黃 平，閉呂慶，莫燕斌，覃斌毅，林 林，萬(wàn)海斌

(1.廣西大學(xué) 計(jì)算機(jī)與電子信息學(xué)院，廣西 南寧530004；2.玉林師范學(xué)院 物理與電信工程學(xué)院 智能信息與通信技術(shù)研究中心，廣西 玉林537006；3.廈門大學(xué) 電子科學(xué)與技術(shù)學(xué)院，福建 廈門361005；4.玉林市農(nóng)業(yè)科學(xué)研究所，廣西 玉林537006)

0 引言

柑橘是世界主要的大宗水果之一，在我國(guó)種植面甚廣，種植歷史已達(dá)4 000多年，柑橘良好的種植適宜度和經(jīng)濟(jì)價(jià)值，在廣西得到廣泛的種植[1]。柑橘的品質(zhì)不僅受氣候條件、環(huán)境條件、種植技術(shù)的影響，也深受病蟲害的影響[2]。柑橘的病蟲害尤以黃龍病、潛葉蛾和線蟲病等影響較大，嚴(yán)重時(shí)可導(dǎo)致整個(gè)柑橘片區(qū)絕收[3]。因此，對(duì)柑橘病蟲害快速、準(zhǔn)確地識(shí)別診斷，成為了當(dāng)前柑橘種植產(chǎn)業(yè)需要迫切解決的課題。目前，柑橘病蟲害的識(shí)別診斷方法主要有目測(cè)診斷法和病理特性檢測(cè)法2種。目測(cè)診斷法需要農(nóng)業(yè)技術(shù)人員的現(xiàn)場(chǎng)目測(cè)并做出診斷，由于存在檢測(cè)人員主觀性的差異，導(dǎo)致準(zhǔn)確率波動(dòng)較大，穩(wěn)定性不高。病理特性檢測(cè)法主要使用生物、物理、化學(xué)等檢測(cè)手段對(duì)病蟲害樣本進(jìn)行檢測(cè)分析，并以此給出結(jié)論[4-6]。此類方法準(zhǔn)確率較高，但依靠相關(guān)檢測(cè)設(shè)備和專業(yè)技術(shù)人員才能完成，檢測(cè)時(shí)間長(zhǎng)，難以大范圍推廣。

近年來(lái)，基于人工智能的圖像識(shí)別技術(shù)得到了快速發(fā)展，相關(guān)產(chǎn)業(yè)研究人員利用圖像處理和機(jī)器學(xué)習(xí)相結(jié)合的方式實(shí)現(xiàn)了對(duì)玉米[7]、水稻[8]、小麥[9]、煙草[10]、水蜜桃[11]和柑橘[12]等農(nóng)作物病蟲害圖像的識(shí)別。此類方法通常先使用圖像分割算法對(duì)農(nóng)作物病蟲害葉片圖像的病斑進(jìn)行分割，然后提取病斑的區(qū)域形狀特征及紋理特征[13]，再采用反向傳播(BP)網(wǎng)絡(luò)[14]、支持向量機(jī)(SVM)分類[15]和K均值聚類(K-mean)[16]等算法對(duì)病斑特征進(jìn)行識(shí)別和分類。由于對(duì)圖像特征提取的模式易受人為主觀因素的影響，使得識(shí)別模型通用性較差，識(shí)別精度較低。與此相比，以深度學(xué)習(xí)為標(biāo)志的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network ，CNN)分類模型是以原始數(shù)據(jù)為輸入，以分類任務(wù)為輸出，自動(dòng)抽取任務(wù)所需的特征，無(wú)需人為設(shè)定，避免了人為因素對(duì)模型分類性能的影響[17]。因此，許多研究人員把AlexNet[18]，GoogleNet[19]，VGGNet[20]，ResNet[21]等經(jīng)典模型應(yīng)用于農(nóng)作物病蟲害圖像識(shí)別[22-23]，比傳統(tǒng)機(jī)器學(xué)習(xí)的方法取得了更好的識(shí)別效果。但此類模型需在大型數(shù)據(jù)集和高計(jì)算資源支持下，才能取得較好的圖像分類效果。

