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。