王宏樂，王興林,，李文波，葉全洲，林涌海，謝 輝，鄧 烈

（1.華南理工大學(xué)環(huán)境與能源學(xué)院，廣東 廣州 510006；2.深圳市豐農(nóng)控股有限公司，廣東 深圳 518055；3.深圳市五谷網(wǎng)絡(luò)科技有限公司，廣東 深圳 518055；4.深圳市宇眾物聯(lián)科技有限公司，廣東 深圳 518126）

【研究意義】在植物病害智能識別技術(shù)的研究中，傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)已有了不錯的識別效果，新出現(xiàn)的深度學(xué)習(xí)技術(shù)進(jìn)一步推進(jìn)了植物病害識別技術(shù)的發(fā)展，并成為該領(lǐng)域研究的熱點。關(guān)于深度學(xué)習(xí)技術(shù)用于植物病害識別已有諸多報道，目前已報道了約20 種作物上的數(shù)百種植物病害的智能識別，識別準(zhǔn)確率高達(dá)90%以上［1-3］。但是，這類模型多數(shù)使用實驗室場景下的標(biāo)準(zhǔn)病害圖片作 為訓(xùn)練集，其建立的病害識別模型應(yīng)用到田間識別時，識別準(zhǔn)確率降至6%～45%之間［1,4-5］。作為訓(xùn)練集的實驗室場景圖片大多背景一致，拍攝角度差別不大，采集方法和數(shù)據(jù)相對標(biāo)準(zhǔn)一致，這類圖片具有清晰的病害特征，有利于模型訓(xùn)練中的病害特征學(xué)習(xí)；而應(yīng)用場景的田間場景圖片往往情況復(fù)雜，存在不同光線、角度和病害特征清晰度不同等問題，采集技術(shù)和標(biāo)準(zhǔn)較難統(tǒng)一，病害特征不顯著，背景因子干擾較大，因而對田間場景圖片的識別率較低［1,6］。如何優(yōu)化植物病害識別深度學(xué)習(xí)模型，從而跨越實驗室和田間不同場景的鴻溝，增強(qiáng)模型魯棒性，以實現(xiàn)深度學(xué)習(xí)模型在田間實際場景下的穩(wěn)定且準(zhǔn)確識別，成為迫切需要解決的問題。

【前人研究進(jìn)展】關(guān)于模型優(yōu)化的相關(guān)報道有很多，目前普遍認(rèn)為可以通過兩個方面對深度學(xué)習(xí)訓(xùn)練的病害識別模型進(jìn)行優(yōu)化，包括對算法的優(yōu)化及訓(xùn)練數(shù)據(jù)的優(yōu)化。至今，已有諸多關(guān)于通過優(yōu)化算法提高識別率的報道，其中主要包括數(shù)據(jù)增強(qiáng)、數(shù)據(jù)均衡、訓(xùn)練模型和參數(shù)優(yōu)化等方法。Fuentes 等［7］通過對靶標(biāo)植物病蟲害數(shù)據(jù)進(jìn)行標(biāo)注和特征提取來進(jìn)行數(shù)據(jù)增強(qiáng)，提高模型識別率約30%，可同時解決實際應(yīng)用場景中的9 種番茄常見病蟲害識別問題，該方法可以降低背景干擾，同時解決田間識別中存在的多標(biāo)簽問題。Perez 等［8］建立了一個基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)模型，可以提高約7%的識別率。Montalbo 等［9］對大?？Х炔∠x害識別模型進(jìn)行優(yōu)化，通過調(diào)整深度學(xué)習(xí)中的參數(shù)和超參數(shù)來解決過擬合問題。Fuentes 等［10］采取前人報道的方法對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改，大大減少了識別結(jié)果的假陽性，識別率提升達(dá)13%。還有研究者通過運用雙邊分支網(wǎng)絡(luò)（Bilateral-Branch Netwo rk,BBN）解決了數(shù)據(jù)不均衡問題，可提升精度5%以上［11-12］。在訓(xùn)練數(shù)據(jù)優(yōu)化方面也有一些報道：Monhanty 等［1］研究發(fā)現(xiàn)，使用彩色圖片或是去除背景的圖片訓(xùn)練集得到的模型較使用灰度圖片訓(xùn)練集得到的模型的識別率高3%～6%；Lee 等［5］嘗試通過優(yōu)化數(shù)據(jù)集，合并不同作物相同病害的數(shù)據(jù)用于模型訓(xùn)練，模型對實驗室場景圖片的識別率雖略有降低，但對田間場景圖片的識別率遠(yuǎn)高于傳統(tǒng)作物-病害模型，并且可以識別未經(jīng)訓(xùn)練作物的相同病害。總體而言，通過 優(yōu)化數(shù)據(jù)集實現(xiàn)病害識別模型優(yōu)化的研究較少，在該方向還可開展更多的探索。

