基于卷积神经网络的油菜病害识别模型

李波 彭文学 周蕊 王克晓 虞豹 黄祥

摘 要 油菜菌核病的发现和防治可增加油菜籽產量，提升油菜品质。利用深度学习技术，提出一种卷积神经网络模型以提高识别准确率。以油菜菌核病病害叶片图像为研究对象，通过深度学习框架Keras对病害叶片进行训练，准确率达到97%。该模型具有泛化能力较强、准确率较高、鲁棒性较好及损失率较小等特点，为油菜病害智能识别诊断应用提供了参考。

关键词 油菜叶片;深度学习;卷积神经网络;病害识别

中图分类号：S435.654 文献标志码：A DOI：10.19415/j.cnki.1673-890x.2021.31.030

油菜是我国主要的油料作物之一，特别是在西南地区油菜种植面积较大。油菜菌核病是油菜生长中的主要病害之一，常年株发病率可达10%～30%，严重的达70%以上，病株一般减产50%以上。油菜菌核病常会使病株含油量减少，极大地影响油菜的产量和品质[1]。田间病害的识别对于种植者来说难度较大，因此，开展利用机器视觉和深度学习技术对油菜菌核病病害识别的研究，对实现油菜病害自动识别和精准施药有着极其重要的意义。

近年来，随着深度学习技术的发展，基于深度学习的图像识别方法开始应用于农业领域，国内外研究人员利用深度学习的技术优势，对多种农作物的病害开展了深入研究。柴阿丽等提取番茄叶片颜色、纹理及形状参数构建特征提取与判别模型，对其早疫病、晚疫病、叶霜病和棒孢叶斑病进行自动识别[2];刘曜端利用设置容差取极大值区域的方法对苎麻病叶图像进行特征区域提取，通过卷积神经网络学习病斑的灰度图像特征，并结合支持向量机实现分类识别[3] ;孙俊等针对AlexNet模型训练收敛时间长、参数量巨大的问题，采用批归一化和全局均值池化对其进行改进，并在Plantvillage数据集上训练，改进后模型的准确率得到提升并有效减少了模型参数[4];P. Revathi等利用机器视觉技术对棉花病害图像进行了识别，利用数字图像技术进行棉花病害图像分割处理，并提出采用粒子群算法进行特征波长的选择，建立四种模型分类方法，从而对比得出对棉花病害图像最佳的分类模型[5];苏婷婷等采用茶叶叶部病害图像作为数据集，采用卷积运算完成图像特征提取，迁移Inception-3模型进行微调，其识别准确率达到了95.3%[6];LIANG W-J等设计了基于卷积神经网络的水稻稻瘟病识别模型，评价结果表明，与传统手工提取的局部二值模式直方图和小波变换等特征相比，CNN提取的高阶特征对水稻稻瘟病更具有识别性和有效性[7]。本研究采用基于卷积神经网络对油菜菌核病病害叶片进行识别，旨在降低模型复杂度，提高图像识别率。

1  材料与方法

1.1  数据集准备

自然光照条件下，在油菜种植基地使用手机分别拍摄健康和受菌核病感染的油菜叶片图像（见图1）。拍摄时，光路尽量与叶片平面垂直，光照保持均匀，病害症状尽可能在整个画面中占较大比例。油菜叶片图像的采集主要在苗期进行，共采集2 000余幅图像，其中包含30%的油菜菌核病病害叶片图像和70%的油菜健康叶片图像。选择油菜菌核病叶片图像627张作为数据集。将图片存储到电脑中，标注采集的病害图片，做好标签数据记录，构建通用的带标签的油菜菌核病病害数据库。

1.2  卷积神经网络特点

卷积神经网络以其局部权值共享的特殊结构在图像处理方面有着独特的优势，其布局更符合真实的生物神经网络结构，权值共享降低了网络的复杂度，特别是可以将多维输入向量图像直接输入的特点，可有效降低特征提取及分类过程中数据处理的冗余过程。

1）局域感受野。局部感受野是指卷积层中的每一层输出特征图上的像素点在原始图像或者上层特征图中映射区域的大小。通过局域感受野，不同滤波器可以提取图像的初始特征。

2）权值共享。每个卷积核检测输入特征图中所有位置上的特定特征，且同一个输入特征图中的权重参数都是共享的，权值共享在很大程度上减少了网络的参数总量，降低了计算量，这种方式不仅增强了网络表达能力，而且提高了参数的训练速度。即用一个卷积核和输入图像的不同区域进行卷积，检测到的是相同的图像特征，而只有通过不同的卷积核才能获取不同的图像特征。

