石洪康，肖文福，黃亮，胡叢武，胡光榮，張劍飛

(1.四川省農(nóng)業(yè)科學(xué)院蠶業(yè)研究所，四川南充，637000；2.西南大學(xué)家蠶基因組生物學(xué)國家重點實驗室，重慶市，400700)

0 引言

養(yǎng)蠶業(yè)是我國的傳統(tǒng)產(chǎn)業(yè)和優(yōu)勢產(chǎn)業(yè)，歷來都是我國農(nóng)業(yè)體系中重要的組成部分[1]。然而，在養(yǎng)蠶過程中，家蠶十分容易遭受病害侵襲，造成大量的損失，據(jù)統(tǒng)計每年因病害造成的蠶繭損失約占總產(chǎn)量的10%以上[2-3]，所以病害預(yù)防是養(yǎng)蠶過程中一項十分重要的工作?，F(xiàn)行的家蠶病害防治方法主要是在飼育季節(jié)，定期使用消毒液對蠶房和蠶具進(jìn)行嚴(yán)格消毒，并采用向蠶座中鋪撒石灰粉的方式抑制病原滋生，當(dāng)察覺到出現(xiàn)病害傳播時，人工將蠶病及時進(jìn)行無害化處理，起到人為預(yù)警和防治的作用[4]，具有一定的效果。但現(xiàn)行的病害防治方法只適用于傳統(tǒng)的手工養(yǎng)蠶，隨著我國養(yǎng)蠶業(yè)逐步轉(zhuǎn)向以機(jī)械飼育為主的規(guī)?；Ｊ絒5]，過度依賴消毒液和石灰粉會導(dǎo)致嚴(yán)重的環(huán)境問題，不利于產(chǎn)業(yè)的長遠(yuǎn)發(fā)展，并且采用機(jī)械飼育時，人工直接參與飼喂的時間較少，病害只有在傳播到一定范圍時才能被察覺，因此亟需開展針對規(guī)?；B(yǎng)蠶的病害防治新方法研究。

對農(nóng)作物病害圖像和健康圖像實現(xiàn)準(zhǔn)確識別，可有助于開展病害早期預(yù)警和精準(zhǔn)防治，一直是農(nóng)業(yè)信息化領(lǐng)域的研究重點。早期因受到數(shù)據(jù)集和計算機(jī)性能的限制，一般采用模式識別算法進(jìn)行研究[6-9]，取得了一定的效果，但存在人工特征篩選、識別速度慢、以及依賴的圖像數(shù)量少導(dǎo)致特征表達(dá)不夠全面等問題。近年來，隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，誕生了許多經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)算法，推動了圖像識別技術(shù)向著更加智能的方向發(fā)展。在農(nóng)業(yè)視覺領(lǐng)域，研究人員使用卷積神經(jīng)網(wǎng)絡(luò)廣泛地開展病害的識別研究，取得了顯著的效果[10-11]。

郭小清等[12]研究了番茄葉片病害的識別方法，采用改進(jìn)的Multi-Scale AlexNet算法進(jìn)行了識別試驗，結(jié)果表明，該方法對番茄葉部病害及每種病害早中晚期的平均識別準(zhǔn)確率達(dá)到92.7%。黃雙萍等[13]研究了稻瘟病的檢測方法，以1 467株田間樣本的高光譜圖像為識別對象，采用基于GoogLeNet的改進(jìn)算法進(jìn)行了識別試驗，最高識別準(zhǔn)確率為92.0%。Xing等[14]進(jìn)行了柑橘葉片病蟲害的識別研究，采用增加跨通道運算和特征重用的頻率來延伸網(wǎng)絡(luò)深度的方法，設(shè)計了一種弱連接的卷積神經(jīng)網(wǎng)絡(luò)(Weakly DenseNet-16)，試驗結(jié)果表明，該方法對柑橘葉片病蟲害的識別準(zhǔn)確率可達(dá)到93.42%。何欣等[15]研究了葡萄葉片病害識別方法，通過引入多尺度卷積核組合的方式改進(jìn)ResNet底層對不同尺度特征的響應(yīng)，設(shè)計了一種基于Multi-Scale ResNet的多尺度殘差神經(jīng)算法，試驗結(jié)果表明該方法8種葡萄病害葉片的平均識別率為90.83%。

