基于卷積神經網絡結合圖像處理技術的蕎麥病害識別

陳善雄，伍 勝※，于顯平，易澤林，雷興華

（1. 西南大學計算機與信息科學學院，重慶 400715；2. 西南大學農學與生物科技學院，重慶 400715；3. 重慶市農業學校，重慶 401329）

0 引 言

蕎麥是一種重要雜糧，其營養成分豐富，含有蛋白質、纖維素、糖類和抗氧化物質蘆丁等對人體健康非常有益的成分，且種植適應性強，耐寒冷，耐貧瘠，是具有開發潛力的優質作物資源。蕎麥在中國主要分布在西北、東北、華北以及西南一帶高寒山區，在中西部地區居多，是這些地區的主要糧食兼經濟作物[1]。全球其他地方主要分布在加拿大、印度、日本等國家[2]。然而，病害導致蕎麥的產量與品質受到極大影響，使其營養價值、飼用品質等降低。蕎麥病害問題是全世界共同面臨的農業自然災害之一，蕎麥病害種類繁多、影響較大且時常爆發成災[3]。準確及時對蕎麥病害情況作出辨別，是預防和控制的重要手段[4]。現有的蕎麥病害識別手段主要是通過人工進行甄別，對專業知識要求高，效率較低，對病害特征的判別不確定，往往錯過最佳的控制時期。得益于人工智能與農業領域的結合，機器學習、模式識別的分類、檢測、識別的最新方法和技術，在病害影像數據上的應用，有利于提升識別效率、降低成本、提高識別精度，減輕專家的工作強度[5-7]。近年來，計算機技術在農業圖像處理方面的研究也受眾多學者的關注，研究者利用支持向量機[8]、k-均值聚類[9]、徑向基函數[10]、遺傳算法[11]、貝葉斯分類[12]，集成學習[13]，濾波分割[14]等方法開展了農業作物病蟲害分類研究，取得較多的成果。然而，傳統的圖像處理方法在農業圖像應用中存在需要人為設定特征模式，特征抽取不穩定，受環境影響較大等問題。隨著深度學習興起，特別是卷積神經網絡，遞歸神經網絡等深層結構學習不斷完善，在圖像識別上的適應性和魯棒性有較大提升，在農業領域引入深度學習開展病蟲害的自動識別也成為眾多研究者關注的熱點。

對作物病害圖像的自動分類是精準農業實施定向病害防控藥物選擇，藥物噴灑的關鍵技術。而作物病害圖像的識別，其核心在于病害特征的提取。利用深度學習獲取作物病害的多尺度特征，可以更精確地實現不同病害的特征表達，有利于作物病害的精確識別。Fan等[15]提出了一種基于深度學習的局部模糊圖像去模糊方法，通過訓練不同結構的卷積神經網絡模型，利用基于譜圖理論的歸一化分割算法對病蟲害圖像進行分割，具有較好的魯棒性、泛化性和較高的精度。Qiang等[16]采用了一種具有雙重注意力和拓撲融合機制的生成對抗網絡（DATFGAN）將不清晰的圖像轉換成清晰、高分辨率的圖像。對處理后的圖像進行識別，結果表明該方法明顯優于其他方法，具有足夠的魯棒性。

在深度學習領域，針對圖像特征提取發展出了許多學習框架，并在農業病蟲害檢測中得到了應用。Rahman等[17]提出了一種基于深度學習的水稻病蟲害檢測方法，采用了VGG16和InceptionV3的結構，并對其進行了微調。Chen等[18]利用遷移學習機制，在ImageNet數據庫和Inception模塊上進行預訓練得到DenseNet網絡，并用于水稻病蟲害的識別。Li等[19]提出了一種基于深度學習的視頻檢測體系結構，用于檢測視頻中的植物病蟲害。與VGG16、ResNet-50、ResNet-101和YOLOv3相比，該網絡結構系統更適合檢測未經訓練的水稻視頻。在文獻[20]中，CNN被用于玉米葉片疾病圖像的識別，能效識別出玉米葉枯病、普通銹病（高粱銹病）和灰斑病（褐斑病）三種非洲南部地區玉米主要病變。Krishnaswamy等[21]用VGG16作為第8卷積層的特征提取器，利用多分類支持向量機（MSVM）對茄子疾病進行分類取得了較好效果。Valeria等[22]在對比分析最先進的卷積神經網絡架構AlexNet、GoogleNet、Inception V3、ResNet18和ResNet 50的基礎上進行微調，使用改進的GoogleNet模型識別西紅柿病蟲害。進一步，Fuentes[23]等還結合視覺對象識別和語言生成模型，產生關于植物異常癥狀及場景交互的詳細信息。在番茄病蟲害識別任務中，該方法在番茄植株異常描述數據集中達到了92.5%的精度[23]。Xiao等[24]將病蟲害預測歸結為時間序列預測問題，提出了一種基于LSTM的病蟲害預測方法。Verma等[25]利用膠囊網絡實現了對馬鈴薯疾病的分類，取得了較好的效果。

