基于改進(jìn)FixMatch算法的半監(jiān)督番茄病蟲(chóng)害識(shí)別

doi：10.15889/j.issn.1002-1302.2024.20.029

摘要：為了快速準(zhǔn)確地識(shí)別番茄葉片病蟲(chóng)害，從而提升番茄產(chǎn)量和品質(zhì)，在有限設(shè)備資源條件下實(shí)現(xiàn)番茄病蟲(chóng)害的精準(zhǔn)防治，針對(duì)以往番茄病蟲(chóng)害識(shí)別算法數(shù)據(jù)標(biāo)注成本過(guò)高的問(wèn)題，提出一種基于改進(jìn)FixMatch算法的半監(jiān)督番茄病害圖像識(shí)別方法。首先，對(duì)真實(shí)場(chǎng)景采集的番茄病蟲(chóng)害數(shù)據(jù)進(jìn)行深入分析，挖掘出數(shù)據(jù)集規(guī)模不明、類間數(shù)據(jù)不均衡性較為嚴(yán)重的特性，在原始FixMatch算法的基礎(chǔ)上，引入k-means聚類算法篩選出代表性數(shù)據(jù)進(jìn)行標(biāo)注，以提高標(biāo)注數(shù)據(jù)的性價(jià)比。其次，設(shè)計(jì)一種自適應(yīng)偽標(biāo)簽數(shù)據(jù)補(bǔ)充模塊，使得在半監(jiān)督分類算法迭代過(guò)程中，自適應(yīng)地調(diào)整不同類別的偽標(biāo)簽判定閾值，并且引入Focal Loss，以保證模型免受類別不均衡的影響。試驗(yàn)結(jié)果表明，在kaggle提供的公開(kāi)數(shù)據(jù)集New Plant Diseases Dataset的10種番茄病害上，本研究提出的半監(jiān)督番茄病蟲(chóng)害識(shí)別算法僅使用2 000張（約訓(xùn)練數(shù)據(jù)的10%）的標(biāo)注數(shù)據(jù)進(jìn)行模型訓(xùn)練，在測(cè)試集上的準(zhǔn)確率可達(dá)到98.16%，比原始FixMatch算法提高了1.34百分點(diǎn)。經(jīng)過(guò)對(duì)比試驗(yàn)表明，本研究提出的基于k-means聚類算法的代表數(shù)據(jù)預(yù)選模塊比隨機(jī)挑選的準(zhǔn)確率提高23.92百分點(diǎn)，基于自適應(yīng)閾值截?cái)嗟膫螛?biāo)簽判斷模塊在困難樣本類別上比原始FixMatch算法高出5.00百分點(diǎn)。綜上所述，本研究所提出的基于改進(jìn)FixMatch算法的半監(jiān)督番茄病蟲(chóng)害識(shí)別算法能夠提高半監(jiān)督圖像識(shí)別任務(wù)的準(zhǔn)確率，對(duì)于真實(shí)場(chǎng)景下如何挑選數(shù)據(jù)標(biāo)注以及如何制定訓(xùn)練過(guò)程中的偽標(biāo)簽監(jiān)督策略都有著積極的參考意義，降低了番茄病蟲(chóng)害識(shí)別模型的數(shù)據(jù)標(biāo)注成本，助力智慧農(nóng)業(yè)發(fā)展。

關(guān)鍵詞：番茄；病蟲(chóng)害；改進(jìn)FixMatch算法；半監(jiān)督學(xué)習(xí)；圖像分類

中圖分類號(hào)：S126；TP391.41" 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）20-0244-06

收稿日期：2024-04-24

基金項(xiàng)目：河南省重點(diǎn)研發(fā)與推廣專項(xiàng)（科技攻關(guān)）（編號(hào)：232102111118）；信陽(yáng)農(nóng)林學(xué)院青年基金（編號(hào)：QN2022020、QN2021046）；信陽(yáng)農(nóng)林學(xué)院科技創(chuàng)新團(tuán)隊(duì)項(xiàng)目（編號(hào)：XNKJTD-011）。

作者簡(jiǎn)介：嚴(yán)露露（1995—），女，河南信陽(yáng)人，碩士，助教，主要從事溫室智能化栽培與環(huán)境調(diào)控研究。E-mail：2020190001@xyafu.edu.cn。

