胡偉健，樊杰，杜永興，李寶山，李靈芳，楊顏博

(內(nèi)蒙古科技大學 信息工程學院，內(nèi)蒙古 包頭 014010)

農(nóng)作物疾病是影響農(nóng)業(yè)生產(chǎn)產(chǎn)量與質(zhì)量的主要因素之一.農(nóng)作物感染疾病后一般會有變色、壞死、畸形、腐爛以及萎蔫等表現(xiàn)，大部分疾病現(xiàn)象都會體現(xiàn)在農(nóng)作物的葉片上，通過農(nóng)作物葉片來判斷疾病已經(jīng)成為農(nóng)業(yè)領(lǐng)域的常用手段之一[1].傳統(tǒng)的農(nóng)作物疾病識別由農(nóng)民在田間完成，疾病診斷和農(nóng)藥使用不正確的現(xiàn)象屢見不鮮[2].不僅如此，傳統(tǒng)的人工判斷方法具有耗時耗力、工作量大、效率低，人為主觀因素起主要作用等不足之處[3].

隨著人工智能技術(shù)的不斷發(fā)展，越來越多的學者將深度學習引入到農(nóng)作物病癥識別中，并取得了不錯的效果.2018年廖經(jīng)緯等[4]采用AlexNet模型，對38種不同分類的植物病害進行識別，識別率達到98.43%.2018年鄭一力等[5]基于遷移學習，采用AlexNet，InceptionV3模型對植物病癥葉片進行識別，在測試集上達到95.31%和95.40%的準確率.2018年張立超等[6]采用LeNet-5模型，將全連接層的激活函數(shù)由ReLu改為LeakyReLu，對紅富士和紅元帥2種類型的蘋果病癥進行識別，達到理想的效果.2018年李凱雨等[7]采用AlexNet，VGG-16和GoogleNet 3種深度卷積神經(jīng)網(wǎng)絡(luò)模型,并將其與遷移學習和微調(diào)相結(jié)合用于3類農(nóng)作物7種病害的圖像識別，結(jié)果表明使用VGG-16模型效果較好,病害的平均識別率達到98.92%.2018年MA J等[2]通過構(gòu)建DCNN模型并采用數(shù)據(jù)增強方法來擴充數(shù)據(jù)集，對黃瓜炭疽病，霜霉病，白粉病和目標葉斑病4種病蟲害進行識別，準確率達到了93.4%.2018年RANGARAJAN A K等[8]采用AlexNet和VGG16模型，通過分析圖像數(shù)量和超參數(shù)對模型的影響，進而對番茄葉片病癥圖片進行識別.2018年ZHU H Y等[9]采用深度卷積神經(jīng)網(wǎng)絡(luò)VGG19，對植物的不同器官進行特征提取進而對植物種類進行識別，并與SVM進行對比.2018年IQBAL Z等[10]利用圖像處理技術(shù)，對柑橘類農(nóng)作物的病蟲害進行了自動檢測和識別.相比于傳統(tǒng)的方法，不僅提高了農(nóng)作物疾病的識別效率，同時識別準確率也得到了提升.

綜上所述，利用深度學習的方式對農(nóng)作物病癥進行識別已經(jīng)取得了不錯的效果.但是，在實際診斷和治療的過程中，疾病的不同嚴重程度往往直接決定了治療方案.一般嚴重程度的疾病與特別嚴重程度的疾病在用藥類型和劑量上都會存在差異，錯誤的用藥不僅會導(dǎo)致疾病不能及時正確治療，而且會導(dǎo)致環(huán)境污染.因此，如何在正確診斷農(nóng)作物疾病的前提下，進一步識別出疾病的嚴重程度，成為了農(nóng)作物病癥識別中新的挑戰(zhàn).本文著眼于番茄病癥的細粒度識別，將每種病癥分為一般、嚴重2種程度，使用深度神經(jīng)網(wǎng)絡(luò)中具有更深層次的深度殘差神經(jīng)網(wǎng)絡(luò)作為模型，在正確識別番茄病癥的基礎(chǔ)上，能夠準確識別出每種病癥的嚴重程度.實驗中，對番茄的7種粗粒度疾病，14種細粒度病癥進行了識別，并取得了不錯的識別效果.

