基于改进残差网络的水稻病虫害识别.pdf

基于改进残差网络的水稻病虫害识别徐圆圆(贵州大学大数据与信息工程学院贵州 贵阳)摘 要:针对现有水稻病虫害识别网络对图像细粒度分类效果差问题提出一种基于改进残差网络的水稻病虫害识别网络 在 残差网络的基础上将首层的 大卷积块替换成三层级联的 的小卷积块增强提取细节特征能力在第三个卷积块后嵌入 注意力机制模块提高各类病害细微类间差异识别能力在全连接层前添加 层避免过拟合并引入一种新的图像数据增强方法应用于模型当中使得我们的模型能够更好地处理水稻病虫害图像中的复杂细节纹理特征 与基准模型相比模型准确率提高 参数量仅为 证明了模型的有效性和可行性为水稻种植高保障性要求提供了有效方案关键词:图像处理机器学习水稻病虫害识别残差网络中图分类号:文献标识码:文章编号:()():.:引言随着农业与高新技术的不断融合与发展图像处理技术在传统农业中的应用颇为广泛 在形式复杂严峻的当下国际环境中粮食安全无疑成为国家发展的重大战略问题水稻的产量约占国内粮食总产量的 每年因病虫害造成水稻减产的事故不计其数因此对于水稻的种植保障要求也将越来越高人工智能技术的发展使得利用机器学习网络框架对农作物病虫害的图像进行分类与识别成为一种工程与材料科学/第 卷新的研究浪潮 王敬贤等人通过迁移学习和多个神经网络模型融合的方法识别玉米和杂草的种类准确率达 黄双萍等人利用 模型检测水稻穗瘟病准确率达到 等人利用了两阶段小型卷积神经网络识别水稻病虫害准确率达 宋余庆等人利用多层次增强高效空间金字塔卷积深度学习模型识别农作物病虫害准确率达 姚建斌等人利用 模型结合迁移学习检测小麦病虫害准确率达 傅隆生等人提出一种基于 的卷积神经网络模型对多簇猕猴桃果实进行识别独立果实的识别准确率达 赵立新等人利用 模型以及迁移学习对棉花叶部病虫害检测准确率达 刘阳等人利用改进的 模型检测作物叶片病虫害 准确率达 上述研究虽取得较好的成果但针对水稻在复杂生长环境中所采集的图像上述研究处理水稻病虫害图像细粒度分类效果较差 基于此本文利用 基准模型将第一层 的卷积块替换成三层级联 的卷积块以增强网络对图像细节纹理特征的感受能力嵌入 注意力机制模块提高模型获取图像最具信息量特征能力并在全连接层前引入 层提高网络泛化能力 通过上述改进模型能够有效解决水稻病虫害图像细粒度分类效果差等问题 实验材料与方法.数据集构成本文采用的数据集为网络公开的数据集共 类病虫害包括白叶枯病 张、东格鲁病 张、稻瘟病 张、褐斑病 张 共计 张各类病虫害图片如图 所示.图像预处理机器学习领域中的神经网络通常是一种非线性的网络这种结构的网络能够针对训练数据按照一定的比例进行扩展 它们通过随机训练的算法进行学习这就意味着它们对训练数据的细节足够敏感在每次训练时都可能找到不同的权重及超参数从而产生相异的预测结果这就使得网络模型具有很高的方差 因此增强训练数据细节是降低一个网络模型方差的有效方法之一BCFG图 各类病虫害示意图为了增强水稻病虫害图像的纹理细节我们引入一种 ()的图像预处理方法来处理原始数据集 其具体结构如图 所示总体架构由头部、编码器、解码器、尾部四个部分组成其中头部用于提取带有噪声或低分辨率等图像的特征每个头部由三个卷积层组成编码器解码器用于恢复输入特征的缺失信息尾部则将特征映射到恢复图像上 通过引入 处理我们原始的图像相比原始扩充数据集的实验结果 使本文的模型在准确率上提升了约 图 结构示意图贵 州 科 学():.