基于卷积神经网络的玉米叶片疾病识别研究_史亚平.pdf

2023，Vol.43，No.06农业与技术农业工程基于卷积神经网络的玉米叶片疾病识别研究史亚平 汪宗光(黄河科技学院工学部，河南 郑州 450062)摘要:玉米是我国农业经济发展的重要粮食作物，本文针对玉米叶片图像的病害识别与分类作为切入点，深入研究 Inception 模型在该领域的应用。针对现有的玉米叶数据集，研究了数据增强的方法，并以此来扩充数据集大小，以解决训练模型带来的泛化性能差等问题，实验证明，通过旋转、翻折、高斯噪声等扩充数据集对提升网络训练效果有积极作用。针对传统 Inception 模型存在的识别准确率低的问题，引入了卷积注意力机制 CBAM 以提高模型对重要特征的提取能力，在玉米叶数据集中的实验结果显示，改进后的 CBAMInception 模型相比于基线模型及 VGG 模型都大有提高，其准确率为 96.88%。基于训练的模型参数、结合 PyQt5 应用程序开发框架完成了自动识别玉米叶疾病的应用程序，可以实现对玉米叶图像疾病识别。关键词:卷积神经网络;玉米叶片识别;CBAMInception 模型中图分类号:S24文献标识码:ADOI:10.19754/j.nyyjs.20230330007收稿日期:20230105基金项目:河南省民办高等学校品牌专业建设计算机科学与技术(项目编号:ZLG201903)作者简介:史亚平(1985)，男，硕士，讲师，工程师。研究方向:人工智能应用及软件开发。引言农作物的疾病大多显现在叶片上，对叶片的观察和识别对农作物的增产具有重要作用。玉米是我国主要种植作物之一，在我国农业战略发展中有着不可替代的作用。传统提高玉米产量的方法就是依靠专业人士根据玉米的长势及外部环境进行提前预判，然后做出相应措施进行事先防治。但是这种方法存在一定的要求，要求从业者具有大量的专业知识和丰富的种植经验;要求各个产地都要配置一定数量的技术人员，因此投入人力成本较高。随着计算机视觉领域的研究与发展，图像处理、图像检测与分类任务在农作物叶片疾病识别领域的实际应用已经成为现实。在国外，Priyadharshini 等1 认为，农作物病害的准确识别是加快农业信息化领域快速发展的必然路径，其基于卷积神经网络(CNN)的架构进行改进了 LeNet 模型，其在 PlantVillage 的玉米叶图像数据集上进行了实验，其准确率高到 96.2%。ocha 等2 评估了 3 种最先进的卷积神经网络架构对玉米叶片病害进行分类的性能，其在实验中应用了一些模型优化方法，如超参数优化方法、数据增强和参数微调策略等，其所实现的模型在玉米叶病分类上的准确率均高达 97%。Sibiya 等3 设计实现的 CNN 模型能够从玉米叶子中识别出 3 种不同类型的玉米叶疾病，如玉米叶枯病、常见锈病和灰叶斑病。Baldota等4 针对玉米叶的疾病识别问题探索了迁移学习在DenseNet121 模型上的应用性能，实验表明，基于迁移学习的 DenseNet121 模型在具有噪声的数据集上具有良好的表现性能。Singh 等5 探索了用于快速准确检测玉米叶片病害的 AlexNet 模型性能，其实现的模型在两类玉米疾病的识别过程中取得了 99.16%的准确率。在国内，张开兴等6 基于图像处理技术探索了基于 BP 的玉米叶疾病问题。刘永波等7 基于 UNet 模型研究了玉米叶疾病的层级划分和病斑区域检测问题，经测试图像分割试验中病斑分割 MIoU 值达到 93.63%，其设计实现的模型运算速度为 1s 左右，具有较强的应用性。王美娟等8 提出，多尺度卷积神经网络模型来解决传统模型训练时间冗长，泛化性能不足等问题，其在玉米病害图像数据上的实验结果显示，识别准确率达 98.44%，单张图片测试平均仅需0.25s。鲍文霞等9 研究了识别玉米叶片疾病的新模型:改进卷积神经网络模型。运用卷积堆栈和 Incep-tion、esNet 组成特征融合网络，从而使得模型的识别率大大提升，达到了 98.73%。