基于深度遷移學(xué)習(xí)的荔枝病蟲害識(shí)別方法研究

孟夢(mèng)　庾峻瑋　唐展逵　卓澤佳　張皓

摘? ? 要：荔枝生長(zhǎng)期間，容易發(fā)生病蟲害問題，直接影響荔枝的產(chǎn)量與品質(zhì)，合理識(shí)別荔枝病蟲害，可以減少病蟲害防治方法不合理和殺蟲劑濫用等情況。文章選取典型的“桂味”荔枝為研究對(duì)象，開展病蟲害防治，建立基于信息增強(qiáng)方法的深度卷積神經(jīng)網(wǎng)絡(luò)遷移研究和辨識(shí)模式，使原始樣品容量擴(kuò)大數(shù)倍，并通過構(gòu)建模型過擬合值，進(jìn)而提高模型的泛化水平和荔枝病蟲害防控分析的精度，以提高荔枝種植產(chǎn)量。

關(guān)鍵詞：遷移學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；荔枝；病蟲害識(shí)別

文章編號(hào)：1005-2690（2023）09-0100-03? ? ? ?中國(guó)圖書分類號(hào)：S436.67；TP183? ? ? ?文獻(xiàn)標(biāo)志碼：B

近年來，隨著新一代信息技術(shù)的迅速普及，我國(guó)逐漸加強(qiáng)了對(duì)農(nóng)產(chǎn)品病蟲害智能辨識(shí)與數(shù)字化防治的扶持工作，農(nóng)作物病蟲害智能識(shí)別研究逐漸成為熱門。早期農(nóng)產(chǎn)品病蟲害的智能識(shí)別和數(shù)字化防治主要通過圖像預(yù)處理（灰度化、直方圖均衡、中值濾波等），圖像分割和特征提取技術(shù)（灰度矩陣、顏色矩陣等），是指進(jìn)行特征的選擇和設(shè)計(jì)，然后通過特定的機(jī)器學(xué)院算法（支持向量機(jī)、隨機(jī)森林、PCA等）訓(xùn)練特定的分類能力，從而達(dá)到智能辨識(shí)的目的。有的學(xué)者通過Otsu閾值分析和直方圖均衡化的方法分析了圖像數(shù)據(jù)，并在實(shí)現(xiàn)信息分離后通過支持的向量機(jī)實(shí)現(xiàn)鑒別，目前運(yùn)用這種方式對(duì)紅蘋果病葉的識(shí)別率已經(jīng)達(dá)到了96％。有的學(xué)者提出利用圖像分割技術(shù)和支持向量機(jī)的方式對(duì)馬鈴薯信息進(jìn)行鑒別，目前其鑒別率已達(dá)到95％以上[1]。還有學(xué)者提出，首先采用均值與聚類分離技術(shù)，在獲得病斑后利用主成分分析法得到主特征矢量，又通過利用支持向量法所建立的多層分類器對(duì)麥冬葉病害進(jìn)行分類，目前該方式識(shí)別的準(zhǔn)確率達(dá)到94.4％[2]。本研究主要應(yīng)用于在深度知識(shí)遷移訓(xùn)練下的荔枝病蟲害圖像識(shí)別技術(shù)，并著重研究了在訓(xùn)練后樣本量相對(duì)較少情況下的識(shí)別準(zhǔn)確率問題。

1 理論與技術(shù)基礎(chǔ)

文章主要利用計(jì)算機(jī)可視化、數(shù)據(jù)增廣、深卷積神經(jīng)網(wǎng)路、遷移學(xué)習(xí)等新技術(shù)，研究基于數(shù)據(jù)增廣技術(shù)的深度折積神經(jīng)網(wǎng)路與移動(dòng)認(rèn)知技術(shù)的辨識(shí)功能，以攻克荔枝病蟲害防控的圖像識(shí)別難題。

1.1 計(jì)算機(jī)視覺

計(jì)算機(jī)視覺控制系統(tǒng)，主要由攝像機(jī)、空間圖象采集器、識(shí)別模塊、計(jì)算機(jī)等部分組成，用以模仿人的視野控制功能。利用對(duì)空間物體信號(hào)實(shí)施圖像采集，對(duì)所獲取的空間結(jié)構(gòu)圖像信號(hào)實(shí)行特征提取、抽象或者轉(zhuǎn)換，進(jìn)而對(duì)空間物體信息內(nèi)容加以邏輯推理和評(píng)價(jià)，以實(shí)現(xiàn)對(duì)空間物體評(píng)估或決定的過程目的。

