基于改进轻量级卷积神经网络MobileNetV3的番茄叶片病害识别.pdf

2022 年3 月 第4 卷 第1 期 Mar 2022 Vol 4 No 1 智 慧 农 业 中 英 文 S m a r t A g r i c u l t u r e 基 于 改 进 轻 量 级 卷 积 神 经 网 络 M o b i l e N e t V 3 的 番 茄 叶 片 病 害 识 别 周 巧 黎 马 丽 曹 丽 英 于 合 龙 吉 林 农 业 大 学 信 息 技 术 学 院 吉 林 长 春 1 3 0 1 1 8 摘 要 番 茄 病 害 的 及 时 检 测 可 有 效 提 升 番 茄 的 质 量 和 产 量 为 实 现 番 茄 病 害 的 实 时 无 损 伤 检 测 本 研 究 提 出 了 一 种 基 于 改 进 M o b i l e N e t V 3 的 番 茄 叶 片 病 害 分 类 识 别 方 法 首 先 选 择 轻 量 级 卷 积 神 经 网 络 M o b i l e N e t V 3 在 I m a g e N e t 数 据 集 上 进 行 预 训 练 将 预 训 练 得 到 的 共 享 参 数 迁 移 到 对 番 茄 叶 片 病 害 识 别 的 模 型 上 并 做 微 调 处 理 采 用 相 同 的 训 练 方 法 对 V G G 1 6 R e s N e t 5 0 和 I n c e p t i o n V 3 三 种 深 度 卷 积 网 络 模 型 也 进 行 迁 移 学 习 并 进 行 对 比 结 果 显 示 M o b i l e N e t V 3 的 总 体 学 习 效 果 最 好 在 M i x u p 混 合 增 强 和 f o c a l l o s s 损 失 函 数 下 对 1 0 类 番 茄 病 害 的 平 均 测 试 识 别 准 确 率 达 到 9 4 6 8 在 迁 移 学 习 的 基 础 上 继 续 改 进 M o b i l e N e t V 3 模 型 在 卷 积 层 引 入 空 洞 卷 积 和 感 知 机 结 构 采 用 G L U G a t e d L i ne r U ni t 闸 门 机 制 激 活 函 数 训 练 得 到 最 佳 的 番 茄 病 害 识 别 模 型 平 均 测 试 的 识 别 准 确 率 98 25 模 型 的 数 据 规 模 43 57 M B 单 张 番 茄 病 害 图 像 的 检 测 耗 时 仅 0 2 7 s 经 十 折 交 叉 验 证 1 0 F o l d C r o s s V a l i d a t i o n 模 型 的 鲁 棒 性 良 好 本 研 究 可 为 番 茄 叶 片 病 害 的 实 时 检 测 提 供 理 论 基 础 和 技 术 支 持 关 键 词 番 茄 病 害 识 别 卷 积 神 经 网 络 迁 移 学 习 M o b i l e N e t V 3 激 活 函 数 识 别 分 类 中 图 分 类 号 T P 3 9 1 4 1 T P 1 8 3 文 献 标 志 码 A 文 章 编 号 S A 2 0 2 2 0 2 0 0 3 引 用 格 式 周 巧 黎 马 丽 曹 丽 英 于 合 龙 基 于 改 进 轻 量 级 卷 积 神 经 网 络MobileNetV3 的 番 茄 叶 片 病 害 识 别 J 智 慧 农 业 中 英 文 2022 4 1 47 56 ZHOU Qiaoli MA Li CAO Liying YU Helong Identification of tomato leaf diseases based on improved light weight convolutional neural networks MobileNetV3 J SmartAgriculture 2022 4 1 47 56 in Chinese with Eng lishabstract 1 引 言 番 茄 在 种 植 和 果 实 产 出 过 程 中 容 易 受 天 气 温 度 和 湿 度 等 各 种 因 素 的 影 响 发 生 各 种 病 害 从 而 影 响 番 茄 的 质 量 1 番 茄 的 根 部 茎 部 和 果 实 都 会 发 生 多 种 常 见 的 病 害 在 病 害 发 生 的 不 同 阶 段 会 呈 现 出 不 同 的 损 伤 特 征 叶 部 易 发 生 的 病 