趙志焱，楊 華，胡志偉，宇海萍

山西農(nóng)業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，山西 晉中030801

玉露香梨作為中熟梨的“新秀”，在華北和西北種植面積超過了80 萬畝，種植面積有不斷擴(kuò)張的趨勢。玉露香梨在生長過程中，容易受到蟲害的侵入且蟲害種類繁多，嚴(yán)重時(shí)直接影響果實(shí)的質(zhì)量和產(chǎn)量，同時(shí)會(huì)引起周圍不同品種受害。梨葉蟲害的識(shí)別多數(shù)是通過人眼辨別或網(wǎng)上專家的診斷，容易產(chǎn)生誤判[1]，費(fèi)時(shí)費(fèi)力，識(shí)別結(jié)果不盡人意。因此玉露香梨葉蟲害識(shí)別模型的研究為輔助玉露香蟲害防治決策提供了幫助。

近年來許多學(xué)者采用機(jī)器學(xué)習(xí)的方法進(jìn)行蟲害自動(dòng)識(shí)別[2]，其中卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）因比傳統(tǒng)學(xué)習(xí)方法更具有特征表達(dá)能力而被廣泛應(yīng)用到果蔬作物蟲害識(shí)別中。國內(nèi)外學(xué)者通過不斷優(yōu)化CNN 模型的參數(shù)和結(jié)構(gòu)對(duì)不同果蔬病害進(jìn)行識(shí)別。Amara 等[3]利用LeNet 模型對(duì)早期的香蕉葉病害進(jìn)行識(shí)別，該模型對(duì)光線及背景有嚴(yán)格要求，普適性不夠。文獻(xiàn)[4]通過引進(jìn)GoogLeNet Inception結(jié)構(gòu)并改進(jìn)AlexNet模型的卷積層、池化層、提升了模型收斂速度，提高了對(duì)蘋果病害的識(shí)別準(zhǔn)確率。文獻(xiàn)[5-6]借助遷移學(xué)習(xí)方法將AlexNet 模型在ImageNet 圖像數(shù)據(jù)集上學(xué)習(xí)得到的知識(shí)遷移到油茶和玉米病害識(shí)別模型中，實(shí)現(xiàn)了對(duì)病害的有效識(shí)別，由于采用動(dòng)態(tài)數(shù)據(jù)擴(kuò)充方式，可在一定程度上避免模型過度擬合。Fuentes 等[7]通過將實(shí)驗(yàn)?zāi)Ｐ偷拿總€(gè)元架構(gòu)與VGG 網(wǎng)絡(luò)和剩余網(wǎng)絡(luò)結(jié)合，成功地識(shí)別9種番茄蟲害和病害，提出了用于局部、全局類注釋和數(shù)據(jù)增強(qiáng)方法，減少訓(xùn)練期間的誤報(bào)次數(shù)。Zhang 等[8]在CNN 的基礎(chǔ)上改進(jìn)GoogLeNet 和Cifar10 模型，通過優(yōu)化參數(shù)和結(jié)構(gòu)實(shí)現(xiàn)了對(duì)9 種玉米病害圖像的準(zhǔn)確識(shí)別。Cruz 等[9]通過對(duì)比6 種CNN 架構(gòu)，采用ResNet-50模型是用于葡萄病害準(zhǔn)確性和培訓(xùn)成本的最佳方案。趙兵等[10]提出了全卷積網(wǎng)絡(luò)（FCN）的葡萄病害葉片圖像的自動(dòng)分割算法，并應(yīng)用于葡萄病害葉片，該模型是將CNN的3個(gè)連接層換成3個(gè)卷積層，改進(jìn)后的模型能夠較精確地分割自然條件下拍攝的葡萄病害葉片圖像。文獻(xiàn)[11]第一次將CNN 應(yīng)用于對(duì)馬鈴薯塊莖的識(shí)別，實(shí)現(xiàn)了對(duì)疾病塊莖和非疾病塊莖的區(qū)分，以及4 類病害的識(shí)別。Ha等[12]運(yùn)用無人機(jī)對(duì)大田蘿卜進(jìn)行拍攝，并通過CNN算法對(duì)被感染區(qū)域進(jìn)行實(shí)時(shí)識(shí)別。楊晉丹等[13]通過改變CNN 網(wǎng)絡(luò)深度和卷積核大小，經(jīng)實(shí)驗(yàn)表明CNN-9 模型能夠較好地識(shí)別草莓葉部白粉病害，此模型對(duì)拍攝環(huán)境要求較低，普適性較好。綜上所述，采用CNN 對(duì)果蔬病害識(shí)別時(shí)往往采用不同的模型，其中Alexnet 模型對(duì)蘋果病害有著較高的識(shí)別率，通過改進(jìn)Alexnet 模型對(duì)玉露香梨葉蟲害識(shí)別是切實(shí)可行的；另一方面，在山西玉露香梨栽植面積達(dá)到幾十萬畝，但對(duì)玉露香梨葉蟲害自動(dòng)識(shí)別研究還沒有充分展開，因此進(jìn)行玉露香梨葉蟲害自動(dòng)識(shí)別的研究勢在必行且有著重大意義。

