趙小虎，李 曉，葉 圣，李 曉，馮 偉，尤星懿

1.礦山互聯(lián)網(wǎng)應(yīng)用技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室（中國(guó)礦業(yè)大學(xué)），江蘇 徐州 221008 2.中國(guó)礦業(yè)大學(xué) 信息與控制工程學(xué)院，江蘇 徐州 221008

為實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)智能化、現(xiàn)代化，很多學(xué)者將圖像分割技術(shù)應(yīng)用于農(nóng)業(yè)領(lǐng)域，實(shí)時(shí)分割病害并進(jìn)行識(shí)別，減少人工成本，實(shí)現(xiàn)病害的診斷和防治[1]。大多數(shù)農(nóng)作物的病變最初是從葉部開(kāi)始蔓延，因此分析葉部病斑是及時(shí)防治病害的有效措施之一。

近年來(lái)針對(duì)農(nóng)作物病斑分割技術(shù)層出不窮，主要有基于傳統(tǒng)方法和基于深度學(xué)習(xí)方法的分割。傳統(tǒng)的語(yǔ)義分割方法包括基于圖像紋理、色彩、幾何形狀和空間位置等信息對(duì)目標(biāo)進(jìn)行分割，并將其分割為互不相交的區(qū)域，且每一區(qū)域具有相同的語(yǔ)義像素信息。傳統(tǒng)語(yǔ)義分割方法可分為基于閾值的分割、基于聚類(lèi)的分割、基于邊緣的分割和基于區(qū)域的分割等方法。張武等[2]針對(duì)小麥條銹病等提出將K-means聚類(lèi)分割和Otsu算法結(jié)合的方式，逐步分割小麥的病害。Ma等[3]提出一種使用綜合顏色特征方法對(duì)蔬菜病害葉斑分割，實(shí)現(xiàn)病斑和噪聲背景的強(qiáng)識(shí)別。孫俊等[4]改進(jìn)Otsu算法，利用粒子群優(yōu)化算法尋找最優(yōu)閾值并用于生菜葉片分割。王昌龍等[5]基于K-means聚類(lèi)與LBP（local binary pattern）特征相結(jié)合實(shí)現(xiàn)南瓜葉片病害的識(shí)別，并滿(mǎn)足了精準(zhǔn)施藥的要求。Wang等[6]提出一種基于K-means聚類(lèi)的農(nóng)作物病害圖像自適應(yīng)分割方法，通過(guò)自適應(yīng)學(xué)習(xí)初始聚類(lèi)中心，將每?jī)蓚€(gè)聚類(lèi)間的距離作為聚類(lèi)分割結(jié)果的效果。但是傳統(tǒng)圖像分割方法需要有針對(duì)性的預(yù)處理以及大量人工標(biāo)注數(shù)據(jù)集，成本高，耗時(shí)長(zhǎng)，因而網(wǎng)絡(luò)的靈活性不高，應(yīng)用范圍有所限制。

