DOI：10.19850/j.cnki.2096-4706.2021.09.002

摘? 要：在玉米生長初期，不能及時(shí)知道玉米所患病害從而無法及時(shí)醫(yī)治，將導(dǎo)致玉米產(chǎn)量和質(zhì)量下降。而人工分辨玉米病害耗費(fèi)大量人力和時(shí)間，判斷準(zhǔn)確率也不高。因此文章提出了基于卷積神經(jīng)網(wǎng)絡(luò)的玉米病害識(shí)別模型，模型主要有12個(gè)網(wǎng)絡(luò)層，其中包含輸入層、4個(gè)卷積層、4個(gè)池化層、2個(gè)全連接層和輸出層。通過調(diào)整參數(shù)和模型優(yōu)化等操作，最終分類準(zhǔn)確率在95%左右。模型具有一定的實(shí)際意義，可為玉米病害防治提供理論依據(jù)。

關(guān)鍵詞：玉米;卷積神經(jīng)網(wǎng)絡(luò);模型;病害

中圖分類號(hào)：TP183;TP391.4? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2021）09-0006-04

Corn Disease Identification Based on Convolution Neural Network

WU Shuqi

（Ji Xianlin Honors School of Liaocheng University，Liaocheng 252000，China）

Abstract：In the early growth of corn，we can not know the diseases of corn in time and thus cannot be cured in time，which leads to a decline in the yield and quality of corn. However，it takes a lot of manpower and time to distinguish corn diseases manually，and the accuracy of judgment is not high. Therefore，a corn disease recognition model based on convolutional neural network is proposed in this paper. The model mainly has 12 network layers，including input layer，4 convolutional layers，4 pooling layers，2 fully connected layers and output layer. By adjusting the parameters and the optimization model，the final classification accuracy is about 95%. The model has certain practical significance and can provide a theoretical basis for corn disease control.

Keywords：corn;convolutional neural network;model;disease

0? 引? 言

玉米在我國糧食作物產(chǎn)業(yè)中發(fā)揮著至關(guān)重要的作用，是我國農(nóng)作物產(chǎn)業(yè)中的中流砥柱^[1]。我國幅員遼闊，跨經(jīng)緯度差異大，不同地區(qū)的玉米種植也遭受不同的病害折磨。作為我國最大的糧食作物品種，玉米病害嚴(yán)重減少了玉米產(chǎn)量。準(zhǔn)確、快速地識(shí)別玉米病害并及時(shí)進(jìn)行補(bǔ)救，可有效降低玉米病害的影響。傳統(tǒng)的玉米病害分類依賴人工判斷，這種識(shí)別方法效率低、易判斷失誤，無法適應(yīng)當(dāng)今玉米大規(guī)模種植的需求。如何智能識(shí)別不同玉米病害，為農(nóng)民提供最佳的解決方案，就成為研究重點(diǎn)^[2]。

1? 研究現(xiàn)狀

隨著圖像處理和深度學(xué)習(xí)的深入研究，計(jì)算機(jī)識(shí)別圖像并進(jìn)行分類已成為可以實(shí)現(xiàn)的技術(shù)。吳云志等人提出一種基于深度殘差網(wǎng)絡(luò)的玉米病害識(shí)別網(wǎng)絡(luò)TFL-ResNet。他們將Focal Loss損失函數(shù)作為評估函數(shù)，再將數(shù)據(jù)集在ResNet50網(wǎng)絡(luò)上訓(xùn)練好的參數(shù)應(yīng)用到改進(jìn)好的網(wǎng)絡(luò)里，最終得到的平均準(zhǔn)確率高達(dá)98.96%^[3]。許景輝等人從遷移學(xué)習(xí)的方向出發(fā)，將遷移學(xué)習(xí)的思想運(yùn)用在卷積神經(jīng)網(wǎng)絡(luò)模型上，構(gòu)建出了一個(gè)針對玉米病害的圖像識(shí)別模型，得到的最終平均準(zhǔn)確率為95%^[4]。顧博等人構(gòu)建了一種基于GrabCut算法的玉米病害圖像識(shí)別模型，此模型用于解決在圖像背景難以區(qū)分或者模糊時(shí)，盡量準(zhǔn)確分割前景區(qū)域的問題^[5]。在農(nóng)作物病害識(shí)別領(lǐng)域，很多學(xué)者已經(jīng)進(jìn)行了深入的研究，并取得了重要成果，如今也有大量的實(shí)際產(chǎn)品應(yīng)用于農(nóng)產(chǎn)品行業(yè)中。