【本研究切入點】農(nóng)作物病蟲害發(fā)生存在周期性。從采集困難程度來說，實驗室場景圖片收集往往較為容易，收集成本低廉，但是病癥的多樣性反映不足；田間場景圖片可以較好反映病害的癥狀表現(xiàn)和多樣性特征，但采集周期性較長，場景復(fù)雜，費用高昂。目前普遍反映基于實驗室場景圖片建立的病害識別模型準(zhǔn)確率存在嚴(yán)重不足，無法滿足農(nóng)業(yè)生產(chǎn)和數(shù)字農(nóng)業(yè)的需求?！緮M解決的關(guān)鍵問題】本研究結(jié)合已報道的人工智能深度學(xué)習(xí)技術(shù)在植物病蟲害識別的應(yīng)用方法，通過調(diào)整模型訓(xùn)練集不同來源數(shù)據(jù)組成用于模型訓(xùn)練來優(yōu)化模型，從而減少深度學(xué)習(xí)模型對田間場景數(shù)據(jù)的依賴，縮短模型建立初期對田間數(shù)據(jù)采集周期，降低田間數(shù)據(jù)采集成本，同時提高深度學(xué)習(xí)病蟲害識別模型在實際運用中的準(zhǔn)確率、適用性和穩(wěn)定性，為人工智能深度學(xué)習(xí)技術(shù)進(jìn)一步運用于智慧農(nóng)業(yè)的病蟲害防治提供理論和實踐基礎(chǔ)。

1 材料與方法

1.1 數(shù)據(jù)集

本研究所用數(shù)據(jù)集為包含3 組感染病害的葉片和1 組用于組內(nèi)對比的健康葉片，共計5 720 張圖片，其中5 200 張用于訓(xùn)練集，520 張為測試集。訓(xùn)練集包含柑橘黃龍病1 200 張，蘋果黑星病1 200 張，芒果細(xì)菌性斑點病800 張，以及健康芒果葉片2 000 張；測試集包含病害圖片數(shù)量為該類別所對應(yīng)的訓(xùn)練集圖片數(shù)量的10%；訓(xùn)練集和測試集中，來源于實驗室和田間采集的數(shù)量相等。圖片部分來源于Plant Village 數(shù)據(jù)集［13］，其余為田間和實驗室采集，圖片情況見圖1。所有數(shù)據(jù)集的圖片壓縮為224×224 像素大小后用于訓(xùn)練、測試及驗證。

圖1 訓(xùn)練集圖片樣例Fig.1 Image samples of training datasets

1.2 深度學(xué)習(xí)模型訓(xùn)練實驗設(shè)計

不同的神經(jīng)網(wǎng)絡(luò)模型在植物病害分類任務(wù)中的表現(xiàn)有所不同，選擇合適的神經(jīng)網(wǎng)絡(luò)模型架構(gòu)可提高模型的識別率。本研究結(jié)合前人研究成果［1-7］，選擇Split-Attention Networks（RestNeSt-50）［14］、Visual Geometry Group Network-16（VGG-16）［15］和Residual Network-50（ResNet-50）［16］3 種深度學(xué)習(xí)模型架構(gòu)用于模型訓(xùn)練。這3 種模型均在ImageNet 數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練。本研究使用遷移學(xué)習(xí)（Transfer Learning）的方式進(jìn)一步對模型進(jìn)行訓(xùn)練。為避免訓(xùn)練過程中數(shù)據(jù)分布發(fā)生改變，采取全部采樣的方法，即全部數(shù)據(jù)均參與訓(xùn)練，每張圖片僅采樣1 次。