隨著深度學(xué)習(xí)的出現(xiàn)，圖像分割技術(shù)突破傳統(tǒng)模式得到飛速發(fā)展。憑借深度神經(jīng)網(wǎng)絡(luò)較強(qiáng)的學(xué)習(xí)能力和自我訓(xùn)練能力，多角度獲取圖像信息，對(duì)病害預(yù)測(cè)、防治起到十分積極的作用。2015年Ronneberger等在FCN（fully convolutional networks）[7]基礎(chǔ)上提出了基于小數(shù)據(jù)集的網(wǎng)絡(luò)模型U-Net[8]，此網(wǎng)絡(luò)包括收縮和擴(kuò)展路徑[9]，通過(guò)跳躍連接將低層全局特征與高層語(yǔ)義信息結(jié)合，泛化性較強(qiáng)，實(shí)現(xiàn)了端到端的網(wǎng)絡(luò)結(jié)構(gòu)。隨后各種分割網(wǎng)絡(luò)迅速發(fā)展，不同程度地實(shí)現(xiàn)了空間上下文信息完整性和多尺度提取特征等目標(biāo)，提高模型的精度和分割速度。段凌鳳等[10]對(duì)子圖進(jìn)行基于改進(jìn)的SegNet網(wǎng)絡(luò)的分割操作，并將分割處理后的子圖拼接，實(shí)現(xiàn)稻穗和背景的二分類(lèi)，該網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，運(yùn)行速度快。方晨晨等[11]提出一種基于改進(jìn)深度殘差網(wǎng)絡(luò)的番茄病害圖像識(shí)別方法，引入深度可分離卷積方法降低模型參數(shù)?？椎路錥12]提出一種基于Inception-v3和遷移學(xué)習(xí)相結(jié)合的圖像分類(lèi)算法，實(shí)現(xiàn)將健康和患病番茄的分類(lèi)。Jiang等[13]提出一種基于深層卷積神經(jīng)網(wǎng)絡(luò)的模型，通過(guò)引入Inception結(jié)構(gòu)和Rainbow進(jìn)行串聯(lián)，實(shí)現(xiàn)蘋(píng)果葉片病害的檢測(cè)。王振等[14]使用了編-解碼結(jié)構(gòu)網(wǎng)絡(luò)進(jìn)行玉米病斑分割，編碼器部分通過(guò)改進(jìn)VGG-16網(wǎng)絡(luò)，結(jié)合池化索引，并在解碼階段由池化索引進(jìn)行上采樣，最終得到密集的特征圖。此法避免了傳統(tǒng)的人工特征提取，且比現(xiàn)有的分割網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單。張善文等[15]提出了由編碼-解碼器構(gòu)成的多尺度融合神經(jīng)網(wǎng)絡(luò)，創(chuàng)造性地在解碼階段使用九點(diǎn)雙線(xiàn)性插值算法對(duì)黃瓜特征圖進(jìn)行上采樣，該模型的MIoU達(dá)到91.36%。

綜上所述，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）方法對(duì)農(nóng)作物病害進(jìn)行病斑特征提取，利用反卷積、非線(xiàn)性插值或結(jié)合空洞卷積等方式進(jìn)行解碼，實(shí)現(xiàn)準(zhǔn)確分割農(nóng)作物病斑的目的。然而，以上方法針對(duì)真實(shí)田間農(nóng)作物的病斑分割易受復(fù)雜環(huán)境影響，分割邊緣模糊，特征提取效率低，難以實(shí)現(xiàn)實(shí)時(shí)分割病害的目的，并且當(dāng)數(shù)據(jù)集較少時(shí)，模型容易產(chǎn)生過(guò)擬合。為了解決以上問(wèn)題，本文基于U-Net網(wǎng)絡(luò)，分別在收縮和擴(kuò)展路徑引入多尺度特征提取，在解碼階段加入注意力機(jī)制（attention mechanism，AM），使模型更關(guān)注病斑區(qū)域。此外，將基于PlantVillage數(shù)據(jù)集[16-18]的改進(jìn)U-Net網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，增強(qiáng)模型特征提取能力，節(jié)省再訓(xùn)練田間番茄數(shù)據(jù)集的時(shí)間，加速模型收斂，提高特征提取的準(zhǔn)確度。