1.2 內(nèi)容的增廣

數(shù)據(jù)增強(qiáng)訓(xùn)練方法是在計(jì)算機(jī)視覺上應(yīng)用的技術(shù)，是指通過提高練習(xí)樣品的數(shù)據(jù)獲取方式，使練習(xí)樣品的數(shù)據(jù)獲取方式盡量多元化，進(jìn)而增強(qiáng)研究模式的泛化功能。目前大多數(shù)的機(jī)器學(xué)習(xí)架構(gòu)中都已擁有了各種信息增廣方法和接口函數(shù)，但是架構(gòu)過程中，各種信息增廣方法和接口函數(shù)并沒有全部應(yīng)用于當(dāng)前的情景下，必須基于數(shù)據(jù)信息集合的特性來判斷和應(yīng)用當(dāng)前的各種數(shù)據(jù)增廣技術(shù)[3]。

1.3 卷積型神經(jīng)網(wǎng)絡(luò)

卷積型神經(jīng)網(wǎng)絡(luò)是使用卷積方法，并通過多層次的網(wǎng)絡(luò)模型對(duì)事物進(jìn)行認(rèn)知的方法，是深度認(rèn)知領(lǐng)域最有特色的方法之一，在影像處理領(lǐng)域中表現(xiàn)出色，目前已被廣泛應(yīng)用在語音識(shí)別、圖像辨識(shí)、自然語言信息處理等領(lǐng)域[4]。卷積神經(jīng)網(wǎng)絡(luò)底層結(jié)構(gòu)包含數(shù)據(jù)輸入層、折積運(yùn)算層、ReLU激勵(lì)層、池化層、全接口層等，可以對(duì)原始的圖像信息提供預(yù)處理、卷積運(yùn)算、特征選擇以及壓縮數(shù)據(jù)等工作處理。

1.4 遷移學(xué)習(xí)

遷移學(xué)習(xí)是一種計(jì)算機(jī)領(lǐng)域的學(xué)習(xí)技術(shù)，是指一種經(jīng)過預(yù)培訓(xùn)的模式可以重新應(yīng)用到某一種任務(wù)上。其可以先在某些數(shù)據(jù)信息（如ImageNet數(shù)據(jù)信息）上訓(xùn)練模型，然后將數(shù)據(jù)信息調(diào)整并轉(zhuǎn)移至其他數(shù)據(jù)集中[5]。移動(dòng)知識(shí)的原因是，機(jī)器學(xué)習(xí)（監(jiān)督學(xué)習(xí)）需要大量的標(biāo)注信息，而標(biāo)注信息是一項(xiàng)巨大且復(fù)雜的工作，遷移知識(shí)能夠把已經(jīng)掌握的強(qiáng)大知識(shí)轉(zhuǎn)移到相應(yīng)位置上。

2 識(shí)別模型研究

2.1 數(shù)據(jù)采集與分類

文章以荔枝為主要觀察對(duì)象，共采集了荔枝炭疽病、荔枝酸腐病、荔枝椿象、荔枝絲膠病等10類荔枝病蟲害圖片樣品，每類病蟲害圖片的樣本數(shù)均為20個(gè)，共有約200張病蟲害照片。同時(shí)對(duì)已采集的原始病蟲害圖片樣品按病蟲害品種進(jìn)行分級(jí)，并編制病蟲害標(biāo)簽，最終分級(jí)后形成了10個(gè)病蟲害圖片樣品集。

2.2 數(shù)據(jù)增廣

處理更大樣本量可以提高基于深度學(xué)習(xí)技術(shù)的病蟲害圖像識(shí)別準(zhǔn)確性，從而盡可能地將已采集的病蟲害圖片進(jìn)行大數(shù)據(jù)增廣處理。本實(shí)驗(yàn)通過對(duì)圖片灰度化調(diào)整、光銳化處理、翻轉(zhuǎn)變換、添加噪聲等數(shù)據(jù)增廣方式，對(duì)10類病蟲害的約200張?jiān)紙D片樣品進(jìn)行了處理，使樣本的數(shù)據(jù)擴(kuò)大了4倍。

2.3 YOLO v5神經(jīng)網(wǎng)絡(luò)搭建

在實(shí)驗(yàn)中，通過YOLO v5網(wǎng)絡(luò)來訓(xùn)練農(nóng)作物病蟲害的預(yù)測(cè)[6]。YOLO是一個(gè)快速緊湊的分布式對(duì)象檢測(cè)模塊，和其他模塊比較，體積的穩(wěn)定性較好，而且擁有非常好的安全性，是一個(gè)能夠檢測(cè)數(shù)據(jù)類型和邊界框的端對(duì)端神經(jīng)網(wǎng)絡(luò)[7]。YOLO家族始終擁有著強(qiáng)大的活力，從YOLO v1開始到Y(jié)OLO v5，如今已傳承了5代，并憑借持續(xù)的技術(shù)創(chuàng)新與完善的特性，始終被電腦視覺工程師當(dāng)作對(duì)象測(cè)試的優(yōu)選框架之一。

