基于迁移学习与卷积神经网络的玉米植株病害识别

陈桂芬 赵姗 曹丽英 傅思维 周佳鑫

摘   要：大数据背景下产生了海量图像数据，传统的图像识别方法识别玉米植株病害准确率较低，已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题，能自动识别和提取图像特征。因此，本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据，以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型，引入该模型的训练方式，提取病害图片特征，加速卷积神经网络的训练过程，降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片，进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均識别准确度达96.6%，和单一的卷积神经网络相比，精度提高了25.6%，处理每张图片时间为0.28s，比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高，为玉米等农作物植株病害的识别提供了新方法。

关键词：深度学习;卷积神经网络;迁移学习;数据增强;玉米病害识别

中图分类号：S-3                  文献标志码：A             文章编号：201812-SA007

陈桂芬，赵  姗，曹丽英，傅思维，周佳鑫. 基于迁移学习与卷积神经网络的玉米植株病害识别[J]. 智慧农业， 2019， 1（2）： 34-44.

Chen G， Zhao S， Cao L， Fu S， Zhou J. Corn plant disease recognition based on migration learning and convolutional neural network [J]. Smart Agriculture， 2019， 1（2）： 34-44. （in Chinese with English abstract）

1  引言

玉米是我国重要的粮食作物之一，发生病害会造成严重减产，因此，玉米病害诊治是玉米生产中的重要环节。而玉米病害种类繁多，多由真菌、细菌、病毒引起[1]，如果仅靠人肉眼观察及经验判断容易发生误诊，耗时、费力和耗材且玉米病害得不到及时诊治，导致玉米生产效率很低。随着计算机技术的不断发展，利用图像识别技术进行病害诊断检测，己成为农作物病害诊断检测的重要研究方向[2]。

国内外学者在利用图像识别技术诊断检测病害方面开展了部分研究。谭峰等[3]通过计算植株色度值，建立多层BP神经网络模型，实现了大豆植株的病害识别;田有文等[4]通过提取葡萄病叶的颜色与纹理特征，利用支持向量机（Support Vector Machine，SVM）识别的方法取得了比神经网络识别更好的效果;王献锋等[5]提取植株病斑颜色、形状、纹理等特征，结合环境信息，利用判别分析法，成功识别黄瓜病斑类别;Zhang

等[6]将斑点分割之后再提取病斑的颜色、形状和纹理特征，然后通过K最近邻（K-Nearest Neighbor， KNN）分类算法对5种玉米植株进行识别，准确率达90.3%;付立思等[7]基于不变矩阵理论，对玉米病害图像进行二值化、图像归一化处理，提出一种具有较好逼近能力和较强容错能力的RBF-BP神经网络识别系统，实现了对玉米病害识别。随着深度学习技术的发展，目前兴起的卷积神经网络（Convolutional Neural Network，CNN）能够不依赖特定特征实现图像识别，在图像识别领域已经得到广泛应用。2012年，著名生物制药公司默克将深度学习应用于解决分子药性预测问题，从各种分子中提取了极有可能形成药物的分子，达到了业内最优化成果;Google Brain 的1600多个处理器群建立了具有10亿个自主学习的神经网络模型，在搜索关键字、图片等概念体系实现自动归纳功能，并且识别图像的精确率相比上一代系统提升一倍多[8]。近年来，农业领域越来越多学者将CNN运用到植物植株病害识别中，并证明了CNN识别植物植株病害是可行的，如孙俊等[9]使用一种基于改进的卷积神经网络实现了对多种植物叶片病害的识别，平均识别率达99.56%。

但CNN在处理图像分类时仍存在过程中数据集样本数较少、样本相似度较高，且训练收敛时间长等问题[10，11]。深度学习存在表达能力与缺乏反馈机制的局限性，而数据增强和迁移学习能够解决相应的问题，因此，本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别模型方法，选取危害玉米产量的主要五种病害图片集进行训练与测试，并与传统卷积神经网络对玉米植株病害识别结果进行比较分析，结果表明基于迁移学习的卷积神经网络识别方法较传统方法识别精度高、速度快，为玉米等农作物植株病害的识别提供了新方法。

