摘要：針對(duì)目前玉米葉片病害識(shí)別模型參數(shù)量大、移動(dòng)端部署難、識(shí)別準(zhǔn)確率不夠高等問(wèn)題，提出一種基于輕量化網(wǎng)絡(luò)RegNet和遷移學(xué)習(xí)的識(shí)別方法，首先收集4類(lèi)常見(jiàn)玉米葉片病害圖像樣本，通過(guò)平移、鏡像、旋轉(zhuǎn)等方式對(duì)圖像進(jìn)行處理，以增加圖片數(shù)量，提升模型識(shí)別和泛化能力。接著以輕量化網(wǎng)絡(luò)RegNet為主體，采用Inception A結(jié)構(gòu)對(duì)stem中的3×3卷積進(jìn)行替換，增加模型寬度，以分解卷積的形式對(duì)玉米葉片病害進(jìn)行多尺度特征提取。最后在head中引入金字塔池化模塊（pyramid pooling module，PPM），用于減少空間信息丟失，保留病害重要特征和細(xì)節(jié)。試驗(yàn)結(jié)果表明，改進(jìn)后的模型相比RegNet，Top-1準(zhǔn)確率提升1.26百分點(diǎn)，平均精確率提升1.34百分點(diǎn)，平均F1分?jǐn)?shù)提升133百分點(diǎn)，平均召回率提升1.34百分點(diǎn)，參數(shù)量只增加了0.89×106，改進(jìn)后的模型具有更好的特征提取能力，該模型為玉米葉片病害類(lèi)型的識(shí)別提供了一種有效的方法。

關(guān)鍵詞：玉米；葉片病害；圖像分類(lèi)；RegNet；Inception v3；金字塔池化

中圖分類(lèi)號(hào)：TP391.41；S126文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）11-0216-09

玉米是禾本科一年生草本植物，是世界上重要的糧食作物。玉米用途廣泛，在農(nóng)業(yè)領(lǐng)域常作飼料使用，在醫(yī)藥行業(yè)可作為藥物生產(chǎn)、醫(yī)療設(shè)備制造的原材料，在各個(gè)化工行業(yè)則可生成塑膠等不同物品。玉米在種植過(guò)程中容易受到各類(lèi)病害的侵襲，其中葉片病害是玉米病害的常見(jiàn)類(lèi)型之一，給玉米生長(zhǎng)帶來(lái)嚴(yán)重威脅，造成產(chǎn)量顯著下降。

