基于深度學(xué)習(xí)的玉米葉片病害識別方法研究

王 超，王春圻，劉金明

（1.黑龍江八一農(nóng)墾大學(xué)科技處 黑龍江，大慶 163319；2.黑龍江八一農(nóng)墾大學(xué)食品學(xué)院 黑龍江，大慶 163319；3.黑龍江八一農(nóng)墾大學(xué)國家雜糧工程技術(shù)研究中心 黑龍江，大慶 163319；4.黑龍江八一農(nóng)墾大學(xué)信息與電氣工程學(xué)院 黑龍江，大慶 163319）

玉米是我國的重要農(nóng)作物之一，近年來因氣候破壞、環(huán)境污染等問題導(dǎo)致玉米在種植階段面臨病害類型多、破壞性強(qiáng)，防治難度大等諸多隱患，使得玉米產(chǎn)量及質(zhì)量均在嚴(yán)重下降。同時由于農(nóng)村勞動力相對短缺，針對玉米病害的判斷不準(zhǔn)確而導(dǎo)致病害防治更困難。

隨著計算機(jī)技術(shù)的發(fā)展，深度學(xué)習(xí)在語音識別和視覺識別等領(lǐng)域引起了人們的廣泛關(guān)注，相比于傳統(tǒng)算法，選用深度學(xué)習(xí)方法具有較強(qiáng)的識別率、更高的可靠性和降低錯誤率等優(yōu)勢。因此，本文采用卷積神經(jīng)網(wǎng)絡(luò)來對玉米葉片病害進(jìn)行識別。通過深度學(xué)習(xí)對玉米葉片進(jìn)行病害識別，將深度學(xué)習(xí)可以更熟練的應(yīng)用于農(nóng)業(yè)，加強(qiáng)對病害進(jìn)行精確的識別，豐富病害防治技術(shù)，提升農(nóng)作物的質(zhì)量和產(chǎn)量。

本文以大斑病菌、銹病、灰斑病玉米葉片和健康玉米葉片為研究主體，使用預(yù)訓(xùn)練網(wǎng)絡(luò)AlexNet、GoogLeNet 和ResNet 識別病害玉米葉片進(jìn)行對比實驗，并與經(jīng)典的機(jī)器學(xué)習(xí)算法做比較；同時通過對ResNet 模型和SVM、KNN、BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行對比，探究深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)ResNet進(jìn)行玉米葉片病害快速識別的可行性。

1 材料與方法

1.1 圖像采集

本文數(shù)據(jù)集來自于PlantVilliage數(shù)據(jù)集(https://plantvillage.psu.edu/)。試驗選取玉米常見的灰斑病、銹病、大斑病菌感染玉米葉片和健康玉米葉片4類玉米圖片，共計1529張。原始數(shù)據(jù)量如表1所示。

從網(wǎng)上獲取到的圖像數(shù)據(jù)由于尺寸大小不一致，不可以直接去使用，對于不同網(wǎng)絡(luò)輸入要求不一致，因此需要對圖像尺寸進(jìn)行調(diào)節(jié)，滿足各類網(wǎng)絡(luò)的輸入要求，因此，有必要對原始數(shù)據(jù)進(jìn)行如下預(yù)處理。處理后圖像如圖1所示。

為了防止網(wǎng)絡(luò)訓(xùn)練過擬合，有必要提供大量訓(xùn)練數(shù)據(jù)。但是收集額外的數(shù)據(jù)會消耗大量的物質(zhì)和人力資源，效率尤其低下。因此，本文對原始數(shù)據(jù)使用數(shù)據(jù)增強(qiáng)技術(shù)來擴(kuò)充。數(shù)據(jù)增強(qiáng)主要包括角度，亮度，對比度增強(qiáng)等，增加有關(guān)數(shù)據(jù)。這次，使用ImageDataGenerator 類來創(chuàng)建圖像生成器，然后寫入數(shù)據(jù)增強(qiáng)的方式，本實驗采用了角度變換、色度變換以及像素值變換3種方式完成數(shù)據(jù)集擴(kuò)充，最后得到7645張圖片數(shù)據(jù)，處理后的數(shù)據(jù)量如表2所示。