1 數(shù)據(jù)來(lái)源

本實(shí)驗(yàn)中番茄葉片病害圖像樣本來(lái)自某現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)示范園科技創(chuàng)新示范基地。由于番茄生長(zhǎng)環(huán)境復(fù)雜，環(huán)境背景、日照光線(xiàn)、拍攝設(shè)備等會(huì)對(duì)圖像拍攝效果產(chǎn)生影響，為降低模型敏感度，圖像采集時(shí)間分布在2019年4—6月，分別選擇清晨、中午、下午進(jìn)行采集，包含晴天、陰天情況下的番茄葉片圖像，反映了真實(shí)場(chǎng)景情況。本文共采集了番茄葉片50張，從采集圖像中截取有效區(qū)域圖像塊以減少?gòu)?fù)雜背景信息對(duì)圖像分割效果的影響，并將圖片統(tǒng)一處理為256×256分辨率的圖像。其次，使用labelme對(duì)示范基地的番茄葉片數(shù)據(jù)集進(jìn)行區(qū)域標(biāo)注，每張圖像含有兩個(gè)數(shù)據(jù)標(biāo)簽：1代表目標(biāo)，具體為番茄葉部病斑區(qū)域；0代表背景。標(biāo)注數(shù)據(jù)以json格式存儲(chǔ)，并使用labelme_json_to_dataset命令將數(shù)據(jù)標(biāo)簽轉(zhuǎn)換為二值化png圖，如圖1所示。

圖1 數(shù)據(jù)集標(biāo)注示例圖Fig.1 Dataset annotation example graph

由于本實(shí)驗(yàn)使用真實(shí)田間農(nóng)作物數(shù)據(jù)集，圖像數(shù)據(jù)匱乏，直接使用原始數(shù)據(jù)進(jìn)行訓(xùn)練容易使模型產(chǎn)生過(guò)擬合的問(wèn)題。因此，本文對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)處理。CVPR細(xì)粒度視覺(jué)分類(lèi)挑戰(zhàn)賽中使用隨機(jī)增強(qiáng)光照、翻轉(zhuǎn)等操作對(duì)原始數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，證明使用該類(lèi)方法以增強(qiáng)模型泛化能力的有效性。其次本實(shí)驗(yàn)采集的圖像易受光照等因素影響，而圖像具有平移翻轉(zhuǎn)不變性等特性，結(jié)合挑戰(zhàn)賽方法對(duì)原始數(shù)據(jù)集進(jìn)行隨機(jī)增強(qiáng)光照、平移、裁剪、翻轉(zhuǎn)操作，分別擴(kuò)增3、2、2、2倍，共計(jì)24倍，構(gòu)建番茄葉片病斑數(shù)據(jù)集（tomato leaf diseased dataset，TLDD），其中840張作為訓(xùn)練集，360張作為測(cè)試集。圖2為部分?jǐn)?shù)據(jù)增強(qiáng)圖像。

圖2 數(shù)據(jù)增強(qiáng)示意圖Fig.2 Data-enhanced image

為減少環(huán)境噪聲和計(jì)算復(fù)雜度，平滑圖像、去除椒鹽噪聲的同時(shí)保留圖像邊緣信息，對(duì)番茄葉片圖像進(jìn)行中值濾波降噪處理，如式（1）：

其中，x(i)為滑動(dòng)窗口中心的像素點(diǎn)值，med參數(shù)為該像素鄰域值，y(n)為中值濾波輸出值。實(shí)驗(yàn)表明，降噪處理后的圖像可提高圖像識(shí)別精度。

2 改進(jìn)U-Net模型

針對(duì)番茄農(nóng)作物病斑分割因數(shù)據(jù)集較小、易受光照等復(fù)雜背景的影響，導(dǎo)致模型分割精度低，表現(xiàn)為過(guò)分割或欠分割的問(wèn)題，本文構(gòu)建了一種基于改進(jìn)的U-Net網(wǎng)絡(luò)模型，整體結(jié)構(gòu)如圖3所示。模型包括兩部分：多尺度特征提取編碼部分、注意力機(jī)制解碼部分。網(wǎng)絡(luò)輸入圖像尺寸256×256，為避免由單一通道提取特征無(wú)法準(zhǔn)確提取邊緣信息的問(wèn)題，編碼部分首先將圖像進(jìn)行4次Inception多通道卷積，加強(qiáng)非線(xiàn)性表達(dá)。在每次卷積后將各通道融合的特征圖送入2×2最大池化層，使特征圖尺寸縮小為原來(lái)的一半，防止模型過(guò)擬合，同時(shí)降低計(jì)算量。注意力機(jī)制解碼階段包括Inception模塊、上采樣、注意力模塊，其中上采樣是大小為3×3的反卷積層。然而，上采樣過(guò)程中會(huì)引入噪聲，丟失番茄葉片病斑邊緣信息，因此加入注意力模塊SENet，通過(guò)空間和通道兩個(gè)維度恢復(fù)在編碼階段損失的信息，并有效緩解權(quán)重分散問(wèn)題。最后通過(guò)SoftMax函數(shù)對(duì)番茄病斑和背景進(jìn)行二分類(lèi)，輸出分割結(jié)果。