目前針對(duì)植物葉片病害的識(shí)別方法大概可以分為3類(lèi)：第1類(lèi)是傳統(tǒng)的人工識(shí)別方法，主要依賴(lài)于經(jīng)驗(yàn)判斷和人工肉眼觀(guān)察，由于病害癥狀的復(fù)雜性和多樣性，人工識(shí)別常常受到實(shí)際操作者主觀(guān)因素的影響，導(dǎo)致診斷結(jié)果不一致或不準(zhǔn)確［1］。第2類(lèi)是傳統(tǒng)圖像識(shí)別方法，主要依賴(lài)于圖像特征提取和分類(lèi)算法。例如，可以通過(guò)顏色、紋理、形狀等葉片特征進(jìn)行識(shí)別［2］。Gayathri等通過(guò)離散小波變換、尺度不變特征變換和灰度共生矩陣混合方法提取5類(lèi)水稻病害葉片的特征，結(jié)合支持向量機(jī)（SVM）分類(lèi)器實(shí)現(xiàn)了98.63%的識(shí)別精度［3］。黨滿(mǎn)意等通過(guò)將提取的馬鈴薯晚疫病葉片顏色、紋理及形狀特征參數(shù)結(jié)合起來(lái)進(jìn)行建模，對(duì)患病中期與后期的晚疫病葉片識(shí)別率分別達(dá)到900%和92.5%，識(shí)別時(shí)間為9 s［4］。這些方法通常基于預(yù)定義的規(guī)則和特征，需要手動(dòng)選擇和特征提取，且需要設(shè)計(jì)合適的分類(lèi)算法，鑒定效率較低。第3類(lèi)是基于深度學(xué)習(xí)的圖像分析方法，運(yùn)用以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)方法對(duì)圖像進(jìn)行識(shí)別、分類(lèi)和異常檢測(cè)［5］，為基于視覺(jué)的病害智能識(shí)別技術(shù)提供了便利和基礎(chǔ)［6］。經(jīng)典的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，較深的網(wǎng)絡(luò)結(jié)構(gòu)會(huì)產(chǎn)生大量參數(shù)，增加計(jì)算量和內(nèi)存要求。為平衡精度、尺寸和效率，研究者們提出各種輕量化卷積神經(jīng)網(wǎng)絡(luò)模型，如Xception、ShuffleNet、MobileNet系列和RegNet，它們?cè)谥参锶~片病害識(shí)別中取得不錯(cuò)效果［7-11］。杜甜甜等在RegNet模型特征提取層引入ECA注意力機(jī)制，在分類(lèi)層引入多尺度特征融合策略，并使用深度遷移學(xué)習(xí)來(lái)優(yōu)化模型的整體性能，實(shí)現(xiàn)了對(duì)不同農(nóng)作物病害的識(shí)別［12］。董萍等采用遷移學(xué)習(xí)（transfer learning，TL）的方法將Xception應(yīng)用于玉米葉片病害識(shí)別，在可訓(xùn)練參數(shù)量為80%時(shí)識(shí)別效果最好，準(zhǔn)確率達(dá)到9462%［13］。謝家興等通過(guò)采用混合空洞卷積、輕量型通道注意力模塊ECA以及刪減模型中不必要的層數(shù)和通道數(shù)對(duì)ShuffleNet v2進(jìn)行改進(jìn)，將模型對(duì)荔枝葉片病蟲(chóng)害識(shí)別的準(zhǔn)確率提高2.55百分點(diǎn)［14］。劉小玲等使用Inception模塊、Ghost模塊和協(xié)調(diào)注意力機(jī)制對(duì)MobileNeXt中的sandglass結(jié)構(gòu)進(jìn)行改進(jìn)，改進(jìn)后的模型相比于MobileNeXt，平均精確率提升1.18百分點(diǎn)［15］。

本研究提出一種改進(jìn)的RegNet模型，通過(guò)優(yōu)化RegNet網(wǎng)絡(luò)的深度和寬度，融合金字塔池化策略，實(shí)現(xiàn)對(duì)玉米健康葉片和銹病、灰斑病、北方葉枯病等3類(lèi)病害葉片的準(zhǔn)確分類(lèi)。通過(guò)試驗(yàn)對(duì)改進(jìn)算法與其他網(wǎng)絡(luò)模型方法進(jìn)行比較，為玉米葉片病害識(shí)別以及將病害識(shí)別模型移植到可移動(dòng)設(shè)備中提供新的思路。

1 試驗(yàn)材料

1.1 試驗(yàn)數(shù)據(jù)

本研究所使用的圖像數(shù)據(jù)來(lái)自開(kāi)源的PlantVillage數(shù)據(jù)集，PlantVillage中共包含54 306張農(nóng)作物葉片病害圖片，涉及38類(lèi)。本研究中用于訓(xùn)練和測(cè)試模型的是玉米葉片病害數(shù)據(jù)集，選取其中4個(gè)類(lèi)別，即健康葉片、銹病、灰斑病、北方葉枯病，共3 852張圖片，其中健康葉片1 162張，銹病葉片1 192張，灰斑病葉片513張，北方葉枯病葉片985張，具體如圖1所示。

.2 數(shù)據(jù)預(yù)處理

為平衡數(shù)據(jù)集各類(lèi)別數(shù)量，提高模型的泛化能力，防止出現(xiàn)數(shù)據(jù)集過(guò)小帶來(lái)的過(guò)擬合問(wèn)題，本研究主要采用平移、鏡像、旋轉(zhuǎn)等數(shù)據(jù)增強(qiáng)方法對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，圖2為灰斑病圖片擴(kuò)增實(shí)例。通過(guò)圖片擴(kuò)增，共獲得玉米葉片病害圖像4 354張，作為最終的玉米葉片病害數(shù)據(jù)集，具體如表1所示。將擴(kuò)充后的數(shù)據(jù)集按照8 ∶2的比例劃分成訓(xùn)練集和測(cè)試集，并在訓(xùn)練時(shí)從訓(xùn)練集中劃分出20%的圖片作為驗(yàn)證集。

