李子涵, 周省邦, 趙 戈, 張克智, 曾 倩, 吳夢濤

(南寧師范大學(xué)物理與電子學(xué)院,廣西南寧 530299)

農(nóng)作物病蟲害是農(nóng)業(yè)生產(chǎn)的重要災(zāi)害之一,嚴(yán)重影響農(nóng)業(yè)持續(xù)穩(wěn)定發(fā)展。中國是一個農(nóng)業(yè)大國,農(nóng)業(yè)收益一直深受病蟲害嚴(yán)重影響。據(jù)統(tǒng)計,我國每年農(nóng)作物有害生物發(fā)生面積超過4億hm2[1]。近年來,隨著我國植物保護能力的明顯提高,通過采取各種病蟲害預(yù)防與治理手段,我國每年可減少糧食損失8.7×1010～1.1×1011kg,占全國糧食總產(chǎn)量的16.0%～19.5%[2]。識別農(nóng)作物病蟲害的傳統(tǒng)方式,需要農(nóng)業(yè)專家現(xiàn)場鑒定農(nóng)作物具體病癥,才能對癥下藥,這種方法不僅費時費力,而且效率低下。

隨著計算機圖像識別與處理技術(shù)不斷創(chuàng)新發(fā)展,病蟲害智能識別技術(shù)進入了農(nóng)戶們的生活,運用機器學(xué)習(xí)技術(shù)識別農(nóng)作物病蟲害已成為可能[3]。由于手機和移動互聯(lián)網(wǎng)的普及,市場上已經(jīng)出現(xiàn)一些農(nóng)業(yè)圖像識別軟件,用戶可以將發(fā)生病蟲害的作物圖像上傳軟件,軟件程序?qū)τ脩羯蟼鞯恼掌M行分析,反饋病蟲害識別診斷結(jié)果,可幫助用戶及時采取正確的措施,最大化減少病蟲害帶來的損失。

為了更進一步探索計算機圖像識別技術(shù)在農(nóng)業(yè)病蟲害方向的研究,本文對此領(lǐng)域的相關(guān)技術(shù)進行了總結(jié)。提出其各項研究技術(shù),分析其技術(shù)架構(gòu)與優(yōu)劣,并從數(shù)據(jù)源的選擇、數(shù)據(jù)的預(yù)處理、神經(jīng)網(wǎng)絡(luò)模型選擇與優(yōu)化幾個方面進行對比,提出現(xiàn)階段存在的問題與挑戰(zhàn),最后提出該領(lǐng)域可開展的相關(guān)工作。

1 農(nóng)業(yè)病蟲害識別方法

1.1 傳統(tǒng)農(nóng)業(yè)病蟲害檢測

對于農(nóng)作物來說,感染了疾病或者遭遇了蟲害的作物均會產(chǎn)生一些明顯的標(biāo)記或者損傷。早期專業(yè)研究人員和經(jīng)驗豐富的老農(nóng)可通過目視或者將植物樣本送入實驗室檢測等手段來檢測病蟲害發(fā)生原因[4]。傳統(tǒng)防治通常會根據(jù)經(jīng)驗進行預(yù)控,但預(yù)防只能起到控制和減少的作用,并不能徹底消除病蟲害。但是這些傳統(tǒng)人工手段均有著相當(dāng)?shù)木窒扌?(1)對于病蟲害的診斷需要專業(yè)知識儲備,普通農(nóng)民往往不具備這種能力從而導(dǎo)致使用錯誤的補救措施;即使專業(yè)的診斷人員,也會因個人經(jīng)驗水平和能力因素的差異性,不能準(zhǔn)確地辨別出所有病蟲害類型。(2)部分蟲害的特征在視覺上有著極高的相似度,即使是專業(yè)人員也有可能會因為視覺疲勞、光線不足而做出誤判。(3)對早期疾病進行檢測和防止疾病傳播,需要持續(xù)不斷地對植株進行監(jiān)控檢測。但是田間環(huán)境復(fù)雜,人力容易遺漏或忽視不明顯的患病植株,這一過程非常耗費人力物力,而且效率低下。

1.2 基于機器學(xué)習(xí)的病蟲害識別技術(shù)

