改進(jìn)的Alexnet模型在水稻害蟲(chóng)圖像識(shí)別中的應(yīng)用

肖小梅， 楊紅云*， 易文龍， 萬(wàn) 穎， 黃 瓊， 羅建軍

(1.江西農(nóng)業(yè)大學(xué)軟件學(xué)院， 南昌 330045; 2.江西農(nóng)業(yè)大學(xué)計(jì)算機(jī)與信息工程學(xué)院， 南昌 330045)

農(nóng)業(yè)是人類(lèi)生存的基礎(chǔ)，經(jīng)濟(jì)社會(huì)的不斷發(fā)展帶來(lái)了全球的氣候和環(huán)境問(wèn)題，病害的發(fā)生以及真菌細(xì)菌的變異影響著人們的生活。農(nóng)作物病蟲(chóng)害的發(fā)病率越來(lái)越高，發(fā)生的病害也越來(lái)越復(fù)雜，因此，研究農(nóng)作物病蟲(chóng)害的預(yù)防，以及病蟲(chóng)害診斷和補(bǔ)救措施顯得尤為重要。傳統(tǒng)的人工檢測(cè)病蟲(chóng)害的方法完全依賴(lài)于人工的觀察經(jīng)驗(yàn)，這樣的方法速度慢、主觀性強(qiáng)、準(zhǔn)確率低、效率低。因此實(shí)現(xiàn)對(duì)農(nóng)作物病蟲(chóng)害的快速準(zhǔn)確識(shí)別具有重要意義[1]。

隨著互聯(lián)網(wǎng)的不斷發(fā)展，農(nóng)業(yè)信息化技術(shù)在農(nóng)作物病蟲(chóng)害識(shí)別方面都得到了越來(lái)越廣泛的運(yùn)用[2-9]，為了提高識(shí)別準(zhǔn)確率，傳統(tǒng)的機(jī)器學(xué)習(xí)方法主要是通過(guò)獲取目標(biāo)的形狀，紋理，顏色等特征[10-11]，然后再利用支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)進(jìn)行分類(lèi)[12-13]。常用的形狀特征有致密度、偏心率、矩形度等，常用的顏色特征有顏色方差，峰值，偏度，熵等，常用的紋理特征主要有相關(guān)性、對(duì)比度、慣性、能量等。但是不同的病蟲(chóng)害在不同階段可能表現(xiàn)出相似的特征，這些復(fù)雜的因素導(dǎo)致傳統(tǒng)機(jī)器學(xué)習(xí)方法適普性較差。

相對(duì)于傳統(tǒng)的識(shí)別方法，卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的算法之一，具有更加強(qiáng)大的特征學(xué)習(xí)能力以及特征表達(dá)能力，在農(nóng)作物病蟲(chóng)害分類(lèi)上運(yùn)用廣泛。陳鋒等[14]利用機(jī)器學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的辦法識(shí)別了東北寒地里的5種玉米害蟲(chóng)；程曦等[15]將深度卷積神經(jīng)網(wǎng)絡(luò)引入儲(chǔ)糧害蟲(chóng)的識(shí)別中，識(shí)別精度達(dá)97.61%，明顯優(yōu)于傳統(tǒng)方法。孫鵬等[16]在普通卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，引入了注意力機(jī)制，研究出了一種基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)模型用于識(shí)別大豆蚜蟲(chóng)，識(shí)別準(zhǔn)確率相比于傳統(tǒng)網(wǎng)絡(luò)提升了6.53%，龍滿(mǎn)生等[17]利用遷移學(xué)習(xí)方法和卷積神經(jīng)網(wǎng)絡(luò)識(shí)別油茶病害葉片圖像，平均識(shí)別準(zhǔn)確率達(dá)96.53%以上，但是該模型局限太強(qiáng)，僅限于背景單一的油茶病害圖像，模型的實(shí)用性有待提升。Kawasaki等[18]介紹了一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)的黃瓜葉病識(shí)別系統(tǒng)，準(zhǔn)確率達(dá)到94.9%。Oppenheim[19]利用卷積神經(jīng)識(shí)別馬鈴薯疾病，該算法性能良好，成功運(yùn)用于農(nóng)作物病害識(shí)別，Chen等[20]提出了一種水稻病害識(shí)別深度學(xué)習(xí)結(jié)構(gòu)“DENS-INCEP”，它是將在ImageNet上預(yù)先訓(xùn)練好的DenseNet與Inception模塊相結(jié)合進(jìn)行遷移學(xué)習(xí)，通過(guò)定義一個(gè)新的具有實(shí)際分類(lèi)數(shù)量的全連接層softmax層來(lái)截?cái)囗攲?，此外還使用了聚焦損失函數(shù)代替原來(lái)的交叉熵?fù)p失函數(shù)，該方法表現(xiàn)出了良好的性能。上述研究均表明卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)作物病蟲(chóng)害識(shí)別上具有很好的應(yīng)用性，但是由于農(nóng)作物病害蟲(chóng)背景復(fù)雜，如果提高識(shí)別算法的識(shí)別準(zhǔn)確率和魯棒性仍然是有待解決的問(wèn)題。

