一种马铃薯病害神经网络识别方法

刘 飞， 董 伟， 高海涛

(1. 安徽科技学院 机械工程学院，安徽 凤阳 233100；2.安徽省农业科学院，安徽 合肥 230001； 3.安徽科技学院 电气与电子工程学院，安徽 凤阳 233100)

马铃薯是世界上第四大粮食产物[1]。在不同生长时期会产生各种病害,其中早疫病、晚疫病发病率较高,危害程度严重。马铃薯早疫病和晚疫病在发病期间叶片出现黑褐色病斑,两种病害症状相似,很难区分。传统识别方式依靠专家判断为主[2-3],需要大量的专业知识,受主观因素影响较大且比较耗时,不能及时对马铃薯病害进行高效诊断。因此,研究一种高效、准确的马铃薯病害智能识别方法具有重要的现实意义[4-5]。

随着计算机视觉的兴起,卷积神经网络[6](Convolutional Neural Network,CNN)在人脸识别[7-8]、图像分类[9-10]、以及目标检测[11-12]等领域得到了广泛的应用,在农业作物病害识别中取得了很大的进展。马浚诚等[13]和刘婷婷等[14]基于CNN建立了针对温室黄瓜和水稻的病害识别系统,得到了较高的准确率。张建华等[15]提出改进VGG16模型对自然条件下的棉花和苹果进行病害识别。杨晋丹等[16]以草莓叶部白粉病为研究对象,优化CNN网络结构,识别率为98.61%。Li等[17]基于SE-Inception模型对粉虱病,白粉病,黑穗病,棉花疫病进行识别,测试准确率为98.29%。邱靖等[18]建立水稻病害识别模型,通过设置不同的卷积核尺寸和池化函数,经过5次迭代,识别准确率达到90%以上。Qiu等[19]对水稻的10种病害通过VGG16迁移学习的方式构建识别模型,采用线性判别和参数微调优化网络结构,并与其它两种模型进行对比,测试准确率为97.08%。徐岩等[20]通过以马铃薯叶片病害为研究对象,提出基于注意力和残差思想的RANet模型对病害进行训练,RANet平均识别率为93.86%。吴云志等[21]构建了F1-DenseNet网络,对38种植物病害进行识别,试验表明,F1-DenseNet网络的鲁棒性好,识别准确率为98.97%。

本研究基于深度学习理论对马铃薯病害的智能识别方法进行研究,构建一个新的卷积神经网络模型,对马铃薯早疫病、晚疫病和健康叶片进行智能识别,将识别结果与典型网络模型进行比较与分析来验证模型的准确性和高效性。

1 材料与方法

1.1 样本数据集

研究选用的样本数据主要来源于kaggle的公共数据集New Plant Diseaset Dataset。从库中选取马铃薯图片构成试验数据集,经数据增强后共计7 128张RGB病害图像，包括健康马铃薯叶片样本、马铃薯早疫病叶片样本和马铃薯晚疫病叶片样本,其中早疫病2 424张,晚疫病2 424张,健康叶片2 280张。

1.2 数据试预处理及增强

针对不同类型的叶片将马铃薯RGB图像分为3部分设置样本标签评，标签数组采用2D的one-hot编码标签。将重复的病害图像去除,并按照8∶2的比例分配训练集和测试集,加快模型训练速度,对原始图片做归一化处理,然后对病害图像进行数据增强,将病害图像进行随机旋转25%,水平和垂直方向随机平移10%,随机缩放设置为0.2,对所有数据集进行随机翻转。最后将所有样本图像的尺寸统一调整为256×256。

1.3 试验方法

1.3.1 卷积神经网络 CNN是神经网络模型的典型算法之一,在图像识别或分类中表现突出,主要由卷积层、池化层和全连接层等组成。

1.3.1.1 卷积层 卷积层是用于提取图像特征。其中卷积层包括多个卷积核,通过卷积运算可获得多个图像的特征图。卷积层运算公式如式(1)所示:

(1)

1.3.1.2 池化层 池化层实质是降低特征图的维度,本文采用式(2)所示的最大池化,down(·)表示池化函数。

(2)

1.3.1.3 全连接层 全连接层中所有神经元的输入以全连接形式接受前一层神经元的输出。神经元公式如式(3)所示:

(3)

式中:b为偏置项;w为权重参数。

1.3.1.4 输出层 采用如式(4)所示的Softmax分类器进行分类,输出最大值作为分类结果。

(4)

式中:y(i)为图像数量标签;m为图像类别总数;x(i)为图像特征向量;θ为训练模型参数集。

1.3.2 马铃薯病害识别模型设计 本文基于卷积神经网络结构构建一种马铃薯病害识别模型,该模型由5个卷积模块和1个全连接模块组成,包括卷积层、池化层、批归一化层、Dropout层、全连接层和输出层。用于对马铃薯早疫病和晚疫病的智能识别,其网络结构如图1所示。

