深度学习驱动的农作物病害识别模型研究

2023-04-27 04:00郭章龙,李宜汀赵维陈凯
电脑知识与技术 2023年7期
关键词:卷积神经网络深度学习智能化

郭章龙, 李宜汀 赵维 陈凯

关键词: 智能化;深度学习;病害识别;卷积神经网络;ResNet50_vd

0 引言

在当前人工智能与大数据驱动的全球传统农业转型趋势下,我国农业装备正朝着计算机集成化、高度智慧化的方向蓬勃发展。农作物病害识别是农业领域的关键问题之一,传统的检测方式主要依据人工观察识别病害类别,往往有速度慢、强度大、主观性强等局限性。

针对上述问题,国内外研究人员将人工智能技术应用于农作物病害识别领域,并已具备一定成效[1-7]。例如:宋大鹏等人[1]提出将深度学习用于水稻叶部病害识别任务中,通过引入深度可分离卷积机制,模型在速度和精度上均取得了较大程度的提升;王敬贤等[4]探究了不同深度的卷积神经网络对农作物病害特征提取质量的影响,并针对数据集样本数量少可能引发的过拟合问题,提出使用迁移学习调整参数的思想,并分别在实验中予以验证;曾伟辉等[5]针对实际场景下农作物病害识别精度较差的问题,提出一种深度残差卷积神经网络方法,通过参数共享反馈子网络抑制了图像背景,提升了模型的鲁棒性。

随着算力的不断提升及深度学习领域的发展,大量深度模型已开始部署在边缘设备中[6],这在很大程度上提高了农作物病害识别的自动化程度。本文将基于先进的ResNet50_Vd深度残差网络对农作物病害识别数据集进行识别,并通过对比试验验证该方法的可行性和有效性。

1 农作物病害识别模型

1.1 ResNet 网络

传统的卷积神经网络(Convolution Neural Net⁃ work, CNN)对图像有较强的特征提取能力。越深的网络能够提取越丰富的抽象特征,并且这些特征具有语义信息。然而,增加网络深度容易导致梯度消失和爆炸的问题。随着网络层数的增加,模型在一定程度上将出现退化现象,即在训练集上的性能下降。上述问题并不属于过拟合问题,因为过拟合的表现在训练集上更好[8]。因此,如何解决深度CNN退化问题成为了深度学习的研究重点。2016年,何凯明团队提出了有效的解决方法,即残差网络(Re⁃ sidual Network,ResNet)[9]。该结构在神经网络层数较深时,仍然展现出了强大的特征学习能力,其基本单元如图1所示。

残差网络主要的突破点是“残差”概念的提出,具体来说,是在两层之间跨层映射,有效防止梯度消失和梯度爆炸情况的出现。假设一个残差单元为yl,则其表达式为:

式中:xl 和xl + 1 分别表示的是第l层残差单元的输入和输出;F 是残差函数,表示学习到的残差;h(xl )表示恒等映射;f 是ReLU激活函数。基于上式,可以得到从浅层l到深层L的学习特征为:

ResNet相比传统卷积网络,具有多个优点。首先,它通过在卷积层之间添加残差连接,能够解决梯度消失问题;其次,残差网络更好地利用了网络的宽度,实现了更充分的信息流动;最后,残差网络训练速度更快,更易于收敛,通常可以在更短的时间内获得更高的准确度。

1.2 ResNet50-vd 结构

ResNet50网络是残差网络的典型结构之一,其优点在于可以训练非常深的神经网络,并且可以在不同的层之间保持信息的传递。这使得ResNet50 在计算机视觉等领域有着广泛的应用。目前针对ResNet50 网络有较多改进策略,ResNet50_vd便是其中一种。ResNet50_vd 在ResNet50 的基础上进行了一定的改进,以提高模型的性能和准确率,其主要的改进结构如图2所示。

此外,与ResNet50相比,ResNet50_vd在整个模型上并没有改动。本文选用该模型作为农作物病害识别模型,以提升识别任务的准确性,其完整的结构图如图3所示。

2 实验与分析

2.1 数据预处理与实验参数设定

本文一共使用农作物数据55 443张,数据量达到深度学习数据量要求。在使用数据前,首先进行了数据的预处理,其步骤如下:

首先,将数据进行缩放,将其大小统一变为(256, 2N5o6rm,3a);liz其at次ion,(B對N数);最据后进使行用了卷批积标神准经化网操络作(C,N即N)B来at自ch动学习图像特征,对农作物病害数据进行端到端的图像分类[10],弥补人工提取图像特征的局限性。图4展示了部分农作物叶片图像。

本次实验使用的配置如下:GPU为Tesla V100 (40GB显存),处理器核心数为4,RAM32GB,Disk100GB,深度学习框架PaddlePaddle。

式中:TP表示真正类,即样本的真实类别是正类,并且模型识别的结果也是正类;FN表示假负类,即样本的真实类别是正类,但是模型将其识别为负类;FP 表示假正类,即样本的真实类别为负类,但是模型将其识别为正类;TN为真负类,即样本的真实类别是负类,并且模型将其识别为负类。实验过程中,模型的训练参数设定如表1所示。

2.2 实验分析

为表现ResNet50_vd在农作物病害识别中的优异效果,选取深度学习任务中应用广泛的VGG 网络、ResNet网络作为实验对比模型。图5为各个模型在训练集上训练过程中的准确率和损失函数随着遍历次数的变化趋势图。通过图5可以看到,模型在训练集上拟合数据的有效性。

测试集上模型的表现效果往往可以证明其鲁棒性,图6展示了模型在测试集上的准确率和损失函数的变化趋势。通过测试集上可视化结果可以看出,模型具有较好的鲁棒性,在测试集上也能很好地拟合数据。实验中的结果对比数据如表2所示。可以看出,模型在测试集上也有较高的预测精度,满足实际场景需求。

3 结论

本文使用深度残差神经网络模型ResNet50_vd进行农作物病害图像识别,该模型拥有较高的识别精度,并在对比实验中展现了优异的性能。可以看出,将计算机视觉技术与病害识别结合,可以帮助农民快速、准确地识别作物病害,有助于提高农业生产效率和农作物产量。但是,本文仅研究了成像质量较高的识别情境,未来将继续深入探索现实场景中无人机拍摄下的作物图像,提高模型在小目标中的识别效果。

猜你喜欢
卷积神经网络深度学习智能化
智能化战争多维透视
印刷智能化,下一站……
基于“物联网+”的智能化站所初探
基于深度卷积神经网络的物体识别算法
MOOC与翻转课堂融合的深度学习场域建构
大数据技术在反恐怖主义中的应用展望