基于深度遷移學習的荔枝病蟲害識別方法研究

孟夢　庾峻瑋　唐展逵　卓澤佳　張皓

摘? ? 要：荔枝生長期間，容易發生病蟲害問題，直接影響荔枝的產量與品質，合理識別荔枝病蟲害，可以減少病蟲害防治方法不合理和殺蟲劑濫用等情況。文章選取典型的“桂味”荔枝為研究對象，開展病蟲害防治，建立基于信息增強方法的深度卷積神經網絡遷移研究和辨識模式，使原始樣品容量擴大數倍，并通過構建模型過擬合值，進而提高模型的泛化水平和荔枝病蟲害防控分析的精度，以提高荔枝種植產量。

關鍵詞：遷移學習；卷積神經網絡；荔枝；病蟲害識別

文章編號：1005-2690（2023）09-0100-03? ? ? ?中國圖書分類號：S436.67；TP183? ? ? ?文獻標志碼：B

近年來，隨著新一代信息技術的迅速普及，我國逐漸加強了對農產品病蟲害智能辨識與數字化防治的扶持工作，農作物病蟲害智能識別研究逐漸成為熱門。早期農產品病蟲害的智能識別和數字化防治主要通過圖像預處理（灰度化、直方圖均衡、中值濾波等），圖像分割和特征提取技術（灰度矩陣、顏色矩陣等），是指進行特征的選擇和設計，然后通過特定的機器學院算法（支持向量機、隨機森林、PCA等）訓練特定的分類能力，從而達到智能辨識的目的。有的學者通過Otsu閾值分析和直方圖均衡化的方法分析了圖像數據，并在實現信息分離后通過支持的向量機實現鑒別，目前運用這種方式對紅蘋果病葉的識別率已經達到了96％。有的學者提出利用圖像分割技術和支持向量機的方式對馬鈴薯信息進行鑒別，目前其鑒別率已達到95％以上[1]。還有學者提出，首先采用均值與聚類分離技術，在獲得病斑后利用主成分分析法得到主特征矢量，又通過利用支持向量法所建立的多層分類器對麥冬葉病害進行分類，目前該方式識別的準確率達到94.4％[2]。本研究主要應用于在深度知識遷移訓練下的荔枝病蟲害圖像識別技術，并著重研究了在訓練后樣本量相對較少情況下的識別準確率問題。

1 理論與技術基礎

文章主要利用計算機可視化、數據增廣、深卷積神經網路、遷移學習等新技術，研究基于數據增廣技術的深度折積神經網路與移動認知技術的辨識功能，以攻克荔枝病蟲害防控的圖像識別難題。

1.1 計算機視覺

計算機視覺控制系統，主要由攝像機、空間圖象采集器、識別模塊、計算機等部分組成，用以模仿人的視野控制功能。利用對空間物體信號實施圖像采集，對所獲取的空間結構圖像信號實行特征提取、抽象或者轉換，進而對空間物體信息內容加以邏輯推理和評價，以實現對空間物體評估或決定的過程目的。

1.2 內容的增廣

數據增強訓練方法是在計算機視覺上應用的技術，是指通過提高練習樣品的數據獲取方式，使練習樣品的數據獲取方式盡量多元化，進而增強研究模式的泛化功能。目前大多數的機器學習架構中都已擁有了各種信息增廣方法和接口函數，但是架構過程中，各種信息增廣方法和接口函數并沒有全部應用于當前的情景下，必須基于數據信息集合的特性來判斷和應用當前的各種數據增廣技術[3]。

1.3 卷積型神經網絡

卷積型神經網絡是使用卷積方法，并通過多層次的網絡模型對事物進行認知的方法，是深度認知領域最有特色的方法之一，在影像處理領域中表現出色，目前已被廣泛應用在語音識別、圖像辨識、自然語言信息處理等領域[4]。卷積神經網絡底層結構包含數據輸入層、折積運算層、ReLU激勵層、池化層、全接口層等，可以對原始的圖像信息提供預處理、卷積運算、特征選擇以及壓縮數據等工作處理。