2 試驗(yàn)方法

2.1 RegNet基本模型

RegNet是一種由Facebook AI的研究者們?cè)?020年提出的神經(jīng)網(wǎng)絡(luò)架構(gòu)［11］，核心理念是網(wǎng)絡(luò)的深度（depth）、寬度（width）以及每層的時(shí)間/空間分辨率（resolution）之間存在某種規(guī)律性的關(guān)系，通過(guò)配置一組不同的超參數(shù)，生成一系列具有不同計(jì)算量和參數(shù)量的網(wǎng)絡(luò)架構(gòu)，以滿(mǎn)足不同場(chǎng)景和資源限制的需求。RegNet網(wǎng)絡(luò)由3個(gè)部分構(gòu)成，分別為stem、body和head。stem層由一個(gè)步長(zhǎng)為2、卷積核大小為3×3、卷積核個(gè)數(shù)為32的普通卷積以及批量歸一化（batch normalization，BN）和ReLU激活函數(shù)構(gòu)成。網(wǎng)絡(luò)中最主要的是body部分，由4個(gè)stage堆疊組成，而stage由一系列block堆疊組成，每個(gè)stage的第1個(gè)block中存在步距為2的卷積，剩下的block中的卷積步距都為1。block為帶有分組卷積的殘差結(jié)構(gòu)，具體見(jiàn)圖3。

每個(gè)block塊的主分支由1×1卷積、3×3卷積和1×1卷積組成，其中1×1卷積改變通道寬度，每個(gè)卷積后都跟隨BN和ReLU激活函數(shù)。在shortcut捷徑分支上，當(dāng)stride=1時(shí)，不做任何處理；當(dāng)stride=2時(shí)，通過(guò)一個(gè)1×1的卷積（包括BN）進(jìn)行下采樣。block塊包括3個(gè)參數(shù)，即特征矩陣的通道數(shù)（wi）、每個(gè)組卷積的組寬度（gi）和瓶頸比（bi，當(dāng)bi取1時(shí)，模型效果最好）。r代表分辨率，可以理解為特征矩陣的高和寬，當(dāng)步距s等于1時(shí)，輸入輸出的r保持不變；當(dāng)s等于2時(shí)，輸出的r為輸入的1/2。head由全局平均池化（global average pooling，GAP）、全連接層（fully connected layer，F(xiàn)C）構(gòu)成，用來(lái)對(duì)輸出層進(jìn)行分類(lèi)。RegNet模型整體架構(gòu)見(jiàn)圖4。

2.2 Inception v3模塊

增加網(wǎng)絡(luò)的深度和寬度可以提升網(wǎng)絡(luò)的性能，但是會(huì)導(dǎo)致更大的參數(shù)空間，更容易出現(xiàn)過(guò)擬合現(xiàn)象，因此需要更多的計(jì)算資源。為解決上述問(wèn)題，Szegedy等提出Inception結(jié)構(gòu)［16］，該結(jié)構(gòu)將稀疏矩陣聚類(lèi)成相對(duì)密集的子矩陣，采用不同大小的卷積核，使得存在不同大小的感受野，最后通過(guò)拼接實(shí)現(xiàn)不同尺度特征的融合。將大卷積核分解成小卷積核，可以避免表達(dá)瓶頸，提高非線(xiàn)性表達(dá)能力。在Inception v3中，筆者提出2種分解卷積的思想，第1種是對(duì)稱(chēng)卷積分解，即使用小的卷積核串聯(lián)來(lái)代替大的卷積核，例如將5×5卷積核分解成2個(gè) 3×3卷積核，將7×7卷積核分解成3個(gè)3×3卷積核。在其他條件相同的情況下，將5×5卷積核分解為2個(gè)串聯(lián)的3×3卷積核，參數(shù)量可以減少28%，這是因?yàn)橄噜徃惺芤暗臋?quán)值共享（即同一個(gè)卷積核在不同位置使用相同的權(quán)值），減少了很多計(jì)算量。第2種是非對(duì)稱(chēng)卷積分解，任意n×n卷積核都可以通過(guò)1×n卷積核后接n×1卷積核來(lái)替代，n越大節(jié)省的運(yùn)算量越大。在其他條件相同的情況下， 以3×3卷積核分解為例，將3×3卷積核按照對(duì)稱(chēng)卷積分解為2個(gè)串聯(lián)的2×2卷積核，可以減少11%的參數(shù)量，而將其按照非對(duì)稱(chēng)卷積分解為1×3和 3×1的2個(gè)不對(duì)稱(chēng)的卷積核，可以減少33%的參數(shù)量，可見(jiàn)非對(duì)稱(chēng)卷積分解效果更好，然而在網(wǎng)絡(luò)的前期使用這種分解效果并不佳，在中度特征圖上使用效果更好。Inception v3模塊共有6種網(wǎng)絡(luò)結(jié)構(gòu)分支，考慮到模型的輕量化以及改進(jìn)后的效果，本研究在stem層采用Inception A網(wǎng)絡(luò)結(jié)構(gòu)。Inception A網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