當前利用深度學習方法對作物病害的識別大都在標準作物樣本庫下開展研究。標準樣本庫通過專家的篩選往往呈現明顯的病害特征，沒有考慮野外采集到病害圖像的復雜性，如葉片重疊，光照不均，陰影覆蓋等，這些因素使得識別效果受到較大影響。本研究采用最大穩定極值區域（Maximally Stable Extremal Regions，MSER）和卷積神經網絡（Convolutional Neural Network，CNN）結合的方法對蕎麥發病區域進行檢測；然后在傳統卷積神經網絡框架上，加入了兩級inception結構和余弦卷積，對光照不均，低質量蕎麥圖像準確地進行特征抽取，提高病害分類的準確性。

1 蕎麥病害識別框架

本研究對蕎麥病害的判別包含病害區域檢測和識別2個過程，如圖1所示。

在MSER方法對病害區域檢測基礎上，加入改進的Alexnet網絡解決病害區和非病害區的重合問題[26]，以及對背景模糊區域，葉片邊緣區域誤檢測為病害區域問題。然后采用inception結構和余弦相似度卷積完成對具體病害的判別。

2 病害區域的檢測

本研究要求識別出蕎麥病蟲害類別，需要準確地從圖像中檢測出蕎麥病發的區域[27]，從而對病害區域進行特征提取。基于區域特征的抽取，能對不同類型的病害進行有效判別，確保分類精度。蕎麥病害區域檢測就是從圖像中分離出病害區域與非病害區域，然后把病害區域送入網絡就可完成訓練和識別。針對蕎麥病蟲害區域的檢測，本研究提出一種MSER[28]和CNN結合的方法對蕎麥發病區域進行檢測。

2.1 基于MSER的病害區域檢測

采用基于MSER的方法對病害區域進行檢測，MSER算法的具體實現過程如下：

1）對蕎麥病害圖像進行灰度化處理，在灰度區間[0,255]內的256個不同閾值對灰度圖像進行二值化；令Qt表示二值化閾值t對應的二值圖像中的某一連通區域，當二值化閾值由t變成t+Δ和t-Δ時，Δ為變化量，連通區域Qt相應變成了Qt+Δ和Qt-Δ。

2）計算閾值為t時的面積比當Qt的面積隨二值化閾值t的變化而發生較小變化，即qt為局部極小值時，Qt為最大穩定極值區域。其中|Qt|表示連通區域Qt的面積表示Qt+Δ減去Qt-Δ后的剩余區域面積。

在進行MSER檢測的過程中有些大的矩形框會包含小的矩形框，因此要對這些區域進行合并，將小的矩形框去除。對于兩個區域合并，設連通區域1的參數為β1，χ1，δ1，ε1，連通區域2的參數為β2，χ2，δ2，ε2，其中，χ和β分別表示連通區域最小外接矩形在y軸方向上的最小值和最大值，δ和ε分別表示連通區域最小外接矩形在x軸方向上的最小值和最大值，那么連通區域1包含連通區域2可以根據式（1）進行判定。

通過以上步驟，對病害區域進行選定。但是由圖2可以看出，檢測結果中仍然存在病害區和非病害區的重合與錯誤檢測的情況，把背景模糊區域以及葉片邊緣區域誤檢測為病害區域。

2.2 基于改進AlexNet的病害區域分離

為了能夠進一步區分病害區域和非病害區域，避免檢測框重疊和誤檢測，本研究在AlexNet[29]網絡基礎上設計了一個CNN的二元分類器，其結構如圖3所示。該網絡一共有兩個卷積層、兩個池化層，最后的全連接層是一個針對病害區和非病害區的二元分類器。首先輸入一張128×128的圖像，然后再用16個3×3的卷積核提取輸入圖像的特征，進而得到一個32×32×16的卷積層，接著用2×2最大池化的方法降低卷積層的數據維度，得到一個16×16×16像素的池化層，再用32個5×5的卷積核進一步提取更高層的特征，最后通過2×2最大池化的方法得到8×8×32的輸出。將這些輸出特征全部連接在一個全連接層，根據特征向量進行權重計算，輸出屬于2個類別的概率，進而判斷輸入的圖像是否為病害區域。該步驟實現了更準確的病害區域定位，解決了兩個病害區域比較接近，檢測到的區域容易交叉的情況。