数据增强数据增强能够使模型对不同环境采集的图像具有更强的鲁棒性 原始数据集进行 预处理之后为了保证充足的训练样本和避免模型训练时产生的过拟合等问题本文对每类病虫害部分图像进行了翻转、裁剪、旋转、缩放、平移、遮挡等六类数据增强方法共获得 张图片各类病虫害图像扩充后的数量如表 所示表 各类病虫害图像数量病害种类原始数量数据扩充总计白叶枯病东格鲁病褐斑病稻瘟病总计在实验中按照 的比例划分训练集、验证集以及测试集 最终训练集、验证集和测试集的图片数量分别为 张、张和 张.注意力机制注意力机制()是模仿人类在浏览时专注感兴趣的事物而忽视无关事物的特性 注意力机制由通道注意力与空间注意力串联组成结构示意图如图 所示 其中通道注意力捕获有意义的输入特征空间注意力捕获最具信息量的特征图 注意力机制示意图通道注意力模块中输入的特征 大小为 分别为输入特征的长、宽以及通道数 输入特征分别进行最大池化和平均池化操作然后分别输入共享权值的多层感知机()使模型能够处理更普遍的函数关系其中隐藏层的激活函数为 此后将 的输出通过 激活函数进行计算加权和并加上偏置来确定神经元是否应该被激活最后将输出的权重系数 与输入特征进行乘法操作得到通道注意力的新特征其具体结构图如图 所示图 通道注意力模块 图 空间注意力模块空间注意力模块如图 所示将上一步操作得到的结果作为空间注意力模块的输入特征输入特征在经过最大池化和平均池化后在维度上进行拼接操作得到 的特征图之后与卷积核为 激活函数的卷积层进行卷积得到权重系数 最后将输出的权重系数 与空间注意力模块的输入特征进行相乘得到新的空间注意力特征.改进的残差网络为解决在更深更宽的神经网络训练时产生的梯度消失或梯度爆炸何凯明等人提出一种深度残差网络()使得不同层的特征信息能够相互传递有效解决梯度消失和梯度爆炸等问题在训练更深网络的同时又能保证信息的完整 在基准模型 网络中第一层是 卷积层较大的卷积能够获取输入图像更大的邻域范围信息通过最大池化层后依次经过四个不同的卷积块最后通过全局平均池化和全连接层以及 后映射得出训练结果的概率选取最大概率为当前的结果输出种类在针对水稻病虫害的数据集进行训练时由于水稻生长环境的特殊性水稻的叶片过于纤细且在稻田中由于泥土、无病害叶片等的遮挡以及多病害集中在一片叶子上等问题使得模型最初的训练效果不佳为解决这一问题本文对 基准模型进行了分析本研究探明模型的第一层 的卷积块对于提取图像大特征的优势上是显而易见的但由于水稻病虫害数据集其本身图像的特殊性使得 的大卷积块在提取细节特征上表现得略显乏力 基于此本文将基准模型的第一层 的大工程与材料科学/第 卷卷积块替换成级联的三个 的小卷积块有效地解决了该问题 针对图像细粒度分类效果差等问题本文在第三个卷积块后引入 注意力机制有效提高模型捕获最具信息量特征的能力针对各类病害细微类间差异识别能力更强 在上述改进后模型中本文在验证时发现模型的泛化能力不足针对数据集之外的病害图像存在较差的分类效果等问题为此本文在全连接层前添加了一层 层 层能够显著提高模型的泛化能力使得模型避免过拟合等问题整体改进后的残差网络结构示意图如图 所示.91.91(1(1$POW#MPDL$POW#MPDL$POW#MPDL$POW#MPDL$#.*OQVU.BYQPPM3F-V#BUDI/PSNf$POW(MPCBMWFSBHF1PPMJOHVMMZ$POOFDUJPO%SPQPVU图 改进残差网络结构示意图 实验结果与分析.实验环境与配置在本文的研究中实验环境的配置为()().网络模型基于 框架版本为.版本是.版本是.实验的 为 实验设置的 为.结果与分析.