基于迁移学习的GoogLeNet果园病虫害识别与分级

　　摘要为提高果树病虫害危害程度分级精度进而更好地指导果园病虫害防治，采用迁移学习技术与GoogLeNet模型相结合的方法，对6种果园作物的25类病虫害样本进行识别与危害程度分级研究;同时，探究不同数据集大小以及不同优化算法对模型性能的影响;基于MATLAB平台设计了一款可视化的病虫害识别与分级系统。结果表明：1)基于迁移学习的GoogLeNet模型，对病虫害识别精度可达99.35%，危害程度分级精度可达92.78%;2)在相同训练参数下，本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38%～11.44%，并且收敛速度最快;3)本研究模型识别精度随着数据集的增大而提高;在3种优化算法中SGDM算法耗时最短且精度最高，更适合本研究模型。通过拍摄果树叶片病害区域图像，本研究设计的系统能够在0.43s左右准确识别出果树种类、病害类型以及危害等级等信息。

　　关键词果树;病虫害;识别系统;迁移学习;GoogLeNet

　　果园病虫害影响水果的品质和产量，自动识别病虫害是一个重要研究方向。随着果园生产种植模式不断复杂化，果园生产中所遇到的病虫害情况也越来越复杂，对果树生长造成了严重影响，快速、准确、有效地识别出病虫害危害程度并采取相关防治措施及时止损[1-2]，对于提高水果品质和产量至关重要。随着计算机技术的不断发展，植物病虫害检测技术也取得了长足的进步。

　　园艺师评职知识：发表农作物病虫害研究论文的SCI期刊

　　植物病虫害识别方法主要分为传统方法和深度学习方法。传统方法需要人工提取病害纹理、颜色等特征，往往识别种类有限且识别精度不高，难以大规模的推广应用。如肖志云等[3]提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。

　　党满意等[4]利用GrapCut算法与直方图分割算法提取马铃薯晚疫病特征用于晚疫病识别，该方法对于中晚期病害识别准确率能达到90%以上。肖志云等[5]提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。张建华等[6-7]利用BP神经网络、支持向量机进行棉花病虫害识别，识别精度基本能达到90%以上。卷积神经网络(Convolutionalneuralnetwork，CNN)能够不依赖特定特征，在图像识别领域已经得到了广泛应用[8-11]。如孙俊等[12]提出了一种批归一化与全局池化相结合的卷积神经网络识别模型，对于多种植物叶片病害的识别准确率达到了99.56%。

　　房若民等[13]设计了一种嵌入式农业病虫害识别防治系统，可以识别多种病虫害且识别准确率达92.6%。于小东等[14]设计了一款实时在线农作物病虫害等级识别手机APP，能够在0.1～0.5s获取识别结果。任守纲等[15]构建了一种基于反卷积引导的VGG网络模型，能同时实现植物叶部病害种类识别与病斑分割。Gonzalez-Huitron等[16]构建了一种轻量级卷积神经网络，并将其成功应用在RaspberryPi4上进行番茄病虫害的识别。李就好等[17]提出了一种改进FasterR-CNN模型来识别田间苦瓜叶片病虫害，改进后平均准确率为86.39%。

　　王春山等[18]利用改进Multi-scaleResNet模型进行蔬菜叶部病害识别，在真实环境下识别准确率达到了93.05%。上述研究大多以常见病虫害识别为主，少有对病虫害危害程度进行分级识别研究。目前在果园精细化管理中，仅仅识别果树病虫害种类，难以满足果园精准变量施药的要求。基于此，本研究拟采用迁移学习技术与卷积神经网络相结合的方法研究果园病虫害识别与危害程度分级问题，以期为现代果园智能化、精细化管理提供一定的技术支持。

　　1材料与方法

　　1.1试验数据

　　1.1.1数据来源

　　试验数据主要来源于PlantVillage官网(https：∥plantvillage.psu.edu)。从PlantVillage官网收集了11653张病虫害样本图像。另外，从北京市通州区(116.65°E，39.92°N)中农富通现代果园中，利用飞萤8SE相机(分辨率1280像素×720像素)人工拍摄了1500张果树健康与患病叶片图像，总计13153张样本图像。在全部样本图像中，含有桃、苹果、樱桃、葡萄、柑橘、草莓等6种果园作物，共计25种病虫害类型样本(10种病害，9种虫害，6种健康)。

　　1.1.2数据预处理由统计样本分布情况可知，各类病虫害样本数量在232～1899张不等(表1)。为了防止因训练样本数量过少而导致模型发生过拟合现象，本研究对已有图像进行随机翻转、平移、缩放以及对比度增减等操作将图像扩充至105224张。同时，考虑到样本来源不同，导致所收集的图像格式、大小等存在差异，使用MATLAB自编函数将所有图像调整为统一大小(224像素×224像素)。