2.3 金字塔池化模塊

Zhao等在PSPNet中提出了金字塔池化模塊（pyramid pooling module，PPM）［17］，通過(guò)使用不同尺度的池化操作來(lái)提取不同尺度的特征圖，并通過(guò)糅合得到多種尺度的復(fù)合特征圖，聚合了不同區(qū)域的上下文信息，在兼顧全局語(yǔ)義信息與局部細(xì)節(jié)信息的同時(shí)不會(huì)增加計(jì)算量和模型復(fù)雜度。PPM網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，采用4種不同的金字塔尺度，每層的大小分別是1×1、2×2、3×3、6×6，首先將特征圖池化到每層的目標(biāo)大小，為保持全局特征權(quán)重，對(duì)池化后的結(jié)果進(jìn)行1×1卷積，將通道數(shù)減少為原來(lái)的1/4；然后采用雙線(xiàn)性插值法對(duì)每個(gè)低維特征圖進(jìn)行上采樣，將低維特征圖大小恢復(fù)至與原始特征圖相同的大?。蛔詈髮⒃继卣鲌D和上采樣得到的特征圖按通道維度進(jìn)行拼接，得到通道數(shù)為原始特征圖2倍的特征圖，再通過(guò)1×1卷積對(duì)其進(jìn)行通道數(shù)調(diào)整，將通道數(shù)縮小到原始的通道數(shù)。

2.4 改進(jìn)的RegNet模型

本研究提出一種基于RegNet的新網(wǎng)絡(luò)結(jié)構(gòu)（MIP-RegNet）用于玉米葉片病害識(shí)別，模型框架如圖7所示，首先把圖像送入stem中進(jìn)行特征提取，將stem層中3×3的卷積核替換為具有1×1、3×3、5×5不同尺度卷積核的Inception A結(jié)構(gòu)。不同病害玉米葉片可能在形態(tài)和顏色上差別不大，而同一種病害在葉片上的表現(xiàn)也可能因生長(zhǎng)環(huán)境等因素而存在差異，使用多種不同尺寸的分解卷積可以豐富模型感受野，加強(qiáng)模型對(duì)細(xì)小特征的提取能力，保留更多的病斑細(xì)節(jié)信息。其次將特征圖送入骨干網(wǎng)絡(luò)body中，body由4個(gè)stage構(gòu)成，每個(gè)stage由一系列的block構(gòu)成。最后在head中引入金字塔池化模塊，針對(duì)骨干網(wǎng)絡(luò)輸出特征圖的全局以及 1/4、1/9、1/36子區(qū)域分別進(jìn)行池化操作，玉米葉片病害的形狀大小不一，使用PPM可以更好地捕捉到玉米葉片病害在不同尺度、角度下的特征信息，減少空間信息丟失，保留重要特征和細(xì)節(jié)，從而提高模型的性能。

2.5 遷移學(xué)習(xí)

