基于殘差網絡的人參葉片病害診斷模型研究

韓永奇　馬東賀　張蕓

摘要：本文利用殘差網絡結構模型，針對人參白粉病、黑斑病、灰霉病、炭疽病、疫病5種病害，共105個數據集進行測試和訓練，生成人參葉片病害識別模型，利用ResNet18網絡模型完成了對人參葉片病害的檢測。結果表明，在經過多次參數優化后，ResNet18模型的分類精度可以達到99%。

關鍵詞：殘差網絡;人參病害;ResNet18

中圖分類號：TP389? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）23-0005-03

1 前言

人參在生長的過程會受到當地的空氣濕度、溫度、氣候、土壤等環境因素和工業化的廢氣、廢水等人為因素的影響，都會直接影響到人參的健康生長[1]。而經過人們的種植經驗和許多生物學家的不斷探索發現，人參的健康狀況可以直接體現在葉片的質量和生長情況上。為了確保人參的健康生長，在其發生病害時，及時地診斷出葉片病害并進行治療是十分有必要的。目前，我國對各種植物的病害診斷，還是以人工檢測為主，這種診斷方式效率較低，很容易造成誤判，已經漸漸無法滿足如今農業現代化和信息化的要求。近年來，隨著人工智能和深度學習的蓬勃發展，越來越多的研究開始探索，利用神經網絡強大的學習能力和識別能力，通過植物葉子的圖像對植物病害進行檢測[2]。這種將機器學習技術應用到植物病害檢測的方法，使得植物病害檢測更加準確方便，節省了大量的人力物力[3-4]。

2 殘差網絡

針對一般卷積神經網絡易出現過擬合和梯度消失問題，提出了基于殘差網絡（Residual Networks，ResNet）結構的ResNet模型。其基本思想是將殘差塊加入到深層卷積神經網絡中，將深層網絡模型構建為淺層網絡模型和自身映射的疊加，然后把訓練好的淺層網絡結構與自身映射的增加層，通過殘差塊進行巧妙連接。大量的實驗結果證明，殘差映射比原始最優解映射更容易得到優化[5-7]。

如圖1所示，確定葉片圖像病害檢測所用的網絡模型后，開始對原始的圖片樣本數據進行預處理。由于本次研究的原始數據樣本數量較小，所以在實驗過程中擬對圖像進行預處理和數據增強[8];然后將處理后的圖像通過ResNet網絡模型進行訓練，得到訓練后的網絡模型;最后利用已訓練的模型對隨機選擇的人參葉片進行病害診斷，得到診斷結果[9-10]。

3人參葉片病害診斷模型構建

本實驗準備將患有不同病害的人參葉片圖片作數據集，利用ResNet18網絡模型對其訓練，完成病害圖片的分類。診斷模型的構建分兩步：

（1）對用于模型訓練與測試的人參葉片圖片進行數據預處理操作，包括對圖片做分類標簽、等分辨率裁剪、按比例劃分訓練集和測試集等操作。

（2）加載ResNet18預訓練模型，結合人參葉片圖片進行微調訓練，觀察模型訓練收斂速度，調整超參數到最佳，得到微調之后的人參葉片圖片分類模型。

3.1 數據處理

在利用深度學習進行分類和檢測時，為了讓模型的泛化能力更好，往往需要準備質量達到標準且已做好分類標記的數據來訓練網絡，數據對模型最后學習的結果有著直接的影響，數據集的準備是重中之重的部分。本次實驗采集了50張人參葉片圖片數據，其中包含了5種常見的人參葉片病害：“白粉病-8”“黑斑病-14”“人參灰霉病-26”“人參炭疽病”“人參疫病”，如圖2所示。

為了保證模型的泛化能力，本文在已有人參圖片樣本的基礎上，通過一定的數據增強方法對幾種人參病害的數據進行了擴充。本次實驗中主要采用了以下方法對人參葉片病害圖片數據集進行了擴充，所使用的函數均為深度學習包Keras下的ImageDataGenerator這個類，該類可以很方便地給原始數據加入一些隨機擾動。

（1）將原始圖像水平和豎直平移一段距離，并保存新圖像。在實驗時設置平移的最大范圍占整個圖片寬、高的20%，對于由于平移而空出來的區域，選擇的填充方式為“wrap”。設置代碼為：

ImageDataGenerator（width_shift_range=0.2， height_shift_range=0.2， fill_mode='wrap'）。平移后的圖片示例如圖3所示。

（2）將原始圖像隨機旋轉一定的角度，并保存新圖像。實驗中將圖片旋轉范圍設置為45，即圖像會在[0°，45°]的范圍內任意旋轉一個角度。設置代碼為ImageDataGenerator（rotation_range =45）。旋轉后的圖片示例如圖4所示。

經過以上處理，將原始的數據集擴展為原來的5倍，大大增加了樣本的多樣性，減小了樣本過擬合的風險，增強了模型的泛化能力。

在得到人參葉片圖片后，還需要對所有圖片進行病害分類標記，并將標記后的數據存入.txt文件中，標記規則如表1所示：

對于數據集中的每張圖片，若患有該種病害則標記為1，反之則為0。例如第二張圖片為“白粉病-8”，則第二張圖片在不同標記數據中的值為1、0、0、0、0。同時，由于在大部分的分類網絡中，圖片在輸入網絡前，需要保證尺寸一致。因此，在完成病害圖片的標記后，需要對圖片的尺寸進行調整。本次實驗采集到的人參圖片分辨率均大于300×300，所以將圖片裁剪為224×224的統一尺寸，作為網絡的數據輸入。