綜上所示，卷積神經(jīng)網(wǎng)絡(luò)可對農(nóng)作物病害實現(xiàn)準(zhǔn)確高效的識別，結(jié)合家蠶患病后，會與健康家蠶表現(xiàn)出不同的視覺特征[2]，基于此，本文提出采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行家蠶病害的識別研究，為規(guī)?；B(yǎng)蠶模式下的病害防治研究提供參照。

1 材料與方法

1.1 家蠶品種選擇

家蠶在我國飼養(yǎng)廣泛，因氣候條件不同，各地的主要推廣的品種也不相同。然而不同的家蠶品種外表會有所差異，且同一品種在不同的生長階段下患同一疾病后也表現(xiàn)出不同的特征，為便于開展研究，結(jié)合生產(chǎn)實際中的推廣量和抗病能力，選擇我國西南蠶區(qū)的主推品種之一，芳·繡×白·春[16]為試驗對象，該家蠶品種的外觀主要呈白色，花紋較少，且對病害的抵抗能力較弱。并且根據(jù)家蠶病害通常在小蠶期染病和大蠶期發(fā)病的特點，以及病害樣本獲取的難易程度，選擇生長階段為大蠶期的家蠶開展識別試驗。

1.2 病蠶樣本獲取

卷積神經(jīng)網(wǎng)絡(luò)可自行進(jìn)行圖像特征提取，但對圖像的數(shù)量有一定的要求，數(shù)量較少時，難以提取到足夠的特征，無法確保形成可靠的識別能力[17]。此外，為使訓(xùn)練出的模型具有較強(qiáng)的應(yīng)用能力，最佳的方法是直接從實際養(yǎng)蠶中獲取病蠶樣本，但這種方法在實際環(huán)境中難以開展，因一旦出現(xiàn)病害滋生，就必須要對病蠶進(jìn)行無害化處理，防止病害的進(jìn)一步傳播。對此，為集中獲取充足的樣本用于構(gòu)建數(shù)據(jù)集，并保證圖像所屬病害種類的準(zhǔn)確性，采用飼養(yǎng)和感染病原的方法集中獲取病蠶樣本。

飼養(yǎng)方法是在相同的環(huán)境下，按照飼育規(guī)程將蠶卵孵化并飼養(yǎng)至3齡，再將其分為6組，每組數(shù)量約700只，其中5組用于病害樣本，1組用于健康樣本。感染病原的方法是用病原污染桑葉，如圖1所示，再進(jìn)行添食，家蠶食入后會造成感染，具體是在蠶病學(xué)專家的輔助下開展的，根據(jù)家蠶幾種病害的發(fā)病時間，并確保參與識別的家蠶處于相同的生長階段，將每種病原的使用劑量控制在從4齡第四天開始發(fā)病，因此在3齡第一天添食微粒子病原，4齡第一天添食膿病病原(NPV，血液型膿病)、白僵病原、4齡第三天進(jìn)行細(xì)菌病原添食。使用的農(nóng)藥名稱為敵殺死，其主要成分為溴氰菊酯，該農(nóng)藥主要用于農(nóng)作物害蟲防治，田間使用時會影響周邊的桑園，是造成家蠶農(nóng)藥中毒的主要原因。使用的劑量是在10 L水中加入4滴后浸泡桑葉，再將桑葉晾干后再進(jìn)行添食。用作獲取病害的樣本只感染一次病原，后續(xù)仍然按照飼育規(guī)程正常飼育。農(nóng)藥中毒組是在采集圖像前，取出部分家蠶進(jìn)行添食。

