基于卷積神經網絡的農作物病害識別研究綜述

范偉堅　林樂堅　李就好

摘 要：隨著精準農業的發展，對農作物病害進行快速準確地識別是提高農作物產量、推動農業現代化的重要手段。傳統的作物病害識別技術存在一定局限性，依賴人工提取特征，圖像分割難度較大，特別在復雜環境下的識別效果不佳。而隨著深度學習中卷積神經網絡（Convolutional Neural Network， 下文簡稱CNN）在圖像識別領域上的不俗表現，不少研究人員將CNN應用于農作物的病害識別。研究表明，基于CNN的深度學習方法是目前對農作物病害分類識別最先進、最有效的方法。本文將闡述傳統病害識別技術的原理和缺陷，并詳細介紹了CNN技術原理及其在農作物病害識別中的應用案例，基于CNN的農作物病害識別在未來發展和應用上提出幾點展望。

關鍵詞：深度學習;卷積神經網絡;病害識別

中圖分類號：S-3 文獻標識碼：A DOI：10.19754/j.nyyjs.20201015009

引言

農作物病害一直是制約農業發展的一大難題。隨著精準農業的發展，對農作物病害進行快速準確地識別是提高農作物產量，推動農業現代化的重要手段。傳統的作物病害識別技術存在一定局限性，依賴人工提取特征，圖像分割難度較大，特別在復雜環境下的識別效果不佳。而隨著CNN在圖像識別領域上的不俗表現，不少研究人員將CNN應用于農作物病害的檢測和診斷，并取得了較好的效果。

1 傳統病害識別方法

1.1 圖像識別技術實現過程

圖像識別指利用計算機技術對獲取的圖像進行預處理、特征提取和理解分析，以識別圖像中特定的1個或多個目標的技術。1個典型的圖像識別系統通常由4個部分構成，如圖1所示。第1部分對原始圖像進行預處理，消除噪聲干擾，增強目標圖像信息，突出目標區域;第2部分是將圖像中的目標進行標記定位，然后將目標從背景中分割出來;第3部分是將提取到的目標圖像轉化成明確的數學描述，以便于計算機進行處理;第4部分利用視覺識別相關的函數或分類器算法進行判斷或分類，實現圖像的識別。

1.2 傳統的病害識別技術的缺陷

隨著信息化時代的發展，機器學習等智能技術已廣泛運用到農業當中，大大提高了農作效率及農作物的品質和產量，推動了智慧農業的發展，但傳統的病害識別技術仍然有不小提升空間。

傳統的作物病害識別主要依賴于農民長期積累的種植經驗，研究人員選擇特征對象時，缺乏公認的依據。同時特征樣本主要靠人工采集并加以標注，不僅很難準確地獲取目標作物病害的樣本數據，也對樣本規模有一定局限性。傳統識別技術中圖像分割的難度較大，特別是在復雜背景下實現圖像準確地自動分割在圖像處理領域始終是一個難題。同樣，特征提取主要依賴人工干預，并不能保證作物病害信息的準確度，也無法保證最終病害識別的精度。

2 基于卷積神經網絡的農作物病害識別

2.1 深度學習及卷積神經網絡技術原理和發展

深度學習在機器學習的基礎上發展而來，是一種利用復雜結構的多個處理層來建立深層次的神經網絡模型，通過訓練大量的數據并學習有用的數據特征，實現對數據進行預測或分類。

CNN最早由日本學者福島[1]提出，是深度學習中的一種深度多層的監督學習神經網絡模型。1990年，LeCun等[2]在研究手寫數字識別問題時，提出了CNN模型LeNet-5，將BP算法應用到神經網絡模型的訓練上，形成了當代CNN的雛形。2012年，Hinton教授及其團隊提出了經典的CNN模型AlexNet[3]并在圖像識別任務上取得了重大突破，從此掀起了深度學習的熱潮。