3.2 模型訓練

本次選擇的操作系統版本為Ubuntu 18.04長期維護版，計算機內存為16G，顯卡為NVIDIA GeForce GTX 1650，編程語言采用Python 3.6版本，同時實驗基于深度學習框架PyTorch進行開發，集成開發軟件為JetBrains PyCharm。

在完成了圖片數據的預處理后，本次實驗采用基于ResNet18的網絡模型對人參病害葉片圖片進行分類。首先，將每一類的圖片按照8：2的比例分為訓練集和驗證集。為了進一步提高本次實驗所用模型的泛化能力，本實驗采用的神經網絡模型為已經過預訓練的ResNet18模型，將此模型進行微調，得到調整之后的模型。將此模型加載到本實驗所采用的人參葉片圖片分類模型中，調整模型參數，通過遷移學習的方法完成對小樣本圖片數據的分類。

在深度學習的訓練過程中，包括批處數量Batch_size、學習率、優化算法等超參數對網絡的訓練精度有著非常重要的影響。實驗中通過多次試驗的精度對比，確定了效果最好的一組參數，具體參數如表2所示。

在參數設置完成后，即可將人參葉片圖片輸入ResNet18預訓練模型中進行訓練。ResNet18模型的網絡配置參數如表3所示。

表3只展示了整個Resnet18模型中卷積層、全連接層的配置參數，每一層所使用的激活函數和Batch Normalization。下面以第二個卷積層Conv2_x為例，說明具體的網絡結構，如圖5所示。

從圖5中可以看出，在輸出層之前的每一個卷積操作之前，都會加上Batch Normalization（BN）操作和ReLu激活函數。在卷積操作之后，首先進行Batch Normalization操作，對數據進行歸一化為均值為0，方差為1的數據，使數據進入下一層之前保證參數量級沒有很大的變化。在不同卷積層之間加入Batch Normalization可以加速收斂，降低了權重值的尺度對模型的影響，并且在小樣本圖片訓練過程中加入Batch Normalization，可以代替Dropout，抑制模型的過擬合。模型在BN層之后引入了激活函數ReLu，增加模型的非線性映射能力。模型其他層的結構與Conv2_x層類似，在通過Conv5_x和池化層后利用Softmax輸出最終的分類結果。

3.3 實驗結果

實驗中基于已訓練的ResNet18網絡模型對單個種類的人參葉片病害圖片檢測精度對比如表4所示。

從表4中可以看出，雖然本文所用的人參葉片圖片數量較少，但是在使用了預訓練模型后，增強了模型的泛化能力，且本次測試集所使用的圖片也來自訓練集圖片。因此，即使在本次小樣本的分類預測實驗中也達到了很高的精度，對所有病害的檢測精度均達到了99%以上。

4 結論

本文以人參葉片常見的五種病害為例，展開了預測算法的研究工作，并通過將預訓練的ResNet18網絡模型應用于人參葉片圖片分類檢測任務中，取得了較高的人參病害檢測精度，驗證了深度學習在人參葉片病害診斷上的優勢和有效性。 但由于實驗設備的限制，本次實驗沒有采用較為復雜但精度表現更好的ResNet50，ResNet101等深層殘差網絡來進行實驗和模型搭建，而是改用了結構相對簡單的ResNet18來進行，而深層神經網絡在人參病害檢測上的表現是否要優于ResNet18，還有待進一步研究。此外，本次人參葉片圖片的采集過程和來源較為簡單和單一，導致訓練樣本較小，雖然利用遷移學習，且在測試時使用了和樣本圖片極為類似的人參病害圖片，在預訓練模型上也完成了對人參葉片圖片的分類檢測，達到了較好的檢測精度，但是若能采集到更多質量更好、數量更多的圖片，最終的效果會有進一步的提升。

參考文獻：

[1] 于合龍，丁民權，黃浦，等.基于ZigBee網絡的人參生長監測及病害預警[J].吉林農業大學學報，2017，39（1）：120-126.

[2] 賈少鵬，高紅菊，杭瀟.基于深度學習的農作物病蟲害圖像識別技術研究進展[J].農業機械學報，2019，50（S1）：313-317.

[3] 葉中華，趙明霞，賈璐.復雜背景農作物病害圖像識別研究[J].農業機械學報，2021，52（S1）：118-124，147.

[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] 趙春霞.基于ResNet18的圖像分類在農作物病蟲害診斷中的應用[J].農業與技術，2021，41（19）：10-13.

[6] 樊杰.基于深度殘差網絡的農作物葉片病癥識別研究[D].包頭：內蒙古科技大學，2020.

[7] 吳華瑞.基于深度殘差網絡的番茄葉片病害識別方法[J].智慧農業，2019，1（4）：42-49.

[8] 張賀.基于深度度量學習的小樣本圖像分類方法研究[D].西安：西安理工大學，2021.

[9] 李博，江朝暉，謝軍，等.基于遷移學習的園藝作物葉部病害識別及應用[J].中國農學通報，2021，37（7）：138-143.

[10] 王東方，汪軍.基于遷移學習和殘差網絡的農作物病害分類[J].農業工程學報，2021，37（4）：199-207.

【通聯編輯：唐一東】

收稿日期：2022-05-15

基金項目：吉林省教育廳科學技術研究項目“基于人工智能的人參精準種植與病害診斷系統研究， JJKH20210329KJ”; 吉林省科技發展計劃項目“吉農在線直播云課堂與農技智能問答系統的開發與應用，20210404020NC”

作者簡介：韓永奇（1980—），男，吉林長春人，副教授，碩士，主要研究方向農業信息化。