通信作者：程湞湞，博士，講師，主要從事圖像處理與模式識(shí)別研究，E-mail：2021190008@xyafu.edu.cn。

番茄是我國(guó)重要的蔬菜之一，在我國(guó)的栽培面積和總產(chǎn)量均居世界首位［1］。番茄種植過(guò)程中常遭遇多種病害，嚴(yán)重影響番茄的產(chǎn)量，導(dǎo)致番茄品質(zhì)降低，對(duì)病害的防治也大大增加了作物種植成本。針對(duì)番茄的病蟲(chóng)害檢測(cè)可以進(jìn)行早期預(yù)警，基于準(zhǔn)確的病蟲(chóng)害診斷進(jìn)行精準(zhǔn)施藥，是番茄病蟲(chóng)害防控體系中至關(guān)重要的一個(gè)環(huán)節(jié)［2-3］。傳統(tǒng)農(nóng)業(yè)生產(chǎn)中，番茄病蟲(chóng)害識(shí)別主要依靠種植者的經(jīng)驗(yàn)和生物檢驗(yàn)。前者主觀性強(qiáng)，容易出現(xiàn)誤判，后者損傷植物組織且呈現(xiàn)滯后性，影響藥劑的及時(shí)噴施［4-5］。因此，提供一種快速、無(wú)損且準(zhǔn)確的番茄病蟲(chóng)害識(shí)別方法十分必要。

隨著人工智能領(lǐng)域的發(fā)展，圖像處理、神經(jīng)網(wǎng)絡(luò)等技術(shù)廣泛應(yīng)用到農(nóng)業(yè)作物圖像提取與分類中［6-8］。近幾年，基于神經(jīng)網(wǎng)絡(luò)的方法進(jìn)一步應(yīng)用于番茄葉片病蟲(chóng)害識(shí)別。倪智濤等提出了一種將圖像分類技術(shù)與目標(biāo)檢測(cè)技術(shù)協(xié)同融合的細(xì)粒度病蟲(chóng)害識(shí)別方法，提高了番茄細(xì)粒度病蟲(chóng)害識(shí)別的精確度［9］。張俊寧等提出了一種基于注意力機(jī)制與改進(jìn)YOLO v5s的溫室番茄目標(biāo)快速檢測(cè)方法，提高了邊界框回歸速率和果實(shí)目標(biāo)定位精度［10］。郭小燕等在ResNet 50中引入雙層注意力機(jī)制與通道特征提取機(jī)制，設(shè)計(jì)并驗(yàn)證了基于全局特征提取的深度學(xué)習(xí)網(wǎng)絡(luò)的有效性［11］。馬麗等改進(jìn)了MobileNet v3模型用于番茄病害識(shí)別，改進(jìn)后模型平均識(shí)別準(zhǔn)確率可達(dá)97.29%［12］。陳林琳等利用計(jì)算機(jī)視覺(jué)中的圖像識(shí)別與特征提取技術(shù)建立了芋頭病害識(shí)別監(jiān)測(cè)理論模型和識(shí)別系統(tǒng)，該系統(tǒng)對(duì)芋頭病害的識(shí)別率平均維持在88%以上［13］。與傳統(tǒng)基于特征分類的病蟲(chóng)害識(shí)別算法相比，深度神經(jīng)網(wǎng)絡(luò)圖像分類算法的識(shí)別精度更高，應(yīng)用場(chǎng)景更廣泛［14-16］。為了充分訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，提高識(shí)別效果，需要使用大規(guī)模含標(biāo)注信息的數(shù)據(jù)集作為支撐，但在實(shí)際農(nóng)業(yè)生產(chǎn)中，如此高成本的方案難以施行。

基于以上問(wèn)題，研究者們提出了多項(xiàng)基于半監(jiān)督學(xué)習(xí)的病蟲(chóng)害識(shí)別算法［17-19］。使用半監(jiān)督病蟲(chóng)害識(shí)別算法，僅需要少部分的標(biāo)注數(shù)據(jù)，同時(shí)訓(xùn)練標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)，便可實(shí)現(xiàn)較好的識(shí)別效果。本研究基于FixMatch半監(jiān)督圖像分類算法，引入 k-means聚類算法用于篩選代表數(shù)據(jù)進(jìn)行標(biāo)注，聚焦模型前期能力差和類間數(shù)據(jù)不均衡性的問(wèn)題引入了基于自適應(yīng)閾值截?cái)嗟膫螛?biāo)簽判斷和圖像分類Focal Loss，以改善原模型對(duì)于類別不均衡情況下樣本較少類別識(shí)別率差的缺陷，提升半監(jiān)督模式下番茄病蟲(chóng)害識(shí)別的準(zhǔn)確率［20］。

1" 材料與方法

1.1" 數(shù)據(jù)集介紹

本試驗(yàn)使用的番茄葉片病害數(shù)據(jù)集是Kaggle提供的2個(gè)番茄葉片病害數(shù)據(jù)集New Plant Diseases Dataset（https：//www.kaggle.com/datasets/ashishmotwani/tomato/data和https：//www.kaggle.com/datasets/noulam/tomato）整理而成，整理后的數(shù)據(jù)共包含19 349張訓(xùn)練集圖片和4 837張驗(yàn)證集圖片，包含10種不同類型的番茄病害葉片圖像和1種類型的番茄健康葉片圖像，是專門用于番茄葉片病害識(shí)別模型訓(xùn)練和驗(yàn)證的數(shù)據(jù)集。具體數(shù)據(jù)詳情見(jiàn)表1。

