基于卷積神經網絡的玉米病害識別

DOI：10.19850/j.cnki.2096-4706.2021.09.002

摘? 要：在玉米生長初期，不能及時知道玉米所患病害從而無法及時醫治，將導致玉米產量和質量下降。而人工分辨玉米病害耗費大量人力和時間，判斷準確率也不高。因此文章提出了基于卷積神經網絡的玉米病害識別模型，模型主要有12個網絡層，其中包含輸入層、4個卷積層、4個池化層、2個全連接層和輸出層。通過調整參數和模型優化等操作，最終分類準確率在95%左右。模型具有一定的實際意義，可為玉米病害防治提供理論依據。

關鍵詞：玉米;卷積神經網絡;模型;病害

中圖分類號：TP183;TP391.4? 文獻標識碼：A 文章編號：2096-4706（2021）09-0006-04

Corn Disease Identification Based on Convolution Neural Network

WU Shuqi

（Ji Xianlin Honors School of Liaocheng University，Liaocheng 252000，China）

Abstract：In the early growth of corn，we can not know the diseases of corn in time and thus cannot be cured in time，which leads to a decline in the yield and quality of corn. However，it takes a lot of manpower and time to distinguish corn diseases manually，and the accuracy of judgment is not high. Therefore，a corn disease recognition model based on convolutional neural network is proposed in this paper. The model mainly has 12 network layers，including input layer，4 convolutional layers，4 pooling layers，2 fully connected layers and output layer. By adjusting the parameters and the optimization model，the final classification accuracy is about 95%. The model has certain practical significance and can provide a theoretical basis for corn disease control.

Keywords：corn;convolutional neural network;model;disease

0? 引? 言

玉米在我國糧食作物產業中發揮著至關重要的作用，是我國農作物產業中的中流砥柱^[1]。我國幅員遼闊，跨經緯度差異大，不同地區的玉米種植也遭受不同的病害折磨。作為我國最大的糧食作物品種，玉米病害嚴重減少了玉米產量。準確、快速地識別玉米病害并及時進行補救，可有效降低玉米病害的影響。傳統的玉米病害分類依賴人工判斷，這種識別方法效率低、易判斷失誤，無法適應當今玉米大規模種植的需求。如何智能識別不同玉米病害，為農民提供最佳的解決方案，就成為研究重點^[2]。

1? 研究現狀

隨著圖像處理和深度學習的深入研究，計算機識別圖像并進行分類已成為可以實現的技術。吳云志等人提出一種基于深度殘差網絡的玉米病害識別網絡TFL-ResNet。他們將Focal Loss損失函數作為評估函數，再將數據集在ResNet50網絡上訓練好的參數應用到改進好的網絡里，最終得到的平均準確率高達98.96%^[3]。許景輝等人從遷移學習的方向出發，將遷移學習的思想運用在卷積神經網絡模型上，構建出了一個針對玉米病害的圖像識別模型，得到的最終平均準確率為95%^[4]。顧博等人構建了一種基于GrabCut算法的玉米病害圖像識別模型，此模型用于解決在圖像背景難以區分或者模糊時，盡量準確分割前景區域的問題^[5]。在農作物病害識別領域，很多學者已經進行了深入的研究，并取得了重要成果，如今也有大量的實際產品應用于農產品行業中。

2? 材料與方法

由于引起玉米病害的病原菌類型不同，葉片在形狀、顏色、質地等方面會有不同的病斑、病洞等具體癥狀，因此本文采用基于玉米葉片判斷病害類型的方法。

2.1? 材料

本研究所用到的數據集來源于PlantVillage-Dataset數據集，由3種不同玉米圖像組成：玉米普通銹病、灰斑病、大斑病的病害圖像，分別如圖1、圖2、圖3所示。

其中玉米普通銹病1 192張，灰斑病513張，大斑病985張。本文實驗將玉米圖像分為訓練集和測試集，用0、1、2分別表示對應的類別標簽，標簽2為普通銹病，標簽0為灰斑病，標簽1為大斑病，其中訓練集為2 152張，測試集為538張。