農(nóng)作物病蟲害圖像數(shù)據(jù)集由于受到多種因素的影響，往往存在樣本數(shù)量不足、不平衡的問題。為此，可通過數(shù)據(jù)合成[24]、數(shù)據(jù)增強(qiáng)[25]等方法在數(shù)據(jù)層面上對(duì)數(shù)據(jù)集進(jìn)行改善，也可通過遷移學(xué)習(xí)的方法[26]，以解決由于樣本數(shù)據(jù)不足而導(dǎo)致模型識(shí)別精度低的問題。例如，劉洋等[27]使用輕量化MobileNet模型通過遷移學(xué)習(xí)的方式，對(duì)6種葡萄病害數(shù)據(jù)集進(jìn)行識(shí)別，其平均準(zhǔn)確率為87.5%。文獻(xiàn)[28]在VGG-16模型基礎(chǔ)上，通過遷移學(xué)習(xí)，對(duì)玉米大斑病葉、銹病葉病害圖像平均識(shí)別精度達(dá)到了95.33%。針對(duì)單一農(nóng)作物種類病蟲害識(shí)別模型存在一定局限性，王東方等[29]基于遷移學(xué)習(xí)針對(duì)深度殘差網(wǎng)絡(luò)SE-ResNeXt-101模型進(jìn)行改進(jìn)，使其適應(yīng)多種農(nóng)作物病蟲害類型的檢測(cè)，對(duì)不同種類農(nóng)作物的不同病蟲害分類平均準(zhǔn)確率達(dá)到了98%。

目前，在柑橘病蟲害圖像數(shù)據(jù)不均衡、小樣本、特征演變(黃龍病不同病害階段的特征差異較大)、特征不明顯、多類別的情況下僅使用單一模型進(jìn)行識(shí)別不能取得較好的識(shí)別效果[30]。因此，本文針對(duì)柑橘(廣西容縣沙田柚)病害特征相似度較高的黃龍病、潛葉蛾和線蟲病等，設(shè)計(jì)了一種新的VGG19-INC組合模型，該模型使用VGG19骨干網(wǎng)絡(luò)作為基本特征提取器，獲得柑橘病蟲害圖像的基本紋理、輪廓、病害局部區(qū)域特征，在此基礎(chǔ)上添加Inception高維特征融合模塊，實(shí)現(xiàn)了對(duì)柑橘病害細(xì)粒度特征的進(jìn)一步提取，2種卷積模塊組合的方式對(duì)病害高度相似、特征較為細(xì)微的柑橘病蟲害圖像的特征提取更為有效，分類效果更好，使新模型具有較高的識(shí)別精度，具備較強(qiáng)的泛化能力。

1 改進(jìn)的CNN柑橘病蟲害檢測(cè)模型

1.1 VGG19-INC網(wǎng)絡(luò)模型

VGG19是由牛津大學(xué)和谷歌公司的研究人員開發(fā)的一種經(jīng)典CNN[20]。它采用級(jí)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)，由16個(gè)卷積層和3個(gè)全連接層組成；每個(gè)卷積層使用3×3卷積核，在卷積層之間有共5個(gè)最大池化層；網(wǎng)絡(luò)的最后一層是Softmax分類器。其結(jié)構(gòu)如圖1所示。

圖1 VGG19模型結(jié)構(gòu)Fig.1 Structure of VGG19 model

由于VGG19模型使用固定的3×3卷積核，感受野固定，容易忽略某些細(xì)微特征，對(duì)細(xì)粒度特征的提取不足。因此，在利用該模型對(duì)相似度較高的柑橘黃龍病早期、線蟲病害圖像、健康葉片進(jìn)行識(shí)別分類時(shí)識(shí)別率較低。此外，VGG19模型使用了3個(gè)全連接層，參數(shù)量達(dá)到了143 MB，使得其對(duì)計(jì)算資源的需求較大，模型訓(xùn)練慢，不利于部署在移動(dòng)端。