1.2.1 圖片總數(shù)不變的訓(xùn)練集內(nèi)2 種場景數(shù)據(jù)分布對模型識別率的影響 在訓(xùn)練集圖片總張數(shù)不變的情況下，通過調(diào)整訓(xùn)練集的實驗室場景和田間場景圖片的比例，探索訓(xùn)練集內(nèi)不同來源數(shù)據(jù)集分布對模型識別率的影響。本實驗設(shè)計5 組圖片數(shù)量相同而數(shù)據(jù)分布不同的訓(xùn)練集：F0 數(shù)據(jù)分布為實驗室場景圖片占比100%的情況；F30為實驗室場景圖片占比70%、田間場景圖片占比30%的情況；F50 為實驗室場景與田間圖片占比各50%的情況；F70 為實驗室場景圖片占比30%、田間場景圖片占比70%的情況；F100 的數(shù)據(jù)分布為田間場景圖片占比100%的情況。

1.2.2 圖片總數(shù)增加的訓(xùn)練集內(nèi)2 種場景數(shù)據(jù)的分布對模型識別率的影響 通過在一種場景圖片條件下逐漸增加另一種場景的數(shù)據(jù)集圖片，探索數(shù)據(jù)集分布改變對識別率的影響。本實驗分別設(shè)計了在訓(xùn)練集的全部實驗室場景圖片中逐漸添加田間場景圖片的情況（LF），以及在訓(xùn)練集的全部田間場景圖片中逐漸添加實驗室場景圖片的情況（FL），每組設(shè)計5 個添加梯度。在實驗室場景圖片中添加田間場景圖片，添加圖片數(shù)量的梯度占比分別為0%（LF0）、30%（LF30）、50%（LF50）、70%（LF70）和100%（LF100）；在田間場景圖片中添加實驗室場景圖片，添加圖片數(shù)量的梯度分別為0%（FL0）、30%（FL30）、50%（FL50）、70%（FL70）和100%（FL100）。

本研究使用3 種不同的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行模型訓(xùn)練，根據(jù)數(shù)據(jù)添加情況不同，將通過在實驗室場景圖片中梯度添加田間場景圖片的數(shù)據(jù)集訓(xùn)練得到的模型歸類為ResNeSt50-LF、VGG16-LF 和ResNet50-LF；以及將通過在田間場景圖片中梯度添加實驗室場景圖片的數(shù)據(jù)集訓(xùn)練得到的模型歸類為ResNeSt50-FL、VGG16-FL和ResNet50-FL。

1.2.3 訓(xùn)練參數(shù) 本研究使用PyTorch 深度學(xué)習(xí)框架，計算平臺為一臺臺式計算機(jī)，操作系統(tǒng)為Ubuntu 18.04 LTS 64 位系統(tǒng)，配有單塊型號為NVIDIA V100s 的圖形處理器（GPU），搭載Intel Core i5-7500 CPU，內(nèi)存為 32 GB。訓(xùn)練過程中所有層的參數(shù)均設(shè)為可學(xué)習(xí)，批處理設(shè)為32，輸入圖像統(tǒng)一為224×224 分辨率，總訓(xùn)練周期數(shù)為150，同時使用衰減權(quán)重為0.0005，動量為0.9的隨機(jī)梯度下降（Stochastic Gradient Descent）作為優(yōu)化器。初始的學(xué)習(xí)率設(shè)置為0.01，學(xué)習(xí)率調(diào)整策略使用帶熱重啟的隨機(jī)梯度下降（Stochastic Gradient Descent with Warm Restart）［17-19］，退火方式使用余弦退火［20］。為使結(jié)果便于相互比較，所有模型訓(xùn)練使用的超參數(shù)（hyper-parameters）相同。