2.1 多尺度特征提取

圖像分割效果的好壞關(guān)鍵在于圖像特征提取是否良好，獲取準(zhǔn)確的圖像特征信息，得到更多圖像屬性[19]，進(jìn)而精確識(shí)別物體的位置和區(qū)域，實(shí)現(xiàn)番茄葉片病斑的有效分割和檢測(cè)。但編碼階段選取單一尺寸卷積核進(jìn)行提取特征，當(dāng)感受野選取不合適時(shí)會(huì)產(chǎn)生空間上下文信息提取準(zhǔn)確度低的問(wèn)題，導(dǎo)致分割區(qū)域模糊、分類(lèi)錯(cuò)誤的現(xiàn)象。因此，為解決以上問(wèn)題，本文基于U-Net網(wǎng)絡(luò)引入Inception[20]結(jié)構(gòu)將不同大小的卷積核并行，對(duì)輸入圖像進(jìn)行逐像素卷積。本實(shí)驗(yàn)前三層直接采用經(jīng)典的Inception結(jié)構(gòu)即1×1、3×3、5×5以及3×3最大池化，當(dāng)特征圖縮減為32×32時(shí)開(kāi)始使用將標(biāo)準(zhǔn)的卷積核轉(zhuǎn)換成兩個(gè)非對(duì)稱(chēng)的卷積核[21]，即將3×3轉(zhuǎn)換成1×3與3×1，5×5轉(zhuǎn)換成的1×5與5×1的方式增強(qiáng)非線(xiàn)性，保持網(wǎng)絡(luò)稀疏性，同時(shí)極大地壓縮網(wǎng)絡(luò)參數(shù)量[22]。解碼階段與之對(duì)應(yīng)。多尺度特征提取中的非對(duì)稱(chēng)卷積模塊結(jié)構(gòu)圖如圖4所示。

圖4 非對(duì)稱(chēng)多通道卷積特征提取模塊Fig.4 Asymmetric multi-channel convolution feature extraction module

針對(duì)網(wǎng)絡(luò)訓(xùn)練層數(shù)參數(shù)大、不方便實(shí)際應(yīng)用的問(wèn)題，采用Inception多尺度提取特征，處理更加豐富的空間特征，小尺度卷積核關(guān)注小病斑區(qū)域，大尺度卷積核關(guān)注上下文信息，增強(qiáng)特征多樣性。采用非對(duì)稱(chēng)卷積進(jìn)行多通道特征提取減少約33%參數(shù)量，提高了實(shí)時(shí)分割病斑的效率，增強(qiáng)了網(wǎng)絡(luò)的旋轉(zhuǎn)魯棒性以及泛化和表達(dá)能力。

