基于遷移學(xué)習(xí)的GoogLeNet果園病蟲害識(shí)別與分級(jí)

　　摘要為提高果樹病蟲害危害程度分級(jí)精度進(jìn)而更好地指導(dǎo)果園病蟲害防治，采用遷移學(xué)習(xí)技術(shù)與GoogLeNet模型相結(jié)合的方法，對(duì)6種果園作物的25類病蟲害樣本進(jìn)行識(shí)別與危害程度分級(jí)研究;同時(shí)，探究不同數(shù)據(jù)集大小以及不同優(yōu)化算法對(duì)模型性能的影響;基于MATLAB平臺(tái)設(shè)計(jì)了一款可視化的病蟲害識(shí)別與分級(jí)系統(tǒng)。結(jié)果表明：1)基于遷移學(xué)習(xí)的GoogLeNet模型，對(duì)病蟲害識(shí)別精度可達(dá)99.35%，危害程度分級(jí)精度可達(dá)92.78%;2)在相同訓(xùn)練參數(shù)下，本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型驗(yàn)證精度提高了2.38%～11.44%，并且收斂速度最快;3)本研究模型識(shí)別精度隨著數(shù)據(jù)集的增大而提高;在3種優(yōu)化算法中SGDM算法耗時(shí)最短且精度最高，更適合本研究模型。通過拍攝果樹葉片病害區(qū)域圖像，本研究設(shè)計(jì)的系統(tǒng)能夠在0.43s左右準(zhǔn)確識(shí)別出果樹種類、病害類型以及危害等級(jí)等信息。

　　關(guān)鍵詞果樹;病蟲害;識(shí)別系統(tǒng);遷移學(xué)習(xí);GoogLeNet

　　果園病蟲害影響水果的品質(zhì)和產(chǎn)量，自動(dòng)識(shí)別病蟲害是一個(gè)重要研究方向。隨著果園生產(chǎn)種植模式不斷復(fù)雜化，果園生產(chǎn)中所遇到的病蟲害情況也越來越復(fù)雜，對(duì)果樹生長造成了嚴(yán)重影響，快速、準(zhǔn)確、有效地識(shí)別出病蟲害危害程度并采取相關(guān)防治措施及時(shí)止損[1-2]，對(duì)于提高水果品質(zhì)和產(chǎn)量至關(guān)重要。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，植物病蟲害檢測(cè)技術(shù)也取得了長足的進(jìn)步。

　　園藝師評(píng)職知識(shí)：發(fā)表農(nóng)作物病蟲害研究論文的SCI期刊

　　植物病蟲害識(shí)別方法主要分為傳統(tǒng)方法和深度學(xué)習(xí)方法。傳統(tǒng)方法需要人工提取病害紋理、顏色等特征，往往識(shí)別種類有限且識(shí)別精度不高，難以大規(guī)模的推廣應(yīng)用。如肖志云等[3]提出了一種基于小波域的馬鈴薯典型蟲害特征提取與識(shí)別方法。

　　黨滿意等[4]利用GrapCut算法與直方圖分割算法提取馬鈴薯晚疫病特征用于晚疫病識(shí)別，該方法對(duì)于中晚期病害識(shí)別準(zhǔn)確率能達(dá)到90%以上。肖志云等[5]提出了一種馬鈴薯典型病害圖像的自適應(yīng)特征融合與快速識(shí)別方法。張建華等[6-7]利用BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)進(jìn)行棉花病蟲害識(shí)別，識(shí)別精度基本能達(dá)到90%以上。卷積神經(jīng)網(wǎng)絡(luò)(Convolutionalneuralnetwork，CNN)能夠不依賴特定特征，在圖像識(shí)別領(lǐng)域已經(jīng)得到了廣泛應(yīng)用[8-11]。如孫俊等[12]提出了一種批歸一化與全局池化相結(jié)合的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型，對(duì)于多種植物葉片病害的識(shí)別準(zhǔn)確率達(dá)到了99.56%。