針對(duì)上述問題，本文提出的VGG19-INC模型保留了VGG19模型的前4個(gè)卷積層和池化層，并使用1個(gè)的批標(biāo)準(zhǔn)化(Batch Normalization，BN)卷積層和2個(gè)Inception模塊替換VGG19的第5卷積層；使用1個(gè)全局池化(Global Average Pooling，GAP)層替換VGG19模型的全連接層，最后使用一個(gè)1×4的Softmax層，實(shí)現(xiàn)對(duì)4種柑橘病蟲害圖像的分類。VGG19-INC的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。網(wǎng)絡(luò)模型中共有10個(gè)卷積層、4個(gè)池化層、1個(gè)BN卷積層、2個(gè)Inception層、1個(gè)GAP層和1個(gè)Softmax層。

圖2 VGG19-INC模型結(jié)構(gòu)Fig.2 Structure of VGG19-INC model

該模型由3部分組成：第1部分是預(yù)訓(xùn)練模塊，使用VGG19的預(yù)訓(xùn)練權(quán)重實(shí)現(xiàn)圖像輪廓、紋理等特征的提取；第2部分是高維特征提取模塊，通過Inception模塊的多特征融合特性，實(shí)現(xiàn)對(duì)病蟲害的高維特征融合；第3部分是特征矩陣降維和分類模塊，實(shí)現(xiàn)減少計(jì)算參數(shù)和分類的作用，其算法流程如圖3所示。

圖3 VGG19-INC模型算法流程Fig.3 Algorithm flow chart of VGG19-INC model

1.1.1 批歸一化處理

如圖2所示，VGG19-INC模型在VGG19骨干網(wǎng)絡(luò)和Inception模塊之間加入了一個(gè)BN卷積層，并在BN卷積層中使用Swish激活函數(shù)[32]代替Relu激活函數(shù)，以加快模型的收斂速度，提高模型的識(shí)別精度，減小過擬合。

1.1.2 Inception高維特征提取模塊

在VGG19-INC模型中，圖像高維特征的提取由Inception模塊來(lái)實(shí)現(xiàn)，它采用了1×1，3×3兩種不同的卷積核進(jìn)行堆疊，通過并行執(zhí)行多個(gè)卷積運(yùn)算，最后將各個(gè)卷積運(yùn)算輸出結(jié)果連接為一個(gè)高維的特征圖，因此獲得了更好的圖像表征，如圖4所示。與VGG19采用的3×3相卷積層比，Inception模塊增加了網(wǎng)絡(luò)的深度與寬度，提高了網(wǎng)絡(luò)對(duì)尺度的適應(yīng)性，因此獲得了不同大小的感受野。

圖4 Inception模塊結(jié)構(gòu)Fig.4 Structure of Inception module

1.1.3 全局池化層

(1)

圖5 特征矩陣降維流程Fig.5 Flow chart of feature matrix dimension reduction

1.2 遷移學(xué)習(xí)

在傳統(tǒng)的CNN圖像分類任務(wù)中，模型為了獲得較高的識(shí)別精度，必須有足夠多的訓(xùn)練樣本，同時(shí)訓(xùn)練樣本與測(cè)試樣本需滿足獨(dú)立同分布的條件[26]。但現(xiàn)實(shí)應(yīng)用中，很多場(chǎng)合難以滿足該條件，因此，將模型在源域數(shù)據(jù)集中學(xué)習(xí)到的知識(shí)應(yīng)用于目標(biāo)域的遷移學(xué)習(xí)方法，是解決由于樣本數(shù)據(jù)量少而導(dǎo)致網(wǎng)絡(luò)模型分類效果不佳問題的一種有效手段。鑒于此，本文也采用了遷移學(xué)習(xí)與CNN相結(jié)合的方法實(shí)現(xiàn)柑橘病蟲害的識(shí)別。在此過程中，首先使用ImageNet圖像數(shù)據(jù)集對(duì)VGG19模型進(jìn)行預(yù)訓(xùn)練，獲得預(yù)訓(xùn)練權(quán)重等參數(shù)，然后凍結(jié)VGG19模型的前4個(gè)卷積層，并微調(diào)第5個(gè)卷積層和全連接層，最后使用柑橘病蟲害數(shù)據(jù)集進(jìn)行訓(xùn)練，以獲得泛化能力更強(qiáng)和識(shí)別精度高的柑橘病蟲害圖像識(shí)別模型。

