卷積神經(jīng)網(wǎng)絡(luò)在茶樹病蟲害防治中的應(yīng)用

范海紅

（浙江郵電職業(yè)技術(shù)學(xué)院，浙江 紹興 312366）

作為世界茶葉大國，茶葉的質(zhì)量是茶園經(jīng)濟(jì)效益的關(guān)鍵。茶葉嫩牙是衡量茶葉產(chǎn)量的重要因素。茶葉嫩牙發(fā)育和茶葉病害預(yù)防和治療之間有著十分密切的關(guān)系。國內(nèi)對于茶葉病害種類已經(jīng)記錄了30多種。該種類型的疾病最常見的包括如下四種，即炭疽病、白星病、茶芽疫病和茶環(huán)斑病。如何合理預(yù)防和控制茶葉病害是保證茶葉品質(zhì)的關(guān)鍵。在實(shí)際生產(chǎn)中，茶農(nóng)大多依靠自己的多年的茶樹種植經(jīng)驗(yàn)，或者參考相關(guān)資料，利用網(wǎng)絡(luò)在線查詢和咨詢專家來識別茶樹病害，但這些這些方法存在許多問題：鑒別能力、時效性等。首先，從發(fā)生茶樹病害到發(fā)現(xiàn)病害，再到對病害的診斷，最后對病害采取的防治措施的過程可能需要很長時間，而這個期間內(nèi)，茶葉的病害可能進(jìn)一步加劇。第二，茶葉種植往往是大面積種植。如果需要確定哪個地區(qū)發(fā)生了病蟲害，而哪個地區(qū)沒有病害問題，這個需要的勞動力成本肯定不低。另外茶樹一般種植在高低起伏不平的山區(qū)，同樣也會增加了人工識別的難度。最后，茶農(nóng)對疾病診斷的相關(guān)知識的缺乏，而僅憑主觀經(jīng)驗(yàn)容易出現(xiàn)診斷錯誤。總結(jié)上述原因，因此傳統(tǒng)的種植方式顯然難以滿足現(xiàn)代農(nóng)業(yè)種植的要求。如何有效地識別和預(yù)防這些病害是茶葉界關(guān)注的焦點(diǎn)。通過對茶葉病害的識別和分類，能夠給茶園管理人員提供防治依據(jù)，具有一定的現(xiàn)實(shí)意義。

神經(jīng)網(wǎng)絡(luò)是利用生物神經(jīng)網(wǎng)絡(luò)來近似解決問題的方法，是將神經(jīng)元連接而成的具有自適應(yīng)的一種動態(tài)網(wǎng)絡(luò)。Pitts等人首先提到了神經(jīng)網(wǎng)絡(luò)模型。利用這個模型給出了神經(jīng)元的數(shù)學(xué)形式和網(wǎng)絡(luò)結(jié)構(gòu)，從而使神經(jīng)網(wǎng)絡(luò)的研究和探索得到了血多研究人員的重視。Rumelhart等人為了解決單層感知器存在的缺點(diǎn)，提出了BP神經(jīng)網(wǎng)絡(luò)的概念，并且把BP神經(jīng)網(wǎng)絡(luò)算法運(yùn)用到了機(jī)器學(xué)習(xí)理論中去。但神經(jīng)網(wǎng)絡(luò)中里面所包含的參數(shù)比較多，訓(xùn)練的時間比較長，還存在過擬合等問題，Hinton等人提出了深度學(xué)習(xí)，利用多層神經(jīng)網(wǎng)絡(luò)具有更好的學(xué)習(xí)能力的特點(diǎn)，無監(jiān)督訓(xùn)練的模式來克服深度神經(jīng)網(wǎng)絡(luò)的難度。卷積神經(jīng)網(wǎng)絡(luò)是目前比較常用的深度網(wǎng)絡(luò)模型。病蟲害是影響茶葉質(zhì)量的主要原因之一，而目前主要預(yù)防方式是人工去主觀判斷，人工的主觀判斷不可避免的會帶來主觀性和模糊性的問題，使病蟲害無法被有效的識別，從而影響防治效果。所以，怎樣精準(zhǔn)快速的認(rèn)識病害已經(jīng)變成了一個不可忽視的研究課題。

最近一些年以來，由于機(jī)器學(xué)習(xí)的發(fā)展，使用機(jī)器學(xué)習(xí)的理論來對該疾病進(jìn)行識別的研究已經(jīng)受到研究人員的關(guān)注。王佳平以白星病、葉斑病和葉枯病作為研究對象，運(yùn)用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)原理和圖像特征提取等方法提出了基于圖像的茶葉病害分類方法。張帥堂利用茶葉病害的高光譜分析，提出了針對病害識別的支持向量機(jī)分類模型、隨機(jī)森林模型和BP神經(jīng)網(wǎng)絡(luò)模型。