CNN模型具有共享權值的網絡結構和局部感知的特點，可以降低模型運算的復雜度，減少權值的數量。CNN結構主要有輸入層、卷積層、池化層、全連接層和輸出層，如圖2所示。卷積層和池化層是實現特征提取的核心模塊，可以將原始圖像直接輸入CNN模型進行特征提取，無需人工干預，克服了傳統植物葉片識別依靠人工提取特征的缺陷。輸出層是一個分類器，會將池化后的多組數據特征組合成一組信號數據輸出，實現圖片分類識別。

CNN采用梯度下降的方法，用最小化損失函數對網絡中各節點的權重參數逐層調節，通過反向遞推，不斷地調整參數使得損失函數的結果逐漸變小，從而提升整個網絡的特征描繪能力，使CNN模型分類的精確度不斷提高。

2.2 卷積神經網絡常見模型

2012年ImageNet比賽中AlexNet以出色的識別性能，首次確立了CNN在復雜模型中的高效性。AlexNet是典型的卷積-池化-全連接結構，其結構如圖3所示。模型在訓練中使用了ReLU激活函數取代了Sigmoid函數，避免了梯度彌散問題。模型首次運用多GPU進行加速訓練，加快訓練時間。訓練采用Dropout的正則化方法忽略一部分神經元，減少全連接層的過擬合問題。區別之前CNN模型中普遍使用平均池化，AlexNet全部使用最大池化，避免平均池化的模糊效果。

2014年提出的VGG[4]本質上是AlexNet一個推廣，結構如圖4所示。該網絡的特點在于結構簡潔規整，通過反復堆疊3×3的卷積使卷積核數量逐漸加倍來加深網絡，2個3×3卷積可以和5×5卷積達到一樣的感受野，3個3×3卷積可以和7×7卷積達到一樣的感受野。使用多個3×3卷積核代替單個較大卷積核捕捉上下左右的信息，很大程度上減少了參數的數量，提高訓練效率，后續的很多CNN模型結構都采用了這種3×3卷積思想。

GoogLeNet于2014年提出[5]，該模型最大的特點就是引入了并行的Inception結構，如圖5所示。當神經網絡越到后面，特征越抽象，而且每個特征所涉及的感受野也更大。該模型融合不同尺度的特征信息，從網絡的寬度提升模型效果，改變網絡原串行的結構。隨著層數的增加，在3×3、5×5的卷積前添加一個1×1的卷積，不僅可以降維，還能修正線性激活函數。該模型不僅提升了網絡的深度，還大大減少了參數量，參數量僅為AlexNet的20%左右，使得模型更加簡潔高效。

ResNet（Deep residual network，深度殘差網絡）的提出[6]是CNN發展史上重要的里程碑。隨著CNN網絡層數的加深，網絡的訓練過程會出現梯度消失和梯度爆炸現象，且退化問題也會使網絡的準確率在網絡層次增加時出現飽和甚至下降。該模型引入殘差結構（Residual Structure），如圖6所示，實現網絡中的層層之間恒等映射（identity mapping），網絡的深度可以達152層，比VGG深8倍，且隨著網絡深度加深分類的準確率不會有下降的趨勢。

DenseNet是2017年提出的一種全新的網絡結構[7]，基于ResNet模型殘差連接的進一步研究，并提出了Dense Block（密集連接模塊）如圖7。在每一個Dense Block中，每一層都會使用前面所有層的特征映射作為輸入，并且使用自身的特征映射作為所有后續層的輸入，這樣后面的網絡層都可獲得前面所有層的信息，降低梯度消失的可能性。該模型在ImageNet上和ResNet達到差不多的性能但參數量縮了1/2。

3 卷積神經網絡在農作物病害識別中的應用

3.1 應用案例

因為CNN在圖像識別領域表現突出，不少外國研究者將CNN應用到農作物病害識別中，且均表現出高水平的性能。Mohanty[8]、Sladojevic[9]、Amara[10]、Brahimi[11]、Ferentinos[12]等利用涵蓋海量的植物種類及病害圖像的數據集PlantVillage，對分別基于LeNet、AlexNet、GoogLeNet、CaffeNet、VGG等各種CNN模型進行識別訓練，訓練后的模型可以快速準確地對給定圖像進行識別分類，識別準確率及其它識別性能都優于傳統機器學習方法如支持向量機（SVM）和隨機森林（Random Forest）。Fuentes等[13]提出了一種基于CNN的番茄病害識別診斷系統，利用自行采集的大量番茄病害圖像作為特征數據集，該系統識別準確率達到96%，比之前復雜的識別方法[14]提高了13%。研究證明，CNN非常適合通過對簡單葉片圖像的分析來實現農作物病害的自動檢測和診斷。

