孫紅敏，王鈺涵，戴百生，李曉明，孟希璠，那 晨

（1.東北農(nóng)業(yè)大學(xué)電氣與信息學(xué)院，哈爾濱 150030；2.東北農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，哈爾濱 150030）

大豆在農(nóng)作物生產(chǎn)中占有重要地位，是糧食、飼料、經(jīng)濟(jì)兼用型作物，也是農(nóng)業(yè)、制藥、釀造、食品等產(chǎn)業(yè)原材料。優(yōu)質(zhì)大豆植株是農(nóng)業(yè)和工業(yè)生產(chǎn)高產(chǎn)、優(yōu)質(zhì)、高效保障。每年因病害造成大豆減產(chǎn)達(dá)到10%～25%，病害特征大多體現(xiàn)在葉片上，少量體現(xiàn)在根部[1]。不同品種大豆對(duì)于病害表現(xiàn)形式也不同，及早發(fā)現(xiàn)并合理噴藥，可減少經(jīng)濟(jì)損失，保障大豆產(chǎn)量。根據(jù)病害等級(jí)需要采取不同措施，避免藥物浪費(fèi)，污染環(huán)境。大豆葉片病害發(fā)病初期，特征相似，依靠經(jīng)驗(yàn)易錯(cuò)過(guò)最佳防治時(shí)期[2]。根據(jù)大豆植株患病等級(jí)采取相應(yīng)措施，對(duì)病害有效防治、避免藥物浪費(fèi)、減少環(huán)境污染、降低經(jīng)濟(jì)損失具有重要意義[3]。

隨著計(jì)算機(jī)視覺(jué)和人工智能技術(shù)發(fā)展，相關(guān)技術(shù)在農(nóng)業(yè)領(lǐng)域中越來(lái)越被重視，如湯曉東等利用基于HSI空間的三次標(biāo)記分水嶺算法提取目標(biāo)葉片，計(jì)算形態(tài)參數(shù)，使用概率神經(jīng)網(wǎng)絡(luò)分類器實(shí)現(xiàn)在復(fù)雜背景下識(shí)別大豆形態(tài)，準(zhǔn)確率達(dá)到85.37%[4]；譚克竹等使用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)大豆病害識(shí)別，準(zhǔn)確率達(dá)到94%[5]；范偉堅(jiān)闡述傳統(tǒng)病害識(shí)別原理和缺陷，總結(jié)卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)作物病害識(shí)別中應(yīng)用的優(yōu)勢(shì)[6]；蔣豐千等通過(guò)對(duì)大豆病害圖片的二值化和輪廓分割等預(yù)處理構(gòu)建數(shù)據(jù)集，多方面優(yōu)化模型，使得該方法在訓(xùn)練集上的準(zhǔn)確率大幅提升，但測(cè)試集上準(zhǔn)確率僅78%[7]；Gui提出一種基于LeNet的深度卷積網(wǎng)絡(luò)用于大豆葉片病害分類，分類準(zhǔn)確率達(dá)到93.54%[8]。綜上所述，現(xiàn)有研究主要集中在對(duì)大豆葉片病害的分類識(shí)別，對(duì)具體病害程度的自動(dòng)分級(jí)關(guān)注較少[9]，多數(shù)工作主要采用改進(jìn)或優(yōu)化傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型研究，識(shí)別精度有待提高[10]。

目前卷積神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于農(nóng)產(chǎn)品品種、病害識(shí)別等方面研究日趨成熟，具備大豆病害分級(jí)的可行性[11-12]?，F(xiàn)有研究主要通過(guò)優(yōu)化單一卷積神經(jīng)網(wǎng)絡(luò)完成病害分類，對(duì)復(fù)雜分類問(wèn)題，識(shí)別精度有待改進(jìn)，針對(duì)這一問(wèn)題，本文以常見(jiàn)大豆灰斑病病害葉片為研究對(duì)象，采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)大豆灰斑病分級(jí)可行性進(jìn)行分析和研究。通過(guò)數(shù)據(jù)增強(qiáng)、數(shù)據(jù)裁剪等方式對(duì)大豆葉片灰斑病圖片作預(yù)處理，對(duì)比不同卷積神經(jīng)網(wǎng)絡(luò)模型分級(jí)性能，將訓(xùn)練的基礎(chǔ)模型組合和優(yōu)化，受Ayan等提出集成策略啟發(fā)[13]，提出一種加權(quán)深度投票模型，通過(guò)遷移學(xué)習(xí)訓(xùn)練，優(yōu)選傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型，利用遺傳算法得出不同模型加權(quán)投票權(quán)重，對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型加權(quán)集成，實(shí)現(xiàn)大豆葉片灰斑病分級(jí)。