本文創(chuàng)新性地以玉露香梨葉為研究對(duì)象，研究有關(guān)玉露香梨葉蟲害識(shí)別的問題，由此提出基于TACNN玉露香梨葉蟲害識(shí)別模型的方法，對(duì)玉露香常見的三種蟲害進(jìn)行訓(xùn)練測試。為了減少Alexnet模型在實(shí)驗(yàn)中出現(xiàn)空間語意信息丟失、過擬合現(xiàn)象發(fā)生，經(jīng)兩次改變Alexnet 全連接層神經(jīng)元節(jié)點(diǎn)得到了Mid-Alexnet 和TACNN 兩個(gè)模型，并對(duì)Alexnet、Mid-Alexnet、TACNN三組模型采取不同批次進(jìn)行訓(xùn)練，通過三組模型對(duì)比實(shí)驗(yàn)數(shù)據(jù)可知，TACNN模型與其他兩個(gè)模型相比，TACNN在玉露香梨葉蟲害識(shí)別問題上有較強(qiáng)的識(shí)別能力，類別平均識(shí)別準(zhǔn)確率最佳且達(dá)到81.18%，能夠?qū)崿F(xiàn)在自然環(huán)境下對(duì)玉露香梨葉蟲害進(jìn)行自動(dòng)識(shí)別。

1 材料和方法

1.1 實(shí)驗(yàn)環(huán)境

硬件環(huán)境：Inte?XEON?E5-2603v2@1.80 GHz 8 GB內(nèi)存。

系統(tǒng)環(huán)境：anaconda下的jupder。

軟件環(huán)境：Python、TensorFlow等。

玉露香梨葉蟲害識(shí)別模型是在深度學(xué)習(xí)框架TensorFlow環(huán)境下進(jìn)行訓(xùn)練的，在TensorFlow框架下依賴的軟件有Karas、numpy、pycharm等。

1.2 玉露香病害圖像獲取及數(shù)據(jù)處理

（1）本文使用的數(shù)據(jù)來自于山西農(nóng)業(yè)大學(xué)玉露香梨實(shí)驗(yàn)田，采集時(shí)間集中在2019年5月至7月?？紤]到戶外環(huán)境的干擾，把室外采摘的蟲害葉片放置在室內(nèi)（溫度25 ℃）環(huán)境（自然光+日光燈）下進(jìn)行圖像拍攝整理。拍攝設(shè)備為索尼數(shù)碼相機(jī)，型號(hào)為DSC-WX30，智能自動(dòng)對(duì)焦，圖像分辨率為4 608像素×3 456像素。在距離葉片25～35 cm處，與葉片垂直90 ℃或傾斜角為20 ℃～50 ℃的情況下完成照片拍攝。采集蟲害種類為梨樹常見蟲害，共選取1 013張玉露香梨葉蟲害圖像，其中金龜子蟲害圖像410張，梨木虱蟲害圖像303張，梨癭蚊蟲害圖像300張。隨機(jī)抽取803張圖像用于模型訓(xùn)練，剩余的202張圖像分別用于模型驗(yàn)證和模型測試。病害圖像如圖1所示。

