一種基于改進(jìn)ResNet18 神經(jīng)網(wǎng)絡(luò)的玉米葉片病害識(shí)別方法

摘 要： 為了研究出一種快速、高效的玉米病害識(shí)別方法，針對(duì)玉米葉片病害識(shí)別問(wèn)題，本文以灰斑病、南方銹病、小斑病、銹病、葉斑等5 種常見(jiàn)的玉米葉片病害為研究對(duì)象，提出一種基于改進(jìn)ResNet18 神經(jīng)網(wǎng)絡(luò)的玉米病害識(shí)別方法。通過(guò)在ResNet18 網(wǎng)絡(luò)的基礎(chǔ)上引入金字塔卷積（Pyramidal Convolution）可以在玉米復(fù)雜的生長(zhǎng)環(huán)境中利用多尺度的特征信息來(lái)提高模型對(duì)單葉片的識(shí)別和定位能力，以有效加快模型的收斂速度并顯著提高模型的病害識(shí)別準(zhǔn)確率；將殘差結(jié)構(gòu)的激活函數(shù)替換為PReLU（Parametric Rectified Linear Unit）激活函數(shù)避免模型訓(xùn)練過(guò)程中的神經(jīng)元死亡。在收集的真實(shí)玉米葉片病害數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)表明，與原始ResNet18 殘差網(wǎng)絡(luò)相比，本文提出的模型在玉米葉片病害識(shí)別的準(zhǔn)確率、精確度、召回率、F1 分?jǐn)?shù)分別提升了1.86%、1.78%、1.78%、1.87%；模型的參數(shù)尺寸減小了1.85%。該模型可作為一種檢測(cè)復(fù)雜生長(zhǎng)環(huán)境下玉米葉片病害的有效方法。

關(guān)鍵詞： 玉米葉片；病害識(shí)別；ResNet18；金字塔卷積；PReLU

中圖法分類號(hào)： TP391.4；S435.131 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1000-2324（2024）03-0356-11

引言

我國(guó)是世界最大的鮮食玉米生產(chǎn)國(guó)和消費(fèi)國(guó)，近20 年來(lái)，由于玉米生產(chǎn)具有相對(duì)較高的經(jīng)濟(jì)收益，我國(guó)玉米種植已由傳統(tǒng)的優(yōu)勢(shì)產(chǎn)區(qū)發(fā)展到全國(guó)各省區(qū)都有種植。然而，玉米生長(zhǎng)過(guò)程中經(jīng)常會(huì)出現(xiàn)各種病害，大大降低玉米產(chǎn)量與質(zhì)量。因此進(jìn)行病害的早期檢測(cè)和鑒定，找到合適的治療方法，切斷病害的傳播途徑才是玉米生產(chǎn)過(guò)程的關(guān)鍵所在。

目前，深度學(xué)習(xí)在農(nóng)業(yè)領(lǐng)域已經(jīng)取得了較大突破和進(jìn)展。相對(duì)于傳統(tǒng)病害識(shí)別，其在農(nóng)作物病害的效率和精度上得到了極大的提升。傳統(tǒng)的病害識(shí)別主要依賴于種植者的觀察和相關(guān)專家的指導(dǎo)，其過(guò)程復(fù)雜冗余、主觀性較強(qiáng)、準(zhǔn)確率較低、時(shí)效性差［1-3］。近年來(lái)，人工智能技術(shù)特別是深度學(xué)習(xí)算法在理論和應(yīng)用上均得到迅速發(fā)展，在各領(lǐng)域的目標(biāo)屬性預(yù)測(cè)與圖像識(shí)別等任務(wù)中取得了優(yōu)異性能，從而極大提升了各項(xiàng)預(yù)測(cè)和識(shí)別任務(wù)的準(zhǔn)確性和魯棒性。其中，在農(nóng)業(yè)病害識(shí)別領(lǐng)域，深度學(xué)習(xí)亦得到了廣泛應(yīng)用，在玉米葉片病害識(shí)別方面，曾鵬滔［4］等通過(guò)在ResNet18網(wǎng)絡(luò)的基礎(chǔ)上添加通道注意力和空間注意力機(jī)制，將殘差塊中的激活函數(shù)替換為SeLU 激活函數(shù)搭配Alpha Dropout 并融入網(wǎng)絡(luò)中引入隨機(jī)裁剪分支，使模型的識(shí)別平均準(zhǔn)確率達(dá)到94.42%，相比原模型高出了3.71%。在番茄葉片病害識(shí)別方面，王圓等［5］在原始模型ResNet50 的基礎(chǔ)上，通過(guò)在網(wǎng)絡(luò)模型結(jié)構(gòu)中添加SE 注意力機(jī)制模塊讓模型能夠更準(zhǔn)確的識(shí)別待檢測(cè)目標(biāo)。利用深度可分離卷積替換傳統(tǒng)卷積，使模型的平均識(shí)別準(zhǔn)確率提升至97.4%。陳偉文等［6］采用數(shù)據(jù)增強(qiáng)和隨機(jī)失活部分神經(jīng)元等方法對(duì)AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，改進(jìn)后的AlexNet模型在性能指標(biāo)F1 值方面比原模型提升了3%。水稻病害識(shí)別方面，劉擁民［7］等通過(guò)引入ConvNeXt殘差模塊，構(gòu)建雙分支結(jié)構(gòu)等方法，提出一種基于改進(jìn)ResNet 的多尺度雙分支結(jié)構(gòu)的水稻病蟲(chóng)害識(shí)別模型MSDB-ResNet，與原模型相比，所提模型MSDB-ResNet 的識(shí)別準(zhǔn)確率提高了2.42%。楊非凡等［8］通過(guò)將Focal Loss 損失函數(shù)與多種卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行融合，選擇在水稻數(shù)據(jù)集上識(shí)別性能最佳的MobileNetV2 模型對(duì)7種水稻病害進(jìn)行識(shí)別，最高準(zhǔn)確率達(dá)到98.06%。吳剛正等［9］提出一種殘差網(wǎng)絡(luò)與注意力機(jī)制相結(jié)合的蘋(píng)果葉片病害識(shí)別模型P-D-ECAResNet101，相較于原始ResNet101 模型，改進(jìn)后模型在平均識(shí)別準(zhǔn)確率方面提升了2.20%。蘇仕芳等［10］將VGG-16 運(yùn)用在ImageNet 圖像數(shù)據(jù)集上，在識(shí)別準(zhǔn)確率上達(dá)到96.48%。潘仁勇等［11］將SE 注意力機(jī)制與遷移學(xué)習(xí)相結(jié)合，提出一種基于DTS-ResNet 的蘋(píng)果葉片病害識(shí)別方法，其準(zhǔn)確率達(dá)到98.73%。牟其松［12］通過(guò)改進(jìn)損失函數(shù)，并且簡(jiǎn)化YOLOv3 的主干網(wǎng)絡(luò)，提高了蘋(píng)果檢測(cè)精度；邸潔等［13］采用了一種基于Tiny-YOLO的深度目標(biāo)檢測(cè)模型，實(shí)現(xiàn)蘋(píng)果葉部病害的自動(dòng)檢測(cè)，并且平均精確度到達(dá)99.86%。陸仲達(dá)等［14］針對(duì)病斑相似度高產(chǎn)生的精度誤差問(wèn)題，提出了一種新型雙分支網(wǎng)絡(luò)的蘋(píng)果葉部病害識(shí)別方法（DBNet）對(duì)蘋(píng)果病害識(shí)別的準(zhǔn)確率達(dá)到97.662%。