1.4 遷移學習

遷移學習是一種計算機領域的學習技術，是指一種經過預培訓的模式可以重新應用到某一種任務上。其可以先在某些數據信息（如ImageNet數據信息）上訓練模型，然后將數據信息調整并轉移至其他數據集中[5]。移動知識的原因是，機器學習（監督學習）需要大量的標注信息，而標注信息是一項巨大且復雜的工作，遷移知識能夠把已經掌握的強大知識轉移到相應位置上。

2 識別模型研究

2.1 數據采集與分類

文章以荔枝為主要觀察對象，共采集了荔枝炭疽病、荔枝酸腐病、荔枝椿象、荔枝絲膠病等10類荔枝病蟲害圖片樣品，每類病蟲害圖片的樣本數均為20個，共有約200張病蟲害照片。同時對已采集的原始病蟲害圖片樣品按病蟲害品種進行分級，并編制病蟲害標簽，最終分級后形成了10個病蟲害圖片樣品集。

2.2 數據增廣

處理更大樣本量可以提高基于深度學習技術的病蟲害圖像識別準確性，從而盡可能地將已采集的病蟲害圖片進行大數據增廣處理。本實驗通過對圖片灰度化調整、光銳化處理、翻轉變換、添加噪聲等數據增廣方式，對10類病蟲害的約200張原始圖片樣品進行了處理，使樣本的數據擴大了4倍。

2.3 YOLO v5神經網絡搭建

在實驗中，通過YOLO v5網絡來訓練農作物病蟲害的預測[6]。YOLO是一個快速緊湊的分布式對象檢測模塊，和其他模塊比較，體積的穩定性較好，而且擁有非常好的安全性，是一個能夠檢測數據類型和邊界框的端對端神經網絡[7]。YOLO家族始終擁有著強大的活力，從YOLO v1開始到YOLO v5，如今已傳承了5代，并憑借持續的技術創新與完善的特性，始終被電腦視覺工程師當作對象測試的優選框架之一。

YOLO v5主要由Backbone、Neck、Head 3部分組成。其中各部分具體表現為以下內容。

一是Backbone：通過在不同的圖像細粒點上聚集而產生圖形信息的卷積式神經網絡[8]。

二是Neck：混合和組合圖像信號的網絡層，其可以將所有圖像信號都傳送到預測層次。

三是Head：對圖形特性作出估計，形成邊界框合并估計類型。

下面介紹YOLO v5各部分網絡結構包括的基礎組件。

CBL：由Conv＋BN＋Leaky_relu激活函數組成。

Res unit：借鑒ResNet網絡中的殘差網絡技術，用于建立更深入互聯網。

CSP1_X：借用了CSPNet的網絡結構，其構建的模型主要包括CBL模型、Res unint模型，以及卷積層、Concate。

CSP2_X：利用了CSPNet的網絡結構，由卷積層與X個Res unint模塊Concate組合而成。

Focus：首先將多個slice結果與Concat聯系一起，之后再將其都集中在CBL模塊中。

SPP：通過對1×1、5×5、9×9和13×13的最大池化方法，實現了多尺度的融合。

YOLO v5方法還應用到了遷移學習幫助網絡更好、更快地獲取特性。但是，由于樣本量較小會使得卷積式神經網絡學習的特性較為粗略，且細粒度也不足，從而無法表現病蟲害防治的特點。練習建模需要相當漫長的時間，所以通過遷移練習能夠縮短建模練習的時限。遷移訓練一般有2種方法，一種是從訓練系統的整體上微調，即從目標數據集上預練網絡，然后從目標數據集上訓練所有的目標；另一種是先凍結一個層面，然后再微調其他層面，因為在卷積式神經網絡的上層特征中，獲得的基本都是諸如紋理濾波器和顏色斑點這些通用的表面特征，所以不必再練習。