圖像識別技術(shù)目的是利用計算機代替人力去處理大量的物理信息。圖像識別技術(shù)在識別圖片過程中,利用數(shù)據(jù)分析、數(shù)據(jù)挖掘等技術(shù),掃描得到圖像特點,從數(shù)據(jù)庫中找出具有相同、類似的圖像,從而完成識別處理工作[5]。計算機技術(shù)的發(fā)展使得圖像數(shù)據(jù)量越來越大。相關(guān)學(xué)者使用機器學(xué)習(xí)方法對害蟲圖像進行識別和分類。用于圖像識別和分類的機器學(xué)習(xí)方法可以分為無監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)2種:(1)采用無監(jiān)督學(xué)習(xí)的k-means算法對圖像特征進行自動分類。(2)利用支持向量機(support vector machine,簡稱SVM)進行監(jiān)督學(xué)習(xí)識別圖像。利用灰度圖像特征和區(qū)域特征對感染病蟲害葉片和健康葉片進行分類?；跈C器學(xué)習(xí)的病蟲害圖像識別技術(shù)過程分為信息獲取、特征抽取、模式分類和分類決策4個部分,其技術(shù)流程見圖1。

雖然相較于人工手段識別有了巨大的提升,但是該方法依舊存在著一些問題?；跈C器學(xué)習(xí)的病蟲害識別技術(shù)是由程序員或?qū)＜襾韺崿F(xiàn)特征提取過程,然后將特征列表輸入傳統(tǒng)神經(jīng)元網(wǎng)絡(luò),對輸入數(shù)據(jù)進行分類。這一過程相當(dāng)復(fù)雜且同樣耗費大量人力物力。

1.3 基于深度學(xué)習(xí)的病蟲害識別技術(shù)

由于基于機器學(xué)習(xí)的分類技術(shù)需要復(fù)雜的數(shù)據(jù)集來進行分析,不易操作,因此現(xiàn)階段大多數(shù)圖像數(shù)據(jù)分類方法使用的是深度學(xué)習(xí)算法,而不是傳統(tǒng)的機器學(xué)習(xí)方法。其中,特征自動提取過程是深度學(xué)習(xí)的關(guān)鍵。計算機技術(shù)的進步使得使用深度學(xué)習(xí)技術(shù)代替其他技術(shù)成為可能。

在深度學(xué)習(xí)出現(xiàn)之前,人工智能很難對圖像進行很好的處理,主要原因有2點:(1)因為圖像都由像素構(gòu)成,一張普通圖片就會包含上百萬個參數(shù),而需要處理的圖片則可能會有上萬張,如此大量的數(shù)據(jù)處理起來非常消耗資源。(2)將一張圖像數(shù)字化過程中很難存其原本的特征,這樣會極大降低圖像處理的準(zhǔn)確率。

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,簡稱CNN)是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò),是深度學(xué)習(xí)的代表算法之一[6-7]。卷積神經(jīng)網(wǎng)絡(luò)可以利用其卷積核與池化操作,對數(shù)據(jù)進行降維,對原圖像的大量數(shù)據(jù)進行壓縮提取。同時,它采用了特征提取的方式,保留了圖片最關(guān)鍵信息,即像素與像素之間的關(guān)系。從像素的角度判斷對圖片進行分割對比,因此圖片無論是旋轉(zhuǎn)、裁剪、放縮,都仍然會被視作是類似圖片。

卷積神經(jīng)網(wǎng)絡(luò)中提出了一階段的非線性特征變換。其中,單個特征集是通過使用每一個隱藏層的神經(jīng)元組來訓(xùn)練的,它依賴于前一層的輸出。具有隱含層的可訓(xùn)練分類器實現(xiàn)了特征提取過程從低級到高級。淺層卷積層提取了圖片基礎(chǔ)特征,比如葉片的邊角,植株的輪廓等基礎(chǔ)特征。深層卷積層提取了高級特征,比如昆蟲形狀等抽象特征。卷積神經(jīng)網(wǎng)絡(luò)特征提取過程見圖2。

近年來,國內(nèi)外大量人員嘗試將卷積神經(jīng)網(wǎng)絡(luò)與農(nóng)業(yè)領(lǐng)域結(jié)合起來,并利用卷積神經(jīng)網(wǎng)絡(luò)模型,在病蟲害識別領(lǐng)域取得了巨大的成功,這些網(wǎng)絡(luò)模型在大規(guī)模識別任務(wù)中,已能實現(xiàn)優(yōu)于相關(guān)專家的識別準(zhǔn)確度[8]。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的病蟲害識別關(guān)鍵技術(shù)

