基于深度學(xué)習(xí)的食用菌分類研究

官 飛，許 韜

（福建林業(yè)職業(yè)技術(shù)學(xué)院智能制造系，福建 南平 353000）

食用菌具有重要的經(jīng)濟(jì)價(jià)值和食用價(jià)值，準(zhǔn)確快速地識(shí)別和分類食用菌對(duì)于保證食品安全和推動(dòng)產(chǎn)業(yè)發(fā)展具有重要意義。但由于食用菌種類繁多，且很多有毒菌與無(wú)毒菌形態(tài)相似，傳統(tǒng)的提取特征圖像識(shí)別分類方法主要依賴人工觀察和鑒別，不僅耗時(shí)、耗力，而且準(zhǔn)確性受限于專家經(jīng)驗(yàn)。因此，對(duì)食用菌進(jìn)行準(zhǔn)確的分類至關(guān)重要。近年來(lái)，隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，深度學(xué)習(xí)方法在圖像識(shí)別等領(lǐng)域取得了顯著進(jìn)展，為食用菌的自動(dòng)分類提供了新的思路。本文將結(jié)合深度學(xué)習(xí)方法來(lái)進(jìn)一步探討食用菌分類新方法，并與食用菌傳統(tǒng)分類法進(jìn)行對(duì)比，以使人們能快速準(zhǔn)確地對(duì)食用菌進(jìn)行分類。

1 基于傳統(tǒng)提取特征的食用菌分類方法

基于傳統(tǒng)提取特征的食用菌分類方法主要是在對(duì)已有特征進(jìn)行分析的基礎(chǔ)上，提出的一種基于圖像特征的提取方法。目前的傳統(tǒng)提取特征分類法只是利用局部二值模式LBP（Local Binary Patterns）[1]特征和支持向量機(jī)SVM（Support Vector Machin）分類器的方法[2]，在食用菌分類任務(wù)中實(shí)現(xiàn)一定程度的分類。但這種方法[3]仍然受限于手動(dòng)特征提取的局限性，無(wú)法充分利用圖像中的信息。本文以選擇局部二值模式LBP 作為特征提取方法[4]為例，介紹傳統(tǒng)的提取特征圖像識(shí)別分類方法。具體步驟如下。

1.1 圖像預(yù)處理

圖像預(yù)處理需要對(duì)圖像進(jìn)行預(yù)處理，以提高圖像質(zhì)量并減少計(jì)算復(fù)雜度。建立如式（1）所示的擴(kuò)散函數(shù)式。

式中，k1、k2和k3為不同的梯度閾值；ut為圖像噪聲估計(jì)參數(shù)，?ut為圖像梯度。

函數(shù)g( |?ut|)是一個(gè)擴(kuò)散函數(shù)，函數(shù)求解結(jié)果即為擴(kuò)散強(qiáng)度，一般情況下g( | ?ut|)是非負(fù)光滑單調(diào)下降函數(shù)其中，k1、k2和k3表示不同的梯度閾值。

1.2 特征提取

本項(xiàng)目擬采用LBP 對(duì)可食用真菌進(jìn)行特征提取。LBP特征提取是一種紋理特征提取方法，通過(guò)將食用菌像素點(diǎn)的鄰域像素值與該像素點(diǎn)的值進(jìn)行比較，來(lái)構(gòu)建新的二值圖像。對(duì)整個(gè)圖像重復(fù)此過(guò)程，計(jì)算直方圖作為食用菌的特征。

1.3 分類器

在提取了食用菌圖像中的LBP 特征之后，利用支持向量機(jī)SVM（Support Vector Machin）作為分類器來(lái)對(duì)特征進(jìn)行分類。SVM 是一種監(jiān)督學(xué)習(xí)模型，通過(guò)尋找最大間隔超平面對(duì)數(shù)據(jù)進(jìn)行分類。

2 基于深度學(xué)習(xí)的食用菌分類方法

深度學(xué)習(xí)是一種基于多層網(wǎng)絡(luò)的食用菌圖像特征的自動(dòng)學(xué)習(xí)方法[5]，克服了傳統(tǒng)的基于人工特征提取方法的局限。本項(xiàng)目擬利用卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Networks）對(duì)食用菌進(jìn)行深度分類[6]。

卷積神經(jīng)網(wǎng)絡(luò)的局部特征提取、權(quán)重共享特性以及池特性使其能夠從圖像中有效地提取局部特征。CNN 由多個(gè)卷積層、池化層和全連接層組成，用正向傳播和反向傳播算法來(lái)訓(xùn)練[7]。為了適應(yīng)食用菌分類任務(wù)，使用VGG16 的網(wǎng)絡(luò)結(jié)構(gòu)，食用菌圖像采用ReLU 激活函數(shù)和交叉熵?fù)p失函數(shù)優(yōu)化模型[8]。激活函數(shù)見(jiàn)圖1。

圖1 激活函數(shù)Fig.1 Activation function

在本研究中，采用CNN作為基于深度學(xué)習(xí)的食用菌分類方法。CNN 特別適用于圖像分類任務(wù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可以自動(dòng)學(xué)習(xí)圖像特征并進(jìn)行分類。以下是具體步驟。

式中：N為圖像中像素的個(gè)數(shù)；p為像素塊的中間像素值。

2.1 數(shù)據(jù)預(yù)處理

與傳統(tǒng)方法相似，本文提出的新的食用菌圖像檢測(cè)方法主要包括圖像的縮放、歸一化和數(shù)據(jù)增強(qiáng)。首先，對(duì)蘑菇圖像進(jìn)行尺度調(diào)整，使其與CNN模型輸入尺度相匹配；其次，通過(guò)歸一化助于加快模型的收斂速度；最后，通過(guò)旋轉(zhuǎn)、翻轉(zhuǎn)、剪切等數(shù)據(jù)增強(qiáng)方式增加模型的泛化能力。