圖1 梨葉蟲害圖像

（2）由于拍攝圖像的尺寸不同，為了加快模型的運(yùn)算效率和運(yùn)算速度，在訓(xùn)練和測試模型之前，對(duì)超出尺寸的區(qū)域進(jìn)行裁剪壓縮，對(duì)尺寸不足的部分進(jìn)行填補(bǔ)，處理后圖像分辨率為224像素×224像素大小。

1.3 實(shí)驗(yàn)方法

1.3.1 卷積神經(jīng)網(wǎng)絡(luò)

由圖1 梨葉蟲害圖像可以看出葉片蟲害部位形狀大小不一，顏色紋理各種各樣，被害部位分布各異，運(yùn)用傳統(tǒng)的特征提取方法帶有局限性且效果不佳，因此運(yùn)用自動(dòng)提取特征的CNN更直接有效。

CNN 由若干卷積層、池化層、全連接層、輸出層組成，如圖2所示。

圖2 卷積網(wǎng)絡(luò)示意圖

（1）卷積層

卷積層是卷積神經(jīng)網(wǎng)絡(luò)最重要的一層，是卷積核的計(jì)算過程。卷積核通過每次移動(dòng)相同步長，將圖像像素和卷積核的對(duì)應(yīng)權(quán)重相乘，最后將所有乘積和偏置值相加得到輸出，其運(yùn)算過程是線性變換。

（2）池化層

對(duì)輸入的圖像進(jìn)行壓縮，一方面使特征圖變小，簡化網(wǎng)絡(luò)計(jì)算復(fù)雜度；另一方面進(jìn)行特征壓縮，提取主要特征。

（3）全連接層

全連接層在CNN 的尾部，兩層神經(jīng)元都有權(quán)重相互連接，起到了將學(xué)習(xí)的“分布式特征表現(xiàn)”映射樣本標(biāo)記空間的作用[14]，如圖3所示。

圖3 全連接層示意圖

（4）SoftMax分類器

在CNN中，最后一層經(jīng)常使用softMax分類器進(jìn)行多類別分類任務(wù)，softMax 分類器是logistic 回歸模型在多分類問題上的推廣，其實(shí)質(zhì)是將分類問題轉(zhuǎn)化為概率問題。

1.3.2 Alexnet模型

Alexnet 作為CNN 的經(jīng)典模型，在算法上有很大的提升，該模型引入了整流線性單元作為激活函數(shù)，應(yīng)用dropout隨機(jī)性地忽略一些神經(jīng)元來達(dá)到防止網(wǎng)絡(luò)過擬合，同時(shí)該模型還使用了兩個(gè)GPU 來加速神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，因此相比其他模型Alexnet 在圖像分類和目標(biāo)檢測等方面任務(wù)表現(xiàn)出色。Alexnet 為8 層深度網(wǎng)絡(luò)，有6 000萬個(gè)參數(shù)量，包含了5個(gè)卷積操作層和3個(gè)全連接操作層，特別是第五層卷積層與全連接層進(jìn)行了信息交互，該模型結(jié)構(gòu)如圖4所示。

