基于改進MobileNet輕量級網(wǎng)絡(luò)的水稻病害識別

摘要：目的：針對傳統(tǒng)MobileNet-v2模型水稻葉面病害識別過程中出現(xiàn)的準確率低、運行速度慢、特征提取難等問題，提出一種基于改進MobileNet-v2輕量級網(wǎng)絡(luò)的水稻葉面病害識別模型。方法：該模型采用增加注意力機制模塊的結(jié)構(gòu)方法增強圖像的特征提取，然后將預(yù)訓(xùn)練好的權(quán)重參數(shù)遷移到改進的模型中，進而對水稻4種葉面病害進行識別研究。結(jié)果：該模型在50個epoch的訓(xùn)練測試過程中，訓(xùn)練速度和過擬合問題得到了較大的改善，最終測試識別準確率較傳統(tǒng)MobileNet-v2模型準確率提高了7.97%。結(jié)論：該模型在水稻葉面病害識別中準確率較高，識別速度較快，為水稻葉面病害的識別與研究提供了參考和借鑒意義。

關(guān)鍵詞：圖像識別；水稻病害；遷移學(xué)習(xí)；MobileNet-v2

中圖分類號：TP391" " " 文獻標志碼：A" " " 文章編號：1008-4657（2024）04-0026-07

0" " " " 引言

水稻是中國農(nóng)業(yè)中的主要糧食作物，它的總產(chǎn)量和平均產(chǎn)量均位居世界第一，是全球三大谷物之一。中國擁有悠久的種植水稻的文化，據(jù)考古發(fā)現(xiàn)，7 000年前，河姆渡人就著手馴化野生稻來種植水稻，這一文化在中國發(fā)展史上有著深厚的根基。全球超過38億人口以稻米為主食，而中國更是以稻米為主食，占比高達近60%，而且這一比例還在不斷上升。水稻病害直接影響著水稻的產(chǎn)量和質(zhì)量，因此在農(nóng)業(yè)生產(chǎn)活動中，能夠快速并且準確地識別水稻各類病害從而精準治理尤為關(guān)鍵。

近年來，基于計算機視覺的深度學(xué)習(xí)逐漸成熟并被廣泛推廣應(yīng)用，在自然語言處理、圖像識別、目標檢測、故障診斷等多領(lǐng)域都取得了較好的成果。自20世紀80年代末開始，許多學(xué)者和專家都致力于研究計算機視覺技術(shù)來識別農(nóng)作物病蟲害，其中陳峰等的成果尤為突出，識別率較高［ 1 ］。2012年，Krizhevsky" A等［ 2 ］提出了一種經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)（Convolutional" "Neural" "Networks，CNN）模型-AlexNet，最終在ILSVRC（ImageNet" Large" Scale" Visual" Recognition" Challenge）比賽中，將top5的測試錯誤率下降到15.3%。2014年，Simonyan K等［ 3 ］提出VGG系列模型并在當年的Image" Net" Challenge上以top5錯誤率7.32%取得分類任務(wù)第二名，該VGG系列模型中采用了3 × 3的卷積核與2 × 2的池化核，這樣的設(shè)計不僅會讓卷積核感受野保持不變，而且使得模型的參數(shù)減少。在國內(nèi)，王軍英［ 4 ］建立BP神經(jīng)網(wǎng)絡(luò)識別模型，對葡萄病的發(fā)生位置、類型、色澤以及主要癥狀進行了評估，獲得較為滿意的識別結(jié)果。劉成［ 5 ］采用傳統(tǒng)圖像特征提取和改進卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合方法，對水稻稻曲病等6種葉面病害進行分類識別，最終取得了較高的分類識別準確度。張建華等［ 6 ］構(gòu)建了基于改進VGG-16卷積神經(jīng)網(wǎng)絡(luò)病害識別模型，通過遷移學(xué)習(xí)共享預(yù)訓(xùn)練模型卷積層和池化層權(quán)值參數(shù)，構(gòu)建出新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，平均識別準確率達到89.51%。孫俊等［ 7 ］采用改進的MobileNet-v2網(wǎng)絡(luò)結(jié)構(gòu)模型對田間農(nóng)作物葉片病害進行識別，實驗結(jié)果表明，較改進前提高了2.91個百分點。