　　房若民等[13]設(shè)計(jì)了一種嵌入式農(nóng)業(yè)病蟲害識(shí)別防治系統(tǒng)，可以識(shí)別多種病蟲害且識(shí)別準(zhǔn)確率達(dá)92.6%。于小東等[14]設(shè)計(jì)了一款實(shí)時(shí)在線農(nóng)作物病蟲害等級(jí)識(shí)別手機(jī)APP，能夠在0.1～0.5s獲取識(shí)別結(jié)果。任守綱等[15]構(gòu)建了一種基于反卷積引導(dǎo)的VGG網(wǎng)絡(luò)模型，能同時(shí)實(shí)現(xiàn)植物葉部病害種類識(shí)別與病斑分割。Gonzalez-Huitron等[16]構(gòu)建了一種輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)，并將其成功應(yīng)用在RaspberryPi4上進(jìn)行番茄病蟲害的識(shí)別。李就好等[17]提出了一種改進(jìn)FasterR-CNN模型來識(shí)別田間苦瓜葉片病蟲害，改進(jìn)后平均準(zhǔn)確率為86.39%。

　　王春山等[18]利用改進(jìn)Multi-scaleResNet模型進(jìn)行蔬菜葉部病害識(shí)別，在真實(shí)環(huán)境下識(shí)別準(zhǔn)確率達(dá)到了93.05%。上述研究大多以常見病蟲害識(shí)別為主，少有對(duì)病蟲害危害程度進(jìn)行分級(jí)識(shí)別研究。目前在果園精細(xì)化管理中，僅僅識(shí)別果樹病蟲害種類，難以滿足果園精準(zhǔn)變量施藥的要求�；�于此，本研究擬采用遷移學(xué)習(xí)技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法研究果園病蟲害識(shí)別與危害程度分級(jí)問題，以期為現(xiàn)代果園智能化、精細(xì)化管理提供一定的技術(shù)支持。

　　1材料與方法

　　1.1試驗(yàn)數(shù)據(jù)

　　1.1.1數(shù)據(jù)來源

　　試驗(yàn)數(shù)據(jù)主要來源于PlantVillage官網(wǎng)(https：∥plantvillage.psu.edu)。從PlantVillage官網(wǎng)收集了11653張病蟲害樣本圖像。另外，從北京市通州區(qū)(116.65°E，39.92°N)中農(nóng)富通現(xiàn)代果園中，利用飛螢8SE相機(jī)(分辨率1280像素×720像素)人工拍攝了1500張果樹健康與患病葉片圖像，總計(jì)13153張樣本圖像。在全部樣本圖像中，含有桃、蘋果、櫻桃、葡萄、柑橘、草莓等6種果園作物，共計(jì)25種病蟲害類型樣本(10種病害，9種蟲害，6種健康)。

　　1.1.2數(shù)據(jù)預(yù)處理由統(tǒng)計(jì)樣本分布情況可知，各類病蟲害樣本數(shù)量在232～1899張不等(表1)。為了防止因訓(xùn)練樣本數(shù)量過少而導(dǎo)致模型發(fā)生過擬合現(xiàn)象，本研究對(duì)已有圖像進(jìn)行隨機(jī)翻轉(zhuǎn)、平移、縮放以及對(duì)比度增減等操作將圖像擴(kuò)充至105224張。同時(shí)，考慮到樣本來源不同，導(dǎo)致所收集的圖像格式、大小等存在差異，使用MATLAB自編函數(shù)將所有圖像調(diào)整為統(tǒng)一大小(224像素×224像素)。

　　1.1.3病害危害程度分級(jí)通過觀察不同患病葉片顏色以及病斑大小劃分病害級(jí)別。本研究具體分級(jí)標(biāo)準(zhǔn)參考GB/T17980.24—2000《農(nóng)藥田間藥效試驗(yàn)準(zhǔn)則(一)殺菌劑防治梨黑星病》[19]中葉片病情分級(jí)標(biāo)準(zhǔn)，按照病斑占整個(gè)葉片面積比例劃分6個(gè)等級(jí)：0級(jí)，無病斑;1級(jí)，0<病斑≤10%;3級(jí)，10%<病斑≤25%;5級(jí)，25%<病斑≤40%;7級(jí)，40%<病斑≤65%;9級(jí)，病斑>65%。本研究采用人工分級(jí)方式將果樹病害危害程度分為3級(jí)：0級(jí)為健康，無病斑;Ⅰ級(jí)為一般，0<病斑≤30%;Ⅱ級(jí)為嚴(yán)重，病斑>30%。