消融实验在上述基本环境中本文对各项改进点进行消融实验改进前后实验结果如表 所示准确率与损失值曲线如图 所示由表 可知 原始的基准模型准确率可达 改进后的模型准确率为 同比提高约 通过引入 预处理使得本文模型实验结果提高了约 替换的三个级联 的小卷积块和引入的 注意力机制以及 层分别使准确率提高约 、和 其中 层的引入在准确率上的提升虽然不够显著但在增强模型泛化能力和降低网络过拟合上有明显的改善 相较原始模型参数量相比本文模型参数上升约 本文用较小的参数量增加的代价来换取模型约 的提高同时提高了模型对细粒度分类问题的能力增强模型的泛化能力使模型在实际部署中具有更广泛的应用场景表 改进前后实验结果对比 .DDVSB DZPMTTW B MVF&QPDI&QPDI3FTOFU3FTOFU0VST3FTOFUMPTT3FTOFU0VSTMPTT图 准确率与损失值变化曲线由图 可得改进后的网络明显优于基准网络在保证收敛的同时保证损失值更低验证了改进后网络的有效性.不同网络模型实验在深度学习领域等模型在不同的图像处理任务中都取得很好的效果随着计算机视觉的研究不断推进 和 网络性能也在不断提高 因此为了表明本文模型的有效性在相同的实验环境下本文将改进后的模型与不同的网络模型进行对比实验结果如表 所示表 不同网络模型实验结果对比.贵 州 科 学():由表 可得 与 相较其他模型参数量更低准确率也优于 和 而 和 在准确率上分别为、但相较其他模型对应的参数量过大 由于网络层数过深出现过拟合导致准确率降低 本文改进后的模型的准确率达到 均优于其他网络模型 参数量也仅有 在保证识别率的同时平衡了参数量与准确率之间的关系 因此本文提出的改进残差网络模型能够有效提高水稻病虫害识别的效果论证了模型的有效性和可行性 结论为了改善现有机器学习网络对水稻病虫害图像细粒度分类效果差等问题本文提出一种改进的水稻病虫害识别残差网络模型 在图像预处理上引入 预处理方法增强局部特征信息模型基于 网络本文将基准模型首层大卷积核替换成级联的小卷积块增强网络对局部关键细节纹理感知能力在基准模型中第三个卷积块后引入 注意力机制模块增强网络对细微类间差距的判决能力最后在全连接层前添加 层增强网络的泛化能力和避免过拟合 实验结果表明本文提出的改进残差网络模型提高了分类的精度较好地平衡了参数量与准确率之间的关系通过与其他模型进行对比验证了本文改进后的模型可行且有效本文利用机器学习模型在水稻病虫害识别工作中进行了一次有益探索 但水稻病虫害种类纷繁复杂在未来的研究工作中还需继续添加其他种类的病害图像使训练数据更加全面 此外如何继续压缩模型体积提高模型在实际场景下的部署能力也将是后续的研究重点参考文献【】.:.:.王敬贤.基于卷积神经网络和迁移学习的农作物病害和杂草图像识别研究.北京:中国科学技术大学.黄双萍孙超齐龙等.基于深度卷积神经网络的水稻穗瘟病检测方法.农业工程学报():.:.宋余庆谢熹刘哲等.基于多层 深度学习模型的农作物病虫害识别方法.农业机械学报():.姚建斌张英娜刘建华.基于卷积神经网络和迁移学习的小麦病虫害识别.华北水利水电大学学报(自然科学版)():.傅隆生冯亚利 等.基于卷积神经网络的田间多簇猕猴桃图像识别方法.农业工程学报():.赵立新侯发东吕正超等.基于迁移学习的棉花叶部病虫害图像识别.农业工程学报():.刘阳高国琴.采用改进的 模型识别多类叶片病害.农业工程学报():.:./.:./.:./.:.:.收稿日期:修回日期:作者简介:徐圆圆硕士研究生主要从事图像处理与机器学习的研究工程与材料科学/第 卷