1.3 模型評價

為了評價模型的優(yōu)劣，以及評價模型是否存在過擬合，我們將實際訓(xùn)練集按80-20（訓(xùn)練集的80%用于訓(xùn)練，剩余20%用于驗證）分為訓(xùn)練集-驗證集，驗證集的數(shù)據(jù)分布情況與訓(xùn)練集一致。本研究另外準(zhǔn)備520 張測試集，由相同數(shù)量的實驗室場景圖片及田間場景圖片組成。本研究對每組實驗的平均F1 分?jǐn)?shù)、平均損失值（Loss）、準(zhǔn)確率以及總精度進(jìn)行計算［1］。

2 結(jié)果與分析

2.1 圖片總數(shù)不變的訓(xùn)練集內(nèi)2 種場景數(shù)據(jù)的分布對模型識別率的影響

分別使用RestNeSt-50、VGG-16 和ResNet-50等3 種網(wǎng)絡(luò)結(jié)構(gòu)對5 組圖片總張數(shù)相同而場景分布不同的訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，并使用與訓(xùn)練數(shù)據(jù)分布一致的驗證集數(shù)據(jù)進(jìn)行評價。結(jié)果表明，在3 種網(wǎng)絡(luò)結(jié)構(gòu)中，使用100%由實驗室場景圖片組成的訓(xùn)練集F0 訓(xùn)練得到的模型的平均F1 分?jǐn)?shù)皆最高，平均損失值皆最小，在RestNeSt-50、VGG16和ResNet-50上平均F1分?jǐn)?shù)分別為0.9988、0.9981和0.9979，平均損失值分別為0.0011、0.0048和0.0022（圖2）。

圖2 不同植物病害識別模型在驗證集上的平均F1 分?jǐn)?shù)與損失值Fig.2 Mean F1 score and loss of different plant diseases recognition models on validation sets

使用實驗室場景與田間場景圖片比例為1∶1的測試集對訓(xùn)練得到的模型進(jìn)行評價，結(jié)果顯示，準(zhǔn)確率最低的為僅使用實驗室場景圖片訓(xùn)練集（F0）訓(xùn)練的模 型，在RestNeSt-50、VGG-16和ResNet-50 上的總精度分別為73.00%、78.67%和73.33%；3 組模型在實驗室場景圖片的測試集上表現(xiàn)較好，準(zhǔn)確率均在90%以上，但對田間場景的測試集的識別準(zhǔn)確率約為50%。隨著田間場景圖片的比例增加，模型對測試集數(shù)據(jù)的識別準(zhǔn)確率提升緩慢。除訓(xùn)練集F0 訓(xùn)練的模型外，其他各組的總精度都在90%以上。使用實驗室場景圖片和田間場景圖片比例為7∶3 的訓(xùn)練集（F30）訓(xùn)練的模型，在RestNeSt-50、VGG-16和ResNet-50 上的總精度分別為96.67%、97.33%和93.33%，相對于F0 有大幅度提升。使用實驗室場景圖片和田間場景圖片比例相等的訓(xùn)練集（F50）訓(xùn)練的模型，在RestNeSt-50、VGG-16和ResNet-50 上的總精度分別為96.00%、98.67%和97.67%。使用實驗室場景圖片和田間場景圖片比例為3∶7 的訓(xùn)練集（F70）訓(xùn)練的模型，在RestNeSt-50、VGG-16 和ResNet-50 上的總精度分別為98.00%、98.33%和98.00%。使用僅含有田間場景圖片的訓(xùn)練集（F100）訓(xùn)練的模型，在RestNeSt-50、VGG-16 和ResNet-50 上的總精度分別為95.67%、97.67%和95.67%。綜上所述，使用僅含有實驗室場景的圖片作為訓(xùn)練集時，模型對田間場景圖片識別準(zhǔn)確率很低，且總精度最低；僅使用田間場景來源的圖片作為訓(xùn)練集時，模型對實驗室場景圖片識別準(zhǔn)確率可達(dá)90%以上；訓(xùn)練集內(nèi)田間場景的圖片比例增加可以提高模型的準(zhǔn)確率，訓(xùn)練集含30%的田間場景圖片比例即可大幅度提升模型在測試集上的準(zhǔn)確度（圖3）。

