牛伯浩

關鍵詞：黃瓜病害；VGG；檢測模型；小樣本；模型優(yōu)化

0 引言

黃瓜是我國重要的農作物，黃瓜的病害是影響黃瓜產量的重要因素，黃瓜病害的及時發(fā)現與診治有助于提高產量。因此，人們開始思考如何實現黃瓜病害的高效檢測。近幾年，基于深度學習的圖像分類、檢測、識別等任務均取得了很好的效果。在計算機視覺領域，運用深度學習的圖像分類結果越來越符合人類的視覺認知，而基于深度學習的圖像分類方法在小規(guī)模圖像分類上效果顯著[1-3]。

在黃瓜的生長過程中，葉枯病是危害黃瓜健康生長的最主要的病害之一。目前雖然已有一些學者開始關注黃瓜病害圖像的研究，但是與黃瓜葉片葉枯病病害圖像研究相關的課題并不多。因此本文以黃瓜葉片圖像為數據集，以黃瓜的葉枯病分類檢測為例，展開算法研究[4-5]。

本文在深度學習與卷積神經網絡模型VGG16研究的基礎上，提出了黃瓜病害檢測模型，然后將此算法應用在小數據集上實現了黃瓜葉枯病的分類檢測，為黃瓜葉枯病病害的檢測提供一種有效的方法[6-7]。

1 材料與方法

1.1 黃瓜葉片數據集與預處理

本文以黃瓜病害檢測為背景，以黃瓜葉片的葉枯病檢測為例展開研究。本文實驗數據集一共1 500張黃瓜葉片圖像。其中包括健康和患有黃瓜葉枯病的黃瓜葉片圖像。數據集中健康葉片圖像1 200張，患有葉枯病的黃瓜葉片圖像300張，通過樣本擴充的方法解決數據分布不均勻的問題。

由于本課題數據集具有樣本分布不均的特點，因此對數據集進行有選擇的擴充，一般情況下，在第一次訓練時，篩選出類別概率值比較接近的圖片，這類圖片要么病害特征不明顯，要么健康特征不明顯，因此我們將此類圖片樣本又稱之為“難樣本”。一個模型最終的分類能力，往往取決于其對難樣本的分類能力。在數據集樣本數量有限的情況下，對于一些特征不明顯樣本再次訓練，能夠進一步提高模型的分類能力。因此，為了提高檢測精度，選出訓練集中類別概率差值小于50%的圖片，并作為新的訓練集繼續(xù)訓練，得出最終的分類精度。部分數據集樣本如圖1所示。

1.2 黃瓜病害檢測模型

由于VGG16在每一層大的卷積層中又包含了三個子卷積層，網絡具有相對較大感受野，且VGG16具有很好的泛化性能。因此，本文提出的黃瓜病害檢測模型利用在VGG16模型的卷積層進行特征提取。具體工作過程包括：首先按照設定的比例將數據集分為測試機和訓練集。然后對模型展開訓練，在對模型進行訓練時，先使用模型的卷積層來提取特征，在獲得特征結果的同時，也提高了該模型卷積層在黃瓜病害檢測應用中的適用性。然后再次使用已訓練過的卷積層進行訓練，進一步提高模型的檢測精度。

接著單獨針對網絡最后兩層全連接層和sigmoid 層進行訓練，其中不對卷積層進行訓練。在本文數據集上進行測試時，由之前保留下來的卷積層對測試集中的圖像數據提取特征，然后送到最后二層全連接層和sigmoid分類器得到其類別及對應概率值。模型結構如圖2所示。

具體步驟如下。

輸入：輸入預處理后的數據集圖片。

特征提?。菏紫葘GG16 模型進行分解。用VGG16網絡模型卷積層來提取黃瓜圖片特征。

訓練模型：以上一步提取的特征作為輸入，用來訓練全連接層參數和sigmoid分類器，得到訓練模型。

篩選：輸出訓練集所有圖片的各類預測百分比，為了提高精度，篩選出兩類預測百分比相差小于50%的圖片作為新的數據集。

再訓練：將上一步選出的圖片作為輸入，再訓練全連接層參數，得出最終參數。

再預測：再通過該模型sigmoid分類器預測輸入圖片類別及其對應概率值。

其中VGG16的卷積層作為特征提取器，每段卷積層后連接池化層，最后連接2層全連接層和Softmax分類器得到物體類別及對應概率值。

黃瓜病害檢測模型的損失函數是交叉熵損失函數，其中附加了L2正則化項，目的是針對權重參數進行懲罰，減輕過擬合現象。損失函數見式（1） 。

式（1） 中J 為訓練損失，θ 為權重參數，λ 為正則項系數，x 為批次訓練樣本，p 為期望的類別概率，q 為模型預測的類別概率，類別概率由Softmax計算。

黃瓜如果患有病害，一般情況下都會在葉片中有所體現。黃瓜葉枯病癥狀包括葉片的顏色和表面紋理特征變化。采用方向梯度直方圖（Histogram of ori?ented gradient，HOG）用來提取黃瓜葉片的顏色紋理特征，并通過SVM進行分類。