2.2 注意力模塊

編-解碼網(wǎng)絡(luò)提取低層特征時(shí)獲得更多精確的細(xì)節(jié)和位置信息，提取高層特征時(shí)則更關(guān)注語(yǔ)義上下文，而U-Net網(wǎng)絡(luò)利用跳躍式連接將低層細(xì)節(jié)與高層語(yǔ)義相結(jié)合，實(shí)現(xiàn)目標(biāo)特征準(zhǔn)確提取。但在解碼階段進(jìn)行上采樣操作會(huì)丟失一部分位置空間等信息，從而導(dǎo)致病斑分割不精確。為使以上問(wèn)題得到有效解決，本文加入注意力機(jī)制模塊AM。AM通過(guò)直接級(jí)聯(lián)對(duì)應(yīng)編碼層和下一反卷積層，融合其互補(bǔ)特征信息[23]，抑制上采樣產(chǎn)生的噪聲，增強(qiáng)模型魯棒性。本文綜合比較卷積塊注意模塊（convolutional block attention module，CBAM）[24]與擠壓和激勵(lì)網(wǎng)絡(luò)（squeeze and excitation networks，SENet）[25]，CBAM在本實(shí)驗(yàn)數(shù)據(jù)集上準(zhǔn)確度比SENet略低，且SENet參數(shù)量比CBAM少約1.7%。因此最終選擇SENet，其結(jié)構(gòu)如圖5所示。

圖5 Attention Mechanism結(jié)構(gòu)示意圖Fig.5 Schematic diagram of Attention Mechanism

圖5中，V為輸入X經(jīng)過(guò)Ftr變換后的特征圖，X∈?H′×W′×C′,V∈?H×W×C,M=[m1,m2,…,m C]表示第c個(gè)濾波器的參數(shù)，則Ftr過(guò)程公式如式（2）所示：

其中，*表示卷積操作。在Squeeze進(jìn)行全局池化，通過(guò)壓縮每個(gè)feature map從而獲取全局特征信息，并得到1×1×C的數(shù)列，F(xiàn)sq過(guò)程公式如式（3）所示：

其中，統(tǒng)計(jì)量s∈?C,V為局部描述符的集合。最后進(jìn)行Excitation激勵(lì)操作，通過(guò)兩個(gè)全連接層構(gòu)成Bottleneck結(jié)構(gòu)融合通道信息，利用Sigmoid門(mén)函數(shù)獲取通道間非線(xiàn)性關(guān)系。此模塊類(lèi)似于循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）中的門(mén)機(jī)制。激勵(lì)過(guò)程公式如式（4）所示：

2.3 分組歸一化

為加速模型收斂并緩解過(guò)擬合現(xiàn)象，本模型加入歸一化。批歸一化（batch normalization，BN）[26]以圖像數(shù)量N為單位進(jìn)行批量處理，如圖6所示，容易受batch size設(shè)置的影響。本文TLDD數(shù)據(jù)量有限，當(dāng)batch size設(shè)置過(guò)小時(shí)會(huì)導(dǎo)致均值、方差計(jì)算不準(zhǔn)確性升高。因此，本模型采用分組歸一化（group normalization，GN）[27]，以通道C為單位，計(jì)算每個(gè)group的均值和方差（同圖6），當(dāng)batch size設(shè)置較小時(shí)，也可以正確歸一化，公式如下：

圖6 Group Normalization結(jié)構(gòu)示意圖Fig.6 Structure diagram of Group Normalization

其中，a=(a N,a C,a H,aW)；ε為常數(shù)；γ和β為可學(xué)習(xí)變量；C為通道數(shù)；G為分組數(shù)，本文G取32。式（6）為歸一化公式，式（7）、（8）為每組方差和均值，式（9）為變換重構(gòu)過(guò)程，主要作用為加強(qiáng)非線(xiàn)性表達(dá)能力，防止其飽和時(shí)使網(wǎng)絡(luò)收斂變慢。

模型通過(guò)隨機(jī)梯度下降（stochastic gradient descent，SGD）[28]優(yōu)化算法對(duì)損失函數(shù)進(jìn)行優(yōu)化，對(duì)TLDD進(jìn)行二分類(lèi)（1病斑，0背景）交叉熵?fù)p失函數(shù)（Two-class cross_entropy loss）計(jì)算，表達(dá)式如式（11）所示：

3 實(shí)驗(yàn)過(guò)程與對(duì)比

3.1 評(píng)價(jià)指標(biāo)