圖3 不同植物病害識別模型在測試集上的識別準(zhǔn)確率Fig.3 Accuracies of different plant diseases recognition models on test sets

2.2 圖片總張數(shù)增加的訓(xùn)練集內(nèi)2 種場景數(shù)據(jù)的分布對模型識別率的影響

在實驗來源數(shù)據(jù)中按比例添加田間場景數(shù)據(jù)，F(xiàn)1 分?jǐn)?shù)先下降再上升，損失值先上升后下降。當(dāng)添加田間場景圖片為實驗室場景圖片數(shù)量的0% 時（LF0），在RestNeSt-50、VGG-16 和ResNet-50 上平均F1 分?jǐn)?shù)分別為0.9988、0.9981和0.9979,損失值分別為0.0011、0.0048 和0.0022。當(dāng)添加田間場景圖片數(shù)量為實驗室場景圖片數(shù)量 的50% 時（LF50），RestNeSt-50、VGG-16和ResNet-50 的平均F1 分?jǐn)?shù)達(dá)到最低值，分別為0.9693、0.9695 和0.9773；損失值達(dá)到最高，分別為0.0826、0.0652 和0.0612。而后隨著訓(xùn)練集內(nèi)田間場景圖片數(shù)量的增加，F(xiàn)1 分?jǐn)?shù)開始上升，損失值開始下降。當(dāng)添加田間場景圖片數(shù)量為實驗室場景圖片數(shù)量的100%時（LF100），在RestNeSt-50、VGG-16 和ResNet-50 上平均F1 分?jǐn)?shù)分別為0.9922、0.9881 和0.9953,損失值分別為0.0094、0.0119 和0.0075（圖4）。

在田間來源數(shù)據(jù)中添加實驗室場景數(shù)據(jù)，F(xiàn)1 分?jǐn)?shù)隨圖片數(shù)量增加上升，損失值也隨之下降。當(dāng)添加實驗室場景圖片數(shù)量為田間場景圖片數(shù)量的0% 時（FL0），在RestNeSt-50、VGG-16 和ResNet-50 上平均F1 分?jǐn)?shù)分別為0.9806、0.9597 和0.9659,損失值分別為0.0309、0.0643 和0.0673。隨著添加的實驗室場景圖片數(shù)量增加，3 組模型的平均F1 分?jǐn)?shù)均隨圖片數(shù)量增加上升，損失值也均隨之下降。當(dāng)添加實驗室場景圖片數(shù)量為田間場景圖片數(shù)量的100%時（FL100），在RestNeSt-50、VGG-16 和ResNet-50 上平均F1 分?jǐn)?shù)分別為0.9922、0.9881 和0.9953,平均損失值分別為0.0094、0.0119 和0.0075（圖4）。

圖4 訓(xùn)練集數(shù)據(jù)集改變對植物病害識別模型在驗證集上的平均F1 分?jǐn)?shù)與損失值的影響Fig.4 Mean F1 score and loss of plant diseases recognition models of the training with different datasets on validation sets

使用實驗室場景與田間場景來源圖片比例為1∶1 的測試集對上述模型進(jìn)行評價。LF0 在RestNeSt-50、VGG-16 和ResNet-50 上的總精度分別為73.00%、78.67% 和73.33%；LF30 在RestNeSt-50、VGG-16 和ResNet-50 上的總精度分別為97.33%、96.00%和97.33%，相比LF0 有大幅度提升。FL0 在RestNeSt-50、VGG-16 和ResNet-50 上的總精度分別為95.67%、97.67%和95.67%；FL30 在RestNeSt-50、VGG-16 和ResNet-50 上的總精度分別為97.33%、97.00%和97.00%；FL100 在RestNeSt-50、VGG-16 和ResNet-50 上的總精度分別為99.33%、98.00%和99.33%，相比FL0 有小幅度提升?？傮w而言，模型的識別總精度隨圖片數(shù)量增加而增加；當(dāng)在100%實驗室場景圖片訓(xùn)練集內(nèi)增加30%的田間場景圖片，模型總精度明顯提高；當(dāng)訓(xùn)練集增加的另一種場景圖片數(shù)量為原先場景圖片數(shù)量的70%～100%時，總精度趨于穩(wěn)定（圖5）。