為了實(shí)現(xiàn)對(duì)水稻害蟲(chóng)的精確分類(lèi)，提出一種基于改進(jìn)的Alexnet卷積神經(jīng)網(wǎng)絡(luò)的水稻害蟲(chóng)識(shí)別模型：①在Alexnet的基礎(chǔ)上，去除原有的局部響應(yīng)歸一化(local response normalization, LRN)層并在每一個(gè)卷積層后引入批量歸一化(batch normalization, BN)層進(jìn)行批量歸一化，以提高模型的收斂速度；②用全局平均池化代替全連接層，減少網(wǎng)絡(luò)參數(shù)，提高網(wǎng)絡(luò)的抗過(guò)擬合性能；③用PReLU激活函數(shù)替換ReLU函數(shù)，避免神經(jīng)元壞死。改進(jìn)后的模型稱(chēng)為Alexnet_n，并對(duì)稻縱卷葉螟、三化螟、稻蝗、稻飛虱4種常見(jiàn)的水稻害蟲(chóng)進(jìn)行分類(lèi)，以驗(yàn)證Alexnet_n模型在水稻害蟲(chóng)圖像上的分類(lèi)效果。

1 材料與方法

1.1 圖像獲取

選取水稻中常見(jiàn)的稻飛虱、稻縱卷葉螟、三化螟、稻蝗4類(lèi)害蟲(chóng)進(jìn)行訓(xùn)練識(shí)別。由于稻縱卷葉螟對(duì)水稻產(chǎn)生危害主要是在幼蟲(chóng)時(shí)期，所以本文研究主要識(shí)別的是稻縱卷葉螟幼蟲(chóng)，其余3種害蟲(chóng)選取成蟲(chóng)。獲取害蟲(chóng)圖像的途徑有兩個(gè)：在自然光環(huán)境下，利用單反數(shù)碼相機(jī)以及智能手機(jī)兩種設(shè)備進(jìn)行實(shí)地拍攝，以植物葉片，白板等為背景收集江西農(nóng)業(yè)大學(xué)實(shí)驗(yàn)田的害蟲(chóng)圖像；從Google、Naver和FreshEye等搜索引擎上收集害蟲(chóng)圖像。部分害蟲(chóng)樣本圖像如圖1所示。樣本庫(kù)中每類(lèi)害蟲(chóng)樣本圖像的數(shù)量在100～200，其中包括不同角度、姿態(tài)和自然環(huán)境下的原始圖像。