　　1.1.3病害危害程度分级通过观察不同患病叶片颜色以及病斑大小划分病害级别。本研究具体分级标准参考GB/T17980.24—2000《农药田间药效试验准则(一)杀菌剂防治梨黑星病》[19]中叶片病情分级标准，按照病斑占整个叶片面积比例划分6个等级：0级，无病斑;1级，0<病斑≤10%;3级，10%<病斑≤25%;5级，25%<病斑≤40%;7级，40%<病斑≤65%;9级，病斑>65%。本研究采用人工分级方式将果树病害危害程度分为3级：0级为健康，无病斑;Ⅰ级为一般，0<病斑≤30%;Ⅱ级为严重，病斑>30%。

　　在总体样本集中，随机选出60%和20%的图像样本分别作为训练集(Trainset)与验证集(Validationset)，剩余20%的图像样本作为测试集(Testset)。其中，验证集用来对模型进行修正，测试集用于评估最终模型的泛化能力[17]。

　　1.2模型搭建

　　1.2.1模型简介

　　GoogLeNet网络模型主要由9个模块化结构(Inceptionv1)串联而成。在第一个Inception模块之前，模型含有3个卷积层(Convolutionlayer)，3个激活层(Relulayer)，2个最大池化层(Maxpoolinglayer)，2个归一化层(Normalizationlayer)。在第2、3个Inception模块 以及第7、8个Inception模块之间都含有一个最大池化层(Maxpoolinglayer)。

　　在Inception模块之后，依次是全局平均池化层(Globalaveragepoolinglayer)、Dropout层(Dropoutlayer)、全连接层(Fullyconnectedlayer)、Softmax层(Softmaxlayer)、分类层(Classificationlayer)。本研究主要将模型最后3个网络层进行替换，并将全连接层的输出大小修改为35，其他参数保持不变。

　　2结果与讨论

　　本研究采用中国农业大学植保机械实验室计算机，其硬件配置为：Windows10专业版64位操作系统，CPU为英特尔i7-10700，GPU为英伟达GTX1660Super6GB，主板为微星MAGB460M，内存为32G。摄像头为免驱USB摄像头，焦距F6.0mm，视像解析度640像素×480像素。软件开发环境为MATLAB2020a版本。

　　2.1训练结果

　　为验证本研究方法的有效性与优越性，随机选取AlexNet、VGG-16、ResNet-18、GoogLeNet、SqueezeNet和MobileNet-v2这6种模型。在相同训练参数设置条件下，进行6种模型训练与验证，训练曲线见图3。本研究将经过迁移学习的GoogLeNet网络模型记为GoogLeNet*，与原模型以示区别。

　　训练精度曲线可以描述随着迭代次数的增加，模型预测精度的波动情况。除SqueezeNet模型，其余6种模型在收敛时训练精度均达到了90%以上。其中，收敛速度最快的模型是GoogLeNet*，最慢的是SqueezeNet。当迭代次数为400次时，GoogLeNet*模型训练精度率先达到80%，迭代5000次后趋于收敛，此时模型训练精度为95%，最终模型训练精度为99%。然而，SqueezeNet模型在迭代次数为12000次时，其训练精度才达到80%，并且在训练过程中训练精度曲线波动幅度较大，最终模型训练精度为88%。

　　其余5种模型训练精度曲线大致相同，最终模型训练精度为90%～95%。训练结果表明，本研究模型无论在收敛速度方面，还是模型精度方面都表现出色。损失曲线则表示随着迭代次数的增加，模型预测值与真实值之间偏差波动情况。损失值越小，表明模型精度越高，预测出错概率越小[8]。由此可知，GoogLeNet*模型率先达到收敛，最终损失值为0.0078，均低于其他6种模型。SqueezeNet模型损失值最大为0.3537，其余模型损失值介于二者之间。在模型平均训练时长方面，7种模型平均训练时长分布在2.15～24.17h。

　　其中，AlexNet与SqueezeNet模型训练时间最短约2h，VGG-16模型最长约24h，其余模型训练时长均在10h以内。然而，本研究模型训练时长为4.13h，比原GoogLeNet模型缩短0.25h。对于病虫害识别最重要的是识别精度与识别时间，其次是模型大小。因此，本研究按照优先级：识别精度>识别时间>模型大小进行模型评价。7种模型验证精度分布在85.49%～96.93%。

