基于改進的VGG13網(wǎng)絡(luò)的番茄葉片病害識別

肖靚瑤　方焯

關(guān)鍵詞：番茄葉片病害；卷積神經(jīng)網(wǎng)絡(luò)；細粒度圖像；雙線性池化；圖像分類

中圖法分類號：TP183 文獻標識碼：A

1引言

番茄在生長的過程中，產(chǎn)量受光照、濕度和病蟲害等影響。其中，病蟲害的影響最為嚴重。農(nóng)作物病蟲害不但影響作物的品質(zhì)，而且減少產(chǎn)量。當番茄植株有病蟲害時，通常會大規(guī)模使用農(nóng)藥進行噴灑處理，但當使用農(nóng)藥時，會影響番茄的生長，并且番茄果實有許多的農(nóng)藥殘留。所以，在病蟲害暴發(fā)的初期，需要合理地利用農(nóng)藥并控制在一定的范圍內(nèi)，才能有效地避免產(chǎn)量降低。

隨著計算機技術(shù)和機器學習的快速發(fā)展，出現(xiàn)了許多相應(yīng)技術(shù)。傳統(tǒng)機器學習方法的圖像識別分類分為以下幾個步驟：數(shù)據(jù)分析和預處理、邊緣特征提取后進行分類。Kurmi等對圖像進行預處理，得到葉片的輪廓信息并去除背景，避免其干擾，能最大限度提取葉片病害的信息，從而進行分類。楊英茹等提出基于支持向量機的CCL-SVM算法，實現(xiàn)對復雜環(huán)境番茄葉片圖像病害識別。然而，傳統(tǒng)的機器學習方法的預處理普遍非常復雜，而且只能用于個別植物病蟲害的識別，遷移能力較差。隨著視覺領(lǐng)域和深度學習不斷發(fā)展，傳統(tǒng)機器學習中煩瑣的圖像預處理步驟遷移能力差的問題得到解決。

現(xiàn)在，已經(jīng)出現(xiàn)了許多應(yīng)用廣泛、遷移度高的卷積神經(jīng)網(wǎng)絡(luò)，如VGG，MobileNet，ResNet等。國內(nèi)外已經(jīng)出現(xiàn)許多利用卷積神經(jīng)網(wǎng)絡(luò)對病害進行識別的研究。肖旺等基于GoogLeNet網(wǎng)絡(luò)，減少網(wǎng)絡(luò)層數(shù)，提出GoogLeNet-Mini算法實現(xiàn)對鴨蛋表面缺陷的檢測。但當使用上述網(wǎng)絡(luò)識別細粒度圖像時，準確率會降低，細粒度數(shù)據(jù)集擁有較小的種間差異和較大的類內(nèi)差異以及冗余背景信息的特點，導致識別準確率降低。Lin等提出了雙線性網(wǎng)絡(luò)（Bilinear-CNN），在網(wǎng)絡(luò)中設(shè)計兩條通道提取圖像的特征信息，但會導致參數(shù)和計算量增加。為了解決上述問題，李揚等對此進行改進，提出單特征通路的雙線性池化方法，以降低參數(shù)和計算量，實現(xiàn)對服裝圖像風格識別：楊旺功等利用以輕量化網(wǎng)絡(luò)EfficientNet為基礎(chǔ)，加入雙線性池化及注意力機制，提高了對垃圾分類任務(wù)的精度。

本文識別分類主體為番茄病害葉片圖像，由于其圖片為細粒度圖像，不同番茄病害種類葉片的外觀非常相似，經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)的識別率并不高。針對此現(xiàn)象，提出Bilinear-VGG13模型，它基于VGG13網(wǎng)絡(luò)進行改進，由于原網(wǎng)絡(luò)為直鏈結(jié)構(gòu)，能夠隨意添加其他卷積層，基于這一良好特性，在連接層之前加入雙線性池化，減少背景的干擾，使模型能更加關(guān)注病害區(qū)域，并與其他經(jīng)典網(wǎng)絡(luò)進行對比，分析其不同番茄病害種類的識別情況，驗證本文網(wǎng)絡(luò)識別番茄葉片病害方面的優(yōu)秀表現(xiàn)。

2實驗數(shù)據(jù)

本文數(shù)據(jù)集來源于PlantVillage公共數(shù)據(jù)集，從中截取了番茄葉片病害圖片，共有10種不同的病害種類，分別用1～10進行編號，本文使用的原始數(shù)據(jù)共有11644張圖片。

