劉志勇，張麗秀，鐘婷婷，王幸福，胡聲洲,?

(贛南師范大學 a.數(shù)學與計算機科學學院；b.外國語學院，江西 贛州 341000)

1 前言

在農(nóng)業(yè)領(lǐng)域，怎樣實現(xiàn)農(nóng)作物的智能化、自動化生產(chǎn)，一直是農(nóng)業(yè)的一個研究熱點[1].

在番茄的生產(chǎn)過程中，常伴有病蟲害的發(fā)生.怎樣快速的識別番茄病蟲害，并對癥下藥，將直接影響番茄的質(zhì)量與產(chǎn)量.番茄的病蟲害種類繁多，而且有一些病害的初期癥狀，人眼根據(jù)番茄葉面的癥狀，很難準確區(qū)分.近年來，隨著計算機視覺技術(shù)的快速發(fā)展，基于計算機視覺的番茄病蟲害的自動化識別的研究也比較多.

傳統(tǒng)的計算機視覺方法是通過提取、篩選顏色、紋理、形狀等特征，再選擇合適的病斑特征以及分類器來實現(xiàn)檢測.文獻[2]提出了一種結(jié)合HOG、LBP特征的結(jié)合的番茄病蟲害檢測模型；文獻[3]提出了一種基于神經(jīng)網(wǎng)絡(luò)的番茄葉部病害識別方法等.目前，由于不存在通用的分割和特征抽取算法，且特征的提取很多時候依賴專業(yè)人員的經(jīng)驗，現(xiàn)有傳統(tǒng)的計算機視覺方法往往可擴展性差.與傳統(tǒng)的計算機視覺方法相比，基于卷積神經(jīng)網(wǎng)絡(luò)的圖片識別摒棄了復雜的圖像預處理和特征提取操作，具有直接抽取分類特征的優(yōu)點，往往不需要特意設(shè)計分類器，簡化了識別流程.同時，其抽取特征的方法常適合各種場合下的分類，泛化性較強.近年來，基于卷積神經(jīng)網(wǎng)絡(luò)的圖片識別的應用也比較多[4].

本文探討了基于leNet-5的番茄病蟲害識別問題，針對傳統(tǒng)的leNet-5對番茄病蟲害識別效果較差，對其進行了改進.采用2018年AI challenger農(nóng)作物病蟲害檢測中的番茄病蟲害數(shù)據(jù)集，通過數(shù)據(jù)增強的方式對其進行擴充.實驗表明，本文提出的改進leNet-5的綜合模型，識別精度能達到95.3%，在識別精度與模型建立的效率上都有所提高.

2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(簡稱CNN)，與神經(jīng)網(wǎng)絡(luò)相似，其靈感來自于人腦中視覺皮層獲取外部信息的方式.其通過網(wǎng)絡(luò)各層中神經(jīng)元節(jié)點感知圖像的不同區(qū)域信號并獲取其特征信息，然后通過組合網(wǎng)絡(luò)各層特征信息，得到圖像中不同層次的信息，計算機通過不斷地學習訓練之后，就可能擁有類似于大腦的圖像識別能力.近年來，隨著計算機視覺技術(shù)的發(fā)展，CNN在圖片識別領(lǐng)域開始大展拳腳，其幾乎成了深度學習的代名詞.

CNN主要由卷積層、池化層、全連接層3個部分組成.其訓練包括信息的前向傳播、誤差梯度的反向傳播2個過程.CNN中信息的前向傳播過程，是對圖片特征的提取、圖片抽象表達的過程，是卷積層、池化層、全連接層等綜合作用的結(jié)果.

卷積層主要用于提取圖片特征，其通過卷積運算對上一層節(jié)點進行線性組合，然后對組合結(jié)果進行非線性變換得到輸出，并將該輸出作為下一層的輸入，不斷重復該過程，從而得到圖片的更抽象的表達.如公式(1)所示，為卷積層操作表達式.其中X、W、b、f(·)、A分別表示該層的輸入、所使用卷積核、偏置、激活函數(shù)及輸出.

A=f(W·X+b)

(1)

池化層是利用特定規(guī)則進行池化，來降低特征平面維度.常用的池化層有最大池化層、平均池化層等.如(2)所示，為池化操作表達式.其中d(·)、S分別表示該層所采用的池化函數(shù)及其池化結(jié)果.