從表1可以看出，不同葉片病害的數(shù)據(jù)數(shù)量差異較大，對(duì)于模型訓(xùn)練存在較大干擾，使得模型極易向數(shù)據(jù)多、易于識(shí)別的病害類別上傾斜，而忽視了數(shù)據(jù)少、較難識(shí)別的病害類別。本研究所提出的半監(jiān)督番茄病害識(shí)別算法針對(duì)這種類間數(shù)據(jù)不均衡問(wèn)題有較好的表現(xiàn)。

1.2" 基于改進(jìn)FixMatch的半監(jiān)督番茄葉片病害識(shí)別算法設(shè)計(jì)

本研究提出的基于改進(jìn)FixMatch的半監(jiān)督番茄葉片病害識(shí)別模型是基于公認(rèn)有效的半監(jiān)督框架構(gòu)建的，利用一致性正則化和偽標(biāo)簽2種技術(shù)手段來(lái)有效利用未標(biāo)注數(shù)據(jù)，使得未標(biāo)注數(shù)據(jù)參與模型訓(xùn)練，提升模型在有限標(biāo)注數(shù)據(jù)下的學(xué)習(xí)效果。原始FixMatch算法的流程分為3步：（1）數(shù)據(jù)增強(qiáng)策略。半監(jiān)督的理論依據(jù)是：對(duì)同一張圖像進(jìn)行不同的數(shù)據(jù)增強(qiáng)后，模型識(shí)別出該圖像所屬的類別應(yīng)該是一致的。算法使用雙路徑數(shù)據(jù)增強(qiáng)方案，弱增強(qiáng)（如隨機(jī)反轉(zhuǎn)、裁剪等基本變換）用于生成偽標(biāo)簽，而強(qiáng)增強(qiáng)（如色彩區(qū)域變換、隨機(jī)空洞等進(jìn)階變換）用于強(qiáng)化模型對(duì)輸入擾動(dòng)的魯棒性。（2）偽標(biāo)簽生成。模型在訓(xùn)練過(guò)程中，對(duì)弱增強(qiáng)后的未標(biāo)注數(shù)據(jù)進(jìn)行預(yù)測(cè)，并設(shè)置1個(gè)截?cái)嚅撝祦?lái)篩選具有高度置信度的偽標(biāo)簽，只有當(dāng)模型對(duì)某個(gè)樣本的預(yù)測(cè)概率超出預(yù)設(shè)截?cái)嚅撝禃r(shí)，才會(huì)將其作為可靠的偽標(biāo)簽保留下來(lái)參與模型損失計(jì)算。（3）一致性正則化。對(duì)于未標(biāo)注樣本，模型的目標(biāo)是在同一個(gè)樣本強(qiáng)增強(qiáng)后預(yù)測(cè)出的結(jié)果和弱增強(qiáng)后生成的偽標(biāo)簽一致的結(jié)果，從而實(shí)現(xiàn)一致性約束。

原始FixMatch算法對(duì)于選擇哪些數(shù)據(jù)進(jìn)行標(biāo)注以及類間不均衡問(wèn)題未進(jìn)行深入研究，針對(duì)這些問(wèn)題，本研究提出了改進(jìn)后的FixMatch算法。算法框架如圖1所示。在原始FixMatch框架的基礎(chǔ)上，新增了基于k-means聚類算法的代表數(shù)據(jù)預(yù)選模塊、基于自適應(yīng)閾值截?cái)嗟膫螛?biāo)簽判斷模塊和多分類Focal Loss。首先，算法使用k-means的聚類結(jié)果來(lái)預(yù)選更具代表性的數(shù)據(jù)進(jìn)行標(biāo)注，有利于模型迅速、準(zhǔn)確地迭代訓(xùn)練。隨后，使用隨機(jī)數(shù)據(jù)增強(qiáng)策略，對(duì)未標(biāo)注數(shù)據(jù)分別進(jìn)行弱增強(qiáng)和強(qiáng)增強(qiáng)。針對(duì)模型對(duì)這2種增強(qiáng)方式的預(yù)測(cè)結(jié)果，使用基于自適應(yīng)閾值截?cái)嗟膫螛?biāo)簽判斷模塊來(lái)確定哪些未標(biāo)注數(shù)據(jù)被納入訓(xùn)練過(guò)程，而不是FixMatch算法的固定截?cái)嚅撝?。最后，使用多分類Focal Loss計(jì)算標(biāo)注數(shù)據(jù)的監(jiān)督損失和未標(biāo)注數(shù)據(jù)的一致性損失，聯(lián)合進(jìn)行模型迭代訓(xùn)練。