1 試驗(yàn)材料

1.1 數(shù)據(jù)采集

本試驗(yàn)所用大豆病害葉片圖像拍攝于東北農(nóng)業(yè)大學(xué)轉(zhuǎn)基因?qū)嶒?yàn)基地。試驗(yàn)過(guò)程中，通過(guò)對(duì)不同品種大豆進(jìn)行灰斑病病原菌株接種，獲得不同等級(jí)灰斑病大豆葉片，拍攝采集所需圖像數(shù)據(jù)集。

詳細(xì)過(guò)程如下：通過(guò)隨機(jī)區(qū)組設(shè)計(jì)方法選用本次試驗(yàn)種植區(qū)域，采用壟作方式對(duì)試驗(yàn)種植大豆，行長(zhǎng)1.5 m、寬0.5 m，人工點(diǎn)播，行距0.4 m、株距0.05 m，每個(gè)品種、株系單行種植以便圖像采集。種植完成后，實(shí)驗(yàn)室培育大豆灰斑病病原菌株，將菌株從試管內(nèi)移出接種在PDA培養(yǎng)基，置于28℃恒溫培養(yǎng)箱內(nèi)活化7 d繁殖形成菌落，使用無(wú)菌打孔器沿菌絲延伸的邊緣處打孔，將菌絲塊的菌絲面緊貼在PDA培養(yǎng)基上擴(kuò)繁。待菌株培養(yǎng)擴(kuò)繁后，選取不同品種大豆植株同一位置生長(zhǎng)相近的無(wú)病斑、無(wú)機(jī)械損傷、新鮮完全展開(kāi)葉片接種灰斑病病原菌株，接種15 d充分發(fā)病后，采集圖像，最終采集5 060張圖片數(shù)據(jù)，部分?jǐn)?shù)據(jù)如圖1所示。

圖1 大豆圖像部分采集數(shù)據(jù)Fig.1 Part of the collected data of soybean images

1.2 分級(jí)方法

依據(jù)國(guó)家市場(chǎng)監(jiān)督管理總局鑒定標(biāo)準(zhǔn)，大豆灰斑病分為五類，劃分結(jié)果如表1所示。

表1 本文灰斑病等級(jí)劃分標(biāo)準(zhǔn)Table 1 Grading standard of gray spot disease in this study

每一類分級(jí)后圖片見(jiàn)圖2。

圖2 大豆灰斑病分級(jí)圖片樣本Fig.2 Image samples of soybean gray spot disease grading

由表1和圖2可看出，不同等級(jí)大豆灰斑病葉片表現(xiàn)形式不同，高抗等級(jí)葉片病變面積小于1%，葉片圖像與正常葉片相近?？沟燃?jí)葉片具有少量病斑區(qū)域，分布較分散。中抗等級(jí)葉片表面有較多病斑區(qū)域且分布較分散。感等級(jí)葉片表面病斑區(qū)域較多，且分布集中，病斑面積近葉片面積一半。易感等級(jí)葉片表面病斑較多，分布于各區(qū)域，面積達(dá)到一半以上。

