基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害識(shí)別方法研究

王樂石，楊文彬，胡云龍，鄭 屹

（中國(guó)礦業(yè)大學(xué)，江蘇 徐州 221116）

1 傳統(tǒng)農(nóng)業(yè)病蟲害識(shí)別的局限性

在傳統(tǒng)農(nóng)業(yè)中，人們通過累積下來的先驗(yàn)知識(shí)對(duì)病害進(jìn)行識(shí)別，對(duì)一些外來病蟲害無法做出相應(yīng)的應(yīng)對(duì)措施，從而不能早發(fā)現(xiàn)并根治。通過查閱資料最后做出判斷時(shí)，已經(jīng)錯(cuò)過了防治的最佳時(shí)間，對(duì)中晚期病害進(jìn)行根治的代價(jià)十分巨大，導(dǎo)致經(jīng)濟(jì)效益降低。

對(duì)于面積較大的農(nóng)田，對(duì)每個(gè)區(qū)域的農(nóng)作物都進(jìn)行人工監(jiān)測(cè)是一項(xiàng)既耗時(shí)又耗力的工作。如果忽視了某一小塊農(nóng)田的病害，可能會(huì)導(dǎo)致周圍作物患病，這導(dǎo)致的損失也是巨大的。

2 研究現(xiàn)狀

Ishak等討論了植物葉片質(zhì)量分析的方法，過程從圖像采集、圖像處理和分類開始。利用8兆像素的智能手機(jī)攝像頭進(jìn)行圖像采集，然后將圖像樣本分為健康和不健康各50張。圖像處理方法由對(duì)比度增強(qiáng)、分割和特征提取3個(gè)部分組成。采用人工神經(jīng)網(wǎng)絡(luò)和多層前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，并對(duì)多層感知器(MLP)和徑向基函數(shù)(RBF)兩種網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了比較。RBF網(wǎng)絡(luò)性能優(yōu)于MLP網(wǎng)絡(luò)。該搜索將植物葉片圖像分為健康和不健康兩類，不能檢測(cè)出病害類型。Sabrol et al.對(duì)番茄葉片的識(shí)別和分類方法進(jìn)行了探討。CIE XYZ顏色空間分析，顏色矩、直方圖和顏色一致性。最佳分類準(zhǔn)確率達(dá)87.2%。Rangarajan et al.提出了一種可行的解決方案，利用兩個(gè)預(yù)先訓(xùn)練的網(wǎng)絡(luò)(AlexNet和VGG16網(wǎng))對(duì)番茄作物病害進(jìn)行分類。使用AlexNet和VGG16net對(duì)13262幅圖像進(jìn)行分類，獲得的最佳分類精度為97.49%。Coulibaly et al.實(shí)現(xiàn)了一個(gè)檢測(cè)和診斷侵染小米作物的疾病的系統(tǒng)。他們的方法是基于CNN模型的遷移學(xué)習(xí)技術(shù)來提取葉子的特征。一個(gè)預(yù)先訓(xùn)練的網(wǎng)絡(luò)VGG16模型被用來將其學(xué)習(xí)能力轉(zhuǎn)移到他們建議的神經(jīng)網(wǎng)絡(luò)中，其中最好的準(zhǔn)確率達(dá)到95%。

3 病蟲害識(shí)別模型搭建

圖1中的分類器模型結(jié)構(gòu)由4個(gè)主要階段組成。第一階段，獲取植物病蟲害數(shù)據(jù)集。從數(shù)據(jù)集中獲取的所有圖像都要進(jìn)行必要的調(diào)整。然后將經(jīng)過調(diào)整的數(shù)據(jù)圖片分為訓(xùn)練樣本和測(cè)試樣本兩類。最后，搭建卷積神經(jīng)網(wǎng)絡(luò)（包含卷積層、池化層、全連接層）對(duì)圖像進(jìn)行分類。

圖1 分類器模型

3.1 數(shù)據(jù)集

本文使用的數(shù)據(jù)集來自于網(wǎng)絡(luò)和實(shí)地采集到的圖片。該數(shù)據(jù)集包含使用的4516張圖像，共有20種常見的病蟲害類型(每一種病蟲害類型按照病害程度分為健康、一般、嚴(yán)重3種情況，共計(jì)60組)如圖2。其中包含常見病害類型為, 蘋果黑星病、玉米灰斑病、葡萄黑腐病、馬鈴薯早疫病、草莓葉枯病等。所有圖像都是在RGB顏色空間，其格式為JPG。

圖2 不同程度蘋果黑星病圖片

3.2 調(diào)整圖片大小

本文將從數(shù)據(jù)集中獲取的圖像尺寸大小調(diào)整為100×100×3，從而減少訓(xùn)練時(shí)間并提高訓(xùn)練的精度。

3.3 選取測(cè)試組與訓(xùn)練組

神經(jīng)網(wǎng)絡(luò)在使用真實(shí)數(shù)據(jù)進(jìn)行測(cè)試之前，必須先在一組數(shù)據(jù)中進(jìn)行訓(xùn)練以提高網(wǎng)絡(luò)的準(zhǔn)確性。因此，數(shù)據(jù)集應(yīng)分為訓(xùn)練組和測(cè)試組來避免增加相關(guān)性。數(shù)據(jù)集可分為(60%～80%)訓(xùn)練和(40%～20%)。為了進(jìn)行測(cè)試，有時(shí)會(huì)增加訓(xùn)練數(shù)據(jù)，以提高網(wǎng)絡(luò)的效率。在圖3經(jīng)驗(yàn)的基礎(chǔ)上，本文采用數(shù)據(jù)集中80%的圖像用于訓(xùn)練，20%用于測(cè)試。

