基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的葉菜霜霉病智能識別算法研究*

梅 瑩 尹藝璐 石稱華 劉哲輝 常麗英

（1.上海交通大學(xué)農(nóng)業(yè)與生物學(xué)院，上海 閔行200240；2.廣西壯族自治區(qū)柳州市柳城縣委辦公室，廣西柳州545000；3.山東省淄博市數(shù)字農(nóng)業(yè)農(nóng)村發(fā)展中心，山東 淄博255000；4.上海勁牛信息技術(shù)有限公司，上海 普陀200333）

霜霉病嚴(yán)重影響我國結(jié)球白菜、菠菜、萵筍等葉菜的生產(chǎn)。霜霉病危害嚴(yán)重時(shí)發(fā)病率近90%，蔬菜減產(chǎn)可達(dá)60%[1]。目前，目視觀察是檢測田間蔬菜霜霉病發(fā)生的主要方法，極易錯(cuò)過防治的最佳時(shí)期。基于圖像識別的葉表深度學(xué)習(xí)比人工診斷更易實(shí)現(xiàn)病害的實(shí)時(shí)監(jiān)測，將其應(yīng)用于病害預(yù)測的無人報(bào)警系統(tǒng)，可降低勞動(dòng)成本、實(shí)現(xiàn)病害的有效防控。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是對復(fù)雜過程進(jìn)行建模，并在具有大量數(shù)據(jù)的應(yīng)用程序中執(zhí)行模式識別的強(qiáng)大技術(shù)之一。CNN是大、小型問題中最流行的圖像識別分類網(wǎng)絡(luò)模型，其圖像處理、識別與分類功能強(qiáng)大，為克服有關(guān)圖像識別技術(shù)難題的首選方法[2]。國內(nèi)外研究表明，CNN已應(yīng)用于諸多植物的病害識別，如小麥病害檢測[3]、玉米不同病害圖像的分類識別[4]、棉花病葉識別[5]、煙草病害識別分類[6]、番茄病害的識別分類[7-9]、黃瓜病害的識別分類[10-12]、茶葉病害的識別分類，并通過調(diào)整網(wǎng)絡(luò)參數(shù)提高茶葉病害的識別精度[13]、運(yùn)用AlexNET模型識別茶樹不同病害[14]、蘋果病害不同發(fā)病階段[15]和不同病害的分類識別[16]，運(yùn)用兩種不同CNN體系結(jié)構(gòu)和改進(jìn)AlexNET模型識別多種植物病害[17-18]，以Keras為學(xué)習(xí)框架進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練提高模型的識別成功率[19]等。

可見，CNN模型的研究多集中應(yīng)用于大田作物如小麥、玉米、棉花，及茄果類蔬菜作物如番茄、黃瓜等，應(yīng)用于葉菜類蔬菜作物的研究較少。本研究針對傳統(tǒng)方法識別葉菜霜霉病難、識別精度低等問題，將CNN模型分別應(yīng)用于結(jié)球白菜、菠菜、萵筍3種葉菜霜霉病的分類識別，通過構(gòu)建VGG（visual geometry group，超分辨率測試序列）16網(wǎng)絡(luò)模型，對葉菜霜霉病進(jìn)行快速診斷，為實(shí)現(xiàn)葉菜霜霉病的實(shí)時(shí)監(jiān)測奠定理論基礎(chǔ)。

1 材料與方法

1.1 圖像收集

結(jié)球白菜、菠菜和萵筍霜霉病葉圖像來自電子書籍圖譜、農(nóng)林病蟲害防治網(wǎng)、農(nóng)業(yè)病蟲草害圖文數(shù)據(jù)庫和百度網(wǎng)站，共收集原始圖片398張，其中結(jié)球白菜霜霉病圖像175張、菠菜霜霉病圖像110張、萵筍霜霉病圖像113張（如圖1所示），用于構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型并對其進(jìn)行識別與分類。

