基于深度學(xué)習(xí)的黃瓜病害檢測算法研究

牛伯浩

關(guān)鍵詞：黃瓜病害；VGG；檢測模型；小樣本；模型優(yōu)化

0 引言

黃瓜是我國重要的農(nóng)作物，黃瓜的病害是影響黃瓜產(chǎn)量的重要因素，黃瓜病害的及時(shí)發(fā)現(xiàn)與診治有助于提高產(chǎn)量。因此，人們開始思考如何實(shí)現(xiàn)黃瓜病害的高效檢測。近幾年，基于深度學(xué)習(xí)的圖像分類、檢測、識(shí)別等任務(wù)均取得了很好的效果。在計(jì)算機(jī)視覺領(lǐng)域，運(yùn)用深度學(xué)習(xí)的圖像分類結(jié)果越來越符合人類的視覺認(rèn)知，而基于深度學(xué)習(xí)的圖像分類方法在小規(guī)模圖像分類上效果顯著[1-3]。

在黃瓜的生長過程中，葉枯病是危害黃瓜健康生長的最主要的病害之一。目前雖然已有一些學(xué)者開始關(guān)注黃瓜病害圖像的研究，但是與黃瓜葉片葉枯病病害圖像研究相關(guān)的課題并不多。因此本文以黃瓜葉片圖像為數(shù)據(jù)集，以黃瓜的葉枯病分類檢測為例，展開算法研究[4-5]。

本文在深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)模型VGG16研究的基礎(chǔ)上，提出了黃瓜病害檢測模型，然后將此算法應(yīng)用在小數(shù)據(jù)集上實(shí)現(xiàn)了黃瓜葉枯病的分類檢測，為黃瓜葉枯病病害的檢測提供一種有效的方法[6-7]。

1 材料與方法

1.1 黃瓜葉片數(shù)據(jù)集與預(yù)處理

本文以黃瓜病害檢測為背景，以黃瓜葉片的葉枯病檢測為例展開研究。本文實(shí)驗(yàn)數(shù)據(jù)集一共1 500張黃瓜葉片圖像。其中包括健康和患有黃瓜葉枯病的黃瓜葉片圖像。數(shù)據(jù)集中健康葉片圖像1 200張，患有葉枯病的黃瓜葉片圖像300張，通過樣本擴(kuò)充的方法解決數(shù)據(jù)分布不均勻的問題。

由于本課題數(shù)據(jù)集具有樣本分布不均的特點(diǎn)，因此對(duì)數(shù)據(jù)集進(jìn)行有選擇的擴(kuò)充，一般情況下，在第一次訓(xùn)練時(shí)，篩選出類別概率值比較接近的圖片，這類圖片要么病害特征不明顯，要么健康特征不明顯，因此我們將此類圖片樣本又稱之為“難樣本”。一個(gè)模型最終的分類能力，往往取決于其對(duì)難樣本的分類能力。在數(shù)據(jù)集樣本數(shù)量有限的情況下，對(duì)于一些特征不明顯樣本再次訓(xùn)練，能夠進(jìn)一步提高模型的分類能力。因此，為了提高檢測精度，選出訓(xùn)練集中類別概率差值小于50%的圖片，并作為新的訓(xùn)練集繼續(xù)訓(xùn)練，得出最終的分類精度。部分?jǐn)?shù)據(jù)集樣本如圖1所示。

1.2 黃瓜病害檢測模型

由于VGG16在每一層大的卷積層中又包含了三個(gè)子卷積層，網(wǎng)絡(luò)具有相對(duì)較大感受野，且VGG16具有很好的泛化性能。因此，本文提出的黃瓜病害檢測模型利用在VGG16模型的卷積層進(jìn)行特征提取。具體工作過程包括：首先按照設(shè)定的比例將數(shù)據(jù)集分為測試機(jī)和訓(xùn)練集。然后對(duì)模型展開訓(xùn)練，在對(duì)模型進(jìn)行訓(xùn)練時(shí)，先使用模型的卷積層來提取特征，在獲得特征結(jié)果的同時(shí)，也提高了該模型卷積層在黃瓜病害檢測應(yīng)用中的適用性。然后再次使用已訓(xùn)練過的卷積層進(jìn)行訓(xùn)練，進(jìn)一步提高模型的檢測精度。