1.2 Tensorflow及環(huán)境搭建

表1 原始數(shù)據(jù)量

圖1 處理后的圖片（統(tǒng)一格式，擴(kuò)充）

表2 處理后數(shù)據(jù)量

Tensorflow 程序分為兩個階段，一個階段是構(gòu)建階段，另一個是實現(xiàn)階段。其中構(gòu)建階段是從創(chuàng)建op（operation）開始，在python中op的創(chuàng)建是由op構(gòu)造器（ops constructors）創(chuàng)建的，然后作為一個node加入到graphs中。在執(zhí)行階段，首先得建立一個會話（Session），然后將構(gòu)建好的graphs放到繪畫中去執(zhí)行。

下面是Tensorflow中各部分的基本使用：

（1）圖(graphs)用于計算任務(wù)，構(gòu)建神經(jīng)網(wǎng)絡(luò)的過程，但它們只是進(jìn)行構(gòu)建網(wǎng)絡(luò)并不會進(jìn)行計算。

（2）圖是在會話(Session)的上下文中運(yùn)行的。

（3）數(shù)據(jù)使用張量表示，張量維度由“階”呈現(xiàn)。零階是表示數(shù)字的標(biāo)量；一階是代表一維整體的向量。第二階是代表二維整體的矩陣。張量是有序的并可以通過張量右邊的方括號來確定。如，表示的是3階。

（4）用變量保持狀態(tài)。

（5）使用feed 和fetch 分配或獲取任意操作（構(gòu)造操作）的數(shù)據(jù)。

深度學(xué)習(xí)的特點(diǎn)是對數(shù)據(jù)進(jìn)行非常多的重復(fù)訓(xùn)練，在先進(jìn)的機(jī)器上迭代次數(shù)可能會達(dá)到幾十億次。圖形處理器（Graphics Processing Unit，GPU）正好有這個專長，處理器專門處理諸如全局管理之類的復(fù)雜操作，而圖形處理器專門處理對大量數(shù)據(jù)的簡單且重復(fù)的操作，因此選擇搭建基于GPU加速的Tensorflow框架。經(jīng)試驗證明，采用GPU加速的速度約為使用CPU處理速度的10倍左右。

2 結(jié)果與分析

2.1 數(shù)據(jù)分析與處理

ResNet引入了殘差網(wǎng)絡(luò)結(jié)構(gòu)和ResNet網(wǎng)絡(luò)的結(jié)構(gòu)實現(xiàn)過程，每個ResNet網(wǎng)絡(luò)包含輸入部分、輸出部分和中間卷積部分。通過這種結(jié)構(gòu)可以把網(wǎng)絡(luò)層加深，并且最終分類效果會更好。ResNet結(jié)構(gòu)可以非常快速地加速神經(jīng)網(wǎng)絡(luò)的形成，并且極大地增加了模型的準(zhǔn)確性。

本文的玉米葉片病害識別模型主要用卷積神經(jīng)網(wǎng)絡(luò)來構(gòu)建，玉米葉片病害識別算法的流程如圖2所示。

圖2 玉米葉片病害識別算法流程圖

本文使用遷移學(xué)習(xí)方法來完善ImageNet上的預(yù)訓(xùn)練網(wǎng)絡(luò)（例如AlexNet，GoogLeNet，ResNet）。遷移學(xué)習(xí)能夠自動化地提取更具表現(xiàn)力地特征，滿足實際應(yīng)用中的端到端需求。普遍情況下收集到的數(shù)據(jù)量不會像Imagenet一樣大，并且很難形成具有足夠泛化能力的網(wǎng)絡(luò)。所以，在實際應(yīng)用中使用遷移學(xué)習(xí)微調(diào)在ImageNet上預(yù)訓(xùn)練過的網(wǎng)絡(luò)是一個有效而且快速的模型訓(xùn)練方法。

