn)練集作為該模型的輸入數(shù)據(jù),測(cè)試集用于評(píng)估最終模型的性能。綜合考慮試驗(yàn)設(shè)備以及模型訓(xùn)練效果,初始學(xué)習(xí)率設(shè)置為0.000 1,設(shè)置batch-size大小為32,即每批次參與訓(xùn)練與測(cè)試的圖像均為32張。將改進(jìn)前后的網(wǎng)絡(luò)模型在構(gòu)建的玉米病害訓(xùn)練集和測(cè)試集上進(jìn)行訓(xùn)練分析;探究不同學(xué)習(xí)率(0.001、0.000 1、0.000 01)、不同批大小(8、16、32)以及數(shù)據(jù)增強(qiáng)對(duì)該模型性能的影響;并將改進(jìn)后的模型在相同試驗(yàn)條件下與LeNet、AlexNet和GoogLeNet等3種模型進(jìn)行對(duì)比訓(xùn)練,共計(jì)5組試驗(yàn)。

2.3 試驗(yàn)結(jié)果與分析

2.3.1 改進(jìn)前后模型性能對(duì)比 在相同訓(xùn)練參數(shù)設(shè)置條件下,將劃分好的玉米病害訓(xùn)練集和測(cè)試集在未優(yōu)化模型上和改進(jìn)優(yōu)化后的模型上分別進(jìn)行試驗(yàn),比較改進(jìn)前后模型在數(shù)據(jù)集上的識(shí)別準(zhǔn)確率、損失值的變化趨勢(shì)以及對(duì)應(yīng)的運(yùn)行時(shí)間。由圖4可得出,優(yōu)化模型在訓(xùn)練過(guò)程中的訓(xùn)練準(zhǔn)確率逐漸上升,損失值也在不斷下降,沒(méi)有出現(xiàn)過(guò)擬合的現(xiàn)象,模型訓(xùn)練效果較好。未優(yōu)化模型在訓(xùn)練到第36和49個(gè)輪次時(shí)訓(xùn)練準(zhǔn)確率和損失值均發(fā)生了較大的震蕩。優(yōu)化后的模型的訓(xùn)練準(zhǔn)確率與測(cè)試準(zhǔn)確率分別達(dá)到了99.99%和98.27%,訓(xùn)練損失值與測(cè)試損失值分別為0.016 7和0.061 6,單幅圖像平均識(shí)別時(shí)間為0.091 s。相比未優(yōu)化模型,優(yōu)化后的模型在測(cè)試集上的識(shí)別準(zhǔn)確率提高了1.25%,單幅圖像平均耗時(shí)縮短了0.007 7 s,且識(shí)別準(zhǔn)確率和損失值曲線也更加平穩(wěn)。

圖4 模型改進(jìn)前后的測(cè)試準(zhǔn)確率和損失率曲線Fig.4 Test accuracy and loss rate curve before and after model improvement

2.3.2 學(xué)習(xí)率對(duì)模型性能的影響 該模型初始學(xué)習(xí)率設(shè)置為0.000 1,為驗(yàn)證不同學(xué)習(xí)率對(duì)該模型識(shí)別精度的影響,不改變其他參數(shù),將學(xué)習(xí)率分別設(shè)置為0.001和0.000 01在改進(jìn)后的模型上繼續(xù)訓(xùn)練和測(cè)試,測(cè)試準(zhǔn)確率和損失值的變化趨勢(shì)如圖5所示。當(dāng)學(xué)習(xí)率設(shè)置為0.001時(shí),該模型的識(shí)別準(zhǔn)確率有明顯的下降,且測(cè)試損失值在迭代24次時(shí)有回升現(xiàn)象,波動(dòng)較大;當(dāng)學(xué)習(xí)率設(shè)置為0.000 01時(shí),識(shí)別精度發(fā)生較大的下降,測(cè)試準(zhǔn)確率為95.69%,較初始學(xué)習(xí)率模型準(zhǔn)確率下降了4.3%,損失率提升到0.168 3。綜上,當(dāng)學(xué)習(xí)率設(shè)置為0.000 1訓(xùn)練時(shí),該模型對(duì)病害有更佳的識(shí)別效果。

圖5 不同學(xué)習(xí)率下的測(cè)試準(zhǔn)確率和損失率曲線Fig.5 Test accuracy and loss curves of different learning rates

2.3.3 批大小對(duì)模型性能的影響 Batch-size表示卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中,一次訓(xùn)練所選取的樣本數(shù)。本研究將模型的Batch Size依次設(shè)置為8、16、32,在訓(xùn)練集和測(cè)試集上分別進(jìn)行訓(xùn)練。不同Batch-size值的模型在測(cè)試集上的訓(xùn)練結(jié)果如圖6所示。隨著迭代輪數(shù)的增加,批大小從8、16增加到32時(shí),模型的測(cè)試準(zhǔn)確率和損失值曲線的收斂速度依次降低。因此,本研究模型最終選擇Batch-size為32在數(shù)據(jù)集上進(jìn)行訓(xùn)練,以使模型達(dá)到最優(yōu)效果。

圖6 不同Batch-sizes下的測(cè)試準(zhǔn)確率和損失率曲線圖Fig.6 Test accuracy and loss value curves of different Batch-sizes