YOLO v5主要由Backbone、Neck、Head 3部分組成。其中各部分具體表現(xiàn)為以下內(nèi)容。

一是Backbone：通過在不同的圖像細(xì)粒點(diǎn)上聚集而產(chǎn)生圖形信息的卷積式神經(jīng)網(wǎng)絡(luò)[8]。

二是Neck：混合和組合圖像信號(hào)的網(wǎng)絡(luò)層，其可以將所有圖像信號(hào)都傳送到預(yù)測(cè)層次。

三是Head：對(duì)圖形特性作出估計(jì)，形成邊界框合并估計(jì)類型。

下面介紹YOLO v5各部分網(wǎng)絡(luò)結(jié)構(gòu)包括的基礎(chǔ)組件。

CBL：由Conv＋BN＋Leaky_relu激活函數(shù)組成。

Res unit：借鑒ResNet網(wǎng)絡(luò)中的殘差網(wǎng)絡(luò)技術(shù)，用于建立更深入互聯(lián)網(wǎng)。

CSP1_X：借用了CSPNet的網(wǎng)絡(luò)結(jié)構(gòu)，其構(gòu)建的模型主要包括CBL模型、Res unint模型，以及卷積層、Concate。

CSP2_X：利用了CSPNet的網(wǎng)絡(luò)結(jié)構(gòu)，由卷積層與X個(gè)Res unint模塊Concate組合而成。

Focus：首先將多個(gè)slice結(jié)果與Concat聯(lián)系一起，之后再將其都集中在CBL模塊中。

SPP：通過對(duì)1×1、5×5、9×9和13×13的最大池化方法，實(shí)現(xiàn)了多尺度的融合。

YOLO v5方法還應(yīng)用到了遷移學(xué)習(xí)幫助網(wǎng)絡(luò)更好、更快地獲取特性。但是，由于樣本量較小會(huì)使得卷積式神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的特性較為粗略，且細(xì)粒度也不足，從而無法表現(xiàn)病蟲害防治的特點(diǎn)。練習(xí)建模需要相當(dāng)漫長(zhǎng)的時(shí)間，所以通過遷移練習(xí)能夠縮短建模練習(xí)的時(shí)限。遷移訓(xùn)練一般有2種方法，一種是從訓(xùn)練系統(tǒng)的整體上微調(diào)，即從目標(biāo)數(shù)據(jù)集上預(yù)練網(wǎng)絡(luò)，然后從目標(biāo)數(shù)據(jù)集上訓(xùn)練所有的目標(biāo)；另一種是先凍結(jié)一個(gè)層面，然后再微調(diào)其他層面，因?yàn)樵诰矸e式神經(jīng)網(wǎng)絡(luò)的上層特征中，獲得的基本都是諸如紋理濾波器和顏色斑點(diǎn)這些通用的表面特征，所以不必再練習(xí)。

2.4 模型實(shí)驗(yàn)與識(shí)別準(zhǔn)確率比較

通過建立的YOLO v5神經(jīng)網(wǎng)絡(luò)模塊，對(duì)荔枝病蟲害數(shù)據(jù)收集并加以培訓(xùn)。訓(xùn)練模式的基本條件為64位Windows10操作系統(tǒng)，并配備有IntelCorei7-

7800XCPU和NVIDIAGeForceGTX1080TiGPU。實(shí)驗(yàn)中，遷移學(xué)習(xí)所采用的預(yù)訓(xùn)模式為基于ImageNet開源數(shù)據(jù)集中培訓(xùn)技術(shù)的YOLO v5模式。該實(shí)驗(yàn)對(duì)5種建模方式進(jìn)行了測(cè)試和對(duì)比，這5種建模方式分別為：通過傳統(tǒng)的機(jī)器學(xué)習(xí)方式培訓(xùn)荔枝病害辨識(shí)模式[9]；在構(gòu)建的YOLO v5網(wǎng)絡(luò)系統(tǒng)上直觀培訓(xùn)病蟲害辨識(shí)模式，不結(jié)合遷移；通過構(gòu)建的YOLO v3網(wǎng)絡(luò)系統(tǒng)直觀培訓(xùn)病蟲害辨識(shí)模式，不結(jié)合遷移學(xué)習(xí)[10]；在構(gòu)建的YOLO v4網(wǎng)絡(luò)系統(tǒng)上直觀培訓(xùn)病蟲害辨識(shí)模式，不結(jié)合遷移學(xué)習(xí)[11]；在使用建立的YOLO v5網(wǎng)絡(luò)上訓(xùn)練病蟲害辨識(shí)模式，進(jìn)行移動(dòng)學(xué)習(xí)。5種模式的實(shí)驗(yàn)數(shù)據(jù)對(duì)比結(jié)果如表1所示。