2.3 模型訓練與測試

在訓練CNN模型時，本研究采用Adam作為優化算法，學習率設定為0.001，學習率下降乘數因子設定為0.1，損失函數選擇交叉熵損失函數[30]。訓練樣本從原始圖像上通過人工裁剪獲得。研究選取了124張蕎麥病害圖像剪裁出病害和非病害區域，用來構建裁剪圖像數據集。正樣本為病害區域，如圖4a所示，共792個區域裁剪圖像；負樣本為非病害區域，如圖4b所示，共1 135個區域裁剪圖像。導入數據進行訓練時，首先打亂順序，以4:1的比例進行隨機劃分，分別作為訓練集和測試集，然后對輸入圖像采用均值分別為0.471、0.452、0.412，方差分別為0.282、0.267、0.231的參數對導入圖像進行標準化變換。

裁剪樣本的大小和CNN預測的平均準確率變化情況如圖5所示。

試驗結果表明，在訓練第20到30輪次的時候預測的平均準確率趨于穩定，通過比較24×16、24×24、32×24、32×32、48×32幾種不同大小的裁剪樣本，最終選擇將32×32大小的裁剪樣本作為訓練數據，同時將檢測算法得到的候選區域統一調整為32×32大小的圖像進行分類。

本研究在500張蕎麥病害圖片中進行了測試，單張葉片上病害斑塊分布最多為16塊，最少為2塊。經過測試分析發現，完全檢測到所有斑塊的圖片有135張，檢測率在90%～100%之間的有117張，而檢測率50%以下的有134張，表1所示。總體來看，單張葉片病害區域檢測率在70%以上的圖片達到455張，具有較好的病害區域檢測效果。

圖6為通過CNN分類以后得到的病害區域，可以看檢測的結果更加精確，消除了交叉框和對病害區域的錯誤檢測。由此可見，本研究方法能夠對蕎麥的病害區域和非病害區域進行準確的分類。

表1 蕎麥病害斑塊檢測統計Table 1 Detection statistics of buckwheat disease area

3 蕎麥病害識別的卷積神經網絡結構

蕎麥圖像源于野外采集，成像質量不一。對于低質量蕎麥圖像，單純的依靠增加網絡深度，并不能對病害特征進行有效提取，特別在低質量圖像上不同病害區分度并不明顯。只有通過提升網絡寬度去獲取細節特征，這引起網絡層間的參數量增加。為了避免參數量較大，采用了2層Inception結構。第一層提取病害輪廓特征，特征表示的維度是淺層信息表示，它丟掉了一些重要的因素，如相關性結構；第二層獲得較細節特征，這樣每層的參數量相對較少，避免了訓練過程中的梯度消失。

3.1 基于inception結構的改進網絡

Inception是一種局部拓撲結構的網絡，對輸入圖像并行地執行多個卷積運算或池化操作，并將所有輸出結果拼接為一個非常深的特征圖。因為1×1、3×3或5×5等不同的卷積運算與池化操作可以獲得蕎麥病害圖像的不同信息，并行處理這些運算，并結合所有結果將獲得更好的病害圖像表征。

本研究采用的卷積神經網絡結構，如圖7所示，該網絡在傳統結構的基礎上加入了兩個inception，其具體處理流程為：1）首先，網絡的輸入是大小為64×64的蕎麥病害的圖像，接著用136個9×9大小的卷積核進行卷積操作，得到136個56×56的特征圖。2）將特征圖送入inception1結構中，網絡中所有inception結構均采用相同的卷積操作，即不改變特征圖的大小。接下來的所有池化層中池化窗口的大小為2×2，因此經過池化后特征圖的大小變為28×28。3）采用200個5×5的卷積核得到200個24×24的特征圖，將這些特征圖送入inception2結構中后，經過池化層后再用264個5×5的卷積核得到264個8×8的特征圖。4）經過池化層后進入最后一層卷積層，卷積核個數為520，大小為3×3，因此會得到520個2×2的特征圖。最后是全連接層和分類輸出層。