圖1 水稻害蟲(chóng)圖像

1.2 圖像預(yù)處理

1.2.1 數(shù)據(jù)擴(kuò)充

在深度學(xué)習(xí)中，卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練往往需要大量的數(shù)據(jù)集，否則會(huì)出現(xiàn)過(guò)擬合、識(shí)別精度低等現(xiàn)象。但是現(xiàn)有條件下，對(duì)水稻害蟲(chóng)樣本的采集比較困難，目前還缺乏大型的水稻蟲(chóng)害圖像數(shù)據(jù)集，因此需要采用一些數(shù)據(jù)擴(kuò)充方法來(lái)達(dá)到增大數(shù)據(jù)集的目的[21]?，F(xiàn)使用平移變換(shift)、尺度變化(scale)、旋轉(zhuǎn)(rotation)、翻轉(zhuǎn)變換(flip)、噪聲擾動(dòng)(noise)以及亮度調(diào)節(jié)(brightness)等數(shù)據(jù)擴(kuò)充方法將原數(shù)據(jù)集擴(kuò)充了10倍，擴(kuò)增后的數(shù)據(jù)集數(shù)量如表1所示。

表1 害蟲(chóng)數(shù)據(jù)集

1.2.2 圖像增強(qiáng)

由于網(wǎng)上下載的水稻害蟲(chóng)圖片，清晰度參差不齊。絕大部分圖像像素低于原相機(jī)的拍攝的圖片，且圖像細(xì)節(jié)不夠明顯，為了解決這一問(wèn)題，采用了一種基于多尺度的圖像的細(xì)節(jié)提升算法[22]，該方法首先使用了3個(gè)尺度的高斯模糊，然后和原始圖像做減法，由此獲得圖像細(xì)節(jié)信息，這些細(xì)節(jié)是不同程度的。最后，為了達(dá)到增強(qiáng)原始圖像信息的效果，通過(guò)一定的組合的方式把獲得的圖像細(xì)節(jié)信息融合到原圖中。該方法的增強(qiáng)效果如圖2所示。

圖2 圖像增強(qiáng)對(duì)比圖

1.3 基于Alexnet的水稻害蟲(chóng)識(shí)別模型

2.3.1 經(jīng)典的Alexnet

Alexnet是由Alex Krizhevsky提出的一個(gè)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，最早是用于ImageNet的分類(lèi)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。Alexnet包含5層卷積層、3層池化層和3層全連接層[23]，卷積層和全連接層需要進(jìn)行參數(shù)訓(xùn)練[24]。其中卷積層是Alexnet的核心，用于提取特征。池化層可以減少特征矩陣的大小，實(shí)現(xiàn)特征降維。激活函數(shù)幫助Alexnet網(wǎng)絡(luò)獲得非線(xiàn)性特征。全連接層(dense)可以整合卷積層或者池化層中具有類(lèi)別區(qū)分性的局部信息，起到分類(lèi)作用。Alexnet獲得了當(dāng)年ILSVRC(ImageNet Large Scale Visual Recognition Challenge)比賽的冠軍，其的創(chuàng)新之處在于使用非線(xiàn)性非飽和函數(shù)ReLU[25]代替了原有的softmax函數(shù)，采用LRN局部響應(yīng)歸一化，提高精度，增強(qiáng)了模型的泛化能力。采用最大池化(max pooling)方法代替了原有的平均池化(average pooling)，降低模糊化效果。此外，為了提高網(wǎng)絡(luò)運(yùn)行速度，Alexnet還采用雙GPU(graphics processing unit)的設(shè)計(jì)模式。