1 卷積神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)其中包含三種，即輸入層、隱藏層以及輸出層。卷積網(wǎng)絡(luò)是具有卷積構(gòu)造特征的一種極為獨(dú)特的深度網(wǎng)絡(luò)，不僅能夠降低深層網(wǎng)絡(luò)的存儲數(shù)目以及參數(shù)目，并且還能夠緩解過擬合情況。該種類型的網(wǎng)絡(luò)不僅具有輸入層以及輸出層，并且其隱藏層主要包括卷積層、池化層、全連接層三個類別。其中前兩種也能夠使用卷積層以及池化層交替等情況多層出現(xiàn)。

卷積層中核心部分為卷積核，通過卷積運(yùn)算對圖像數(shù)據(jù)的處理，從而可以提取輸入信號的深層次信息，增強(qiáng)原信號的特征信息，降低噪音數(shù)據(jù)。主要方式是利用對特征圖和卷積核進(jìn)行卷積運(yùn)算z=Wx+b，再利用激活函數(shù)x=f（z），得到特征圖。其中，x是第l-1層的輸出信息，W是從第l-1層到第l層的卷積核，b稱為偏移項(xiàng)，f（?）是激活函數(shù)。池化層基本上使需要達(dá)到對信息的降維，用更顯著的表現(xiàn)形式來展現(xiàn)圖像。其任務(wù)主要想要減少冗余信息、增加模型的不變特征并且可以有效的預(yù)防過擬合的情況出現(xiàn)。比較常見的池化層運(yùn)算方式共有以下幾種類型，主要可包括平均值池化算法，最大值池化算法，組合池化算法以及隨機(jī)池化算法等。對于全連接層來說，對前面特征逐層提取之后，則可予以分類回歸操作。將二維特征圖轉(zhuǎn)化為一維數(shù)據(jù)，并輸入到全連接網(wǎng)絡(luò)中。同時通過激活函數(shù)進(jìn)行輸出。通過情況下，主要選用ReLU函數(shù)進(jìn)行操作。基于softmax函數(shù)為依托，則可實(shí)現(xiàn)分類輸出處理。

2 茶葉葉部病害圖像獲取

工人在對茶葉葉部病害葉片進(jìn)行人工采摘時，將采摘到的葉片通過人工依次拍照，主要提取包含6類常見的茶葉葉部病害葉片和損傷葉片的圖像。人工采集的圖像由于葉片存在差異，導(dǎo)致采集到的病害圖像的需要進(jìn)行裁剪處理，選取圖像清晰度比較高的茶葉病害圖像進(jìn)行切割，可以減少圖像中的干擾信息，同時能夠使得圖像目標(biāo)區(qū)域更加突出和明顯，有利于對圖片的特征提取。因此利用目前所有存在的比較完善的像處理技術(shù)來切割圖像，其流程如下圖。

圖像切割處理后，刪除拍攝質(zhì)量較差的圖像后，把其余所有圖像進(jìn)行統(tǒng)一尺寸，圖像歸一化為188x188，對圖像數(shù)據(jù)進(jìn)行命名，并作為一整個數(shù)據(jù)集從而得到茶葉葉部病害的部分圖像樣本。

3 基于卷積神經(jīng)網(wǎng)絡(luò)的茶樹病蟲圖像處理

卷積神經(jīng)網(wǎng)絡(luò)適用于大樣本數(shù)據(jù)。為了避免過度擬合，可以適當(dāng)增加訓(xùn)練數(shù)據(jù)集的數(shù)量。Goodflow等人經(jīng)過研究后，所得出的結(jié)論為生成對抗網(wǎng)絡(luò)GAN，基于此實(shí)現(xiàn)圖像的生成。主要可以分成兩個部分，包括生成器與判別器。在前者的作用下，則可對原始數(shù)據(jù)的分布狀態(tài)進(jìn)行獲取，并產(chǎn)生新的樣本信息。后者則可作為二分類器，對輸入樣本進(jìn)行有效區(qū)分。DCGAN是在生成對抗網(wǎng)絡(luò)模型的基礎(chǔ)上加入了卷積運(yùn)算過程，從而達(dá)到無監(jiān)督訓(xùn)練的目的，由于卷積神經(jīng)網(wǎng)絡(luò)模型具有強(qiáng)大的特征提取能力，從而可以達(dá)到DCGAN模型的學(xué)習(xí)能力。因此可以采用GAN來模擬單一背景下生成茶葉病害圖像，擴(kuò)展樣本數(shù)據(jù)集。