1.3 柑橘病蟲害圖像識(shí)別流程

柑橘病蟲害圖像的鑒別流程如圖6所示，可分為4個(gè)過程：數(shù)據(jù)集的獲取與增強(qiáng)、VGG19模型預(yù)訓(xùn)練、VGG19-INC模型的組建、遷移訓(xùn)練與微調(diào)。試驗(yàn)過程首先開展病蟲害圖像樣本的采集和標(biāo)記，并使用圖像增強(qiáng)方法豐富數(shù)據(jù)集；接著使用ImageNet數(shù)據(jù)集對(duì)VGG19模型預(yù)訓(xùn)練，獲得預(yù)訓(xùn)練權(quán)重；再通過對(duì)VGG19模型結(jié)構(gòu)的微調(diào)獲得新模型；最后通過使用柑橘病蟲害數(shù)據(jù)進(jìn)行訓(xùn)練，把訓(xùn)練好的模型應(yīng)用于未知圖像的分類預(yù)測(cè)，最終得到柑橘病蟲害圖像識(shí)別的結(jié)果。

圖6 柑橘病蟲害圖像識(shí)別流程Fig.6 Image recognition flow chart of citrus pests and diseases

2 試驗(yàn)數(shù)據(jù)

2.1 PlantVillage公共數(shù)據(jù)集

PlantVillage公共數(shù)據(jù)集提供了16種植物，共27類病害葉片和11類健康葉片的圖像。由于該數(shù)據(jù)集分布不平衡，本文通過使用數(shù)據(jù)增強(qiáng)的方法，使每種類型圖片數(shù)量均為1 000張，總共34 200張圖片，并按8∶2的比例劃分訓(xùn)練集和測(cè)試集。實(shí)驗(yàn)驗(yàn)證時(shí)，選取其中的桃子斑點(diǎn)病、柑橘黃龍病、番茄黃曲葉病、南瓜白粉病和蘋果健康葉片圖像等5種類型各1 000張圖像作為訓(xùn)練與測(cè)試數(shù)據(jù)。病蟲害圖像示例樣本如圖7所示。

(a) 桃子斑點(diǎn)病

(b) 柑橘黃龍病

(c) 番茄黃曲葉病

(d) 南瓜白粉病

(e) 蘋果健康

2.2 柑橘病蟲害圖像數(shù)據(jù)

柑橘(沙田柚)病蟲害數(shù)據(jù)集來(lái)源于廣西壯族自治區(qū)玉林市農(nóng)業(yè)科學(xué)研究所，病蟲害圖像采集自玉林市容縣千秋村沙田柚種植基地，包含了黃龍病、潛葉蛾、線蟲和健康等3種柑橘常見病蟲害和健康葉片樣本。在光線充足條件下，使用尼康3100數(shù)碼相機(jī)拍攝，像素大小為2 992 pixel×2 000 pixel。圖像樣本示例如圖8所示。

(a) 潛葉蛾

(b) 黃龍病早期

(c) 線蟲

(d) 健康

2.3 圖像數(shù)據(jù)增強(qiáng)與預(yù)處理

由于樣本數(shù)量不足且不均衡，本文采取了水平、垂直翻轉(zhuǎn)、隨機(jī)水平和垂直平移等數(shù)據(jù)增強(qiáng)技術(shù)對(duì)每種樣本進(jìn)行了擴(kuò)充，并隨機(jī)選取其中的500張作為實(shí)驗(yàn)數(shù)據(jù)集；按8∶2的比例劃分為訓(xùn)練集與測(cè)試集，然后分別用1，2，3，4對(duì)應(yīng)健康、黃龍病、潛葉蛾、線蟲4種類別進(jìn)行了標(biāo)注。

圖像預(yù)處理可采取濾波、均衡化等方法對(duì)圖像進(jìn)行處理，以消除圖像噪聲，恢復(fù)真實(shí)信息，增強(qiáng)可檢測(cè)性。但由于本文所采集的圖像樣本均是在環(huán)境條件良好的情況下拍攝所得，圖像已具備了較高質(zhì)量，因此為了最大限度地保持原始病癥特征，未對(duì)圖像進(jìn)行過多處理，僅是將其大小裁剪為VGG19-INC網(wǎng)絡(luò)模型所需的224 pixel×224 pixel。