圖5 訓(xùn)練集數(shù)據(jù)集改變的不同網(wǎng)絡(luò)結(jié)構(gòu)在測試集上的識別準(zhǔn)確率Fig.5 Recognition accuracies of different network structures change by the training datasets on test sets

3 討論

諸多研究表明，建立高精度的深度學(xué)習(xí)病害識別模型，需要大量的作物病害及健康數(shù)據(jù)，其中健康作物的數(shù)據(jù)有利于增強(qiáng)深度學(xué)習(xí)模型對病害特征的學(xué)習(xí)［1,5］，如已報道的Plant Village 數(shù)據(jù)集［13］包含38 種作物感病-健康配對數(shù)據(jù)。但健康作物的數(shù)據(jù)并非必要存在，以Plant Village數(shù)據(jù)集為例，其中的柑桔黃龍病以及南瓜白粉病并無相應(yīng)健康作物數(shù)據(jù)與之配對。另有報道稱將不同作物的相同病害或健康數(shù)據(jù)進(jìn)行合并，能夠提高深度學(xué)習(xí)模型對田間病害識別的準(zhǔn)確率［5］。本實驗設(shè)計時，曾考慮病害識別模型對不同作物不同病害的特征識別（柑桔、蘋果、芒果），以及同一作物健康與感病情況的區(qū)分（健康芒果與芒果細(xì)菌性斑點?。?。本實驗結(jié)果表明，通過調(diào)整數(shù)據(jù)分布的方法，模型對不同的作物病害以及同一作物的不同類別的識別均有提升。目前本方法所應(yīng)用的數(shù)據(jù)集偏小，有待進(jìn)一步放大數(shù)據(jù)集，同時擴(kuò)大應(yīng)用和優(yōu)化范圍。

實驗室場景采集到的圖片往往具有一定的采集標(biāo)準(zhǔn)，其圖片的病害特征清晰，且大多背景一致，拍攝角度差別不大，而田間場景圖片往往情況復(fù)雜，采集標(biāo)準(zhǔn)較難統(tǒng)一，采集時存在不同光照強(qiáng)度及角度，背景復(fù)雜多變，因而模型對田間場景圖片識別的準(zhǔn)確率往往較低。諸多報道表明，僅使用以實驗室場景圖片訓(xùn)練的模型，對實驗室場景圖片識別的準(zhǔn)確率多在90%以上［1,3-7,9-10］，而對田間場景圖片識別的準(zhǔn)確率大大低于實驗室場景圖片［1,4-5］，本研究也得到相同結(jié)果。Lee 等［5］研究表明，使用以田間場景圖片訓(xùn)練的模型用于實驗室場景圖片識別，其準(zhǔn)確率約為60%，本研究獲得的準(zhǔn)確率略高于該報道?；诖耍狙芯空J(rèn)為，訓(xùn)練集場景過于單一不利于建立農(nóng)業(yè)生產(chǎn)復(fù)雜環(huán)境下的識別模型。調(diào)整訓(xùn)練 集內(nèi)不同場景圖片數(shù)據(jù)的比例，是提升病害識別模型準(zhǔn)確率和魯棒性的一個行之有效的方案。