2.2? 方法——卷積神經網絡

目前卷積神經網絡（Convolutional Neural Network，CNN）領域已經被很多學者和研究人員進行了深入研究。已經從最初較為簡單的手寫字符識別，逐漸深入到諸如人臉識別等更復雜的領域。卷積神經網絡采用的是一種端到端的學習模型，模型中的參數可以通過傳統的梯度下降方法進行訓練，卷積神經網絡會在一次次訓練中學習圖像中的特征，并且提取圖像特征進一步完成分類。卷積神經網絡最大的特征是權值共享和局部連接，可以大大減少計算機的計算量。

卷積神經網絡由輸入層、卷積層（convolutional layer）、池化層（pooling layer）、全連接層及輸出層組成。一個網絡的卷積層和池化層會取多個，具體數量具體而定，總體是一個卷積層、一個池化層、一個卷積層……以此類推。卷積神經網絡的特點是每一層的神經元只有受到前一層局部范圍內的神經元刺激時才會作出反應，即數學上的卷積運算，卷積神經網絡由此得名。

3? 模型構建與訓練

3.1? 模型結構

本文的模型是以經典的LeNet模型為基礎，該模型網絡共有3個卷積層、2個池化層、1個全連接層。本文的玉米病害識別模型共有12個網絡層，包含輸入層、4個卷積層、4個池化層、2個全連接層和輸出層。本文CNN玉米病害識別模型網絡結構如圖4所示。

另外，在第三層卷積和第四層卷積當中，都包含了Dropout策略層，丟棄概率調整為0.1，用來避免過擬合，增加隨機性。在全連接層中，丟棄概率調整為0.5。另外本課題池化方式選用的是最大池化法（Max pooling），在卷積層的運算后使用激活函數修正線性單元（ReLU）^[6]，進行數據的訓練。最后采用分類器Softmax，作為最后的分類輸出層，輸出類別為3，分別對應玉米病害的3類。

因此，結合課題的具體要求和目前已有的數據集，本課題中提出的玉米病害識別模型的網絡結構一些參數設置如表1所示。

表1? 本研究模型參數設置

3.2? 模型優化

模型結構優化的目的是最大限度地減少損失函數的迭代次數，得到最高的識別準確率。本課題的玉米病害識別模型在全連接層加入了Dropout層，為了減少神經網絡過擬合的概率，也用了分類函數Softmax函數，Softmax函數會通過一系列的函數運算，輸出該樣本能夠被分成某類的最大概率。

大部分的數據都是非線性的，看似雜亂無章，但是神經網絡的計算是線性的，非線性神經網絡中需要引入主動函數，從而提高網絡的自學習能力。常用的激活函數有：Sigmoid函數、tanh函數、ReLU函數。

3.3? 模型訓練過程

本課題模型訓練過程主要分為以下4個階段：

（1）尋找數據集，搜尋與玉米病害有關的圖像，并且分類保存。將圖像進行歸一化，以1：4的比例隨機劃分成訓練集和測試集。

（2）根據圖4所示的模型思路，進行編譯和設定模型參數。最大訓練數設置為6輪，batch_size為11。

（3）訓練并且保存模型。

（4）手動調參，選取損失值最小，預測準確率最高的模型作為最終結果。

4? 實驗結果分析

4.1? 激活函數的不同對模型性能的影響

在模型的第三層卷積、第四層卷積之后、第一個全連接層之后添加了Dropout策略層，能夠增加隨機性，避免過度擬合。在第一層全連接之后添加激活函數ReLU，第二層全連接之后添加函數Softmax。ReLU函數作為激活函數，速度更快，也可以盡量避免梯度消失。此外，ReLU以其獨特的稀疏性，即神經元的激活率較低，貼合大腦工作的結構，更是被廣泛使用。Softmax函數會將輸出層的數據轉化為概率表達式后的輸出值，因此人們通常將Softmax被作為神經網絡模型的分類器。