在網絡的前兩層卷積層中，分別采用了9×9和5×5的感受野，為了在更小的感受野中提取更多不同尺度的特征信息，同時擴大網絡的寬度和深度，因此在這兩層卷積層中分別加入了inception1和inception2結構，它們的結構如圖8所示。在inception1結構中，分別使用了1×1、3×3、1×5、5×1，4種不同尺度的卷積核進行多通道的特征提取，最后將通道進行融合。最上層的1×1卷積可以有效降低輸入特征圖的通道數，減小網絡的計算成本。最底層的1×1卷積是為了將輸入特征圖的通道數還原，保持輸入輸出特征圖通道數的一致性。在inception2結構中，輸入的特征圖變得更小，因此將inception1中的1×5和5×1卷積分別替換成了1×3和3×1卷積。在第2個卷積層中，輸入特征圖的數量比第一層多，因此將結構內的通道數由30增加到40。

為了評估inception模塊的性能，從蕎麥斑枯病、蕎麥菌核病、蕎麥立枯病、蕎麥輪紋病、蕎麥霜霉病、蕎麥褐斑病、蕎麥病毒病、蕎麥白霉病的8類樣本中選出1 200張樣本，同時加入800張沒有病害的蕎麥圖像，將訓練集和測試集按照4:1劃分，對inception1和inception2進行了控制變量的試驗對比，同時，對卷積層層數、卷積核個數、學習速率和批數量大小(Batch-size)四個主要參數進行了調試，確定最佳參數：4個卷積層，卷積核為：（136，200，264，520），學習速率：0.02，Batch-size：100。試驗結果如表2所示。

通過表2可以發現，在分別加入了inception1和inception2結構以后，在相同的迭代次數內，網絡的識別準確率有所提升，因此證明了本研究所提出的inception結構的有效性。

表2 Inception模塊性能評估Table 2 Performance evaluation of Inception Module

3.2 基于余弦相似度的卷積

蕎麥病害圖像數據來源于田間采集，受采樣環境的限制，存在噪聲干擾。因此，為了使卷積運算后，特征圖中只有和卷積核具有相似特征的位置取得較高的激活值，同時減小特征之間的差異性，減少想引入卷積層的運算中，把輸入的特征圖和卷積核看作兩個向量，計算它們之間的相關性。

在傳統的卷積神經網絡中，假定第l層卷積層的第j個特征圖的輸出值為：

式中g(·)表示激活函數，M表示輸入特征圖的集合表示第i個特征圖和第j個特征圖之間采用的卷積核向量，為偏置。

余弦相似度是衡量兩個向量之間相似程度的指標，它計算兩個向量夾角的余弦值，夾角越小，意味著兩個向量之間的相關性越高，計算出的余弦值也越大，其取值范圍是[-1,1]。以下是向量X和向量Y之間余弦相似度的計算方式，式中n表示向量的維數：

式中r×z表示卷積核的大小，Wij和Mij分別表示卷積核與特征圖中的系數。那么，相似性度量函數可以表示為

因此，第l層基于余弦相似度運算的卷積層的輸出值為

本研究將基于傳統卷積、歐幾里得距離卷積、切比雪夫距離卷積、曼哈頓距離卷積、余弦相似度卷積方式的神經網絡的識別性能進行對比分析。選取蕎麥斑枯病、蕎麥菌核病、蕎麥立枯病、蕎麥輪紋病、蕎麥霜霉病，蕎麥褐斑病、蕎麥病毒病、蕎麥白霉病的8類圖像數據集中共計1 200個樣本，同時加入800張沒有病害的蕎麥圖像樣本，將訓練集與測試集按照4比1的比例劃分，按照圖7的網絡結構，進行病害和無病害識別。對幾種不同卷積方式的網絡在卷積核為：（136，200，264，520），學習速率：0.02，Batch-size：100的參數條件下分別就傳統卷積、歐幾里得距離卷積、切比雪夫距離卷積、曼哈頓距離卷積余弦相似度卷積的識別性能進行了5次重復試驗，結果如表3所示。