(a)病原涂抹桑葉

1.3 圖像采集

從4齡第四天開始采集圖像，每天均在蠶病學(xué)專家的指導(dǎo)下，僅對確診染病的家蠶采集圖像，且為避免交叉感染，所有采集過圖像的家蠶均不再進(jìn)行飼養(yǎng)，直接對其進(jìn)行無害化處理。

使用6個型號完全相同的智能手機(jī)為圖像采集裝置，品牌是iPhone 6s，具有1 200萬像素，采集環(huán)境為室內(nèi)自然光照，農(nóng)藥中毒組的家蠶在添食農(nóng)藥20 min后開始采集，其他家蠶的采集時間為每一天的13：00至17：00，以此確保家蠶的生長期基本相同。采集時，使用一個三腳架將采集裝置的位置固定，并使鏡頭豎直朝下，如圖2所示，將家蠶從蠶箔中取出放置在鏡頭下，保持正常姿態(tài)，使用桑葉為圖像背景，并在采集過程中頻繁更換桑葉。為確保尺寸縮放后，家蠶形狀不發(fā)生變化，將采集裝置的屏幕拍攝長寬比設(shè)置為1∶1，焦距設(shè)置為固定高度下屏幕能夠包含完整蠶體的距離。

圖2 圖像采集裝置

1.4 數(shù)據(jù)集構(gòu)建圖像編碼

采集裝置獲取的原始圖像尺寸為3 024像素×3 024 像素，該尺寸超出了一般卷積神經(jīng)網(wǎng)絡(luò)的輸入尺寸，采用雙線性插值法[18]將圖像尺寸縮放為224像素×224像素，除此之外未進(jìn)行任何的圖像預(yù)處理操作。每種類別的家蠶圖像尺寸縮放結(jié)果如圖3所示，并將相同類別的圖像放置在同一文件夾下，構(gòu)建了家蠶病害圖像數(shù)據(jù)集，圖像總數(shù)為3 600張，如表1所示。并采用隨機(jī)挑選圖像的方法，數(shù)量按照6∶2∶2的比例將數(shù)據(jù)集拆分成訓(xùn)練集、驗證集和測試集。

(a)白僵病

表1 家蠶病害圖像數(shù)據(jù)集

使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像運算前，需先對圖像類別進(jìn)行編碼。分類識別一般采用one-hot編碼，其向量格式為y=(c1,c2…cj)T，其中，j為圖像類別數(shù)量。編碼方法是將每個類別圖像在編碼向量中對應(yīng)元素的值設(shè)為1，其他元素值設(shè)為0。例如，假設(shè)白僵病圖像對應(yīng)在編碼向量中第一個元素值，則對于該類圖像，其類別編碼結(jié)果為y=(1,0,0,0,0,0)T，并且在卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果向量中，第一個元素值為圖像屬于白僵病類別的概率值。

本文對于訓(xùn)練集和驗證集中的圖像，直接使用深度學(xué)習(xí)開發(fā)工具Keras提供的ImageDataGenerator工具包從文件夾中自動讀取圖像類別并編碼。對于測試集的圖像，使用Python工具依次將圖像存儲在一個數(shù)組中，數(shù)組中單個元素為圖像的像素值組成的數(shù)組，再將每張圖像的類別標(biāo)簽對應(yīng)存儲在另一數(shù)組中。

1.5 殘差神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

殘差神經(jīng)網(wǎng)絡(luò)(ResNet)是由He等在2015設(shè)計的，并獲得了該年度的ILSVRC&COCO競賽的目標(biāo)檢測和定位任務(wù)的冠軍成績。ResNet的核心思想是將網(wǎng)絡(luò)靠前層的特征跨越連接到靠后層，如圖4所示，通過特征共享實現(xiàn)增加網(wǎng)絡(luò)深度的同時避免出現(xiàn)梯度消失或爆炸。因ResNet在特征提取上展現(xiàn)的優(yōu)異性能，使得后續(xù)出現(xiàn)的經(jīng)典網(wǎng)絡(luò)基本都借鑒了殘差連接的思想，如Inception-ResNet、DenseNet和YOLO v3。因此本文選擇殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行家蠶病害的分類識別研究，可以確保達(dá)到理想的識別結(jié)果。