為了防止模型過擬合，同時為了讓每個種類的病蟲害圖片數(shù)量達到均衡，利用圖像增強技術(shù)對圖片進行增強。利用圖片翻轉(zhuǎn)和改變對比度等技術(shù)可以得到不同角度的圖片，從而獲得數(shù)量均衡的樣本數(shù)據(jù)。本文將原始數(shù)據(jù)進行擴增，得到了15974張圖片，使得每個種類圖片數(shù)量為1500左右，最后將數(shù)據(jù)60%作為訓練集、30%作為驗證集、10%作為測試集。部分的數(shù)據(jù)集圖像如圖1所示。

3改進的卷積神經(jīng)網(wǎng)絡(luò)

整個Bilinear-VGG13模型結(jié)構(gòu)如圖2所示，以VGG13網(wǎng)絡(luò)為基礎(chǔ)進行改進，整個模型分為兩個部分，即特征信息提取和識別分類。特征提取的功能是由VGG13中conv1_1～conv5_2共10個卷積層構(gòu)成，其中下劃線“_”前的數(shù)字代表不同的卷積模塊序號，后面的數(shù)字代表卷積塊某一卷積層序號。同時，每種卷積模塊中間通過局部卷積池化降低特征圖的大小。由于不同種類的番茄病害種類的差別較小，識別的精度可能會受到影響，為了提高模型對葉片病害區(qū)域的敏感程度，并避免番茄葉片圖片背景的影響，在網(wǎng)絡(luò)的連接層前加入單一特征通路的雙線性池化，以增強對細粒度圖像的識別能力。原始的Bilinear CNN通過兩條并行的通路提取特征信息，并通過雙線性池化得到格拉姆矩陣，提取有效區(qū)分細粒度圖像的特征信息。但是，兩條通道得到不同的特征信息再經(jīng)過雙線性池化操作，將會導致數(shù)據(jù)和計算量成倍地增加。為了解決此問題并能夠利用雙線性池化良好的特性，本文將VGG13卷積核提取到的單一特征通路進行池化操作。在識別分類的過程中，本文使用兩個連接層進行分類，大小分別為512×10，最后將分類概率通過Softmax分類器進行輸出。

Bilinear-CNN通常被用于細粒度圖像，利用兩個通路提取特征信息，然后進行雙線性池化，減少背景的干擾。該網(wǎng)絡(luò)能夠很好地分辨細粒度圖像，并且有著不錯的準確率，該網(wǎng)絡(luò)雙線性池化結(jié)構(gòu)如圖3所示。

4.4對比實驗

為了更好地驗證本文模型的有效性，利用擴增后的番茄葉片病害圖片作為數(shù)據(jù)集，使用本文提出的Bilinear-VGG13模型分別與AlexNet，VGG13和MobileNet進行對比實驗。從表1可知，相比于其他模型，本文模型的識別準確率是最高的。

利用上文給出的評價指標的公式，利用混淆矩陣分別算出各個模型的相關(guān)評價指標并進行比較。從表2數(shù)據(jù)可知，本文模型對病害種類識別的召回率（Recall）、精確度（Precision）和平均交互比（MIoU）都高于其他模型。同時，改進模型對測試集的準確率為96.34%，與其他模型相比也是最高的。

為了驗證本文網(wǎng)絡(luò)的遷移能力較強，對其他農(nóng)作物病害也有較高的分類能力，利用改進模型對土豆、玉米和蘋果的病害葉片圖片進行分類識別，最后得出的識別準確率如表3所列。根據(jù)表3數(shù)據(jù)可知，本文模型對其他品種的作物葉片病害識別分類的精度高，反映出改進網(wǎng)絡(luò)具有較強的可遷移性。

5結(jié)束語

觀察番茄葉片是否出現(xiàn)病害特征，是檢測作物是否發(fā)生病變最快速的方法。本文研究對象番茄葉片病害圖片屬于細粒度圖像，不同病害種類的差異較小，并且由于光照、背景等因素影響，利用經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)進行識別分類的準確率不高。針對此問題，同時為了有效地判斷番茄作物的生長情況并且避免產(chǎn)量減少，本文基于改進的VGG13網(wǎng)絡(luò)對番茄葉片進行識別，驗證本文模型對番茄葉片病害模型識別的有效性。與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)VGG13，MobileNet和AlexNet相比，本文模型的識別率最高；本文在VGG13網(wǎng)絡(luò)的基礎(chǔ)上，加入了雙線性池化，提高對番茄圖像病害區(qū)域特征信息的提取能力，并增強了模型的性能。然而，本文使用的是固定環(huán)境的番茄葉片病害圖像，減少了外部環(huán)境的影響，使得模型對于自然環(huán)境的病害圖片識別有一定的局限。未來將會進一步研究圖像的分類，以及對于不同的自然環(huán)境中的病害識別。

作者簡介：

肖靚瑤（1999—），碩士，研究方向：圖像處理。