一種基于改進卷積神經網絡的葡萄葉片病害集成識別方法

摘 要： 為有效提升葡萄葉片病害識別的精度和效率，實現葡萄病害的及時防治進而提高產量和質量，本文提出一種基于改進卷積神經網絡的葡萄葉片病害集成識別方法，對常見的三種葡萄葉片病害進行自動準確的識別。首先，利用Bagging 集成學習算法生成多個有差異的訓練子集；然后，將SE、CA注意力機制分別引入ResNet152、DenseNet121 與MobileNetV3 模型，得到改進后的三種神經網絡基學習模型，并在生成的訓練子集上進行訓練；最后，利用加權平均的思想將這些模型進行集成。在葡萄葉片病害數據集上進行的實驗表明，該集成模型的識別準確率達到了99.38%，因而是一種比較有效的葡萄葉片病害識別方法。

關鍵詞： 葡萄葉片病害識別；卷積神經網絡；集成學習；Bagging算法；圖像識別

中圖法分類號： TP391.41 文獻標識碼： A 文章編號： 1000-2324（2024）06-0950-11

我國已經成為世界最大的葡萄生產國和消費國，葡萄產業已成為很多地方重要的支柱產業［1］。然而，葡萄葉片病害對其質量和產量均可造成很大的影響。因此，如何準確高效地識別葡萄葉片病害類型、進而及時采取相應防治措施，對保證和提高葡萄的質量和產量均有重要的實際意義。對于葡萄葉片病害的識別，我國傳統葡萄種植管理體系通常采用基于專家經驗的人工診斷方法［2］。由于不同專家的個人經驗積累不同，并且專家自身的知識和經驗存在一定的局限性和主觀性，導致這種方法存在時效性差、主觀性強、準確率不穩定等缺點，因而不能有效可靠地保證葡萄的質量和產量。為解決這一問題，近幾年學者將深度學習技術應用于植物病害識別領域［3］，并取得了一定的研究成果，下面對其進行簡要介紹。

彭紅星等［4］對MobileNetV3 神經網絡模型進行有效改進，提出了融合雙分支特征和注意力機制的葡萄病蟲害識別模型，并將其應用到葡萄葉片病害以及蟲害數據集上，在識別準確率［5］和F1-score［6］這兩項性能評價指標上分別達到了89.16%和80.44%。曹躍騰等［7］提出一種改進的ResNet 植物葉片病害識別模型，通過調整卷積核尺寸和優化殘差塊結構等手段，使模型的平均識別準確率達到了92.45%，并且模型在移動端也取得良好的預測性能。牛學德等［8］使用MobileNet 模型并結合遷移學習策略，對蘋果、玉米、馬鈴薯等3 種作物葉片進行病害識別，并將模型部署到移動端，其準確率達到了95.3%。蘇仕芳等［9］將神經網絡模型VGG-16 運用在ImageNet 圖像數據集［10］上，并將該網絡模型遷移應用到葡萄葉片病害識別中，在識別準確率上達到了96.48%。胡文藝等［11］通過引入SE 注意力機制［12］的方法，對ResNet 神經網絡模型［13］進行改進，使番茄病害圖像的平均識別準確率提升到97.96%。謝建梅［14］引入遷移學習來提升Inception 模型的學習能力，使該模型在ImageNet數據集上的識別準確率達到98%，比支持向量機［15］等經典機器算法提高了大約12%。Lu 等［16］提出了一種基于改進深度殘差收縮網絡的水稻病害識別方法，通過在原始網絡中加入inceptionA 模塊，引入CBAM注意力機制和ELU與Focal loss 等方法，在三種水稻葉部病害數據集上的平均識別準確率達到了98.89%。Xie等［17］提出了一種基于改進卷積神經網絡的葡萄葉片病害檢測機器，在Faster R-CNN算法的基礎上引入Inception-v1、Inception-ReNet-v2 和SEblocks模塊，該檢測模型在葡萄葉片病害數據集上的檢測精度達到81.1%。Liu 等［18］提出了一種基于卷積神經網絡的葡萄葉片病害識別方法，應用inception 結構并引入密集連接策略，模型的總體精度達到了97.22%。