1.3 數(shù)據(jù)增強(qiáng)與數(shù)據(jù)集劃分

卷積神經(jīng)網(wǎng)絡(luò)模型中有大量參數(shù)需被訓(xùn)練，為防止發(fā)生過(guò)擬合現(xiàn)象，需使用大量圖像樣本進(jìn)行訓(xùn)練，本文在數(shù)據(jù)采集完成后，使用圖像增強(qiáng)手段擴(kuò)充數(shù)據(jù)集，在翻轉(zhuǎn)、調(diào)節(jié)亮度、改變像素值、放縮、扭曲、增加噪聲等增強(qiáng)方法中隨機(jī)選擇1～5種進(jìn)行組合得到不同增強(qiáng)數(shù)據(jù)，在擴(kuò)充數(shù)據(jù)集同時(shí)減少重復(fù)數(shù)據(jù)出現(xiàn)，增強(qiáng)后圖片見(jiàn)圖3。圖3中，A為原始圖片，通過(guò)圖像增強(qiáng)手段得到若干圖片，選擇其中4張圖片樣本進(jìn)行分析。其中，經(jīng)放縮的增強(qiáng)方式得到圖片B，經(jīng)放大和翻轉(zhuǎn)得到圖片C。經(jīng)扭曲得到圖片D，經(jīng)扭曲和翻轉(zhuǎn)得到圖片E。數(shù)據(jù)增強(qiáng)完成后按訓(xùn)練集、測(cè)試集、驗(yàn)證集1∶1.5∶1.5的比例進(jìn)行數(shù)據(jù)集劃分，劃分結(jié)果見(jiàn)表2。

表2 數(shù)據(jù)集劃分Table 2 Data set division

圖3 數(shù)據(jù)增強(qiáng)后圖片樣本Fig.3 Image samples after data augmentation

2 試驗(yàn)方法

為實(shí)現(xiàn)大豆灰斑病自動(dòng)分級(jí)，本文在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上構(gòu)建一個(gè)集成模型，具體包括：訓(xùn)練7個(gè)單一深度卷積神經(jīng)網(wǎng)絡(luò)模型（VGG16、VGG19、Resnet50、Inception-V3、Xception、MobileNet、GoogleNet）；選擇其中準(zhǔn)確率最高的3個(gè)模型。在此基礎(chǔ)上通過(guò)遺傳算法加權(quán)集成構(gòu)建深度投票模型。該模型技術(shù)路線如圖4所示。

圖4 技術(shù)流程Fig.4 Technology flowchart

2.1 單一深度卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)是一種帶有卷積結(jié)構(gòu)的深度學(xué)習(xí)模型，主要包括卷積層、池化層和全連接層。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型相比，CNN使用局部感受野、權(quán)值共享、池化層等思想，有效減少網(wǎng)絡(luò)參數(shù)個(gè)數(shù)，使神經(jīng)網(wǎng)絡(luò)適應(yīng)性更強(qiáng)，緩解模型的過(guò)擬合問(wèn)題并使得模型具備一定的位移、尺度、縮放、非線性形變穩(wěn)定性。本文以VGG和殘差網(wǎng)絡(luò)為例，簡(jiǎn)要介紹其網(wǎng)絡(luò)結(jié)構(gòu)模型[14]。

VGGNet共有5個(gè)卷積層，每一個(gè)卷積層后鏈接一個(gè)最大池化層，最后為3個(gè)全連接層和一個(gè)soft max層，該網(wǎng)絡(luò)使用3×3卷積核，網(wǎng)絡(luò)中所有池化層采用2×2卷積核[15-16]，其中VGG19網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 VGG網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 VGG network structure

RestNet是殘差網(wǎng)絡(luò)（Residual network）縮寫，該系列網(wǎng)絡(luò)廣泛用于目標(biāo)分類等領(lǐng)域以及作為計(jì)算機(jī)視覺(jué)任務(wù)主干經(jīng)典神經(jīng)網(wǎng)絡(luò)的一部分。Rest-Net對(duì)輸入作卷積操作，包含5個(gè)殘差塊（Residual Block），最后使用全局平均池化和Softmax代替參數(shù)量巨大的全連接層以便于更好進(jìn)行分類任務(wù)，RestNet網(wǎng)絡(luò)構(gòu)成見(jiàn)圖6[17-18]。本研究使用RestNet50模型結(jié)構(gòu)，如圖第5列所示。

圖6 RestNet網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 RestNet network structure

2.2 構(gòu)建深度投票模型

為提高對(duì)大豆灰斑病分級(jí)準(zhǔn)確率，同時(shí)綜合傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型特征提取優(yōu)勢(shì)和分類性能，本文提出一種構(gòu)建加權(quán)深度投票模型方法，即在單一模型基礎(chǔ)上，選擇多個(gè)單一深度卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)遺傳算法學(xué)習(xí)得出深度投票模型權(quán)重，構(gòu)建一個(gè)加權(quán)深度投票模型。

