基于深度學(xué)習(xí)的水稻病蟲害智能識(shí)別系統(tǒng)研究

摘" 要：針對(duì)傳統(tǒng)人工識(shí)別水稻病蟲害存在的主觀性問(wèn)題，本文提出基于深度學(xué)習(xí)的水稻病蟲害智能識(shí)別系統(tǒng)，以實(shí)現(xiàn)水稻病蟲害的精準(zhǔn)識(shí)別。本文先將坐標(biāo)注意力機(jī)制引入殘差神經(jīng)網(wǎng)絡(luò)中，提高其特征提取能力。然后，在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中增設(shè)全連接層以擴(kuò)大特征提取范圍，同時(shí)在全連接層中引入Dropout策略，以降低模型過(guò)擬合風(fēng)險(xiǎn)。最后，提出改進(jìn)YOLOv3檢測(cè)模型，來(lái)解決殘差神經(jīng)網(wǎng)絡(luò)對(duì)小病斑識(shí)別不準(zhǔn)確的問(wèn)題。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)殘差神經(jīng)網(wǎng)絡(luò)模型比較，改進(jìn)模型的F1-score提高了3.7%。與YOLOv5相比較，改進(jìn)YOLOv3模型的檢測(cè)準(zhǔn)確率提高6.6%，檢測(cè)速度提高13%。因此，本文提出的識(shí)別系統(tǒng)對(duì)水稻病蟲害具有較高識(shí)別能力，減少了種植者對(duì)專家的依賴，為水稻病蟲害識(shí)別提供了有力的技術(shù)支持。

關(guān)鍵詞：水稻；病害識(shí)別；深度學(xué)習(xí)；注意力機(jī)制；特征提取

中圖分類號(hào)：S126" " " " " " " " " " " " " " " "文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1673-6737（2024）06-0063-04

水稻是人類主食來(lái)源之一。中國(guó)人口眾多，對(duì)水稻有著極高的需求，因此準(zhǔn)確識(shí)別水稻病蟲害是非常重要的[1，2]。傳統(tǒng)水稻病蟲害識(shí)別主要靠專業(yè)人士依據(jù)病蟲害樣本或種植者根據(jù)經(jīng)驗(yàn)來(lái)進(jìn)行識(shí)別，人工識(shí)別病蟲害易受主觀因素影響，可能出現(xiàn)誤識(shí)別[3，4]。在深度學(xué)習(xí)技術(shù)中，常基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行農(nóng)作物病蟲害特征提取及識(shí)別[5]。基于深度學(xué)習(xí)的水稻病害識(shí)別模型，需要大量數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，以此識(shí)別病蟲害[6]。目前多數(shù)研究是從病葉圖像中提取出最佳病蟲害識(shí)別特征，對(duì)于多種相似病害出現(xiàn)在同一片葉子的情況無(wú)法進(jìn)行病害檢測(cè)，也忽略了對(duì)輕微病斑的研究。綜上所述，本文提出改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的水稻病害識(shí)別模型和改進(jìn)YOLOv3的水稻病害檢測(cè)模型，對(duì)水稻常見病害，如稻瘟病、稻曲病、褐斑病和百葉枯病進(jìn)行識(shí)別與檢測(cè)，以期提高水稻病害識(shí)別的準(zhǔn)確性和高效性，并實(shí)現(xiàn)相似病害和小病斑的精準(zhǔn)識(shí)別。本次研究的創(chuàng)新性體現(xiàn)在，提出了改進(jìn)的殘差神經(jīng)網(wǎng)絡(luò)的水稻病害識(shí)別模型和基于改進(jìn)YOLOv3的水稻病害檢測(cè)模型。引入的坐標(biāo)注意力機(jī)制和Mish激活函數(shù)，提高了模型的魯棒性和準(zhǔn)確性。同時(shí)，采用K-means++聚類算法優(yōu)化錨框規(guī)格，并在網(wǎng)絡(luò)結(jié)構(gòu)中加入不同的注意力機(jī)制模塊，提高了檢測(cè)速度和精度。

1" 基于深度學(xué)習(xí)的水稻病害智能識(shí)別系統(tǒng)設(shè)計(jì)