番茄葉部病害圖像分割的目的是將圖像中每個(gè)像素進(jìn)行判定類(lèi)別，從而明確病害范圍。為評(píng)價(jià)模型分割效果，并從多個(gè)角度說(shuō)明本文算法的性能，本文選用了準(zhǔn)確率（Accuracy）、召回率（Recall）、平均交互比（mean intersection over union，MIoU）[29]三個(gè)指標(biāo)，具體的計(jì)算公式如下三個(gè)式子：

式中，Pacc為準(zhǔn)確率；Prec為召回率；PMIoU為平均交互比；KTP為真正例，正確將病斑分類(lèi)的像素點(diǎn)；KFP為假正例，將背景錯(cuò)分成病斑的像素點(diǎn)；KTN為真負(fù)例，正確將背景分類(lèi)的像素點(diǎn)；KFN為假負(fù)例，將病斑錯(cuò)分成背景的像素點(diǎn)。

3.2 訓(xùn)練過(guò)程及結(jié)果

本實(shí)驗(yàn)采用深度學(xué)習(xí)Pytorch框架，實(shí)驗(yàn)環(huán)境硬件設(shè)備采用i7 6700k CPU，GPU為GTX 2080Ti，運(yùn)行內(nèi)存為32 GB，優(yōu)化器采用SGD，學(xué)習(xí)速率為0.001，動(dòng)量設(shè)置為0.9，迭代次數(shù)設(shè)為100?；贑NN網(wǎng)絡(luò)的模型可以較好地達(dá)到圖像分割目的。首先對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)增；然后為了增強(qiáng)模型敏感度，對(duì)數(shù)據(jù)集進(jìn)行圖像預(yù)處理；在模型訓(xùn)練階段，為增強(qiáng)模型圖像特征提取能力和訓(xùn)練速度，本文將PlantVillage數(shù)據(jù)集作為改進(jìn)UNet網(wǎng)絡(luò)算法模型的輸入，并且保留預(yù)訓(xùn)練的參數(shù)，將預(yù)訓(xùn)練網(wǎng)絡(luò)作為本文創(chuàng)建的TLDD訓(xùn)練模型。通過(guò)預(yù)訓(xùn)練提高模型訓(xùn)練速度，有效增強(qiáng)網(wǎng)絡(luò)的擬合能力，實(shí)現(xiàn)在有限數(shù)據(jù)集上提高病斑分割的準(zhǔn)確度，本文方法最終準(zhǔn)確率達(dá)到0.929。整體番茄葉片病害分割模型具體流程如圖7所示。

圖7 番茄葉片病害分割模型流程圖Fig.7 Flow chart of tomato leaf disease segmentation model

將預(yù)訓(xùn)練完成的模型在TLDD訓(xùn)練，每次迭代訓(xùn)練結(jié)束后，記錄訓(xùn)練準(zhǔn)確率。由圖8可知，隨著訓(xùn)練迭代次數(shù)的不斷增加，模型的準(zhǔn)確率不斷上升，損失值不斷下降。當(dāng)?shù)螖?shù)達(dá)到88時(shí)準(zhǔn)確度穩(wěn)定在0.92，浮動(dòng)變化穩(wěn)定在1個(gè)百分點(diǎn)以?xún)?nèi)，損失值穩(wěn)定在0.042，上下浮動(dòng)在0.01以?xún)?nèi)，模型準(zhǔn)確率較高，魯棒性較好。由此分析可知，本文對(duì)U-Net網(wǎng)絡(luò)的改進(jìn)可以使模型達(dá)到一個(gè)較好的分割水平。