基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害識別技術(shù)應(yīng)遵循數(shù)據(jù)源選擇、數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強、數(shù)據(jù)預(yù)訓(xùn)練、神經(jīng)網(wǎng)絡(luò)模型架構(gòu)、網(wǎng)絡(luò)模型優(yōu)化這6個主要步驟。本文通過對國內(nèi)外病蟲害識別成果的調(diào)研,分別從數(shù)據(jù)規(guī)模與獲取方式2個方面歸納總結(jié)獲取農(nóng)作物病蟲害數(shù)據(jù)的方式。再從數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強、數(shù)據(jù)預(yù)訓(xùn)練3個方面介紹進行病蟲害識別的必要準(zhǔn)備。最后對比各個文獻中卷積神經(jīng)網(wǎng)絡(luò)模型選擇的優(yōu)劣之處,并總結(jié)出網(wǎng)絡(luò)模型優(yōu)化方法。

2.1 數(shù)據(jù)源選擇

深度學(xué)習(xí)依賴于大數(shù)據(jù)驅(qū)動,適當(dāng)?shù)臄?shù)據(jù)準(zhǔn)備有助于模型找到最優(yōu)參數(shù),因此高質(zhì)量、大規(guī)模、高標(biāo)注的數(shù)據(jù)集對于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練有著極大幫助。

在農(nóng)業(yè)病蟲害識別方面,數(shù)據(jù)源主要獲取方式有3種:第一類是利用現(xiàn)有的公共數(shù)據(jù)集,或是由相關(guān)研究所提供數(shù)據(jù),使用較為廣泛的數(shù)據(jù)集有Plant Village、農(nóng)業(yè)病蟲害研究圖庫(IDADP)等。第二類是自主獲取所需數(shù)據(jù),研究人員使用手機、攝像機、無人機、農(nóng)業(yè)傳感器、農(nóng)業(yè)機器人等設(shè)備去田間拍攝,又或是直接從互聯(lián)網(wǎng)上收集所需圖像數(shù)據(jù)。本文總計所研究文章的數(shù)據(jù)集選擇情況見表1。

表1 數(shù)據(jù)集選擇

2.2 數(shù)據(jù)預(yù)處理

目前,對病蟲害開放的數(shù)據(jù)集很少,研究者通常通過比較不同的訓(xùn)練集和測試集比例,使用不同的網(wǎng)絡(luò)模型來找到最優(yōu)的解決方案[39]。然而,這些圖像的內(nèi)容很容易受到無關(guān)信息的干擾,照片所包含內(nèi)容不一定能夠代表真實情況,利用手機等移動設(shè)備進行拍攝的圖像也會由于像素不足、鏡面變形等原因與實際場景有所不同。這時需要研究人員對獲得的數(shù)據(jù)進行預(yù)處理,使原始數(shù)據(jù)更適于網(wǎng)絡(luò)的計算,通過對數(shù)據(jù)的處理變換,提高模型訓(xùn)練表現(xiàn)和泛化能力。具體預(yù)處理方式及其說明見表2。

表2 數(shù)據(jù)預(yù)處理方式

數(shù)據(jù)預(yù)處理后,深度學(xué)習(xí)檢測方法通常需要使用標(biāo)注后的數(shù)據(jù)來訓(xùn)練模型。標(biāo)注越準(zhǔn)確、標(biāo)注的數(shù)據(jù)量越大,算法的性能就越好。病蟲害識別方面常用的數(shù)據(jù)標(biāo)注軟件有l(wèi)abelimg、labelme,所調(diào)研文獻中對數(shù)據(jù)標(biāo)注工具的使用情況見表3。

表3 標(biāo)注工具

2.3 數(shù)據(jù)增強

數(shù)據(jù)增強也叫數(shù)據(jù)擴增,是在不實質(zhì)性增加數(shù)據(jù)的情況下創(chuàng)建相同數(shù)據(jù)的不同變體,增加數(shù)據(jù)集的多樣性。數(shù)據(jù)增強可以增強數(shù)據(jù)的泛化能力,能夠有效避免模型出現(xiàn)過擬合的情況。擁有一個更大、更均勻的數(shù)據(jù)集的顯著優(yōu)點是可以削弱特征不明顯圖片在整個數(shù)據(jù)集中所占比重,從而大大減弱了數(shù)據(jù)集中存在的不合理偽元素對識別效果的不利影響。