害 主 要 有 细 菌 斑 叶 霉 病 早 疫 病 晚 疫 病 七 星 叶 斑 病 靶 斑 病 双 斑 蜘 蛛 花 叶 病 毒 以 及 黄 曲 叶 病 等 番 茄 病 害 类 别 多 且 病 害 对 叶 片 的 doi 10 12133 j smartag SA202202003 收 稿 日 期 2022 02 14 基 金 项 目 国 家 自 然 科 学 基 金 联 合 基 金 项 目 U19A2061 吉 林 省 教 育 厅 科 学 技 术 研 究 项 目 JJKH20210336KJ 吉 林 省 发 展 和 改 革 委 员 会 高 级 产 业 发 展 项 目 2021C044 4 吉 林 省 科 技 厅 中 青 年 科 技 创 新 领 军 人 才 及 优 秀 团 队 20200301047RQ 吉 林 省 生 态 环 境 厅 科 研 项 目 2021 07 作 者 简 介 周 巧 黎 1996 女 硕 士 研 究 生 研 究 方 向 为 机 器 学 习 数 字 图 像 处 理 E mail 15947868426 通 信 作 者 1 马 丽 1980 女 博 士 副 教 授 研 究 方 向 为 机 器 学 习 数 字 图 像 处 理 E mail mali 2 于 合 龙 1974 男 博 士 教 授 研 究 方 向 为 图 形 图 像 处 理 精 准 农 业 E mail 3177649103 Vol 4 No 1 智 慧 农 业 中 英 文 S m a r t A g r i c u l t u r e 影 响 程 度 较 为 复 杂 需 要 及 早 地 对 病 害 种 类 和 程 度 做 出 识 别 和 判 断 喷 洒 对 应 的 农 药 进 行 治 疗 否 则 会 影 响 番 茄 的 果 实 培 育 最 终 影 响 番 茄 的 质 量 和 产 量 计 算 机 图 像 处 理 技 术 和 深 度 学 习 技 术 的 逐 渐 成 熟 使 植 物 叶 片 病 害 识 别 有 了 突 破 性 进 展 王 建 玺 等 2 对 苹 果 叶 部 病 斑 进 行 分 割 将 病 斑 的 颜 色 纹 理 特 征 与 支 持 向 量 机 SupportVectorMa chine SVM 结 合 实 现 病 害 的 识 别 秦 丰 等 3 提 取 叶 部 病 斑 的 颜 色 形 状 和 纹 理 利 用 朴 素 贝 叶 斯 方 法 和 线 性 判 别 分 析 建 立 了 苜 蓿 叶 部 病 害 识 别 模 型 夏 永 泉 等 4 提 取 小 麦 病 害 纹 理 和 颜 色 特 征 采 用SVM 实 现 小 麦 病 害 识 别 上 述 针 对 植 物 叶 片 病 害 的 识 别 研 究 都 是 应 用 病 害 的 颜 色 纹 理 特 征 形 状 等 信 息 对 病 害 进 行 诊 断 这 些 特 征 的 提 取 都 是 依 靠 人 工 标 定 方 式 完 成 病 害 类 别 的 分 类 不 够 准 确 进 而 会 影 响 叶 片 病 害 的 识 别 度 该 类 方 法 普 遍 适 应 性 不 强 卷 积 神 经 网 络 可 以 实 现 作 物 病 害 特 征 的 自 动 提 取 GoogLeNet AlexNet 和ResNet 等 在 作 物 病 害 识 别 方 面 都 已 经 取 得 非 常 好 的 效 果 刘 婷 婷 等 5 采 用AlexNet 卷 积 神 经 网 络 对 水 稻 纹 枯 病 进 行 识 别 达 到 了97 的 精 确 度 但 病 害 类 别 单 一 且 数 据 量 不 够 丰 富 Wu 6 通 过 调 整VGG16 和 ResNet 双 通 道 卷 积 神 经 网 络 的 参 数 对 玉 米 叶 部 病 害 识 别 准 确 率 达 到93 33 但 识 别 率 较 低 且 图 像 分 辨 率 较 高 模 型 参 数 依 然 庞 大 整 体 识 别 性 能 还 有 待 提 高 丁 瑞 和 周 平 7 参 照AlexNet 框 架 构 建 卷 积 神 经 网 络 结 合 迁 移 学 习 训 练 网 络 测 试 识 别 准 确 率96 18 识 别 效 果 较 好 陈 桂 芬 等 8 通 过 数 据 增 强 和 迁 移 学 习 的 方 式 对 改 进 Inception V3 进 行 训 练 提 取 病 害 图 片 特 征 对 农 田 玉 米 病 害 的 平 均 识 别 准 确 度 