遷移學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法，利用現(xiàn)有知識(shí)來(lái)解決不同但相關(guān)領(lǐng)域的問(wèn)題［18-20］。遷移學(xué)習(xí)的種類(lèi)根據(jù)遷移的內(nèi)容可以歸納為以下幾種：樣本遷移、特征遷移、參數(shù)（模型）遷移，其中參數(shù)遷移是最常用的遷移學(xué)習(xí)方法，利用源域訓(xùn)練好的模型作為起點(diǎn)，可顯著降低模型在目標(biāo)域內(nèi)對(duì)訓(xùn)練樣本量的需求，降低計(jì)算成本，模型的初始性能更高，提升速率更快，收斂效果更好。針對(duì)本研究中玉米葉片病害樣本量不夠大的情況，選擇進(jìn)行參數(shù)遷移，使用RegNet在ImageNet數(shù)據(jù)集上訓(xùn)練好的權(quán)重對(duì)模型進(jìn)行初始化，并選擇參數(shù)參與梯度計(jì)算和更新的方法作為遷移學(xué)習(xí)的優(yōu)化方案，將預(yù)訓(xùn)練模型遷移至改進(jìn)后的RegNet模型。遷移學(xué)習(xí)流程見(jiàn)圖8。

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)平臺(tái)和超參數(shù)設(shè)置

本研究均在Python 3.8環(huán)境和深度學(xué)習(xí)框架Pytorch 1.9.0中實(shí)現(xiàn)。CPU型號(hào)為14 vCPU Intel Xeon Gold 6330 CPU，GPU型號(hào)為RTX 3090，顯存為24 GB。操作系統(tǒng)為Ubuntu 18.04。

本研究中RegNet的各自由變量分別取d0=22，w0=24，b0=1，g=16，均采用隨機(jī)梯度下降（SGD）優(yōu)化器訓(xùn)練所有模型，動(dòng)量設(shè)置為0.9，權(quán)重衰減設(shè)置為0.000 05，學(xué)習(xí)率初始化為0.001，采用余弦退火學(xué)習(xí)率更新策略，batch size設(shè)置為32，輸入圖像大小統(tǒng)一設(shè)置為224像素×224像素，并設(shè)置epoch為30次。

3.2 評(píng)估指標(biāo)

為全面評(píng)價(jià)本研究提出的玉米葉片病害識(shí)別模型的性能，采用圖像分類(lèi)領(lǐng)域常見(jiàn)的Top-1準(zhǔn)確率（Top-1 accurcacy）、平均精確率（mean precision）、平均召回率（mean recall）和平均F1分?jǐn)?shù)（mean F1 scores）作為評(píng)價(jià)指標(biāo)。計(jì)算公式如下：

式中：TP表示預(yù)測(cè)正確的正類(lèi)樣本數(shù)量；TN表示預(yù)測(cè)正確的負(fù)類(lèi)樣本數(shù)量；FP表示預(yù)測(cè)錯(cuò)誤的正類(lèi)樣本數(shù)量；FN表示預(yù)測(cè)錯(cuò)誤的負(fù)類(lèi)樣本數(shù)量。

損失值可以反映模型預(yù)測(cè)數(shù)據(jù)與真實(shí)標(biāo)記數(shù)據(jù)的差距，損失值越小，模型預(yù)測(cè)越準(zhǔn)確。本研究選用交叉熵?fù)p失函數(shù)計(jì)算損失值，公式如下：

式中：p表示樣本真實(shí)標(biāo)記分布；q表示模型訓(xùn)練后預(yù)測(cè)標(biāo)記分布；類(lèi)別數(shù)量n=4；xi表示第i個(gè)樣本數(shù)據(jù)點(diǎn)。

參數(shù)量是評(píng)估模型復(fù)雜度和規(guī)模的指標(biāo)之一。模型的參數(shù)量是指模型中需要進(jìn)行訓(xùn)練的可調(diào)整參數(shù)的數(shù)量，這些參數(shù)是模型的核心部分，通過(guò)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行優(yōu)化更新，使模型能夠更好地?cái)M合訓(xùn)練數(shù)據(jù)，獲得更高的泛化能力。輕量化網(wǎng)絡(luò)在保持較高性能的同時(shí)具有較少的參數(shù)量。本研究在遵循參數(shù)量增加量盡可能少，保持模型輕量化的同時(shí)提升模型準(zhǔn)確率。