數(shù)據(jù)增強可以分為有監(jiān)督的數(shù)據(jù)增強和無監(jiān)督的數(shù)據(jù)增強方法。有監(jiān)督的數(shù)據(jù)增強包括幾何變換、空間變化、顏色變換等。無監(jiān)督的數(shù)據(jù)增強包括Goodfellow等提出的GAN[43],Cubuk等提出的Auto Augment[44]。GAN可以通過學(xué)習(xí)模型的特征,生成可以以假亂真的圖片,Auto Augment則可以自動搜索合適的數(shù)據(jù)增強策略,自行增強數(shù)據(jù)。

在進行數(shù)據(jù)增強時,研究人員往往采取多種增強方式,而并非單獨一種。文章所涉及數(shù)據(jù)增強方式見表4。

表4 數(shù)據(jù)增強方式

Duan等通過在倍率為0.2的范圍內(nèi)對圖像進行剪切和縮放,將原始圖像分離成多個增強圖像[31]。從而降低了圖像的復(fù)雜性,促進了波動圖像的表示并通過由原始圖像生成各種形狀和不同角度來擴大了原先的數(shù)據(jù)集。Sladojevic等通過對單幅圖像進行仿射變換與透視變換,在圖像中人為增加輕微失真,用以減少過擬合[23]。Liu等通過隨機增加或減少像素的RGB值來調(diào)整每個圖像的亮度值[17]。根據(jù)亮度的中值,通過增大較大的RGB值,減小較小的RGB值來調(diào)整圖像的對比度值來獲得新的圖像。

用數(shù)據(jù)增強技術(shù)擴充數(shù)據(jù)集,往往會得到比擴充前更好的識別結(jié)果,其原因有2點:(1)使用更多的真實圖像增加了神經(jīng)網(wǎng)絡(luò)的容錯率,從而神經(jīng)網(wǎng)絡(luò)更容易提取到實際特征。(2)通過分割過程消除冗余元素(如復(fù)雜背景等),使生成的圖像具有更精確的特征,使神經(jīng)網(wǎng)絡(luò)能夠聚焦在正確的元素上。

2.4 遷移學(xué)習(xí)與預(yù)訓(xùn)練

卷積神經(jīng)網(wǎng)絡(luò)在圖像識別領(lǐng)域固然有著得天獨厚的優(yōu)勢,但也有著顯著缺點。卷積神經(jīng)網(wǎng)絡(luò)的深度架構(gòu)帶來了優(yōu)越的特征提取能力,但是會花費巨大的計算資源。從零開始訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)需要大量的注釋數(shù)據(jù)集,即使有專家的意見,也很難將每張圖片歸類為作物病害。

為了在有限的數(shù)據(jù)量下達到良好的分類精度,許多研究人員選擇了遷移學(xué)習(xí)的方式來訓(xùn)練自己的模型,從而節(jié)約成本、加快網(wǎng)絡(luò)收斂速度。神經(jīng)網(wǎng)絡(luò)對海量數(shù)據(jù)進行訓(xùn)練的最終目的就是將它們轉(zhuǎn)化為相應(yīng)的權(quán)重參數(shù)。而遷移學(xué)習(xí)可以將訓(xùn)練所獲得的參數(shù)遷移到其他神經(jīng)網(wǎng)絡(luò)中。這樣避免了從零開始訓(xùn)練一個神經(jīng)網(wǎng)絡(luò),極大地節(jié)約了資源與時間。

Yosinski等進行遷移學(xué)習(xí)試驗證明了小數(shù)據(jù)集也可以通過遷移學(xué)習(xí)達到良好的訓(xùn)練效果[46]。

在計算機視覺領(lǐng)域中,遷移學(xué)習(xí)通常是通過加載預(yù)訓(xùn)練模型來實現(xiàn)的。預(yù)訓(xùn)練模型是在大型基準(zhǔn)數(shù)據(jù)集上訓(xùn)練的模型,此類模型是一些已經(jīng)由別人訓(xùn)練完善的模型,用于解決相似的問題。

