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）11-0244-03

doi：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