1.1" 改進(jìn)的殘差神經(jīng)網(wǎng)絡(luò)的水稻病害識(shí)別模型

水稻常見病害有稻瘟病、稻曲病、褐斑病和百葉枯病[7]。稻瘟病是由子囊菌引起的，水稻植株任何位置均可發(fā)生感染，傳染性極強(qiáng)，是限制水稻產(chǎn)量的嚴(yán)重疾病。稻曲病是指稻谷受到真菌感染，出現(xiàn)綠色或黃色天鵝絨的孢子。為了提高水稻病害識(shí)別速度和準(zhǔn)確性，本文對(duì)深度殘差神經(jīng)網(wǎng)絡(luò)（Deep Residual Network，ResNet）進(jìn)行改進(jìn)，以獲取性能更優(yōu)的水稻病害識(shí)別模型。ResNet50主要由卷積殘差塊和標(biāo)識(shí)殘差塊堆疊構(gòu)成，標(biāo)識(shí)殘差塊的輸入與輸出維度一致，可進(jìn)行串聯(lián)。ResNet50在進(jìn)行圖像特征提取時(shí)，如果受到環(huán)境干擾，識(shí)別準(zhǔn)確率就會(huì)降低。為了降低識(shí)別誤差，提高模型魯棒性，本文利用坐標(biāo)注意力機(jī)制（Coordinate Attention Mechanism，CAM）來(lái)校正模型提取的特征。為了提取到更多特征信息，本文在原有網(wǎng)絡(luò)結(jié)構(gòu)上添加全連接層，同時(shí)將Dropout正則化加入全連接層，以降低分類泛化誤差。改進(jìn)ResNet50模型由1個(gè)卷積塊、4個(gè)殘差塊、1個(gè)池化塊和1個(gè)Softmax組成。特征圖像經(jīng)卷積層和最大池化層處理后，輸出的特征圖經(jīng)殘差塊處理后，經(jīng)過(guò)平均池化層和全連接層，最后由Softmax層處理輸出分類預(yù)測(cè)結(jié)果。Dropout正則化能夠解決過(guò)擬合問(wèn)題，提高模型的泛化能力，正則化計(jì)算如式（1）所示。

（1）

式中， yi表示目標(biāo)值； L1和L2表示L1和L2正則化函數(shù)； f （xi）表示估計(jì)值。Softmax分類器利用概率分布Softmax函數(shù)對(duì)輸出范圍不確定的值進(jìn)行歸一化處理，將其壓縮為[0，1]的實(shí)數(shù)向量，計(jì)算如式（2）所示。

（2）

式中， Sj表示輸出概率； Zj表示前向輸出； n表示類別數(shù)。

1.2" 基于改進(jìn)YOLOv3的水稻病害檢測(cè)模型

當(dāng)水稻某個(gè)部位出現(xiàn)多種病害和小病斑時(shí)，上述改進(jìn)ResNet50的網(wǎng)絡(luò)水稻病害識(shí)別模型在識(shí)別水稻病害時(shí)會(huì)出現(xiàn)識(shí)別不準(zhǔn)確的問(wèn)題。為了解決該問(wèn)題，本文采用改進(jìn)YOLOv3的水稻病害檢測(cè)模型，以提高水稻小病斑檢測(cè)能力。YOLOv3屬于一階目標(biāo)檢測(cè)算法，將識(shí)別任務(wù)和定位任務(wù)合并，直接預(yù)測(cè)目標(biāo)位置和類別，檢測(cè)速度快。YOLOv3通過(guò)邊界框網(wǎng)絡(luò)確定聚類錨框。邊界框網(wǎng)絡(luò)預(yù)測(cè)坐標(biāo)如式（3）所示。

（3）

式中（ax，ay，aw，ah），表示邊界框坐標(biāo)位置； tx、ty、 tw和th表示網(wǎng)絡(luò)預(yù)測(cè)偏移值；δ（·）表示Sigmoid函數(shù)，且|δ（·）|∈（0，1）； （bx，by）表示單元偏移坐標(biāo)；

pw和ph表示邊界框的寬和高。YOLOv3的主干網(wǎng)絡(luò)為Darknet53，由53個(gè)卷積層、53個(gè)批量正則化（Batch Normalization，BN）層和53個(gè)激活函數(shù)（ReLU）層構(gòu)成[8]。2個(gè)卷積層和1個(gè)鏈路層構(gòu)成1個(gè)殘差模塊。針對(duì)水稻病害聚集和環(huán)境干擾問(wèn)題，本文在圖像特征提取網(wǎng)絡(luò)中加入注意力機(jī)制，提高網(wǎng)絡(luò)檢測(cè)精度，改進(jìn)YOLOv3的水稻病害檢測(cè)模型如圖1所示。

為了提高水稻病斑檢測(cè)精度，本文采用K-means++聚類算法，計(jì)算水稻病害數(shù)據(jù)集的錨框規(guī)格。ReLU函數(shù)對(duì)較小值的處理方式較為激進(jìn)，對(duì)水稻小病斑檢測(cè)具有較大誤差。Mish激活函數(shù)具有非單調(diào)函數(shù)特性，確保小目標(biāo)信息不會(huì)丟失，具體計(jì)算如式（4）所示。