3 模型訓(xùn)練

3.1 試驗(yàn)平臺(tái)和試驗(yàn)參數(shù)設(shè)置

試驗(yàn)使用TensorFlow框架完成訓(xùn)練和測(cè)試。硬件環(huán)境Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10 GHz CPU，64 GB內(nèi)存和NVIDIA GeForce GXT 1080 Ti GPU，12 GB顯存。軟件環(huán)境CUDA Toolkit 10.2，CUDDN V7.6；Python3.7.6和TensorFlow-GPU2.2；Windows10 64 bit 操作系統(tǒng)。

試驗(yàn)使用Inception v3，VGG19，Resnet50，Densenet201模型與VGG19-INC模型對(duì)柑橘病蟲害圖像數(shù)據(jù)集和PlantVillage部分?jǐn)?shù)據(jù)集進(jìn)行遷移學(xué)習(xí)訓(xùn)練。訓(xùn)練的參數(shù)均使用隨機(jī)梯度下降(Stochastic Gradient Descent，SGD)優(yōu)化方法；SGD算法中動(dòng)量因子設(shè)置為0.8；學(xué)習(xí)率為0.000 1；學(xué)習(xí)速率的衰減系數(shù)為10-6；batch size設(shè)置為24；進(jìn)行100輪次的訓(xùn)練。

3.2 模型評(píng)價(jià)指標(biāo)

試驗(yàn)使用準(zhǔn)確率(Accuracy)、精確率(Prencision)、召回率(Recall)、F1得分(F1 score)來(lái)評(píng)價(jià)模型指標(biāo)：

Accuracy=(TP+TN)/(TP+TN+FP+FN)，

(2)

Prencision=TP/(TP+FP)，

(3)

Recall=TP/(TP+FN)，

(4)

F1=2×Precision×Recall/(Precision+Recall)，

(5)

式中，TP是真實(shí)值為正且預(yù)測(cè)也為正的樣本數(shù)量；FP是真實(shí)值為負(fù)但預(yù)測(cè)為正的樣本數(shù)量；FN是真實(shí)值為正但預(yù)測(cè)為負(fù)的樣本數(shù)量；TN是真實(shí)值為負(fù)且預(yù)測(cè)也為負(fù)的樣本數(shù)量。

4 結(jié)果與分析

4.1 PlantVillage公共數(shù)據(jù)集測(cè)試結(jié)果與分析

對(duì)PlantVillage公共數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí)訓(xùn)練，經(jīng)過100輪次訓(xùn)練后，各模型的準(zhǔn)確率、損失函數(shù)曲線如圖9所示。

(a) 準(zhǔn)確率曲線

(b) 損失函數(shù)曲線圖9 各模型的準(zhǔn)確率曲線、損失函數(shù)曲線Fig.9 Accuracy curve and loss function curve of each model

由圖9可以看出，在PlantVillage數(shù)據(jù)集數(shù)據(jù)充足條件下，經(jīng)過70輪次訓(xùn)練后，各模型的訓(xùn)練和驗(yàn)證準(zhǔn)確率曲線震蕩變小并趨于平緩，說(shuō)明遷移學(xué)習(xí)的方法可以加速各模型訓(xùn)練的過程。在經(jīng)過100輪次的訓(xùn)練后，VGG19-INC模型在訓(xùn)練集和驗(yàn)證集上準(zhǔn)確率分別為97.97%和94.03%，損失值分別為0.017 9和0.188，表現(xiàn)優(yōu)于其他模型。

使用VGG19-INC模型對(duì)桃子斑點(diǎn)病、柑橘黃龍病、番茄黃曲葉病、南瓜白粉病和蘋果健康葉片圖像5種類型圖片各100張測(cè)試的評(píng)價(jià)結(jié)果如表1所示。

表1 VGG19-INC模型檢測(cè)結(jié)果評(píng)價(jià)指標(biāo)

由表1可以看出，VGG19-INC模型對(duì)5種類型植物病蟲害的圖像識(shí)別的準(zhǔn)確率的平均值為98.00%，精確率的平均值為95.10%，召回率的平均值為95.00%，F(xiàn)1得分平均值為95.00%。5種類型圖像的評(píng)價(jià)指標(biāo)都比較均勻，模型表現(xiàn)良好。