达96 6 分 类 效 果 良 好 Waheed 等 9 提 出 了 一 种 用 于 玉 米 叶 部 病 害 识 别 和 分 类 的 优 化 密 集 卷 积 神 经 网 络 结 构 监 测 作 物 健 康 状 况 模 型 的 精 度 达 到 98 06 综 上 所 述 将 迁 移 学 习 与 神 经 网 络 相 结 合 可 以 有 效 提 高 病 害 的 识 别 精 确 度 但 是 所 采 用 的 卷 积 神 经 网 络 算 法 参 数 量 大 图 像 分 辨 率 高 运 行 时 间 长 不 利 于 在 移 动 端 实 现 对 作 物 病 害 的 快 速 实 时 检 测 本 研 究 以 番 茄 的 病 害 叶 片 为 主 要 研 究 对 象 以 轻 量 级 卷 积 神 经 网 络MobileNetV3 10 为 主 干 网 络 模 型 在 迁 移 学 习 基 础 上 对 模 型 结 构 进 行 改 进 并 将 其 与VGG16 ResNet50 和Inception V3 模 型 进 行 了 试 验 对 比 2 数 据 来 源 及 预 处 理 2 1 试 验 数 据 集 试 验 研 究 对 象 为 番 茄 叶 部 病 害 图 像 试 验 数 据 集 来 自PlantVillage 11 公 开 数 据 集 该 平 台 包 括 不 同 作 物 的 多 种 病 害 类 别 的 植 物 叶 片 图 像 按 照 物 种 和 疾 病 可 分 为38 类 番 茄 试 验 样 本 主 要 包 括10 类 常 见 的 番 茄 病 害 叶 片 其 中 早 疫 病 1000 幅 晚 疫 病1909 幅 细 菌 病1320 幅 叶 霉 病952 幅 七 星 叶 斑 病1771 幅 靶 斑 病1404 幅 双 斑 蜘 蛛1676 幅 花 叶 病 毒373 幅 黄 曲 叶 病 1250 幅 健 康 叶 片1591 幅 本 研 究 统 一 采 用 jpg 格 式 图 像 统 大 小 一 调 整 到64 64 像 素 2 2 数 据 预 处 理 2 2 1 普 通 数 据 增 强 为 保 证 试 验 数 据 的 均 衡 性 样 本 的 多 样 性 和 训 练 卷 积 神 经 网 络 模 型 12 所 需 样 本 的 充 足 性 对 试 验 数 据 进 行 了 批 归 一 化 和 数 据 增 强 处 理 13 对 病 害 图 像 分 别 做 了 高 斯 噪 声 添 加 亮 度 增 强 对 比 度 变 换 随 机 裁 剪 和 随 机 旋 转 操 作 以 此 增 强 样 本 的 多 样 性 达 到 尽 可 能 模 仿 自 然 环 境 下 对 病 害 识 别 的 效 果 扩 充 后 的 病 害 图 像 总 数 为 18 521 张 对 数 据 集 中10 种 病 害 进 行 相 同 的 增 强 处 理 提 高 番 茄 样 本 的 质 量 和 数 量 以 及 训 练 模 型 的 泛 化 能 力 以 七 星 叶 斑 病 为 例 扩 充 示 意 图 如 图1 所 示 数 据 增 强 方 法 调 整 了 原 始 图 像 的 角 度 亮 度 模 糊 度 放 大 了 局 部 病 斑 的 细 节 2 2 2 M i x u p 混 合 增 强 Mixup 增 强 方 式 14 是 将 两 张 原 图 像 按 比 例 4 8周 巧 黎 等 基 于 改 进 轻 量 级 卷 积 神 经 网 络 M o b i l e N e t V 3 的 番 茄 叶 片 病 害 识 别 Vol 4 No 1 进 行 线 性 插 值 来 生 成 新 的 混 合 图 像 经 插 值 混 合 后 的 样 本 与 真 实 样 本 非 常 接 近 本 研 究 选 择 对 番 茄 样 本 进 行 同 类 混 合 增 强 既 增 加 了 样 本 的 多 样 性 又 增 强 了 对 重 要 特 征 的 学 习 使 用Mixup 合 成 新 的 图 像 可 以 线 性 叠 加 两 张 原 始 图 像 的 特 征 向 量 提 升 了 模 型 预 测 训 练 样 本 以 外 数 据 的 适 应 性 使 预 测 更 具 有 平 滑 性 在 进 行Mixup 增 强 时 随 机 选 择 同 一 类 别 病 害 中 的 两 张 原 始 图 像 样 本 来 合 成 新 的 番 茄 图 像 根 据Mixup 设 置 的 比 例 不 同 合 成 的 图 像 也 不 同 如 图2 为 混 合 系 