近年來國內不少研究人員也進行相關的應用研究。馬浚誠等[15]構建了一個基于CNN的溫室黃瓜病害識別系統，結合LeNet-5模型進行霜霉病和白粉病的分類訓練，準確率達95.7%。Xiaoxiao等[16]基于CNN進行茶葉葉片病害的識別研究，結果表明，基于SVM、BP神經網絡、CNN 3種方法的識別準確率分別為89.36%、87.69%和93.75%，顯然基于CNN的方法識別效果更好。李凱雨[17]基于CNN模型對小麥、花生和煙草3類農作物共7種病害進行識別研究，使用平均精度、查準率、查全率和F-1值對AlexNet、GoogLeNet和VGG-16 3個模型進行評估，對比分析可知，VGG-16在不同病害上的識別性能最優。

研究人員基于已有的深度學習及CNN技術原理和應用做進一步的優化和設計，促使深度學習及CNN在病害識別領域上不斷擴充和發展，更有效地將其應用到復雜的現實環境檢測中。孫俊等[18]基于改進AlexNet模型，提出一種批歸一化與全局池化相結合的CNN模型，可對14種作物共26類病害進行快速識別，模型訓練僅迭代3次就能達到90%以上準確率。Bin等[19]提出了一種可對蘋果葉病自動識別的CNN模型，該模型在AlexNet基礎下結合GoogLeNet的Inception結構提高特征提取能力。2種基于AlexNet優化的模型都比原來識別性能更好，參數量大大減少，收斂速度更快，泛化能力和魯棒性更強。許景輝等[20]、李丹等[21]結合遷移學習方法，先讓CNN模型在ImageNet數據集中訓練后得到權重和參數數據，再移植到新構建的CNN模型中并進行訓練;該方法相比全新學習的模型訓練方式大大縮減了訓練時間，且有很高的識別準確率。Jing等[22]、楊晉丹等[23]、邱靖等[24]針對農作物特定病害的識別設計CNN模型，采用不同的卷積核類型、池化類型等構造模型進行試驗，對比分析后分別篩選出一種最優的模型，為進一步提高農作物病害診斷的效率和準確性提供了依據。曾偉輝等[25-27]設計了一個農作物病害圖像識別系統AES-CDR（Crop Disease Recognition），該系統提出的高階殘差和參數共享反饋的卷積神經網絡模型（High-Order Residual and Parameter-Sharing Feedback Convolutional Neural Network， HORPSF），解決了復雜環境下農作物病害識別精度不高、魯棒性弱的問題，提出的基于自注意力的卷積神經網絡（Self-Attention Convolutional Neural Network ， SACNN）使CNN學習專注于病斑區域的有效特征提取;該系統實現了在復雜環境下農作物病害圖像的高精度和強魯棒性的識別，為農作物病害快速診斷和防治提供技術支持。林樂堅等[28]提出了一種基于改進Faster R-CNN的苦瓜葉部病害目標檢測方法，在ResNet-50模型的基礎下融入了特征金字塔網絡（Feature Pyramid Networks，FPN）的特征提取網絡，實驗表明，該模型在自然環境下苦瓜的多種病害的自動檢測識別性能表現優良，并且優化了對小目標的檢測。該模型有較好的魯棒性和泛化能力，能適應復雜的自然環境，對后續瓜果類病害目標定位及按需噴灑農藥奠定了研究基礎。

3.2 基于卷積神經網絡的農作物病害識別技術的優缺點

近年來不少研究表明，將CNN應用于農作物病害識別，比傳統圖像識別技術表現出更好的性能。基于CNN的農作物病害識別技術的優勢：識別快而準，魯棒性強，泛化能力強;避免人工提取特征的局限性和特征分割的復雜操作，降低了前期特征采樣中對目標特征錯判、漏判的風險;更好地實現在復雜環境中對農作物的快速定位，并自動進行病害識別診斷。