遷移學(xué)習(xí)過程如圖3所示。

Singh等使用了Keras深度學(xué)習(xí)模型[VGGNet,InceptionV3,DenseNet,InceptionResNetV2,Mob-ileNet,NASNetMobile]在ImageNet數(shù)據(jù)集上進行預(yù)訓(xùn)練[30]。根據(jù)其應(yīng)用的需要,將所有模型的頂層全連接層、SoftMax層和輸出層替換為全局平均池化層,隨后用k-means分割后的椰子圖像目標(biāo)數(shù)據(jù)對頂層進行訓(xùn)練。并在對從卷積層總數(shù)的9/10進行微調(diào)時,達到了最高的精度。其中,MobileNet的初始驗證準(zhǔn)確率最高,為82.10%,微調(diào)之后驗證準(zhǔn)確率達到了96.94%。

Tahir等使用了Inception V3作為遷移學(xué)習(xí)模型,并實現(xiàn)了一種名為方差控制Na?ve 貝葉斯的方法提取特征[15]。該方法用于發(fā)現(xiàn)每個像素與相鄰像素之間的差異,并用于對不同區(qū)域進行分類。

Liu等提出運用混合訓(xùn)練與遷移學(xué)習(xí)相結(jié)合的前訓(xùn)練模型對模型進行微調(diào)。與傳統(tǒng)方法相比,遷移學(xué)習(xí)顯著影響模型的改進[38]?；旌嫌?xùn)練與遷移學(xué)習(xí)相結(jié)合時,模型F1評分提高了3.73%,AP值提高了2.64%,平均IoU值提高了2.64%。

Sladojevic等刪除了caffeNet中的softmax分類器,并使用隨機值初始化新的分類器,同時為了解決數(shù)據(jù)集規(guī)模較小,通過對參數(shù)的實驗調(diào)整,得到最適合植物病害檢測的模型[23]。

2.5 網(wǎng)絡(luò)結(jié)構(gòu)模型選擇

在深度學(xué)習(xí)網(wǎng)絡(luò)中,特征提取是一個重要的組成部分。特征提取器通常是由多個卷積層和池化層組成的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)。它可以提取圖像的深層特征,用于目標(biāo)識別和定位。特征提取的深度和層次類型將影響系統(tǒng)的速度、識別和定位精度。選擇合適的特征提取網(wǎng)絡(luò)模型對提高系統(tǒng)性能非常重要。

本研究是基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù),因此所涉及的研究模型無論是自訓(xùn)練模型或是通過遷移學(xué)習(xí)進行訓(xùn)練,均是卷積神經(jīng)網(wǎng)絡(luò)模型,如用于物體分類領(lǐng)域的網(wǎng)絡(luò)模型:AlexNet、VGG、Inception、ResNet、MobileNet等和目標(biāo)檢測領(lǐng)域的網(wǎng)絡(luò)模型如R-CNN、YOLO等。本研究具體所涉及主要模型網(wǎng)絡(luò)結(jié)構(gòu)特點及其優(yōu)缺點見表5。

表5 各模型網(wǎng)絡(luò)結(jié)構(gòu)特點及其優(yōu)缺點

除了表5所述模型之外,相關(guān)研究人員采取了其他模型進行試驗。

Singh等考慮到Faster R-CNN架構(gòu)中的錨點操作中任何微小的位置錯誤都會導(dǎo)致一些事件(如微小害蟲的發(fā)生)被忽視[30]。于是Singh增加候選對象的位置精度,利用雙線性插值的方法計算采樣點的像素值,從而避免位置錯誤帶來的影響。Turkohlu等提出了一種基于n×n大小劃分方法的多分割卷積神經(jīng)網(wǎng)絡(luò)(MD-CNN)模型,用于植物物種分類[22]。利用2×2、3×3、4×4、5×5等窗口大小將植物圖像分成若干部分,并對每一部分進行深度特征提取。最后,將分割得到的突出特征進行組合,取得了十分優(yōu)秀的效果。Liu等專門為葡萄病害檢測而設(shè)計了UnitedModel,該模型由多個CNN組合,能夠提取互補的判別特征,對葡萄葉片病害識別實現(xiàn)了96.58%的準(zhǔn)確率[17]。Thenmozhi等在他們的模型中在每個卷積層和ReLU層之間使用了批處理歸一化層,最大限度地提高了訓(xùn)練效率,減少了過擬合[24]。Cubuk等在CNN基礎(chǔ)上將其改進提出DCNN模型,新模型改變了ReLU層的順序,將ReLU層放在2個卷積層之間,并在每個block的末尾設(shè)置1個池化層,減少了輸入信息的丟失,有利于深度網(wǎng)絡(luò)的收斂[44]。