数 15 取 值 范 围0 到1 内 的 合 成 图 像 示 例 根 据 不 同 比 例 的 合 成 效 果 试 验 设 置 值 分 别 为 0 3 0 5 和0 8 对 每 一 类 别 的 病 害 原 始 图 像 进 行 随 机 抽 取 以 合 成 新 的 图 像 混 合 后 的 训 练 样 本 共 有15 974 张 在 同 样 达 到 数 据 扩 充 的 目 的 下 数 据 增 广 和 Mixup 混 合 增 强 各 有 其 优 势 但Mixup 混 合 增 强 更 能 增 加 数 据 的 多 样 性 3 识 别 模 型 构 建 3 1 M o b i l e N e t V 3 模 型 MobileNetV3 模 型 以MobileNetV1 16 模 型 和 MobileNetV2 17 模 型 为 基 础 结 合 了 这 两 个 模 型 的 优 势 进 一 步 提 高 了 模 型 的 精 度 是 效 率 更 高 的 轻 量 级 卷 积 神 经 网 络 由 于 线 性 整 流 函 数 Linear Rectification Function ReLU 在 低 维 空 间 内 的 工 作 效 率 低 不 利 于 特 征 的 提 取 易 丢 失 特 征 信 息 因 此 本 研 究 采 用 线 性 瓶 颈 结 构 在 通 道 数 量 少 的 卷 积 层 后 使 用 线 性 层 来 代 替ReLU 函 数 以 此 来 保 证 提 取 到 的 特 征 信 息 更 加 充 足 在MobileNetV2 网 络 结 构 的 基 础 上 Mobile NetV3 将SE Squeeze and Excitation 注 意 力 模 块 18 应 用 到 瓶 颈 结 构 中 起 到 强 化 突 出 特 征 抑 制 不 明 显 特 征 的 作 用 在 网 络 最 后 的 位 置 去 掉 了1 1 卷 积 层 将 平 均 池 化 层 向 前 移 动 采 用h swish 激 活 函 数 计 算 量 大 大 降 低 网 络 的 框 架 结 构 属 于 轻 量 级 对 硬 件 的 配 置 要 求 低 不 仅 可 以 实 现 较 高 的 分 类 精 度 还 能 够 在 手 机 移 动 端 实 现 MobileNetV3 主 体 部 分 由11 个 瓶 颈 结 构 组 成 前3 个 结 构 中 采 用3 3 的 深 度 卷 积 后 面 8 个 采 用5 5 的 深 度 卷 积 瓶 颈 结 构 中 其 他 设 置 均 相 同 3 2 迁 移 学 习 本 研 究 以VGG16 ResNet50 Inception V3 以 及MobileNetV3 模 型 这 四 种 算 法 进 行 迁 移 学 习 19 并 且 对 番 茄 病 害 图 像 进 行 识 别 这 四 种 算 法 各 有 其 自 身 的 优 势 在 实 际 的 病 害 识 别 应 用 中 都 可 以 起 到 良 好 的 分 类 效 果 有 效 节 约 检 测 时 间 首 先 采 用 大 型 数 据 集ImageNet 20 作 为 网 络 预 训 练 的 源 域 将 预 训 练 得 到 的 模 型 权 重 等 信 息 迁 移 到 对 番 茄 病 害 识 别 的 模 型 上 通 过 已 有 的 a 0 1 b 0 2 c 0 3 d 0 4 e 0 5 f 0 6 g 0 7 h 0 8 i 0 9 图2 番 茄 叶 片 病 害 图 像Mixup 增 强 Fig 2 Mixupenhancementoftomatoleafdiseaseimage a 原 始 图 像 b 随 机 旋 转 c 噪 声 添 加 d 亮 度 增 强 e 随 机 裁 剪 图1 番 茄 叶 片 七 星 叶 斑 病 原 始 图 像 和 增 广 图 像 对 比 Fig 1 Comparisonoforiginalimageandaugmentedimages oftomatoseptorialeafspot 4 9Vol 4 No 1 智 慧 农 业 中 英 文 S m a r t A g r i c u l t u r e 先 验 知 识 可 以 对 类 似 的 识 别 任 务 做 出 高 效 的 处 理 然 后 在 对 番 茄 病 害 图 像 训 练 的 过 程 中 对 模 型 中 的 参 数 进 行 微 调 21 得 到 最 终 的 番 茄 病 害 识 别 模 型 在 迁 