2.2 CNN模型構(gòu)建

CNN 模型構(gòu)建包括構(gòu)造卷積層、激活函數(shù)、池化層、完全連接層、輸出層、輸出層。其中，卷積層主要完成對(duì)蘑菇圖像局部特征的提取。在激勵(lì)函數(shù)中引入了非線性項(xiàng)，提高了模型的表現(xiàn)力，在此基礎(chǔ)上，提出了一種基于稀疏表示的稀疏表示方法。完全連接層將前一種特征向輸出空間映射，然后在輸出層中給出最后的類別概率分布。一個(gè)典型的卷積層、激活函數(shù)、池化層，最終與整個(gè)連接層和輸出層相連。

2.3 測(cè)試與評(píng)估

在訓(xùn)練與驗(yàn)證過(guò)程完成后，使用測(cè)試集評(píng)估模型的最終性能。通過(guò)準(zhǔn)確率指標(biāo)，可以對(duì)模型在食用菌分類任務(wù)上的性能進(jìn)行定量評(píng)估。

3 實(shí)驗(yàn)分析與數(shù)據(jù)對(duì)比

為了評(píng)估新舊兩種分類法在食用菌分類上的性能，收集了一個(gè)包含來(lái)自不同環(huán)境和光照條件下（以增加試驗(yàn)的泛化能力）多個(gè)食用菌種類（如香菇、金針菇、平菇、杏鮑菇、黑木耳等）的圖像數(shù)據(jù)集。為了保證數(shù)據(jù)集的質(zhì)量，通過(guò)裁剪、縮放和旋轉(zhuǎn)等對(duì)圖像進(jìn)行了預(yù)處理，使圖像具有相同的尺寸和分辨率。數(shù)據(jù)集包含3 000張食用菌圖像，每種食用菌各300張。將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，其中驗(yàn)證數(shù)據(jù)集包含300 張食用菌圖像，用于調(diào)整模型參數(shù)和防止過(guò)擬合；測(cè)試集包含600張食用菌圖像，用于評(píng)估模型在未知數(shù)據(jù)上的性能；訓(xùn)練集包含2 100 張食用菌圖像，用于訓(xùn)練模型。食用菌數(shù)據(jù)集檢測(cè)結(jié)果見(jiàn)圖2。

圖2 食用菌數(shù)據(jù)集檢測(cè)結(jié)果Fig.2 Results of edible fungi data set

在傳統(tǒng)的提取特征圖像識(shí)別分類方法中，對(duì)圖像進(jìn)行預(yù)處理后，先利用LBP 提取圖像的特征，然后利用SVM 對(duì)其進(jìn)行分類。

在深度學(xué)習(xí)方法中，采用一種經(jīng)典的CNN 結(jié)構(gòu)（見(jiàn)圖3）進(jìn)行操作。該網(wǎng)絡(luò)先通過(guò)一個(gè)訓(xùn)練集合來(lái)訓(xùn)練，再通過(guò)另一個(gè)驗(yàn)證集合來(lái)評(píng)價(jià)該網(wǎng)絡(luò)的性能。使用隨機(jī)梯度下降算法進(jìn)行學(xué)習(xí)，在訓(xùn)練過(guò)程中，通過(guò)監(jiān)控驗(yàn)證集上的性能來(lái)調(diào)整學(xué)習(xí)率、正則化項(xiàng)等超參數(shù)優(yōu)化模型。

圖3 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure

實(shí)驗(yàn)結(jié)果表明：深度學(xué)習(xí)方法在食用菌分類任務(wù)上取得了較高的準(zhǔn)確率，明顯優(yōu)于傳統(tǒng)的提取特征圖像識(shí)別分類方法。

傳統(tǒng)方法和深度學(xué)習(xí)方法在總體準(zhǔn)確率以及各個(gè)類別（如類別A、類別B等）準(zhǔn)確率上的情況見(jiàn)表1。

表1 傳統(tǒng)方法和深度學(xué)習(xí)方法在食用菌分類任務(wù)上的性能對(duì)比Tab.1 The performance of LBP feature extraction and SVM classifier comparedwith deep learning method in edible fungi classification task單位：%

由表1可知，傳統(tǒng)方法在測(cè)試集上的準(zhǔn)確率為78%，而深度學(xué)習(xí)方法的準(zhǔn)確率達(dá)到了95%；深度學(xué)習(xí)方法在各個(gè)類別上的分類性能也均優(yōu)于傳統(tǒng)方法。試驗(yàn)結(jié)果表明：深度學(xué)習(xí)方法在食用菌分類任務(wù)上有較高的準(zhǔn)確率、更強(qiáng)的泛化能力，明顯優(yōu)于傳統(tǒng)的提取特征圖像識(shí)別分類方法。

4 結(jié)語(yǔ)

綜上所述，利用深度學(xué)習(xí)技術(shù)對(duì)食用菌進(jìn)行分類，具有更高的精度和更強(qiáng)的泛化能力，可以在一定程度上克服傳統(tǒng)方法中手動(dòng)特征提取的局限性，有助于提高食用菌產(chǎn)業(yè)的技術(shù)水平和安全性。但深度學(xué)習(xí)方法的訓(xùn)練通常需要大量的計(jì)算資源和數(shù)據(jù)集，這也是需要在實(shí)際應(yīng)用中權(quán)衡的一個(gè)因素，未來(lái)可以嘗試更多的深度學(xué)習(xí)模型和技術(shù)，進(jìn)一步提高食用菌分類的準(zhǔn)確性和魯棒性。