基于遷移學習的GoogLeNet果園病蟲害識別與分級

　　摘要為提高果樹病蟲害危害程度分級精度進而更好地指導果園病蟲害防治，采用遷移學習技術與GoogLeNet模型相結合的方法，對6種果園作物的25類病蟲害樣本進行識別與危害程度分級研究;同時，探究不同數(shù)據(jù)集大小以及不同優(yōu)化算法對模型性能的影響;基于MATLAB平臺設計了一款可視化的病蟲害識別與分級系統(tǒng)。結果表明：1)基于遷移學習的GoogLeNet模型，對病蟲害識別精度可達99.35%，危害程度分級精度可達92.78%;2)在相同訓練參數(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，本研究設計的系統(tǒng)能夠在0.43s左右準確識別出果樹種類、病害類型以及危害等級等信息。

　　關鍵詞果樹;病蟲害;識別系統(tǒng);遷移學習;GoogLeNet

　　果園病蟲害影響水果的品質和產(chǎn)量，自動識別病蟲害是一個重要研究方向。隨著果園生產(chǎn)種植模式不斷復雜化，果園生產(chǎn)中所遇到的病蟲害情況也越來越復雜，對果樹生長造成了嚴重影響，快速、準確、有效地識別出病蟲害危害程度并采取相關防治措施及時止損[1-2]，對于提高水果品質和產(chǎn)量至關重要。隨著計算機技術的不斷發(fā)展，植物病蟲害檢測技術也取得了長足的進步。

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

　　植物病蟲害識別方法主要分為傳統(tǒng)方法和深度學習方法。傳統(tǒng)方法需要人工提取病害紋理、顏色等特征，往往識別種類有限且識別精度不高，難以大規(guī)模的推廣應用。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別，該方法對于中晚期病害識別準確率能達到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特征融合與快速識別方法。張建華等[6-7]利用BP神經(jīng)網(wǎng)絡、支持向量機進行棉花病蟲害識別，識別精度基本能達到90%以上。卷積神經(jīng)網(wǎng)絡(Convolutionalneuralnetwork，CNN)能夠不依賴特定特征，在圖像識別領域已經(jīng)得到了廣泛應用[8-11]。如孫俊等[12]提出了一種批歸一化與全局池化相結合的卷積神經(jīng)網(wǎng)絡識別模型，對于多種植物葉片病害的識別準確率達到了99.56%。

　　房若民等[13]設計了一種嵌入式農(nóng)業(yè)病蟲害識別防治系統(tǒng)，可以識別多種病蟲害且識別準確率達92.6%。于小東等[14]設計了一款實時在線農(nóng)作物病蟲害等級識別手機APP，能夠在0.1～0.5s獲取識別結果。任守綱等[15]構建了一種基于反卷積引導的VGG網(wǎng)絡模型，能同時實現(xiàn)植物葉部病害種類識別與病斑分割。Gonzalez-Huitron等[16]構建了一種輕量級卷積神經(jīng)網(wǎng)絡，并將其成功應用在RaspberryPi4上進行番茄病蟲害的識別。李就好等[17]提出了一種改進FasterR-CNN模型來識別田間苦瓜葉片病蟲害，改進后平均準確率為86.39%。

　　王春山等[18]利用改進Multi-scaleResNet模型進行蔬菜葉部病害識別，在真實環(huán)境下識別準確率達到了93.05%。上述研究大多以常見病蟲害識別為主，少有對病蟲害危害程度進行分級識別研究。目前在果園精細化管理中，僅僅識別果樹病蟲害種類，難以滿足果園精準變量施藥的要求。基于此，本研究擬采用遷移學習技術與卷積神經(jīng)網(wǎng)絡相結合的方法研究果園病蟲害識別與危害程度分級問題，以期為現(xiàn)代果園智能化、精細化管理提供一定的技術支持。

　　1材料與方法

　　1.1試驗數(shù)據(jù)

　　1.1.1數(shù)據(jù)來源

　　試驗數(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(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)預處理由統(tǒng)計樣本分布情況可知，各類病蟲害樣本數(shù)量在232～1899張不等(表1)。為了防止因訓練樣本數(shù)量過少而導致模型發(fā)生過擬合現(xiàn)象，本研究對已有圖像進行隨機翻轉、平移、縮放以及對比度增減等操作將圖像擴充至105224張。同時，考慮到樣本來源不同，導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病害危害程度分級通過觀察不同患病葉片顏色以及病斑大小劃分病害級別。本研究具體分級標準參考GB/T17980.24—2000《農(nóng)藥田間藥效試驗準則(一)殺菌劑防治梨黑星病》[19]中葉片病情分級標準，按照病斑占整個葉片面積比例劃分6個等級：0級，無病斑;1級，0<病斑≤10%;3級，10%<病斑≤25%;5級，25%<病斑≤40%;7級，40%<病斑≤65%;9級，病斑>65%。本研究采用人工分級方式將果樹病害危害程度分為3級：0級為健康，無病斑;Ⅰ級為一般，0<病斑≤30%;Ⅱ級為嚴重，病斑>30%。