圖4 殘差連接示意圖

根據(jù)訓(xùn)練參數(shù)量，ResNet又可分為多個版本，通常采用ResNet后跟參數(shù)層數(shù)字表示網(wǎng)絡(luò)的版本，例如ResNet-18、ResNet-50和ResNet-101等。其中，ResNet-50的應(yīng)用相對廣泛的版本，其整體結(jié)構(gòu)如圖5所示，主要由Convolutional塊和Identity塊構(gòu)成，其輸入為224像素×224像素的彩色圖像。

圖5中：“Conv”代表卷積層，“7×7 Conv，64，stride=2”代表該卷積層上使用64個尺寸為7×7的卷積核按步長為2進(jìn)行卷積運算；“3×3 MaxPool，stride=2”代表池化層上使用尺寸為3×3的池化核進(jìn)行最大值池化運算，“Identity block”后“×3”代表該結(jié)構(gòu)重復(fù)3次；AveragePooling代表全局平均值池化；“FC-6”代表全連接層，輸出類別個數(shù)為6。

圖5 ResNet-50網(wǎng)絡(luò)結(jié)構(gòu)示意圖

Convolutional塊和Identity塊的結(jié)構(gòu)如圖6所示，在Convolutional塊上的運算分為2組，第一運算是對特征圖使用尺寸為1×1，3×3和1×1的卷積核進(jìn)行3次卷積運算，另外一組運算是在殘差連接上，對特征圖使用尺寸為1×1的卷積核進(jìn)行卷積運算，并將2次運算的結(jié)果合并，激活后傳輸?shù)较乱粚?，“BN”代表批量歸一化，“ReLU”代表特征值激活，在Identity塊上，也將執(zhí)行與Convolutional塊上第一組相同的運算，并將結(jié)果直接輸入特征合并后傳遞至下一層。Convolutional塊上有2次1×1的卷積運算的步長為2，所以會使特征圖的維度降低，而Identity塊的特征圖輸入和輸出維度不發(fā)生變化，用于增加網(wǎng)絡(luò)深度。

圖6 Convolutional和Identity塊

包括ResNet在內(nèi)的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)都是利用COCO和VOC等大型數(shù)據(jù)集進(jìn)行設(shè)計訓(xùn)練的，而在這些數(shù)據(jù)集上圖像類別和數(shù)量都非常多，所以經(jīng)典神經(jīng)網(wǎng)絡(luò)的參數(shù)量多，網(wǎng)絡(luò)結(jié)構(gòu)龐大，應(yīng)用在自建微型數(shù)據(jù)集上必然會出現(xiàn)不必要的計算耗損，還可能出現(xiàn)過擬合，造成識別準(zhǔn)確率下降。對此，本文采用對ResNet-50進(jìn)行部分修改，減少訓(xùn)練的參數(shù)量，提升運算效率。

對ResNet-50修改后的結(jié)構(gòu)如圖7所示。

圖7 改進(jìn)的ResNet網(wǎng)絡(luò)

