基于卷積神經(jīng)網(wǎng)絡和葉綠素熒光成像的綠豆葉斑病識別研究

摘要：為了解決綠豆葉斑病不同病害等級之間容易混淆的問題，本研究以感染不同程度葉斑病的綠豆葉片葉綠素熒光圖像為研究對象，提出了多模塊串聯(lián)卷積神經(jīng)網(wǎng)絡（Mulli.Module Sequential Convolutional Neural Network，MMS-NeL）模型。該模型主要由本研究搭建的Sub模塊和Wave模塊串聯(lián)堆疊組成，并且在每個Sub模塊中和每個Wave模塊結(jié)尾處加入混合注意力機制CBAM，在減少非葉斑病特征干擾的同時，對相似病斑進行更為細致的特征提取，提高病害識別的準確率。在相同條件下，與經(jīng)典的卷積神經(jīng)網(wǎng)絡模型（VCC16、CoogLeNet、ResNeL50）以及流行的輕量級卷積神經(jīng)網(wǎng)絡模型（MobileNetV2、MobileNeXL、MobileNeLV3、ShuffleNetV2）進行比較，本研究提出的MMS-Net模型參數(shù)量僅為11.43M，測試準確率達到91.25％，均高于其他模型，分類效果最優(yōu)。通過分析精度、召回率、F1分數(shù)等評價指標可以看出MMS-NeL模型具有較好的魯棒性和泛化能力。本研究結(jié)果可為綠豆等作物的抗病種質(zhì)資源識別和篩選提供新思路。

關鍵詞：綠豆葉斑病；病害等級；卷積神經(jīng)網(wǎng)絡；葉綠素熒光成像；注意力機制

中圖分類號：S126：S522 文獻標識號：A 文章編號：1001-4942（2024）09-0133-09

綠豆在我國栽培歷史悠久，是我國的主要食用豆類作物之一，種植面積較大。綠豆是一種寶貴的藥食同源食物資源，不僅有高蛋白、中淀粉、低脂肪等諸多營養(yǎng)特性，還具有清熱解毒、增強身體免疫力的作用，被譽為“食中佳品，濟世長谷”。綠豆葉斑病是其常見的一種病害，主要由變灰尾孢菌引起，危害葉片，輕者可造成20％-30％的減產(chǎn)，嚴重時可導致葉片穿孔直至整株枯萎而死，造成90％以上的減產(chǎn)，是綠豆品質(zhì)下降和減產(chǎn)的主要因素。以往農(nóng)作物病蟲害的識別主要依靠人工，不僅識別準確率不高，而且耗時費力、效率低，因此，亟需一種簡單、高效、易操作的綠豆葉斑病識別方法。

隨著計算機視覺和機器學習技術的不斷發(fā)展，基于深度學習的病蟲害檢測方法已初步應用于農(nóng)業(yè)，并在一定程度上取代了傳統(tǒng)的肉眼識別。例如Elfatimi等提出了一種對豆類葉病進行分類并尋找和描述有效網(wǎng)絡架構(gòu)（超參數(shù)和優(yōu)化方法）的方法，并在由角葉斑病類、健康豆類和豆銹病類組成的公開數(shù)據(jù)集上進行訓練，結(jié)果表明提出的MobileNet模型在訓練數(shù)據(jù)集上的分類平均準確率超過97qo，在測試數(shù)據(jù)集上分類平均準確率超過92％。張昭等利用葉綠素熒光成像技術處理葡萄霜霉病圖像，并結(jié)合機器學習技術構(gòu)建模型，對早期的葡萄霜霉病識別準確率達到85.94％。余驥遠等提出了基于MS-PLNet（muhiscale-PlantNet）和高光譜圖像的綠豆葉斑病分類方法，在自建數(shù)據(jù)集上對綠豆葉斑病的識別準確率達到98.4％。Karthik等提出了兩種不同的深層架構(gòu)來檢測番茄葉子的感染類型，在包含早疫病、晚疫病和葉霉病的PlantVillage數(shù)據(jù)集上，通過五重交叉驗證，獲得了98qo的識別準確率。陳浪浪等提出一種基于DenseNet121并結(jié)合遷移學習與坐標注意力機制的水稻病蟲害識別模型，在自建數(shù)據(jù)集上識別準確率達到了98.95％。王春山等提出了改進型的多尺度殘差（multi-scale ResNet）輕量級病害識別模型，在自采的7種病害真實環(huán)境圖像數(shù)據(jù)中取得了93.05％的識別準確率。Gokulnath提出了一種有效的用于植物病害識別的損失融合卷積神經(jīng)網(wǎng)絡，結(jié)合了兩種損失函數(shù)的優(yōu)點，在公開數(shù)據(jù)集PlantVillage上取得了良好的效果，平均識別準確率達到98.93％。Ma等改進傳統(tǒng)的VGG16結(jié)構(gòu)，提出了一種基于自定義輕量級CNN的深度學習模型（ComNet）和改進的玉米穗分類訓練策略，平均識別準確率達到98.56％。Kumar等提出了一種分層深度學習卷積神經(jīng)網(wǎng)絡（HDLCNN），在Kaggle網(wǎng)站上的馬鈴薯葉斑病數(shù)據(jù)集上取得了95.77％的識別準確率。王興旺等通過對cv模型能量泛函添加能量函數(shù)和閉合曲線內(nèi)外灰度均值進行演化，建立了帶有能量函數(shù)的cv模型EF-CV，在白鶴草莓病蟲害數(shù)據(jù)集上取得了95.72％的識別準確率。Mallick等采用遷移學習的方法，提出了一種預訓練的輕量級MobileNetV2模型，對6種綠豆病害和4種蟲害的識別準確率達到93.65％。

綠豆葉斑病發(fā)生后葉片病斑隨時間不斷加深，不同病害等級之間不易區(qū)分，而大多數(shù)病蟲害的侵襲會在可見光譜中呈現(xiàn)出獨特的標志和形狀?；诖?，本研究針對綠豆葉斑病不同病害等級之間容易混淆的特點，以染病綠豆葉片的葉綠素熒光圖像為對象，挖掘不同等級病斑局部特征的細微差異，提出一種基于MMS-Net模型和葉綠素熒光成像的綠豆葉斑病識別方法。

1材料與方法

1.1數(shù)據(jù)來源

于2022年4-6月在江蘇省農(nóng)業(yè)科學院開展綠豆葉斑病調(diào)查及圖像采集，采用FluorCam多光譜熒光成像儀進行葉綠素熒光圖像采集。對采集到的綠豆葉綠素熒光圖像進行病害等級標注，病害等級根據(jù)病斑點的大小占整個葉片面積的比例進行劃分，共分為五個等級。0級：葉上無可見侵染：1級：葉片上僅有小點狀病斑，占葉面積不足2％；2級：病斑較小，直徑1.0-2.0 mm，無褪綠暈圈，占葉面積的2％-25％：3級：病斑較大，直徑>2.0-5.0 mm，有褪綠暈圈，占葉面積的>25％-50％；4級：病斑較大，直徑5.0 mm以上，占葉面積的>50％-75％，部分葉片枯死。經(jīng)過圖像采集后得到原始數(shù)據(jù)樣本一共775幅，五個等級的圖像數(shù)量分別為14、483、170、92、16幅。各病害等級的原始葉綠素熒光圖像如圖1所示。