2  研究数据

本研究所在区域为国家“863”项目示范基地——吉林省榆树市弓棚镇十三号村的玉米农用田。榆树市是吉林省重要的商品粮基地之一，属长白山前台地平原区，属于黑钙土质，主产作物是玉米和大豆等，地势东南高、西北低，东南向西北倾斜，海拔为157～220m;基地处于东经126°01′44″～127°05′09″，北纬44°30′57″～45°15′02″，属东北地区季风性中温带半湿润气候，年均降水为500～700mm，雨热同期，日照较长，有利于玉米作物生长。

本试验数据集为大田环境中通过Nikon COOL PIX5700型数码相机拍摄的玉米生长期造成玉米减产的五种主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的图像（像素分辨率：2560×1920），以JPG格式传入计算机。图像经过预处理，转换成640×480像素分辨率，共计93张。采集的这些病害症状集中在玉米叶片和果穗中，且发病部位与正常叶面有明显区别，即正常叶面呈绿色或深绿色，而病灶部位则呈黄褐色或暗褐色，病斑形状为圆形、椭圆形、矩形或梭形不等[12]。

玉米大斑病主要发病症状：梭型病斑，病斑一般长5～10cm，宽1～2cm，有时可长达20cm以上，宽可超过3cm，如图1所示。

玉米小斑病主要发病症状：病斑椭圆形、圆形，大小为（5～10mm）×（3～4mm），病斑密集时常互相连接成片，形成较大枯斑（图2）。

玉米灰斑病主要发病症状：矩形病斑，病斑大小为（2～4cm）×（1～6mm）[13]（图3）。

玉米黑穗病主要发病病症：害果穗，形成“灰包”，病株一般矮小，病果穗短，基部大，顶端尖（图4）。

玉米瘤黑粉病主要发病病症：瘤黑粉病最初时病瘤外表为白色或灰白色薄膜，内部幼嫩时为肉质，白色瘤内部为白色，以后瘤内充满黑粉，在外膜破裂后散出（图5）。

3  研究理论及方法

3.1  卷积神经网络

卷积神经网络CNN是一个多层深度网络，在图像识别中非常有效，CNN模型中的最低层的输入数据可以是图像中的一个小区域;然后，利用卷积运算卷积得到每一层的代表性特征。CNN的深层结构可以层层抽取图像特征，网络自动提取特征替代了传统的特征提取方法[14]。同时，CNN的权值共享能够计算得到图像平移的不变性质。即使图像被平移和缩放，CNN也能够处理包含重要特征的观测数据。因此，CNN是图像识别中非常重要而有效的方法。CNN主要包括一个或者多个卷积层和池化层，卷积层的神经元和前一层采用局部连接和权值共享的方式进行连接，从而大大降低了需要训练的参数数量。池化层可以大幅降低输入维度，降低网络复杂度，使网络具有更高的鲁棒性[15]。CNN结构如图6所示。

输入图像，通过三个可训练的滤波器和可加偏置进行卷积，卷积后在C1层产生映射图，然后特征映射图中每组的四个像素再进行求和、加权值、加偏置，通过一个Sigmoid函数（公式1）得到P2层的特征映射图[16]，

（1）

映射图再进过滤波得到C3层。这个层级结构再和C3一样产生P4。最终，这些像素值被光栅化，并连接成一个向量输入到传统的神经网络，得到输出。网络的每个计算层由多个特征映射组成，每个特征映射为一个平面，平面上所有神经元的权值相等[17]，如公式2所示：

（2）

其中，xi表示输入，n个输入信号同时输入神经元j;wij表示输入信号与神经元之连接的权重值;bj表示偏置值;yj为神经元输出;f （*）为激励函数[18]。

在病害识别中，CNN根据它结构上的特征，尽可能保留重要的参数，除去大量不重要的参数，来提高学习效果，使CNN具有一定程度上的平移、放缩和扭曲不变性[19]。

在图像数据通过卷积层之后，通常会使用一个激活层。其目的是给一个在卷积层中刚经过线性计算操作的系统引入非线性特征。与双曲正切和Sigmoid函数这样的非线性方程相比，研究者发现ReLU（Rectification Linear Unit）函数效果要更好，它对模型收敛有着巨大的加速作用，对梯度消失的问题也有帮助。