S=d(A)

(2)

(3)

(4)

其中ai表示預測值，yi真實值，nL為類別的個數(shù),i為訓練樣本真實類別序號.

(5)

(6)

3 改進leNet-5網(wǎng)絡(luò)模型

3.1 經(jīng)典leNet-5網(wǎng)絡(luò)

leNet-5適用于手寫字體識別，在使用leNet-5識別番茄病蟲害葉部圖片時，損失值較高，識別率很低，模型訓練效率較低.主要存在以下問題：

為了使整個leNet-5網(wǎng)絡(luò)的番茄病蟲害識別性能有更大提升、達到較高的準確率，對其進行優(yōu)化改進.

3.2 leNet-5模型的改進

針對leNet-5在番茄病蟲害識別上的問題，做如下改進：

3.3 改進網(wǎng)絡(luò)模型描述

表1中給出了改進leNet-5網(wǎng)絡(luò)結(jié)構(gòu)中各層的具體參數(shù)的描述，包括各層所使用的結(jié)構(gòu)，卷積核/池化尺寸、步長大小S、特征圖數(shù)目及輸出尺寸等.其中卷積模塊組Inception_v3，包含4個分支，分別記為v1_branch_0、v1_branch_1、v1_branch_2、v1_branch_3.Inception_v3中取步長S=1.v1_branch_0由8個1*1卷積核組成，記為8@1*1；v1_branch_1由兩個卷積核4@1*1、12@3*3級聯(lián)而成；v1_branch_2由卷積核4@1*1、6@5*5進行級聯(lián)；v1_branch_3由一個5*5 MaxPool層和4@1*1卷積核級聯(lián)而成.經(jīng)Inception_v3處理之后，得到8+12+16+4=30個13*13的特征圖，記為30@13*13.第4層為卷積模塊組Inception_v4，與Inception_v3相似.經(jīng)Inception_v4處理之后得到64@7*7的特征輸出.

表1 網(wǎng)絡(luò)參數(shù)

4 實驗

4.1 數(shù)據(jù)集

本文實驗數(shù)據(jù)集采用2018年AI challenger農(nóng)作物病蟲害檢測中的番茄病蟲害數(shù)據(jù)集.共有3種番茄病蟲害，每種病蟲害分為一般及嚴重2類.表2是原始數(shù)據(jù)的統(tǒng)計表.

表2 原始數(shù)據(jù)的統(tǒng)計表

由于獲得新的番茄病蟲害圖片，需要大量的成本.本文中通過數(shù)據(jù)增強的方式，如表3所示，來增加番茄病蟲害數(shù)據(jù)集，增加網(wǎng)絡(luò)的訓練量，從而提高模型的泛化能力；通過增加噪聲數(shù)據(jù)，也能有效增強模型的魯棒性.實驗中通過隨機劃分數(shù)據(jù)集的方式，以0.8∶0.2的比例將數(shù)據(jù)集劃分成訓練集與測試集.分別通過前述的數(shù)據(jù)增強方式，使數(shù)據(jù)集達到142 800張.

表3 數(shù)據(jù)增強方式及其參數(shù)

4.2 實驗環(huán)境

在win10系統(tǒng)下，使用python語言進行網(wǎng)絡(luò)模型的程序設(shè)計，利用pycharm等python代碼編寫平臺，進行程序的編寫，通過使用tensorflow及相關(guān)的卷積神經(jīng)網(wǎng)絡(luò)庫實現(xiàn)了改進的leNet-5模型.并利用matlab等工具對實驗后得到的數(shù)據(jù)進行了分析與比較.