圖1 葉菜霜霉病的病葉圖像

1.2 圖像預(yù)處理

部分圖像有文字水印等干擾，通過圖像預(yù)處理簡化圖像內(nèi)容，排除無關(guān)信息干擾，提升訓(xùn)練與測試的速度和效果。本研究首先通過圖像裁剪方法去除部分無效信息，保留病害的主要特征，然后經(jīng)過隨機(jī)旋轉(zhuǎn)、平移等處理方式擴(kuò)增原圖像數(shù)量，最終獲得3種葉菜霜霉病的圖像數(shù)據(jù)庫。

1.2.1 圖像裁剪

裁剪去除圖像中無關(guān)信息，保留帶有葉片病斑的區(qū)域，以提高圖像信息質(zhì)量。裁剪前后的部分圖像對比如圖2所示。

圖2 葉菜霜霉病病葉裁剪前后圖像

1.2.2 圖像數(shù)據(jù)歸一化

圖像數(shù)據(jù)歸一化處理，有利于降低計(jì)算量、提升CNN模型的收斂速度和精度。目前歸一化方法種類較多，有特征標(biāo)準(zhǔn)化、min-max標(biāo)準(zhǔn)化、log函數(shù)轉(zhuǎn)換、atan函數(shù)轉(zhuǎn)換、模糊量化法等，其中最常用的是min-max標(biāo)準(zhǔn)化和特征標(biāo)準(zhǔn)化。

min-max標(biāo)準(zhǔn)化通過對原始圖像數(shù)據(jù)進(jìn)行線性變換，使其結(jié)果值均能縮放在[0，1]范圍內(nèi)，具有保留原始數(shù)據(jù)關(guān)系、消除量綱和數(shù)據(jù)取值范圍的影響等優(yōu)點(diǎn)。但是如果數(shù)據(jù)集中存在某個(gè)數(shù)值過大時(shí)，數(shù)據(jù)歸一化后的各個(gè)結(jié)果值將趨近于0并相差很小。min-max標(biāo)準(zhǔn)化的轉(zhuǎn)換公式為：

式中，max和min分別為樣本數(shù)據(jù)的最大值和最小值，x和x*分別為數(shù)據(jù)歸一化前后的值。

特征標(biāo)準(zhǔn)化又稱z-score標(biāo)準(zhǔn)化，是目前使用最多的樣本數(shù)據(jù)歸一化方法，經(jīng)以上公式處理過的數(shù)據(jù)均值為0，方差為0，標(biāo)準(zhǔn)差為1。這種方法最突出的優(yōu)點(diǎn)就是計(jì)算簡單，可以消除量級給分析帶來的不便。其公式為：

式中μ為總體數(shù)據(jù)均值，σ為總體數(shù)據(jù)的標(biāo)準(zhǔn)差，x和x*分別為歸一化前后的值。

特征標(biāo)準(zhǔn)化計(jì)算簡單，建立的CNN模型效果較好，故本研究使用該方法進(jìn)行圖像歸一化處理。

1.2.3 圖像數(shù)據(jù)擴(kuò)增

如樣本數(shù)量少，CNN訓(xùn)練過程中易出現(xiàn)過擬合現(xiàn)象。為避免過擬合現(xiàn)象的發(fā)生，可通過隨機(jī)旋轉(zhuǎn)和平移的方式擴(kuò)增原始圖像數(shù)量，以提高CNN模型的泛化性。（1）圖像平移。在原始圖像平面上沿水平或豎直方向平移，改變?nèi)~菜霜霉病病斑的位置。結(jié)球白菜霜霉病病葉圖像向左平移10個(gè)像素點(diǎn)的效果如圖3所示。（2）圖像旋轉(zhuǎn)。以隨機(jī)的角度旋轉(zhuǎn)原始圖像，改變?nèi)~菜霜霉病病斑的朝向。菠菜霜霉病病葉圖像逆時(shí)針旋轉(zhuǎn)90°的效果如圖4所示。

