基于卷積神經網絡的油菜病害識別模型

李波 彭文學 周蕊 王克曉 虞豹 黃祥

摘 要 油菜菌核病的發現和防治可增加油菜籽產量，提升油菜品質。利用深度學習技術，提出一種卷積神經網絡模型以提高識別準確率。以油菜菌核病病害葉片圖像為研究對象，通過深度學習框架Keras對病害葉片進行訓練，準確率達到97%。該模型具有泛化能力較強、準確率較高、魯棒性較好及損失率較小等特點，為油菜病害智能識別診斷應用提供了參考。

關鍵詞 油菜葉片;深度學習;卷積神經網絡;病害識別

中圖分類號：S435.654 文獻標志碼：A DOI：10.19415/j.cnki.1673-890x.2021.31.030

油菜是我國主要的油料作物之一，特別是在西南地區油菜種植面積較大。油菜菌核病是油菜生長中的主要病害之一，常年株發病率可達10%～30%，嚴重的達70%以上，病株一般減產50%以上。油菜菌核病常會使病株含油量減少，極大地影響油菜的產量和品質[1]。田間病害的識別對于種植者來說難度較大，因此，開展利用機器視覺和深度學習技術對油菜菌核病病害識別的研究，對實現油菜病害自動識別和精準施藥有著極其重要的意義。

近年來，隨著深度學習技術的發展，基于深度學習的圖像識別方法開始應用于農業領域，國內外研究人員利用深度學習的技術優勢，對多種農作物的病害開展了深入研究。柴阿麗等提取番茄葉片顏色、紋理及形狀參數構建特征提取與判別模型，對其早疫病、晚疫病、葉霜病和棒孢葉斑病進行自動識別[2];劉曜端利用設置容差取極大值區域的方法對苧麻病葉圖像進行特征區域提取，通過卷積神經網絡學習病斑的灰度圖像特征，并結合支持向量機實現分類識別[3] ;孫俊等針對AlexNet模型訓練收斂時間長、參數量巨大的問題，采用批歸一化和全局均值池化對其進行改進，并在Plantvillage數據集上訓練，改進后模型的準確率得到提升并有效減少了模型參數[4];P. Revathi等利用機器視覺技術對棉花病害圖像進行了識別，利用數字圖像技術進行棉花病害圖像分割處理，并提出采用粒子群算法進行特征波長的選擇，建立四種模型分類方法，從而對比得出對棉花病害圖像最佳的分類模型[5];蘇婷婷等采用茶葉葉部病害圖像作為數據集，采用卷積運算完成圖像特征提取，遷移Inception-3模型進行微調，其識別準確率達到了95.3%[6];LIANG W-J等設計了基于卷積神經網絡的水稻稻瘟病識別模型，評價結果表明，與傳統手工提取的局部二值模式直方圖和小波變換等特征相比，CNN提取的高階特征對水稻稻瘟病更具有識別性和有效性[7]。本研究采用基于卷積神經網絡對油菜菌核病病害葉片進行識別，旨在降低模型復雜度，提高圖像識別率。

1 ?材料與方法

1.1 ?數據集準備

自然光照條件下，在油菜種植基地使用手機分別拍攝健康和受菌核病感染的油菜葉片圖像（見圖1）。拍攝時，光路盡量與葉片平面垂直，光照保持均勻，病害癥狀盡可能在整個畫面中占較大比例。油菜葉片圖像的采集主要在苗期進行，共采集2 000余幅圖像，其中包含30%的油菜菌核病病害葉片圖像和70%的油菜健康葉片圖像。選擇油菜菌核病葉片圖像627張作為數據集。將圖片存儲到電腦中，標注采集的病害圖片，做好標簽數據記錄，構建通用的帶標簽的油菜菌核病病害數據庫。

1.2 ?卷積神經網絡特點

卷積神經網絡以其局部權值共享的特殊結構在圖像處理方面有著獨特的優勢，其布局更符合真實的生物神經網絡結構，權值共享降低了網絡的復雜度，特別是可以將多維輸入向量圖像直接輸入的特點，可有效降低特征提取及分類過程中數據處理的冗余過程。

1）局域感受野。局部感受野是指卷積層中的每一層輸出特征圖上的像素點在原始圖像或者上層特征圖中映射區域的大小。通過局域感受野，不同濾波器可以提取圖像的初始特征。

2）權值共享。每個卷積核檢測輸入特征圖中所有位置上的特定特征，且同一個輸入特征圖中的權重參數都是共享的，權值共享在很大程度上減少了網絡的參數總量，降低了計算量，這種方式不僅增強了網絡表達能力，而且提高了參數的訓練速度。即用一個卷積核和輸入圖像的不同區域進行卷積，檢測到的是相同的圖像特征，而只有通過不同的卷積核才能獲取不同的圖像特征。