2.2.1 傳統(tǒng)深度投票模型

使用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)時(shí)，通過(guò)模型計(jì)算圖像所屬病害各等級(jí)的概率，并為該圖像分配到具有最高概率值的標(biāo)簽[19]。對(duì)于單個(gè)模型，考慮一個(gè)n分類的任務(wù)，使用O(t)=(p1,p2,p3,…,pn)，p1表示模型對(duì)于分類任務(wù)第i類的概率，且相加總和為1，若pi為n個(gè)概率中最大值，則該圖像被預(yù)測(cè)為第i類，集成模型通過(guò)多個(gè)模型的概率相加，使用公式（1）進(jìn)行計(jì)算：

式中，j-預(yù)測(cè)的類別；i-集成的第i個(gè)模型；m-集成模型個(gè)數(shù)；Pij-第i個(gè)模型預(yù)測(cè)屬于第j類概率；O(j)-集成后的模型預(yù)測(cè)屬于第j類概率，所有類別概率相加為1。

若O(j)為n類中最大值，則該集成模型分類結(jié)果為第j類，通過(guò)該方法可綜合考慮多個(gè)模型的分類結(jié)果，有效提高分類精度。

2.2.2 加權(quán)深度投票模型

由公式（1）可知，傳統(tǒng)深度投票模型是將各模型預(yù)測(cè)的概率相加，未考慮每一個(gè)模型對(duì)于集成后模型的優(yōu)劣性能。故在此基礎(chǔ)上，充分發(fā)揮每一個(gè)模型優(yōu)勢(shì)同時(shí)提高模型性能，為每個(gè)模型分配權(quán)重，對(duì)構(gòu)建深度投票模型的基礎(chǔ)模型進(jìn)行加權(quán)，加權(quán)后的深度投票模型概率計(jì)算方式見(jiàn)公式（2）。

式中，wi-第i個(gè)模型的權(quán)重，且m個(gè)模型的權(quán)重相加為1；O(j)-加權(quán)后深度投票模型預(yù)測(cè)屬于第j類的概率，且所有類別概率相加為1。

對(duì)m個(gè)模型權(quán)重wi的判定可認(rèn)為是一個(gè)最優(yōu)問(wèn)題，通過(guò)遺傳算法求解。遺傳算法是一種基于進(jìn)化論、遺傳學(xué)和自然選擇原理的啟發(fā)式算法，通常被應(yīng)用于權(quán)值確定，確定初始染色體數(shù)量，通過(guò)交叉和變異操作生成新染色體，計(jì)算適應(yīng)度，剔除適應(yīng)度最差的染色體，保持染色體數(shù)量不變，迭代若干次后選擇適應(yīng)度最好的染色體即為權(quán)值[20]。

在遺傳算法中，假設(shè)初始群體由n條染色體組成，每條染色體包含w個(gè)隨機(jī)產(chǎn)生的基因（即權(quán)重值），在0～1之間。將染色體基因和模型在驗(yàn)證數(shù)據(jù)集上的預(yù)測(cè)量相乘，得到預(yù)測(cè)標(biāo)簽。采用均方誤差（MSE）函數(shù)計(jì)算適應(yīng)度值。計(jì)算各染色體MSE適應(yīng)度值后，通過(guò)考慮其適應(yīng)度值，選擇最佳的m條染色體創(chuàng)建新染色體。分別采用交叉和突變技術(shù)，從已確定的m條最佳染色體中獲得2m條新染色體。計(jì)算新生成染色體的適應(yīng)度值，并將其添加到種群中。為保持種群大小不變，剔除適應(yīng)度最差的2m條染色體。這些操作重復(fù)進(jìn)行k代，確定MSE最小的染色體，最后得到最優(yōu)權(quán)值。所提出的基于遺傳算法的加權(quán)方法步驟如圖7所示。

圖7 本文遺傳算法優(yōu)化流程Fig.7 Flow chart of genetic algorithm optimization in study

3 結(jié)果與分析

3.1 評(píng)價(jià)指標(biāo)

為更好分析模型性能，本文所采取評(píng)估指標(biāo)為準(zhǔn)確率、精確率、召回率以及F1值。具體計(jì)算方式如下：

式中，TP-實(shí)際為正且被預(yù)測(cè)為正的樣本數(shù)量；FP-實(shí)際為負(fù)但被預(yù)測(cè)為正的樣本數(shù)量；FN-實(shí)際為正但被預(yù)測(cè)為負(fù)的樣本的數(shù)量；TN-實(shí)際為負(fù)且被預(yù)測(cè)為負(fù)的樣本的數(shù)量。。

