基于卷積神經網絡的農作物病害識別

李建華，郝 炘，牛明雷，王俊偉，李平安，楊立國

（1. 天津市寶坻區朝霞街道辦事處，天津301800；2. 天津農墾渤海農業集團有限公司，天津301823；3. 農業農村部工程建設服務中心，北京100081；4. 北京市植物保護站，北京100029；5. 湖南省益陽市桃江縣農業局，益陽413499；6. 內蒙古自治區植保植檢站，呼和浩特010010）

0 引言

農作物病害是我國主要農業災害之一，它具有種類多、影響大并時常暴發成災的特點，不僅對農作物生產造成損失，還會對食品安全產生威脅［1］。農作物病害的正確診斷和鑒定，對保證作物產量、預防食品安全起著重要作用。識別病害需要專業人士進行鑒定分析、得出結論，但大多數種植人員專業知識較少、經驗不足，因此迫切需要借助現代計算機和互聯網技術實現農民通過拍攝病害葉子的圖像來判斷作物疾病，及時對疾病做出預防［2］。

隨著深度學習和圖像技術不斷發展，利用高性能的并行計算集群，極大提高了計算速度，使得卷積神經網絡（Convolutional Neural Network，CNN）在目標檢測［3-5］和圖像分類［6-7］方面取得了巨大的進步。彌補了傳統的圖像分類方法中，特征提取能力較差，經過復雜的圖像預處理和分類算法之后無法根據獲取到的特征表達進行分類的缺點。利用卷積神經網絡結合計算機視覺技術識別農業病害已經成為當下研究的熱點。Kawasaki等［8］利用卷積神經網絡提出一種黃瓜葉病診斷系統，在甜瓜黃斑病毒和西葫蘆黃花葉病毒和非病害類別方面達到94.9%的準確度。Sanyal等［9］根據水稻葉子顏色紋理診斷了褐斑病和稻瘟病的水稻病。李艷［10］提出了利用Fisher準則的卷積神經網絡識別4種馬鈴薯病害，精度為87.04%。Srdjan等［11］利用卷積神經網絡實現了對13種病害的識別，該模型還具有分辨植物葉片與其周圍環境的能力，最終獲得較高的識別率。Mohanty等［12］分別使用AlexNet和GoogLeNet模型訓練，對農業相關網站（PlantVillage）中14種植物、59種病害以及部分健康植物的圖像進行分類識別，識別精度分別可達到97.82%和99.35%。Brahimi等［13］收集了14 828張圖像對番茄葉片59種病害種類識別，準確率達到99.18%。Jihen等［14］利用LeNet網絡對香蕉病害進行分類，并取得了較高的識別率。

文章以10種農作物，59種病害為基礎，提出了一種基于改進型的卷積神經網絡的農作物病害識別方法。對常見病狀進行等級劃分并將每種植物健康葉片作為負樣本加入數據集，得到35 861張數據集。利用隨機失活（Dropout）和局部響應值歸一化的方法以及稀疏連接的網絡結構，設計了一種8層卷積神經網絡，建立農作物病害識別模型，并驗證模型有效性，實現對農作物日常出現疾病的診斷和預防。

1 材料與方法

1.1 圖像數據集

該研究中的圖像數據來源于AI Challenger 2018比賽中的植物病害數據集，對蘋果、櫻桃、玉米、葡萄、柑橘、桃樹、辣椒、馬鈴薯、草莓和番茄10種植物的病害重新整理劃分，將每種植物的健康葉片作為負樣本加入到數據集中，避免網絡的過擬合現象。數據集最終包含35 861張不同尺寸的病害葉片圖像，由于神經網絡要求輸入圖像的尺寸必須統一，因此利用圖像填充法填充圖像后再將尺寸縮放成227×227像素大小的圖像。10種農作物的數據集中，由于一些疾病初期和后期的表現癥狀相差比較大，因此對這些不同程度的疾病分為不同類別，共59種類別，部分樣本圖像。如圖1所示，部分典型病害根據特征是否明顯劃分為一般程度和嚴重程度，但像番茄花葉病毒病的發病程度外觀不明顯則作為一個類別。根據不同類別，整理網絡所需要的數據，加入健康葉片作為負樣本之后樣本類別為59類，總數量為35 861張圖像，如表1所示，并按照7∶1的比例將數據集樣本劃分為訓練集31 370張圖像和測試集4 491張圖像。

