基于改進(jìn)殘差網(wǎng)絡(luò)的水稻害蟲識(shí)別

雷建云， 陳 楚， 鄭 祿， 帖 軍， 趙 捷

(中南民族大學(xué)計(jì)算機(jī)科學(xué)學(xué)院/湖北省制造企業(yè)智能管理工程技術(shù)研究中心，湖北武漢 430074)

水稻是我國第一大糧食作物，我國是世界第二大水稻種植國家，隨著人口逐年增長(zhǎng)，人們對(duì)糧食的需求量也呈增長(zhǎng)趨勢(shì)，因此，對(duì)水稻產(chǎn)量提升的研究成為我國重要的工作。隨著氣候的變化和環(huán)境問題日益突出，水稻病蟲害發(fā)生率越來越高，尤其是蟲害影響了水稻的生長(zhǎng)，導(dǎo)致作物產(chǎn)量下降，因此，水稻害蟲的防治顯得極其重要。傳統(tǒng)的水稻害蟲檢測(cè)主要依賴于人工識(shí)別，但是害蟲的種類多、數(shù)量龐大，人工識(shí)別法效率低下、速度緩慢、準(zhǔn)確率不高。

近年來，隨著人工智能的興起，深度學(xué)習(xí)在計(jì)算機(jī)視覺、自然語言處理、情感計(jì)算等領(lǐng)域得到了廣泛關(guān)注和應(yīng)用，很多科研工作者將深度學(xué)習(xí)應(yīng)用到農(nóng)業(yè)領(lǐng)域，在作物害蟲的識(shí)別上已有了初步探索。吳翔通過卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了10種螟蛾科類害蟲的識(shí)別，基本圖像數(shù)據(jù)來源于自然環(huán)境下的圖像采集，共計(jì)900張彩色圖像，每幅圖像只包含單一的害蟲，其卷積神經(jīng)網(wǎng)絡(luò)害蟲識(shí)別模型共計(jì)有5層，最終識(shí)別的準(zhǔn)確度約為76.7%。謝成軍等提出了一種基于圖像編碼與空間金字塔模型相結(jié)合的農(nóng)田害蟲圖像表示與識(shí)別方法，通過35種害蟲的識(shí)別試驗(yàn)，平均識(shí)別準(zhǔn)確率達(dá)到89.2%。梁萬杰等提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的水稻二化螟識(shí)別方法，試驗(yàn)通過設(shè)計(jì)一個(gè)10層的卷積神經(jīng)網(wǎng)絡(luò)模型，可有效地提取圖像的特征，對(duì)水稻二化螟識(shí)別具有很好的抗干擾性和魯棒性，模型命中率、分類精度分別為86.21%、89.14%。周愛明基于深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)對(duì)水稻害蟲的識(shí)別和計(jì)數(shù)，識(shí)別準(zhǔn)確率約為90%，該模型同樣采用殘差神經(jīng)網(wǎng)絡(luò)(ResNet)模型，通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)害蟲圖像進(jìn)行特征提取，然后通過分類器對(duì)害蟲種類進(jìn)行甄別，最后完成圖像中害蟲的計(jì)數(shù)任務(wù)。Song等收集了71種35 000張害蟲圖像，將ResNet中的殘差網(wǎng)絡(luò)(residual blocks)結(jié)構(gòu)添加到Inception-V4模型中，對(duì)害蟲進(jìn)行分類研究，總體分類準(zhǔn)確率達(dá)到97.3%。Thenmozhi等建立了一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型，基于深度神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的方式實(shí)現(xiàn)對(duì)害蟲的識(shí)別和分類，最終在3類害蟲圖像數(shù)據(jù)集上的準(zhǔn)確率均在95%以上。Nanni等將顯著性方法與卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征融合，在密集連接的卷積網(wǎng)絡(luò)(denseNet)的基礎(chǔ)上，設(shè)計(jì)搭建了新型的害蟲識(shí)別模型，最終在其自建小型數(shù)據(jù)集的測(cè)試過程中準(zhǔn)確率達(dá)到92.43%，在IP102數(shù)據(jù)集上準(zhǔn)確率達(dá)到61.93%。丁永軍等提出將膠囊網(wǎng)絡(luò)和VGG16模型相結(jié)合，構(gòu)建卷積膠囊網(wǎng)絡(luò)用于百合病害識(shí)別，其檢測(cè)精度達(dá)到99.20%。李靜等提出了一種基于改進(jìn)的GoogleNet卷積神經(jīng)網(wǎng)絡(luò)模型的玉米螟蟲害圖像識(shí)別方法，對(duì)玉米螟蟲害圖像平均識(shí)別準(zhǔn)確率達(dá)到96.44%。