圖3 結(jié)球白菜霜霉病病葉圖像向左平移10個(gè)像素點(diǎn)示意圖

圖4 菠菜霜霉病病葉圖像逆時(shí)針旋轉(zhuǎn)示意圖

1.3 圖像數(shù)據(jù)庫的構(gòu)建

將所有原始圖像進(jìn)行編號分類并制作標(biāo)簽（標(biāo)簽1為結(jié)球白菜，標(biāo)簽2為菠菜，標(biāo)簽3為萵筍），隨后將原圖像分辨率調(diào)整為50×50。398張?jiān)瓐D像經(jīng)過隨機(jī)旋轉(zhuǎn)4次、隨機(jī)平移3次（每次平移10個(gè)像素點(diǎn)）的操作后，原圖像數(shù)量擴(kuò)增7倍，擴(kuò)增后的總圖像數(shù)量為3 184張，其中結(jié)球白菜霜霉病病葉圖像1 400張、菠菜霜霉病病葉圖像880張、萵筍霜霉病病葉圖像904張。然后按3∶1的比例將擴(kuò)增后的圖像分為訓(xùn)練集和測試集，即訓(xùn)練集2 388張、測試集796張。最后將所有的圖像以jpg格式導(dǎo)入計(jì)算機(jī)，即完成3種葉菜霜霉病圖像數(shù)據(jù)庫的構(gòu)建。此數(shù)據(jù)庫的所有圖像都將作為卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)集，訓(xùn)練集和測試集中的圖像均由計(jì)算機(jī)隨機(jī)抽取。

1.4 試驗(yàn)方法

1.4.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是指一類至少在一層用卷積運(yùn)算代替一般的矩陣乘法運(yùn)算，且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。CNN包含輸入層、卷積層、池化層、全連接層和輸出層等基本結(jié)構(gòu)，卷積層與池化層一般交互出現(xiàn)[19]。CNN架構(gòu)可以擴(kuò)展并適應(yīng)復(fù)雜性，以匹配任何給定任務(wù)和數(shù)據(jù)可用性所需的表達(dá)能力。

1.4.2 VGG16

VGGNET是一種基于AlexNET的堆疊體系結(jié)構(gòu)，可應(yīng)用于圖像識別分類的網(wǎng)絡(luò)模型。VGG16是VGGNET的變體，是一個(gè)16層網(wǎng)絡(luò)，包含13個(gè)卷積層和3個(gè)全連接層。VGG16網(wǎng)絡(luò)構(gòu)架及參數(shù)可參考《卷積神經(jīng)網(wǎng)絡(luò)原理與視覺實(shí)踐》[20]，VGG16模型結(jié)構(gòu)可參考《Convolutional neural networks》[21]。

1.4.3 CNN模型構(gòu)建硬件環(huán)境

處理器為是Intel Core i7，內(nèi)存32G；軟件環(huán)境是Python 3.7編程語言和基于Python編寫的keras 2.1.2高級神經(jīng)網(wǎng)絡(luò)API，選擇Tensorflow1.6作為運(yùn)行后端。

2 結(jié)果與分析

2.1 VGG16-1模型構(gòu)建

結(jié)合3種葉菜霜霉病病害的特點(diǎn)，對卷積神經(jīng)網(wǎng)絡(luò)中的VGG16模型進(jìn)行修改，構(gòu)建可識別3種葉菜霜霉病的CNN網(wǎng)絡(luò)識別模型，并將修改后的模型命名為VGG16-1。VGG16-1模型與VGG16一樣由卷積層、池化層和全連接層等卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)構(gòu)成。VGG16-1模型將傳統(tǒng)的VGG16模型中的13個(gè)卷積層改為2個(gè)卷積層、5層池化層改為1層、3層全連接層數(shù)變?yōu)?層，并在其中加入2個(gè)Dropout層，以避免模型過擬合現(xiàn)象的發(fā)生。除此之外，VGG16-1模型雖未改變傳統(tǒng)VGG16模型使用的Softmax分類器，但傳統(tǒng)的VGG16網(wǎng)絡(luò)用于識別1 000類物體，而本研究涉及的葉菜霜霉病圖像識別分類僅有3類圖像，所以將Softmax的輸出分類標(biāo)簽類編由1 000類改為3類。傳統(tǒng)VGG16模型使用的ReLU激活函數(shù)具有加快模型訓(xùn)練速度、防止梯度彌散、增加模型非線性、使網(wǎng)絡(luò)更快收斂等優(yōu)點(diǎn)，故VGG16-1模型沿用了ReLU激活函數(shù)。VGG16-1模型構(gòu)建流程如圖5所示。