　　在總體樣本集中，隨機(jī)選出60%和20%的圖像樣本分別作為訓(xùn)練集(Trainset)與驗(yàn)證集(Validationset)，剩余20%的圖像樣本作為測(cè)試集(Testset)。其中，驗(yàn)證集用來對(duì)模型進(jìn)行修正，測(cè)試集用于評(píng)估最終模型的泛化能力[17]。

　　1.2模型搭建

　　1.2.1模型簡介

　　GoogLeNet網(wǎng)絡(luò)模型主要由9個(gè)模塊化結(jié)構(gòu)(Inceptionv1)串聯(lián)而成。在第一個(gè)Inception模塊之前，模型含有3個(gè)卷積層(Convolutionlayer)，3個(gè)激活層(Relulayer)，2個(gè)最大池化層(Maxpoolinglayer)，2個(gè)歸一化層(Normalizationlayer)。在第2、3個(gè)Inception模塊 以及第7、8個(gè)Inception模塊之間都含有一個(gè)最大池化層(Maxpoolinglayer)。

　　在Inception模塊之后，依次是全局平均池化層(Globalaveragepoolinglayer)、Dropout層(Dropoutlayer)、全連接層(Fullyconnectedlayer)、Softmax層(Softmaxlayer)、分類層(Classificationlayer)。本研究主要將模型最后3個(gè)網(wǎng)絡(luò)層進(jìn)行替換，并將全連接層的輸出大小修改為35，其他參數(shù)保持不變。

　　2結(jié)果與討論

　　本研究采用中國農(nóng)業(yè)大學(xué)植保機(jī)械實(shí)驗(yàn)室計(jì)算機(jī)，其硬件配置為：Windows10專業(yè)版64位操作系統(tǒng)，CPU為英特爾i7-10700，GPU為英偉達(dá)GTX1660Super6GB，主板為微星MAGB460M，內(nèi)存為32G。攝像頭為免驅(qū)USB攝像頭，焦距F6.0mm，視像解析度640像素×480像素。軟件開發(fā)環(huán)境為MATLAB2020a版本。

　　2.1訓(xùn)練結(jié)果

　　為驗(yàn)證本研究方法的有效性與優(yōu)越性，隨機(jī)選取AlexNet、VGG-16、ResNet-18、GoogLeNet、SqueezeNet和MobileNet-v2這6種模型。在相同訓(xùn)練參數(shù)設(shè)置條件下，進(jìn)行6種模型訓(xùn)練與驗(yàn)證，訓(xùn)練曲線見圖3。本研究將經(jīng)過遷移學(xué)習(xí)的GoogLeNet網(wǎng)絡(luò)模型記為GoogLeNet*，與原模型以示區(qū)別。

　　訓(xùn)練精度曲線可以描述隨著迭代次數(shù)的增加，模型預(yù)測(cè)精度的波動(dòng)情況。除SqueezeNet模型，其余6種模型在收斂時(shí)訓(xùn)練精度均達(dá)到了90%以上。其中，收斂速度最快的模型是GoogLeNet*，最慢的是SqueezeNet。當(dāng)?shù)�代次�?shù)為400次時(shí)，GoogLeNet*模型訓(xùn)練精度率先達(dá)到80%，迭代5000次后趨于收斂，此時(shí)模型訓(xùn)練精度為95%，最終模型訓(xùn)練精度為99%。然而，SqueezeNet模型在迭代次數(shù)為12000次時(shí)，其訓(xùn)練精度才達(dá)到80%，并且在訓(xùn)練過程中訓(xùn)練精度曲線波動(dòng)幅度較大，最終模型訓(xùn)練精度為88%。

