基于深度可分离卷积神经网络的农作物病害识别方法

基于深度可分离卷积神经网络的农作物病害识别方法作者：蔡汉明随玉腾张镇曾祥永来源：《安徽农业科学》2019年第11期摘要为了满足现代化、机械化农业生产的目标，降低模型的计算量，使农作物病害分类模型更适用于资源受限制的设备，提出了一种以深度可分离卷积为主的神经网络模型。

利用深度可分离卷积和卷积相结合的方法取代标准卷积，计算量可降低至标准卷积的12%左右，并且大大减少网络模型的参数量。

通过进一步减少通道数、改变网络输入图片大小的等方式，获得12种参数量和计算量不同的模型。

结果显示，对含有复杂背景和光照不均匀的10类农作物的27种病害样本图片进行分类，该研究提出的模型准确率为98.26%，且参数量仅904 K。

关键词深度可分离卷积;病害识别;图像处理;深度学习中图分类号 S1265;TP126文献标识码 A文章编号 0517-6611（2019）11-0244-03doi：10.3969/j.issn.0517-6611.2019.11.070开放科学（资源服务）标识码（OSID）：Abstract In order to meet the goal of modern and mechanized agricultural production and reduce the computational load of the model，the crop disease classification model is more suitable for equipment with limited resources.A neural network model based on depthwise separable convolution was proposed.By combining depthwise separable convolution with 1×1 convolution，instead of standard convolution，the calculation amount could be reduced by 8～9 times，and the parameters of the network model could be greatly reduced.By further reducing the number of channels and changing the size of network input pictures，12 models with different parameters and computational load were obtained.Results showed that the accuracy of the proposed model was 98.26% and the parameters were only 904 K for the classification of 27 kinds of crop disease samples with complex background and uneven illumination.Key words Depthwise separable convolution;Disease recognition;Image processing;Deep learning作者簡介蔡汉明（ 1960—），湖北武汉人，教授，从事计算机辅助设计与制造研究。

*通信作者，硕士研究生，从事计算机集成制造研究。

收稿日期 2018-12-26农作物病害会直接影响其品质，导致蔬菜减产，是种植者经济损失的主要原因之一。

由于病害种类较多，不能及时确诊病害类型，导致农作物病害越来越严重。

因此，准确及时地确定农作物病害类型是治疗农作病害的关键点。

随着计算机和模式识别等技术的发展，研究人员利用机器学习和图像处理等方法对植物叶片疾病识别进行研究。

田凯等[1]通过图像处理提取茄子叶片上褐纹病病斑特征，构建Fisher判别器，对茄子褐纹病的识别精度达到了90%。

刘娜等[2]通过图像处理和BP神经网络技术，构建了一种黄瓜叶部病害识别系统，对多种病害的平均识别精度达到了94.06%。

田有文等[3]通过提取葡萄叶片病害彩色图像的纹理特征，提出了一种基于支持向量机的病害识别方法，取得比BP神经网络更好的结果。

杜海顺等[4]通过提取叶片特征和病害特征，将其合并并归一化，提出了一种双权重协同表示分类方法对多种农作物的多种疾病识别取得了91.67%的准确率。

但是这种通过提取叶片特定图像特征并通过传统的分类算法的方式图片预处理过程较复杂，抗干扰能力、鲁棒性较差，处理速度较慢，对于计算和存储资源有限的移动设备没有足够的支持。

近年来，深度学习的特征提取和识别方法取得了较大的进步，卷积神经网络大范围的应用于各种图像分类[5-6]、目标检测[7-9]、人脸识别[10]等任务中，并在各研究方向中取得优异的成绩。

卷积神经网络也普遍运用于农作物病害识别，马浚诚等[11]通过一种复合颜色特征与传统区域生长算法结合，构建了一个基于卷积神将网络的黄瓜病害识别系统，对多种黄瓜叶片疾病的平均识别精度达到95.7%。

龙满生等[12]通过迁移学习和数据扩充的方式，使用AlexNet对油茶叶片的5种病害识别准确率达到了96.53%。

对PlantVillage 中14 种植物的26 种病害以及部分健康植物的图像样本，Mohanty 等[13]使用AlexNet 、GoogLeNet 模型，进行分类识别训练，识别精度可达到97.82%和99.35%。

孙俊等[14]提出一种改进的AlexNet卷积神经网络，在PlantVillage数据集上达到98.32% 的识别准确率。

但是一般来说卷积神经网络模型参数量大、计算量大、对使用设备要求较高，导致普及性较差。

鉴于此，笔者提出一种基于深度可分离卷积[15-16]的神经网络模型，结合批次归一化技术使其加速收敛、精度提高，得到一种参数量和计算量较小、适用于移动设备和资源受限的设备模型。