模型第一個(gè)為卷積層，輸入224×224×3尺度大小的圖像，卷積核數(shù)量為96，卷積核大小為11×11×3、步長為4個(gè)像素。第二個(gè)卷積層需要將第一個(gè)卷積層的輸出作為輸入，且利用256 個(gè)大小為5×5×48 的核對(duì)其進(jìn)行濾波，邊緣擴(kuò)充為2，步長為1，第三、第四和第五個(gè)卷積層彼此相連。第三個(gè)卷積層有384 個(gè)大小為3×3×256 的核，第四個(gè)卷積層擁有384個(gè)大小為3×3×192的核，第五個(gè)卷積層擁有256個(gè)大小為3×3×192的核。全連接層為第六、第七、第八層，原全連接層每一層的神經(jīng)元參數(shù)為4 096，其中最后一層全連接層是一個(gè)有1 000個(gè)輸出的分類器。

通過對(duì)Alexnet 模型的結(jié)構(gòu)分析可以看出：僅全連接層參數(shù)就占整個(gè)網(wǎng)絡(luò)參數(shù)的80%左右，如何減少全連接層冗余現(xiàn)象的發(fā)生，是本次實(shí)驗(yàn)優(yōu)化模型結(jié)構(gòu)的關(guān)鍵。因此本次實(shí)驗(yàn)將對(duì)模型的全連接層部分作出改進(jìn)。

圖4 Alexnet卷積神經(jīng)網(wǎng)絡(luò)示意圖

1.3.3 模型改進(jìn)設(shè)計(jì)

為了實(shí)現(xiàn)對(duì)玉露香梨葉蟲害識(shí)別，本次實(shí)驗(yàn)將對(duì)Alexnet 模型的全連接層進(jìn)行改進(jìn)，實(shí)現(xiàn)對(duì)模型結(jié)構(gòu)的高效設(shè)計(jì)。（1）保留原有全連接層數(shù)，兩層或兩層以上的Fully connected layer能有效地解決非線性問題；（2）減少全連接層神經(jīng)元數(shù)目。在模型中全連接層將前面經(jīng)過多次卷積后高度抽象化的特征進(jìn)行整合、歸一化，將各特征值與權(quán)重的乘積求和，而Alexnet 的全連接層神經(jīng)元節(jié)點(diǎn)數(shù)目為4 096，權(quán)重值個(gè)數(shù)占整個(gè)網(wǎng)絡(luò)參數(shù)相當(dāng)大的比例，由此輸出加權(quán)目標(biāo)數(shù)值也是相當(dāng)大的，特別是與最后一個(gè)卷積層相連的全連接層。Alexnet在三分類場景中結(jié)構(gòu)存在冗余，神經(jīng)元個(gè)數(shù)過大時(shí)可能會(huì)出現(xiàn)空間語意信息丟失、過擬合現(xiàn)象發(fā)生、收斂速度減慢等問題[15-16]。由此可見改進(jìn)Alexnet 全連接層神經(jīng)元節(jié)點(diǎn)可以保證網(wǎng)絡(luò)結(jié)構(gòu)緊湊，降低計(jì)算中的消耗，提高模型分類準(zhǔn)確率與運(yùn)算速度。

優(yōu)化后的模型仍由卷積層和全連接層組成，為了達(dá)到模型優(yōu)化的目的在保證原有全連接層個(gè)數(shù)的前提下，從全連接層神經(jīng)元節(jié)點(diǎn)著手對(duì)L6、L7、L8三層進(jìn)行改進(jìn)如圖5 所示，分別得到Mid-Alexnet、TACNN 兩個(gè)不同的模型。

圖5 Alexnet模型全連接層示意圖

Mid-Alexnet、TACNN模型具體改進(jìn)部分是在Alexnet模型的基礎(chǔ)上改變了第六、七層全連接層及第八層全連接層中的分類器個(gè)數(shù)，即改變了原有m、n、o的數(shù)值。其中Mid-Alexnet 模型是將Alexnet 全連接層L6、L7 原有的4 096 個(gè)神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)減少3 072 個(gè)，使改進(jìn)的Mid-Alexnet 全連接層m為1 024、n值為1 024、分類器o為3。而TACNN模型全連接層m、n的值分別為512，分類器o為3。