以上這些基于機(jī)器視覺和卷積神經(jīng)網(wǎng)絡(luò)算法的識(shí)別模型，相比常規(guī)的人工識(shí)別農(nóng)作物病蟲害方法取得了較好的試驗(yàn)結(jié)果。但是，在構(gòu)建深層卷積神經(jīng)網(wǎng)絡(luò)的過程中，當(dāng)梯度信號(hào)從底層反向傳播到最頂層時(shí)，會(huì)逐步衰減，從而導(dǎo)致大量特征信息丟失。為了減少信息的丟失，從原始圖像獲得更多的特征，提高水稻害蟲的識(shí)別能力，本研究提出一種改進(jìn)型ResNet算法，在ResNet卷積網(wǎng)絡(luò)的基礎(chǔ)上，加入膠囊網(wǎng)絡(luò)，來提升水稻害蟲的識(shí)別效果，以期對(duì)水稻害蟲的識(shí)別和預(yù)防提供參考。

1 試驗(yàn)數(shù)據(jù)

1.1 數(shù)據(jù)來源

Wu等公布了一個(gè)大規(guī)模的害蟲識(shí)別數(shù)據(jù)集IP102，并進(jìn)行了專業(yè)的圖像標(biāo)注工作，一定程度上解決了害蟲圖像數(shù)據(jù)集樣本少的問題。該數(shù)據(jù)集類別是層級(jí)結(jié)構(gòu)，分為8種農(nóng)作物大類和102種害蟲小類。IP102是迄今為止規(guī)模最大的害蟲識(shí)別數(shù)據(jù)集，包含75 000張害蟲樣本，其類別幾乎囊括了當(dāng)前最常見的害蟲種類。目前來說，IP102數(shù)據(jù)集為害蟲識(shí)別領(lǐng)域提供了優(yōu)秀的試驗(yàn)基準(zhǔn)，從IP102數(shù)據(jù)集中，選取其中的水稻害蟲進(jìn)行特定研究，涉及稻卷葉蟲、稻螟蛉、稻潛葉蠅、二化螟、三化螟、稻癭蚊等14個(gè)類別，圖像總數(shù)為8 417張，作為本研究的水稻害蟲圖片數(shù)據(jù)集，該數(shù)據(jù)集的詳細(xì)信息見表1，數(shù)據(jù)集的部分樣本圖像見圖1。

表1 數(shù)據(jù)集詳細(xì)信息

1.2 數(shù)據(jù)處理

IP102數(shù)據(jù)集水稻害蟲存在樣本過多或過少的現(xiàn)象，導(dǎo)致樣本分布不平衡。為了彌補(bǔ)樣本存在的種類不平衡對(duì)模型識(shí)別準(zhǔn)確率的影響，在訓(xùn)練之前，對(duì)數(shù)量較少的樣本數(shù)據(jù)進(jìn)行增強(qiáng)處理。在深度學(xué)習(xí)中，數(shù)據(jù)增強(qiáng)是指通過某些技術(shù)手段將數(shù)據(jù)量小的數(shù)據(jù)集擴(kuò)充得到更多的數(shù)據(jù)。通過旋轉(zhuǎn)(旋轉(zhuǎn)角度分別為90°、180°、270°)、翻轉(zhuǎn)(翻轉(zhuǎn)方式為上下翻轉(zhuǎn)、水平翻轉(zhuǎn))、光照度處理、對(duì)比度處理、色彩平衡處理以及銳度處理等數(shù)據(jù)增強(qiáng)技術(shù)，達(dá)到數(shù)據(jù)樣本均勻，總的圖片數(shù)量達(dá)到20 670張，提升了模型的泛化能力和模型的魯棒性。數(shù)據(jù)增強(qiáng)后與原圖對(duì)比情況見圖2。