接著單獨(dú)針對(duì)網(wǎng)絡(luò)最后兩層全連接層和sigmoid 層進(jìn)行訓(xùn)練，其中不對(duì)卷積層進(jìn)行訓(xùn)練。在本文數(shù)據(jù)集上進(jìn)行測試時(shí)，由之前保留下來的卷積層對(duì)測試集中的圖像數(shù)據(jù)提取特征，然后送到最后二層全連接層和sigmoid分類器得到其類別及對(duì)應(yīng)概率值。模型結(jié)構(gòu)如圖2所示。

具體步驟如下。

輸入：輸入預(yù)處理后的數(shù)據(jù)集圖片。

特征提取：首先對(duì)VGG16 模型進(jìn)行分解。用VGG16網(wǎng)絡(luò)模型卷積層來提取黃瓜圖片特征。

訓(xùn)練模型：以上一步提取的特征作為輸入，用來訓(xùn)練全連接層參數(shù)和sigmoid分類器，得到訓(xùn)練模型。

篩選：輸出訓(xùn)練集所有圖片的各類預(yù)測百分比，為了提高精度，篩選出兩類預(yù)測百分比相差小于50%的圖片作為新的數(shù)據(jù)集。

再訓(xùn)練：將上一步選出的圖片作為輸入，再訓(xùn)練全連接層參數(shù)，得出最終參數(shù)。

再預(yù)測：再通過該模型sigmoid分類器預(yù)測輸入圖片類別及其對(duì)應(yīng)概率值。

其中VGG16的卷積層作為特征提取器，每段卷積層后連接池化層，最后連接2層全連接層和Softmax分類器得到物體類別及對(duì)應(yīng)概率值。

黃瓜病害檢測模型的損失函數(shù)是交叉熵?fù)p失函數(shù)，其中附加了L2正則化項(xiàng)，目的是針對(duì)權(quán)重參數(shù)進(jìn)行懲罰，減輕過擬合現(xiàn)象。損失函數(shù)見式（1） 。

式（1） 中J 為訓(xùn)練損失，θ 為權(quán)重參數(shù)，λ 為正則項(xiàng)系數(shù)，x 為批次訓(xùn)練樣本，p 為期望的類別概率，q 為模型預(yù)測的類別概率，類別概率由Softmax計(jì)算。

黃瓜如果患有病害，一般情況下都會(huì)在葉片中有所體現(xiàn)。黃瓜葉枯病癥狀包括葉片的顏色和表面紋理特征變化。采用方向梯度直方圖（Histogram of ori?ented gradient，HOG）用來提取黃瓜葉片的顏色紋理特征，并通過SVM進(jìn)行分類。

2 實(shí)驗(yàn)與討論

2.1 實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)是以Anaconda3中的Juypter notebook為運(yùn)行環(huán)境，開源深度學(xué)習(xí)框架Tensorflow作為開發(fā)環(huán)境，Python作為開發(fā)語言，展開實(shí)驗(yàn)研究。本文實(shí)驗(yàn)環(huán)境是一臺(tái)CPU內(nèi)存為8GB的系統(tǒng)為Windows10的計(jì)算機(jī)，程序語言環(huán)境是深度學(xué)習(xí)框架 Tensorflow，然后進(jìn)行模型初始化工作，接著進(jìn)行訓(xùn)練。其中模型學(xué)習(xí)率為0.001，迭代次數(shù)為100次，批處理大小（Batch _ size） 為10。用VGG16模型訓(xùn)練黃瓜葉片圖像集進(jìn)而獲得其特征向量，然后將特征向量輸入到Softmax分類器中獲得分類結(jié)果，并進(jìn)行可視化展示。

2.2 實(shí)驗(yàn)結(jié)果與分析

在未對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)篩選并再訓(xùn)練之前，本文所用到的兩種算法的基礎(chǔ)實(shí)驗(yàn)結(jié)果如表1所示。從表1中可以看出，關(guān)于黃瓜葉枯病病害的檢測精度，本文提出的黃瓜病害檢測模型可以達(dá)到95.4%，而基于SVM的檢測精度僅為88.3%。

在基于小樣本數(shù)據(jù)集以及樣本分布不均勻的分類問題中，為了提高模型精度，選出訓(xùn)練集中類別概率差值小于50%的圖片，并作為新的訓(xùn)練集繼續(xù)訓(xùn)練。