　　在總體樣本集中，隨機選出60%和20%的圖像樣本分別作為訓練集(Trainset)與驗證集(Validationset)，剩余20%的圖像樣本作為測試集(Testset)。其中，驗證集用來對模型進行修正，測試集用于評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)絡模型主要由9個模塊化結構(Inceptionv1)串聯(lián)而成。在第一個Inception模塊之前，模型含有3個卷積層(Convolutionlayer)，3個激活層(Relulayer)，2個最大池化層(Maxpoolinglayer)，2個歸一化層(Normalizationlayer)。在第2、3個Inception模塊 以及第7、8個Inception模塊之間都含有一個最大池化層(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個網(wǎng)絡層進行替換，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結果與討論

　　本研究采用中國農(nóng)業(yè)大學植保機械實驗室計算機，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GTX1660Super6GB，主板為微星MAGB460M，內(nèi)存為32G。攝像頭為免驅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訓練結果

　　為驗證本研究方法的有效性與優(yōu)越性，隨機選取AlexNet、VGG-16、ResNet-18、GoogLeNet、SqueezeNet和MobileNet-v2這6種模型。在相同訓練參數(shù)設置條件下，進行6種模型訓練與驗證，訓練曲線見圖3。本研究將經(jīng)過遷移學習的GoogLeNet網(wǎng)絡模型記為GoogLeNet*，與原模型以示區(qū)別。

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

　　其余5種模型訓練精度曲線大致相同，最終模型訓練精度為90%～95%。訓練結果表明，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，模型預測值與真實值之間偏差波動情況。損失值越小，表明模型精度越高，預測出錯概率越小[8]。由此可知，GoogLeNet*模型率先達到收斂，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。在模型平均訓練時長方面，7種模型平均訓練時長分布在2.15～24.17h。

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

　　其中，GoogLeNet*模型驗證精度最高為96.93%，SqueezeNet模型驗證精度最低為85.49%，其他模型驗證精度均在90%以上。在識別時間方面，SqueezeNet模型識別時間最短約1.4ms，最長為VGG-16模型約5.9ms。其中，AlexNet、SqueezNet、GoogLeNet、GoogLeNet*、MobileNet-v2模型平均識別時間均在5ms以內(nèi)，而VGG-16與ResNet-18模型平均識別時間則超過5ms。這主要是模型結構、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模型為輕量級神經(jīng)網(wǎng)絡，所以訓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模型驗證

　　為驗證本研究模型的實用性，開發(fā)了一款果園病蟲害分級識別系統(tǒng)進行試驗驗證，開發(fā)環(huán)境為MATLAB2020a。軟件包含前端用戶操作界面和后臺識別模塊這2部分。其中，前端設計采用APP Designer設計器進行可視化界面布局，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。后臺處理通過使用MATLAB語言編寫程序打開或關閉相機，并調(diào)用訓練好的GoogLeNet*模型進行果樹病蟲害識別與危害程度分級。同時，該軟件還能根據(jù)識別結果調(diào)用本地瀏覽器自動檢索病蟲害防治建議和防治藥品展示給用戶。

　　2.3.1病蟲害識別

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

　　3結論

　　1)針對現(xiàn)有果樹病蟲害危害程度分級模型存在精度不高，難以滿足精準施藥要求的問題，本研究采用遷移學習技術與GoogLeNet模型相結合的方法，對果園病蟲害樣本進行了識別和危害程度分級研究。所設計模型大小為21.3MB，平均識別精度達到了99.35%。其中，病害識別精度為98.70%，蟲害識別精度為100%。對病害樣本進行危害程度分級，平均分級精度為92.78%。

　　2)在相同訓練參數(shù)下，本研究模型較AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型驗證精度提高了2.38%～11.44%，并且損失值最低。同時，探究了不同數(shù)據(jù)集大小與不同優(yōu)化算法對模型性能的影響。研究結果表明，遷移學習技術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算法耗時最短且精度最高，更適合本研究模型。

　　3)基于MATLAB平臺，設計了一款可視化的果園病蟲害分級識別系統(tǒng)。經(jīng)過400次實際測試，該系統(tǒng)識別單張圖像僅需0.43s。本研究所設計系統(tǒng)實用性與穩(wěn)定性較強，可為現(xiàn)代果園智能化、精細化管理提供一定的技術支持。

　　參考文獻References

　　[1]王軍，汪東方.基于遷移學習和殘差網(wǎng)絡的農(nóng)作物病害分類[J].農(nóng)業(yè)工程學報，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.基于顯著性目標檢測的葡萄葉片病害分割[J].湖南農(nóng)業(yè)大學學報：自然科學版，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別[J].農(nóng)業(yè)機械學報，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

轉載請注明來自發(fā)表學術論文網(wǎng)：http:///nylw/28746.html