图1 马铃薯病害识别模型结构

考虑到模型的运行的效率[22],病害图像应选择相对应的尺寸,其输入图像尺寸为256×256。本研究构建了5个卷积层(Conv1～Conv5),Conv1～Conv5所包含的卷积核个数分别为32、64、64、128、128,卷积核尺寸均设计为3×3大小,步长S为1,用于提取病害图像的特征,生成对应的特征图。构建了3个在池化层(Pooling1～3),采用最大池化进行采样,尺寸大小分别设计为3×3和2×2,步长为2,经过Max-pooling后特征图的尺寸减少为原来的一半,减少网络训练参数,降低计算复杂度。将卷积层和池化层运算得到的特征图转化为一维向量作为全连接层与输出层的输出,连接一个1 024个神经元的全连接层,采用Softmax函数作为输出层的分类器,计算病害类别概率。输出样本共有3种,因此输出层的神经元设置为3。

本试验中,卷积模块和全连接模块中采用添加Relu激活函数来增强网络模型的拟合能力,并在激活函数之后加入了批归一化层对得到的特征图进行批归一化处理,解决了隐藏层数据分布发生变化的问题,提升模型训练过程的稳定性[23-24]。通过在模型的卷积模块和全连接模块中设计了Dropout层,使模型在训练过程中的神经元输出值随机丢弃[25],设Dropout参数值分别为0.25和0.5,避免训练过程中过拟合现象的发生。

2 结果与分析

2.1 试验环境

试验硬件环境:GeForce GTX 1650 GPU;软件环境:python3.6.2;深度学习框架:Tensorflow-gpu 1.14、Keras版本为 2.2.4。

2.2 模型训练

试验采用预先准备好的马铃薯病害训练集对本文建立的模型进行训练。训练过程中,训练轮数epochs设为15,每个批量大小(Batch size)为32个样本,采用SGD(Stochastic gradient descent,SGD)优化网络参数,使损失函数达到最小值。由于SGD在每次迭代过程中出现很大的噪音,陷入局部最优解,引入动量(Momentum)概念,Momentum加强更新与上一次梯度方向相同的参数,使网络在一定程度上摆脱局部最优解。设学习率为0.001,动量参数为0.9,参数更新后学习率衰减值(Decay)设为0.001。

2.3 模型比较分析

2.3.1 趋势分析 为全面分析模型特征,本研究与LeNet、AlexNet和GooLeNet模型进行了试验对比,得到试验结果如表1和图2所示。

表1 不同训练网络模型的评价结果

图2 不同网络模型的准确率和损失率

从表1和图2可以看出,训练到第10个轮次时,各个网络模型均已完全收敛,与LeNet和AlexNet模型相比,自建模型收敛速度较快,与GooLeNet模型相当,训练准确率为98.53%,优于LeNet和AlexNet模型,但准确率比GooLeNet模型稍差。随着epochs次数不断的增加,各模型损失值均在不断下降,自建模型的训练损失率为0.038 6,介于LeNet、AlexNet与GooLeNet之间。

最后,将训练好的模型经测试集去预测。由此可知,各个网络模型的测试准确率和损失值。从表2和图3得知,本研究自建模型测试准确率为97.76%,高于LeNet(95.37%)、AlexNet(96.52%)和GooLeNet(92.40%)网络模型准确率,模型测试损失率也低于其它3种模型。

2.3.2 指标评价分析 采用Precision(精准度)、Recall(召唤率)和F1-Score(调和平均值)作为模型的评价指标分别对试验网络模型性能进行评价。设TP被正确划分为正类的个数,TN被正确划分为负类的个数,FP被错误划分为正类的个数,FN被错误划分为负类的个数。则评价指标计算表达式如式(5)～(7)所示:

(5)

(6)

(7)

通过对马铃薯病害测试集进行测试,自建模型与参与对比的模型对马铃薯早疫病、晚疫病、健康叶片的精准率、召唤率、调和均值评价指标如表2所示,Precision、Recall和F1-Score各个值越高,说明模型的识别效果就越好,模型的预测准确率就越高。可以看出,本研究模型相对于其他模型评价指标更高,具有更好的鲁棒性和泛化能力,能更好地提取病害显著特征。

表2 不同训练网络的评价指标

3 结论

本研究以马铃薯早疫病和晚疫病为研究对象,设计一种马铃薯病害识别网络模型,结果表明该模型能够对病害样本进行有效识别。试验环境下,利用预先构建好的数据集对模型进行训练和试验对比验证,由不同网络训练和测试迭代次数、测试平均准确率、Precision、Recall和F1-Score等指标得知,自建模型具有识别精度高,收敛速度快,泛化能力与鲁棒性强等优点,可以用于马铃薯早疫病、晚疫病和健康状况的智能识别,以克服传统马铃薯病害特征提取复杂、综合识别效率低等问题。