ReLU函数为线性修正函数，作用是保证训练后的网络完全具备稀疏性。定义为：

ReLU（x）=max（0，x）          （3）

最后池化层通过对不同位置的特征进行聚合统计，计算图像一个区域上的某个特定特征的平均值或最大值。

3.2  改进的卷积神经网络模型构建

3.2.1  技术路线

深度学习是机器学习研究中的一个新的领域，它模仿人脑的机制来解释数据。例如图像、声音和文本。CNN作为深度学习技术的一个代表，近年来取得了飞速的发展[20]。CNN的结构组成具有较强的层次相关性和空间相关性来满足在图像识别分类领域的高要求，最为便捷的优势在于可以自主的提取图像的特征用来训练学习[21]。

为解决模型收敛时间长和样本相似性大的问题，本研究在传统CNN的基础上做了以下两个方面的改进：1）采用迁移学习的训练方式，加速CNN的训练过程，降低网络的过拟合程度;2）采用数据增强的方法增强模型的泛化性。其技术路线如图7所示。

主要过程如下：采用数据增强方法中的随机剪裁、随机旋转、随机颜色及明暗的方式来扩充数据;采用Inception V3模型，保持参数不变，提取出病害图像特征;将提取到的图像特征作为卷积神经网络的输入，对网络进行训练，最后得到识别结果。

3.2.2   数据增强

CNN需要优化提高深度学习模型泛化能力，最好的办法是使用更多的数据进行训练[22]，数据增强对对象识别这一类问题是一种特别有效的办法。因为图像是高维的，比如100×100像素的图像，对应的是10000维的高维空间。即使模型已经使用了卷积和池化技术对部分平移保持不变，沿训练图像每个方向平移几个像素的操作通常可以大大改善泛化[23]。本研究利用随机剪裁、随机旋转、随机颜色和明暗四种方法对数据进行转换，获得了更多的训练样本。

3.2.3  迁移学习

迁移学习是指迁移预训练的CNN模型到其它数据集，并重新学习目标集特征的方法[24]。迁移学习考虑到大部分数据和任务具有相关性，使用其他大批量数据训练得到的模型用来训练新数据[25]，从而减少训练步骤，缩短训练时间，增加数据量，这样降低了过拟合程度。为了训练过后能在目标数据集上取得良好的分类效果，传统的机器学习方法要求训练集和测试集具有相同的特征空间和数据分布，迁移学习概念的提出很好地解决了训练样本缺失所导致的局部最优解和过拟合等问题[26]。迁移学习流程如图8所示。

迁移学习过程，一般就是要将从源领域（Source Domain）（图8中任务A）中学习到的东西应用到目標领域（Target Domain）（图8中任务B）上去。

大规模数据集ImageNet上与训练的卷积神经网络泛化能力强，可有效进行图像数据集的分类与识别[27]。Inception V3模型通过ImageNet训练，其包含信息可识别1000个种类，Inception V3模型结构如图9所示[28]：

为了解决标注数据和训练时间的问题，本研究将ImageNet上训练好的Inception V3模型转移到玉米病害识别的数据集上[29]。保留训练好的Inception V3模型中所有卷积层的参数，并利用此训练好的神经网络提取玉米病害植株图像特征，再将提取得到的特征向量作为输入来训练一个新的全连接神经网络，处理病害识别问题。利用Inception model 进行对玉米病害图像进行处理，其结构如图10所示。

Inception model将n×n的卷积变为n×1和1×n两个卷积，例如一个3×3的卷积等价于首先执行一个1×3的卷积再执行3×1的卷积，将卷积层逐步分解开，最后通过池化层。使用该模型可提升计算速度，减少计算成本。