圖5 VGG16-1模型構(gòu)建流程圖

VGG16-1模型共有8層，設(shè)置輸入層1個(gè)、卷積層2個(gè)、池化層1個(gè)、Dropout層2個(gè)和全連接層2個(gè)。卷積層中，kernel_size=3，padding=′same′；池化層中，pool_size=（2，2），strides=（2，2）；激活函數(shù)選擇ReLU，BATCH_SIZE=32。每層的具體處理過程為：（1）輸入尺寸為50×50×3的圖像至VGG16-1模型的第1層輸入層；（2）第2層是卷積層，此層里的圖像會(huì)經(jīng)過32個(gè)3×3大小的卷積核，用于提取圖像特征，輸出的特征圖像尺寸為50×50×32；（3）第3層是Dropout層，輸出的特征圖像進(jìn)入丟失率為0.2的Dropout層，可減少特征圖像的數(shù)量，從而減少冗余；（4）第4層是卷積層，使用的卷積核為3×3，用于提取圖像特征，此層里輸入和輸出的特征圖像的尺寸均為50×50×32；（5）第5層是池化層，此層采用Max?pooling，Pool尺寸是2×2，輸入和輸出的特征圖像分別為50×50×32和25×25×32，最大池化后的特征圖像尺寸縮小了1/2；（6）第6層是全連接層，該層里的特征圖像與一層網(wǎng)絡(luò)進(jìn)行全連接，主要功能是對由一系列卷積層和池化層檢測和提取的特征進(jìn)行分類；（7）第7層是丟失率為0.5的Dropout層，該層減少的特征圖像的數(shù)量更多，能有效降低模型過擬合現(xiàn)象的發(fā)生概率；（8）第8層是全連接層，該層使用Softmax分類器，將卷積層和池化層提取的特征圖像進(jìn)行非線性組合后分類輸出。VGG16-1模型各層輸入與輸出的結(jié)果如圖6所示。

圖6 VGG16-1模型結(jié)構(gòu)

一般卷積神經(jīng)網(wǎng)絡(luò)模型中的淺層卷積層主要用于圖像低維特征的提取，深層的卷積層則用于提取圖像的高維特征。在卷積層中輸入圖像數(shù)據(jù)，經(jīng)過網(wǎng)絡(luò)中一系列的卷積、池化和激活操作后，不同的特征被檢測與學(xué)習(xí)。隨著卷積神經(jīng)網(wǎng)絡(luò)模型深度的增加，各層提取的特征越來越抽象，無關(guān)信息被剔除，有用的信息得到放大和細(xì)化。但CNN模型的深度并非越深擬合效果越好，過深的卷積神經(jīng)網(wǎng)絡(luò)反而可能降低精度，同時(shí)大大增加計(jì)算耗時(shí)，出現(xiàn)嚴(yán)重的過擬合。本研究中的VGG16-1模型中兩層卷積層輸出的特征圖像如圖7所示。由于兩層卷積層卷積核數(shù)量均為32個(gè)，故每個(gè)卷積層輸出的特征圖數(shù)量均為32張。

圖7 VGG16-1模型的特征圖

2.2 VGG16-1模型性能優(yōu)化分析

不同網(wǎng)絡(luò)模型適用的CNN模型參數(shù)（迭代次數(shù)Epoch、BATCH_SIZE、卷積核尺寸等）不同。本研究通過微調(diào)VGG16-1模型中的部分參數(shù)，以模型的測試集識別準(zhǔn)確率和模型訓(xùn)練用時(shí)作為評估指標(biāo)，探究不同參數(shù)對VGG16-1模型識別分類效果的影響。

2.2.1 迭代次數(shù)（Epoch）

迭代次數(shù)Epoch是一個(gè)超參數(shù)，用于定義訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型時(shí)通過完整訓(xùn)練集的一次傳遞。不同CNN模型所適用的迭代次數(shù)不同。本研究將模型的迭代次數(shù)分別設(shè)置為30、50和70，固定模型中的BATCH_SIZE=32，卷積核尺寸為3×3。此時(shí)VGG16-1模型的訓(xùn)練集損失函數(shù)變化曲線如圖8所示。