对10类农作物的27种病害样本进行分类，以期可以应用于实际生产管理中。

1 材料与预处理1.1 材料数据集有10个物种，27种病害，10个健康分类，共37个分类。

每张图包含1片或者多片农作物的叶子。

数据集随机分为训练集（90%）、测试集（10%）。

其中，训练集有32 739张图片，测试集有4 982张图片。

部分训练样本如图1所示。

图1中，1～4为苹果健康、黑星病、灰斑病、雪松锈病;5～6为樱桃健康、白粉病;7～11为玉米健康、灰斑病、锈病、叶斑病、花叶病毒;12～15为葡萄健康、黑腐病、轮斑病、褐斑病;16～17为柑橘健康、黄龙病;18～19为桃健康、疮痂病;20～21为辣椒健康、疮痂病;22～24为马铃薯健康、早疫病、薯晚疫病;25-26为草莓健康、叶枯病;27-37为番茄健康、白粉病、疮痂病、早疫病、晚疫病菌、叶霉病、斑点病、茄斑枯病、番茄红蜘蛛损伤、黄化曲叶病毒病、花叶病毒病。

1.2 预处理与传统卷积神经网络一致，深度可分离卷积神经网络的输入图片不需要对图片做复杂的预处理操作（病斑分割等）和设计特征，只需要输入原始图像就可以通过反向传播逐层学习获取特征。

但是由于图片样本数量有限性，为了提高模型在测试集上的适应性，故需要对训练集样本进行扩充。

一般对图片的操作有随机明亮度、对比度、饱和度调整，添加噪声和模糊。

为减少训练轮数，该研究选择对训练集样本进行线下扩充，对样本进行4个角度（0°、90°、180°、270°）的旋转，以及各个方向上的水平和垂直翻转，把原始训练数据集扩充为原来的8倍，共261 912张训练样本。

由于数据集中图片大小、宽高比不一致，故将图片进行边缘填充，用均值像素将其补充为方形，然后缩放至像素的大小存儲在硬盘中。

2 模型构建与训练一般卷积神经网络有多层卷积、池化层、激励层、全连接层，后接softmax分类器用于分类。

与标准卷积神经网络结构类似，该研究构建一种以深度可分离卷积和卷积相结合的神经网络。

2.1 深度可分离卷积假设标准卷积的卷积核大小为Dk×Dk×M×N，对于标准卷积操作可以认为输入Fin×Fin×M 的特征图，输出是Fout×Fout×N。

其中Fin代表输入特征图的大小，Fout代表输出特征图的大小，M、N分别是输入和输出的通道数，Dk是卷积核的大小。

所以标准卷积核的计算量如式1：使用一个逐深度卷积和一个11的卷积组成的深度可分离卷积可以代替传统卷积，如图2所示。

对于Dk×Dk×M的逐深度卷积核，其计算量如公式2：可以看出逐深度卷积核非常高效，计算量较少。

但是只对输入通道做卷积，并没有产生新的特征，所以需要跟随一个11卷积，对输出通道做线性结合，产生新的特征。

深度可分离卷积的计算量如式3：所以，对于输入输出通道数和卷积核相等的卷积操作计算量比较公式如下：由于该模型采用的是深度可分离卷积，所以能降低至标准卷积计算量的12%左右。

对于深度可分离卷积的参数量，计算方式如下：对于标准卷积的参数量，计算方式如下：所以，对于输入输出通道数和卷积核相等的卷积操作参数量比较如下：2.2 网络模型为了简化模型描述，定义标准卷积模块和深度可分离卷积模块如图5、6。

无论是卷标准卷积、深度可分离卷积、标准卷积，后面都接批次归一化层和激励层。

采用逐深度可分离的网络模型如下：由于该研究目的是将网络模型使用在资源受限制的移动设备上，在保证模型准确率的前提下降低模型参数量和模型计算量是该研究目标。

由于模型计算量和模型通道数量相关，参数量与输入图片尺寸大小相关。

设计输入不同模型如下表：2.3 模型训练该试验采用pytorch深度学习框架，Windows 7旗舰版64位操作系统，CPU为Intel i5-3210m，内存8 G。

2.4 模型比较与分析该研究设计的6种模型、经典分类网络Resnet 18和Alexnet比较结果见表2。

可以看出，准确率相差不到0.1%的情况下，该研究提出的模型参数量远远小于Alexnet和Resnet，推理速度分别是1.77、4.92倍，更适用于资源受限制的设备。

3 小结针对传统方法准确率不高、标准卷积神经网络参数量过多、计算量偏大等问题，笔者采用深度可分离卷积对多种植物的多种疾病类型进行分类试验，并与多种经典分类模型进行比较，该研究提出的模型参数量仅为904 K的情况下，测试集准确率达到98.06%。

由此可见，深度可分离卷积不仅能对多种植物的多种疾病有较好的特征提取、分类能力，且模型参数量和计算量均大大降低，为降低硬件成本打下了坚实的基础，从而方便后续植物叶片病害识别系统的研究与开发。