圖中“1×”等代表Identity block數(shù)量，“112×112×32”等代表該部分運算后的輸出維度。為便于表述，先將ResNet-50的4個Identity塊分別命名為Identity block A～D，將其數(shù)量分別減少為1、2、2、1個，將網(wǎng)絡(luò)所有卷積運算層上卷積核的數(shù)量減少為原來的1/2，將結(jié)構(gòu)縮減后的網(wǎng)絡(luò)命名為縮減的ResNet；其次在結(jié)構(gòu)縮減的基礎(chǔ)上，采用對Identity block C和Identity block D進(jìn)行特征融合的方法，來增強(qiáng)網(wǎng)絡(luò)的特征表達(dá)能力。具體為：對于任意輸入圖像，在經(jīng)過Identity block D的運算后，其輸出特征圖的維度為7×7×1 024，為進(jìn)行特征融合，采用256個尺寸為1×1的卷積核進(jìn)行卷積運算，特征圖的維度調(diào)整為7×7×256，然后對其進(jìn)行上采樣運算(UpSampling2D)，將其特征維度還原成14×14×256，再與Identity block C的輸出特征圖合并(Concatenate)運算，合并后的特征圖維度為14×14×768；最后對融合后的特征分別進(jìn)行一次Convolutional塊和Identity塊運算，特征圖的輸出維度變?yōu)?×7×512，并采用全局平均值池化和全連接運算后輸出預(yù)測結(jié)果，將結(jié)構(gòu)縮減和特征融合后的網(wǎng)絡(luò)命名為改進(jìn)的ResNet。

特征圖合并的原理如圖8所示，將維度為m×m×n的特征圖與m×m×k的特征圖進(jìn)行合并運算，合并后特征圖維度變?yōu)閙×m×(n+k)。

圖8 特征圖合并示意圖

2 結(jié)果與分析

2.1 試驗環(huán)境與方法

主要試驗的硬件環(huán)境為DELL Precision 5820工作站(設(shè)備一)，其處理器為Intel(R)Core i7-9800X，圖像顯卡為RTX2080 Ti，具備11 G內(nèi)存，計算平臺為Cuda-10.0。此外，部分試驗使用了Lenovo Legion Y7000筆記本電腦(設(shè)備二)，其處理器為Intel(R)Core i5-8300H，顯卡為GTX 1050Ti，具備4 G內(nèi)存。兩套設(shè)備的軟件環(huán)境相同，均是Windows 10專業(yè)版操作系統(tǒng)，編程語言為Python 3.7，深度學(xué)習(xí)框架為TensorFlow 1.14和Keras 2.2.5，編譯環(huán)境為Jupyter notebook。

試驗方法是先使用訓(xùn)練集和驗證集在設(shè)備一上進(jìn)行網(wǎng)絡(luò)訓(xùn)練，再使用測試集對網(wǎng)絡(luò)進(jìn)行測試，以測試集上的準(zhǔn)確率和測試集上的識別時間為試驗評價指標(biāo)，準(zhǔn)確率的計算公式如式(1)所示。

(1)

測試集上識別時間的計算方法是在測試前和識別結(jié)束后讀取當(dāng)前系統(tǒng)時間，再求兩個時間點的差獲得模型的檢測時間。

2.2 網(wǎng)絡(luò)訓(xùn)練與測試

對本文改進(jìn)的ResNet網(wǎng)絡(luò)訓(xùn)練使用的超參數(shù)分別是，初始學(xué)習(xí)率為0.001，在訓(xùn)練過程中，以訓(xùn)練集損失值為參照，當(dāng)該值連續(xù)5次迭代而未出現(xiàn)明顯下降時，就將學(xué)習(xí)率乘以0.8，batch_size為16，損失函數(shù)為交叉熵，優(yōu)化器為Adam，迭代次數(shù)為200次。記錄網(wǎng)絡(luò)在訓(xùn)練集和測試集上的準(zhǔn)確率與損失值，用于評價網(wǎng)絡(luò)的訓(xùn)練效果，如圖9所示。

(a)準(zhǔn)確率

從網(wǎng)絡(luò)在訓(xùn)練集和驗證集上的準(zhǔn)確率與損失值的變化過程可以得出，在本研究的試驗環(huán)境下，改進(jìn)的ResNet在約經(jīng)過75次迭代就處于穩(wěn)定狀態(tài)，并且在訓(xùn)練集和驗證集上的準(zhǔn)確率都在95%以上，訓(xùn)練效果較為理想。