3.2 單一深度卷積神經(jīng)網(wǎng)絡(luò)試驗(yàn)結(jié)果

本研究采用7個(gè)常見(jiàn)卷積神經(jīng)網(wǎng)絡(luò)模型（VGG16、VGG19、Resnet50、Inception-V3，Xception，MobileNet，GoogleNet）進(jìn)行訓(xùn)練與測(cè)試。通過(guò)圖像工作站（HP Z6）進(jìn)行模型訓(xùn)練和測(cè)試，圖像工作站顯卡為RTX 5000 16G，支持GPU并行運(yùn)算，內(nèi)存192GB。訓(xùn)練所使用的模型基于Tensorflowgpu 2.2.0版本和python3.6版本。

訓(xùn)練所得曲線與相應(yīng)評(píng)價(jià)結(jié)果和模型訓(xùn)練參數(shù)信息見(jiàn)表3。

表3 單一深度卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練參數(shù)Table 3 Training parameters of single CNN models

訓(xùn)練所得模型準(zhǔn)確率曲線如圖8所示。

由圖8可看出，單一深度卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練200次后，訓(xùn)練集上準(zhǔn)確率趨于收斂，VGG16和VGG19在訓(xùn)練集上收斂速度更快，準(zhǔn)確率更高。訓(xùn)練完成后，針對(duì)測(cè)試集中7 500張圖像樣本，開(kāi)展模型評(píng)估，結(jié)果見(jiàn)表4。

圖8 7個(gè)單一深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率曲線Fig.8 Training accuracy curve of seven single CNN models

由表4可看出，常見(jiàn)單一深度卷積神經(jīng)網(wǎng)絡(luò)模型中，VGG19在測(cè)試集上的準(zhǔn)確率最高，達(dá)到88.7%。為構(gòu)建集成模型，對(duì)訓(xùn)練7個(gè)模型進(jìn)行評(píng)估后，選擇準(zhǔn)確率最高的3個(gè)模型即VGG16、VGG19和Resnet50，為分析3個(gè)模型優(yōu)劣勢(shì)以及樣本分類情況，建立模型混淆矩陣見(jiàn)圖9。

表4 單一模型評(píng)估結(jié)果Table 4 Evaluation results of 7 single models

由圖9中3個(gè)模型混淆矩陣可看出，針對(duì)于病害的5個(gè)等級(jí)，不同模型對(duì)于不同等級(jí)識(shí)別準(zhǔn)確率有一定差別。在VGG16模型中，識(shí)別出病變較大葉片準(zhǔn)確率為89%，對(duì)于高抗葉片識(shí)別準(zhǔn)確率僅為84%，由于病害等級(jí)相似導(dǎo)致高抗葉片誤識(shí)別成抗性；在VGG19模型中，高抗葉片識(shí)別準(zhǔn)確率達(dá)到97%，相較于VGG16模型提高13%，但其他等級(jí)識(shí)別準(zhǔn)確率為86%，相較于VGG16模型下降3%；RestNet50模型識(shí)別易感等級(jí)葉片準(zhǔn)確率最高，達(dá)到91%，因此，針對(duì)這些問(wèn)題，本文將上述3個(gè)模型進(jìn)行集成改進(jìn)，使每一個(gè)模型充分發(fā)揮自身優(yōu)點(diǎn)，部分樣本分級(jí)情況如表5所示。

表5 部分分類樣本Table 5 Partial grading samples

圖9 準(zhǔn)確率最高的3個(gè)模型混淆矩陣Fig.9 Confusion matrix of the three models with the highest accuracy

3.3 集成模型性能分析

綜上，選擇VGG16、VGG19和Resnet50 3個(gè)模型構(gòu)建集成模型，并使用遺傳算法加權(quán)深度投票模型對(duì)其優(yōu)化，在遺傳算法中，初始染色體數(shù)量為8條，每一條上有3個(gè)基因，每一次迭代選取4條染色體，為避免陷入局部最優(yōu)解，交叉率設(shè)為0.95，變異率設(shè)為0.005，通過(guò)交叉變異等操作生產(chǎn)新的8條染色體，將16條染色體計(jì)算MSE，剔除最差的8條染色體，保持不變種群規(guī)模，計(jì)算迭代100次的過(guò)程中每一個(gè)MSE，最終得到最小MSE染色體上3個(gè)權(quán)值為：0.31、0.36、0.33，作為3個(gè)集成模型權(quán)重，即w1=0.31，w2=0.36，w3=0.33。