從表3可以看出，采用余弦相似度運算的卷積方式比傳統的卷積方式所取得的識別準確率有所提高，平均準確率提升了4.14%。而基于其他相似度函數卷積方式的網絡反而比傳統卷積的網絡得到的準確率更低，這說明其他相似度函數的計算方式放大了樣本中特征之間的差異性，使得樣本中的噪聲對特征提取的過程產生了較大的干擾。而余弦相似度會將輸出結果限定在-1到1之間，可以最大限度的減小噪聲對特征提取造成的影響。

表3 不同卷積方式下的識別準確率Table 3 Recognition accuracy under different convolution modes%

為了進一步分析余弦相似度卷積網絡性能，以第3次試驗為例，給出了基于傳統卷積方式網絡和余弦相似度卷積網絡的損失函數和準確率變化曲線如圖9所示。

通過圖9可以看出，傳統卷積的網絡大約在迭代5000次以后損失值逐漸收斂，而基于余弦相似度的卷積在3 000次以后就已經收斂；對于準確率而言，傳統卷積的網絡在迭代4 000次后趨于穩定，而基于余弦相似度的卷積在2 000次以后達到穩定狀態。因此，基于余弦相似度卷積的網絡收斂速度更快，更容易找到全局最優解。主要是因為這種卷積方式能更好的評估卷積核與輸入特征圖對應特征的關聯程度，使得與卷積核特征相似的位置取得更高的激活值，同時避免噪聲對特征提取的影響。受采樣的時間和環境的影響，在蕎麥病害的圖像中，有很多樣本都存在光照不均、陰暗變化明顯的情況，這種情況導致圖像的灰度值變化明顯，因此最終傳統卷積運算所取得的激活值也會發生突變，圖10為傳統卷積方式和基于余弦相似度卷積方式的輸出對比。

假設圖10中的數值代表圖像的像素灰度值，它們取值的不同主要是由于光照不均所導致的，將圖中的卷積核輸入特征圖分別進行傳統卷積運算和基于余弦相似度的卷積運算。可以看出，傳統卷積方式得到的輸出值大小有著明顯的差異，其特征提取的能力也相應被削弱。而基于余弦相似度卷積的輸出值大小相對均勻，這說明這種方式能更好的適應光照不均的干擾，更加有利于特征的提取。

圖11展示了不同光照環境下蕎麥葉片樣本采用余弦相似度的卷積運算后輸出特征圖。從圖中可以看出，在第一層卷積特征map上，除了樣本輪廓特征，還存在一些由于光照不均引起的明顯的分界線；第二層卷積后，特征map對光照不均的表現較為弱化；在第三卷積層，特征map基本消除了光照影響；第四卷積層，第五卷積層，所有特征Map趨于僅保留了蕎麥葉片的高層特征。因此，基于余弦相似度的卷積得到的輸出特征圖色調相對均衡，說明這種方式能夠減少光照不均的影響，有更佳的特征提取能力。

4 結果與分析

建立了一個蕎麥病害數據庫，該數據庫包含了蕎麥斑枯病、菌核病、立枯病、輪紋病、霜霉病、褐斑病、病毒病、白霉病等8種蕎麥病害圖像，圖像來源于重慶市蕎麥產業技術體系團隊的田間采集，經過蕎麥專家篩選后，每種病害圖像500張，無病害（正常）的圖像1 000張，共計5 000張。每種病害選取400張作為訓練集，100張作為測試集，無病害圖像選取800張作為訓練集，200張作為測試集；用五折交叉驗證的方式進行。采用3.1節的inception結構，余弦相似度卷積的卷積神經網絡進行識別，并對最終的識別準確率進行了比較。使用召回率（Recall，R）、精確率（Precision，P）、精確率和召回率加權調和平均值（F1)，作為指標來評估識別的效果。召回率是分類器找到所有病害樣本的能力；精確率是期望為病害的樣本中的TP與TP加FN總數的比率。

其中TP（True Positive）指正確分類的正樣本數，表示正確判斷病害的樣本數；FP（False Positive）指被錯誤標記為正樣本的負樣本數，表示判斷為病害的正常樣本數；FN（False Negative）指被錯誤標記為負樣本的正樣本數，表示判斷為正常樣本的病害樣本數；