1.3 ?卷積神經網絡基本結構

卷積神經網絡由輸入層、卷積層、池化層、全連接層和輸出層構成，其基本結構如圖2所示[8]。卷積層的本質是圖像特征提取，由于一層卷積可提取到的特征是局部特征，因而如果要提取更加全面的圖像特征，則需要采用多層卷積方式。池化層是將卷積層的圖像特征進行降維處理，從而降低網絡復雜度和提取圖像特征信息，減少參數和計算量，防止過擬合，提高模型泛化能力。池化操作一般采用最大池化、平均池化和重疊池化等方法。全連接層的作用主要是對特征圖像計算每種類別的概率，從而實現圖像分類識別，線性排列結構使得卷積神經網絡能夠直接從輸入的圖像中提取隱藏在深層的抽象特征，有利于分類器對圖像進行更加精準的分類。

1.4 ?特征提取可視化

本文的油菜病害識別方法充分利用了深度學習的特征表示能力，使用深度學習網絡中油菜病害葉片圖像在不同場景下的特征表示，然后通過應用遷移學習方法，再次學習油菜病害圖像的特征，最后對特征進行分類識別。卷積神經網絡模型的可視化可以更直觀地理解分類模型，通過模型卷積層輸出特征的可視化，有效了解模型的每一層都學習到了圖像的哪些特征。根據可視化特征圖（見圖3），進一步調整模型參數，以便更好地提升模型準確率。

2 ?結果與分析

2.1 ?網絡模型參數設置

本文設計的卷積神經網絡結構對輸入卷積層的圖像數據進行歸一化處理，主要包括4個卷積層、3個池化層和1個全連接層，輸出層的激活函數使用softmax，卷積層的激活函數使用非線性激活函數Relu。輸入油菜病害葉片圖像，輸出屬于識別病害的概率值，選擇網絡結構中的全連接層作為要提取的病斑特征層。池化層主要是降維，減少參數加速運算，防止過擬合，加入Dropout層可有效防止過擬合情況發生。

在訓練過程中，為了獲取更高的準確率，采取fine-tune方法微調和優化網絡模型參數，使用隨機梯度下降的方式更新網絡參數，Batch Size設置為50，優化器lr設置為0.000 3。為了降低過擬合，在全連接層dropout設置為0.5。

2.2 ?識別結果

選擇田間獲取的油菜病害葉片樣本數627張，其中訓練樣本數501張，測試樣本數126張。本文選取Keras作為深度學習框架，采用Python語言進行編程。模型訓練采用批量訓練的方法，每個批次訓練的樣本數為30個，測試集樣本數為20個，共迭代100次，卷積核步長為2。從圖4中可以看出，在訓練到80次左右的時候達到準確率的最高點，準確率約在97%。

3 ?小結

本文針對油菜病害葉片圖像識別率較低的問題進行研究，提出將卷積神經網絡應用到油菜菌核病病害識別中，建立了基于卷積神經網絡的油菜病害識別模型。采用Keras對數據集進行訓練，通過設置不同的網絡模型參數對油菜菌核病葉片圖像進行識別研究。

通過對模型的預測性能進行實驗測試，發現當迭代次數到80次后，其函數圖像變化曲線趨于穩定，未出現較大波動，且未發生過擬合現象，說明該模型具有較好的魯棒性和泛化能力。實驗結果表明，該模型識別性能較強，實用性較好，能夠識別油菜菌核病病害葉片，也為后續的植物病害研究提供理論依據和參考價值。

參考文獻：

[1] ? 張志梅.油菜菌核病的發病規律及防治措施[J].河南農業，2021（13）：35.

[2] ? 柴阿麗，李寶聚，石延霞，等.基于計算機視覺技術的番茄葉部病害識別[J].園藝學報，2010，37（9）：1423-1430.

[3] ? 劉曜端.基于神經網絡和支持向量機的苧麻病害識別系統的研究[D].長沙：湖南農業大學，2017.

[4] ? 孫俊，譚文軍，毛罕平，等.基于改進卷積神經網絡的多種植物葉片病害識別[J].農業工程學報，2017，33（19）：209-215.

[5] ? P. Revath. Cotton Leaf Spot Diseases Detection Utilizing Feature Selection with Skew，Divergence Method[J]. International Journal of Scientific Engineering & Technology，2014，3（1）：22-30.

[6] ? 蘇婷婷，牟少敏，董萌萍，時愛菊.深度遷移學習在花生葉部病害圖像識別中的應用[J].山東農業大學學報（自然科學版），2019，50（5）：865-869.

[7] ? LIANG W-J，ZHANG H，ZHANG G-F，et al. Rice blast disease recognition using a deep convolutional neural network [J]. Scientific reports，2019，9（1）：1-10.

[8] ? 賈世杰，楊東坡，劉金環.基于卷積神經網絡的商品圖像精細分類[J].山東科技大學學報（自然科學版），2014，33（6）：91-96.

（責任編輯：丁志祥）

收稿日期：2021-09-22

基金項目：重慶市農業發展資金項目“融合注意力機制的油菜葉片病害識別”（NKY-2021AC012）;“旱地氮磷流失生態原位阻控技術研究與示范”（NKY-2019AB008）;“手機+圖像識別構建水稻氮素營養診斷系統研究”（NKY-2021AB009）。

作者簡介：李波（1984—），男，河南焦作人，碩士，工程師，主要從事農業信息化技術研究。E-mail：hnjzbobo@163.com。

為通信作者，E-mail：917716584@qq.com。