圖3 Alexnet經(jīng)典模型

1.3.2 改進(jìn)的Alexnet模型

由于水稻害蟲(chóng)外觀分類(lèi)數(shù)據(jù)集和ImageNet數(shù)據(jù)集相差較大，將Alexnet直接應(yīng)用于水稻害蟲(chóng)會(huì)導(dǎo)致識(shí)別準(zhǔn)確率的降低，所以針對(duì)水稻害蟲(chóng)外觀提出了一種基于改進(jìn)的Alexnet卷積神經(jīng)網(wǎng)絡(luò)的水稻害蟲(chóng)識(shí)別模型，去除之前的LRN層，在每一個(gè)卷積層之后引入BN層和使用全局平均池化代替全連接層進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化，并用PReLU激活函數(shù)替換ReLU函數(shù)，進(jìn)一步提高Alexnet在水稻害蟲(chóng)識(shí)別上的性能。改進(jìn)后的模型結(jié)構(gòu)如圖4所示。

圖4 Alexnet_n模型

(1)批歸一化。學(xué)習(xí)數(shù)據(jù)分布是卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程的本質(zhì)，訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)的分布不同，會(huì)降低網(wǎng)絡(luò)的泛化能力。Alexnet原有的LRN局部響應(yīng)歸一化層可以增大局部較大的響應(yīng)值，而抑制較小的值，從而提高模型泛化能力。而B(niǎo)N層還可以在此基礎(chǔ)上，提高模型的收斂速度。BN是由Ioffe & Szegedy提出的一個(gè)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理技巧?？梢酝ㄟ^(guò)緩解梯度彌散和加快模型收斂速度來(lái)使所訓(xùn)練的模型更加容易和穩(wěn)定[26]。

去除Alexnet原有的LRN層，在每一個(gè)卷積層的激活函數(shù)之后，加入了BN層。BN算法的如式(1)所示：

(1)

式(1)中：μ為批處理Xi～Xλ個(gè)水稻害蟲(chóng)樣本數(shù)據(jù)的均值。

方差δ為

(2)

計(jì)算數(shù)據(jù)的均值和方差后，再對(duì)水稻害蟲(chóng)樣本數(shù)據(jù)進(jìn)行歸一化：

(3)

式(3)中：m為大于0的常量。

yi=βiXi+αi

(4)

(2)全局平均池化。經(jīng)典的Alexnet是在卷積層后采用全連接層進(jìn)行特征向量化的，最后再softmax分類(lèi)。但是全連接層參數(shù)過(guò)多，容易造成過(guò)擬合，嚴(yán)重依賴(lài)dropout進(jìn)行規(guī)則化[27]。為了解決這個(gè)問(wèn)題，采用全局平均池化來(lái)代替全連接層[28]。與傳統(tǒng)的全連接層不同，對(duì)每個(gè)特征圖一整張圖片進(jìn)行全局均值池化，這樣每張?zhí)卣鲌D都可以得到一個(gè)輸出，如圖5所示。采用全局平均池化，可以大大減小網(wǎng)絡(luò)參數(shù)，避免過(guò)擬合，值得注意的是，每張?zhí)卣鲌D相當(dāng)于一個(gè)輸出特征，然后這個(gè)特征就表示了我們輸出類(lèi)的特征。相比于全連接層，全局平均池化的優(yōu)勢(shì)表現(xiàn)在：①通過(guò)加強(qiáng)特征圖與類(lèi)別的一致性實(shí)現(xiàn)了簡(jiǎn)化卷積網(wǎng)絡(luò)結(jié)構(gòu)的目的；②無(wú)需參數(shù)優(yōu)化，有效得避免了過(guò)擬合現(xiàn)象；③整合了空間信息，對(duì)輸入的空間變換更具有穩(wěn)定性。

圖5 全局平均池化

(3)激活函數(shù)PReLU。經(jīng)典的Alexnet使用的激活函數(shù)是ReLU，代替了CNN中的sigmiod并且解決了sigmoid引起的梯度彌散問(wèn)題。此外，在學(xué)習(xí)速度上面ReLU也比sigmiod表現(xiàn)得更好。ReLU的表達(dá)式為

(5)