圖8 不同迭代次數(shù)下VGG16-1模型的損失函數(shù)變化曲線

由圖8可以看出，初始VGG16-1模型的均損失率較高，70迭代次數(shù)的模型損失函數(shù)下降速度最快，且模型損失率最低點(diǎn)低于30和50迭代次數(shù)的模型。

不同迭代次數(shù)訓(xùn)練用時(shí)和測試集識別準(zhǔn)確率差異見表1。

表1 不同迭代次數(shù)訓(xùn)練用時(shí)和測試集識別準(zhǔn)確率

由表1可知，隨著迭代次數(shù)的增加，模型訓(xùn)練用時(shí)也隨之增加，識別準(zhǔn)確率也相應(yīng)提升。模型迭代30次，訓(xùn)練用時(shí)為10 min，但模型測試集識別準(zhǔn)確率較低（77.00%），未達(dá)到預(yù)期效果；模型迭代50次和70次的測試集識別準(zhǔn)確率差異不大，但70次迭代的訓(xùn)練用時(shí)較50次增加了5 min。綜上所述，在保證較高識別準(zhǔn)確率的情況下，迭代50次處理訓(xùn)練用時(shí)最短。因此，迭代次數(shù)為50時(shí)，VGG16-1模型結(jié)果最優(yōu)。

2.2.2 BATCH_SIZE

在CNN模型中，訓(xùn)練集是分批次輸入模型中進(jìn)行訓(xùn)練的，每批次輸入模型中的圖像數(shù)量即BATCH_SIZE（批次數(shù)），也就是說BATCH_SIZE是訓(xùn)練數(shù)據(jù)集的子集。不同CNN模型所適用的BATCH_SIZE不同。本研究將模型的BATCH_SIZE分別設(shè)置為32、64、128和256，模型中迭代次數(shù)為50，卷積核尺寸為3×3。此時(shí)VGG16-1模型的訓(xùn)練集損失函數(shù)變化曲線如圖9所示。

圖9 不同BATCH_SIZE下VGG16-1模型的損失函數(shù)變化曲線

由圖9可知，初始VGG16-1模型的損失率相對較高，隨著BATCH_SIZE值的增大，模型的損失函數(shù)下降速度減緩；當(dāng)BATCH_SIZE=32時(shí)模型損失函數(shù)下降速度最快，波動(dòng)最少，且模型損失率最低點(diǎn)明顯低于BATCH_SIZE值為128和256時(shí)的模型。

不同BATCH_SIZE訓(xùn)練用時(shí)和測試集識別準(zhǔn)確率差異見表2。

表2 不同BATCH_SIZE訓(xùn)練用時(shí)和測試集識別準(zhǔn)確率

由表2可知，隨著BATCH_SIZE的增大，訓(xùn)練用時(shí)逐漸減少，VGG16-1模型識別準(zhǔn)確率也下降；BATCH_SIZE為32時(shí)，模型訓(xùn)練用時(shí)最長，測試集識別率最高。所以對于VGG16-1模型而言，BATCH_SIZE值越大，訓(xùn)練用時(shí)短，泛化能力越弱，模型識別精度越低。由此可見，BATCH_SIZE為32時(shí)，模型識別效果較好。

2.2.3 卷積核尺寸

不同CNN模型所適用的卷積核尺寸不同，由于卷積核尺寸大于1×1時(shí)才能提升感受野，且卷積核尺寸為奇數(shù)時(shí)便于后續(xù)的池化操作。所以本研究將模型的卷積核尺寸分別設(shè)置為3×3、5×5、7×7和9×9，模型中BATCH_SIZE=32，迭代次數(shù)為50次。此時(shí)VGG16-1模型的訓(xùn)練集損失函數(shù)變化曲線如圖10所示。

圖10 不同卷積核尺寸下VGG16-1模型的損失函數(shù)變化曲線

由圖10可知，初始VGG16-1模型的損失函數(shù)相對較大，隨著卷積核尺寸的增大，模型的損失函數(shù)下降的速度減緩；卷積核尺寸為3×3時(shí)模型損失函數(shù)下降速度最快，波動(dòng)最小。