1.2 農作物病害識別方法

利用卷積神經網絡進行農作物病害分類，其關鍵部分在于葉片圖像的特征提取，傳統方法特征提取能力有限，具有極強特征提取能力的卷積神經網絡使得圖像分類邁入了一個新的階段。LeNet是CNN的第一個典型網絡結構［6］，由兩層卷積層、兩層池化層以及三層全連接層構成。LeNet是典型的淺層網絡的代表，但是該文數據集包含類別較多，LeNet無法較高準確率地完成病害分類。AlexNet［15］在ImageNet競賽中對1 000種類別圖像進行分類，以超過第二名10.9個百分點的絕對優勢一舉奪冠，在圖像分類領域上獲得了很好的成果，相比后期出現的深層網絡，AlexNet設計更加簡潔明了。農作物病害小樣本分類時，深層網絡過度提取特征容易導致過擬合，且訓練速度和識別速度較慢，因此針對農作物病害的小樣本數據集，該文設計了一種基于AlexNet卷積神經網絡的農作物病害識別方法，能夠實現快速訓練和識別，如圖2所示。

圖1 部分農作物病害樣本圖像：（a）蘋果黑星病一般（b）蘋果黑星病嚴重（c）櫻桃白粉病一般（d）櫻桃白粉病嚴重（e）玉米灰斑病一般（f）玉米灰斑病嚴重（g）葡萄黑腐病一般（h）葡萄黑腐病嚴重（i）柑橘黃龍病一般（j）柑橘黃龍病嚴重（k）桃瘡痂病一般（l）桃瘡痂病嚴重（m）辣椒瘡痂病一般（n）辣椒瘡痂病嚴重（o）馬鈴薯晚疫病一般（p）馬鈴薯晚疫病嚴重（q）草莓葉枯病一般（r）草莓葉枯病嚴重Fig1 Partial sample image of crop diseases

表1 農作物病害訓練集Table 1 Training set of crop diseases

圖2 農作物病害識別卷積神經網絡結構Fig.2 Agricultural crop disease identification convolutional neural network structure

AlexNet卷積網路由5個卷積層、3個最大池化層和3個全連接層組成，網絡的參數結構以及圖像經過每層之后的數據結果如表2所示。網絡的輸入層定義了輸入圖像的大小為227×227像素大小的RGB彩色圖像，因此圖像通道數為3。

表2 卷積神經網絡各個階段主要參數Table 2 Structure of Convolutional Neural Networks

表2列出了卷積神經網絡AlexNet每一階段的重要參數，其中LRN（Local Response Normalization）為局部響應值歸一化，為局部神經元的活動創建競爭機制，使得其中響應比較大的值變得相對更大，并抑制其他反饋較小的神經元，增強了模型的泛化能力。

卷積層是由一個可訓練的濾波器去卷積上一層輸入的圖像，輸出圖像的特征圖。通過卷積運算可以使原信號增強、降低噪聲信號，網絡使用稀疏連接，改善了人工神經網絡中參數冗余的缺點。在最后通過3層全連接層，對病害葉片的局部信息進行提取整合，最后一層全連接層參數設定為59，選取概率最大的類輸出預測結果。

由于模型中參數較多而訓練樣本較少，訓練結果容易出現過擬合現象，降低了網絡的魯棒性。因此AlexNet首次提出了Dropout，即隨機失活方法。通過在最后兩個全連接層中使用Dropout，按照一定的概率將網絡中的神經元進行剔除，使得訓練過程中部分神經元停止工作，有效緩解了過擬合的發生，達到了正則化效果。該文在AlexNet網絡的全連接層中加入舍去概率為0.2的Dropout層，隨機舍棄部分神經元，使其強制性失活，過濾特征中的冗余信息，使得模型的泛化能力更強，降低局部特征的依賴性。

該文使用隨機梯度下降法（Stochastic Gradient Descent，SGD）進行訓練，梯度下降法又被稱為最速下降法（Steepest Descend Method），其理論基礎是梯度的概念。梯度與方向導數的關系為：梯度的方向與取得最大方向導數值的方向一致，而梯度的模就是函數在該點的方向導數最大值。為了評估模型擬合好壞，通常用損失函數來度量擬合的程度。損失函數極小化，意味著擬合程度最好，對應的模型參數即為最優參數。在線性回歸中，損失函數通常為樣本輸出和假設函數的差取平方。將訓練集劃分為多個小樣本集分批進行訓練，根據隨機抽取的小樣本數據的訓練結果沿著梯度方向調整參數，加快迭代速度。

AlexNet網絡在最后一層全連接層中使用了Softmax分類器對結果進行分類，從而得到不同類別的概率，而所有類別的概率之和為1。Softmax分類器的函數定義為：