移 学 习 过 程 中 冻 结 所 有 卷 积 层 并 将 最 后 的 输 出 层 去 掉 剩 余 的 网 络 可 视 为 一 个 用 来 提 取 特 征 的 容 器 在 番 茄 叶 片 数 据 集 的 训 练 中 将 提 取 到 的 特 征 输 入 分 类 器 对 病 害 类 别 做 出 预 测 将 网 络 的 输 出 转 换 为 适 合 于 番 茄 分 类 任 务 的10 类 输 出 实 现 对 番 茄 病 害 任 务 的 精 准 预 测 各 模 型 迁 移 训 练 的 识 别 算 法 流 程 如 图 3 所 示 3 3 M o b i l e N e t V 3 模 型 的 改 进 3 3 1 多 层 感 知 机 多 层 感 知 机 22 Multilayer Perceptron MLP 可 以 作 为 一 个 小 型 网 络 嵌 入 到 深 度 网 络 中 相 当 于 一 个 分 类 器 可 实 现 不 同 类 别 的 分 类 输 出 本 研 究 将 原 模 型 中 瓶 颈 结 构 bottleneck 模 块 中 的5 5 卷 积 后 加 上1 1 卷 积 层 作 为 感 知 机 的 全 连 接 层 并 引 入ReLU 激 活 函 数 构 成 感 知 器 嵌 入 到 深 层 网 络 中 感 知 器 中 的ReLU 作 为 非 线 性 激 活 函 数 可 以 使 网 络 的 非 线 性 表 达 能 力 得 到 提 升 而 感 知 机 结 构 可 以 实 现 特 征 的 重 用 这 样 可 以 提 高 卷 积 神 经 网 络 的 局 部 感 知 能 力 使 拟 合 能 力 得 到 增 强 MLP 结 构 见 图4 图 中MLPlayer 层 即 为 在5 5 卷 积 基 础 上 构 建 的 感 知 机 结 构 能 够 灵 活 地 添 加 网 络 层 次 且 其 全 连 接 层 是 由1 1 卷 积 组 成 相 比 传 统 的 全 连 接 在 实 现 分 类 作 用 的 同 时 可 以 省 去 大 量 的 参 数 节 约 了 网 络 的 计 算 成 本 3 3 2 空 洞 卷 积 空 洞 卷 积 23 在 传 统 卷 积 计 算 中 引 入 了 膨 胀 系 数r 扩 张 卷 积 核 的 同 时 保 持 参 数 量 不 增 加 可 以 使 卷 积 核 提 取 更 多 的 特 征 信 息 有 利 于 对 模 型 的 学 习 训 练 番 茄 病 害 种 类 多 样 不 同 病 害 间 具 有 一 定 的 相 似 性 发 病 初 期 病 斑 微 小 难 于 对 病 斑 的 细 节 纹 理 信 息 进 行 提 取 此 外 病 斑 叶 片 颜 色 与 健 康 叶 片 非 常 接 近 且 难 以 对 病 斑 的 边 缘 轮 廓 等 特 征 作 区 分 在 不 同 的 瓶 颈 结 构 中 设 置 不 同 尺 寸 的 卷 积 核 有 利 于 更 深 层 次 抽 象 特 征 的 提 取 使 之 与 目 标 对 象 更 加 接 近 因 此 本 研 究 在MobileNetV3 的 最 后 两 个bottleneck 模 块 中 引 入 了 空 洞 卷 积 r 分 别 为2 和4 如 图5 所 示 三 张 图 对 应 的 初 始 卷 积 核 大 小 都 为3 3 r 从 左 至 右 分 别 为1 2 4 感 受 野 分 别 为3 3 5 5 9 9 可 以 看 出r 的 增 大 使 得 感 受 野 也 明 显 增 大 且 没 有 增 加 运 算 消 耗 卷 积 核 计 算 参 数 依 然 同 初 始 卷 积 核 一 样 图3 基 于 迁 移 学 习 的 番 茄 叶 片 病 害 识 别 流 程 图 Fig 3 Flowchartoftomatoleafdiseaseidentificationbased ontransferlearning 图4 多 层 感 知 机 结 构 图 Fig 4 Multilayerperceptronstructure 5 0周 巧 黎 等 基 于 改 进 轻 量 级 卷 积 神 经 网 络 M o b i l e N e t V 3 的 番 茄 叶 片 病 害 识 别 Vol 4 No 1 3 3 3 G L U 函 数 GLU GatedLinerUnit GTU 单 元 24 是 基 于 闸 门 机 制 Gate Mechanism 的 激 活 函 数 GLU 拥 有 线 性 