2? 材料與方法

由于引起玉米病害的病原菌類型不同，葉片在形狀、顏色、質(zhì)地等方面會(huì)有不同的病斑、病洞等具體癥狀，因此本文采用基于玉米葉片判斷病害類型的方法。

2.1? 材料

本研究所用到的數(shù)據(jù)集來源于PlantVillage-Dataset數(shù)據(jù)集，由3種不同玉米圖像組成：玉米普通銹病、灰斑病、大斑病的病害圖像，分別如圖1、圖2、圖3所示。

其中玉米普通銹病1 192張，灰斑病513張，大斑病985張。本文實(shí)驗(yàn)將玉米圖像分為訓(xùn)練集和測試集，用0、1、2分別表示對應(yīng)的類別標(biāo)簽，標(biāo)簽2為普通銹病，標(biāo)簽0為灰斑病，標(biāo)簽1為大斑病，其中訓(xùn)練集為2 152張，測試集為538張。

2.2? 方法——卷積神經(jīng)網(wǎng)絡(luò)

目前卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）領(lǐng)域已經(jīng)被很多學(xué)者和研究人員進(jìn)行了深入研究。已經(jīng)從最初較為簡單的手寫字符識(shí)別，逐漸深入到諸如人臉識(shí)別等更復(fù)雜的領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)采用的是一種端到端的學(xué)習(xí)模型，模型中的參數(shù)可以通過傳統(tǒng)的梯度下降方法進(jìn)行訓(xùn)練，卷積神經(jīng)網(wǎng)絡(luò)會(huì)在一次次訓(xùn)練中學(xué)習(xí)圖像中的特征，并且提取圖像特征進(jìn)一步完成分類。卷積神經(jīng)網(wǎng)絡(luò)最大的特征是權(quán)值共享和局部連接，可以大大減少計(jì)算機(jī)的計(jì)算量。

卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層（convolutional layer）、池化層（pooling layer）、全連接層及輸出層組成。一個(gè)網(wǎng)絡(luò)的卷積層和池化層會(huì)取多個(gè)，具體數(shù)量具體而定，總體是一個(gè)卷積層、一個(gè)池化層、一個(gè)卷積層……以此類推。卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是每一層的神經(jīng)元只有受到前一層局部范圍內(nèi)的神經(jīng)元刺激時(shí)才會(huì)作出反應(yīng)，即數(shù)學(xué)上的卷積運(yùn)算，卷積神經(jīng)網(wǎng)絡(luò)由此得名。

3? 模型構(gòu)建與訓(xùn)練

3.1? 模型結(jié)構(gòu)

本文的模型是以經(jīng)典的LeNet模型為基礎(chǔ)，該模型網(wǎng)絡(luò)共有3個(gè)卷積層、2個(gè)池化層、1個(gè)全連接層。本文的玉米病害識(shí)別模型共有12個(gè)網(wǎng)絡(luò)層，包含輸入層、4個(gè)卷積層、4個(gè)池化層、2個(gè)全連接層和輸出層。本文CNN玉米病害識(shí)別模型網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

另外，在第三層卷積和第四層卷積當(dāng)中，都包含了Dropout策略層，丟棄概率調(diào)整為0.1，用來避免過擬合，增加隨機(jī)性。在全連接層中，丟棄概率調(diào)整為0.5。另外本課題池化方式選用的是最大池化法（Max pooling），在卷積層的運(yùn)算后使用激活函數(shù)修正線性單元（ReLU）^[6]，進(jìn)行數(shù)據(jù)的訓(xùn)練。最后采用分類器Softmax，作為最后的分類輸出層，輸出類別為3，分別對應(yīng)玉米病害的3類。

因此，結(jié)合課題的具體要求和目前已有的數(shù)據(jù)集，本課題中提出的玉米病害識(shí)別模型的網(wǎng)絡(luò)結(jié)構(gòu)一些參數(shù)設(shè)置如表1所示。