3.3  玉米病害识别模型训练

3.3.1  试验环境

试验软件环境为Windows 32位系统，采用Tensorflow框架进行训练，选用Python作为编程语言。计算机内存为16GB，搭载Intel  CoreTM

i7-6700KCPU @4.00 GHz x8处理器。

3.3.2  试验参数设置

将采集的玉米病害植株图像划分为三个部分，其中训练数据占80%，验证数据占10%，测试数据占10%。本研究采用AlexNet结构，设置初始学习率为 0.01，将7×7的卷积分解成为两个一维的卷积（1×7，7×1），这样既可以加速模型计算，又可以将1个卷积拆成2个卷积，增加了网络的深度和非线性能力。使用RelU作为激励层以达到减少运算量和数据维度的目的。

4  结果与分析

4.1  玉米植株病变图像处理结果

本试验数据采集了玉米常见的大斑病、小斑病、玉米灰斑病、黑穗病和瘤黑粉病等五种病害植株图像。在深度学习中，为避免由于数据量小出现过度拟合（Overfitting），通常需要输入充足的数据量。若数据量比较小，可以对原有的图像数据进行几何变换，改变图像像素的位置并保证特征不变。基于这一原理，我们使用Python中语义分割任务对图片进行增强变换，通过随机剪裁、随机旋转、随机颜色和明暗四种方法对采集的玉米植株病害图片进行数据增强，处理后的图片如图11所示。

通過图11可看出，通过随机剪裁、随机旋转、随机颜色和明暗四种方式，将玉米植株大斑病图像进行了扩充，可提高模型的鲁棒性。

4.2  数据增强对识别准确率的影响结果

数据增强处理过程如下。

1）导入数据;

2）通过Inception V3模型进行训练，得到各个图片的特征向量;

3）建立全连接神经网络，把各个图片的特征向量作为输入，使用交叉熵作为优化的目标函数;

4）观察目标函数及验证集准确率，测试模型稳定的迭代周期;

5）根据稳定的模型，获得测试训练集的准确率。

本次试验对比数据增强前后的准确率，分两次进行模型训练，表1给出了原始的玉米植株病变图像数据集和增强后的玉米植株病变图像数据集并对它们进行性能比较。

由表1可看出，玉米植株病变图像数据集数据量从93张增加到4604张，数据增强后精度由71%上升到96.6%，试验结果表明数据增强对玉米植株图像识别的效果有很重要的影响，这与孙俊等人的研究结果趋势一致[2]。

为了达到比较准确的效果，本研究分别将两个模型进行4000次迭代，将改进后的最优模型原始的模型进行准确率的比较，迭代次数与测试准确率关系如图12所示。

从图12中可以清楚地看到，2个模型训练迭代4000次后，传统CNN准确率在迭代3500次后较为稳定，在71%左右，而改进后的CNN模型准确率在迭代200次后趋于稳定，能达到96%左右，证明了改进后模型在稳定性与准确率上较传统CNN都有明显提升。

4.3  迁移学习训练对速度的影响结果

通过迁移学习的方法，首先利用互联网上的大型公共图像数据集对深度网络进行预训练，将其在ImageNet上进行预训练的权重，迁移至新网络对应部分使用CNN提取出的特征，在新设计的网络层上进行训练，训练性能达到最佳时，停止训练。文中将ImageNet上训练好的Inception V3模型转移到玉米植株病害识别的数据集上。保留训练好的Inception V3模型中所有卷积层的参数，并利用此训练好的神经网络提取玉米植株图像特征，再将提取得到的特征向量作为输入来训练一个新的全连接神经网络。试验结果如表1所示。看出对比传统深度学习，通过迁移学习使用预先训练好的参数权重，减少了训练时间，提高了玉米植株病害的识别效率，改进模型的处理速率比传统模型快2.46s/张，速率是之前的将近10倍。

5  结论

本研究使用一种改进的卷积神经网络算法，将数据增强与迁移学习相结合，通过随机剪裁、随机旋转、随机颜色和明暗4种数据增强方法增加训练数据集，采用Inception V3模型进行训练图片的特征向量，建立以特征向量为输入，交叉熵为优化目标函数的全连接神经网络，提高了模型训练速度，取得了理想的效果。