通 道 在 经 过 激 活 的 神 经 元 时 不 会 出 现 梯 度 消 失 的 问 题 有 利 于 建 模 过 程 中 的 反 向 传 播 加 速 网 络 收 敛 防 止 梯 度 弥 散 GLU 的 表 达 式 为 h l x x W b x V c 1 其 中 x 表 示 第l 层 的 输 入 h l 表 示 该 层 的 输 出 信 息 W 和V 代 表 卷 积 核 参 数 c 代 表 偏 置 参 数 在 第l 层 输 入 值 x 经 过 核 参 数W 与 偏 置b 的 卷 积 处 理 后 由 参 数 为V 与c 的 卷 积 处 理 并 激 活 的 输 出 门 来 控 制 当 前 层 的 输 出 结 果 保 留 更 重 要 的 信 息 输 入 到 下 一 层 加 强 病 害 特 征 的 学 习 和 识 别 MobileNetV3 网 络 结 构 改 进 后 的 示 意 图 如 图6 4 结 果 与 分 析 4 1 试 验 环 境 番 茄 叶 片 病 害 识 别 模 型 的 训 练 和 测 试 均 是 基 于 深 度 学 习 框 架Pytorch 完 成 的 硬 件 环 境 采 用 Intel R Celeron R CPU N3150 1 60GHz 1 60 GHz 内 存4G GPU 采 用 NVIDIAGeForce 显 卡 4 GB 显 存 采 用 Windows 7 操 作 系 统 Pycharm 编 译 环 境 和Python3 7 语 言 每 次 试 验 运 行60 轮 epochs 综 合 考 虑 内 存 原 因 和 模 型 的 泛 化 能 力 将batch size 定 为64 学 习 率 依 次 选 取 了1 10 5 1 10 4 1 10 3 和1 10 2 当 leaning rate 数 值 为1 10 3 时 模 型 训 练 的 效 果 最 好 采 用Adam 优 化 算 法 和ReLU 激 活 函 数 4 2 迁 移 方 法 验 证 为 确 定 迁 移 学 习 方 法 的 有 效 性 分 别 对 VGG16 Inception V3 ResNet50 和 Mobile NetV3 网 络 模 型 的 识 别 性 能 和 迁 移 学 习 的 试 验 结 果 作 对 比 分 析 如 图7 所 示 曲 线 的 起 点 由 原 来 的19 35 提 高 到55 74 初 始 性 能 明 显 提 升 迁 移 训 练 的MobileNetV3 曲 线 在 训 练 达 到 10 轮 时 就 可 以 收 敛 相 比 原 来 的20 轮 有 所 提 前 而 VGG16 Inception V3 和 ResNet50 在 训 练 25 轮 后 也 收 敛 准 确 率 相 比 之 前 有 大 幅 提 升 且 基 于 迁 移 学 习 的 曲 线 在 训 练 过 程 中 更 趋 于 稳 定 a MobileNetV3 迁 移 训 练 a r 1 b r 2 c r 4 注 r 为 膨 胀 系 数 图5 空 洞 卷 积 膨 胀 示 意 图 Fig 5 Schematicdiagramofdilatedconvolutionexpansion 图6 改 进 的MobileNetV3 网 络 模 型 结 构 图 Fig 6 StructurediagramofimprovedMobileNetV3 networkmodel 5 1Vol 4 No 1 智 慧 农 业 中 英 文 S m a r t A g r i c u l t u r e b VGG16 迁 移 训 练 c ResNet50 迁 移 训 练 d Inception V3 迁 移 训 练 图7 MobileNetV3 VGG16 ResNet50 Inception V3 四 种 迁 移 学 习 对 比 Fig 7 ComparisonofthefourtransferlearningofMobile NetV3 VGG16 ResNet50 Inception V3 图8 为 四 种 迁 移 学 习 算 法 对 番 茄 叶 片 病 害 识 别 的 效 果 对 比 可 见 MobileNetV3 迁 移 算 法 对 番 茄 叶 片 病 害 的 识 别 率 更 加 精 确 且 在 训 练10 轮 的 时 候 曲 线 已 经 收 敛 与 其 他 三 种 算 法 相 比 提 前 了15 轮 达 到 收 敛 状 态 而 