1 殘差網(wǎng)絡(luò)

1.1 殘差塊

在一般的深度學習網(wǎng)絡(luò)中，隨著網(wǎng)絡(luò)層數(shù)的加深也帶來了難以訓(xùn)練、梯度消失、梯度爆炸和網(wǎng)絡(luò)退化等問題，使得網(wǎng)絡(luò)的加深對性能提高并沒有顯著效果[11].2016年，何凱明等[12]人在VGG網(wǎng)絡(luò)的基礎(chǔ)上提出了殘差網(wǎng)絡(luò)，引入了殘差塊解決了這些問題.殘差塊的思想就是在標準的前饋卷積網(wǎng)絡(luò)上，加上一個跳躍繞過一些層的連接.每繞過一層就產(chǎn)生一個殘差塊，卷積層預(yù)測加輸入張量的殘差.圖1所示為殘差塊示意圖，其中x表示殘差塊的輸入，F(xiàn)(x)+x表示殘差塊的輸出，而F(x)代表殘差.本文采用的殘差塊有2種：恒等殘差塊和卷積殘差塊.這2種殘差塊的主要差別是跳躍連接上是否進行了卷積操作.

1.2 殘差網(wǎng)絡(luò)

本文采用的殘差網(wǎng)絡(luò)主要包含5部分：第一部分包括3層：卷積層、BatchNorm層和ReLu激活層；第二部分包括4層：MaxPooling層、1個恒等殘差塊和2個卷積殘差塊；第三部分包括4層：1個恒等殘差塊和3個卷積殘差塊；第四部分包括6層：1個恒等殘差塊和5個卷積殘差塊；第五部分包括3層：1個恒等殘差塊和2個卷積殘差塊.為了更好地訓(xùn)練模型，使用自適應(yīng)優(yōu)化器Adam取代傳統(tǒng)網(wǎng)絡(luò)中的SGD優(yōu)化器.

2 數(shù)據(jù)集

2.1 數(shù)據(jù)集介紹

本文采用的數(shù)據(jù)集來自2018 年AI挑戰(zhàn)大賽(https://challenger.ai/)，其中包含番茄白粉病(一般、嚴重)、番茄早疫病(一般、嚴重)、番茄晚疫病(一般、嚴重)、番茄葉霉病(一般、嚴重)、番茄斑枯病(一般、嚴重)、番茄紅蜘蛛損傷(一般、嚴重)以及番茄黃化曲葉病毒病(一般、嚴重)7種番茄疾病，共14個細粒度種類.一共包含了11 359張圖片.

2.2 數(shù)據(jù)預(yù)處理

由于原始數(shù)據(jù)集中圖片的來源不同，在拍攝過程中所使用的設(shè)備、拍攝環(huán)境等因素的不同，造成了每一類圖片數(shù)量參差不齊、圖片大小不一致等問題.為了能夠更好地進行模型訓(xùn)練，在數(shù)據(jù)預(yù)處理中，使用可數(shù)據(jù)增強和數(shù)據(jù)歸一化來處理圖片.

數(shù)據(jù)集中，圖片數(shù)量最少一類只有251張圖片，最多一類有2 473張圖片.本文采用水平翻轉(zhuǎn)與旋轉(zhuǎn)的數(shù)據(jù)增強方式，將類別少于1 000張圖片數(shù)量的補齊1 000張，圖片數(shù)量多于1 000張的舍去，這樣保證每一類的圖片數(shù)量都為1 000張.數(shù)據(jù)增強后的數(shù)據(jù)集一共包含了15 419張圖片，其中11 200張圖片作為訓(xùn)練集，2 800張作為驗證集、1 419張圖片作為測試集.實驗時為了區(qū)分二者，將數(shù)據(jù)增強前所使用的數(shù)據(jù)集稱為不平衡數(shù)據(jù)集，使用不平衡數(shù)據(jù)集的模型稱為UNB-ResNet50，數(shù)據(jù)增強后所使用的數(shù)據(jù)集稱為平衡數(shù)據(jù)集，使用平衡數(shù)據(jù)集的模型稱為B-ResNet50.