式(5)中：x為上層的輸入。

ReLU函數(shù)是單向激活的，當(dāng)神經(jīng)元的值小于零時(shí)，神經(jīng)元不輸出，當(dāng)神經(jīng)元的值大于0時(shí)，神經(jīng)元的輸出與輸入呈線(xiàn)性關(guān)系[29]。ReLU可以降低網(wǎng)絡(luò)的復(fù)雜性，降低過(guò)擬合的概率。也可以減少訓(xùn)練時(shí)間，避免梯度的消失。但是ReLU有一個(gè)缺點(diǎn)，可能會(huì)導(dǎo)致神經(jīng)元壞死。為了解決上述問(wèn)題，采用PReLU激活函數(shù)，它是ReLU函數(shù)的改進(jìn)。PReLU的表達(dá)式為

(6)

PReLU在ReLU的基礎(chǔ)上增加了一個(gè)參數(shù)修正a，a是一個(gè)大于0的常數(shù)，有效地避免了神經(jīng)元壞死。它不僅減少了訓(xùn)練時(shí)間函數(shù)，而且避免了像ReLU那樣的過(guò)擬合。

1.3 實(shí)驗(yàn)平臺(tái)

訓(xùn)練與測(cè)試均是在keras框架下完成的。進(jìn)行實(shí)驗(yàn)的計(jì)算機(jī)物理環(huán)境配置是：CPU是Intel(R) Xeon(R) Silver 4112@ 2.6 GHZ 2.59 GHZ；16 GB內(nèi)存；GPU是NVIDIAQuadro P4000，8 GB顯存。軟件環(huán)境：CUDATookit 9.0，CUDNN7.1；keras 2.1.2；windows 10 64 bit操作系統(tǒng)。

2 結(jié)果與分析

在水稻害蟲(chóng)數(shù)據(jù)集上驗(yàn)證改進(jìn)后的Alexnet在水稻蟲(chóng)害方面的識(shí)別效果，并與已有的方法進(jìn)行比較。

圖6是傳統(tǒng)Alexnet迭代了200次之后的損失(loss)曲線(xiàn)和準(zhǔn)確率(accuracy)曲線(xiàn)圖。由圖6可知，Alexnet的loss曲線(xiàn)和accuracy曲線(xiàn)訓(xùn)練曲線(xiàn)在迭代了50次之后開(kāi)始收斂，但是曲線(xiàn)出現(xiàn)局部突變現(xiàn)象，說(shuō)明結(jié)果不穩(wěn)定，測(cè)試損失(validation loss)曲線(xiàn)以及測(cè)試準(zhǔn)確率(validation accuracy)曲線(xiàn)收斂之后開(kāi)始出現(xiàn)偏離現(xiàn)象，說(shuō)明出現(xiàn)了一定的過(guò)擬合現(xiàn)象。

圖6 Alexnet的識(shí)別效果

圖7是Alexnet_n迭代了200次之后的loss曲線(xiàn)和accuracy曲線(xiàn)圖。由圖7(a)可知，Alexnet_n模型在迭代了30次左右訓(xùn)練損失(train loss)和測(cè)試損失(validation loss)都開(kāi)始收斂，二者的值相差很小，且趨近于0，說(shuō)明該模型達(dá)到了擬合狀態(tài)，并未出現(xiàn)過(guò)擬合或者欠擬合現(xiàn)象。Alexnet_n模型的accuracy曲線(xiàn)如圖7(b)所示，從圖7可以看出，在迭代了30次以后訓(xùn)練準(zhǔn)確率(train accuracy)曲線(xiàn)和測(cè)試準(zhǔn)確率(validation accuracy)都開(kāi)始收斂，二者的值相差很小，穩(wěn)定在1附近。說(shuō)明改進(jìn)后的模型在水稻害蟲(chóng)數(shù)據(jù)集上有較高的識(shí)別率和較好的魯棒性，優(yōu)于原有模型。

圖7 Alexnet_n的識(shí)別效果

對(duì)兩種模型運(yùn)用不同的激活函數(shù)結(jié)果進(jìn)行對(duì)比。由表2可知，改進(jìn)激活函數(shù)可以提高模型的準(zhǔn)確率。