圖8 模型準(zhǔn)確率與損失值變化曲線(xiàn)Fig.8 Change curve of model accuracy and loss value

3.3 實(shí)驗(yàn)對(duì)比

為衡量本文模型的有效性，基于真實(shí)田間環(huán)境番茄病害數(shù)據(jù)集TLDD，使用改進(jìn)后的U-Net分別與傳統(tǒng)UNet、FCN8s、SegNet、Inception+U-net、U-Net+AM進(jìn)行實(shí)驗(yàn)對(duì)比，樣本總數(shù)1 200張，隨機(jī)選取數(shù)據(jù)集70%作為訓(xùn)練樣本，30%作為測(cè)試樣本。如表1所示，表中InU表示基于U-Net網(wǎng)絡(luò)引入多尺度Inception特征提取網(wǎng)絡(luò)的模型，UAM表示在U-Net網(wǎng)絡(luò)中引入注意力模塊的模型。將U-Net、InU、UAM模型與本文方法進(jìn)行Pacc、Prec和PMIoU參數(shù)比較，同時(shí)為衡量模型訓(xùn)練圖像的速度，對(duì)每個(gè)模型的訓(xùn)練時(shí)間進(jìn)行記錄。由表1數(shù)據(jù)可知，從評(píng)價(jià)指標(biāo)上看，六種模型的準(zhǔn)確率分別為88.2%、86.4%、89.2%、92.1%、91.3%，92.9%。其中，F(xiàn)CN8s在整體上看效果最差，準(zhǔn)確率偏低，其次U-Net網(wǎng)絡(luò)分割效果在FCN8s的基礎(chǔ)上有所改善，SegNet在U-Net網(wǎng)絡(luò)基礎(chǔ)上準(zhǔn)確率上升3.2%。此外，InU和UAM的模型與U-net相比，準(zhǔn)確率分別提高約4.4%、3.5%，召回率提高了3.9%、4.4%；而同時(shí)加入多尺度特征提取和AM的模型效果最佳，準(zhǔn)確率為92.9%，召回率為91.1%，平均交互比為93.6%，分別比U-Net模型升高5.3%、6.0%、6.6%，則表明被正確分割的像素比例升高，正確分割率升高，整體表現(xiàn)為基本分割出番茄葉片的病斑區(qū)域。從訓(xùn)練時(shí)間上看，基于FCN8s網(wǎng)絡(luò)模型速度最慢，其次是U-Net、SegNet、UAM模型，分別為2.20 h、2.12 h、2.17 h、2.11 h，而UAM模型訓(xùn)練時(shí)間較慢是因?yàn)榧尤氲淖⒁饬δK會(huì)增加一定參數(shù)和計(jì)算量。本文方法為均衡該部分影響，加入GN層有效降低訓(xùn)練時(shí)間，加速模型收斂，最終訓(xùn)練時(shí)間為1.97 h。圖9為本文方法不同迭代次數(shù)下的分割預(yù)測(cè)結(jié)果，由其可知本文方法可準(zhǔn)確將病斑分割并接近真實(shí)值。

表1 實(shí)驗(yàn)對(duì)比結(jié)果Table 1 Experimental comparison results

圖9 迭代過(guò)程效果圖Fig.9 Effect diagram of iterative process

此外，為驗(yàn)證通過(guò)在PlantVillage數(shù)據(jù)集上預(yù)先訓(xùn)練對(duì)本文方法的有效性，基于TLDD將改進(jìn)U-Net模型與預(yù)先訓(xùn)練的圖像分割模型進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如表2所示。

表2 預(yù)訓(xùn)練模型實(shí)驗(yàn)對(duì)比Table 2 Pre-training model experiment comparison