最后，為了圖片數(shù)據(jù)更好地適應(yīng)模型，解決圖片大小不一致問題，提高模型訓(xùn)練效率，在實驗前利用數(shù)據(jù)歸一化處理將數(shù)據(jù)集的圖片統(tǒng)一歸一化為224像素×224像素.

3 實驗與結(jié)果分析

3.1 實驗環(huán)境

本次實驗在GPU環(huán)境下進行，使用了基于Tensorflow的Keras框架，其中CUDA與Tensorflow都是9.0版本，運行環(huán)境為Anaconda，處理器為Intel(R) Core(TM) i7-7800X,操作系統(tǒng)為Windows10，系統(tǒng)內(nèi)存8G.

3.2 實驗一

實驗一的目的是驗證UNB-ResNet50和B-ResNet50隨著訓(xùn)練的不斷深入，訓(xùn)練集準確度、損失值與驗證集準確度、損失值的變化.在實驗一中，訓(xùn)練輪數(shù)(Epoch)選取為0～40.圖2(a)為各個損失值隨Epoch的變化曲線，可以看出：

隨著Epoch的不斷增加，各個損失值均不斷下降，當Epoch為0～20時，損失值下降明顯；當Epoch為20～40基本趨于平穩(wěn)，說明Epoch在20以后，模型逐步趨近于收斂；Epoch在40時，損失值幾乎不變，說明模型訓(xùn)練已完成；

B-ResNet50的訓(xùn)練集損失和驗證集損失在各個Epoch下均明顯高于UNB-ResNet50的訓(xùn)練損失和驗證損失，說明B-ResNet50模型的訓(xùn)練效果優(yōu)于UNB-ResNet50.

圖2(b)為各個精確度隨Epoch的變化曲線，可以看出：

(1)隨著Epoch的不斷增加，各個精確度均不斷上升，當Epoch為0～15時，精確度提升明顯;當Epoch為15～40逐漸趨于平穩(wěn);當Epoch為40時，精確度幾乎不再變化，說明模型逐步達到最佳識別效果；

(2)B-ResNet50的訓(xùn)練集精確度和驗證集精確度在各個Epoch下均明顯高于UNB-ResNet50的訓(xùn)練精確度和驗證精確度，說明B-ResNet50具有更好的識別效果.

綜上，由實驗一可以看出，B-ResNet50與UNB-ResNet50隨著訓(xùn)練輪數(shù)的不斷增加，其識別效果也在不斷提升，在本實驗中，當Epoch趨近于40時，模型訓(xùn)練完成，識別效果達到最優(yōu)；B-ResNet50對于模型的訓(xùn)練效果優(yōu)于UNB-ResNet50的訓(xùn)練效果，說明平衡數(shù)據(jù)集更加有力于模型的訓(xùn)練，提升模型識別準確率.

3.3 實驗二

實驗二的目的是驗證UNB-ResNet50和B-ResNet50對14個種類的細粒度識別效果，使用實驗一中訓(xùn)練好的模型，利用測試數(shù)據(jù)，分別從準確率、召回率與F1值3個方面進行對比，對比結(jié)果如表1所示，由表1可以看出：

(1)在準確率方面：B-ResNet50在10個種類的準確率上優(yōu)于UNB-ResNet50，平均提升5.49%，最高提升21.05%，說明B-ResNet50的識別準確率明顯優(yōu)于UNB-ResNet50；

(2)在召回率方面：B-ResNet50在8個種類的召回率上優(yōu)于UNB-ResNet50，平均提升1.17%，最高提升12.56%，說明B-ResNet50的識別召回率明顯優(yōu)于UNB-ResNet50；

(3)在F1值方面：B-ResNet50在12個種類的F1值上優(yōu)于UNB-ResNet50，平均提升3.33%，最高提升8.21%，說明B-ResNet50的識別F1值明顯優(yōu)于UNB-ResNet50；

(4)在整體識別準確率方面，B-ResNet50較UNB-ResNet50有0.78%的提升.