表2 激活函數(shù)對(duì)比

為了更好地評(píng)價(jià)Alexnet_n模型在水稻害蟲(chóng)識(shí)別上表現(xiàn)出的性能，本實(shí)驗(yàn)還采用了召回率(recall)、精確率(precision)、F1值等常用的幾個(gè)指標(biāo)來(lái)對(duì)結(jié)果進(jìn)行評(píng)價(jià)[30]，其各指標(biāo)的計(jì)算方式為

(7)

(8)

(9)

式中：TP為真正例，表示樣本實(shí)際為正樣本，檢測(cè)為正樣本的個(gè)數(shù)；FP為假正例，表示樣本實(shí)際為負(fù)樣本，但檢測(cè)為正樣本的個(gè)數(shù)； FN為假負(fù)例，表示樣本實(shí)際為負(fù)樣本，檢測(cè)為正樣本的個(gè)數(shù)。結(jié)果如表3所示，由表3可知，Alexnet_n模型在4種水稻害蟲(chóng)識(shí)別上的都有不錯(cuò)的表現(xiàn)，精確率、召回率、F1都維持在較高水平。

表3 水稻害蟲(chóng)數(shù)據(jù)集測(cè)試指標(biāo)

為了進(jìn)一步驗(yàn)證改進(jìn)后的Alexnet模型的有效性，將本文研究的方法與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)做對(duì)比，結(jié)果如表4所示。由表4可知，改進(jìn)后的模型相對(duì)于原有模型具有更高的準(zhǔn)確率，平均準(zhǔn)確率高達(dá)98.92%，均高于LeNet5、VGG13和VGG16等傳統(tǒng)模型，相比于原有模型提升了1.96%。平均損失值為0.03，均低于LeNet5、VGG13和VGG16等傳統(tǒng)模型，相比于原有模型降低了0.1。此外，改進(jìn)后的模型針對(duì)4種害蟲(chóng)的識(shí)別精確率、召回率、F1均高于LeNet、VGG13和VGG16等傳統(tǒng)模型，與原有模型相比，改進(jìn)后的模型在三化螟、稻飛虱、稻蝗3種害蟲(chóng)的識(shí)別效果均優(yōu)于原有模型，稻縱卷葉螟幼蟲(chóng)的識(shí)別效果較原有模型稍差但不明顯。

表4 不同方法在水稻害蟲(chóng)數(shù)據(jù)集上的對(duì)比

3 討論

此前已有不少研究者將卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用于水稻害蟲(chóng)識(shí)別體系的建立中。劉德?tīng)I(yíng)等[31]使用改進(jìn)的自制昆蟲(chóng)圖像采集裝置采集自然環(huán)境下的白背飛虱圖像，將卷積神經(jīng)網(wǎng)絡(luò)用于白背飛虱的識(shí)別，識(shí)別準(zhǔn)確率可達(dá)94.14%，但是該模型識(shí)別的害蟲(chóng)種類(lèi)單一，實(shí)用性有待提升。佘顥等[32]提出了一種基于SSD(single shot multibox detector)網(wǎng)絡(luò)模型的水稻害蟲(chóng)識(shí)別方法，提高了害蟲(chóng)識(shí)別的準(zhǔn)確率速度以及檢測(cè)精度，但是該方法只適用于大目標(biāo)的檢測(cè)，對(duì)小目標(biāo)的檢測(cè)效果并不理想。梁萬(wàn)杰等[33]針對(duì)水稻蟲(chóng)害識(shí)別問(wèn)題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的二化螟害蟲(chóng)識(shí)別方法，識(shí)別精度達(dá)到89.14%，滿(mǎn)足基本要求，但仍有提升空間。錢(qián)蓉等[34]提出了基于VGG16的水稻害蟲(chóng)識(shí)別模型，識(shí)別平均準(zhǔn)確率達(dá)90.7%，但是VGG16網(wǎng)絡(luò)存在模型參數(shù)過(guò)多不易訓(xùn)練等特點(diǎn)。