Mish=x×tanh［ln（1+ex）］（4）

因此，將ReLU函數(shù)替換為Mish函數(shù)，當(dāng)Mish函數(shù)與YOLOv3的主干網(wǎng)絡(luò)Darknet53聯(lián)合使用時(shí)，能夠極大提高模型檢測(cè)的準(zhǔn)確性。ECAM模塊是對(duì)SENet模塊的改進(jìn)，通道數(shù)計(jì)算如式（5）所示。

（5）

式中， C表示ECAM模塊通道數(shù)量; k表示卷積核大?。籸和c表示常數(shù)，取r=2和c=1。為了更精準(zhǔn)識(shí)別水稻病蟲害，本文將上述水稻病害識(shí)別模型和水稻病害檢測(cè)模型結(jié)合，設(shè)計(jì)了一套水稻病蟲害智能識(shí)別系統(tǒng)，以實(shí)現(xiàn)水稻病害圖像精準(zhǔn)識(shí)別。

2" 水稻病害智能識(shí)別系統(tǒng)實(shí)驗(yàn)及結(jié)果分析

2.1" 水稻病害分類模型實(shí)驗(yàn)及分析

為了測(cè)試改進(jìn)ResNet50的水稻病害識(shí)別模型性能，本文對(duì)模型訓(xùn)練準(zhǔn)確率和損失值進(jìn)行分析，設(shè)置特征圖尺寸為224×224，學(xué)習(xí)率為0.1，最大迭代次數(shù)為500，不同迭代次數(shù)下的準(zhǔn)確率和損失值如圖2所示。

由圖2（a）可知，訓(xùn)練和驗(yàn)證精度的平均準(zhǔn)確率分別為91.8%和92.3%，最大準(zhǔn)確率為97.8%和97.5%。圖2（b）中，訓(xùn)練和驗(yàn)證精度的平均損失值分別為35.7%和34.8%，最大損失值為64.8%和64.6%。為了進(jìn)一步測(cè)試改進(jìn)ResNet50的水稻病害識(shí)別模型性能，本文對(duì)其進(jìn)行消融實(shí)驗(yàn)，通過(guò)檢測(cè)目標(biāo)的識(shí)別準(zhǔn)確率和F1-score，對(duì)ResNet50、VGG-16、CAM-ResNet50和改進(jìn)ResNet50模型進(jìn)行分析，不同算法的消融實(shí)驗(yàn)對(duì)比結(jié)果如圖3所示。

由圖3（a）可知，ResNet50、VGG-16、CAM-Res

Net50和改進(jìn)ResNet50模型的平均識(shí)別準(zhǔn)確率為95.3%、95.8%、96.8%和97.2%，與ResNet50、VGG-16、CAM-ResNet50模型比較，改進(jìn)ResNet50模型的識(shí)別準(zhǔn)確率分別提高2.0%、1.5%和0.4%。CAM-ResNet50比VGG-16模型識(shí)別準(zhǔn)確率提高1%，說(shuō)明微調(diào)ResNet50網(wǎng)絡(luò)具有良好性能。圖3（b）中，ResNet50、VGG-16、CAM-ResNet50和改進(jìn)ResNet50模型的平均F1-score為92.4%、93.2%、93.9%和95.8%，與ResNet50、VGG-16、CAM-ResNet50模型比較，改進(jìn)ResNet50模型的F1-score分別提高3.7%、2.8%和2.0%。因此，加入坐標(biāo)注意力機(jī)制的模型的識(shí)別精度最高，水稻病害識(shí)別效果最好。

2.2" 水稻病害檢測(cè)模型實(shí)驗(yàn)及分析

為了測(cè)試改進(jìn)YOLOv3的水稻病害檢測(cè)模型的有效性，本文通過(guò)消融實(shí)驗(yàn)對(duì)YOLOv3、YOLOv3-Mish和改進(jìn)YOLOv3模型的檢測(cè)準(zhǔn)確率和檢測(cè)速度進(jìn)行分析。不同算法監(jiān)測(cè)網(wǎng)絡(luò)下，不同病害的檢測(cè)準(zhǔn)確率和檢測(cè)速度對(duì)比結(jié)果如圖4所示。

由圖4（a）可知，YOLOv3、YOLOv3-Mish和改進(jìn)YOLOv3模型對(duì)4種水稻病害的平均檢測(cè)準(zhǔn)確率分別為87.1%、87.8%和90.6%，與YOLOv3和YOLOv3-Mish比較，改進(jìn)YOLOv3模型的檢測(cè)準(zhǔn)確率分別提高4%和3.2%。圖4（b）中，YOLOv3、YOLOv3-Mish和改進(jìn)YOLOv3檢測(cè)模型對(duì)4種水稻病害的檢測(cè)速度分別為15.5fps/s、19.1fps/s和13.3fps/s，與YOLOv3和YOLOv3-Mish相比，改進(jìn)YOLOv3模型的檢測(cè)速度分別提升14.2%和30.3%，說(shuō)明Mish函數(shù)能夠確保小信息不丟失，增加了檢測(cè)準(zhǔn)確率，損失了一定的檢測(cè)速度，CSPNet（跨階段局部網(wǎng)絡(luò)）結(jié)構(gòu)增強(qiáng)了模型學(xué)習(xí)性能，確保信息不丟失的同時(shí)對(duì)檢測(cè)準(zhǔn)確率具有一定提升效果。為了進(jìn)一步測(cè)試改進(jìn)YOLOv3模型的性能，本文對(duì)RetinaNet、FasterRCNN、YOLOv5和改進(jìn)YOLOv3模型的水稻病害檢測(cè)準(zhǔn)確率和檢測(cè)速度進(jìn)行分析，不同目標(biāo)檢測(cè)模型的性能對(duì)比結(jié)果如圖5所示。