表1 番茄細粒度病害識別的實驗結(jié)果

綜上所述，由實驗二可以看出，測試數(shù)據(jù)中，B-ResNet50的表現(xiàn)仍優(yōu)于UNB-ResNet50，說明B-ResNet50對于細粒度番茄病癥識別具有更好的效果；B-ResNet50在細粒度番茄疾病的識別中達到了整體81.68%的識別準確率，在分類識別中，取得了最高88.33%的識別準確率、最高98.44%的召回率以及最高92.01的F1值.

3.4 實驗三

實驗三用于驗證深度殘差神經(jīng)網(wǎng)絡(luò)在細粒度番茄病癥識別中的效果，實驗中選取了目前廣泛用于農(nóng)作物病癥識別的VGG-19[14]，AlexNet[15]模型，與UNB-ResNet50,B-ResNet50模型進行對比.分別對比了在粗粒度番茄病癥識別與細粒度番茄病癥識別的識別準確度和訓(xùn)練時間，其結(jié)果如表2所示.

(1)在準確率方面：提出的B-ResNet50模型準確率最高，在細粒度上準確率達到了81.68%，比UNB-ResNet50，AlexNet與VGG-19分別高出了0.78%，0.51%和3.31%.在粗粒度上達到了97.18%，比UNB-ResNet50，AlexNet與VGG-19分別高出了1.27%，0.56%和2.24%.說明B-ResNet50在細粒度病癥和粗粒度病癥上的識別效果上優(yōu)于UNB-ResNet50，AlexNet與VGG-19.

(2)在訓(xùn)練時間方面：因AlexNet模型的網(wǎng)絡(luò)層數(shù)相比于其他2個模型要少，所以在細粒度與粗粒度上所花費的訓(xùn)練時間都是最少的.

表2 各個模型的結(jié)果對比

3.5 錯誤數(shù)據(jù)分析

實驗中，雖然B-ResNet50相較于其他模型，有更好地識別效果，但是其在細粒度疾病識別的準確率方面并不十分理想.為了具體分析其中原因，將識別錯誤的樣本情況進行匯總分析，分析結(jié)果如表3.由表3可以看出，每一類的識別錯誤情況主要出現(xiàn)在將某一種病的一般程度與嚴重程度的識別中，例如類別0中共有8張圖片識別錯誤，而這8張圖片被識別類別1；類別12中有25張識別錯誤，而這25張中有22張被識別為類別13.圖3為番茄葉霉病的一般與嚴重2種程度圖片對比，可以看出2種程度圖片較為相似，區(qū)分具有十分大的難度.

表3 錯誤識別樣本的分析

通過對錯誤樣本的分析不難發(fā)現(xiàn)，雖然B-ResNet50已經(jīng)取得了不錯的識別效果，但是其在疾病圖片細節(jié)特征的提取與相似度較高的圖片分辨上，仍然有很大進步空間.實驗三中將病癥的一般和嚴重2種等級進行合并，對7類粗粒度疾病進行識別，整體準確率達到97.18%，相較于細粒度準確率有15.5%的提升，也驗證了這個問題.

4 總結(jié)與展望

針對于農(nóng)作物疾病的識別工作，將深度殘差神經(jīng)網(wǎng)絡(luò)應(yīng)用到了番茄疾病的細粒度識別任務(wù)中，提出了一種基于深度殘差神經(jīng)網(wǎng)絡(luò)的細粒度番茄疾病識別方法.通過對比實驗，觀察了深度殘差神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，驗證了平衡數(shù)據(jù)集與不平衡數(shù)據(jù)集對模型訓(xùn)練以及模型效果的影響，同時與當下使用較多的AlexNet，VGG-19模型進行了對比.最后，對識別錯誤的樣本進行原因分析，找到錯誤原因，為模型的改進與后續(xù)工作提供了支持.

雖然所使用的B-ResNet在粗粒度和細粒度番茄病癥識別任務(wù)中都取得了良好的識別效果，但是細粒度番茄病癥識別效果相較于粗粒度的識別效果仍有很大進步空間，主要問題集中于對同一種疾病的不同程度的區(qū)分.在接下來的工作中，將從圖片特征提取與模型改進的角度出發(fā)，提高模型在細粒度病害識別上的準確率.