本文研究中選取了稻縱卷葉螟、三化螟、稻蝗、稻飛虱4種常見(jiàn)的水稻害蟲(chóng)為研究對(duì)象，解決了模型識(shí)別種類(lèi)單一的問(wèn)題，在數(shù)據(jù)處理階段，還對(duì)害蟲(chóng)圖像進(jìn)行尺度變化等預(yù)處理，使得模型對(duì)小目標(biāo)具有魯棒性。在模型選取階段，選取了模型較小的Alexnet進(jìn)行改進(jìn)，在Alexnet的基礎(chǔ)上通過(guò)去除LRN層，添加BN層來(lái)加速網(wǎng)絡(luò)的收斂，提高網(wǎng)絡(luò)的泛化能力，并用全局平均池化代替全連接層來(lái)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，減少參數(shù)量，此外還將激活函數(shù)ReLU替換成PReLU，避免了神經(jīng)元壞死。相對(duì)于錢(qián)蓉等[34]采用的模型，改進(jìn)后的模型結(jié)構(gòu)簡(jiǎn)單，便于訓(xùn)練。改進(jìn)后的模型平均識(shí)別準(zhǔn)確率可達(dá)98.92%，均高于前人的研究成果[31-34]。實(shí)驗(yàn)結(jié)果表明改進(jìn)后的網(wǎng)絡(luò)模型對(duì)水稻害蟲(chóng)圖像具有較好的識(shí)別效果和較好的魯棒性，有希望應(yīng)用于水稻生長(zhǎng)過(guò)程中的信息監(jiān)測(cè)和自動(dòng)化栽培中，也為農(nóng)作物害蟲(chóng)的識(shí)別與分類(lèi)提供了新的思路和方法。

值得注意的是，在本文研究中僅對(duì)水稻常見(jiàn)的4類(lèi)害蟲(chóng)進(jìn)行識(shí)別，但是農(nóng)作物的害蟲(chóng)遠(yuǎn)遠(yuǎn)超過(guò)4類(lèi)，因此在未來(lái)的研究中，增加害蟲(chóng)類(lèi)別，提高模型建立的樣本總量，以改進(jìn)網(wǎng)絡(luò)性能是需要研究的問(wèn)題之一。

4 結(jié)論

提出了一種基于改進(jìn)的Alexnet模型用于識(shí)別水稻害蟲(chóng)，經(jīng)過(guò)實(shí)驗(yàn)得到以下結(jié)論。

(1)針對(duì)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)Alexnet在水稻害蟲(chóng)分類(lèi)過(guò)程中存在的參數(shù)過(guò)多，計(jì)算量大并且容易過(guò)擬合現(xiàn)象，提出了在對(duì)數(shù)據(jù)集進(jìn)行數(shù)量擴(kuò)增和細(xì)節(jié)增強(qiáng)的同時(shí)，在卷積層后面添加批量歸一化，用全局平均池化代替全連接層，用PReLU激活函數(shù)代替ReLU激活函數(shù)的方法來(lái)改進(jìn)Alexnet，優(yōu)化后的網(wǎng)絡(luò)比原網(wǎng)絡(luò)提高了1.96%，并且降低了損失函數(shù)的值。

(2)結(jié)果表明改進(jìn)后的模型在水稻害蟲(chóng)分類(lèi)上表現(xiàn)出了較好的性能，平均準(zhǔn)確率達(dá)到98%以上，優(yōu)于Alexnet、LeNet5、VGG16、VGG13等經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)。損失函數(shù)的值為0.03，低于其他模型，說(shuō)明對(duì)比于其他模型，Alexnet_n在更適用于水稻害蟲(chóng)的識(shí)別。