构建了基于数据增强与迁移学习相结合的卷积神经网络识别模型，该模型避免了传统卷积神经网络分类易陷入局部最优解和由于数据量小而出现过度拟合的问题，无需人工特征预选取操作即可让网络自动对玉米植株病变图像目标进行类别特征学习并识别。改进的模型在玉米植株病变图像识别上，准确率高达96.6%，且模型识别时间比传统的卷积神经网络模型缩短将近10倍，满足了玉米植株病害识别的实际应用，提高了实验的鲁棒性。

改进的卷积神经网络不仅可应用在玉米等植株病害数码图片的识别上，还可应用于遥感影像，尤其是高光谱图像植株病害的识别中，在农业领域具有广阔的应用前景。

参考文献

[1]   王晓鸣. 六种重要玉米病害病原名称的厘定[J].中国农业科学， 2018， 51（18）： 3497-3507.

Wang X. Collation of scientific names of six maize disease pathogens. [J]. Scientia Agricultura Sinica， 2018， 51（18）： 3497-3507.

[2]   付立思， 何荣卜， 刘朋维. 一种新的不变矩与神经网络玉米病害识别系统[J]. 计算机工程与应用， 2012， 48（04）： 219-221.

Fu L， He R， Liu P. New system about moment invariant and neural network used in maize disease recognition[J]. Computer Engineering and Applications， 2012， 48（04）： 219-221.

[3]   谭峰， 马晓丹. 基于叶片的植物病虫害识别方法[J].农机化研究， 2009， 31（06）： 41-43.

Tan F， Ma X. The method of recognition of damage by disease and insect based on laminae [J]. Journal of Agricultural Mechanization Research， 2009， 31（06）： 41-43.

[4]   田有文. 基于纹理特征和支持向量机的葡萄病害的识别[J]. 仪器仪表学报， 2005（S1）： 606-608.

Tian Y. A method of recognizing grape disease based on texture feature and support vector machine[J]. Chinese Journal of Scientific Instrument， 2005（S1）： 606-608.

[5]   王献锋， 张善文， 孔韦韦. 基于自适应中心对称局部二值模式的作物病害识别方法[J]. 广东农业科学， 2016， 43（09）： 140-145.

Wang X， Zhang S， Kong W. Adaptive center-symmetric local binary patterns for crop disease recognition[J]. Guangdong Agricultural Sciences， 2016， 43（09）： 140-145.

[6]   Zhang S， Shang Y， Wang L. Plant disease recognition based on plant leaf image[J]. Journal of Animal and Plant Sciences， 2015， 25（3）： 42-45.

[7]   付立思， 何荣卜， 刘朋维. 一种新的不变矩与神经网络玉米病害识别系统[J]. 计算机工程与应用， 2012， 48（04）： 219-221.

Fu L， He R， Liu P. New system about moment invariant and neural network used in maize disease recognition[J]. Computer Engineering and Applications， 2012， 48（04）： 219-221.

[8]   马宗帅. 基于深度学习的心脑血管疾病预测方法研究[D]. 西安： 西安建筑科技大学， 2015.

Ma Z. Research on cardiovascular disease prediction based on Deep Learning technical[D]. Xi’an： Xi’an University of Architecture and Technology， 2015.

[9]   孙俊， 谭文军， 毛罕平. 基于改进卷积神经网络的多种植物叶片病害识别[J]. 农业工程学报， 2017， 33（19）： 209-215.

Sun J， Tan W， Mao H. Recognition of multiple plant leaf diseases based on  improved convolutional neural network [J]. Transactions of the CSAE， 2017， 33（19）： 209-

215.

[10]  李敬. 基于卷積神经网络的烟草病害自动识别研究[D]. 泰安： 山东农业大学， 2016.

Li J. Automatci identification research of tobacco disease based on convolutional neural network[D]. Tai'an： Shandong Agricultural University， 2016.

[11]  邓立苗， 唐俊， 马文杰. 基于图像处理的玉米叶片特征提取与识别系统[J]. 中国农机化学报， 2014， 35（06）： 72-75， 79.

Deng L， Tang J， Ma W. Feature extraction and recognition system of maize leaf based on image processing[J]. Journal of Chinese Agricultural Mechanization， 2014， 35（06）： 72-75， 79.

