基于卷積神經(jīng)網(wǎng)絡(luò)和葉綠素?zé)晒獬上竦木G豆葉斑病識(shí)別研究

摘要：為了解決綠豆葉斑病不同病害等級(jí)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?zé)晒鈭D像為研究對(duì)象，提出了多模塊串聯(lián)卷積神經(jīng)網(wǎng)絡(luò)（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(gè)Sub模塊中和每個(gè)Wave模塊結(jié)尾處加入混合注意力機(jī)制CBAM，在減少非葉斑病特征干擾的同時(shí)，對(duì)相似病斑進(jìn)行更為細(xì)致的特征提取，提高病害識(shí)別的準(zhǔn)確率。在相同條件下，與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型（VCC16、CoogLeNet、ResNeL50）以及流行的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型（MobileNetV2、MobileNeXL、MobileNeLV3、ShuffleNetV2）進(jìn)行比較，本研究提出的MMS-Net模型參數(shù)量?jī)H為11.43M，測(cè)試準(zhǔn)確率達(dá)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?jǐn)?shù)等評(píng)價(jià)指標(biāo)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(shí)別和篩選提供新思路。

關(guān)鍵詞：綠豆葉斑?。徊『Φ燃?jí)；卷積神經(jīng)網(wǎng)絡(luò)；葉綠素?zé)晒獬上瘢蛔⒁饬C(jī)制

中圖分類號(hào)：S126：S522 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：1001-4942（2024）09-0133-09

綠豆在我國(guó)栽培歷史悠久，是我國(guó)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(yíng)養(yǎng)特性，還具有清熱解毒、增強(qiáng)身體免疫力的作用，被譽(yù)為“食中佳品，濟(jì)世長(zhǎng)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(yán)重時(shí)可導(dǎo)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(shí)別主要依靠人工，不僅識(shí)別準(zhǔn)確率不高，而且耗時(shí)費(fèi)力、效率低，因此，亟需一種簡(jiǎn)單、高效、易操作的綠豆葉斑病識(shí)別方法。

隨著計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)技術(shù)的不斷發(fā)展，基于深度學(xué)習(xí)的病蟲害檢測(cè)方法已初步應(yīng)用于農(nóng)業(yè)，并在一定程度上取代了傳統(tǒng)的肉眼識(shí)別。例如Elfatimi等提出了一種對(duì)豆類葉病進(jìn)行分類并尋找和描述有效網(wǎng)絡(luò)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(jìn)行訓(xùn)練，結(jié)果表明提出的MobileNet模型在訓(xùn)練數(shù)據(jù)集上的分類平均準(zhǔn)確率超過97qo，在測(cè)試數(shù)據(jù)集上分類平均準(zhǔn)確率超過92％。張昭等利用葉綠素?zé)晒獬上窦夹g(shù)處理葡萄霜霉病圖像，并結(jié)合機(jī)器學(xué)習(xí)技術(shù)構(gòu)建模型，對(duì)早期的葡萄霜霉病識(shí)別準(zhǔn)確率達(dá)到85.94％。余驥遠(yuǎn)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(duì)綠豆葉斑病的識(shí)別準(zhǔn)確率達(dá)到98.4％。Karthik等提出了兩種不同的深層架構(gòu)來檢測(cè)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(yàn)證，獲得了98qo的識(shí)別準(zhǔn)確率。陳浪浪等提出一種基于DenseNet121并結(jié)合遷移學(xué)習(xí)與坐標(biāo)注意力機(jī)制的水稻病蟲害識(shí)別模型，在自建數(shù)據(jù)集上識(shí)別準(zhǔn)確率達(dá)到了98.95％。王春山等提出了改進(jìn)型的多尺度殘差（multi-scale ResNet）輕量級(jí)病害識(shí)別模型，在自采的7種病害真實(shí)環(huán)境圖像數(shù)據(jù)中取得了93.05％的識(shí)別準(zhǔn)確率。Gokulnath提出了一種有效的用于植物病害識(shí)別的損失融合卷積神經(jīng)網(wǎng)絡(luò)，結(jié)合了兩種損失函數(shù)的優(yōu)點(diǎn)，在公開數(shù)據(jù)集PlantVillage上取得了良好的效果，平均識(shí)別準(zhǔn)確率達(dá)到98.93％。Ma等改進(jìn)傳統(tǒng)的VGG16結(jié)構(gòu)，提出了一種基于自定義輕量級(jí)CNN的深度學(xué)習(xí)模型（ComNet）和改進(jìn)的玉米穗分類訓(xùn)練策略，平均識(shí)別準(zhǔn)確率達(dá)到98.56％。Kumar等提出了一種分層深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)（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(shí)別準(zhǔn)確率。王興旺等通過對(duì)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(jìn)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(shí)別準(zhǔn)確率。Mallick等采用遷移學(xué)習(xí)的方法，提出了一種預(yù)訓(xùn)練的輕量級(jí)MobileNetV2模型，對(duì)6種綠豆病害和4種蟲害的識(shí)別準(zhǔn)確率達(dá)到93.65％。

綠豆葉斑病發(fā)生后葉片病斑隨時(shí)間不斷加深，不同病害等級(jí)之間不易區(qū)分，而大多數(shù)病蟲害的侵襲會(huì)在可見光譜中呈現(xiàn)出獨(dú)特的標(biāo)志和形狀。基于此，本研究針對(duì)綠豆葉斑病不同病害等級(jí)之間容易混淆的特點(diǎn)，以染病綠豆葉片的葉綠素?zé)晒鈭D像為對(duì)象，挖掘不同等級(jí)病斑局部特征的細(xì)微差異，提出一種基于MMS-Net模型和葉綠素?zé)晒獬上竦木G豆葉斑病識(shí)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(xué)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(jìn)行葉綠素?zé)晒鈭D像采集。對(duì)采集到的綠豆葉綠素?zé)晒鈭D像進(jìn)行病害等級(jí)標(biāo)注，病害等級(jí)根據(jù)病斑點(diǎn)的大小占整個(gè)葉片面積的比例進(jìn)行劃分，共分為五個(gè)等級(jí)。0級(jí)：葉上無可見侵染：1級(jí)：葉片上僅有小點(diǎn)狀病斑，占葉面積不足2％；2級(jí)：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(jí)：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(jí)：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(gè)等級(jí)的圖像數(shù)量分別為14、483、170、92、16幅。各病害等級(jí)的原始葉綠素?zé)晒鈭D像如圖1所示。