2.6 神經(jīng)網(wǎng)絡(luò)模型優(yōu)化

如果卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果并不夠好,就需要對網(wǎng)絡(luò)模型進行優(yōu)化。需要使用各種優(yōu)化策略和算法,來更新和計算影響模型訓(xùn)練和模型輸出的網(wǎng)絡(luò)參數(shù)。進行算法優(yōu)化的目的是為了通過改善訓(xùn)練方式,來最小化(或最大化)損失函數(shù)。常見優(yōu)化器算法如表6所示。

表6 常見優(yōu)化器算法

Saleem等使用了多種優(yōu)化器對CNN模型進行訓(xùn)練,使用Adam優(yōu)化器訓(xùn)練的Xception模型獲得了最高的驗證精度和F1得分,分別為99.81%和0.997 8,表明了Adam優(yōu)化器的有效性[25]。然而,當(dāng)針對Xception和級聯(lián)模型分別將優(yōu)化函數(shù)從SGD更改為Adagrad和RMSProp時,也觀察到了性能的下降。

除了算法優(yōu)化之外,Jiang等使用了批處理歸一化。由于一開始使用了較低的學(xué)習(xí)率和保守的參數(shù)初始化,減慢了訓(xùn)練速度,從而使得訓(xùn)練具有飽和非線性的模型變得非常困難[14]。但是批處理歸一化可以使用更高的學(xué)習(xí)率和面臨更少的初始化問題,使得模型擁有更快學(xué)習(xí)速度和更高整體準(zhǔn)確性。

Goodfellow等對權(quán)重和偏倚學(xué)習(xí)率進行了修正,他們發(fā)現(xiàn)隨著偏置和學(xué)習(xí)率從網(wǎng)絡(luò)全局學(xué)習(xí)率的10倍增加到40倍,使用VGG16網(wǎng)絡(luò)時,分類準(zhǔn)確率從97.33%下降到96.19%[43],得出快速學(xué)習(xí)率降低了VGG16網(wǎng)絡(luò)的準(zhǔn)確率這一結(jié)論。

學(xué)習(xí)率是影響卷積神經(jīng)網(wǎng)絡(luò)模型效率的一個重要因素。較高的學(xué)習(xí)率加速了學(xué)習(xí)過程,導(dǎo)致?lián)p失函數(shù)增加,而較低的學(xué)習(xí)率則使損失函數(shù)緩慢下降。Thenmozhi等以0.000 05、0.000 1、0.000 5和0.001的學(xué)習(xí)率訓(xùn)練他們提出的模型[24],結(jié)果表明,當(dāng)學(xué)習(xí)率設(shè)置為0.000 1時,分類準(zhǔn)確率得到了較好的結(jié)果。He等通過調(diào)整Faster R-CNN中錨點的大小,來提升網(wǎng)絡(luò)訓(xùn)練結(jié)果的質(zhì)量,同時調(diào)整batch_size的大小,得出當(dāng)base_size值為4時即錨節(jié)點大小分別為32×32、64×64和128×128時訓(xùn)練效果最好[33]。

3 卷積神經(jīng)網(wǎng)絡(luò)在病蟲害識別應(yīng)用中的挑戰(zhàn)與展望

3.1 面臨的挑戰(zhàn)

雖然卷積神經(jīng)網(wǎng)絡(luò)技術(shù)是當(dāng)下最熱門的深度學(xué)習(xí)技術(shù),近年來,基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害識別技術(shù)在研究上取得了良好的效果。但是,該技術(shù)在農(nóng)作物病蟲害識別領(lǐng)域的應(yīng)用尚處于起步階段。此外,因為農(nóng)業(yè)病蟲害問題有著一定程度的復(fù)雜性,在實際場景中,病蟲害識別依舊有著相當(dāng)程度上的缺點與局限性。