根據(jù)實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，采用數(shù)據(jù)增強(qiáng)及移動(dòng)訓(xùn)練方法與采用傳統(tǒng)機(jī)器學(xué)習(xí)方式以及采用神經(jīng)網(wǎng)絡(luò)模式進(jìn)行訓(xùn)練方法相比，荔枝病蟲害識(shí)別準(zhǔn)確度顯著提升。而加入移動(dòng)訓(xùn)練方法后，模式識(shí)別準(zhǔn)確度最高。即適當(dāng)延長(zhǎng)學(xué)習(xí)時(shí)間可以進(jìn)一步提高建模的準(zhǔn)確度，但折積層的數(shù)量不可過多，問題就是學(xué)習(xí)時(shí)長(zhǎng)過多的折積層容易導(dǎo)致建模過度擬合，且訓(xùn)練時(shí)的參數(shù)也容易更多，對(duì)模型的準(zhǔn)確度產(chǎn)生不良影響。所以，在教學(xué)過程中，必須按照建模識(shí)別的目標(biāo)來選取適當(dāng)?shù)膶W(xué)習(xí)時(shí)長(zhǎng)。

3 結(jié)束語

以深度遷移學(xué)習(xí)為基礎(chǔ)的荔枝病蟲害識(shí)別技術(shù)是智慧農(nóng)業(yè)的重要研究?jī)?nèi)容之一。文章以荔枝為研究對(duì)象，建立了基于YOLO v5深度神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的荔枝病蟲害識(shí)別模型，并與其他4種模型的精確度進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，基于YOLO v5的深度神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)結(jié)合的荔枝病蟲害識(shí)別模型具有良好的識(shí)別性能，可為進(jìn)一步實(shí)現(xiàn)荔枝產(chǎn)量的提高提供技術(shù)支持。

參考文獻(xiàn)：

[1]周逸博，馬毓?jié)w艷茹.基于YOLO v5s和Android的蘋果樹皮病害識(shí)別系統(tǒng)設(shè)計(jì)[J].廣東農(nóng)業(yè)科學(xué)，2022，49（10）：155-163.

[2]趙文博，周德強(qiáng)，鄧干然，等.基于改進(jìn)YOLO v5的甘蔗莖節(jié)識(shí)別方法[J].華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，42（1）：268-276.

[3]王云露.基于深度遷移學(xué)習(xí)的蘋果病害識(shí)別方法研究[D].泰安：山東農(nóng)業(yè)大學(xué)，2022.

[4]徐會(huì)杰，黃儀龍，劉曼.基于改進(jìn)YOLO v3模型的玉米葉片病蟲害檢測(cè)與識(shí)別研究[J].南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2022，45（6）：1276-1285.

[5]吳飛飛，侯永青，孫雪桐，等.機(jī)器學(xué)習(xí)方法的農(nóng)作物病蟲害識(shí)別系統(tǒng)[J].福建電腦，2022，38（4）：92-94.

[6]章智硯，李丹.基于YOLO5Face校園中的戴口罩人臉檢測(cè)[J].電子測(cè)試，2021（23）：40-42，99.

[7]樊欽睿，李丹.基于YOLO5Face的口罩人臉檢測(cè)[J].電子制作，2021（19）：61-63，8.

[8]吳蔚.基于深度遷移學(xué)習(xí)的蘋果葉病識(shí)別方法研究[J].智慧農(nóng)業(yè)導(dǎo)刊，2021，1（9）：14-17.

[9]李疆，郝夢(mèng)潔，任顯丞，等.機(jī)器學(xué)習(xí)在農(nóng)作物病蟲害識(shí)別上的應(yīng)用綜述[J].河南農(nóng)業(yè)，2021（5）：49-50.

[10]劉君，王學(xué)偉.基于YOLO的番茄病蟲害識(shí)別算法[J].中國(guó)瓜菜，2020，33（9）：18-22，38.

[11]余小東，楊孟輯，張海清，等.基于遷移學(xué)習(xí)的農(nóng)作物病蟲害檢測(cè)方法研究與應(yīng)用[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（10）：252-258.