且MobileNetV3 迁 移 算 法 在 训 练 过 程 中 曲 线 震 荡 幅 度 较 小 更 加 稳 定 呈 现 出 了 更 佳 的 训 练 状 态 综 上 所 述 Mo bileNetV3 迁 移 算 法 更 适 合 番 茄 叶 片 病 害 识 别 任 务 4 3 M o b i l e N e t V 3 迁 移 模 型 在 不 同 试 验 方 案 下 的 识 别 结 果 经 迁 移 学 习 对 番 茄 病 害 叶 片 的 测 试 Mo bileNetV3 模 型 取 得 了 最 优 的 识 别 效 果 为 检 测 损 失 函 数 和 数 据 增 强 对 模 型 性 能 的 影 响 针 对 番 茄 叶 片 的 普 通 增 强 和Mixup 混 合 增 强 两 种 增 强 方 式 分 别 选 用Focal loss 损 失 函 数 以 及Cross en tropyloss 函 数 进 行 测 试 形 成 四 种 不 同 的 组 合 方 案 准 确 率 和 损 失 变 化 如 表1 所 示 由 表1 可 知 四 种 试 验 方 案 下 模 型 的 识 别 精 度 相 差 不 大 但 损 失 变 化 的 差 异 相 对 较 明 显 其 中 方 案F 和 方 案FX 下 的 识 别 准 确 率 比 方 案C 和 CX 下 的 准 确 率 提 升0 05 0 11 而 方 案F 和 方 案FX 下 的 损 失 值 也 明 显 比 方 案C 和CX 下 的 损 失 值 降 低5 左 右 这 说 明 与 使 用Cross entropy 图8 四 种 算 法 识 别 番 茄 病 害 结 果 Fig 8 Tomatoleafdiseasesrecognitionresultsusingthefour algorithms 表 1 四 种 对 比 方 案 的 番 茄 病 害 识 别 精 度 Table1 Identificationaccuracyoffourcomparisonschemes ontomatodiseaseidentification 损 失 函 数 Focalloss Crossentropy loss 方 案 F FX C CX 数 据 增 强 方 式 普 通 增 强 Mixup 混 合 增 强 普 通 增 强 Mixup 混 合 增 强 测 试 准 确 率 94 31 94 68 94 26 94 57 损 失 值 28 59 27 12 33 59 32 98 5 2周 巧 黎 等 基 于 改 进 轻 量 级 卷 积 神 经 网 络 M o b i l e N e t V 3 的 番 茄 叶 片 病 害 识 别 Vol 4 No 1 loss 函 数 相 比 使 用Focalloss 函 数 的 模 型 总 体 识 别 性 能 更 好 此 外 方 案FX 和 方 案F 相 比 准 确 率 提 高 0 37 损 失 值 下 降1 47 方 案CX 和 方 案C 相 比 准 确 率 提 高0 31 损 失 值 下 降0 61 这 说 明 在 同 一 损 失 函 数 下 采 用Mixup 混 合 增 强 方 式 比 普 通 增 强 方 式 的 分 类 效 果 更 好 Mixup 混 合 增 强 有 助 于 提 高 深 度 网 络 模 型 的 识 别 性 能 4 4 基 于 迁 移 学 习 的 M o b i l e N e t V 3 改 进 前 后 结 果 对 比 4 4 1 模 型 识 别 性 能 的 提 升 如 图9 所 示 MobileNetV3 曲 线 代 表4 3 节 的 迁 移 模 型 的 识 别 曲 线 dilated 标 识 的 曲 线 代 表 迁 移MobileNetV3 模 型 采 用 空 洞 卷 积 和 感 知 机 的 识 别 变 化 dilated and GLU 曲 线 代 表 迁 移Mobile NetV3 模 型 在dilated 曲 线 的 基 础 上 进 一 步 采 用 GLU 函 数 的 模 型 识 别 变 化 从 图9 中 可 以 看 出 在 训 练 达 到 相 同 轮 数 的 情 况 下 改 进 后 的 模 型 的 识 别 精 度 有 所 提 升 相 比 迁 移 学 习 的94 68 的 识 别 率 在 空 洞 卷 积 和 感 知 机 相 结 合 的 情 况 下 识 别 率 可 提 升2 62 进 一 步 采 用GLU 函 数 可 以 使 