綜上所述，國內(nèi)外研究者已經(jīng)將卷積神經(jīng)網(wǎng)絡(luò)運用到農(nóng)作物病害分類識別中，且取得了較好的成果，但仍然缺乏能夠較好地識別復(fù)雜背景下準確率較高的水稻病害識別模型。受上述研究啟發(fā)，本文以水稻的白葉枯病、稻瘟病、胡麻斑病和東格魯病等葉面病害圖像為基礎(chǔ)，研究的重點是如何將深度學(xué)習(xí)與圖像識別深度融合從而提高卷積神經(jīng)網(wǎng)絡(luò)識別的準確率，提出增加注意力機制和遷移學(xué)習(xí)相結(jié)合，以期達到識別速度更快，準確率更高的目標，為研究水稻識別系統(tǒng)提供實驗依據(jù)，同時提升了農(nóng)業(yè)生產(chǎn)信息化的效率，有助于智能農(nóng)產(chǎn)品的研究開發(fā)。

1" " " "材料與方法

1.1" " " "試驗平臺

本研究的試驗為Windows64位操作系統(tǒng)，內(nèi)存16GB，搭載11th" Gen" Intel（R） Core（TM） i5-1155G7 @ 2.50GHz 2.50 GHz處理器，試驗基于python編程語言，采用TensorFlow深度學(xué)習(xí)開發(fā)框架進行模型的搭建及訓(xùn)練。

1.2" " " " 試驗數(shù)據(jù)

本研究的研究對象為水稻白葉枯病、稻瘟病、胡麻斑病和東格魯病4種葉面病害，并基于病害圖像特征，對其進行準確的分類識別。水稻葉面病害樣本如圖1所示。

通過對水稻葉面病害圖像進行預(yù)處理，包括圖片旋轉(zhuǎn)、鏡像翻轉(zhuǎn)，隨機縮放、隨機平移、隨機裁剪、等比例縮放等數(shù)據(jù)增強操作，得到6 682張水稻病害圖像數(shù)據(jù)集，其中訓(xùn)練集5 335張，測試集1 347張，并將樣本數(shù)據(jù)集進行編號分類，制作標簽，標簽0，1，2，3分別代表白葉枯病，稻瘟病，胡麻斑病，東格魯病。最后將圖片尺寸統(tǒng)一化，以JPEG格式導(dǎo)入計算機，構(gòu)建一個完整的水稻病害數(shù)據(jù)集，以便更好地分析和研究水稻葉面病害。數(shù)據(jù)集概述如表1所示。

卷積神經(jīng)網(wǎng)絡(luò)是一個具備深入學(xué)習(xí)圖像特征的前饋神經(jīng)網(wǎng)絡(luò)［ 8-9 ］，它能夠從大量輸入數(shù)據(jù)信息中自動提取出更高層次的抽象特征［ 10 ］，大大簡化了圖像處理技術(shù)識別作物病害的過程，并且現(xiàn)已被應(yīng)用于多方面［ 11 ］，如人臉識別［ 12-13 ］、語音識別［ 14 ］和行人檢測［ 15 ］等，為深度學(xué)習(xí)技術(shù)作出了重要貢獻。卷積神經(jīng)網(wǎng)絡(luò)兼具局部連接和權(quán)值共享兩大特點，局部連接能夠有效地提升圖形的連接性，從而更好地捕捉每個部分的相關(guān)信息，而權(quán)值共享則能夠大大簡化操作過程，減少訓(xùn)練計算的復(fù)雜度。

卷積神經(jīng)網(wǎng)絡(luò)通常由卷積層、池化層和全連結(jié)層三個部分構(gòu)成，它們共同形成了網(wǎng)絡(luò)系統(tǒng)的基本架構(gòu)。

卷積層作為卷積神經(jīng)網(wǎng)絡(luò)中最為核心的結(jié)構(gòu)部分，能實現(xiàn)對輸入圖像的特征提取，運算公式如式（1）所示。

y = f（y*k + n）（1）

式中：f（ ）（Rctified linear Unit， ReLU）為激活函數(shù)；k代表卷積核的個數(shù)；y代表卷積層的特征圖；n為常數(shù)項。