因而，在基于深度學(xué)習(xí)的植物病害識別模型中，訓(xùn)練集的圖片類型對模型的識別準(zhǔn)確率十分重要。Fuentes 等報道了可識別29 種植物病害模型訓(xùn)練及準(zhǔn)確度的測試結(jié)果，通過比較訓(xùn)練集內(nèi)不同病害種類不同場景圖片的分布，認(rèn)為訓(xùn)練集為混合場景圖片數(shù)據(jù)的，病害類別識別準(zhǔn)確率整體優(yōu)于單一場景照片訓(xùn)練集數(shù)據(jù)［10］。本研究也得到相似的結(jié)果，進(jìn)一步證實了訓(xùn)練集使用混合場景圖片數(shù)據(jù)更有利于提升病害識別模型在田間場景下的識別準(zhǔn)確率。

在植物病害識別模型研究中，ResNet-50 和VGG-16 是最為常見的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)［1-7］。ResNet-50 解決了梯度彌散問題，比VGG-16 具有更高的預(yù)測精度［21-25］。ResNeSt-50 為2020 年報道的拆分注意力深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，具有不錯的預(yù)測精度［16］。近年來，該網(wǎng)絡(luò)結(jié)構(gòu)逐漸運用于植物病蟲害識別領(lǐng)域，已報道的有木薯病害識別、無人機(jī)采集的玉米草地貪夜蛾危害狀識別及水稻病害識別等，預(yù)測精度均優(yōu)于其他網(wǎng)絡(luò)［25-27］。在本研究結(jié)果中，3 種網(wǎng)絡(luò)結(jié)構(gòu)的總精度差別不大，變化趨勢基本一致，VGG-16 的預(yù)測總精度稍低于ResNet-50 和ResNeSt-50，ResNeSt-50 的預(yù)測總精度略優(yōu)于ResNet-50。本研究側(cè)重于研究不同場景的數(shù)據(jù)分布對深度學(xué)習(xí)模型準(zhǔn)確率的影響，獲得了較好的效果，為建立更加科學(xué)、高效的病害識別模型提供了重要參考和借鑒。今后還將結(jié)合實際生產(chǎn)應(yīng)用需要，增加數(shù)據(jù)量和場景差異性，進(jìn)一步對病害識別模型進(jìn)行改進(jìn)、優(yōu)化與驗證。

4 結(jié)論

本實驗通過調(diào)整實驗室和田間場景的病害圖片的配比，使用3 種不同的網(wǎng)絡(luò)結(jié)構(gòu)分別進(jìn)行訓(xùn)練，以了解數(shù)據(jù)結(jié)構(gòu)變化對病蟲識別模型準(zhǔn)確率的影響，結(jié)果表明：（1）在數(shù)據(jù)集數(shù)量不增加的情況下，通過調(diào)整不同場景數(shù)據(jù)比例，對訓(xùn)練得到的模型的準(zhǔn)確率存在影響，當(dāng)田間場景圖片比例達(dá)到30%時即可大幅度提升模型的準(zhǔn)確率。（2）訓(xùn)練圖片數(shù)量的增加可以提高模型的識別準(zhǔn)確率。在實驗室場景圖片中增加30%的田間場景圖片，即可大幅度提升模型準(zhǔn)確率。在田間場景圖片中增加實驗室場景圖片，對模型的準(zhǔn)確率有一定提升，但提升幅度不大。（3）通過在訓(xùn)練集為實驗室場景圖片中增加田間場景圖片的方法，得到的病害識別模型對實驗室場景和田間場景圖片均具有相當(dāng)?shù)淖R別準(zhǔn)確率。

綜上所述，該方法適用于農(nóng)業(yè)復(fù)雜環(huán)境下的高準(zhǔn)確度植物病害識別模型的快速建立，可以減少深度學(xué)習(xí)模型對田間場景數(shù)據(jù)的依賴，縮短田間數(shù)據(jù)采集周期，降低田間數(shù)據(jù)采集成本，同時提高深度學(xué)習(xí)植物病害識別模型在實際運用中的準(zhǔn)確率、適用性和穩(wěn)定性，為人工智能深度學(xué)習(xí)技術(shù)進(jìn)一步運用于智慧農(nóng)業(yè)的病蟲害防治提供理論和實踐基礎(chǔ)。