2 實驗與討論

2.1 實驗設置

本實驗是以Anaconda3中的Juypter notebook為運行環(huán)境，開源深度學習框架Tensorflow作為開發(fā)環(huán)境，Python作為開發(fā)語言，展開實驗研究。本文實驗環(huán)境是一臺CPU內存為8GB的系統為Windows10的計算機，程序語言環(huán)境是深度學習框架 Tensorflow，然后進行模型初始化工作，接著進行訓練。其中模型學習率為0.001，迭代次數為100次，批處理大?。˙atch _ size） 為10。用VGG16模型訓練黃瓜葉片圖像集進而獲得其特征向量，然后將特征向量輸入到Softmax分類器中獲得分類結果，并進行可視化展示。

2.2 實驗結果與分析

在未對訓練集進行數據篩選并再訓練之前，本文所用到的兩種算法的基礎實驗結果如表1所示。從表1中可以看出，關于黃瓜葉枯病病害的檢測精度，本文提出的黃瓜病害檢測模型可以達到95.4%，而基于SVM的檢測精度僅為88.3%。

在基于小樣本數據集以及樣本分布不均勻的分類問題中，為了提高模型精度，選出訓練集中類別概率差值小于50%的圖片，并作為新的訓練集繼續(xù)訓練。

這種方法首先從某種程度上解決了數據分布不均的問題，其次，可以減少訓練階段的過度擬合，從而提升網絡的泛化性能。將篩選出的數據送入模型進行再訓練。為了提高說服力，先后在原始數據集和擴充后的數據集上，使用了傳統方法支持向量機模型和黃瓜病害檢測模型開展實驗，性能對比如表2所示。

由表2可知，將篩選出的數據送入模型進行再訓練之后，基于SVM的檢測精度為88.6%，黃瓜病害檢測模型葉枯病檢測精度可達96.8%。顯然，黃瓜病害檢測模型在病害檢測問題中更具有優(yōu)勢。此外，基于遷移學習的VGG16方法與傳統方法相比，節(jié)省了大量的訓練時間，效率更高且取得了更高的檢測精度。該模型實驗結果如圖3所示。

圖3是黃瓜病害檢測模型在測試集上的檢測結果，分類檢測精度均可以達到96%，而基于SVM分類器的黃瓜病害檢測精度僅為88.6%。根據在測試集以及驗證集上實驗結果，本文所提出的黃瓜病害檢測模型對黃瓜病害的檢測取得了較高的精度。因此，該黃瓜病害檢測模型在小樣本數據集上完成病害檢測任務是可行的。

此外，由于優(yōu)化器的選擇有助于提高訓練的速度和精度，不同的模型匹配不同的優(yōu)化器。機器學習常見的優(yōu)化器包括：Adam、Adadelta 以及GradientDes?cent。其中Adam、Adadelta 為自適應學習率優(yōu)化算法，GradientDescent為梯度下降法。為了選擇最優(yōu)的優(yōu)化器，將對這三種優(yōu)化器進行對比試驗，本文從優(yōu)化器對模型測試精度的影響方面展開實驗研究，實驗對比結果如表3所示。

從表3可以看出，相同的優(yōu)化器算法，在學習率不同的情況下，會對最終的預測精度產生影響。相同的學習率，選擇不同的優(yōu)化器算法，也會對最終的預測精度產生影響。綜合優(yōu)化器算法和學習率兩個因素，在選擇Adam優(yōu)化器算法且定義學習率為0.001情況下來訓練模型，訓練好的模型預測精度最高，為98.79%。

從這三種優(yōu)化器在學習率三種不同的取值時的取得的測試準確率來看，Adam優(yōu)化器取得的最高測試精度為98.79%，此時的學習率為0.001；Adadelta優(yōu)化器取得的最高測試精度為92.12%，此時的學習率為0.01；而GradientDescent 優(yōu)化器在學習率為0.01 和0.005時均取得的最高測試精度為95.76%。因此不同的優(yōu)化器都有與之匹配的學習率，選擇與優(yōu)化器相匹配的學習率，有助于模型取得更好的效果。

3 結束語

本文提出了黃瓜病害檢測模型在原始數據集擴充的基礎上，完成了特征提取、訓練模型、參數訓練、優(yōu)化模型、改進損失函數。實驗結果表明，本文提出的黃瓜病害檢測模型與基于SVM分類器的方法相比，取得了更高的檢測精度。因此，本文的研究在小樣本數據集和小設備背景下具有一定的實用價值。