表1? 本研究模型參數(shù)設(shè)置

3.2? 模型優(yōu)化

模型結(jié)構(gòu)優(yōu)化的目的是最大限度地減少損失函數(shù)的迭代次數(shù)，得到最高的識(shí)別準(zhǔn)確率。本課題的玉米病害識(shí)別模型在全連接層加入了Dropout層，為了減少神經(jīng)網(wǎng)絡(luò)過擬合的概率，也用了分類函數(shù)Softmax函數(shù)，Softmax函數(shù)會(huì)通過一系列的函數(shù)運(yùn)算，輸出該樣本能夠被分成某類的最大概率。

大部分的數(shù)據(jù)都是非線性的，看似雜亂無章，但是神經(jīng)網(wǎng)絡(luò)的計(jì)算是線性的，非線性神經(jīng)網(wǎng)絡(luò)中需要引入主動(dòng)函數(shù)，從而提高網(wǎng)絡(luò)的自學(xué)習(xí)能力。常用的激活函數(shù)有：Sigmoid函數(shù)、tanh函數(shù)、ReLU函數(shù)。

3.3? 模型訓(xùn)練過程

本課題模型訓(xùn)練過程主要分為以下4個(gè)階段：

（1）尋找數(shù)據(jù)集，搜尋與玉米病害有關(guān)的圖像，并且分類保存。將圖像進(jìn)行歸一化，以1：4的比例隨機(jī)劃分成訓(xùn)練集和測試集。

（2）根據(jù)圖4所示的模型思路，進(jìn)行編譯和設(shè)定模型參數(shù)。最大訓(xùn)練數(shù)設(shè)置為6輪，batch_size為11。

（3）訓(xùn)練并且保存模型。

（4）手動(dòng)調(diào)參，選取損失值最小，預(yù)測準(zhǔn)確率最高的模型作為最終結(jié)果。

4? 實(shí)驗(yàn)結(jié)果分析

4.1? 激活函數(shù)的不同對模型性能的影響

在模型的第三層卷積、第四層卷積之后、第一個(gè)全連接層之后添加了Dropout策略層，能夠增加隨機(jī)性，避免過度擬合。在第一層全連接之后添加激活函數(shù)ReLU，第二層全連接之后添加函數(shù)Softmax。ReLU函數(shù)作為激活函數(shù)，速度更快，也可以盡量避免梯度消失。此外，ReLU以其獨(dú)特的稀疏性，即神經(jīng)元的激活率較低，貼合大腦工作的結(jié)構(gòu)，更是被廣泛使用。Softmax函數(shù)會(huì)將輸出層的數(shù)據(jù)轉(zhuǎn)化為概率表達(dá)式后的輸出值，因此人們通常將Softmax被作為神經(jīng)網(wǎng)絡(luò)模型的分類器。

表2顯示了不同的激活函數(shù)對分類識(shí)別準(zhǔn)確率的不同影響。

4.2? Dropout層對模型性能的影響

Dropout層的存在是為了減少神經(jīng)網(wǎng)絡(luò)過擬合，主要用于神經(jīng)元個(gè)數(shù)較多的層。通常，Dropout層加在全連接層，不僅可以減小過度擬合情況的出現(xiàn)概率，還可以提高模型的自主適應(yīng)和學(xué)習(xí)能力。表3是Dropout層對模型準(zhǔn)確率和損失率的影響，前提是都在12個(gè)網(wǎng)絡(luò)層，包含輸入層、4個(gè)卷積層、4個(gè)池化層、2個(gè)全連接層和輸出層。

由表3可以看出，Dropout層的存在極大地提高了玉米病害分類識(shí)別的準(zhǔn)確率，減小了損失率。所以為了提高準(zhǔn)確率，避免數(shù)據(jù)訓(xùn)練過擬合，本課題的模型在全連接層中添加Dropout策略層。

4.3? 網(wǎng)絡(luò)層數(shù)對準(zhǔn)確率的影響

一個(gè)良好的模型需要經(jīng)過不斷地調(diào)整參數(shù)才能夠確定最佳模型，本課題選擇對卷積層（2層、3層、4層）和全連接層（1層、2層）進(jìn)行設(shè)置，通過對比選出最優(yōu)的模型。實(shí)驗(yàn)結(jié)果如表4所示。

根據(jù)表3中內(nèi)容可以看出，當(dāng)設(shè)置2個(gè)全連接層、4個(gè)卷積層時(shí)，訓(xùn)練最小損失率和訓(xùn)練最大準(zhǔn)確率分為達(dá)到0.453 0和0.951 7，表明該模型性能最優(yōu)。