表2顯示了不同的激活函數對分類識別準確率的不同影響。

4.2? Dropout層對模型性能的影響

Dropout層的存在是為了減少神經網絡過擬合，主要用于神經元個數較多的層。通常，Dropout層加在全連接層，不僅可以減小過度擬合情況的出現概率，還可以提高模型的自主適應和學習能力。表3是Dropout層對模型準確率和損失率的影響，前提是都在12個網絡層，包含輸入層、4個卷積層、4個池化層、2個全連接層和輸出層。

由表3可以看出，Dropout層的存在極大地提高了玉米病害分類識別的準確率，減小了損失率。所以為了提高準確率，避免數據訓練過擬合，本課題的模型在全連接層中添加Dropout策略層。

4.3? 網絡層數對準確率的影響

一個良好的模型需要經過不斷地調整參數才能夠確定最佳模型，本課題選擇對卷積層（2層、3層、4層）和全連接層（1層、2層）進行設置，通過對比選出最優的模型。實驗結果如表4所示。

根據表3中內容可以看出，當設置2個全連接層、4個卷積層時，訓練最小損失率和訓練最大準確率分為達到0.453 0和0.951 7，表明該模型性能最優。

4.4? 預測結果分析

在對圖像數據進行預處理時，劃分的訓練集和測試集分別為2 152張、538張。需要測試在每次調整參數構造的模型中，代入未參與訓練的測試集，是否也能達到同樣高的準確率。圖5、圖6分別是訓練集和測試集對于不同玉米病害識別準確率和損失值的截圖。

由圖5、圖6比較可知，對于不同玉米病害的訓練集和測試集，識別正確的準確率和損失值基本一致，都達到了95%以上，損失值都在45%左右。這說明該模型的性能還是比較不錯的。

5? 結? 論

玉米已成為我國最大的糧食產物，而玉米的產量與人們的生活緊密相關。玉米病害防治是我國生產的重要組成成分，具有重要的實際意義。本文以LeNet模型為基礎，構建了一個12層的玉米病害識別模型，完成對玉米灰斑病、普通銹病和大斑病3類不同玉米病害圖像的識別分類，基于此，得出了以下結論：

（1）卷積神經網絡模型可以主動提取圖像的特征，為我們研究玉米病害提供了極大的便利，從而達到很好的分類效果。在本課題中，對于已劃分好的測試集的識別率最高達到95%以上，最低也有87%以上，在短時間內就可以對幾百個植株進行病害識別，不僅節省時間和人力，也可以很大程度地提高識別精度。

（2）在模型優化方面，為了避免過擬合情況的發生，增加隨機性，在網絡層中運用Dropout策略和ReLU激活函數。

（3）該模型可以同時識別3種病害，具有更高的識別性能和實用性。鑒于我們搜尋到的數據集有局限性，因此本課題僅選用了3個種類進行分析和識別，所以該模型存在著一定的局限性。為了能夠將此模型應用于實際生活中，下一步我們需要找到更多種類的數據，調整模型，達到更高的識別準確率，完成模型的推廣，開發出關于該模型的平臺，爭取更快地將其投入到玉米生產領域中，為我國農業生產做出一份貢獻。

參考文獻：

[1] 章楷，李根蟠.玉米在我國糧食作物中地位的變化——兼論我國玉米生產的發展和人口增長的關系 [J].農業考古，1983（2）：94-99.

[2] 王曉鳴，晉齊鳴，石潔，等.玉米病害發生現狀與推廣品種抗性對未來病害發展的影響 [J].植物病理學報，2006（1）：1-11.

[3] 劉翱宇，吳云志，朱小寧，等.基于深度殘差網絡的玉米病害識別 [J].江蘇農業學報，2021，37（1）：67-74.

[4] 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（2）：230-236+253.

[5] 顧博，鄧蕾蕾，李巍，等.基于GrabCut算法的玉米病害圖像識別方法研究 [J].中國農機化學報，2019，40（11）：143-149.

[6] OSHIEA K，NASH R. An Introduction to Convolutional Neural Networks [J/OL].arXiv：1511.08458 [cs.NE].（2015-11-26）.https：//arxiv.org/abs/1511.08458.

作者簡介：吳淑琦（2001—），女，漢族，山東陽谷人，本科在讀，研究方向：模式識別。

收稿日期：2021-04-05