1.2.1" 基于k-means聚類算法的代表數(shù)據(jù)預(yù)選模

塊" 對(duì)于現(xiàn)實(shí)采集的數(shù)據(jù)集，相比于有監(jiān)督數(shù)據(jù)而言，半監(jiān)督數(shù)據(jù)無(wú)法知曉數(shù)據(jù)集的全部信息，僅知道類別的數(shù)量卻不知道各個(gè)類別的數(shù)量等信息。而現(xiàn)有的方案均是假設(shè)已知各類別數(shù)據(jù)數(shù)量的前提下進(jìn)行標(biāo)注數(shù)據(jù)預(yù)選，這是不符合真實(shí)情形的。除此之外，在試驗(yàn)過(guò)程中本研究還發(fā)現(xiàn)，選取不同組合的標(biāo)注數(shù)據(jù)，對(duì)模型訓(xùn)練結(jié)果影響較大，其影響原因是選取的標(biāo)注數(shù)據(jù)是否能更好的代表此類數(shù)據(jù)的平均特征。經(jīng)過(guò)試驗(yàn)發(fā)現(xiàn)，選取更具代表性的數(shù)據(jù)作為半監(jiān)督模型中的標(biāo)注數(shù)據(jù)，比隨機(jī)選擇數(shù)據(jù)的方式模型效果更好。針對(duì)這種情況，本研究提出了基于k-means聚類算法的代表數(shù)據(jù)預(yù)選模塊。首先，設(shè)置數(shù)據(jù)集X的類別種數(shù)N及半監(jiān)督抽樣比例μ，μ為構(gòu)建代表性待標(biāo)注數(shù)據(jù)子集的抽樣比例。隨后，采用經(jīng)過(guò)ImageNet預(yù)訓(xùn)練的ResNet 101卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)原始圖像數(shù)據(jù)進(jìn)行特征提取，生成對(duì)應(yīng)的高維特征向量集合F，此步驟利用了深度學(xué)習(xí)模型強(qiáng)大的特征學(xué)習(xí)能力，將復(fù)雜的圖像信息轉(zhuǎn)化為易于處理的特征表示。接著運(yùn)用k-means聚類算法對(duì)提取出的特征向量F進(jìn)行迭代優(yōu)化，以N個(gè)聚類中心為基礎(chǔ)，不斷更新類別劃分直至收斂。最后進(jìn)行代表性樣本選擇，選取原則是距離該類聚類中心越近的數(shù)據(jù)，在此類數(shù)據(jù)中的代表性越高。具體過(guò)程為：針對(duì)每個(gè)類別，計(jì)算其余圖像特征與當(dāng)前類別中心的距離，并根據(jù)距離排序；選取距離當(dāng)前類別中心最近的（X×μ）/N個(gè)數(shù)據(jù)為該類別的代表性樣本。最終，可以獲得一個(gè)包含 X×μ 個(gè)樣本的待標(biāo)注數(shù)據(jù)集，其中每個(gè)類別均有 （X×μ）/N 個(gè)最具代表性的樣本，這些數(shù)據(jù)可用于進(jìn)一步的人工標(biāo)注，從而豐富有監(jiān)督信息，更有效地提升后續(xù)分類任務(wù)的性能。圖2為基于k-means聚類算法的代表數(shù)據(jù)預(yù)選模塊選出的各類前3名代表性數(shù)據(jù)和最不具代表性的數(shù)據(jù)?？梢钥闯觯哂写硇缘臄?shù)據(jù)更能代表該類的平均特征，而最不具代表性的數(shù)據(jù)往往與該類其余數(shù)據(jù)特征差異較大。

1.2.2" 基于自適應(yīng)閾值截?cái)嗟膫螛?biāo)簽判斷模塊" 在半監(jiān)督訓(xùn)練過(guò)程中，公認(rèn)的難點(diǎn)在于如何判斷未標(biāo)注數(shù)據(jù)經(jīng)過(guò)模型推理得到的偽標(biāo)簽是否可納入無(wú)監(jiān)督訓(xùn)練。先進(jìn)的半監(jiān)督算法一般采用對(duì)預(yù)測(cè)分布進(jìn)行置信度截?cái)嗟姆绞絹?lái)作為判斷標(biāo)準(zhǔn)，如FixMatch算法便是將預(yù)測(cè)分布中最大置信度大于0.9的數(shù)據(jù)納入到無(wú)監(jiān)督訓(xùn)練中。但這種方法存在2個(gè)局限性，首先是未考慮到模型前期預(yù)測(cè)能力弱的問(wèn)題，在模型訓(xùn)練前期，由于尚未學(xué)習(xí)到有效分類能力，亂預(yù)測(cè)的結(jié)果參與到訓(xùn)練過(guò)程會(huì)導(dǎo)致模型整體學(xué)偏，產(chǎn)生惡性循環(huán)。其次是未考慮到類別不均衡問(wèn)題，對(duì)于少樣本的類別而言，其參與到訓(xùn)練的未標(biāo)注數(shù)據(jù)自然也比多樣本類別要少，從而導(dǎo)致模型向多樣本類別偏向。針對(duì)以上2個(gè)局限性問(wèn)題，本研究提出了基于自適應(yīng)閾值截?cái)嗟膫螛?biāo)簽判斷模塊。該模塊的工作流程如下：（1）判斷當(dāng)前訓(xùn)練處于哪個(gè)階段，若當(dāng)前參與進(jìn)訓(xùn)練的未標(biāo)注數(shù)據(jù)比例在50%以下，則處于訓(xùn)練前期，否則處于訓(xùn)練后期。（2）若當(dāng)前處于訓(xùn)練前期，在判斷當(dāng)前樣本是否應(yīng)該被納入訓(xùn)練中時(shí)，其截?cái)嚅撝颠€需加入該樣本的k-means聚類結(jié)果來(lái)輔助評(píng)估。若該樣本的模型推理結(jié)果和k-means聚類結(jié)果一致，則截?cái)嚅撝翟O(shè)置為0.80，若不一致，則截?cái)嚅撝翟O(shè)置為0.95。