式（1）中，ai（x）為類別i通道上的像素點x的輸出值；C為類別，在該研究中C=59；yi（x）為像素點x屬于類別i的概率。利用交叉熵損失函數計算下降梯度，其公式為：

式（2）中，p(xi)為圖像i的真實標簽，q(xi)為圖像i的網絡預測值，所有元素之和為損失函數的值。

2 實驗結果與分析

在進行農作物病害識別模型訓練中，該實驗硬件環境中使用了兩個GeForce GTX 2080Ti型GPU；軟件環境為Ubuntu16.04操作系統以及Tensorflow深度學習框架，其中Keras的版本為2.2.4，CUDA API的版本為9.1，cuDNN的版本為9.0；算法實現語言采用Python3.6.3版本。

利用準備好的訓練集對農作物病害識別模型進行訓練，訓練過程中利用交叉驗證（Cross Validation）法中的留出法將數據集按照7∶1的比例分為訓練集與測試集，其中訓練集按照9∶1的比例劃分為訓練部分和驗證部分。在實際訓練過程中，每當訓練的樣本批次數量為10的倍數時，進行一次驗證集驗證識別率。借此可以更加直觀分析模型的過擬合程度以及訓練效果。

該實驗將樣本訓練迭代次數設置為20次，學習率為0.000 1，每迭代一次輸入的樣本數量為50張圖像。在圖像輸入網絡之前將每個圖像填充縮放到227×227像素，并進行歸一化處理。在對樣本進行訓練時，根據每次迭代之后計算的損失函數的損失值和訓練精度值，利用SGD和反向傳播算法沿著小樣本梯度下降的方向優化網絡參數。如圖3所示為訓練集和驗證集每輪訓練的損失值和精度值變化曲線。

圖3（a）為農作物病害模型訓練過程中訓練集的損失值和精度值，圖（b）為驗證集的損失值和精度值，整體而言，模型訓練過程中的損失值呈下降趨勢，精度值呈上升趨勢，其數值經歷了快速收斂后呈現在較小范圍內震蕩趨勢。比較訓練集和驗證集的曲線變化趨勢可知，兩者間損失值和精度值的變化趨勢基本一致，說明網絡整體收斂較好，未出現過擬合情況，且收斂速度較快，模型在11～20輪之間趨于穩定。

為了比較不同迭代次數對模型性能的影響，對農作物病害模型進行訓練，每50輪保存一次模型，訓練輪數為200輪時停止，利用測試集測試每50輪模型的預測結果，如表3所示。

表3 不同訓練輪數的模型性能Table 3 Model performance of different training rounds

從表3可以看出，隨著迭代次數的不斷增加，網絡收斂越來越好，但當迭代次數增加到一定程度時，模型的損失函數值不下降且還有上升趨勢，精度值也不再上升，在0.83±0.03之間震蕩，模型在測試集上預測的正確率也不再增加。由此可知，當模型收斂良好時，增加迭代次數后模型的性能不再提升。

表4為農作物病害模型在測試集上的測試結果，模型綜合可達到0.83的高識別率，由于一些類別樣本數量較少，類別特征較弱，模型對此類樣本識別率較低，因此需要增加樣本數量和多樣性來提升模型對農作物病害的識別能力。

表4 農作物病害模型對每種病害的識別結果Table 4 Identification results of each disease in the crop disease model

3 結論與討論

該文基于深度學習技術和圖像處理算法，利用卷積神經網絡AlexNet進行了農作物病害識別模型構建。使用10種農作物59種類的數據集對網絡進行訓練，統計每種病害的識別率，利用深度學習訓練平臺，不斷地迭代訓練網絡，設計了9組不同的迭代步數的對比實驗。實驗結果表明，該文模型總體達到了0.83的高識別率，較多種類的識別率達到0.96～1.0的識別率。模型會隨著迭代次數的增加收斂越來越好，但當網絡收斂到一定程度時，迭代次數便不能提高模型的性能。證明該研究基于卷積神經網絡的農作物病害識別，在有充足的數據量進行訓練時，可以獲得更高的識別率。但是真實環境中，光照程度不同，會影響圖像的質量，對于強光或弱光情況下的圖像，識別率會降低，光照情況對于整個圖像研究領域都具有較大挑戰性，因此對于使用卷積神經網絡實現農作物病害識別的應用，還需進一步實驗，增強網絡的魯棒性，如增加不同光照實驗，采集不同光照下的病害圖像，進一步訓練，優化改進網絡。