4.2 柑橘病蟲害數(shù)據(jù)集測(cè)試結(jié)果與分析

對(duì)柑橘病蟲害數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí)訓(xùn)練，經(jīng)過100批次訓(xùn)練后，各個(gè)模型的訓(xùn)練準(zhǔn)確率、損失函數(shù)曲線如圖10所示，模型的性能檢測(cè)結(jié)果如表2所示。

(a) 準(zhǔn)確率曲線

(b) 損失函數(shù)曲線

表2 100輪次后各個(gè)模型性能及檢測(cè)結(jié)果

由圖10和表2可以看出，在柑橘病蟲害數(shù)據(jù)集規(guī)模較小、病害圖像較為相似的條件下，經(jīng)過100輪次訓(xùn)練，VGG19-INC模型取得了較高的準(zhǔn)確率和較低的損失值；在訓(xùn)練集和驗(yàn)證集上，準(zhǔn)確率分別為99.05%和98.47%。在訓(xùn)練集上比VGG19，Resnet50，Inceptionv3，Densenet201模型分別高22.26%，14.47%，5.18%和0.24%,在驗(yàn)集上分別高22.36%，7.92%，10.84%，0.55%。同時(shí)，VGG19-INC模型損失函數(shù)值為0.041 5，比其他模型分別低1.108 5，0.217 2，0.398 7，0.065 4，分類效果優(yōu)于其他模型。

在模型的損失和準(zhǔn)確率收斂方面，VGG19-INC模型收斂最快，在第20輪次迭代左右趨于收斂，相對(duì)于其他模型，VGG19-INC模型可在最短時(shí)間內(nèi)訓(xùn)練出最優(yōu)的模型；而收斂速度最慢、準(zhǔn)確率最低、損失值最高的是VGG19模型，其訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率曲線在80輪次內(nèi)還存在上下波動(dòng)的情況，這是由于VGG19模型使用固定3×3卷積核，使得感受野固定，對(duì)部分細(xì)微差異的柑橘病蟲害圖像特征的提取效果不明顯，導(dǎo)致了模型識(shí)別準(zhǔn)確率較低，收斂速度慢。Resnet50，Inceptionv3，Densenet201模型在訓(xùn)練過程中比較平穩(wěn)，經(jīng)過80輪次訓(xùn)練后各模型的訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率曲線趨于平緩，差值固定也較小，模型逐漸趨于收斂。

此外，通過表2可以看出，在這5種模型中，VGG19模型的參數(shù)數(shù)量和權(quán)重占用空間最大，平均測(cè)試時(shí)間最長(zhǎng)，平均準(zhǔn)確率為77.91%。Densenet201模型參數(shù)和權(quán)重占用空間最小，平均準(zhǔn)確率為81.38%，平均測(cè)試時(shí)間為0.32 s，可以取得空間和平均準(zhǔn)確率的平衡。VGG19-INC模型平均準(zhǔn)確率最高，為95.25%，分類性能最好。這是由于VGG19-INC使用全局平均池化層代替了VGG19的全連接層，比VGG19模型中的1.42×108個(gè)權(quán)重參數(shù)減少到了4.18×107個(gè)，參數(shù)減少率達(dá)到了70.56%，有效地提高了模型的訓(xùn)練速度與平均測(cè)試速度，同時(shí)把模型的權(quán)重減小為163 MB，有利于模型在移動(dòng)端的部署。

圖11為各模型的分類試驗(yàn)的混淆矩陣，為了測(cè)試模型的泛化能力，本文把VGG19-INC模型與在訓(xùn)練集和驗(yàn)證集表現(xiàn)較好的Densenet201模型做了對(duì)比，這2種模型的準(zhǔn)確率、精確率、召回率和F1得分如表3所示。

