基于卷积神经网络和叶绿素荧光成像的绿豆叶斑病识别研究

摘要：为了解决绿豆叶斑病不同病害等级之间容易混淆的问题，本研究以感染不同程度叶斑病的绿豆叶片叶绿素荧光图像为研究对象，提出了多模块串联卷积神经网络（Mulli.Module Sequential Convolutional Neural Network，MMS-NeL）模型。该模型主要由本研究搭建的Sub模块和Wave模块串联堆叠组成，并且在每个Sub模块中和每个Wave模块结尾处加入混合注意力机制CBAM，在减少非叶斑病特征干扰的同时，对相似病斑进行更为细致的特征提取，提高病害识别的准确率。在相同条件下，与经典的卷积神经网络模型（VCC16、CoogLeNet、ResNeL50）以及流行的轻量级卷积神经网络模型（MobileNetV2、MobileNeXL、MobileNeLV3、ShuffleNetV2）进行比较，本研究提出的MMS-Net模型参数量仅为11.43M，测试准确率达到91.25％，均高于其他模型，分类效果最优。通过分析精度、召回率、F1分数等评价指标可以看出MMS-NeL模型具有较好的鲁棒性和泛化能力。本研究结果可为绿豆等作物的抗病种质资源识别和筛选提供新思路。

关键词：绿豆叶斑病；病害等级；卷积神经网络；叶绿素荧光成像；注意力机制

中图分类号：S126：S522 文献标识号：A 文章编号：1001-4942（2024）09-0133-09

绿豆在我国栽培历史悠久，是我国的主要食用豆类作物之一，种植面积较大。绿豆是一种宝贵的药食同源食物资源，不仅有高蛋白、中淀粉、低脂肪等诸多营养特性，还具有清热解毒、增强身体免疫力的作用，被誉为“食中佳品，济世长谷”。绿豆叶斑病是其常见的一种病害，主要由变灰尾孢菌引起，危害叶片，轻者可造成20％-30％的减产，严重时可导致叶片穿孔直至整株枯萎而死，造成90％以上的减产，是绿豆品质下降和减产的主要因素。以往农作物病虫害的识别主要依靠人工，不仅识别准确率不高，而且耗时费力、效率低，因此，亟需一种简单、高效、易操作的绿豆叶斑病识别方法。

随着计算机视觉和机器学习技术的不断发展，基于深度学习的病虫害检测方法已初步应用于农业，并在一定程度上取代了传统的肉眼识别。例如Elfatimi等提出了一种对豆类叶病进行分类并寻找和描述有效网络架构（超参数和优化方法）的方法，并在由角叶斑病类、健康豆类和豆锈病类组成的公开数据集上进行训练，结果表明提出的MobileNet模型在训练数据集上的分类平均准确率超过97qo，在测试数据集上分类平均准确率超过92％。张昭等利用叶绿素荧光成像技术处理葡萄霜霉病图像，并结合机器学习技术构建模型，对早期的葡萄霜霉病识别准确率达到85.94％。余骥远等提出了基于MS-PLNet（muhiscale-PlantNet）和高光谱图像的绿豆叶斑病分类方法，在自建数据集上对绿豆叶斑病的识别准确率达到98.4％。Karthik等提出了两种不同的深层架构来检测番茄叶子的感染类型，在包含早疫病、晚疫病和叶霉病的PlantVillage数据集上，通过五重交叉验证，获得了98qo的识别准确率。陈浪浪等提出一种基于DenseNet121并结合迁移学习与坐标注意力机制的水稻病虫害识别模型，在自建数据集上识别准确率达到了98.95％。王春山等提出了改进型的多尺度残差（multi-scale ResNet）轻量级病害识别模型，在自采的7种病害真实环境图像数据中取得了93.05％的识别准确率。Gokulnath提出了一种有效的用于植物病害识别的损失融合卷积神经网络，结合了两种损失函数的优点，在公开数据集PlantVillage上取得了良好的效果，平均识别准确率达到98.93％。Ma等改进传统的VGG16结构，提出了一种基于自定义轻量级CNN的深度学习模型（ComNet）和改进的玉米穗分类训练策略，平均识别准确率达到98.56％。Kumar等提出了一种分层深度学习卷积神经网络（HDLCNN），在Kaggle网站上的马铃薯叶斑病数据集上取得了95.77％的识别准确率。王兴旺等通过对cv模型能量泛函添加能量函数和闭合曲线内外灰度均值进行演化，建立了带有能量函数的cv模型EF-CV，在白鹤草莓病虫害数据集上取得了95.72％的识别准确率。Mallick等采用迁移学习的方法，提出了一种预训练的轻量级MobileNetV2模型，对6种绿豆病害和4种虫害的识别准确率达到93.65％。

绿豆叶斑病发生后叶片病斑随时间不断加深，不同病害等级之间不易区分，而大多数病虫害的侵袭会在可见光谱中呈现出独特的标志和形状。基于此，本研究针对绿豆叶斑病不同病害等级之间容易混淆的特点，以染病绿豆叶片的叶绿素荧光图像为对象，挖掘不同等级病斑局部特征的细微差异，提出一种基于MMS-Net模型和叶绿素荧光成像的绿豆叶斑病识别方法。

1材料与方法

1.1数据来源

于2022年4-6月在江苏省农业科学院开展绿豆叶斑病调查及图像采集，采用FluorCam多光谱荧光成像仪进行叶绿素荧光图像采集。对采集到的绿豆叶绿素荧光图像进行病害等级标注，病害等级根据病斑点的大小占整个叶片面积的比例进行划分，共分为五个等级。0级：叶上无可见侵染：1级：叶片上仅有小点状病斑，占叶面积不足2％；2级：病斑较小，直径1.0-2.0 mm，无褪绿晕圈，占叶面积的2％-25％：3级：病斑较大，直径>2.0-5.0 mm，有褪绿晕圈，占叶面积的>25％-50％；4级：病斑较大，直径5.0 mm以上，占叶面积的>50％-75％，部分叶片枯死。经过图像采集后得到原始数据样本一共775幅，五个等级的图像数量分别为14、483、170、92、16幅。各病害等级的原始叶绿素荧光图像如图1所示。