3.3 試驗(yàn)結(jié)果與分析

3.3.1 改進(jìn)后的模型性能分析

訓(xùn)練過(guò)程中的損失值、準(zhǔn)確率變化與混淆矩陣如圖9所示。改進(jìn)后的RegNet對(duì)玉米葉片病害的分類(lèi)識(shí)別率達(dá)9655%。MIP-RegNet對(duì)健康葉片和銹病葉片具有很好的識(shí)別效果，對(duì)灰斑病葉片、北方葉枯病葉片有互相識(shí)別錯(cuò)誤的情況，這是因?yàn)閮烧吆笃诓“Y相似，都會(huì)形成褐色斑塊。

3.3.2 遷移學(xué)習(xí)對(duì)模型性能的影響

本研究將在ImageNet上預(yù)訓(xùn)練的RegNet模型的權(quán)重參數(shù)遷移到本任務(wù)的RegNet模型中，對(duì)玉米葉片病害數(shù)據(jù)集進(jìn)行初始化，允許全部參數(shù)參與梯度計(jì)算和更新，訓(xùn)練集損失值和驗(yàn)證集準(zhǔn)確率變化曲線(xiàn)如圖10所示，對(duì)測(cè)試集的識(shí)別結(jié)果見(jiàn)表2。基于遷移模型的RegNet收斂速度更快，在訓(xùn)練初期就可以得到較低的損失值，準(zhǔn)確率提高11.27百分點(diǎn)。由此可知，通過(guò)遷移學(xué)習(xí)的方式對(duì)模型進(jìn)行訓(xùn)練可以提升模型的性能。

3.3.3 不同分類(lèi)模型性能對(duì)比試驗(yàn)

為對(duì)比分析改進(jìn)后模型與不同類(lèi)別模型的識(shí)別性能，驗(yàn)證 MIP-RegNet網(wǎng)絡(luò)模型的優(yōu)越性，選取經(jīng)典的圖像分類(lèi)網(wǎng)絡(luò)ResNet50、DenseNet201、ConvNetXt-Small和輕量化網(wǎng)絡(luò)ShuffleNet v2、RepVGG-A0，在數(shù)據(jù)集及其他條件相同的情況下進(jìn)行對(duì)比試驗(yàn)。由圖3可知，MIP-RegNet取得較高的準(zhǔn)確率，且模型參數(shù)量較小。相比于原模型雖然參數(shù)量增加了0.89×106，但準(zhǔn)確率提升1.26百分點(diǎn)，表明本研究提出的方法在參數(shù)量未有大幅度增加時(shí)，準(zhǔn)確率有一定的提升。綜合考慮， 改進(jìn)后的方法在準(zhǔn)確率和參數(shù)量上可以達(dá)到很好的平衡。

3.3.4 消融試驗(yàn)

為探究使用Inception A分解卷積結(jié)構(gòu)和PPM改進(jìn)方式對(duì)RegNet模型性能的提升效果，本研究設(shè)置消融試驗(yàn)，即在網(wǎng)絡(luò)其他條件不變的情況下，每次只增加1個(gè)改進(jìn)部分的試驗(yàn)。由表4可知，將3×3卷積換為Inception A結(jié)構(gòu)后模型的4個(gè)指標(biāo)提升幅度較大，且參數(shù)量只增加了 0.23×106，說(shuō)明使用不同大小卷積核的Inception結(jié)構(gòu)可以增加模型的適應(yīng)性，提高其特征提取能力，同時(shí)又保持了模型輕量化的優(yōu)勢(shì)。加入PPM后，模型的4個(gè)指標(biāo)均有所提升，說(shuō)明PPM通過(guò)利用多尺度、多層次的特征信息和上下文信息獲得了更全面的特征表示，使模型可以更好地學(xué)習(xí)每種病害的特征。將兩者同時(shí)進(jìn)行改進(jìn)后，準(zhǔn)確率達(dá)到96.55%，表明二者的融合進(jìn)一步提升了模型性能，驗(yàn)證了本研究對(duì)模型改進(jìn)的有效性。