網(wǎng)絡(luò)訓(xùn)練結(jié)束后，使用測試集上對其進(jìn)行測試，將識別結(jié)果的混淆矩陣輸出，結(jié)果表2所示。

表2 測試集家蠶病害圖像識別統(tǒng)計結(jié)果的混淆矩陣

在混淆矩陣中，主對角線上的數(shù)值表示網(wǎng)絡(luò)正確識別的圖像數(shù)量，其他位置則是誤識別的數(shù)量，從中可以得出，發(fā)生誤識別較多的是，將7張農(nóng)藥中毒圖像誤識別成健康家蠶圖像，將11張健康圖像誤識別為農(nóng)藥中毒圖像，將4張微粒子病圖像識別成細(xì)菌病圖像，將6張細(xì)菌病圖像識別成微粒子病圖像。最終使用式(1)求得網(wǎng)絡(luò)在測試集上的識別準(zhǔn)確率為94.31%。

查看測試集中所有誤識別的圖像后，分析造成部分健康家蠶與農(nóng)藥中毒蠶出現(xiàn)混淆識別的原因可能在于，部分家蠶在輕量的農(nóng)藥中毒后，身體呈現(xiàn)臥伏狀，與健康的家蠶特征非常類似，且部分健康家蠶在進(jìn)行圖像采集，受到人為刺激，蠶體蜷縮后，與農(nóng)藥中毒特征相似。此外，部分家蠶在感染微粒子病和細(xì)菌病后，未能夠準(zhǔn)時休眠和蛻皮，呈現(xiàn)出半蛻皮狀態(tài)，在外觀上非常相似，容易造成誤識別。

2.3 與ResNet-50的對比試驗

為驗證改進(jìn)后的ResNet算法對家蠶病害圖像的識別性能，本節(jié)使用標(biāo)準(zhǔn)的ResNet-50和經(jīng)過結(jié)構(gòu)縮減的ResNet網(wǎng)絡(luò)在相同的環(huán)境下進(jìn)行家蠶病害的識別試驗，即使用2.2節(jié)中的超參數(shù)在設(shè)備一上進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并分別在設(shè)備一和設(shè)備二上進(jìn)行測試，記錄各個網(wǎng)絡(luò)的單次迭代時間、在測試集上識別準(zhǔn)確率和測試時間等，結(jié)果如表3所示。

表3 3種網(wǎng)絡(luò)的結(jié)果對比結(jié)果

從對比結(jié)果可得，在對標(biāo)準(zhǔn)的ResNet-50網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)縮減后，會使網(wǎng)絡(luò)的參數(shù)量和權(quán)重文件的大小大幅減少，也會使網(wǎng)絡(luò)在訓(xùn)練集和測試集上的準(zhǔn)確率降低，但對網(wǎng)絡(luò)的單次迭代時間卻無明顯改變。在縮減網(wǎng)絡(luò)的基礎(chǔ)上，通過對不同維度的特征進(jìn)行融合的方法，可以在參數(shù)量和權(quán)重大小大幅降低的情況下，保持與標(biāo)準(zhǔn)的ResNet-50網(wǎng)絡(luò)相當(dāng)?shù)臏y試準(zhǔn)確率，在對測試集的識別效率也大幅提升，尤其是將訓(xùn)練出的模型從專業(yè)圖像設(shè)備(設(shè)備一)移植到普通設(shè)備(設(shè)備二)時，改進(jìn)的ResNet網(wǎng)絡(luò)的測試耗時僅為標(biāo)準(zhǔn)ResNet-50的1/3左右，表現(xiàn)出了非常明顯的優(yōu)勢。此外，分析3種網(wǎng)絡(luò)的單次迭代時間和測試集的檢測耗時上的出現(xiàn)的差異，即對ResNet-50的結(jié)構(gòu)縮減后，對單次迭代時間無明顯改變，但在測試集上的檢測時間卻大幅度降低，鑒于在測試集上測試時，卷積神經(jīng)網(wǎng)絡(luò)只進(jìn)行了前向傳播，殘差神經(jīng)網(wǎng)絡(luò)主要是進(jìn)行圖像卷積運算，而單次迭代同時包含一次前向傳播和反向傳播，可以得出結(jié)論是，卷積神經(jīng)網(wǎng)絡(luò)的反向傳播，包括計算損失值、計算損失函數(shù)對各個參數(shù)層的偏導(dǎo)數(shù)、參數(shù)更新等會耗費主要的迭代時間。