2 模型構(gòu)建與優(yōu)化

2.1 殘差網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)可以提取圖像中不同語義層次的特征，隨著網(wǎng)絡(luò)層數(shù)的增加，提取到的特征也更加豐富。網(wǎng)絡(luò)的深度對(duì)網(wǎng)絡(luò)性能至關(guān)重要，但網(wǎng)絡(luò)的性能會(huì)隨著網(wǎng)絡(luò)深度的增加迅速達(dá)到飽和，甚至開始迅速下降，稱其為退化問題。為了解決網(wǎng)絡(luò)退化問題并能夠訓(xùn)練上千層的網(wǎng)絡(luò)，He等提出身份快捷方式連接，該連接從某些層跳過并使用了先前層的激活功能，由此ResNet模型誕生了，它允許網(wǎng)絡(luò)深度大幅提升的同時(shí)達(dá)到更高的準(zhǔn)確率，能夠很好地解決深層網(wǎng)絡(luò)訓(xùn)練時(shí)的退化問題，其核心為殘差單元(圖3)。

2.2 膠囊網(wǎng)絡(luò)

膠囊網(wǎng)絡(luò)(capsule network，簡(jiǎn)稱Capsnet)是一種具有強(qiáng)泛化能力的深度學(xué)習(xí)網(wǎng)絡(luò)模型，在自動(dòng)駕駛、語義編碼、醫(yī)學(xué)圖像分析等領(lǐng)域都得到了成功應(yīng)用。膠囊網(wǎng)絡(luò)是在CNN的基礎(chǔ)上發(fā)展而來的，由于CNN需要在大量的圖像上進(jìn)行訓(xùn)練，在池化層中丟失了大量信息，降低了空間分辨率，影響了最終的分類精度。雖然后續(xù)很多人對(duì)CNN進(jìn)行了改進(jìn)，但是CNN中有大量的參數(shù)，池化層依然必不可少。為解決這些問題，膠囊網(wǎng)絡(luò)誕生了，膠囊網(wǎng)絡(luò)去掉了造成特征丟棄的池化層，充分利用各個(gè)圖像特征之間的空間關(guān)系，獲得高層特征和低層特征之間的位置關(guān)系作為一種用于分類的特征。膠囊網(wǎng)絡(luò)使用矢量膠囊代替標(biāo)量神經(jīng)元，對(duì)于特征向量具有良好的方向表示。圖4是膠囊網(wǎng)絡(luò)的模型結(jié)構(gòu)，Conv1表示卷積層，PrimaryCaps表示初始膠囊層，DigitCaps表示路由膠囊層，代表矩陣。

膠囊網(wǎng)絡(luò)架構(gòu)的第1個(gè)卷積層是對(duì)原圖進(jìn)行特征的提取，將最終得到的特征圖作為第1層膠囊層的輸入。網(wǎng)絡(luò)的第2層是初始化膠囊層，最后一層是數(shù)字膠囊層，每個(gè)類別用1個(gè)膠囊表示。這一層的膠囊與前一層所有的膠囊都有連接，這2層膠囊層之間采用動(dòng)態(tài)路由算法來更新，提高模型的分類準(zhǔn)確率，使模型能夠快速平穩(wěn)地收斂。在膠囊網(wǎng)絡(luò)中，使用動(dòng)態(tài)路由迭代算法來預(yù)測(cè)高層特征，動(dòng)態(tài)路由迭代的過程見圖5，其中，～表示低層膠囊的輸入，～表示轉(zhuǎn)換矩陣，～表示預(yù)測(cè)向量，～表示權(quán)重系數(shù)，、是高層膠囊總的輸入，、表示最終膠囊的向量輸出。

每個(gè)上層膠囊連接到下層的概率為

(1)

(2)

式中：表示低層膠囊的輸入，接著對(duì)所有得到的預(yù)測(cè)向量進(jìn)行加權(quán)求和：

(3)

其中：被稱為高層膠囊總的輸入向量。用非線性壓扁函數(shù)squashing來代替?zhèn)鹘y(tǒng)的神經(jīng)網(wǎng)絡(luò)的激活函數(shù)Relu，確保了向量的方向保持不變，但它的長(zhǎng)度被強(qiáng)要求不超過1，最終膠囊的向量輸出()如下：

(4)

2.3 基于改進(jìn)的殘差網(wǎng)絡(luò)

在水稻害蟲識(shí)別研究的領(lǐng)域，ResNet雖然有較好的識(shí)別效果，但是圖像在訓(xùn)練的過程中丟失了大量的信息；與ResNet相比，膠囊網(wǎng)絡(luò)通過矢量表示實(shí)例化參數(shù)，并確定輸入對(duì)象的空間信息。膠囊網(wǎng)絡(luò)的關(guān)鍵特性使其可以保留有關(guān)水稻害蟲位置和姿勢(shì)的詳細(xì)信息，這些信息在水稻害蟲圖像識(shí)別中占據(jù)著突出的位置。