池化層也稱下采樣層，負責(zé)降低特征圖像本身的維數(shù)，從而縮短算法訓(xùn)練計算時間，通常包括最大池化（max pooling）、平均池化（average pooling）、最小池化（minimum pooling）。本文采用平均池化操作處理方法，運算公式如式（2）所示，其操作示意圖如圖3所示。

Z = ei（2）

式中：ei為區(qū)域R內(nèi)每個神經(jīng)元的激活值。

全連接層是一種用于預(yù)測結(jié)果的層，它能夠?qū)⒕矸e層學(xué)習(xí)到的抽象特征轉(zhuǎn)換為可分類的輸出，并使用Softmax函數(shù)激活每一層，以減少過擬合的可能性，其表達式如式（3）所示。

softmax（x） = （3）

ReLU函數(shù)是卷積神經(jīng)網(wǎng)絡(luò)中最為常用的激活函數(shù)，其存在單側(cè)抑制，只有輸入的數(shù)值為正數(shù)時，其神經(jīng)元才會被激活，反之則為0；其特點是收斂速度更快，能較好地處理好梯度消失、爆炸等問題，是一個分段函數(shù)，其函數(shù)表達式如式（4）所示。

f（x） = x（x ＞ 0）0（x ＜ 0）（4）

1.4" " 遷移學(xué)習(xí)

遷移學(xué)習(xí)是一項高效的機器學(xué)習(xí)方式，它能夠?qū)⒁呀?jīng)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)轉(zhuǎn)移到新的目標領(lǐng)域，從而大大減少對訓(xùn)練樣本及硬件計算能力的要求，極大地提高圖像數(shù)據(jù)有效分類的效率［ 16 ］，從而為解決訓(xùn)練數(shù)據(jù)集容易產(chǎn)生的過擬合問題提供了強有力的幫助。

本研究采用了一個新的方法，將已經(jīng)訓(xùn)練好的模型當作預(yù)訓(xùn)練模型，并結(jié)合模型微調(diào)的學(xué)習(xí)方式，充分利用MobileNet-v2預(yù)訓(xùn)練模型在公開數(shù)據(jù)集上學(xué)到的知識，結(jié)合遷移學(xué)習(xí)方式將其用在水稻葉面病害圖像識別上，以期望能夠有效地減少訓(xùn)練時間，進一步提高網(wǎng)絡(luò)模型的訓(xùn)練效率，并最終解決水稻葉面病害識別問題。

1.5" " 改進卷積神經(jīng)網(wǎng)絡(luò)病害模型構(gòu)建

MobileNet-v2通過采用深度可分離卷積，可以在不影響精度的前提下，大范圍減小參數(shù)量和運算量，進而提升模型訓(xùn)練運算速度。在本研究中，針對水稻葉面病害圖像特征提取的復(fù)雜性和分類的準確性低等問題，基于使用數(shù)據(jù)集訓(xùn)練MobileNet-v2模型來識別水稻葉面病害信息，改進一種新的網(wǎng)絡(luò)結(jié)構(gòu)模型，初始化卷積核和偏置參數(shù)，并將這些信息輸入到一種新的卷積神經(jīng)網(wǎng)絡(luò)中，如圖4所示。

針對過擬合現(xiàn)象的問題，采用增加Dropout層，同時也增加了識別的準確率。

針對數(shù)據(jù)特征提取復(fù)雜性問題，增加了注意力機制模塊，從而提高了圖片特征的提取能力，并且更好地表達圖片特征信息。

針對數(shù)據(jù)的分類準確性問題，提出增加遷移學(xué)習(xí)的思想，改進后訓(xùn)練模型以提高識別水稻葉面病害的準確性，經(jīng)過50次迭代訓(xùn)練，它能夠更準確地識別圖像特征。