總的來說，模型改進(jìn)由Alexnet到Mid-Alexnet再到TACNN 是將全連接層神經(jīng)元節(jié)點(diǎn)逐漸減少，用于后期模型實(shí)驗(yàn)對(duì)比并篩選出表現(xiàn)最優(yōu)的模型。全連接層節(jié)點(diǎn)數(shù)量的減少，有利于構(gòu)建輕量級(jí)網(wǎng)絡(luò)模型，后期能夠?qū)⑵溥w移至移動(dòng)端設(shè)備進(jìn)行實(shí)時(shí)蟲害識(shí)別。

1.4 實(shí)驗(yàn)參數(shù)說明

本次實(shí)驗(yàn)中將數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集以及測試集三部分，其中訓(xùn)練集大小為803，驗(yàn)證集大小為101，測試集大小為101。為避免內(nèi)存溢出，采取批訓(xùn)練方式對(duì)Alexnet、Mid-Alexnet、TACNN 模型在訓(xùn)練集和驗(yàn)證集上設(shè)置三組對(duì)比實(shí)驗(yàn)，三組實(shí)驗(yàn)中每個(gè)批次分別訓(xùn)練16、32、64 張圖片，即train batch 設(shè)置為16、32、64，驗(yàn)證集批大小與訓(xùn)練集批大小同步。遍歷一次全部訓(xùn)練集數(shù)據(jù)稱為一輪迭代，即一輪迭代會(huì)遍歷所有訓(xùn)練集數(shù)據(jù)，而并不僅僅是一個(gè)批次數(shù)據(jù)。本文將迭代輪數(shù)設(shè)置為100輪，每輪迭代完成后在測試集上計(jì)算模型評(píng)價(jià)指標(biāo)值。

實(shí)驗(yàn)采用keras中損失函數(shù)categorical crossentropy作為代價(jià)函數(shù)，其定義如式（1）：

其中，n為樣本數(shù)量，m為分類數(shù)，該函數(shù)為多輸出的損失函數(shù)。

為解決反向傳播過程中梯度消失和爆炸問題，引入Batch Normalization 批規(guī)范化，對(duì)網(wǎng)絡(luò)隱藏層輸入進(jìn)行標(biāo)準(zhǔn)化，引入dropout 機(jī)制[17]，以0.4 的概率抑制神經(jīng)元節(jié)點(diǎn)參與反向傳播過程。為提高調(diào)參效率，采用自適應(yīng)矩陣估計(jì)算法（Adaptive Moment Estimation，Adam）優(yōu)化模型，初始學(xué)習(xí)率設(shè)置為0.000 1。為保存最優(yōu)模型參數(shù)，引入keras中的Model Checkpoint機(jī)制，每輪迭代完成之后，通過觀察訓(xùn)練集準(zhǔn)確率是否發(fā)生提升決定是否保存當(dāng)前模型。

圖6 同輸入圖像數(shù)量不同模型的準(zhǔn)確率變化圖

2 結(jié)果與分析

2.1 模型穩(wěn)定性

為了觀察訓(xùn)練過程中不同模型的穩(wěn)定性情況，圖6、圖7 展示了各模型在20 輪迭代過程中驗(yàn)證集上準(zhǔn)確率與損失函數(shù)變化情況。

圖6展現(xiàn)了3種模型在輸入圖像數(shù)量相等時(shí)對(duì)比不同模型準(zhǔn)確率指標(biāo)值。Alexnet 模型與其他模型相比，整體識(shí)別變化幅度最為明顯，識(shí)別準(zhǔn)確率隨著輸入圖像個(gè)數(shù)逐漸減少表現(xiàn)出反增趨勢，且相比其他兩個(gè)模型整體識(shí)別準(zhǔn)確率最高；當(dāng)輸入圖像個(gè)數(shù)為64時(shí)，三類模型均在第15輪迭代后，折線變化趨于平緩，說明模型對(duì)葉片蟲害特征提取進(jìn)入平穩(wěn)階段；對(duì)比輸入圖像個(gè)數(shù)分別為32、16 時(shí)，在第15 輪迭代后都展現(xiàn)出小幅度增長，其中Mid-Alexnet 模型逐漸攀升趨勢表現(xiàn)最為明顯；但從整體變化趨勢對(duì)比發(fā)現(xiàn)，TACNN模型表現(xiàn)最為穩(wěn)定。