李灵芳等10 研究一种基于 SVDesNet50 神经网络的农作物叶片病症识别方法，该方法可以克服人工方式的种种问题，提高了农作物叶片的识别效率与识别准确率，具有实际应用性。王超等11 采用 esNet50 模型在 Plant Village 数据42农业工程农业与技术2023，Vol.43，No.06集上进行数据增强后训练，获得最高的分类准确率为92.82%。张建华等12 自建数据集进行模型构建和开发 APP 进行玉米叶部病害识别。1数据集1.1数据集收集数据集在人工智能、机器学习领域占有重要地位13，是机器具有“智能”的重要前提条件。目前在玉米叶片疾病研究领域，调研到3 种玉米叶数据集。WiesnerHanks 等14 于 2015 年建立了田间玉米图像数据集，是玉米北方叶枯病的单一数据集。PlantVillage 数据集是一个公开的植物病虫害数据集，该数据集有收录玉米叶片锈迹病和健康的图片，据统计锈迹病叶片有 1192 张，健康玉米叶片 1162 张。陈雷等15 建立了大田作物病害识别研究图像数据集，该数据集包括我国主要 3 种农作物的 15 种病虫害样本，样本数量有 17624 张。本文采用 Plant Village 数据集中的玉米叶片，同时采用数据爬虫技术利用 requests 库以“健康玉米叶”“患锈迹病玉米叶”为关键词进行检索百度图像，检索的玉米叶片疾病分类数据集，其为三通道的GB 彩色图像，其数据展示如图 1 所示。图 1数据集三通道的 GB 彩色图像展示对抓取的数据集进行统计，其中健康的玉米叶927 个，患有锈迹病的玉米叶 953 个，融合 Plant Vil-lage 数据集中病变叶片 1192 张，健康玉米叶片 1162张，共得到 2145 张锈迹病，健康玉米叶片 2089 张。为了能够进行合理的实验，采用数据增强的方法对原始数据进行扩充，扩充后的正样本健康玉米叶20892 个、负样本绣疾病玉米叶 21452 个。在进行模型训练和测试阶段，将数据集分为训练集和测试集，其中训练集占 80%，测试集占 20%。1.2数据增强方法图像处理领域的数据增强主要就是通过对原始样本进行裁剪、翻转、扭曲、高斯噪声等操作对原始图像进行变换，从而提高模型的泛化性能。具体来说采用 Keras 中的 ImageDataGenerator 函数对参数设置实现随机对图片执行水平翻转操作和高斯噪声等方法实现数据的扩充。随机对图片执行水平翻转操作，其实现结果如图2 所示。图 2随机图片水平翻转图片翻转操作不涉及改变图像的内容，使用高斯噪声、颜色增强等方法可以改变图像内容，加上高斯噪声会扭曲图像的高频特征，如图 3 所示，通过学习和训练，可以提高模型的泛化能力。高斯噪声实现效果如图 3 所示。图 3高斯噪声实现效果图2卷积神经网络及相关技术2.1卷积神经网络卷积神经网络模型是由 Lecun 等16 于 1989 年提出，该结构在图像处理领域取得了巨大的成功。卷积神经网络主要有多个卷积层、池化层堆叠和全连接层等部分组成，其结构如图 4 所示。图 4卷积神经网络结构图522023，Vol.43，No.06农业与技术农业工程2.2神经网络的调节方法2.2.1Dropout 层Dropout17 方法简单的说就是随机丢弃隐藏层中的神经元。当网络较为复杂时，采用 Dropout 方法可以在前向和后向传递过程中不再考虑这些被丢弃的神经元，从而通过减小隐层单元之间的依赖关系来使网络减小模型的过拟合问题。Dropout 的形象化表示如图 5 所示。图 5Dropout 的形象化表示2.2.2Adam 优化算法2015 年，Jimmy 在其论文 Adam:A Method forStochastic Optimization18 中提出了 Adam 优化算法，Adam 的广泛应用是因为使用了一阶矩来估计梯度，并且为了减少优化误差还用到加权平均的手段，这样在训练过程中即可以保证收敛，充分学习训练样本的特征。