（3）若當(dāng)前處于訓(xùn)練后期，僅通過(guò)模擬的推理結(jié)果來(lái)判斷，不再借用k-means的聚類結(jié)果來(lái)輔助評(píng)估。且在判斷過(guò)程中，根據(jù)上一輪各類別已納入訓(xùn)練的非標(biāo)注樣本數(shù)量比例，來(lái)自適應(yīng)地調(diào)整每一類的截?cái)嚅撝怠Ｗ赃m應(yīng)截?cái)嚅撝档挠?jì)算準(zhǔn)則為：具有最多納入訓(xùn)練樣本數(shù)量的類別的截?cái)嚅撝翟O(shè)為0.95，最少的類別設(shè)為0.80，其余類別分別按比例在二者之間取值。

1.2.3" 圖像多分類Focal Loss" 雖然在“1.2.2”節(jié)中針對(duì)類別不均衡問(wèn)題進(jìn)行了優(yōu)化，但由于k-means聚類結(jié)果的不確定性和自適應(yīng)閾值截?cái)喾桨傅臏笮裕贅颖绢悇e在模型訓(xùn)練過(guò)程中的重要程度依然偏弱。為了進(jìn)一步優(yōu)化類別不均衡問(wèn)題，本研究引入了多分類Focal Loss［21］作為損失函數(shù)，在損失反向傳播過(guò)程中均衡各類別間的重要性。本研究中用到的多分類Focal Loss見(jiàn)公式（1）。

FL（pt）=-αt（1-pt）γlg（pt）。（1）

式中：FL（pt）為第t類數(shù)據(jù)計(jì)算得到的損失值；αt是第t類的加權(quán)因子，類別樣本數(shù)越少的加權(quán)因子越大；γ為常數(shù)，用于提高困難樣本的權(quán)重；pt為該樣本被預(yù)測(cè)為真值類的估計(jì)概率。

1.3 "評(píng)價(jià)指標(biāo)

為了評(píng)估所提出算法在番茄葉片病害識(shí)別任務(wù)上的有效性，本研究使用平均識(shí)別準(zhǔn)確率和各類識(shí)別準(zhǔn)確率來(lái)進(jìn)行模型效果評(píng)估。除此之外，為了評(píng)估模型篩選健康番茄和患病番茄的能力，本研究還采用了健康樣本識(shí)別精確率（health precision，HP，所有健康樣本被正確識(shí)別為健康的比例）和病害樣本識(shí)別精確率（disease precision，DP，所有病害樣本被正確識(shí)別為病害的比例）2個(gè)指標(biāo)來(lái)進(jìn)行算法效果評(píng)估。本研究中平均識(shí)別準(zhǔn)確率是所有樣本被正確識(shí)別的比例。

2" 結(jié)果與分析

2.1" 試驗(yàn)平臺(tái)和參數(shù)設(shè)置

試驗(yàn)平臺(tái)設(shè)置：試驗(yàn)所涉及到的全部模型均在CPU為18 vCPU AMD EPYC 9754 128-Core Processor、GPU為NVIDIA GeForce RTX 4090D、顯存為24 GB的臺(tái)式計(jì)算機(jī)上進(jìn)行訓(xùn)練和測(cè)試。該計(jì)算機(jī)的操作系統(tǒng)為Unbutu 20.04，CUDA庫(kù)版本為11.3，深度學(xué)習(xí)框架為Python 3.8、Pytorch 1.10.0。