通過將ResNet和膠囊網(wǎng)絡(luò)進(jìn)行整合能有效降低過擬合，提高識(shí)別的準(zhǔn)確率；以膠囊網(wǎng)絡(luò)作ResNet模型的全連接層，這樣可以彌補(bǔ)殘差網(wǎng)絡(luò)在輸出時(shí)丟失大量信息的缺陷。

改進(jìn)的殘差網(wǎng)絡(luò)結(jié)構(gòu)模型見圖6，為減少參數(shù)量，選取ResNet34網(wǎng)絡(luò)作為基本模型。首先對(duì)輸入的圖像進(jìn)行卷積和下采樣，以提取圖像的特征，通過4個(gè)Basicblock，將特征圖的尺寸降到7×7、特征圖的通道提升到512，通過這種方式可以捕獲到更多的樣本特征。接著，將512×7×7的特征圖進(jìn)行膠囊化編碼，轉(zhuǎn)為32個(gè)8×8的膠囊，再經(jīng)過2次卷積，最終得到32個(gè)8×2×2的膠囊。隨后進(jìn)行層間路由，以一種近似全連接的方式(即dynamic routing)映射到14×16的空間。

在14個(gè)害蟲分類識(shí)別的問題中，dynamic routing算法將膠囊特征映射到14×16的空間，即每個(gè)類對(duì)應(yīng)1個(gè)16維的特征，然后使用非線性映射(squash)將其壓縮成1個(gè)14 維的向量，取范式的最大值作為最終的預(yù)測(cè)值標(biāo)簽。

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)環(huán)境

試驗(yàn)配置環(huán)境為Ubuntu 16.04 LST 64位系統(tǒng)，Intel? Xeon CPU E5-2630(2.20 GHz)處理器，64 GB 內(nèi)存，Tesla P40顯卡，采用pytorch 1.6.0深度學(xué)習(xí)框架。

3.2 試驗(yàn)評(píng)價(jià)指標(biāo)

準(zhǔn)確率(accuracy)是正確分類的個(gè)數(shù)占總樣本數(shù)的比例，反映了算法對(duì)整體樣本的分類性能，計(jì)算公式為

(5)

式中：表示正樣本被正確識(shí)別的數(shù)量；表示負(fù)樣本被錯(cuò)誤識(shí)別的數(shù)量；表示正樣本被錯(cuò)誤識(shí)別的數(shù)量；表示負(fù)樣本被正確識(shí)別的數(shù)量；表示準(zhǔn)確率。

(6)

式中：表示重復(fù)試驗(yàn)的次數(shù)，=10。

混淆矩陣(confusion matrix)是用來總結(jié)分類模型預(yù)測(cè)結(jié)果的分析圖表，本研究以矩陣的形式來顯示分類模型對(duì)每一類的預(yù)測(cè)結(jié)果正確與否，其中對(duì)角線上的元素表示各類別水稻害蟲被正確識(shí)別的數(shù)量，其他元素則表示被錯(cuò)誤識(shí)別的數(shù)量。

3.3 結(jié)果與分析

為了確保訓(xùn)練的準(zhǔn)確性，隨機(jī)將水稻害蟲數(shù)據(jù)集按8 ∶2劃分成訓(xùn)練集和測(cè)試集。通過分析數(shù)據(jù)增強(qiáng)對(duì)于模型性能的影響，網(wǎng)絡(luò)模型不同的超參數(shù)對(duì)于性能的影響，以及選取Inception V3、DenseNet、Efficientnet、Capsnet、ResNet34等網(wǎng)絡(luò)模型進(jìn)行試驗(yàn)對(duì)比，以此來驗(yàn)證改進(jìn)的殘差網(wǎng)絡(luò)的準(zhǔn)確性。

3.3.1 數(shù)據(jù)增強(qiáng)對(duì)模型性能的影響 水稻害蟲數(shù)據(jù)集是從基準(zhǔn)數(shù)據(jù)集IP102中選取水稻害蟲的14個(gè)類別，但由于樣本分布不均勻，需要對(duì)數(shù)據(jù)進(jìn)行擴(kuò)充。數(shù)據(jù)增強(qiáng)為模型訓(xùn)練提供了強(qiáng)大的數(shù)據(jù)支撐，為了驗(yàn)證數(shù)據(jù)增強(qiáng)對(duì)模型的性能是否有影響，將進(jìn)行數(shù)據(jù)增強(qiáng)后的數(shù)據(jù)集在模型上進(jìn)行測(cè)試。由圖7可知，數(shù)據(jù)集經(jīng)過數(shù)據(jù)增強(qiáng)后，對(duì)準(zhǔn)確率有一定程度的提升，說明數(shù)據(jù)增強(qiáng)對(duì)于試驗(yàn)結(jié)果的影響較大。