2.2.3Batch Normalization 方法批处理(Batch Normalization，BN)19 是 Inception、esNet50 等深度网络模型常用的操作，通常是在将数据传递到输入层之前对输入数据进行规范化，其目的是为了使每一层神经网络的输入保持相同分布，即把每层神经网络输入值的分布强行拉回到均值为 0 方差为1 的标准正态分布，以确保训练的模型具有泛化性。3模型设计实现与实验对比3.1模型设计与实现3.1.1传统 Inception 模型在传统的 Inception 中，其堆叠结构借鉴了 VGG-net 的模型结果，由多个小的卷积组成 Inception Mod-ule 模块，该模块的结构如图 6 所示。图 6Inception Module 模块结构图其中 55、33 和 11 代表了卷积核的大小，在平行结构中采用不同大小的卷积核可以降低整个模型的计算量，可以提取复杂的空间特征的同时能够保留尽可能多的特征，将这 3 个平行的特征图张量进行拼接变可以输入到下一层神经网络中去。将该 InceptionModule 模块的输出输入到一个 55 的平均池化层中，设计完成的传统 Inception 结构如图 7 所示。图 7传统 Inception 结构62农业工程农业与技术2023，Vol.43，No.063.1.2改进的 Inception 模型2018 年，Woo 等20 在论文 CBAM:Convolution-al Block Attention Module中提出卷积注意力机制，CBAM 可更为精准的关注特征图中包含的有效信息，并对重要特征张量赋予较大权重。CBAM 包含 2 个顺序子模块，称为通道注意模块和空间注意模块，其按特定顺序进行组合，CBAM 应用于深度卷积神经网络中的每个卷积块，以从“输入特征图”中获得利于后续的精准分类的“重要特征图”。本节在传统的 In-ception Module 之后引入 CBAM 模块，然后使用平均池化操作，将此模型命名为 CBAMInception，其结构如图 8 所示。图 8实现的模型结构图3.2实验环境及参数本次实验基于 tensorflow 和 keras 实现，开发环境配置如表 1 所示。表 1开发环境表环境项环境名称操作系统Windows10开发工具Pycharm开发语言Python神经网络编程框架Tensroflow1.12keras2.2.4内存大小8G模型的参数设置情况如表 2 所示。表 2模型的参数设置情况表超参数取值范围学习率0.0001图像输入批次200优化函数及损失函数Adam categorical_crossentropy迭代次数15卷积的激活函数elu池化窗口大小33卷积核大小55、33、11722023，Vol.43，No.06农业与技术农业工程3.3实验结果分析针对玉米叶的疾病识别分类问题，这里将主要对比包含 5 层卷积池化操作的 VGG16 模型和基线 Incep-tion 模型，为了避免模型集体过拟合，这里统一缩小卷积、池化的神经元个数，在经过 15 次迭代后，模型基本训练完成，其 CBAMInception 模型的训练准确率如图 9、损失结果如图 10 所示、传统的 Inception模型准确率如图 11 所示。图 9CBAMInception 准确率图图 10CBAMInception 模型损失图图 11Inception 模型准确率趋势图通过对比发现，CBAMInception 模型能够快速达到较高的准确率，且其损失函数值很快就趋于稳定，为了更为方便地比较不同模型在该玉米叶疾病数据集上的分类识别性能，将结果展示到表 3 中。表 3模型性能结果展示表模型AaccuracyLossVGG160.89120.4516Inception0.90620.3514CBAMInception0.96880.0769实验表明，提出的 CBAMInception 模型在玉米叶片疾病