3.3.5 特征可視化

為更直觀(guān)地展示本研究提出的模型的有效性，增強(qiáng)模型的可解釋性，使用梯度加權(quán)類(lèi)激活映射（gradient-weighted class activation map，Grad-CAM）對(duì)玉米葉片病害進(jìn)行可視化分析［21］。Grad-CAM的基本思想是用梯度的全局平均來(lái)計(jì)算權(quán)重生成熱力圖，可視化模型在決策時(shí)關(guān)注的區(qū)域，將模型認(rèn)為最顯著的結(jié)果顯示出來(lái)。圖11為本研究數(shù)據(jù)集不同類(lèi)別的類(lèi)激活特征熱力圖，顏色從藍(lán)色到紅色的加深表示模型對(duì)圖片關(guān)注度的增加，可見(jiàn)模型識(shí)別圖片的重點(diǎn)區(qū)域與實(shí)際吻合度較高，證明本研究提出的模型可以有效捕捉玉米葉片病害特征。

4 結(jié)論

針對(duì)目前玉米葉片病害識(shí)別模型參數(shù)量大、移動(dòng)端部署難、識(shí)別準(zhǔn)確率不夠高等問(wèn)題，本研究提出一種基于RegNet的改進(jìn)優(yōu)化方法，將stem中的 3×3卷積改為多分支、多尺度卷積的Inception A結(jié)構(gòu)，使得模型具有多尺度卷積能力，加強(qiáng)網(wǎng)絡(luò)的非線(xiàn)性能力，提高模型的特征提取能力。同時(shí)在head中引入PPM，通過(guò)不同尺度的池化操作，可以捕獲全局、局部多尺度的特征信息。

試驗(yàn)結(jié)果表明，MIP-RegNet模型在識(shí)別玉米葉片病害方面有較好的效果，完成了對(duì)健康葉片及3類(lèi)常見(jiàn)玉米葉片病害（銹病、灰斑病、北方葉枯病）的識(shí)別。改進(jìn)后的模型MIP-RegNet的特征學(xué)習(xí)能力有所增強(qiáng)，與原模型RegNet相比，參數(shù)量只增加0.89×106，但Top-1準(zhǔn)確率提升1.26百分點(diǎn)，平均F1分?jǐn)?shù)提升1.33百分點(diǎn)，平均召回率提升1.34百分點(diǎn)，總體平均精確率提升1.34百分點(diǎn)。相比于經(jīng)典的圖像分類(lèi)網(wǎng)絡(luò)ResNet50、DenseNet201、ConvNetXt-Small和輕量化網(wǎng)絡(luò)ShuffleNet v2、RepVGG-A0都具有一定優(yōu)勢(shì)。

同時(shí)在數(shù)據(jù)集樣本量不夠大的情況下，研究采用遷移學(xué)習(xí)方法對(duì)模型性能的影響。試驗(yàn)結(jié)果表明，當(dāng)數(shù)據(jù)集樣本較少，試驗(yàn)設(shè)備有限的情況下，采用遷移學(xué)習(xí)能夠有效提高病害葉片的識(shí)別效果。

在面對(duì)實(shí)際應(yīng)用場(chǎng)景時(shí)，本研究仍有一些潛在的改進(jìn)方向，值得進(jìn)一步的深入探索和研究，例如選取更多的病害種類(lèi)，增強(qiáng)模型的泛化能力；探索改進(jìn)算法，增強(qiáng)模型對(duì)病害細(xì)節(jié)特征的把控；提高模型的實(shí)時(shí)性，使其更適用于實(shí)時(shí)應(yīng)用場(chǎng)景。

參考文獻(xiàn)：

［1］Bock C H，Poole G H，Parker P E，et al. Plant disease severity estimated visually，by digital photography and image analysis，and by hyperspectral imaging［J］. Critical Reviews in Plant Sciences，2010，29（2）：59-107.

［2］萬(wàn)軍杰，祁力鈞，盧中奧，等. 基于遷移學(xué)習(xí)的GoogLeNet果園病蟲(chóng)害識(shí)別與分級(jí)［J］. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，26（11）：209-221.