訓(xùn)練參數(shù)設(shè)置：整體訓(xùn)練分為2個(gè)階段，訓(xùn)練前期和后期，通過(guò)判斷當(dāng)前參與訓(xùn)練的未標(biāo)注數(shù)據(jù)比例是否大于50%來(lái)區(qū)分。在訓(xùn)練前期，對(duì)模型推理結(jié)果與k-means聚類結(jié)果一致的樣本，其置信度截?cái)嘀翟O(shè)置為0.80，不一致的樣本設(shè)置為0.95。在訓(xùn)練后期，根據(jù)該類別被納入訓(xùn)練樣本的數(shù)量，置信度最大截?cái)嘀倒潭ㄔO(shè)置為0.95，而最小截?cái)嘀翟O(shè)定為0.80。模型共訓(xùn)練100輪，樣本批量大?。╞atchsize）設(shè)置為4，每次迭代均使用batchsize個(gè)標(biāo)注樣本和batchsize×7個(gè)未標(biāo)注樣本。初始學(xué)習(xí)率設(shè)置為0.03，學(xué)習(xí)率衰減策略為余弦退火衰減，優(yōu)化器為SGD、nesterov動(dòng)量系數(shù)為0.9。損失函數(shù)中，F(xiàn)ocal Loss的值設(shè)置為2.0。半監(jiān)督訓(xùn)練數(shù)據(jù)抽取比例μ為10%（2 000張）。

試驗(yàn)使用的模型為WideResNet（wide residual networks），是ResNet的變種網(wǎng)絡(luò)模型。在本研究中，使用了深度為28層、寬度為2的WideResNet模型。本研究中使用到的所有數(shù)據(jù)增廣方式均與FixMatch算法一致。

2.2" 消融試驗(yàn)

2.2.1" 基于k-means聚類算法的代表數(shù)據(jù)預(yù)選模塊消融試驗(yàn)" 為了判斷基于k-means聚類算法的代表數(shù)據(jù)預(yù)選模塊的有效性，本研究設(shè)置了3組試驗(yàn)，第1組為從全部數(shù)據(jù)中隨機(jī)挑選X×μ個(gè)數(shù)據(jù)作為標(biāo)注數(shù)據(jù)，第2組為從k-means聚類結(jié)果中在各類別數(shù)據(jù)中隨機(jī)挑選X×μ/N個(gè)樣本組成訓(xùn)練數(shù)據(jù)，第3組為本研究實(shí)際應(yīng)用的方案，即從k-means聚類結(jié)果中抽取距離各聚類中心最近的X×μ/N個(gè)數(shù)據(jù)作為標(biāo)注數(shù)據(jù)。基于這3種方案選取的數(shù)據(jù)，本研究分別使用相同的試驗(yàn)設(shè)置進(jìn)行模型訓(xùn)練和測(cè)試，測(cè)試結(jié)果如表2所示。

表2" 代表數(shù)據(jù)預(yù)選模塊消融試驗(yàn)結(jié)果

方案精度最差類別準(zhǔn)確率（%）病害樣本識(shí)別精確率（%）健康樣本識(shí)別精確率（%）平均識(shí)別準(zhǔn)確率（%）

第1組：隨機(jī)挑選30.6096.7695.8473.39

第2組：類間隨機(jī)挑選87.5099.2098.5496.82

第3組：本研究方案90.6299.8299.8997.31

從表2可以看出，本研究實(shí)際使用方案的平均識(shí)別準(zhǔn)確率最高，超出第2組方案0.49百分點(diǎn)，超出第1組方案23.92百分點(diǎn)。在精度最差類別上以及健康/病害樣本識(shí)別任務(wù)上，本研究方案的識(shí)別精度同樣大幅領(lǐng)先。這充分說(shuō)明了本研究提出的基于k-means聚類算法的代表數(shù)據(jù)預(yù)選模塊在半監(jiān)督圖像分類任務(wù)中發(fā)揮了正向作用。試驗(yàn)中發(fā)現(xiàn)，使用第1組隨機(jī)挑選方案的試驗(yàn)出現(xiàn)多次無(wú)法收斂的情況，這是由于抽取到的數(shù)據(jù)過(guò)于偏向于某一類或極其不具備代表性導(dǎo)致的。

2.2.2" 基于自適應(yīng)閾值截?cái)嗟膫螛?biāo)簽判斷模塊消融試驗(yàn)" 為了優(yōu)化半監(jiān)督圖像分類任務(wù)中模型訓(xùn)練前期亂預(yù)測(cè)和類別不均衡的問(wèn)題，本研究提出了基于自適應(yīng)閾值截?cái)嗟膫螛?biāo)簽判斷模塊，為驗(yàn)證此模塊的有效性，本研究設(shè)計(jì)了2組試驗(yàn)，第1組是將原始FixMatch的偽標(biāo)簽判斷模塊替換到本研究提出的方案中，第2組是本研究提出的方案，其他試驗(yàn)設(shè)置均相同，測(cè)試結(jié)果如表3所示。從表3可以看出，使用自適應(yīng)閾值截?cái)鄠螛?biāo)簽判斷模塊的第2組模型在番茄葉片病害識(shí)別任務(wù)上比第1組表現(xiàn)更優(yōu)異，平均識(shí)別準(zhǔn)確率超出0.81百分點(diǎn)。除此之外，第2組模型在少樣本類別（白粉?。┥系淖R(shí)別準(zhǔn)確率比第1組模型更是超出2.27百分點(diǎn)，在困難類別（早疫?。┥铣?.00百分點(diǎn)。這充分說(shuō)明了本研究所提出的偽標(biāo)簽判斷模塊的有效性。