4.4? 預(yù)測結(jié)果分析

在對圖像數(shù)據(jù)進(jìn)行預(yù)處理時(shí)，劃分的訓(xùn)練集和測試集分別為2 152張、538張。需要測試在每次調(diào)整參數(shù)構(gòu)造的模型中，代入未參與訓(xùn)練的測試集，是否也能達(dá)到同樣高的準(zhǔn)確率。圖5、圖6分別是訓(xùn)練集和測試集對于不同玉米病害識(shí)別準(zhǔn)確率和損失值的截圖。

由圖5、圖6比較可知，對于不同玉米病害的訓(xùn)練集和測試集，識(shí)別正確的準(zhǔn)確率和損失值基本一致，都達(dá)到了95%以上，損失值都在45%左右。這說明該模型的性能還是比較不錯(cuò)的。

5? 結(jié)? 論

玉米已成為我國最大的糧食產(chǎn)物，而玉米的產(chǎn)量與人們的生活緊密相關(guān)。玉米病害防治是我國生產(chǎn)的重要組成成分，具有重要的實(shí)際意義。本文以LeNet模型為基礎(chǔ)，構(gòu)建了一個(gè)12層的玉米病害識(shí)別模型，完成對玉米灰斑病、普通銹病和大斑病3類不同玉米病害圖像的識(shí)別分類，基于此，得出了以下結(jié)論：

（1）卷積神經(jīng)網(wǎng)絡(luò)模型可以主動(dòng)提取圖像的特征，為我們研究玉米病害提供了極大的便利，從而達(dá)到很好的分類效果。在本課題中，對于已劃分好的測試集的識(shí)別率最高達(dá)到95%以上，最低也有87%以上，在短時(shí)間內(nèi)就可以對幾百個(gè)植株進(jìn)行病害識(shí)別，不僅節(jié)省時(shí)間和人力，也可以很大程度地提高識(shí)別精度。

（2）在模型優(yōu)化方面，為了避免過擬合情況的發(fā)生，增加隨機(jī)性，在網(wǎng)絡(luò)層中運(yùn)用Dropout策略和ReLU激活函數(shù)。

（3）該模型可以同時(shí)識(shí)別3種病害，具有更高的識(shí)別性能和實(shí)用性。鑒于我們搜尋到的數(shù)據(jù)集有局限性，因此本課題僅選用了3個(gè)種類進(jìn)行分析和識(shí)別，所以該模型存在著一定的局限性。為了能夠?qū)⒋四Ｐ蛻?yīng)用于實(shí)際生活中，下一步我們需要找到更多種類的數(shù)據(jù)，調(diào)整模型，達(dá)到更高的識(shí)別準(zhǔn)確率，完成模型的推廣，開發(fā)出關(guān)于該模型的平臺(tái)，爭取更快地將其投入到玉米生產(chǎn)領(lǐng)域中，為我國農(nóng)業(yè)生產(chǎn)做出一份貢獻(xiàn)。

參考文獻(xiàn)：

[1] 章楷，李根蟠.玉米在我國糧食作物中地位的變化——兼論我國玉米生產(chǎn)的發(fā)展和人口增長的關(guān)系 [J].農(nóng)業(yè)考古，1983（2）：94-99.

[2] 王曉鳴，晉齊鳴，石潔，等.玉米病害發(fā)生現(xiàn)狀與推廣品種抗性對未來病害發(fā)展的影響 [J].植物病理學(xué)報(bào)，2006（1）：1-11.

[3] 劉翱宇，吳云志，朱小寧，等.基于深度殘差網(wǎng)絡(luò)的玉米病害識(shí)別 [J].江蘇農(nóng)業(yè)學(xué)報(bào)，2021，37（1）：67-74.

[4] 許景輝，邵明燁，王一琛，等.基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識(shí)別 [J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（2）：230-236+253.

[5] 顧博，鄧?yán)倮?，李巍，?基于GrabCut算法的玉米病害圖像識(shí)別方法研究 [J].中國農(nóng)機(jī)化學(xué)報(bào)，2019，40（11）：143-149.

[6] OSHIEA K，NASH R. An Introduction to Convolutional Neural Networks [J/OL].arXiv：1511.08458 [cs.NE].（2015-11-26）.https：//arxiv.org/abs/1511.08458.

作者簡介：吳淑琦（2001—），女，漢族，山東陽谷人，本科在讀，研究方向：模式識(shí)別。

收稿日期：2021-04-05