3.3.2 超參數(shù)對(duì)模型的影響 (1)學(xué)習(xí)率和批量大小。學(xué)習(xí)率是影響神經(jīng)網(wǎng)絡(luò)模型效率的一個(gè)重要因素。學(xué)習(xí)速率越高，學(xué)習(xí)過程越快，損失函數(shù)越高；學(xué)習(xí)速率越低，損失函數(shù)越低。在水稻害蟲識(shí)別問題中，要選擇最優(yōu)學(xué)習(xí)率以使損失函數(shù)最小。以0.000 005、0.000 100、0.005 000、0.050 000的學(xué)習(xí)率訓(xùn)練模型。經(jīng)過100輪迭代，小批數(shù)量為32個(gè)，不同學(xué)習(xí)率的準(zhǔn)確率見圖8-a。當(dāng)學(xué)習(xí)率設(shè)置的很小時(shí)，收斂速度很快，在第10輪的位置就開始收斂，但是準(zhǔn)確率不高，當(dāng)適當(dāng)增大學(xué)習(xí)率時(shí)，收斂速度降低，但是準(zhǔn)確率提升很大。因此，學(xué)習(xí)率對(duì)試驗(yàn)結(jié)果的影響很大，通過試驗(yàn)驗(yàn)證，當(dāng)學(xué)習(xí)率設(shè)置為0.005 000時(shí)，可以獲得更好的分類準(zhǔn)確率。批量的大小是影響模型分類精度的一個(gè)重要參數(shù)。更大的批處理規(guī)模使模型在恒定權(quán)重的情況下運(yùn)行很長(zhǎng)一段時(shí)間，這會(huì)降低總體性能并影響內(nèi)存需求。因此，選擇合適的批量大小來提高模型的分類準(zhǔn)確率。該模型以10、16、32、64個(gè)小批數(shù)量進(jìn)行評(píng)估，模型的準(zhǔn)確率隨著小批數(shù)量的增加，變化不太明顯，小批數(shù)量從10個(gè)增加到64個(gè)。由圖 8-b 可知，該模型運(yùn)行了100輪，學(xué)習(xí)率為 0.005 000。在試驗(yàn)結(jié)果的基礎(chǔ)上，選取了32個(gè)小批量的模型進(jìn)行訓(xùn)練，提高了模型的收斂精度。同樣明顯的是，進(jìn)一步增加小批量的尺寸并不能提高準(zhǔn)確性。所選擇的32個(gè)小批尺寸支持所提出的模型，以獲得更好的最終精度。

(2)激活函數(shù)和優(yōu)化器。激活函數(shù)是神經(jīng)網(wǎng)絡(luò)中非常重要的概念。它們決定了某個(gè)神經(jīng)元是否被激活，這個(gè)神經(jīng)元接受到的信息是否是有用的，是否該留下或者是拋棄。激活函數(shù)可以把信號(hào)轉(zhuǎn)換為非線性的，而這種非線性使得我們能夠?qū)W習(xí)到輸入與輸出之間任意復(fù)雜的變換關(guān)系。選取Sigmoid函數(shù)、ReLU函數(shù)、LeakyReLU函數(shù)進(jìn)行評(píng)估。由圖9-a可知，激活函數(shù)對(duì)于本試驗(yàn)影響并不大，所以選取常規(guī)的ReLU函數(shù)作為本研究的激活函數(shù)。優(yōu)化器是用來更新和計(jì)算影響模型訓(xùn)練和模型輸出的網(wǎng)絡(luò)參數(shù)，使其逼近或達(dá)到最優(yōu)值，從而最小化損失函數(shù)。以隨機(jī)梯度下降(SGD)、小批量的梯度下降(MBGD)、Adam作為優(yōu)化器進(jìn)行評(píng)估，由圖9-b可知，選取MBGD作為優(yōu)化器效果最好，MBGD可以利用矩陣和向量計(jì)算進(jìn)行加速，還可以減少參數(shù)更新的方差，得到更穩(wěn)定的收斂。