這種方法首先從某種程度上解決了數(shù)據(jù)分布不均的問題，其次，可以減少訓(xùn)練階段的過度擬合，從而提升網(wǎng)絡(luò)的泛化性能。將篩選出的數(shù)據(jù)送入模型進(jìn)行再訓(xùn)練。為了提高說服力，先后在原始數(shù)據(jù)集和擴(kuò)充后的數(shù)據(jù)集上，使用了傳統(tǒng)方法支持向量機(jī)模型和黃瓜病害檢測模型開展實(shí)驗(yàn)，性能對(duì)比如表2所示。

由表2可知，將篩選出的數(shù)據(jù)送入模型進(jìn)行再訓(xùn)練之后，基于SVM的檢測精度為88.6%，黃瓜病害檢測模型葉枯病檢測精度可達(dá)96.8%。顯然，黃瓜病害檢測模型在病害檢測問題中更具有優(yōu)勢。此外，基于遷移學(xué)習(xí)的VGG16方法與傳統(tǒng)方法相比，節(jié)省了大量的訓(xùn)練時(shí)間，效率更高且取得了更高的檢測精度。該模型實(shí)驗(yàn)結(jié)果如圖3所示。

圖3是黃瓜病害檢測模型在測試集上的檢測結(jié)果，分類檢測精度均可以達(dá)到96%，而基于SVM分類器的黃瓜病害檢測精度僅為88.6%。根據(jù)在測試集以及驗(yàn)證集上實(shí)驗(yàn)結(jié)果，本文所提出的黃瓜病害檢測模型對(duì)黃瓜病害的檢測取得了較高的精度。因此，該黃瓜病害檢測模型在小樣本數(shù)據(jù)集上完成病害檢測任務(wù)是可行的。

此外，由于優(yōu)化器的選擇有助于提高訓(xùn)練的速度和精度，不同的模型匹配不同的優(yōu)化器。機(jī)器學(xué)習(xí)常見的優(yōu)化器包括：Adam、Adadelta 以及GradientDes?cent。其中Adam、Adadelta 為自適應(yīng)學(xué)習(xí)率優(yōu)化算法，GradientDescent為梯度下降法。為了選擇最優(yōu)的優(yōu)化器，將對(duì)這三種優(yōu)化器進(jìn)行對(duì)比試驗(yàn)，本文從優(yōu)化器對(duì)模型測試精度的影響方面展開實(shí)驗(yàn)研究，實(shí)驗(yàn)對(duì)比結(jié)果如表3所示。

從表3可以看出，相同的優(yōu)化器算法，在學(xué)習(xí)率不同的情況下，會(huì)對(duì)最終的預(yù)測精度產(chǎn)生影響。相同的學(xué)習(xí)率，選擇不同的優(yōu)化器算法，也會(huì)對(duì)最終的預(yù)測精度產(chǎn)生影響。綜合優(yōu)化器算法和學(xué)習(xí)率兩個(gè)因素，在選擇Adam優(yōu)化器算法且定義學(xué)習(xí)率為0.001情況下來訓(xùn)練模型，訓(xùn)練好的模型預(yù)測精度最高，為98.79%。

從這三種優(yōu)化器在學(xué)習(xí)率三種不同的取值時(shí)的取得的測試準(zhǔn)確率來看，Adam優(yōu)化器取得的最高測試精度為98.79%，此時(shí)的學(xué)習(xí)率為0.001；Adadelta優(yōu)化器取得的最高測試精度為92.12%，此時(shí)的學(xué)習(xí)率為0.01；而GradientDescent 優(yōu)化器在學(xué)習(xí)率為0.01 和0.005時(shí)均取得的最高測試精度為95.76%。因此不同的優(yōu)化器都有與之匹配的學(xué)習(xí)率，選擇與優(yōu)化器相匹配的學(xué)習(xí)率，有助于模型取得更好的效果。

3 結(jié)束語

本文提出了黃瓜病害檢測模型在原始數(shù)據(jù)集擴(kuò)充的基礎(chǔ)上，完成了特征提取、訓(xùn)練模型、參數(shù)訓(xùn)練、優(yōu)化模型、改進(jìn)損失函數(shù)。實(shí)驗(yàn)結(jié)果表明，本文提出的黃瓜病害檢測模型與基于SVM分類器的方法相比，取得了更高的檢測精度。因此，本文的研究在小樣本數(shù)據(jù)集和小設(shè)備背景下具有一定的實(shí)用價(jià)值。