4.3 實驗內(nèi)容

對經(jīng)典leNet-5在卷積核大小，分類器，損失函數(shù)上進行改進，將網(wǎng)絡(luò)中部分卷積核的大小由5×5改為3×3、使用Softmax回歸作為分類器并聯(lián)合交叉熵損失函數(shù)，并使用Mini-batch進行梯度更新.在此基礎(chǔ)上，分別在經(jīng)典leNet-5中加入BN層、將激活函數(shù)改為PReLU、在網(wǎng)絡(luò)中加入Inception模塊形成3個改進網(wǎng)絡(luò)模型，記為leNet-BN、leNet-PR、leNet-Inc.并最終將三者均加入leNet-5中形成本文中最后的改進模型leNet-C.具體而言，leNet-BN為在leNet-5的C1、S2，C3、S4層之間加入BN層形成的網(wǎng)絡(luò)結(jié)構(gòu)；leNet-PR為在leNet-BN模型中將原來的激活函數(shù)均改為PReLU之后的網(wǎng)絡(luò)模型；leNet-Inc為將C1、C3層改為表1中2個Inception模塊的網(wǎng)絡(luò)結(jié)構(gòu)；leNet-C為如表1所述網(wǎng)絡(luò)結(jié)構(gòu).記經(jīng)典leNet-5網(wǎng)絡(luò)為leNet-O.

在保證其它條件不變下，分別使用leNet-O、leNet-BN、leNet-PR、leNet-Inc、leNet-C對本文中數(shù)據(jù)集進行實驗，并進行比較.

4.4 實驗結(jié)果與分析

在本文實驗中，程序設(shè)計時控制好指數(shù)衰減學習率、目標優(yōu)化函數(shù)以及參數(shù)更新方式保持相同，分別使用leNet-O、leNet-BN、leNet-PR、leNet-Inc、leNet-C對本文中數(shù)據(jù)集進行實驗，比較其對leNet-5網(wǎng)絡(luò)模型效果的影響.改進實驗中都采用Mini-batch梯度下降法，來更新梯度以及參數(shù)的學習.如圖1所示，為經(jīng)上述方法對leNet-5進行改進，在經(jīng)過200次迭代之后，網(wǎng)絡(luò)模型對番茄病蟲害識別的正確率.圖2為傳統(tǒng)leNet-5及改進后網(wǎng)絡(luò)模型訓練過程中迭代次數(shù)與損失值的比較圖.

圖1 識別的正確率比較 圖2 損失值對比

在本文識別番茄病蟲害leNet-5改進實驗中，從2圖中可以看出，在傳統(tǒng)的leNet-5的基礎(chǔ)上加入BN層、將激活函數(shù)改為PReLU函數(shù)并在全連接層采用dropout策略、加入Inception模塊，在加快網(wǎng)絡(luò)訓練速度、提升網(wǎng)絡(luò)識別率優(yōu)化網(wǎng)絡(luò)上有較好的效果.

表4所示為改進后的網(wǎng)絡(luò)模型對于識別番茄病蟲害的準確率統(tǒng)計表.在綜合前者的改進后，各優(yōu)化方法之間也展現(xiàn)了較好的協(xié)同作用效果，使得改進后的網(wǎng)絡(luò)模型的整體識別率達到了95.3%.

表4 各網(wǎng)絡(luò)模型識別率統(tǒng)計表

5 總結(jié)

本文在傳統(tǒng)的leNet-5基礎(chǔ)上進行了包括加入BN層、采用PReLU激活函數(shù)并在全連接層采用Dropout策略、加入Inception結(jié)構(gòu)等多種改進實驗，提出一種對傳統(tǒng)的leNet-5的改進模型，采用2018年AI challenger農(nóng)作物病蟲害檢測中的番茄病蟲害數(shù)據(jù)集，通過數(shù)據(jù)增強的多種方式對數(shù)據(jù)集進行擴充，通過各種改進方案對數(shù)據(jù)集進行訓練和測試，并對各方案及其綜合型的識別效果進行比較，最后改進的leNet-5綜合模型的識別率達到了95.3%.實驗結(jié)果表明，改進后的leNet-5綜合模型在加快網(wǎng)絡(luò)訓練速度、提升網(wǎng)絡(luò)識別率、獲得有效的圖片特征，在識別復雜的番茄病蟲害圖片等方面取得了較好的效果.

但是本文所采用的數(shù)據(jù)集圖片大小是固定的，不具有普適性.本文中所使用的番茄病蟲害的數(shù)據(jù)集還不夠全面，在實際應用中，圖片的大小可能具有任意性，病蟲害的種類繁多，下一步的研究目標將放在圖片的任意性輸入，更多類別分類以及網(wǎng)絡(luò)的進一步優(yōu)化上.