對(duì)集成后模型，使用原始模型最好的VGG19模型進(jìn)行對(duì)比分析，結(jié)果見(jiàn)表6。

由表6可知，使用深度投票模型在測(cè)試集上的準(zhǔn)確率相較于傳統(tǒng)單一卷積神經(jīng)網(wǎng)絡(luò)模型VGG19高1.7%，使用遺傳算法自動(dòng)學(xué)習(xí)每一個(gè)模型加權(quán)權(quán)重后構(gòu)建集成模型準(zhǔn)確率提高2.7%，表明使用遺傳算法加權(quán)取得更好效果，同時(shí)建立兩個(gè)集成模型混淆矩陣如圖10所示。

圖10 深度投票模型的混淆矩陣Fig.10 The confusion matrix of the deep voting model

表6 集成模型評(píng)估指標(biāo)Table 6 Deep voting model evaluation indicators

由圖10可見(jiàn)，采用深度投票模型解決傳統(tǒng)單一模型的弊端，利用各模型優(yōu)點(diǎn)進(jìn)行訓(xùn)練和預(yù)測(cè)，深度投票模型分級(jí)情況見(jiàn)表7。由表7可知，集成模型能夠準(zhǔn)確識(shí)別部分單一模型中誤分類樣本，但相近病害等級(jí)的圖片部分識(shí)別有誤，需進(jìn)一步研究。

表7 部分樣本分級(jí)情況Table 7 Grading situation of some samples

4 討論與結(jié)論

本文針對(duì)大豆灰斑病5個(gè)等級(jí)病害圖片樣本，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)和深度投票方法，開(kāi)展大豆灰斑病自動(dòng)分級(jí)研究，提出使用遺傳算法加權(quán)，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的深度投票模型。通過(guò)試驗(yàn)驗(yàn)證，該模型有效解決大豆灰斑病各等級(jí)之間因差距細(xì)微導(dǎo)致的準(zhǔn)確率低問(wèn)題，為大豆其他病害分級(jí)提供新思路和方法。

a.采用7個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型（VGG16、VGG19、Resnet50、Inception-V3，Xception，MobileNet，GoogleNet）進(jìn)行訓(xùn)練與測(cè)試，試驗(yàn)結(jié)果準(zhǔn)確率分別為：VGG模型88.0%、VGG19模型88.7%、Resnet50模型80.0%、Inception-V3模型73.3%、Xception模型64.9%、MobileNet模型62.0%、Goo-gleNet模型60.5%。結(jié)果表明，使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)大豆灰斑病進(jìn)行分級(jí)具有可行性，但傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型針對(duì)病害分級(jí)準(zhǔn)確率較低，不同的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)于不同等級(jí)準(zhǔn)確率差異較大，需綜合不同卷積神經(jīng)網(wǎng)絡(luò)模型用于大豆灰斑病分級(jí)研究。

b.基于上述傳統(tǒng)卷積網(wǎng)絡(luò)訓(xùn)練結(jié)果，提出遺傳算法加權(quán)構(gòu)建深度投票模型，與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)相比，該模型在7 500張圖片所組成的測(cè)試集上分級(jí)精度達(dá)到93%，相較于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中準(zhǔn)確率最高的VGG19模型提高4.3%，相較于不加權(quán)深度投票模型也有提高，有效解決傳統(tǒng)模型識(shí)別的弊端，為大豆病害分級(jí)和病害走勢(shì)預(yù)測(cè)提供技術(shù)支持。但本文分級(jí)結(jié)果中，仍有部分分級(jí)有誤，后續(xù)考慮引入注意力機(jī)制開(kāi)展進(jìn)一步研究。

c.本文提出的基于遺傳算法構(gòu)建加權(quán)深度投票模型，在大豆其他病害或其他農(nóng)作物病害方面是否具有同樣效果需進(jìn)一步驗(yàn)證。