試驗結果如表4所示。在對比主流的CNN模型的同時，為了表明所提方法的性能，還引入了目前研究比較深入的人臉識別模型（DeepFace、VGGFace、FaceNet，DeepID2+、WSTFusion、SphereFace、RangeLoss、Hi ReST-9+）[31-33]在蕎麥病害數據集中進行測試，結果表明采用本研究的方法，精確率、召回率、F1分別達到了96.82%、95.62%、96.71%，比主流的AlexNet、VGG、GoogleNet、ResNet、LeNet框架的最佳性能分別高2.59%、2.89%、2.13%。且本研究提出的識別框架FPS值為5.19，可以看出其處理速度也處于較高水平。

表4 蕎麥病害識別的結果Table 4 Results of buckwheat disease recognition

為了進一步研究對蕎麥葉片病害區域進行檢測后，模型對蕎麥病害識別效果的影響，這里對是否執行區域檢測進行了測試。在加入第2節的病害區域檢測的方法后，識別效果得到明顯的提升，如表5所示。采用了病害區域檢測的方法后，本研究識別方法的精確率，召回率和F1分別達到了97.54%，96.38%，97.82%，比使用前提高了0.72%，1.76%，1.11%。結合表4分析發現加入病害區域檢測后，各個識別模型平均精確率、召回率和F1分別提高了1.45%、1.67%、1.46%。同時發現區域檢測引入了額外的計算開銷，因此處理速度略有下降，所有模型的PFS值平均下降的0.46，但對整體性能影響不大。

表5 加入區域檢測后蕎麥病害的識別結果Table 5 Recognition results of buckwheat disease after regional detection

試驗還針對蕎麥斑枯病、蕎麥菌核病、蕎麥立枯病、蕎麥輪紋病、蕎麥霜霉病、蕎麥褐斑病、蕎麥病毒病、蕎麥白霉病進行分類識別。表6展示的是在病害區域檢測后，用本研究所提的識別框架進行具體病害辨別的結果。可以看出針對具體的病害識別效果有明顯的下降，對于具體病害的識別精確率，召回率和F1均值為84.86%，85.78%，85.40%。特別是對蕎麥霜霉病的識別性能較差。這是由于僅僅判別蕎麥是否存在病害這是一個二分類問題，因此分類效果較好，而識別的具體的病害類型，分類的目標增多，識別難度增加。由于拍照設備的性能不同，拍照環境不同，成像質量差別較大；同時識別的精度很大程度依賴于模型的訓練和樣本的數量，本研究所采用的樣本數量源于田間采集，受條件限制，對每種病害的樣本僅500張，模型訓練不充分，識別效果受到較大影響。但可以看出蕎麥斑枯病、輪紋病識別的精確率，召回率和F1仍然達到90%以上。這是因為這兩種病害在蕎麥葉片上的邊緣輪廓比較清晰，用卷積神經網絡進行特征提取時能準確地得到病害的特征圖，因此在進行分類時表現出較高的精度。雖然不同類的識別精度是不同的。從整體上看，斑類病的識別效果好于霉菌類病，這是因為斑類病在蕎麥葉片上形成的病害區域特征比較明顯，辨識度較高，能準確提取特征，而霉菌類病在蕎麥葉片上分布比較分散，邊緣比較模糊，算法對特征的提取能力較弱。

表6 各種蕎麥病害的識別效果Table 6 Recognition effect of buckwheat diseases

6 結 論

本研究對蕎麥病害的自動識別進行了分析，利用卷積神經網絡的多層特征提取方式，對蕎麥病害的特征進行抽取，然后根據特征進行分類，最終實現對蕎麥病害的判別。為了提升對蕎麥病害的識別精度，進行了病害區域的檢測，把檢測的結果輸入卷積神經網絡進行訓練和識別；同時在傳統結構的基礎上加入了inception結構，進一步提升精度。為了降低采樣過程中光照的影響，用基于余弦相似度的卷積代替傳統的卷積，使得對光照不均情況的樣本也能夠進行較好的特征提取。通過試驗結果分析，本研究提出的inception結合余弦相似度的卷積神經網絡結構在對蕎麥是否患病識別的精確率，召回率以及精確率和召回率加權調和平均值分別達到了97.54%，96.38%，97.82%；對于具體病害的識別其均值分別為84.86%，85.78%，85.40%，高于主流的VGG、GoogleNet、ResNet、DeepID等識別框架。

本研究進行了病害區域檢測，使得處理時間有所增加，但對總體性能影響不大。然而部分病變區域與成像背景區分度較低，導致識別精度不高，需要進一步改進識別框架，針對具體病害提升識別精度。