DCGAN網(wǎng)絡(luò)的池化層包含了判別網(wǎng)絡(luò)和生成網(wǎng)絡(luò)，分別采用了步幅卷積和微步幅卷積。與生成對抗網(wǎng)絡(luò)所不同，此網(wǎng)絡(luò)是沒有完全連接層和池層，假設(shè)輸入維數(shù)為一百的均勻分布數(shù)據(jù)，通過微步幅卷積運(yùn)算，將一百維的數(shù)據(jù)轉(zhuǎn)換為一個64位像素的圖像。

在操作過程中，所應(yīng)用的即為九層的卷積神經(jīng)網(wǎng)絡(luò)模型，主要由以下幾個部分組成，其中可包含池化層、卷積層、響應(yīng)規(guī)范層、全連接層以及輸出。在試驗(yàn)期間，為了避免發(fā)生過擬合的情況，在全連接層中引入dropout丟棄機(jī)制。對于卷積層來說，主要是由多個特征映射層共同構(gòu)成的，其中包含了較多的神經(jīng)元。通過卷積濾波器提取圖像的深層次特征數(shù)據(jù)，并連接卷積核與前層的特征映射，從而增加節(jié)點(diǎn)矩陣的深度核增強(qiáng)信號的特征的輸入。由于先前對圖像尺寸歸一化為188×188，選用簡單的卷積核，其大小規(guī)格為3×3。選擇數(shù)目為16的特征卷積核，所產(chǎn)生的特征圖共計(jì)為16個。

由于存在太多特征數(shù)據(jù)，因而在擬合處理是，容易導(dǎo)致過擬合現(xiàn)象，可以利用池化操作來避免過擬合，我們利用最大池化算法對輸入特征映射的數(shù)據(jù)特征進(jìn)行聚合，計(jì)算圖像中某區(qū)域的特征的最大值，作為特征數(shù)據(jù)輸出。該層以2的步長選擇最大池化算法處理數(shù)據(jù)。

為了保證模型具有良好的泛化效果，可將LRN層應(yīng)用到局部響應(yīng)規(guī)范化層中。LRN層是為了讓具有小反饋的神經(jīng)元暫時不被使用，從而獲得相對較大的響應(yīng)值因此通過創(chuàng)造競爭環(huán)境來抑制某些神經(jīng)元，所以局部響應(yīng)規(guī)范化層用于水平抑制激活函數(shù)的輸出數(shù)據(jù)。此外，LRN和ReLU的結(jié)合可以擴(kuò)展ReLU激活函數(shù)的優(yōu)點(diǎn)，并從許多卷積核的響應(yīng)中獲得較大的反饋。因此，利用局部響應(yīng)規(guī)范化層提高數(shù)據(jù)峰值，抑制環(huán)境因素，提升數(shù)據(jù)特征，提高效率。

該模型中有2個全連接層，連接所有特征得到輸出值，并輸入到softmax函數(shù)中。為了避免實(shí)驗(yàn)中的過擬合現(xiàn)象，則將一個丟棄層連接在全連接層后，修改損失函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)權(quán)值衰減，從而優(yōu)化神經(jīng)網(wǎng)絡(luò)。

4 實(shí)驗(yàn)仿真效果分析

本文采用不同學(xué)習(xí)速率下的識別精度對比實(shí)驗(yàn)來模擬卷積神經(jīng)網(wǎng)絡(luò)模型對茶葉病害圖像進(jìn)行識別和分類。通過對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分析后發(fā)現(xiàn)，能夠?qū)崿F(xiàn)分類器訓(xùn)練與提取圖像特征的同時操作，促使識別精度得到了顯著提升。在操作期間，初始迭代次數(shù)為5萬，步長則達(dá)到了100，所產(chǎn)生的學(xué)習(xí)率則可表示為千分之一。選擇不同的學(xué)習(xí)率進(jìn)行對比實(shí)驗(yàn)，結(jié)果如表1。從表1中我們可以看出，當(dāng)?shù)綌?shù)為5萬，學(xué)習(xí)率為千分之一時，

表1 不同學(xué)習(xí)速率下的實(shí)驗(yàn)精度（＊表示采用丟棄機(jī)制）

5 結(jié)語

通過進(jìn)行實(shí)驗(yàn)研究后，基于DCGAN網(wǎng)絡(luò)構(gòu)成相應(yīng)的茶葉病害圖像，經(jīng)過篩選與切割圖像之后，則可產(chǎn)生一定的圖像數(shù)據(jù)集。然后運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)模型識別分類茶葉病害圖像。通過隊(duì)學(xué)習(xí)速率、迭代步數(shù)的調(diào)整和Dropout機(jī)制的引入，最終達(dá)到了較高的識別精度，有助于茶葉病害的識別和分類。