2.2.3" 圖像多分類Focal Loss" 在其他試驗(yàn)設(shè)置均使用最優(yōu)方案的基礎(chǔ)上，本研究還設(shè)置了2組對(duì)比試驗(yàn)用于驗(yàn)證引入的圖像多分類Focal Loss的有效性，分別使用原始交叉熵?fù)p失和使用多分類Focal Loss作為模型損失函數(shù)。從表4可以看出，使用Focal

Loss使得困難類別早疫病識(shí)別準(zhǔn)確率提升1.67百分點(diǎn)，少樣本類別葉霉病識(shí)別準(zhǔn)確率提升0.55百分點(diǎn)，平均識(shí)別準(zhǔn)確率超出0.52百分點(diǎn)，由此可見(jiàn)，在數(shù)據(jù)均衡度較嚴(yán)重的數(shù)據(jù)上，F(xiàn)ocal Loss一定程度上可以提升半監(jiān)督圖像分類模型識(shí)別番茄葉片病害的準(zhǔn)確率。

2.3" 算法性能分析

為了驗(yàn)證改進(jìn)后的FixMatch算法相比于原始FixMatch算法的優(yōu)越性，將二者在番茄葉片病害識(shí)別任務(wù)上進(jìn)行對(duì)比測(cè)試，除本研究所提出的3個(gè)創(chuàng)新點(diǎn)外，其余的試驗(yàn)設(shè)置均一致，以保證試驗(yàn)結(jié)果對(duì)比的公平性。除此之外，使用同一個(gè)網(wǎng)絡(luò)模型和訓(xùn)練設(shè)置，使用挑選出來(lái)的數(shù)據(jù)進(jìn)行有監(jiān)督訓(xùn)練，和半監(jiān)督結(jié)果進(jìn)行對(duì)比測(cè)試。

本研究提出的改進(jìn)后FixMatch和原始FixMatch算法在番茄葉片病害識(shí)別任務(wù)上的最終結(jié)果對(duì)比結(jié)果（表5）顯示，在抽樣比例為10%的情況下，改進(jìn)后的FixMatch算法在番茄葉片病害識(shí)別任務(wù)上均表現(xiàn)的更好，平均識(shí)別準(zhǔn)確率達(dá)到了98.16%，相比于原始FixMatch算法提升了1.34百分點(diǎn)，相比于部分標(biāo)注數(shù)據(jù)進(jìn)行有監(jiān)督訓(xùn)練的方案提升了3.92百分點(diǎn)。除此之外，改進(jìn)后FixMatch算法在健康樣本識(shí)別和病害樣本識(shí)別任務(wù)上的識(shí)別精確率也超出原始FixMatch算法。圖3為原始FixMatch方法和本研究方法在測(cè)試集上的準(zhǔn)確率迭代曲線圖，可以看出，本研究方法相比于原始FixMatch方法而言迭代流程更穩(wěn)定，收斂的更快。

3" 討論與結(jié)論

本研究提出的改進(jìn)后的FixMatch算法經(jīng)過(guò)試驗(yàn)驗(yàn)證，在番茄葉片病害識(shí)別半監(jiān)督任務(wù)上表現(xiàn)優(yōu)異。改進(jìn)后的FixMatch算法在原始FixMatch算法的基礎(chǔ)上做了3個(gè)方面的改進(jìn)：（1）提出了基于k-means聚類算法的代表數(shù)據(jù)預(yù)選模塊。通過(guò)預(yù)先使用k-means聚類算法，挑選出各類的代表性數(shù)據(jù)進(jìn)行標(biāo)注，保證半監(jiān)督模型向著收斂更快、更精確的方向迭代訓(xùn)練。（2）提出了基于自適應(yīng)閾值截?cái)嗟膫螛?biāo)簽判斷模塊，優(yōu)化了原始FixMatch算法未考慮到模型前期預(yù)測(cè)能力弱以及類別不均衡的問(wèn)題。（3）通過(guò)將k-means算法的聚類結(jié)果作為訓(xùn)練前期的參考值來(lái)彌補(bǔ)模型前期預(yù)測(cè)置信度較低的情況，并且使用自適應(yīng)閾值截?cái)嗟姆桨竵?lái)使得各類別參與無(wú)監(jiān)督訓(xùn)練的樣本數(shù)量盡可能維持均衡，以使得模型更好的迭代訓(xùn)練。與原始FixMatch算法相比，本研究提出的改進(jìn)后的FixMatch算法在番茄葉片病害識(shí)別任務(wù)上僅用10%的標(biāo)注數(shù)據(jù)便取得了98.16%的平均識(shí)別準(zhǔn)確率，相比原始FixMatch算法有較大提升，且訓(xùn)練過(guò)程收斂更快、迭代更平穩(wěn)，這表明本文提出的改進(jìn)后FixMatch算法可以很好地解決現(xiàn)實(shí)場(chǎng)景中的番茄葉片病害識(shí)別任務(wù)。