由圖5（a）可知，RetinaNet、FasterRCNN、YOLOv5和改進(jìn)YOLOv3模型對(duì)不同水稻病蟲害的平均檢測(cè)準(zhǔn)確率分別為61.8%、87.6%、87.4%和93.2%，與RetinaNet、FasterRCNN和YOLOv5相比較，改進(jìn)YOLOv3模型的檢測(cè)準(zhǔn)確率分別提高50.8%、6.4%和6.6%。這是由于CSPX模塊在提高準(zhǔn)確率的同時(shí)降低了計(jì)算量。圖5（b）中，RetinaNet、FasterRCNN、YOLOv5和改進(jìn)YOLOv3模型的檢測(cè)速度分別為23.2fps/s、18.5fps/s、20.8fps/s和18.1fps/s，改進(jìn)YOLOv3模型的檢測(cè)速度比RetinaNet、FasterRCNN和YOLOv5提升22%、2.2%和13%。整體而言，本文的研究算法對(duì)多種病害密集區(qū)域和小病斑具有良好的監(jiān)測(cè)效果。

3" 結(jié)論

水稻是中國(guó)乃至世界的重要糧食作物，隨著人類活動(dòng)、氣候等的不斷變化，水稻病蟲害愈加嚴(yán)重。為了正確、及時(shí)識(shí)別出水稻病害，本文提出基于深度學(xué)習(xí)的水稻病蟲害智能識(shí)別系統(tǒng)，以提高水稻病害識(shí)別準(zhǔn)確率。該方法結(jié)合改進(jìn)ResNet50網(wǎng)絡(luò)來(lái)識(shí)別水稻病害，結(jié)合改進(jìn)YOLOv3模型對(duì)不同病害進(jìn)行檢測(cè)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)ResNet50的水稻病害識(shí)別模型的訓(xùn)練精度為91.8%，與驗(yàn)證精度基本一致。與ResNet50模型相比，改進(jìn)ResNet50模型的識(shí)別準(zhǔn)確率提高2.0%；與YOLOv3模型相比，改進(jìn)YOLOv3模型的檢測(cè)準(zhǔn)確率提高4%。因此，本文的研究模型具有更高準(zhǔn)確度和實(shí)時(shí)性，能夠很好地識(shí)別和檢測(cè)水稻病害。

參考文獻(xiàn)：

[1] 徐廣春，徐鹿，石偉山，等.植保無(wú)人機(jī)施藥防治水稻病蟲害的研究進(jìn)展[J].江蘇農(nóng)業(yè)科學(xué)，2023，51（7）：1-7.

[2] 袁德寶，張冰瑞，葉回春，等.水稻病蟲害遙感監(jiān)測(cè)與預(yù)測(cè)研究進(jìn)展[J].遙感技術(shù)與應(yīng)用，2023，38（1）：97-107.

[3] 熊清華，雷良輝，黃玉紅，等.水稻主要病蟲害防治農(nóng)藥減量增效技術(shù)應(yīng)用成效[J].中國(guó)植保導(dǎo)刊，2021，41（4）：88-92.

[4] 黃芊，龍麗萍，吳鋒，等.廣西越冬稻螟種類及其空間分布型研究[J].中國(guó)水稻科學(xué)，2024，38（1）：91-98.

[5] 陳愛蓮，朱玉霞，孫偉，等.遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)病蟲害定損中的應(yīng)用：以雙河農(nóng)場(chǎng)稻瘟病為例[J].遙感信息，2021，36（6）：44-50.

[6] 謝州益，馮亞枝，胡彥蓉，等.基于ResNet18特征編碼器的水稻病蟲害圖像描述生成[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38（12）：197-206.

[7] 周維，牛永真，王亞煒，等.基于改進(jìn)的YOLOv4-GhostNet水稻病蟲害識(shí)別方法[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2022，38（3）：685-695.

[8] Haggui O，Bayd H，Magnier B.Centroid human tracking via oriented detection in overhead fisheye sequences[J].The Visual Computer，2023，40（1）：407-425.