　　其余5種模型訓(xùn)練精度曲線大致相同，最終模型訓(xùn)練精度為90%～95%。訓(xùn)練結(jié)果表明，本研究模型無論在收斂速度方面，還是模型精度方面都表現(xiàn)出色。損失曲線則表示隨著迭代次數(shù)的增加，模型預(yù)測(cè)值與真實(shí)值之間偏差波動(dòng)情況。損失值越小，表明模型精度越高，預(yù)測(cè)出錯(cuò)概率越小[8]。由此可知，GoogLeNet*模型率先達(dá)到收斂，最終損失值為0.0078，均低于其他6種模型。SqueezeNet模型損失值最大為0.3537，其余模型損失值介于二者之間。在模型平均訓(xùn)練時(shí)長方面，7種模型平均訓(xùn)練時(shí)長分布在2.15～24.17h。

　　其中，AlexNet與SqueezeNet模型訓(xùn)練時(shí)間最短約2h，VGG-16模型最長約24h，其余模型訓(xùn)練時(shí)長均在10h以內(nèi)。然而，本研究模型訓(xùn)練時(shí)長為4.13h，比原GoogLeNet模型縮短0.25h。對(duì)于病蟲害識(shí)別最重要的是識(shí)別精度與識(shí)別時(shí)間，其次是模型大小。因此，本研究按照優(yōu)先級(jí)：識(shí)別精度>識(shí)別時(shí)間>模型大小進(jìn)行模型評(píng)價(jià)。7種模型驗(yàn)證精度分布在85.49%～96.93%。

　　其中，GoogLeNet*模型驗(yàn)證精度最高為96.93%，SqueezeNet模型驗(yàn)證精度最低為85.49%，其他模型驗(yàn)證精度均在90%以上。在識(shí)別時(shí)間方面，SqueezeNet模型識(shí)別時(shí)間最短約1.4ms，最長為VGG-16模型約5.9ms。其中，AlexNet、SqueezNet、GoogLeNet、GoogLeNet*、MobileNet-v2模型平均識(shí)別時(shí)間均在5ms以內(nèi)，而VGG-16與ResNet-18模型平均識(shí)別時(shí)間則超過5ms。這主要是模型結(jié)構(gòu)、層數(shù)、參數(shù)量不同所致。

　　在模型大小方面，由于ResNet-18、SqueezeNet、GoogLeNet、MoblieNet-v2模型為輕量級(jí)神經(jīng)網(wǎng)絡(luò)，所以訓(xùn)練完成后模型大小都在10MB以下。其中，SqueezeNet模型最小僅為2.47MB，最大為MobileNet-v2模型的8.24MB。另外，3種模型(VGG-16、AlexNet、GoogLeNet*)稍微大一些，分別為474、199和21.3MB。

　　2.3模型驗(yàn)證

　　為驗(yàn)證本研究模型的實(shí)用性，開發(fā)了一款果園病蟲害分級(jí)識(shí)別系統(tǒng)進(jìn)行試驗(yàn)驗(yàn)證，開發(fā)環(huán)境為MATLAB2020a。軟件包含前端用戶操作界面和后臺(tái)識(shí)別模塊這2部分。其中，前端設(shè)計(jì)采用APP Designer設(shè)計(jì)器進(jìn)行可視化界面布局，采用了Button組件、Label組件、圖像窗口組件、坐標(biāo)區(qū)域組件、文本區(qū)域組件。其軟件工作流程和前端界面見圖5。后臺(tái)處理通過使用MATLAB語言編寫程序打開或關(guān)閉相機(jī)，并調(diào)用訓(xùn)練好的GoogLeNet*模型進(jìn)行果樹病蟲害識(shí)別與危害程度分級(jí)。同時(shí)，該軟件還能根據(jù)識(shí)別結(jié)果調(diào)用本地瀏覽器自動(dòng)檢索病蟲害防治建議和防治藥品展示給用戶。

