一种基于改进ResNet18 神经网络的玉米叶片病害识别方法

摘 要： 为了研究出一种快速、高效的玉米病害识别方法，针对玉米叶片病害识别问题，本文以灰斑病、南方锈病、小斑病、锈病、叶斑等5 种常见的玉米叶片病害为研究对象，提出一种基于改进ResNet18 神经网络的玉米病害识别方法。通过在ResNet18 网络的基础上引入金字塔卷积（Pyramidal Convolution）可以在玉米复杂的生长环境中利用多尺度的特征信息来提高模型对单叶片的识别和定位能力，以有效加快模型的收敛速度并显著提高模型的病害识别准确率；将残差结构的激活函数替换为PReLU（Parametric Rectified Linear Unit）激活函数避免模型训练过程中的神经元死亡。在收集的真实玉米叶片病害数据集上进行的实验表明，与原始ResNet18 残差网络相比，本文提出的模型在玉米叶片病害识别的准确率、精确度、召回率、F1 分数分别提升了1.86%、1.78%、1.78%、1.87%；模型的参数尺寸减小了1.85%。该模型可作为一种检测复杂生长环境下玉米叶片病害的有效方法。

关键词： 玉米叶片；病害识别；ResNet18；金字塔卷积；PReLU

中图法分类号： TP391.4；S435.131 文献标识码： A 文章编号： 1000-2324（2024）03-0356-11

引言

我国是世界最大的鲜食玉米生产国和消费国，近20 年来，由于玉米生产具有相对较高的经济收益，我国玉米种植已由传统的优势产区发展到全国各省区都有种植。然而，玉米生长过程中经常会出现各种病害，大大降低玉米产量与质量。因此进行病害的早期检测和鉴定，找到合适的治疗方法，切断病害的传播途径才是玉米生产过程的关键所在。

目前，深度学习在农业领域已经取得了较大突破和进展。相对于传统病害识别，其在农作物病害的效率和精度上得到了极大的提升。传统的病害识别主要依赖于种植者的观察和相关专家的指导，其过程复杂冗余、主观性较强、准确率较低、时效性差［1-3］。近年来，人工智能技术特别是深度学习算法在理论和应用上均得到迅速发展，在各领域的目标属性预测与图像识别等任务中取得了优异性能，从而极大提升了各项预测和识别任务的准确性和鲁棒性。其中，在农业病害识别领域，深度学习亦得到了广泛应用，在玉米叶片病害识别方面，曾鹏滔［4］等通过在ResNet18网络的基础上添加通道注意力和空间注意力机制，将残差块中的激活函数替换为SeLU 激活函数搭配Alpha Dropout 并融入网络中引入随机裁剪分支，使模型的识别平均准确率达到94.42%，相比原模型高出了3.71%。在番茄叶片病害识别方面，王圆等［5］在原始模型ResNet50 的基础上，通过在网络模型结构中添加SE 注意力机制模块让模型能够更准确的识别待检测目标。利用深度可分离卷积替换传统卷积，使模型的平均识别准确率提升至97.4%。陈伟文等［6］采用数据增强和随机失活部分神经元等方法对AlexNet卷积神经网络模型进行改进，改进后的AlexNet模型在性能指标F1 值方面比原模型提升了3%。水稻病害识别方面，刘拥民［7］等通过引入ConvNeXt残差模块，构建双分支结构等方法，提出一种基于改进ResNet 的多尺度双分支结构的水稻病虫害识别模型MSDB-ResNet，与原模型相比，所提模型MSDB-ResNet 的识别准确率提高了2.42%。杨非凡等［8］通过将Focal Loss 损失函数与多种卷积神经网络进行融合，选择在水稻数据集上识别性能最佳的MobileNetV2 模型对7种水稻病害进行识别，最高准确率达到98.06%。吴刚正等［9］提出一种残差网络与注意力机制相结合的苹果叶片病害识别模型P-D-ECAResNet101，相较于原始ResNet101 模型，改进后模型在平均识别准确率方面提升了2.20%。苏仕芳等［10］将VGG-16 运用在ImageNet 图像数据集上，在识别准确率上达到96.48%。潘仁勇等［11］将SE 注意力机制与迁移学习相结合，提出一种基于DTS-ResNet 的苹果叶片病害识别方法，其准确率达到98.73%。牟其松［12］通过改进损失函数，并且简化YOLOv3 的主干网络，提高了苹果检测精度；邸洁等［13］采用了一种基于Tiny-YOLO的深度目标检测模型，实现苹果叶部病害的自动检测，并且平均精确度到达99.86%。陆仲达等［14］针对病斑相似度高产生的精度误差问题，提出了一种新型双分支网络的苹果叶部病害识别方法（DBNet）对苹果病害识别的准确率达到97.662%。

上述网络在原模型的基础上的改进都取得了不错效果，但仍然存在网络的泛化能力不足，识别准确率低等问题。针对以上问题，为了平衡模型性能、参数量的同时，提高模型识别精确度，本文选择ResNet18 网络模型，与上述参考文献［4］中所体现的改进不同的是本文通过引入金字塔卷积（Pyramidal Convolution）和激活函数PReLU（Parametric Rectified Linear Unit）对模型进行优化，增强了对叶片玉米病害区域的特征提取能力，使模型平均准确率达到94.53%，相比上述模型高出0.11 个百分点。通过多种试验对比表明，改进后的ResNet18 模型提高了精确率，该模型可作为一种检测复杂生长环境下玉米叶片病害的有效方法。

1 材料与方法

1.1 数据收集与处理

本文所用数据集来源为PlantVillage（www.PlantVillage.org）和其它网络公开数据集。本文收集的玉米叶片病害数据集共3433 张图像，包含5 类病害叶片和1 类健康叶片，5 类病害分别为玉米灰斑病、南方锈病、小斑病、锈病、叶斑病，各类图像样例如图1 所示。本文主要针对的是早中期玉米叶片病害，因为早中期的玉米叶片更容易区分叶片表面的病变特征并且早中期的玉米叶片病害通常对治疗措施更加敏感，在这些阶段可以更有效的控制病害，减少经济损失。本文将数据集按6∶4 比例划分训练集和测试集，具体划分信息如表1所示。

1.2 玉米病害识别模型构建

He［15］等人在2015 年提出了ResNet （ResidualNetwork）神经网络模型，并且在ResNet 模型结构中引入了残差模块的概念，ResNet18 是ResNet 系列模型中的模型体积较小的版本，ResNet18 收敛速度快，使用残差结构，缓解了梯度消失或梯度爆炸问题，因此本文采用ResNet18模型作为基础网络模型。改进后ResNet18 网络结构如图2所示：1.3 改进ResNet残差结构为了能够捕获多尺度的特征信息，从而提高模型对不同大小对象的感知能力，对ResNet18的残差结构进行改进，将残差结构中的第一个3×3 尺度的卷积层替换成金字塔卷积（PyramidalConvolution），改进前后的残差结构如图3、4所示。