3.1.1 數(shù)據(jù)獲取困難 目前,對于農(nóng)業(yè)病蟲害數(shù)據(jù),我國并沒有建立起足夠大型和豐富的數(shù)據(jù)庫,研究人員需要耗費大量人力物力和時間去自行采集數(shù)據(jù)。且研究人員所研究的病種和農(nóng)業(yè)作物往往并不相同,彼此之間也無法進行數(shù)據(jù)交換,極大地降低了研究效率。當(dāng)然研究人員可以利用數(shù)據(jù)增強手段擴大自己的數(shù)據(jù)集,但是在這一過程中不可避免地會發(fā)生信息損失的情況。如針對某些病害,葉片大面積潰爛,枝葉部位覆蓋大量蟲卵等。圖像裁剪會導(dǎo)致葉片潰爛面積的不準(zhǔn)確,以及蟲卵密度信息失衡,造成關(guān)鍵信息丟失。

3.1.2 圖像檢測困難 對于農(nóng)業(yè)病蟲害來說,收集到的圖片往往會存在一些問題。(1)病蟲害發(fā)生情況并不唯一。有些病蟲害無法識別,因為在發(fā)生危害之初無法觀測到病/蟲源。絕大多數(shù)能夠識別出來的病蟲害,等可以識別的時候又已經(jīng)太晚了。(2)光源問題。自然環(huán)境下光線是不穩(wěn)定的,即使使用人工照明,葉片或樹枝也會遮擋光線,導(dǎo)致照明不均勻,對圖像造成偏差。(3)圖片背景復(fù)雜。對于病蟲害圖片來說,它們的取材通常是來自農(nóng)田或者人工大棚,圖片背景是不確定的土壤類型[47](泥濘、紅土、高堿)和植物殘留物,極大提高了檢測難度。(4)害蟲的偽裝。為了生存,許多害蟲都偽裝起來,它們具有與生存環(huán)境相同的顏色和形態(tài)特征,甚至可以極其相似地模擬植物的枝葉[48]。這些情況對識別算法有著不同程度的影響,從而導(dǎo)致圖像識別錯誤。

3.1.3 卷積網(wǎng)絡(luò)模型泛化能力差 研究人員所選取的數(shù)據(jù)集往往只是從某一個農(nóng)場或是某一地區(qū)取得。對于農(nóng)作物而言,不同的地理環(huán)境、氣候環(huán)境,往往會帶來很大的影響。本研究訓(xùn)練和測試數(shù)據(jù)集大多取自同一個數(shù)據(jù)源,它只包含了試驗中可能發(fā)現(xiàn)的所有可能性的一個非常有限的子集。對于這些研究來說,或許他們?nèi)〉昧讼喈?dāng)優(yōu)秀的結(jié)果,準(zhǔn)確率高達90%甚至95%。但是如果將他們的網(wǎng)絡(luò)應(yīng)用到不同源數(shù)據(jù)集時,不能斷言它們一定會依舊獲得同樣優(yōu)秀的結(jié)果。

3.1.4 卷積模型訓(xùn)練過程無法確定 在本文所研究的論文中,數(shù)據(jù)規(guī)模最低的僅有200個樣本,最高的則高達80 000個樣本。但沒有任何試驗給出了一個明確地答案,即需要多少張圖像足以讓神經(jīng)網(wǎng)絡(luò)正確地學(xué)習(xí)其數(shù)據(jù)集的特征。由于卷積神經(jīng)網(wǎng)絡(luò)的黑盒性質(zhì),其訓(xùn)練過程無法被觀測到,人們無法得知具體訓(xùn)練過程是如何進行的,只能根據(jù)經(jīng)驗設(shè)置超參數(shù),進而一步步摸索模型最優(yōu)解。

3.1.5 訓(xùn)練過程緩慢且需要消耗大量資源 卷積神經(jīng)網(wǎng)絡(luò)的深度架構(gòu)帶來了優(yōu)越的特征提取能力,但是高復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)使得訓(xùn)練過程十分緩慢,同時會花費巨大的計算資源,它需要配備擁有圖形處理單元(graphics processing unit,簡稱GPU)和大量隨機存取存儲器(Random Access Memory,簡稱RAM)的昂貴系統(tǒng)來訓(xùn)練模型。同時,由于嵌入式平臺的GPU性能遠(yuǎn)低于計算機。一些依賴高性能GPU來實現(xiàn)實時目標(biāo)檢測的深度神經(jīng)網(wǎng)絡(luò)在嵌入式平臺的目標(biāo)檢測速度會明顯下降。