2.4 模型實驗與識別準確率比較

通過建立的YOLO v5神經網絡模塊，對荔枝病蟲害數據收集并加以培訓。訓練模式的基本條件為64位Windows10操作系統，并配備有IntelCorei7-

7800XCPU和NVIDIAGeForceGTX1080TiGPU。實驗中，遷移學習所采用的預訓模式為基于ImageNet開源數據集中培訓技術的YOLO v5模式。該實驗對5種建模方式進行了測試和對比，這5種建模方式分別為：通過傳統的機器學習方式培訓荔枝病害辨識模式[9]；在構建的YOLO v5網絡系統上直觀培訓病蟲害辨識模式，不結合遷移；通過構建的YOLO v3網絡系統直觀培訓病蟲害辨識模式，不結合遷移學習[10]；在構建的YOLO v4網絡系統上直觀培訓病蟲害辨識模式，不結合遷移學習[11]；在使用建立的YOLO v5網絡上訓練病蟲害辨識模式，進行移動學習。5種模式的實驗數據對比結果如表1所示。

根據實驗結果發現，采用數據增強及移動訓練方法與采用傳統機器學習方式以及采用神經網絡模式進行訓練方法相比，荔枝病蟲害識別準確度顯著提升。而加入移動訓練方法后，模式識別準確度最高。即適當延長學習時間可以進一步提高建模的準確度，但折積層的數量不可過多，問題就是學習時長過多的折積層容易導致建模過度擬合，且訓練時的參數也容易更多，對模型的準確度產生不良影響。所以，在教學過程中，必須按照建模識別的目標來選取適當的學習時長。

3 結束語

以深度遷移學習為基礎的荔枝病蟲害識別技術是智慧農業的重要研究內容之一。文章以荔枝為研究對象，建立了基于YOLO v5深度神經網絡和遷移學習的荔枝病蟲害識別模型，并與其他4種模型的精確度進行對比。實驗結果表明，基于YOLO v5的深度神經網絡和遷移學習結合的荔枝病蟲害識別模型具有良好的識別性能，可為進一步實現荔枝產量的提高提供技術支持。

參考文獻：

[1]周逸博，馬毓濤，趙艷茹.基于YOLO v5s和Android的蘋果樹皮病害識別系統設計[J].廣東農業科學，2022，49（10）：155-163.

[2]趙文博，周德強，鄧干然，等.基于改進YOLO v5的甘蔗莖節識別方法[J].華中農業大學學報，2023，42（1）：268-276.

[3]王云露.基于深度遷移學習的蘋果病害識別方法研究[D].泰安：山東農業大學，2022.

[4]徐會杰，黃儀龍，劉曼.基于改進YOLO v3模型的玉米葉片病蟲害檢測與識別研究[J].南京農業大學學報，2022，45（6）：1276-1285.

[5]吳飛飛，侯永青，孫雪桐，等.機器學習方法的農作物病蟲害識別系統[J].福建電腦，2022，38（4）：92-94.

[6]章智硯，李丹.基于YOLO5Face校園中的戴口罩人臉檢測[J].電子測試，2021（23）：40-42，99.

[7]樊欽睿，李丹.基于YOLO5Face的口罩人臉檢測[J].電子制作，2021（19）：61-63，8.

[8]吳蔚.基于深度遷移學習的蘋果葉病識別方法研究[J].智慧農業導刊，2021，1（9）：14-17.

[9]李疆，郝夢潔，任顯丞，等.機器學習在農作物病蟲害識別上的應用綜述[J].河南農業，2021（5）：49-50.

[10]劉君，王學偉.基于YOLO的番茄病蟲害識別算法[J].中國瓜菜，2020，33（9）：18-22，38.

[11]余小東，楊孟輯，張海清，等.基于遷移學習的農作物病蟲害檢測方法研究與應用[J].農業機械學報，2020，51（10）：252-258.