3 結(jié)論

針對現(xiàn)有的病害防治方法無法滿足規(guī)?；B(yǎng)蠶需求的問題，本文使用卷積神經(jīng)網(wǎng)絡(luò)對家蠶常見病害圖像的進(jìn)行了識別研究。

主要內(nèi)容包括：首先采用實際飼喂和感染病原的方法集中獲取了家蠶品種芳·繡×白·春在大蠶期部分生長階段的病害樣本和健康樣本，病害種類包含白僵病、農(nóng)藥中毒、膿病、微粒子病、細(xì)菌??；其次在實際環(huán)境下進(jìn)行了圖像采集，構(gòu)建了家蠶病害圖像數(shù)據(jù)集，總數(shù)達(dá)到3 600張；然后采用特征融合和結(jié)構(gòu)縮減的方法對ResNet-50網(wǎng)絡(luò)進(jìn)行了部分修改，以減少直接使用該方法時的計算耗損；最后進(jìn)行了家蠶病害的識別試驗，結(jié)果表明，使用ResNet-50網(wǎng)絡(luò)進(jìn)行家蠶病害的識別時，在測試集上的準(zhǔn)確率可達(dá)到94.72%；使用縮減的ResNet網(wǎng)絡(luò)在測試集上的識別準(zhǔn)確率為93.15%，且網(wǎng)絡(luò)的訓(xùn)練參數(shù)量約為原來的1/6；使用結(jié)構(gòu)縮減和特征融合對ResNet-50進(jìn)行改進(jìn)的方法，設(shè)計的改進(jìn)的ResNet網(wǎng)絡(luò)在測試集上的準(zhǔn)確率可為94.31%，與ResNet-50的準(zhǔn)確率相當(dāng)，但網(wǎng)絡(luò)訓(xùn)練參數(shù)量僅為原來的1/3，能夠同時兼顧識別準(zhǔn)確率和運算效率，更有利于網(wǎng)絡(luò)的訓(xùn)練與部署。

本文研究表明了卷積神經(jīng)網(wǎng)絡(luò)可實現(xiàn)對家蠶病害圖像的高效準(zhǔn)確識別，但仍然存在一些不足之處，最主要的是數(shù)據(jù)集的構(gòu)建上，首先是在固定的場景下進(jìn)行的圖像采集，不能保證訓(xùn)練的模型對其他的采集設(shè)備或在其他環(huán)境下采集的圖像形成良好的識別能力。其次是只采集了部分生長階段的圖像，然而數(shù)據(jù)多樣性還有待提升，因此還需重復(fù)樣本獲取試驗，以獲得不同生長階段下的病蠶樣本。最后是每張圖像中僅包含了一個家蠶的圖像，但在實際養(yǎng)蠶環(huán)境下，出現(xiàn)病害傳播時，往往是健康家蠶與患病家蠶共存，或是健康家蠶夾雜著患病家蠶，所以本文的圖像采集方法還需要進(jìn)一步改進(jìn)。

在后續(xù)的研究中，計劃進(jìn)一步增強(qiáng)數(shù)據(jù)集中圖像的多樣性，包含不同的家蠶品種、不同的生長階段以及不同的病變程度，并且將研究重點放在當(dāng)患病家蠶和健康家蠶混雜的情況下，利用卷積神經(jīng)網(wǎng)絡(luò)對病蠶進(jìn)行定位檢測，以及家蠶病變過程中早期識別與預(yù)警，這樣能夠更加有助于開發(fā)智能病害早期預(yù)警與精準(zhǔn)防治系統(tǒng)。