3.3.3 不同網(wǎng)絡(luò)模型之間的性能比較 為了驗(yàn)證改進(jìn)的殘差網(wǎng)絡(luò)模型性能優(yōu)勢(shì)，訓(xùn)練了多個(gè)對(duì)比模型。從表2可以看出，在傳統(tǒng)的網(wǎng)絡(luò)模型中，DenseNet的效果是最好的，而參數(shù)量最少的是EfficientNet；在水稻害蟲圖像的數(shù)據(jù)集上，從圖10-a可以看出，使用改進(jìn)后的殘差網(wǎng)絡(luò)模型進(jìn)行識(shí)別準(zhǔn)確率可以達(dá)到77.12%，與傳統(tǒng)的模型相比，改進(jìn)后的模型效果更好，進(jìn)一步體現(xiàn)出改進(jìn)模型在一定程度上提高了水稻害蟲的識(shí)別效率。為了進(jìn)一步對(duì)比各模型的分類性能，本研究繪制了損失函數(shù)結(jié)果，如圖10-b所示，各模型均使用Softmax交叉熵?fù)p失函數(shù)進(jìn)行分析，損失值均呈現(xiàn)先快速下降后緩慢下降再趨于平穩(wěn)狀態(tài)。

表2 不同網(wǎng)絡(luò)模型對(duì)比結(jié)果

此外，為更好地分析網(wǎng)絡(luò)模型獲得圖像特征表達(dá)的過程，研究了水稻害蟲經(jīng)過改進(jìn)的殘差網(wǎng)絡(luò)卷積模塊后的特征圖，如圖11所示。通過對(duì)特征圖的觀察，隨著網(wǎng)絡(luò)層數(shù)的提高，背景越來越模糊，所提取的圖像特征越來越抽象，特征的紋理性逐漸被更高級(jí)的語義性所取代。

3.3.4 水稻害蟲混淆矩陣 為了更清楚地展現(xiàn)基于改進(jìn)殘差網(wǎng)絡(luò)方法的識(shí)別精度與分類結(jié)果，分別選取14類水稻害蟲的100張圖片，在測(cè)試集上模型分類結(jié)果基礎(chǔ)上繪制得到的混淆矩陣見圖12。混淆矩陣是一個(gè)誤差矩陣，通?？梢酝ㄟ^混淆矩陣來評(píng)定深度學(xué)習(xí)算法的性能。由圖12可知，二化螟中有14張圖片被錯(cuò)誤識(shí)別成三化螟，三化螟中有15張圖片被錯(cuò)誤識(shí)別成二化螟；稻褐飛虱中有15張圖片被錯(cuò)誤識(shí)別成白背飛虱，白背飛虱中有16張圖片被錯(cuò)誤識(shí)別成稻褐飛虱；水稻殼害蟲中有9張圖片被錯(cuò)誤識(shí)別成稻螟蛉，稻螟蛉中有8張圖片被錯(cuò)誤識(shí)別成水稻殼害蟲；說明二化螟和三化螟、稻褐飛虱和白背飛虱、水稻殼害蟲和稻螟蛉之間有一定的相似性。其他識(shí)別效果都不錯(cuò)，說明改進(jìn)的殘差網(wǎng)絡(luò)模型可靠性很高。

4 結(jié)束語

針對(duì)傳統(tǒng)水稻害蟲識(shí)別方法存在準(zhǔn)確率和效率低下的問題，本研究在數(shù)據(jù)增強(qiáng)的基礎(chǔ)下，在傳統(tǒng)殘差網(wǎng)絡(luò)上進(jìn)行優(yōu)化，提出了一種改進(jìn)的殘差網(wǎng)絡(luò)模型，通過將膠囊網(wǎng)絡(luò)融入進(jìn)去，代替殘差網(wǎng)絡(luò)的全連接層，使得提取的圖像特征更加豐富；同時(shí)，還研究了超參數(shù)的影響，通過優(yōu)化組合，選取最合適的超參數(shù)以提高分類的準(zhǔn)確率。

目前很多在IP102數(shù)據(jù)集上的研究識(shí)別準(zhǔn)確率偏低，采用膠囊網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)相結(jié)合的方式在識(shí)別準(zhǔn)確率上有一定的提高。為了達(dá)到推廣應(yīng)用的效果，今后可以在水稻害蟲數(shù)據(jù)集上做進(jìn)一步的擴(kuò)充和完善，還可以研究模型對(duì)水稻害蟲不同生育階段的識(shí)別能力，為水稻害蟲防治提供技術(shù)支撐和相關(guān)參考。