　　2.3.1病蟲害識(shí)別

　　本研究從測(cè)試集隨機(jī)選取20種病蟲害類型(10種病害、8種蟲害、2種健康)，每類選取20張圖像進(jìn)行模型識(shí)別效果分析，測(cè)試結(jié)果見表5�？芍�，本研究模型對(duì)蟲害識(shí)別精度要高于病害識(shí)別精度。其中，病害的平均識(shí)別精度達(dá)到了98.70%，健康葉片以及蟲害平均識(shí)別精度都達(dá)到了100%，病蟲害總體平均識(shí)別精度為99.35%。同時(shí)，該系統(tǒng)識(shí)別單張圖像的平均用時(shí)約為0.43s。測(cè)試結(jié)果表明本研究模型識(shí)別病蟲害效果較好，能夠滿足果園病蟲害實(shí)時(shí)監(jiān)控系統(tǒng)識(shí)別要求。

　　3結(jié)論

　　1)針對(duì)現(xiàn)有果樹病蟲害危害程度分級(jí)模型存在精度不高，難以滿足精準(zhǔn)施藥要求的問題，本研究采用遷移學(xué)習(xí)技術(shù)與GoogLeNet模型相結(jié)合的方法，對(duì)果園病蟲害樣本進(jìn)行了識(shí)別和危害程度分級(jí)研究。所設(shè)計(jì)模型大小為21.3MB，平均識(shí)別精度達(dá)到了99.35%。其中，病害識(shí)別精度為98.70%，蟲害識(shí)別精度為100%。對(duì)病害樣本進(jìn)行危害程度分級(jí)，平均分級(jí)精度為92.78%。

　　2)在相同訓(xùn)練參數(shù)下，本研究模型較AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型驗(yàn)證精度提高了2.38%～11.44%，并且損失值最低。同時(shí)，探究了不同數(shù)據(jù)集大小與不同優(yōu)化算法對(duì)模型性能的影響。研究結(jié)果表明，遷移學(xué)習(xí)技術(shù)能夠在一定程度上加快模型收斂速度;本研究模型精度隨著數(shù)據(jù)集的增大而提高;在3種優(yōu)化算法中，SGDM算法耗時(shí)最短且精度最高，更適合本研究模型。

　　3)基于MATLAB平臺(tái)，設(shè)計(jì)了一款可視化的果園病蟲害分級(jí)識(shí)別系統(tǒng)。經(jīng)過400次實(shí)際測(cè)試，該系統(tǒng)識(shí)別單張圖像僅需0.43s。本研究所設(shè)計(jì)系統(tǒng)實(shí)用性與穩(wěn)定性較強(qiáng)，可為現(xiàn)代果園智能化、精細(xì)化管理提供一定的技術(shù)支持。

　　參考文獻(xiàn)References

　　[1]王軍，汪東方.基于遷移學(xué)習(xí)和殘差網(wǎng)絡(luò)的農(nóng)作物病害分類[J].農(nóng)業(yè)工程學(xué)報(bào)，2021，37(4)：199-207WangJ，WangDF.Cropdiseaseclassificationwithtransferlearningandresiduenetworks[J].TransactionsoftheChineseSocietyofAgriculturalEngineering，2021，37(4)：199-207(inChinese)

　　[2]王書志，喬虹，馮全，張建華.基于顯著性目標(biāo)檢測(cè)的葡萄葉片病害分割[J].湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2021，47(1)：101-107WangSZ，QiaoH，F(xiàn)engQ，ZhangJH.Segmentationmethodofgrapeleafdiseasebaseddeepsalientobjectdetection[J].JournalofHunanAgriculturalUniversity：NaturalSciences，2021，47(1)：101-107(inChinese)

　　[3]肖志云，劉洪.小波域馬鈴薯典型蟲害圖像特征選擇與識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(9)：24-31.XiaoZY，LiuH.Featuresselectionandrecognitionofpotatotypicalinsectpestimagesinwaveletdomain[J].TransactionsoftheChineseSocietyforAgriculturalMachinery，2017，48(9)：24-31(inChinese)

　　作者：萬軍杰祁力鈞*盧中奧周佳蕊張豪

轉(zhuǎn)載請(qǐng)注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///nylw/28746.html