[12]  王振， 高茂庭. 基于卷积神经网络的图像识别算法设计与实现[J]. 现代计算机（专业版）， 2015（20）： 61-66.

Wang Z， Gao M. Design and implementation of image recognition algorithm based on convolutional neural networks [J]. Modern Computer， 2015（20）： 61-66.

[13]  曹丽英， 张晓贤， 伞晓辉， 等. 基于图像处理技术和BP神经网络算法的玉米病害诊断方法的研究[J]. 计算机科学， 2012， 39（10）： 300-302.

Cao L， Zhang X， San X， et al. Research on maize disease diagnosis method based on image processing technique and BP neural network algorithm[J]. Computer Science， 2012， 39（10）： 300-302.

[14]  罗建华， 李明奇， 郑泽忠， 等. 基于深度卷积神经网络的高光谱遥感图像分类[J]. 西华大学学报（自然科学版）， 2017， 36（04）： 13-20.

Luo J， Li M， Zheng Z， et al. Hyperspectral remote sensing images classification using a deep convolutional neural network model [J]. Journal of Xihua University（Natural Science Edition）， 2017， 36（04）： 13-20.

[15]  石祥滨， 房雪键， 张德园， 等. 基于深度学习混合模型迁移学习的图像分类[J]. 系统仿真学报， 2016， 28（01）： 167-173， 182.

Shi X， Fang X， Zhang D， et al. Image classification based on mixed deep learning model transfer learning [J]. Journal of System Simulation， 2016， 28（01）： 167-173， 182.

[16]  李彦冬， 郝宗波， 雷航. 卷积神经网络研究综述[J]. 计算机应用， 2016， 36（09）： 2508-2515， 2565.

Li Y， Hao， Lei H. Survey of convolutional neural network [J]. Journal of Computer Applications， 2016， 36（09）： 2508-2515， 2565.

[17]  石祥滨， 房雪键， 张德园， 等. 基于深度学习混合模型迁移学习的图像分类[J]. 系统仿真学报， 2016， 28（01）： 167-173， 182.

Shi X， Fang X， Zhang D， et al. Image classification based on mixed deep learning model transfer learning [J]. Journal of System Simulation， 2016， 28（01）： 167-173， 182.

[18]  周飞燕， 金林鹏， 董军.卷积神经网络研究综述[J]. 计算机学报， 2017， 40（06）： 1229-1251.

Zhou F， Jin L， Dong J. Review of convolutional neural network [J]. Chinese Journal of Computers， 2017， 40（06）： 1229-1251.

[19]  王振， 高茂庭. 基于卷积神经网络的图像识别算法设计与实现[J]. 现代计算机（专业版）， 2015（20）： 61-66.

Wang Z， Gao M. Design and implementation of image recognition algorithm based on convolutional neural networks [J]. Modern Computer， 2015（20）： 61-66.

[20]  蔣帅. 基于卷积神经网络的图像识别[D]. 长春： 吉林大学， 2017.

Jiang S. Image recongnition based on convolution neural networks[D]. Changchun： Jilin University， 2017.

[21]  张帅， 淮永建. 基于分层卷积深度学习系统的植物叶片识别研究[J]. 北京林业大学报， 2016， 38（09）： 108-115.

Zhang S， Huai Y. Leaf image recognition based on layered convolutions neural network deep learning[J]. Journal of Beijing Forestry University， 2016， 38（09）： 108-115.

[22]  王献锋， 张善文， 王震， 等. 基于叶片图像和环境信息的黄瓜病害识别方法[J]. 农业工程学报， 2014， 30（14）： 148-153.

Wang X， Zhang S， Wang Z， et al. Recognition of cucumber diseases based on leaf image and environmental information [J]. Transactions of the CSAE 2014， 30（14）：

148-153.

[23]  高友文， 周本君， 胡晓飞. 基于数据增强的卷积神经网络图像识别研究[J]. 计算机技术与发展， 2018（08）： 1-6.

Gao Y， Zhou B， Hu X. Research on image recognition of convolution neural network based on data enhancement[J]. Computer Technology and Development， 2018（08）： 1-6.