3.2 展望

自卷積神經(jīng)網(wǎng)絡(luò)理論被提出以來,其表征學(xué)習(xí)能力一直受到大范圍的關(guān)注。隨著計算機硬件設(shè)備的發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)在圖像識別上面展現(xiàn)出的巨大潛力,通過總結(jié)國內(nèi)外研究現(xiàn)狀可以得知,基于卷積網(wǎng)絡(luò)的病蟲害識別技術(shù)極大地提升了農(nóng)業(yè)生產(chǎn)效率。因此,進一步推進病蟲害識別技術(shù),解決病蟲害識別應(yīng)用中的困難與局限性對于保障農(nóng)業(yè)生產(chǎn)、推動農(nóng)業(yè)經(jīng)濟發(fā)展具有重要意義。總體而言,現(xiàn)階段利用卷積神經(jīng)網(wǎng)絡(luò)解決病蟲害識別的難點可分為病蟲害數(shù)據(jù)處理與神經(jīng)網(wǎng)絡(luò)模型的性能優(yōu)化2個方面。

為了克服這些困難,首先需要構(gòu)建充實豐富的病蟲害數(shù)據(jù)庫。構(gòu)建充實豐富的病蟲害數(shù)據(jù)庫,可以考慮開發(fā)一種基于5G的實時自動檢測系統(tǒng),利用無人機,或是地面機器人,對作物上的害蟲進行近距離實時檢測,以進行大面積疾病害蟲管理與拍攝,再由專家正確地標(biāo)記。同時進行世界范圍內(nèi)數(shù)據(jù)共享,讓世界各地的研究小組在不同地區(qū)收集具有非常不同特征的圖像。對相應(yīng)的數(shù)據(jù)集進行適當(dāng)?shù)恼?以取得特征更為明顯、噪音更加簡單的圖像,得到的圖像集將更具代表性,研究結(jié)果將更有意義,更適用于農(nóng)業(yè)生產(chǎn)的條件。其次應(yīng)研發(fā)性能更加優(yōu)越的神經(jīng)網(wǎng)絡(luò)模型?？蓮男阅堋⑿?、可視化、可移植性多方面考慮,解決模型泛化能力差、訓(xùn)練速度慢、訓(xùn)練過程不清晰、識別精度不穩(wěn)定等方面的問題,形成可對抗復(fù)雜環(huán)境、多種病蟲害特征、可大規(guī)模應(yīng)用于嵌入式設(shè)備的網(wǎng)絡(luò)模型。

除了圖像分析之外,還要結(jié)合環(huán)境因素、水肥供給、農(nóng)事操作記錄等,從多方面與農(nóng)業(yè)理論相結(jié)合。需要專業(yè)的農(nóng)業(yè)研究人員與計算機視覺研究人員之間相互配合,進一步提高病蟲害識別技術(shù)的實際應(yīng)用效率。

4 結(jié)論

本文綜述了利用卷積網(wǎng)絡(luò)模型進行病蟲害識別這項技術(shù)在國內(nèi)外的研究進展。討論了文獻中病蟲害識別關(guān)鍵技術(shù)中如數(shù)據(jù)源選擇、數(shù)據(jù)預(yù)處理手段、神經(jīng)網(wǎng)絡(luò)模型的不同與相似之處。從結(jié)果對比上來看,越豐富、越真實、種類越多的數(shù)據(jù)源以及經(jīng)過初始化處理了無關(guān)信息的圖片,對病蟲害識別準(zhǔn)確率有著極大的提升。對于神經(jīng)網(wǎng)絡(luò)模型的選擇,針對不同的任務(wù)可以選擇不同的類型,如追求速度與效率的MobileNet,用以處理大量特征參數(shù)的ResNet,以及需要對目標(biāo)進行定位的YOLO。最后提出了該項技術(shù)現(xiàn)階段的不足之處和未來的發(fā)展趨勢,從短期看來,農(nóng)業(yè)病蟲害識別上的卷積網(wǎng)絡(luò)應(yīng)用短時間內(nèi)無法達到真正解決病蟲害問題,現(xiàn)階段依舊存在著數(shù)據(jù)獲取困難、模型訓(xùn)練消耗太大等諸多困難。雖然離實際應(yīng)用還需要一段時間,但是不可否認(rèn)的是,卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)方面有著光明的前景,而現(xiàn)在的很多經(jīng)驗,以后也將成為其背后大數(shù)據(jù)的一部分。