上述網(wǎng)絡(luò)在原模型的基礎(chǔ)上的改進(jìn)都取得了不錯(cuò)效果，但仍然存在網(wǎng)絡(luò)的泛化能力不足，識(shí)別準(zhǔn)確率低等問(wèn)題。針對(duì)以上問(wèn)題，為了平衡模型性能、參數(shù)量的同時(shí)，提高模型識(shí)別精確度，本文選擇ResNet18 網(wǎng)絡(luò)模型，與上述參考文獻(xiàn)［4］中所體現(xiàn)的改進(jìn)不同的是本文通過(guò)引入金字塔卷積（Pyramidal Convolution）和激活函數(shù)PReLU（Parametric Rectified Linear Unit）對(duì)模型進(jìn)行優(yōu)化，增強(qiáng)了對(duì)葉片玉米病害區(qū)域的特征提取能力，使模型平均準(zhǔn)確率達(dá)到94.53%，相比上述模型高出0.11 個(gè)百分點(diǎn)。通過(guò)多種試驗(yàn)對(duì)比表明，改進(jìn)后的ResNet18 模型提高了精確率，該模型可作為一種檢測(cè)復(fù)雜生長(zhǎng)環(huán)境下玉米葉片病害的有效方法。

1 材料與方法

1.1 數(shù)據(jù)收集與處理

本文所用數(shù)據(jù)集來(lái)源為PlantVillage（www.PlantVillage.org）和其它網(wǎng)絡(luò)公開(kāi)數(shù)據(jù)集。本文收集的玉米葉片病害數(shù)據(jù)集共3433 張圖像，包含5 類病害葉片和1 類健康葉片，5 類病害分別為玉米灰斑病、南方銹病、小斑病、銹病、葉斑病，各類圖像樣例如圖1 所示。本文主要針對(duì)的是早中期玉米葉片病害，因?yàn)樵缰衅诘挠衩兹~片更容易區(qū)分葉片表面的病變特征并且早中期的玉米葉片病害通常對(duì)治療措施更加敏感，在這些階段可以更有效的控制病害，減少經(jīng)濟(jì)損失。本文將數(shù)據(jù)集按6∶4 比例劃分訓(xùn)練集和測(cè)試集，具體劃分信息如表1所示。

1.2 玉米病害識(shí)別模型構(gòu)建

He［15］等人在2015 年提出了ResNet （ResidualNetwork）神經(jīng)網(wǎng)絡(luò)模型，并且在ResNet 模型結(jié)構(gòu)中引入了殘差模塊的概念，ResNet18 是ResNet 系列模型中的模型體積較小的版本，ResNet18 收斂速度快，使用殘差結(jié)構(gòu)，緩解了梯度消失或梯度爆炸問(wèn)題，因此本文采用ResNet18模型作為基礎(chǔ)網(wǎng)絡(luò)模型。改進(jìn)后ResNet18 網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示：1.3 改進(jìn)ResNet殘差結(jié)構(gòu)為了能夠捕獲多尺度的特征信息，從而提高模型對(duì)不同大小對(duì)象的感知能力，對(duì)ResNet18的殘差結(jié)構(gòu)進(jìn)行改進(jìn)，將殘差結(jié)構(gòu)中的第一個(gè)3×3 尺度的卷積層替換成金字塔卷積（PyramidalConvolution），改進(jìn)前后的殘差結(jié)構(gòu)如圖3、4所示。