2.3.4 數(shù)據(jù)集對(duì)模型性能的影響 為驗(yàn)證數(shù)據(jù)集的品質(zhì)和大小對(duì)模型性能的影響,在相同訓(xùn)練參數(shù)設(shè)置條件下,將原始數(shù)據(jù)集和擴(kuò)充后的數(shù)據(jù)集分別在改進(jìn)后的模型上進(jìn)行訓(xùn)練與測(cè)試,結(jié)果如表2所示。增強(qiáng)后的數(shù)據(jù)集較原始數(shù)據(jù)集測(cè)試準(zhǔn)確率提高了0.31%,單幅圖像平均識(shí)別時(shí)間縮短了0.579 s,而且數(shù)據(jù)增強(qiáng)后的數(shù)據(jù)集也一定程度上緩解了模型的過(guò)擬合問(wèn)題。綜上,說(shuō)明數(shù)據(jù)增強(qiáng)縮短了該模型識(shí)別檢測(cè)的平均耗時(shí),提高了識(shí)別準(zhǔn)確率,提升了模型的泛化性和魯棒性能。

表2 不同數(shù)據(jù)集的模型訓(xùn)練性能

2.4 4種模型性能對(duì)比

將本研究改進(jìn)優(yōu)化后的模型記為Modle,在相同試驗(yàn)條件下,將Modle模型與LeNet、AlexNet、GoogLeNet等3個(gè)模型分別在增強(qiáng)后的訓(xùn)練集和測(cè)試集上進(jìn)行訓(xùn)練,各模型均迭代60次,試驗(yàn)結(jié)果如表3和圖7所示。

表3 不同網(wǎng)絡(luò)模型的性能比較

圖7 不同模型的準(zhǔn)確率和損失率曲線Fig.7 Accuracy and loss value curves of different models

從表3可知,各模型的訓(xùn)練準(zhǔn)確率均達(dá)到了98%以上,說(shuō)明深度學(xué)習(xí)模型應(yīng)用在農(nóng)作物病蟲(chóng)害分類上具有優(yōu)秀的表現(xiàn)。改進(jìn)后的模型Modle在測(cè)試集上的準(zhǔn)確率為98.27%,損失值為0.061 6,相比LeNet、AlexNet模型,測(cè)試準(zhǔn)確率分別提高了15.52%、4.81%,損失值分別減少了0.805 2、0.157 8,相比GoogLeNet模型,測(cè)試準(zhǔn)確率略低了0.99%,損失值增加了0.040 8,但單幅圖像平均識(shí)別時(shí)間縮短0.284 s。

由圖7可看出,縱觀各個(gè)模型的損失和準(zhǔn)確率收斂曲線,模型在測(cè)試集上的損失值略高于訓(xùn)練集,在測(cè)試集上的準(zhǔn)確率略低于訓(xùn)練集。在模型的測(cè)試準(zhǔn)確率和損失值收斂方面,在第5次迭代左右,本模型已經(jīng)獲得較高的準(zhǔn)確率和較低的損失值,曲線較平滑,收斂速度較快。相比之下,GoogLeNet模型在迭代第23次左右模型的測(cè)試準(zhǔn)確率逐漸達(dá)到峰值;AlexNet模型的收斂速度較慢,且在第40～50次迭代,模型的測(cè)試準(zhǔn)確率和損失值曲線出現(xiàn)較大的振蕩;LeNet模型在該測(cè)試集上的測(cè)試準(zhǔn)確率偏低,損失值也偏高。綜合比較,在相同的試驗(yàn)條件下,本研究改進(jìn)后的模型在構(gòu)建的玉米病害數(shù)據(jù)集上比LeNet、AlexNet和GoogLeNet模型的分類效果更好。

3 結(jié)論

本研究針對(duì)玉米的6種典型病害,在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上設(shè)計(jì)不同尺度的卷積核提取圖像特征,優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),構(gòu)建了基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的玉米病害識(shí)別網(wǎng)絡(luò)模型,該模型對(duì)6種玉米病害的測(cè)試準(zhǔn)確率達(dá)到98.27%。結(jié)果表明,添加優(yōu)化策略改進(jìn)后的模型更加穩(wěn)定,加快了網(wǎng)絡(luò)的收斂速度,提高了模型的識(shí)別準(zhǔn)確率和識(shí)別效率;與其他網(wǎng)絡(luò)的對(duì)比試驗(yàn)結(jié)果證明,本研究建立的玉米病害智能識(shí)別模型有較好的識(shí)別效果,具有實(shí)際應(yīng)用價(jià)值,為農(nóng)作物病害的識(shí)別技術(shù)提供了新的方法。但目前僅對(duì)6種典型的玉米病害進(jìn)行了識(shí)別研究,在訓(xùn)練樣本的規(guī)模和病害種類方面有一定的局限性,在未來(lái)的研究中可以增大病害種類和樣本規(guī)模,使模型具有更好的推廣性和實(shí)用性。此外,可以在網(wǎng)絡(luò)中添加注意力機(jī)制增強(qiáng)病害細(xì)節(jié)的特征提取能力,降低特征信息損失,結(jié)合CoAtNet網(wǎng)絡(luò)、Efficientnet網(wǎng)絡(luò)等研究新的更實(shí)用和精度更高的玉米病害識(shí)別網(wǎng)絡(luò),提高病害的識(shí)別準(zhǔn)確率和模型的泛化能力。