圖3 測(cè)試集與訓(xùn)練集選取比例對(duì)精度的影響

3.4 圖像分類模型

利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)可以對(duì)植物病害進(jìn)行檢測(cè)和分類。本文采用基于TensorFlow框架搭建的卷積神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)總共包含7層，前四層為卷積層，后三層為全連接層。卷積層由3個(gè)部分組成，分別為卷積、激活和池化。卷積的目的是為了獲取圖片的特征，通過設(shè)置卷積核的大小、步長(zhǎng)、填充等參數(shù)，對(duì)圖片的特征信息進(jìn)行提取，比如不同種類葉片的形狀、顏色以及不同病蟲害之間存在差異的某些特征。本項(xiàng)目使用卷積核的維度為5×5×3，5×5代表每個(gè)卷積核的大小，3代表RGB3個(gè)通道；步長(zhǎng)設(shè)置為1；由于數(shù)據(jù)集中圖片在邊緣位置包含的信息量過少，填充大小設(shè)置為不填充。其中，卷積計(jì)算采用的是TensorFlow自帶二維卷積函數(shù)。

利用卷積運(yùn)算可以從圖像中提取顏色、邊緣等特征。在本文的模型中，在所有的卷積層中，濾波器的大小（5×5）是固定的，但濾波器的數(shù)量是改變的。比如，在第一層卷積層中，濾波器的個(gè)數(shù)為32，而在第二和第三卷積層中，濾波器個(gè)數(shù)分別為64個(gè)和128個(gè)。

我們?cè)趯?duì)圖像進(jìn)行卷積操作的方式來處理時(shí)，樣本的整體不一定都是線性的。為了解決線性模型不能解決的非線性問題，我們只能通過線性變換或使用非線性函數(shù)。神經(jīng)網(wǎng)絡(luò)中常用sigmoid、tanh作為非線性函數(shù)，本文采用了ReLU（線性整流函數(shù)），作為至下一層神經(jīng)元或作為整個(gè)神經(jīng)網(wǎng)絡(luò)的輸出。線性整流函數(shù)是為了消除負(fù)值，可由式(1)和圖4表示。

圖4 ReLU（線性整流函數(shù)）

每一層池化層緊跟卷積層，用于簡(jiǎn)化卷積的輸出結(jié)果，降低對(duì)不重要特征的敏感度。同時(shí)，將卷積層的輸出結(jié)果進(jìn)行壓縮，在不丟失特征信息的前提下壓縮數(shù)據(jù)量的大小。常用的池化方法有最大池化（max-pooling）和均值池化（mean-pooling）。根據(jù)相關(guān)理論，特征提取的誤差主要來自兩個(gè)方面：第一，鄰域大小受限造成的估計(jì)值方差增大；第二，卷積層參數(shù)誤差造成估計(jì)均值的偏移。兩種方法相對(duì)來說，mean-pooling能減小第一種誤差，更多保留的是圖像的背景信息，而對(duì)本文來說，背景信息對(duì)病害的識(shí)別幾乎沒有意義。而max-pooling能減小第二種誤差，更多的保留紋理信息，它所提取的特征正是病害的特征。因此，本文采用最大池化（maxpooling）的池化方法，通過選擇最大值來消除剩余值，從而減少樣本數(shù)量，如圖5所示。

圖5 max pooling layer

后四層為全連接層，主要作用是實(shí)現(xiàn)分類，通過將卷積層得到的高維數(shù)據(jù)鋪平以作為輸入，同樣使用激活函數(shù)進(jìn)行非線性變化，最終得到分類結(jié)果。

4 結(jié)語

農(nóng)作物病害對(duì)農(nóng)民收入和國(guó)家經(jīng)濟(jì)產(chǎn)生了不良影響，如果這些疾病沒有在感染的早期階段被發(fā)現(xiàn)，治療將非常昂貴，并導(dǎo)致作物產(chǎn)量減少。因此，這項(xiàng)工作的重點(diǎn)是檢測(cè)植物上的初級(jí)感染，神經(jīng)網(wǎng)絡(luò)已經(jīng)被訓(xùn)練來監(jiān)測(cè)葉子的顏色或形狀的變化。深度學(xué)習(xí)方法被認(rèn)為是一種識(shí)別和檢測(cè)圖像顏色和形狀變化的現(xiàn)代技術(shù)，也可以成功地用于識(shí)別植物葉片的病害。本文構(gòu)建了一種基于TensorFlow框架的卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)使用數(shù)據(jù)集(4516張圖像)進(jìn)行訓(xùn)練，訓(xùn)練比例為80%，測(cè)試比例為20%，識(shí)別準(zhǔn)確度可達(dá)到80%，基本滿足對(duì)病蟲害的識(shí)別要求。