表中Imp-U-Net表示直接將TLDD輸入本文改進(jìn)的U-Net網(wǎng)絡(luò)，預(yù)訓(xùn)練+Imp-U-Net表示先經(jīng)過(guò)預(yù)訓(xùn)練，再基于改進(jìn)網(wǎng)絡(luò)對(duì)TLDD進(jìn)行訓(xùn)練。由表2可知，Imp-UNet網(wǎng)絡(luò)比U-Net模型準(zhǔn)確度提高約3.9%，主要是因?yàn)楸疚募尤氲亩喑叨染矸e模塊和注意力模塊準(zhǔn)確提取了病斑特征；而基于預(yù)訓(xùn)練+Imp-U-Net分割模型準(zhǔn)確度比U-Net模型提高約5.3%，比Imp-U-Net網(wǎng)絡(luò)準(zhǔn)確度提高1.3%，訓(xùn)練速度也明顯提高，充分證明在本文加入兩個(gè)模塊后，結(jié)合預(yù)訓(xùn)練的方法在準(zhǔn)確度和訓(xùn)練速度上均有所提升，同時(shí)也減少了網(wǎng)絡(luò)模型對(duì)硬件的需求，可在現(xiàn)實(shí)實(shí)驗(yàn)訓(xùn)練中被使用，以此節(jié)省訓(xùn)練時(shí)間。圖10為不同模型架構(gòu)的病斑分割效果圖。由圖可知，采用FCN8s網(wǎng)絡(luò)模型分割的效果與采用U-Net網(wǎng)絡(luò)進(jìn)行分割效果相差不大，均能分割出病斑的大致區(qū)域，但仍然存在分割不準(zhǔn)確現(xiàn)象。其中，F(xiàn)CN8s分割不準(zhǔn)確主要是因?yàn)樵谙虏蓸舆^(guò)程中對(duì)特征提取不夠準(zhǔn)確，尤其是對(duì)小病斑區(qū)域的分割效果較差。SegNet主要通過(guò)空洞卷積在不增加參數(shù)量的情況下擴(kuò)大感受野，但該方法對(duì)病斑邊緣分割效果較差；InU模型由于多尺度提取特征，導(dǎo)致部分區(qū)域存在過(guò)分割現(xiàn)象；UAM分割模型由于提取圖像屬性特征不充分，使模型存在病斑欠分割或過(guò)分割的問(wèn)題；而將二者結(jié)合的模型效果最好，平衡了多尺度提取特征和注意力關(guān)注病斑區(qū)域兩種方法，預(yù)測(cè)結(jié)果基本與真實(shí)值相對(duì)應(yīng)，可較好地應(yīng)用于番茄病斑識(shí)別。

圖10 不同圖像分割方法效果對(duì)比圖Fig.10 Comparison of effects of different image segmentation methods

因此由實(shí)驗(yàn)分析可得，通過(guò)引入多尺度特征提取，能全面獲取病斑區(qū)域和邊緣信息；通過(guò)引入AM使模型更加準(zhǔn)確地關(guān)注病斑像素；相較于傳統(tǒng)分割、InU和UAM模型圖像分割方法，本文模型在衡量指標(biāo)上的分割效果更好。

4 結(jié)束語(yǔ)

葉片出現(xiàn)病斑是番茄及大多數(shù)農(nóng)作物開(kāi)始出現(xiàn)病變最直接、最明顯的表現(xiàn)。為了有效防止番茄病情惡化，及時(shí)識(shí)別病斑區(qū)域，本文基于改進(jìn)的U-Net網(wǎng)絡(luò)實(shí)現(xiàn)真實(shí)田間番茄病害分割，將采集番茄葉片數(shù)據(jù)進(jìn)行擴(kuò)充和預(yù)處理，并在此數(shù)據(jù)集上驗(yàn)證了本文方法在圖像分割任務(wù)中的有效性。與經(jīng)典的U-Net、FCN8s、SegNet進(jìn)行對(duì)比，本文分割效果最好；與引入Inception和AM方法相比，本文通過(guò)多尺度提取圖像低級(jí)與高級(jí)語(yǔ)義信息，同時(shí)加入注意力機(jī)制關(guān)注局部特征，結(jié)合模型預(yù)訓(xùn)練，在降低模型訓(xùn)練時(shí)間的同時(shí)有效增強(qiáng)了其表達(dá)能力。然而，基于CNN的圖像分割算法仍然有一定局限性，不適用于小數(shù)據(jù)集分割，難以在現(xiàn)實(shí)場(chǎng)景中應(yīng)用。未來(lái)將進(jìn)一步研究小數(shù)據(jù)集圖像分割與分類(lèi)，以及實(shí)現(xiàn)真實(shí)復(fù)雜環(huán)境下不同病害的識(shí)別。