识 别 率 再 次 上 升0 85 说 明 本 研 究 方 法 提 高 了 模 型 的 识 别 精 度 识 别 性 能 得 到 提 升 从 表2 可 以 看 到 VGG16 模 型 的 测 试 准 确 率 仅 有86 62 ResNet50 和Inception V3 测 试 准 确 率 分 别 为89 95 和90 26 而MobileNetV3 模 型 测 试 准 确 率 达94 68 在 对MobileNetV3 模 型 结 构 改 进 之 后 准 确 率 达 到 了98 25 提 升 了 3 57 识 别 效 果 达 到 最 优 在 识 别 过 程 中 ResNet50 对 单 张 图 片 检 测 时 间 为1 54 s VGG16 与Inception V3 的 平 均 检 测 时 间 分 别 是0 57 s 和0 55 s MobileNetV3 模 型 的 识 别 检 测 平 均 耗 时 为0 39 s GLU 函 数 加 速 了 网 络 的 收 敛 单 张 图 像 的 识 别 时 间 缩 减 为0 27 s 缩 短 了0 12 s 且 数 据 规 模 最 小 更 适 合 番 茄 病 害 的 检 测 4 4 2 各 类 别 病 害 识 别 准 确 率 的 提 高 如 图10 所 示 为 改 进 后 模 型 对 病 害 分 类 效 果 的 混 淆 矩 阵 图 其 中0 9 分 别 代 表 番 茄 细 菌 病 早 疫 病 晚 疫 病 叶 霉 病 七 星 叶 斑 病 靶 斑 病 双 斑 蜘 蛛 花 叶 病 毒 黄 曲 叶 病 健 康 叶 片 的 类 别 可 以 看 到 改 进 后 的 模 型 对 于 病 害 类 别 分 类 错 误 的 样 本 数 明 显 减 少 表3 列 举 了 迁 移MobileNetV3 模 型 改 进 前 后 图9 迁 移MobileNetV3 模 型 改 进 前 后 测 试 曲 线 Fig 9 Testcurvesbeforeandaftermodelimprovementof migrateMobileNetV3 表 2 四 种 迁 移 学 习 算 法 对 番 茄 病 害 的 识 别 结 果 Table2 Recognitionresultsoffourtransferlearning algorithmsoftomatoleaves 模 型 迁 移VGG16 迁 移ResNet50 迁 移Inception V3 迁 移MobileNetV3 迁 移 改 进MobileNetV3 数 据 规 模 MB 98 38 92 14 506 28 43 57 46 73 测 试 准 确 率 86 62 89 95 90 26 94 68 98 25 单 张 图 像 检 测 时 间 s 0 57 1 54 0 55 0 39 0 27 图10 改 进MobileNetV3 模 型 混 淆 矩 阵 图 Fig 10 Improved confusionmatrixofMobileNetV3 5 3Vol 4 No 1 智 慧 农 业 中 英 文 S m a r t A g r i c u l t u r e 各 类 别 病 害 的 识 别 率 其 中 番 茄 健 康 叶 片 双 斑 蜘 蛛 和 叶 霉 病 的 识 别 率 均 提 高6 7 其 它 类 别 平 均 提 高3 左 右 10 个 类 别 的 番 茄 叶 片 病 害 的 平 均 识 别 准 确 率 为98 25 与 原 来 的94 68 相 比 提 升 了3 57 试 验 表 明 在 迁 移 学 习 的 基 础 上 对 模 型 的 改 进 方 法 是 可 行 的 有 助 于 番 茄 叶 片 病 害 的 分 类 识 别 4 5 模 型 识 别 性 能 评 价 本 试 验 采 用 交 叉 验 证 方 法 25 作 为 评 价 标 准 来 衡 量 模 型 对 番 茄 叶 片 病 害 的 识 别 性 能 采 用 十 折 交 叉 验 证 10 Fold Cross Validation 对 模 型 进 行 评 价 将 番 茄 叶 片 病 害 图 像 分 为10 份 依 次 选 取 其 中 的9 份 作 为 训 练 集 另 外1 份 作 为 测 试 集 取10 次 测 试 结 果 的 均 值 作 为 模 型 鲁 棒 性 的 评 价 标 准 1 10 次 试 验 的 识 别 准 确 率 分 别 为96 78 98 51