(a) VGG19分類混淆矩陣

(b) Resnet50分類混淆矩陣

(c) Inceptionv3分類混淆矩陣

(d) Densenet201分類混淆矩陣

(e) VGG19-INC分類混淆矩陣

由圖11和表3可以看出，Densenet201模型精確率為45.10%～100%，平均值為75.18%；F1得分為56.64%～67.54%，平均值為63.21%；準(zhǔn)確率為69.75%～86.75%，平均值為81.38%；召回率為49.00%～97.00%，平均值為62.75%。各項(xiàng)評(píng)價(jià)指標(biāo)分布不均勻，差值較大，平均值偏低。VGG19-INC模型的精確率為83.62%～95.34%，平均值為90.98%；F1得分為88.17%～93.65%，平均值為90.45%；準(zhǔn)確率為94.50%～96.75%，平均值為95.25%；召回率為82.00%～97.00%，平均值為90.5%。各項(xiàng)評(píng)價(jià)指標(biāo)分布均勻，平均值均在90%以上，說(shuō)明經(jīng)過結(jié)構(gòu)改進(jìn)的模型優(yōu)于Densenet201模型，并具備良好的分類性能。

表3 VGG19-INC、Densenet201模型檢測(cè)結(jié)果評(píng)價(jià)指標(biāo)

4.2 Swish與Relu激活函數(shù)比較

本文使用帶有Swish激活函數(shù)的BN層來(lái)提高模型的訓(xùn)練精度，經(jīng)過100輪訓(xùn)練后，使用Swish激活函數(shù)的模型比使用Relu激活函數(shù)的訓(xùn)練精度提高0.85%，驗(yàn)證精度提高0.55%，訓(xùn)練損失降低0.019 6，如表4所示。

表4 以Swish和Relu為激活函數(shù)的模型精度和損失率

5 結(jié)束語(yǔ)

針對(duì)柑橘病蟲害的傳統(tǒng)識(shí)別方法在特征提取方面存在效率不高的問題,本文利用改進(jìn)型的VGG19-INC模型和多種深度CNN模型對(duì)柑橘病蟲害圖像進(jìn)行了分類識(shí)別試驗(yàn)，通過對(duì)比分析，得到如下結(jié)論：

① 深度CNN可以較好地自動(dòng)提取柑橘病蟲害特征，無(wú)需人工對(duì)柑橘病蟲害圖像特征進(jìn)行分割，分類性能總體上良好。

② 遷移學(xué)習(xí)可以充分利用在大型數(shù)據(jù)集上學(xué)習(xí)的知識(shí)，加快模型的訓(xùn)練速度，節(jié)省訓(xùn)練時(shí)間，提高訓(xùn)練精度，解決由于數(shù)據(jù)集規(guī)模過小導(dǎo)致模型分類效果差的問題。

③ 對(duì)于柑橘病害圖像細(xì)粒度分類任務(wù)，通過對(duì)傳統(tǒng)模型的調(diào)整和組合，設(shè)計(jì)的VGG19-INC模型平均準(zhǔn)確率達(dá)95.25%，優(yōu)于Inception V3，VGG19，Resnet50，Densenet201等模型。同時(shí)新模型減少了權(quán)重參數(shù)數(shù)量，使權(quán)重空間占用變小，提高了模型訓(xùn)練速度，減少了單幅圖像平均檢測(cè)時(shí)間，說(shuō)明通過組合不同CNN模型可以進(jìn)一步優(yōu)化特征提取方法，提高特征提取能力和模型泛化能力，以應(yīng)對(duì)不同場(chǎng)景的圖像識(shí)別要求。

④ 雖然VGG19-INC模型對(duì)柑橘病蟲害圖像識(shí)別的平均準(zhǔn)確率較高，但通過圖10可以看出模型在識(shí)別黃龍病、線蟲病這2種病害圖像時(shí)仍有13張和18張圖像被錯(cuò)誤識(shí)別為其他類型圖像。導(dǎo)致模型識(shí)別錯(cuò)誤的重要原因之一是柑橘病蟲害訓(xùn)練數(shù)據(jù)的不足，因此，增加病蟲害圖像數(shù)據(jù)的收集量，仍是未來(lái)需要持續(xù)加強(qiáng)的工作。

⑤ 本文模型的運(yùn)行和部署在計(jì)算機(jī)硬件配置和實(shí)驗(yàn)環(huán)境較好的條件下進(jìn)行，但由于柑橘各類病蟲害發(fā)生時(shí)間、地域不同，需要對(duì)病蟲害及時(shí)發(fā)現(xiàn)并處置，因此需要把模型部署在移動(dòng)端，可通過知識(shí)蒸餾的方法，進(jìn)一步縮小模型的訓(xùn)練權(quán)重使得模型更容易部署在移動(dòng)端。