圖7 同輸入圖像數(shù)量不同模型損失函數(shù)變化圖

圖7 展現(xiàn)了三類模型在輸入圖像數(shù)量相同不同模型損失函數(shù)的變化情況。Alexnet、Mid-Alexnet 模型隨著每次輸入圖像個(gè)數(shù)的遞減，損失指標(biāo)發(fā)生下降，且兩模型損失值逐漸趨于一致；通過輸入圖像數(shù)量變化對(duì)比發(fā)現(xiàn)，TACNN模型相對(duì)其他兩個(gè)模型變化幅度較小，有較高穩(wěn)定性，通過對(duì)比三個(gè)折線圖發(fā)現(xiàn)Alexnet、Mid-Alexnet兩個(gè)模型從迭代開始到第5次迭代區(qū)間內(nèi)，損失值變化幅度較大，表明兩模型在前期識(shí)別錯(cuò)誤風(fēng)險(xiǎn)較高，而導(dǎo)致模型識(shí)別穩(wěn)定性不高。

綜合圖6、圖7 模型訓(xùn)練過程中準(zhǔn)確率與損失函數(shù)折線變化對(duì)比可得：在模型訓(xùn)練過程中，改變模型全連接層神經(jīng)元數(shù)值和輸入圖像數(shù)量的大小會(huì)直接影響模型識(shí)別準(zhǔn)確率、模型識(shí)別風(fēng)險(xiǎn)及模型識(shí)別性能的穩(wěn)定性；TACNN 模型相比其他模型表現(xiàn)最為穩(wěn)定，但模型出現(xiàn)識(shí)別準(zhǔn)確率提升而損失函數(shù)不減反增現(xiàn)象，原因是模型將大量共性特征進(jìn)行有效遷移，而不能很好地獲取特定圖像特征，因此該模型過擬合問題還有待解決。

2.2 識(shí)別準(zhǔn)確率

表1 反應(yīng)了不同種類的蟲害在不同模型中的識(shí)別準(zhǔn)確率，其中最后一列為該模型對(duì)三種蟲害的類別平均準(zhǔn)確率。

通過表格對(duì)比發(fā)現(xiàn)：

（1）當(dāng)Alexnet、Mid-Alexnet、TACNN三組模型批大小分別為64、32、16 時(shí)，對(duì)比觀察三組模型對(duì)玉露香梨葉的三種蟲害的識(shí)別準(zhǔn)確率會(huì)隨著批值變小，識(shí)別準(zhǔn)確率出現(xiàn)遞增趨勢，其中Alexnet 模型對(duì)梨癭蚊的識(shí)別準(zhǔn)確率表現(xiàn)顯著，Alexnet-16 的識(shí)別準(zhǔn)確率為93.10%，相比Alexnet-64識(shí)別準(zhǔn)確率提升了34.84個(gè)百分點(diǎn)。

（2）其中TACNN-16對(duì)三種類別蟲害識(shí)別上均能取得較好的識(shí)別率，對(duì)金龜子蟲害識(shí)別表現(xiàn)最好，識(shí)別準(zhǔn)確率達(dá)到87.5%，在對(duì)其他兩種蟲害識(shí)別上也能得到有競爭力的準(zhǔn)確率。