不同卷積核尺寸訓(xùn)練用時(shí)和測試集識別準(zhǔn)確率差異見表3。

表3 不同卷積核尺寸訓(xùn)練用時(shí)和測試集識別準(zhǔn)確率

由表3可知，尺寸為3×3的卷積核識別準(zhǔn)確率較高（95.67%），訓(xùn)練用時(shí)為20 min；隨著卷積核尺寸的增大，模型識別準(zhǔn)確率下降，訓(xùn)練用時(shí)先減少后不變。可見，對于VGG16-1模型而言，3×3的卷積核最適用。尺寸較小的卷積核對葉菜霜霉病局部病害的細(xì)小特征提取能力更強(qiáng)，當(dāng)葉面上存在較多的霜霉病病斑時(shí)，較小尺寸的卷積核可提高模型識別的準(zhǔn)確率。

3 討論

本研究基于傳統(tǒng)VGG16網(wǎng)絡(luò)，構(gòu)建了識別結(jié)球白菜、菠菜、萵筍霜霉病的卷積神經(jīng)網(wǎng)絡(luò)VGG16-1模型。從模型的構(gòu)建方法來看，VGG16-1模型相較于傳統(tǒng)的機(jī)器學(xué)習(xí)，省去了手動(dòng)提取和篩選特征參數(shù)的步驟，模型構(gòu)建更便捷，同時(shí)避免了因提取手段不同而導(dǎo)致的特征參數(shù)標(biāo)準(zhǔn)不同的問題[22]。VGG16-1模型直接輸入整張圖像，圖像信息損失量少，神經(jīng)網(wǎng)絡(luò)能用于計(jì)算分析的信息更多，預(yù)測精度有更大的提升空間。

已有研究表明，通過改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可提高作物病害識別的精確率。張善文[23]基于改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)識別蘋果病害，能克服模型過擬合問題，提高病害識別率；張建華[5]通過改進(jìn)VGG16網(wǎng)絡(luò)模型，實(shí)現(xiàn)了棉花不同病害的分類識別，識別率達(dá)到89.51%；邱靖等[19]以keras為學(xué)習(xí)框架，通過設(shè)置不同的卷積核尺寸和池化函數(shù)，實(shí)現(xiàn)了水稻3種常見病害的分類識別；鮑文霞[24]基于VGG16網(wǎng)絡(luò)模型，使用預(yù)訓(xùn)練模型初始化瓶頸層參數(shù)，采用SK卷積塊及全局平均池化，提高了識別微小病斑的能力，提升了蘋果葉部病害識別的準(zhǔn)確率。本研究通過改進(jìn)傳統(tǒng)VGG16網(wǎng)絡(luò)模型構(gòu)建的VGG16-1模型可以有效識別3種葉菜霜霉病。

另外，本研究在借鑒丁瑞[25]的圖像搜集方法的基礎(chǔ)上，加入了電子書籍圖譜收集原圖像。與網(wǎng)絡(luò)檢索圖像相比，該方法獲取到的圖像無關(guān)信息少，圖像質(zhì)量更高、數(shù)量更多。但本研究所獲得的樣本數(shù)據(jù)量依舊較小，后期的研究應(yīng)增加霜霉病病菌侵染植株試驗(yàn)，以盡量獲取更多的樣本數(shù)據(jù)。

4 小結(jié)

本研究通過圖像搜集、圖像預(yù)處理和圖像擴(kuò)增，構(gòu)建了白菜、菠菜、萵筍霜霉病圖像數(shù)據(jù)庫，并將數(shù)據(jù)庫運(yùn)用于構(gòu)建的VGG16-1模型中。通過微調(diào)模型中的部分參數(shù)，探究了迭代次數(shù)、BATCH_SIZE和卷積核尺寸3種模型參數(shù)對VGG16-1模型分類識別效果的影響。試驗(yàn)結(jié)果表明，迭代次數(shù)為50次、BATCH_SIZE為32、卷積核尺寸為3×3時(shí)，VGG16-1模型效果較好，訓(xùn)練用時(shí)為20 min，模型識別的準(zhǔn)確率為95.67%。