本研究所提出的改進(jìn)后FixMatch半監(jiān)督算法目前僅在公開(kāi)數(shù)據(jù)集上進(jìn)行真實(shí)采集情況模擬，后續(xù)將進(jìn)行番茄葉片病害數(shù)據(jù)集的真實(shí)采集，并且將此算法推廣到其他半監(jiān)督植物病害識(shí)別任務(wù)上去。

參考文獻(xiàn)：

［1］高艷娜，牛華琳，李" 營(yíng)，等. 基于主成分分析和聚類分析對(duì)不同番茄品種的綜合評(píng)價(jià)［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（12）：106-113.

［2］張領(lǐng)先，景嘉平，李淑菲，等. 基于圖像自動(dòng)標(biāo)注與改進(jìn)YOLO v5的番茄病害識(shí)別系統(tǒng)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（11）：198-207.

［3］儲(chǔ) "鑫，李" 祥，羅" 斌，等. 基于改進(jìn)YOLO v4算法的番茄葉部病害識(shí)別方法［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)，2023，39（5）：1199-1208.

［4］柴" 帥，李壯舉. 基于遷移學(xué)習(xí)的番茄病蟲(chóng)害檢測(cè)［J］. 計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（6）：1701-1705.

［5］李大華，仲" 婷，王" 筍，等. 基于改進(jìn)ShuffleNet v2的輕量化番茄葉片病害識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2024，52（3）：220-228.

［6］王哲豪，范麗麗，何" 前. 基于MobileNet v2和遷移學(xué)習(xí)的番茄病害識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（9）：215-221.

［7］程湞湞，祁力鈞，程一帆，等. 基于M-LP特征加權(quán)聚類的果樹(shù)冠層圖像分割方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（4）：191-198，260.

［8］馮世杰，王艷平. 基于機(jī)器視覺(jué)的溫室作物行間雜草的識(shí)別［J］. 信陽(yáng)農(nóng)林學(xué)院學(xué)報(bào)，2012，22（2）：115-117.

［9］倪智濤，胡偉健，李寶山，等. 一種基于圖像分類與目標(biāo)檢測(cè)協(xié)同的番茄細(xì)粒度病害識(shí)別方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（22）：221-228.

［10］張俊寧，畢澤洋，閆" 英，等. 基于注意力機(jī)制與改進(jìn)YOLO的溫室番茄快速識(shí)別［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（5）：236-243.

［11］郭小燕，于帥卿，沈航馳，等. 基于全局特征提取的農(nóng)作物病害識(shí)別模型［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（12）：301-307.

［12］馬" 麗，周巧黎，趙麗亞，等. 基于深度學(xué)習(xí)的番茄葉片病害分類識(shí)別研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2023，44（7）：187-193.

［13］陳林琳，姜大慶，蔡銀杰，等. 基于計(jì)算機(jī)視覺(jué)的芋頭病害監(jiān)測(cè)與識(shí)別［J］. 農(nóng)機(jī)化研究，2020，42（6）：224-229.

［14］姜晟久，鐘國(guó)韻. 基于可分離擴(kuò)張卷積和通道剪枝的番茄病害分類方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2024，52（2）：182-189.

［15］胡文藝，王洪坤，杜育佳. 基于SE模塊和ResNet的番茄病蟲(chóng)害識(shí)別方法［J］. 農(nóng)業(yè)工程，2022，12（9）：33-40.

［16］楊英茹，吳華瑞，張" 燕，等. 基于復(fù)雜環(huán)境的番茄葉部圖像病蟲(chóng)害識(shí)別［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2021，42（9）：177-186.

［17］孔江波，朱" 賀，張延文，等. 基于實(shí)例置信度推斷的半監(jiān)督小樣本植物病害圖像識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（12）：229-237.

［18］賈俊杰，李" 捷. 基于半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)的病蟲(chóng)害圖像識(shí)別算法［J］. 武漢輕工大學(xué)學(xué)報(bào)，2019，38（4）：45-52.

［19］江侯濤，馬善農(nóng). 基于半監(jiān)督的植物病害智能檢測(cè)研究［J］. 機(jī)電工程技術(shù)，2024，53（2）：221-224，290.

［20］Sohn K，Berthelot D，Li C L，et al. FixMatch：simplifying semi-supervised learning with consistency and confidence［C］//Advantes in Neural lnformation Processing Systems，2020，33：596-608.

［21］Lin T Y，Goyal P，Girshick R，et al. Focal loss for dense object detection［C］. 2017 IEEE International Conference on Computer Vision （ICCV），2017：2980-2988.