［3］Gayathri Devi T，Neelamegam P. Image processing based rice plant leaves diseases in Thanjavur，Tamilnadu［J］. Cluster Computing，2019，22（6）：13415-13428.

［4］黨滿(mǎn)意，孟慶魁，谷 芳，等. 基于機(jī)器視覺(jué)的馬鈴薯晚疫病快速識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（2）：193-200.

［5］LeCun Y，Kavukcuoglu K，F(xiàn)arabet C.Convolutional networks and applications in vision［C］//Proceedings of 2010 IEEE International Symposium on Circuits and Systems.Paris，F(xiàn)rance.IEEE，2010：253-256.

［6］張 云，許江淳，王志偉，等. 基于機(jī)器視覺(jué)的棉花異性纖維檢測(cè)技術(shù)優(yōu)化研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2018，39（9）：61-65.

［7］畢鵬程，羅健欣，陳衛(wèi)衛(wèi). 輕量化卷積神經(jīng)網(wǎng)絡(luò)技術(shù)研究［J］. 計(jì)算機(jī)工程與應(yīng)用，2019，55（16）：25-35.

［8］Chollet F. Xception：deep learning with depthwise separable convolutions［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Honolulu，HI，USA.IEEE，2017：1800-1807.

［9］Zhang X Y，Zhou X Y，Lin M X，et al. ShuffleNet：an extremely efficient convolutional neural network for mobile devices［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City，UT，USA.IEEE，2018：6848-6856.

［10］Zhou D Q，Hou Q B，Chen Y P，et al. Rethinking bottleneck structure for efficient mobile network design［C］//Vedaldi A，Bischof H，Brox T，et al. European Conference on Computer Vision.Cham：Springer，2020：680-697.

［11］Radosavovic I，Kosaraju R P，Girshick R，et al. Designing network design spaces［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.Seattle，WA，USA.IEEE，2020：10425-10433.

［12］杜甜甜，南新元，黃家興，等. 改進(jìn)RegNet識(shí)別多種農(nóng)作物病害受害程度［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（15）：150-158.

［13］董 萍，衛(wèi)夢(mèng)華，時(shí) 雷，等. 遷移學(xué)習(xí)在玉米葉片病害識(shí)別中的研究與應(yīng)用［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（3）：146-152.

［14］謝家興，陳斌瀚，彭家駿，等. 基于改進(jìn)ShuffleNet v2的荔枝葉片病蟲(chóng)害圖像識(shí)別［J］. 果樹(shù)學(xué)報(bào)，2023，40（5）：1024-1035.

［15］劉小玲，崔艷榮. 基于改進(jìn)輕量化網(wǎng)絡(luò)MobileNeXt的蘋(píng)果葉片病害識(shí)別方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（10）：185-193.

［16］Szegedy C，Liu W，Jia Y Q，et al. Going deeper with convolutions［C］//2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Boston，MA，USA.IEEE，2015：1-9.

［17］Zhao H S，Shi J P，Qi X J，et al. Pyramid scene parsing network［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Honolulu，HI，USA.IEEE，2017：6230-6239.

［18］Zhuang J Y，Jin X J，Chen Y，et al. Drought stress impact on the performance of deep convolutional neural networks for weed detection in bahiagrass［J］. Grass and Forage Science，2023，78（1）：214-223.

［19］劉 穎，雷研博，范九倫，等. 基于小樣本學(xué)習(xí)的圖像分類(lèi)技術(shù)綜述［J］. 自動(dòng)化學(xué)報(bào)，2021，47（2）：297-315.

［20］溫艷蘭，陳友鵬，王克強(qiáng)，等. 基于遷移學(xué)習(xí)和改進(jìn)殘差網(wǎng)絡(luò)的復(fù)雜背景下害蟲(chóng)圖像識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（8）：171-177.

［21］Selvaraju R R，Cogswell M，Das A，et al. Grad-CAM：visual explanations from deep networks via gradient-based localization［C］//2017 IEEE International Conference on Computer Vision （ICCV）.Venice，Italy.IEEE，2017：618-626.