（3）從對(duì)比類別平均準(zhǔn)確率可以看出：模型TACNN-16的類別平均準(zhǔn)確率表現(xiàn)最優(yōu)比其他模型的平均準(zhǔn)確率高出3.96～18.81個(gè)百分點(diǎn)。

表1 各模型不同輸入圖像數(shù)值識(shí)別準(zhǔn)確率%

2.3 模型預(yù)測

混淆矩陣是機(jī)器學(xué)習(xí)中總結(jié)分類模型預(yù)測結(jié)果的分析，以矩陣形式將數(shù)據(jù)集中的記錄按照真實(shí)的類別與分類模型預(yù)測的類別判斷兩個(gè)標(biāo)準(zhǔn)進(jìn)行匯總。圖8 展示了Alexnet-16、Mid-Alexnet-16、TACNN-16 三種模型在測試集上的混淆矩陣，其中矩陣的行表示真實(shí)值，每一行的數(shù)據(jù)總數(shù)表示該類別的實(shí)例的數(shù)目；矩陣的列表示預(yù)測值，其總數(shù)表示預(yù)測為該類別的數(shù)目，對(duì)角線位置的值表示預(yù)測正確的結(jié)果總和。

圖8 三種測試集混淆矩陣

通過圖8 對(duì)比分析得：TACNN-16 對(duì)金龜子蟲害識(shí)別表現(xiàn)最佳；Mid-Alexnet、Alexnet模型分別在梨木虱蟲害和梨癭蚊蟲害識(shí)別上有優(yōu)勢；三種模型通過改進(jìn)后識(shí)別準(zhǔn)確率得到較大提升，其中TACNN-16 表現(xiàn)良好，其識(shí)別準(zhǔn)確率能夠達(dá)到81.18%。說明TACNN-16 模型可為玉露香梨葉蟲害識(shí)別提供參考。

3 結(jié)束語

本研究在Alexnet 基礎(chǔ)上，經(jīng)兩次優(yōu)化全連接層并用3 標(biāo)簽softMax 分類層替換原有Alexnet 網(wǎng)絡(luò)中的softMax 分類器，得到Mid-Alexnet、TACNN 模型。對(duì)玉露香梨葉常見的金龜子、梨木虱、梨癭蚊三種蟲害進(jìn)行識(shí)別訓(xùn)練實(shí)驗(yàn)，得到以下結(jié)論：

（1）TACNN-16 模型具有較好的分類性能，類別平均準(zhǔn)確率為81.18%，相比其他模型準(zhǔn)確率提高3.96～18.81個(gè)百分點(diǎn)，可為玉露香蟲害防治決策提供幫助。

（2）模型中全連接層節(jié)點(diǎn)數(shù)量的減少有利于構(gòu)建輕量級(jí)網(wǎng)絡(luò)模型，進(jìn)而有利于將其遷移至移動(dòng)端設(shè)備進(jìn)行實(shí)時(shí)病害識(shí)別。

（3）本文Alexnet 模型識(shí)別準(zhǔn)確率研究是將實(shí)地采集的3 類梨葉病害共計(jì)1 013 張圖像進(jìn)行訓(xùn)練測試，今后將會(huì)不斷擴(kuò)充玉露香梨葉蟲害圖像的種類，不斷完善訓(xùn)練樣本集，特別是對(duì)不同拍攝角度，不同蟲害程度，以及一片葉子多種蟲害等情況葉子的收集和完善，進(jìn)一步提高模型對(duì)梨葉蟲害的識(shí)別性能。

（4）本次實(shí)驗(yàn)Alexnet 模型對(duì)玉露香品種的梨葉蟲害有較好的分類功能，經(jīng)實(shí)踐檢驗(yàn)該模型對(duì)其他品種的梨葉蟲害有一定分類效果。本次模型以梨為研究對(duì)象做前期實(shí)驗(yàn)，今后將在TACNN 模型結(jié)構(gòu)基礎(chǔ)上對(duì)其他中熟果蔬病蟲害分類進(jìn)行深入研究。