然而該技術仍有不足，開發設計新的算法和模型難度很大，需要海量的標注訓練樣本，且模型訓練計算量大，訓練時間長，硬件需求高，需要投入大量的人力物力和時間，大部分人只能使用現成的模型;CNN模型識別準確率很高，但始終難以達到100%，對于一張新的照片進行識別，無法保證結果是一定正確的;CNN模型可解釋性較差，調參優化過于依賴個人經驗，且只靠實驗驗證，幾乎無法找到全局最優解。

4 總結與展望

4.1 軟硬件系統協同發展

CNN模型的訓練需要海量的樣本，且模型中大量的超參數也會產生龐大的計算量，訓練耗時長。要想加快訓練的速度，節約時間成本，則需要更高性能的GPU作為硬件支持。隨著深度學習不斷應用和發展，為了達到更高的性能，CNN模型也設計得越來越深，算法運行也會越來越復雜，需要更便捷而強大的軟件系統作為模型搭建平臺。因此，若想將CNN進一步研究和推廣，則對計算機的軟硬件系統配置都有越來越高的需求。在考慮成本的情況下，軟硬件系統協同發展，才能為CNN的發展作基礎支持。

4.2 提高三維動態信息識別的準確率和穩定性

目前CNN在農業領域的研究和應用，大多都是針對農作物的靜態圖像進行檢測識別，在復雜程度更高的三維時空信息，如視頻分析任務中識別表現一般。動態信息識別研究在特征提取時需要同時在時間維度和空間維度上處理，三維CNN模型理論上有更多的參數和更龐大的計算量，同時也缺少像二維圖像模型一樣海量的訓練集。提高三維模型的識別性能，也是未來重點研究方向。

4.3 卷積神經網絡與VR的結合

VR（Virtual Reality，虛擬現實技術）是一種可以創建和體驗虛擬世界的計算機仿真系統，是近年來熱門的高新技術產業。結合5G通信技術，未來萬物互聯智能化發展必將更上一層樓。在農業領域中結合CNN和VR技術，不僅可以通過機器人和VR設備獲得沉浸式體驗，如臨真實環境中，還可以遠程操縱機器人，在復雜環境下實時準確地完成目標定位或檢測任務。

4.4 卷積神經網絡與高光譜成像技術的結合

高光譜成像技術（Hyperspectral Imaging）可以同時獲取農作物的圖像和光譜信息，從而反映出目標的各種生長屬性和品質狀況，近年來逐漸成為農作物快速無損檢測的重要手段。CNN病害識別系統大多基于農作物外部缺陷的二維圖像進行檢測。通過高光譜成像技術獲取的光譜圖像及其反映出作物的內部品質信息，構建CNN模型，可以快速準確地對作物病害進行分類，并且可以實現農作物早期病害在復雜環境下的無損檢測，早發現早防治，降低病害對作物的影響，進而提高農作物產量。

參考文獻

[1] Fukushima K. Neocognitron： A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position[J]. Biological Cybernetics， 1980， 36（4）： 193-202.

[2]Lecun Y ， Boser B ， Denker J ， et al. Backpropagation Applied to Handwritten Zip Code Recognition[J]. Neural Computation， 2014， 1（4）：541-551.

[3]Krizhevsky A ， Sutskever I ， Hinton G. ImageNet Classification with Deep Convolutional Neural Networks[C]. International Conference on Neural Information Processing Systems， 2012：1097-1105.

[4]Simonyan K ， Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. 2015 International Conference on Learning Representations， 2015：1482–1496.

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

[6]He K ， Zhang X ， Ren S ， et al. Deep residual learning for image recognition[C]. The IEEE Conference on Computer Vision and Pattern Recognition（CVPR）， 2016：770-778.

[7]Huang G ， Liu Z ， Laurens V D M ， et al. Densely connected convolutional networks[C]. The IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， 2017： 2261-2269.