2" " 實驗結(jié)果與分析

本研究中使用分類準確率來評價實驗方法的好壞［ 17 ］，準確率計算公式如式（5）所示。

Acc = m / n（5）

式中：m表示正確分類的樣本數(shù)量；n表示測試圖像的總樣本數(shù)量。

損失率采用交叉熵損失函數(shù)方法，其可以有效地迭代更新網(wǎng)絡(luò)參數(shù)，使損失函數(shù)進一步縮小，最終接近于0，從而訓(xùn)練出更準確的水稻病害識別模型。MobileNet-v2水稻病害模型實驗結(jié)果如圖5所示，改進后的模型運行結(jié)果如圖6所示。

圖5中，epoch初始值設(shè)置為50，網(wǎng)絡(luò)優(yōu)化器采用隨機梯度下降，起始學(xué)習(xí)率設(shè)置為0.001，訓(xùn)練集準確率為train accuracy，訓(xùn)練集代價函數(shù)為train loss，測試集準確率為validation accuracy，測試集代價函數(shù)為validation loss，這些參數(shù)均被用于優(yōu)化網(wǎng)絡(luò)的性能，以達到最優(yōu)化的效果。隨著訓(xùn)練次數(shù)的不斷增加，訓(xùn)練準確率和驗證準確率呈上升趨勢，訓(xùn)練損失率和驗證損失率呈下降趨勢。

在new-mobile模型訓(xùn)練過程中，圖6的折線圖可以反映出訓(xùn)練階段各個參數(shù)的收斂和飽和等趨勢走向，直觀地看出準確率呈上升趨勢并逐漸向1靠攏，代價函數(shù)呈下降趨勢并逐漸接近于0。通過采用遷移學(xué)習(xí)方法，我們可以看到代價函數(shù)收斂速度較快，曲線的變化趨勢也相對平緩，當訓(xùn)練批次逐漸增加時，訓(xùn)練效率和準確率都逐漸趨向于穩(wěn)定，且未出現(xiàn)較大波動，這表明該模式具有較強的泛化水平，能夠較好地識別4種水稻葉面病害種類。為了解決過擬合問題，在全連接層中增加Dropout層，從而大大提高了訓(xùn)練的準確率。為了增強圖片特征提取，加快網(wǎng)絡(luò)訓(xùn)練速度，同時增加了注意力機制和使用ReLU激活函數(shù)，為客觀全面地評價本文所提出的網(wǎng)絡(luò)模型的性能。

不同網(wǎng)絡(luò)模型對比如表2所示。

本研究使用new-mobile模型對水稻葉面病害圖像種類識別研究，模擬訓(xùn)練50次，結(jié)合表2結(jié)果可以看出，基于改進MobileNet-v2網(wǎng)絡(luò)模型，采用增加注意力機制和遷移學(xué)習(xí)相結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)，相對于傳統(tǒng)的MobileNet-v2網(wǎng)絡(luò)模型，new-mobile模型獲得較好的評價指標，模型驗證準確率高達90.91%，驗證損失率低達0.71%，相對于傳統(tǒng)MobileNet-v2網(wǎng)絡(luò)模型驗證準確率提升7.97個百分點，說明該模型識別準確率較高，實用性較好，模型切實有效，適用于水稻葉面的病害識別。

3" " 結(jié)論

本研究中，針對水稻葉面病害圖像特征提取復(fù)雜，識別準確率低等問題，提出了一種基于改進MobileNet-v2的水稻病害圖像識別方法模型。模型訓(xùn)練結(jié)果表明，本文所提出的改進模型與傳統(tǒng)的MobileNet-v2網(wǎng)絡(luò)模型相比，在一定范圍內(nèi)，隨著迭代次數(shù)的增加，識別準確率越高，損失率越低，能夠較好地識別水稻常見葉面病害。因此，這種new-mobile模型能夠有效地解決傳統(tǒng)植物病害識別模型的準確率低和復(fù)雜環(huán)境源圖像采集等問題，從而可以為移動端設(shè)備提供有效的技術(shù)支持，為后續(xù)的植物病害研究提供參考價值。

此外，該研究模型是對水稻葉面病害進行單方面農(nóng)作物進行訓(xùn)練和測試，后期將進一步研究數(shù)據(jù)種類龐大的數(shù)據(jù)集，以達到對更多植物病害識別，并將其用于移動設(shè)備上，便于農(nóng)戶用于田間實際植物病害識別。

參考文獻：

［1］陳峰，谷俊濤，李玉磊，等.基于機器視覺和卷積神經(jīng)網(wǎng)絡(luò)的東北寒地玉米害蟲識別方法［J］.江蘇農(nóng)業(yè)科學(xué)，2020，48（18）：237-244.