　　其中，GoogLeNet*模型验证精度最高为96.93%，SqueezeNet模型验证精度最低为85.49%，其他模型验证精度均在90%以上。在识别时间方面，SqueezeNet模型识别时间最短约1.4ms，最长为VGG-16模型约5.9ms。其中，AlexNet、SqueezNet、GoogLeNet、GoogLeNet*、MobileNet-v2模型平均识别时间均在5ms以内，而VGG-16与ResNet-18模型平均识别时间则超过5ms。这主要是模型结构、层数、参数量不同所致。

　　在模型大小方面，由于ResNet-18、SqueezeNet、GoogLeNet、MoblieNet-v2模型为轻量级神经网络，所以训练完成后模型大小都在10MB以下。其中，SqueezeNet模型最小仅为2.47MB，最大为MobileNet-v2模型的8.24MB。另外，3种模型(VGG-16、AlexNet、GoogLeNet*)稍微大一些，分别为474、199和21.3MB。

　　2.3模型验证

　　为验证本研究模型的实用性，开发了一款果园病虫害分级识别系统进行试验验证，开发环境为MATLAB2020a。软件包含前端用户操作界面和后台识别模块这2部分。其中，前端设计采用APP Designer设计器进行可视化界面布局，采用了Button组件、Label组件、图像窗口组件、坐标区域组件、文本区域组件。其软件工作流程和前端界面见图5。后台处理通过使用MATLAB语言编写程序打开或关闭相机，并调用训练好的GoogLeNet*模型进行果树病虫害识别与危害程度分级。同时，该软件还能根据识别结果调用本地浏览器自动检索病虫害防治建议和防治药品展示给用户。

　　2.3.1病虫害识别

　　本研究从测试集随机选取20种病虫害类型(10种病害、8种虫害、2种健康)，每类选取20张图像进行模型识别效果分析，测试结果见表5。可知，本研究模型对虫害识别精度要高于病害识别精度。其中，病害的平均识别精度达到了98.70%，健康叶片以及虫害平均识别精度都达到了100%，病虫害总体平均识别精度为99.35%。同时，该系统识别单张图像的平均用时约为0.43s。测试结果表明本研究模型识别病虫害效果较好，能够满足果园病虫害实时监控系统识别要求。

　　3结论

　　1)针对现有果树病虫害危害程度分级模型存在精度不高，难以满足精准施药要求的问题，本研究采用迁移学习技术与GoogLeNet模型相结合的方法，对果园病虫害样本进行了识别和危害程度分级研究。所设计模型大小为21.3MB，平均识别精度达到了99.35%。其中，病害识别精度为98.70%，虫害识别精度为100%。对病害样本进行危害程度分级，平均分级精度为92.78%。

　　2)在相同训练参数下，本研究模型较AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38%～11.44%，并且损失值最低。同时，探究了不同数据集大小与不同优化算法对模型性能的影响。研究结果表明，迁移学习技术能够在一定程度上加快模型收敛速度;本研究模型精度随着数据集的增大而提高;在3种优化算法中，SGDM算法耗时最短且精度最高，更适合本研究模型。

　　3)基于MATLAB平台，设计了一款可视化的果园病虫害分级识别系统。经过400次实际测试，该系统识别单张图像仅需0.43s。本研究所设计系统实用性与稳定性较强，可为现代果园智能化、精细化管理提供一定的技术支持。

　　参考文献References

　　[1]王军，汪东方.基于迁移学习和残差网络的农作物病害分类[J].农业工程学报，2021，37(4)：199-207WangJ，WangDF.Cropdiseaseclassificationwithtransferlearningandresiduenetworks[J].TransactionsoftheChineseSocietyofAgriculturalEngineering，2021，37(4)：199-207(inChinese)

　　[2]王书志，乔虹，冯全，张建华.基于显著性目标检测的葡萄叶片病害分割[J].湖南农业大学学报：自然科学版，2021，47(1)：101-107WangSZ，QiaoH，FengQ，ZhangJH.Segmentationmethodofgrapeleafdiseasebaseddeepsalientobjectdetection[J].JournalofHunanAgriculturalUniversity：NaturalSciences，2021，47(1)：101-107(inChinese)

　　[3]肖志云，刘洪.小波域马铃薯典型虫害图像特征选择与识别[J].农业机械学报，2017，48(9)：24-31.XiaoZY，LiuH.Featuresselectionandrecognitionofpotatotypicalinsectpestimagesinwaveletdomain[J].TransactionsoftheChineseSocietyforAgriculturalMachinery，2017，48(9)：24-31(inChinese)

　　作者：万军杰祁力钧*卢中奥周佳蕊张豪

转载请注明来自发表学术论文网：http://www.fbxslw.com/nylw/28746.html