[8]Mohanty S ， David H ， Marcel S. Using deep learning for image-based plant disease detection[J]. Front Plant Sci， 2016（7）：1419.

[9]Srdjan S ， Marko A ， Andras A ， et al. Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification[J]. Computational Intelligence and Neuroscience， 2016：1-11.

[10]Amara J ， Bouaziz B ， Algergawy A. A Deep Learning-based Approach for Banana Leaf Diseases Classification[C]. BTW （Workshops）， 2017：79-88.

[11]Brahimi M ， Boukhalfa K ， Moussaoui A . Deep Learning for Tomato Diseases： Classification and Symptoms Visualization[J]. Applied Artificial Intelligence， 2017， 31（4-6）：1-17.

[12]Ferentinos K . Deep learning models for plant disease detection and diagnosis[J]. Computers and Electronics in Agriculture， 2018（145）：311-318.

[13]Fuentes A F ， Sook Y ， Jaesu L ， et al. High-Performance Deep Neural Network-Based Tomato Plant Diseases and Pests Diagnosis System With Refinement Filter Bank[J]. Frontiers in Plant Science， 2018（9）：1162.

[14]Fuentes A ， Sook Y ， Sang K ， et al. A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition[J]. Sensors， 2017， 17（9）：2022-2043.

[15]馬浚誠，杜克明，鄭飛翔，等. 基于卷積神經網絡的溫室黃瓜病害識別系統[J]. 農業工程學報， 2018， 34（12）： 186-192.

[16]Sun X ， Mu S ， Xu Y ， et al. Image recognition of tea leaf diseases based on convolutional neural network[C]. 2018 International Conference on Security， Pattern Analysis， and Cybernetics （SPAC）， 2018：304-309.

[17]李凱雨. 基于深度學習的農作物病害識別[D]. 河南農業大學， 2018.

[18]孫俊，譚文軍，毛罕平，等. 基于改進卷積神經網絡的多種植物葉片病害識別[J]. 農業工程學報， 2017， 33（19）： 209-215.

[19]Bin L ， Yun Z ， Dongjian H ， et al. Identification of Apple Leaf Diseases Based on Deep Convolutional Neural Networks[J]. Symmetry， 2017， 10（1）：11.

[20]許景輝，邵明燁，王一琛，等. 基于遷移學習的卷積神經網絡玉米病害圖像識別[J]. 農業機械學報， 2020， 51（02）： 230-236.

[21]李丹. 基于遷移學習和改進殘差神經網絡的黃瓜葉部病害識別方法[J]. 農業工程， 2020， 10（06）： 36-40.

[22]Chen J ， Liu Q ， Gao L. Visual Tea Leaf Disease Recognition Using a Convolutional Neural Network Model[J]. Symmetry， 2019， 11（3）：343.

[23]楊晉丹，楊濤，苗騰，等. 基于卷積神經網絡的草莓葉部白粉病病害識別[J]. 江蘇農業學報， 2018， 34（03）： 527-532.

[24]邱靖，劉繼榮，曹志勇，等. 基于卷積神經網絡的水稻病害圖像識別研究[J]. 云南農業大學學報（自然科學）， 2019， 34（05）： 884-888.

[25]曾偉輝. 面向農作物葉片病害魯棒性識別的深度卷積神經網絡研究[D]. 中國科學技術大學， 2018.

[26]曾偉輝，李淼，李增，等. 基于高階殘差和參數共享反饋卷積神經網絡的農作物病害識別[J]. 電子學報， 2019， 47（09）： 1979-1986.

[27]曾偉輝，李淼，張健，等. 面向農作物病害識別的高階殘差卷積神經網絡研究[J]. 中國科學技術大學學報， 2019， 49（10）： 781-790.

[28]李就好，林樂堅，田凱，等. 改進Faster R-CNN的田間苦瓜葉部病害檢測[J]. 農業工程學報， 2020， 36（12）： 179-185.

（責任編輯 周康）

收稿日期：2020-08-23

作者簡介：范偉堅（1996-），男，在讀碩士。研究方向：田間作物病害智能識別;林樂堅（1996-），男，在讀碩士。通訊作者李就好（1963-），男，教授。