［2］Krizhevsky A，Sutskever I，Hinton G E. ImageNet classification with deep convolutional neural networks［J］. Advances in Neural Information Processing Systems，2012，25（2）：1097-1105.

［3］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［Z］. arXiv preprint arXiv，2014： 1409-1556.

［4］王軍英.基于BP神經(jīng)網(wǎng)絡(luò)的葡萄病害診斷系統(tǒng)研究［J］.農(nóng)業(yè)網(wǎng)絡(luò)信息，2013（8）：30-33.

［5］劉成.基于機器學(xué)習(xí)的水稻病害識別算法的研究［D］.合肥：安徽大學(xué)，2018.

［6］張建華，孔繁濤，吳建寨，等.基于改進VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識別模型［J］.中國農(nóng)業(yè)大學(xué)學(xué)報，2018，23（11）：161-171.

［7］孫俊，朱偉棟，羅元秋，等.基于改進MobileNet-V2的田間農(nóng)作物葉片病害識別［J］.農(nóng)業(yè)工程學(xué)報，2021，37（22）：161-169.

［8］Huang Gao，Liu Zhuang，Laurens V D M，et al. Densely connected convolutional networks［C］. The IEEE Conference on Computer Vision and Pattern Recognition（CVPR），2017：2261-2269.

［9］Gu Jiuxiang，Wang Zhenhua，Kuen J，et al. Recent advances in convolutional neural networks［J］. Pattern Recognition，2018， 77：354-377.

［10］Lecun Y，Bengio Y，Hinton G. Deep learning［J］. Nature，2015，521（7553）：436-444.

［11］邱靖，劉繼榮，曹志勇，等.基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識別研究［J］.云南農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)），2019，34（5）：884-888.

［12］邵蔚元，郭躍飛.多任務(wù)學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)在人臉識別中的應(yīng)用［J］.計算機工程與應(yīng)用，2016，52（13）：32-37.

［13］王衛(wèi)民，唐洋，張健，等.基于卷積神經(jīng)網(wǎng)絡(luò)特征融合的人臉識別算法［J］.計算機與數(shù)字工程，2020，48（1）：88-92.

［14］王嘉偉.基于卷積神經(jīng)網(wǎng)絡(luò)的語音識別研究［J］.科學(xué)技術(shù)創(chuàng)新，2019（31）：71-73.

［15］付友，左迅，楊凡，等.基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型的行人檢測設(shè)計［J］.信息技術(shù)，2021（5）：34-38.

［16］馮曉，李丹丹，王文君，等.基于輕量級卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的小麥葉部病害圖像識別［J］.河南農(nóng)業(yè)科學(xué)，2021，50（4）：174-180.

［17］王圣昊.基于卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病害分類研究［D］.長春：吉林農(nóng)業(yè)大學(xué)，2021.

Rice Disease Recognition Based on Improved

MobileNet Lightweight Network

ZHENG Chao， ZHANG Huamin

（College of Mechanical Engineering， Anhui Science and Technology University， Fengyang 233100， China）

Abstract：Objective： To address the problem of the conventional MobileNet-v2 model in the recognition of rice leaf diseases， including its low recognition accuracy， sluggish running speed， and challenging feature extraction， a rice leaf disease recognition model based on improved MobileNet-v2 lightweight network was proposed. Methods： In this model， the method of adding attention mechanism module is used to enhance image feature extraction， and then the weight parameters of pre-trained model were transferred to the improved model to identify the four leaf diseases of rice. Results： The training speed and overfitting issues were significantly reduced throughout the training and testing of the new-mobile model over 50 epochs， and the final test recognition accuracy was 7.3% higher than that of the conventional MobileNet-v2 model. Conclusions： The new mobile model is more accurate and quicker in recognizing rice leaf diseases， which provides a reference and significance for identifying and researching of rice leaf diseases.

Key words：image recognition; rice disease; transfer learning; MobileNet-v2