[24]  褚晶辉， 吴泽蕤， 吕卫， 等. 基于迁移学习和深度卷積神经网络的乳腺肿瘤诊断系统[J]. 激光与光电子学进展， 2018， 55（8）： 081001， 1-12.

Chu J， Wu Z， Lv W， et al. Breast cancer diagnosis system based on transfer learning and deep convolutional neural networks[J]. Laser & Optoelectronics Progress， 2018， 55（8）： 081001， 1-12.

[25]  米硕， 孙瑞彬， 李欣， 等. 迁移学习在卷积神经网络中的应用[J]. 中国新通信， 2018， 20（07）： 121.

Mi S， Sun R， Li X， et al. The application of transfer learning in convolution neural network [J]. China New Telecommunications， 2018， 20（07）： 121.

[26]  鲁恒， 付萧， 贺一楠， 等. 基于迁移学习的无人机影像耕地信息提取方法[J]. 农业机械学报， 2015， 46（12）： 274-279， 284.

Lu H， Fu X， He Y， et al. Cultivated land information extraction from high resolution UAV images based on transfer learning [J]. Transactions of the CSAM， 2015，

46（12）： 274-279， 284.

[27]  Oquab M， Bottou L， Laptev I. Learning and transferring mid-level image representation using convolutional neural network[C]. The 27th IEEE conference on Computer Vision and Pattern Recognition， Columbus， USA， 2014.

[28]  林宇， 陈晓勇.基于inception v3模型的道路交通标志识别研究[J]. 江西科学， 2018， 36（05）： 849-852.

Lin Y， Chen X. Inception-v3 for road traffic signs recognition [J]. Jiangxi Science， 2018， 36（05）： 849-852.

[29]  宋光慧. 基于迁移学习与深度卷积特征的图像标注方法研究[D]. 杭州： 浙江大学， 2017.

Song G. Image annotation method based on transfer learning and deep convolutional feature[D]. Hangzhou： Zhejiang University， 2017.

Corn plant disease recognition based on migration learning

and convolutional neural network

Guifen Chen*， Shan Zhao， Liying Cao， Siwei Fu， Jiaxin Zhou

（School of Information Technology， Jilin Agricultural University， Changchun， 130118， China）

Abstract： Corn is one of the most important food crops in China， and the occurrence of disease will result in serious yield reduction. Therefore， the diagnosis and treatment of corn disease is an important link in corn production. Under the background of big data， massive image data are generated. The traditional image recognition method has a low accuracy in identifying corn plant diseases， which is far from meeting the needs. With the development of artificial intelligence and deep learning， convolutional neural network， as a common algorithm in deep learning， is widely used to deal with machine vision problems. It can automatically identify and extract image features. However， in image classification， CNN still has problems such as small sample size， high sample similarity and long training convergence time. CNN has the limitations of expression ability and lack of feedback mechanism， and data enhancement and transfer learning can solve the corresponding problems. Therefore， this research proposed an optimization algorithm for corn plant disease recognition based on the convolution neural network recognition model combining data enhancement and transfer learning. Firstly， the algorithm preprocessed the data through the data enhancement method to expand the data set， so as to improve the generalization and accuracy of the model. Then， the CNN model based on transfer learning was constructed. The Inception V3 model was adopted through transfer learning to extract the image characteristics of the disease while keeping the parameters unchanged. In this way， the training process of the convolutional neural network was accelerated and the over-fitting degree of the network was reduced. The extracted image features were used as input of the CNN to train the network， and finally the recognition results were obtained. Finally， the model was applied to the pictures of corn diseases collected from the farmland to accurately identify five kinds of corn diseases. Identification test results showed that using data to enhance the CNN optimization algorithm and the migration study on the average recognition accuracy main diseases of com （spot， southern leaf blight， gray leaf spot， smut， gall smut） reached 96.6%， which compared with single CNN， has greatly improved the precision and identification precision by 25.6% on average. The average processing time of each image was 0.28 s，  shortens nearly 10 times than a single convolution neural network. The experimental results show that the algorithm is more accurate and faster than the traditional CNN， which provides a new method for identification of corn plant diseases.

Key words： deep learning; convolutional neural network; transfer learning; data enhancement; identification of corn disease