1.3  卷积神经网络基本结构

卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成，其基本结构如图2所示[8]。卷积层的本质是图像特征提取，由于一层卷积可提取到的特征是局部特征，因而如果要提取更加全面的图像特征，则需要采用多层卷积方式。池化层是将卷积层的图像特征进行降维处理，从而降低网络复杂度和提取图像特征信息，减少参数和计算量，防止过拟合，提高模型泛化能力。池化操作一般采用最大池化、平均池化和重叠池化等方法。全连接层的作用主要是对特征图像计算每种类别的概率，从而实现图像分类识别，线性排列结构使得卷积神经网络能够直接从输入的图像中提取隐藏在深层的抽象特征，有利于分类器对图像进行更加精准的分类。

1.4  特征提取可视化

本文的油菜病害识别方法充分利用了深度学习的特征表示能力，使用深度学习网络中油菜病害叶片图像在不同场景下的特征表示，然后通过应用迁移学习方法，再次学习油菜病害图像的特征，最后对特征进行分类识别。卷积神经网络模型的可视化可以更直观地理解分类模型，通过模型卷积层输出特征的可视化，有效了解模型的每一层都学习到了图像的哪些特征。根据可视化特征图（见图3），进一步调整模型参数，以便更好地提升模型准确率。

2  结果与分析

2.1  网络模型参数设置

本文设计的卷积神经网络结构对输入卷积层的图像数据进行归一化处理，主要包括4个卷积层、3个池化层和1个全连接层，输出层的激活函数使用softmax，卷积层的激活函数使用非线性激活函数Relu。输入油菜病害叶片图像，输出属于识别病害的概率值，选择网络结构中的全连接层作为要提取的病斑特征层。池化层主要是降维，减少参数加速运算，防止过拟合，加入Dropout层可有效防止过拟合情况发生。

在训练过程中，为了获取更高的准确率，采取fine-tune方法微调和优化网络模型参数，使用随机梯度下降的方式更新网络参数，Batch Size设置为50，优化器lr设置为0.000 3。为了降低过拟合，在全连接层dropout设置为0.5。

2.2  识别结果

选择田间获取的油菜病害叶片样本数627张，其中训练样本数501张，测试样本数126张。本文选取Keras作为深度学习框架，采用Python语言进行编程。模型训练采用批量训练的方法，每个批次训练的样本数为30个，测试集样本数为20个，共迭代100次，卷积核步长为2。从图4中可以看出，在训练到80次左右的时候达到准确率的最高点，准确率约在97%。

3  小结

本文针对油菜病害叶片图像识别率较低的问题进行研究，提出将卷积神经网络应用到油菜菌核病病害识别中，建立了基于卷积神经网络的油菜病害识别模型。采用Keras对数据集进行训练，通过设置不同的网络模型参数对油菜菌核病叶片图像进行识别研究。

通过对模型的预测性能进行实验测试，发现当迭代次数到80次后，其函数图像变化曲线趋于稳定，未出现较大波动，且未发生过拟合现象，说明该模型具有较好的鲁棒性和泛化能力。实验结果表明，该模型识别性能较强，实用性较好，能够识别油菜菌核病病害叶片，也为后续的植物病害研究提供理论依据和参考价值。

参考文献：

[1]   张志梅.油菜菌核病的發病规律及防治措施[J].河南农业，2021（13）：35.

[2]   柴阿丽，李宝聚，石延霞，等.基于计算机视觉技术的番茄叶部病害识别[J].园艺学报，2010，37（9）：1423-1430.

[3]   刘曜端.基于神经网络和支持向量机的苎麻病害识别系统的研究[D].长沙：湖南农业大学，2017.

[4]   孙俊，谭文军，毛罕平，等.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.

[5]   P. Revath. Cotton Leaf Spot Diseases Detection Utilizing Feature Selection with Skew，Divergence Method[J]. International Journal of Scientific Engineering & Technology，2014，3（1）：22-30.

[6]   苏婷婷，牟少敏，董萌萍，时爱菊.深度迁移学习在花生叶部病害图像识别中的应用[J].山东农业大学学报（自然科学版），2019，50（5）：865-869.

[7]   LIANG W-J，ZHANG H，ZHANG G-F，et al. Rice blast disease recognition using a deep convolutional neural network [J]. Scientific reports，2019，9（1）：1-10.

[8]   贾世杰，杨东坡，刘金环.基于卷积神经网络的商品图像精细分类[J].山东科技大学学报（自然科学版），2014，33（6）：91-96.

（责任编辑：丁志祥）

收稿日期：2021-09-22

基金项目：重庆市农业发展资金项目“融合注意力机制的油菜叶片病害识别”（NKY-2021AC012）;“旱地氮磷流失生态原位阻控技术研究与示范”（NKY-2019AB008）;“手机+图像识别构建水稻氮素营养诊断系统研究”（NKY-2021AB009）。

作者简介：李波（1984—），男，河南焦作人，硕士，工程师，主要从事农业信息化技术研究。E-mail：hnjzbobo@163.com。

为通信作者，E-mail：917716584@qq.com。