2.2 實驗設(shè)置及結(jié)果分析

本文利用三個經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)AlexNet、GoogLeNet 和ResNet 進(jìn)行識別玉米葉片病害。玉米葉片類別為玉米大斑病菌、玉米灰斑病和玉米銹病、健康玉米葉片共4種，因此，ResNet、GoogLeNet和AlexNet的最后一個全連接層的神經(jīng)元個數(shù)被修改為4。所有實驗均在Python3.8.0 軟件上實現(xiàn)，并使用了NVIDIA TITAN Xp GPU來加速訓(xùn)練。優(yōu)化方法設(shè)置為隨機(jī)梯度下降,“配置x”后的括號內(nèi)的第一個數(shù)字代表批量尺寸，第二個數(shù)字代表epoch次數(shù)。同時設(shè)置了9種配置方式，其中，批量尺寸有16、32 和64 共三種，epoch 有8、16 和20 共三種，將9 種配置分別應(yīng)用到3 種預(yù)訓(xùn)練網(wǎng)絡(luò)上共得出了27 個網(wǎng)絡(luò)模型。預(yù)訓(xùn)練網(wǎng)絡(luò)性能對比實驗的評價指標(biāo)定為準(zhǔn)確率，即分類正確的樣本個數(shù)占樣本總數(shù)的比例。不同參數(shù)配置下的網(wǎng)絡(luò)分類準(zhǔn)確率如表3所示。

由表3 可見，在配置5（32,16）下，使用預(yù)訓(xùn)練網(wǎng)絡(luò)ResNet 得到了全局最優(yōu)的分類準(zhǔn)確率為92.82%。AlexNet 在配置7（64,8）上取得了最高分類準(zhǔn)確率為89.51%，GoogLeNet在配置6（32，20）上取得了最高分類準(zhǔn)確率為90.24%。因此，批量尺寸的增加以及epoch次數(shù)的增加都對各個網(wǎng)絡(luò)的性能無特定的影響。

ResNet 模型（32，16）的形成過程顯示了訓(xùn)練過程中訓(xùn)練損失的曲線和驗證損失的曲線，如圖3（a）所示；而在圖3（b）中顯示了訓(xùn)練準(zhǔn)確率和驗證準(zhǔn)確率的曲線。結(jié)果發(fā)現(xiàn)，無論是在損失曲線上還是在準(zhǔn)確率曲線上，驗證集的曲線仍遵循與訓(xùn)練集相同的趨勢，并且驗證損失和訓(xùn)練損失之間的差異小于0.1。

表3 不同參數(shù)配置下的網(wǎng)絡(luò)分類準(zhǔn)確率

圖3 ResNet（32,16）訓(xùn)練與驗證損失曲線和準(zhǔn)確率曲線

基于ResNet的模型在批量尺寸為32個、epoch次數(shù)為16時，達(dá)到了全局最優(yōu)的分類準(zhǔn)確率為92.82%，不僅證明出使用ResNet 作為預(yù)訓(xùn)練網(wǎng)絡(luò)的優(yōu)異性，還從側(cè)面證明出了該模型具有良好的泛化能力。

對比了最優(yōu)參數(shù)配置（32，16）ResNet 模型和支持向量機(jī)、k近鄰、BP神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率。最優(yōu)參數(shù)配置（32，16）ResNet 模型的分類準(zhǔn)確率為92.82%，支持向量機(jī)、k 近鄰、BP 神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率分別為72.34%、74.81%和73.98%，分別比最優(yōu)參數(shù)配置（32，16）ResNet模型低了20.48%、18.01%和18.84%?？梢姡顑?yōu)參數(shù)配置（32，16）ResNet 模型的分類準(zhǔn)確率明顯的優(yōu)于支持向量機(jī)、k近鄰、BP神經(jīng)網(wǎng)絡(luò)。

3 結(jié)論

本研究以深度學(xué)習(xí)為基礎(chǔ)，通過采集玉米灰斑病、銹病、大斑病菌感染葉片、玉米健康葉片共4 種葉片來進(jìn)行識別研究。采用了ResNet作為主體模型提出玉米病害識別模型，并使用預(yù)訓(xùn)練網(wǎng)絡(luò)AlexNet、GooLeNet 和ResNet遷移學(xué)習(xí)識別玉米葉片病害的性能對比實驗，得出的結(jié)論是ResNet 模型在批量尺寸為32 個，epoch 次數(shù)為16 時取得了最高的分類準(zhǔn)確率為92.82%，由此可見ResNet 模型相比于AlexNet模型和GoogLeNet模型能夠達(dá)到更優(yōu)的分類準(zhǔn)確率。由此可見ResNet模型能夠達(dá)到更好的準(zhǔn)確率，可以更快的識別病害并且更優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)算法。