基于神经结构搜索的多种植物叶片病害识别

0 引 言

目前全球粮食产量的增长速度远低于人口增长速度，粮食产量和安全对保障人民生活水平和国民经济发展具有重要的意义[1-2]。植物病虫害是影响农林业生产、生态安全和农林作物产量的生物灾害[3]，及时准确掌握植物病虫害的类型、严重程度及病害发展状况，能够有效减少病害对农林业生产造成的经济损失，同时减少滥用农药造成的环境污染，为科学制定病害防治策略提供依据[4]。传统的植物病害监测方法主要依赖于专家通过可见特征来进行评估[5]，这不仅需要专家具有丰富的经验，同时评估过程较为繁琐、耗时，具有一定的主观性[6]，难以满足实际生产中大面积、快速病虫害监测的应用需求。早期基于计算机视觉识别植物病害的方法首先需要提取植物特定特征，再使用传统分类方法识别病害。然而提取特征的过程复杂，且特征提取器的选择及设计对病害的识别结果有较大的影响[7-9]。近年来，迅速发展的深度学习是机器学习的一个分支，被广泛应用于多个领域，如图像分类、目标检测、视觉跟踪等[10-11]，并取得了很好的效果。基于深度学习的植物叶片病害图像分析方法具有精度高、速度快等优点，为植物病害准确快速检测提供了有效的技术手段。Srdjan 等[12]将深度卷积神经网络用于植物病害识别，该方法能够区分植物叶片与其周围环境，并能够区分健康叶片与13 种不同的植物病害，模型识别的平均准确率达 96.3%。Mohanty 等[3]使用GoogleNet 和 AlexNet 两种深度学习网络结构对PlantVillage 数据集进行了植物病害图像分类试验，结果表明采用迁移学习效果更好，GoogLeNet 的性能优于AlexNet。Alvaro 等[13]提出一种基于深度学习的番茄植株病虫害检测方法，采用Faster R-CNN 检测框架和VGG16特征提取网络，成功检测并识别9 种不同类别的病虫害。Wang 等[14]使用PlantVillage 中的苹果病害数据集进行试验，分析了VGG16、VGG19、 Inception-v3、和ResNet50共 4 种网络结构在全新学习和迁移学习下的分类性能。结果表明，对训练好的VGG16 经过迁移学习得到的模型识别效果最佳，其在测试集上的总体准确率为90.4%。孙俊等[15]对卷积神经网络模型 AlexNet 进行了改进，采用批归一化与全局池化相结合的卷积神经网络模型对多种植物叶片病害进行分类，改进后模型的平均准确率达99.56%，结果表明改进后的模型具有较高的识别准确率和较强的鲁棒性。Ferentinos 等[11]使用含 58 类植物病害的公开数据集对AlexNet、AlexNetOWTBn、GoogLeNet、Overfeat、VGG 共5 种不同的模型架构进行训练并测试模型识别准确率，结果表明采用VGG 架构训练的模型识别植物病害的准确率最高，达到99.53%。马浚诚等[16]构建了一个基于卷积神经网络的温室黄瓜病害识别系统，实现了对温室黄瓜病斑图像的准确分割及病害识别，分割准确率为 97.29%，识别准确率为 95.70%。Esgario 等[4]使用 AlexNet、GoogLeNet、VGG16、ResNet50 共 4 种不同的深度神经网络结构对咖啡病虫害进行分类及严重程度估计，结果表明训练后的ResNet50 对咖啡病虫害识别准确率最高，为 97.07%。Singh 等[17]提出一种能够识别芒果炭疽病的多层卷积神经网络结构，与现有的分类方法相比，该方法具有更高的分类精度，达到97.13%。采用深度卷积神经网络识别植物病害时，训练数据较少会导致模型性能下降。Barbedo 等[18]通过将每幅图像划分成小的图像块作为训练数据，一定程度上提高了病害分类的准确性。Nazki 等[19]提出一种生成对抗网络AR-GAN，并用AR-GAN 对9 种高度不平衡的番茄病害数据进行扩充，将深度卷积神经网络识别番茄病害的准确率由80.9%提高至 86.1%。郭小清等[20]根据番茄病害叶片图像的特点，对AlexNet 进行了去除局部归一化层、修改全连接层等改进设计，并开发了基于Android 平台的番茄叶部病害识别系统。该模型对番茄叶部病害及每种病害早中晚期的平均识别准确率达到 92.7%，基于此模型的 Andriod端识别系统在田间的识别率达到 89.2%。刘洋等[21]对MobileNet 和Inception-v3 两种轻量级卷积神经网络进行迁移学习，在 PlantVillage 数据集上平均识别率分别达到95.02%和95.62%，在自建葡萄病害叶片图像集上平均识别率分别为87.50%、88.06%。将得到的2 种较优分类模型移植到 Android 手机端进行对比，结果表明MobileNet 分类模型占用内存更小，运算时间更快，更适合用于手机端。

目前多数的网络结构都需要专家根据不同应用场景进行合理的设计，并且需要不断调整网络结构及参数以获得最优的识别模型，这个过程不仅耗时，同时需要具备专业的知识及经验[22]。Zoph 等[23]提出了神经结构搜索（Neural Architecture Search，NAS），无需人为手动设计网络结构。Zoph 等[24]证明了使用神经结构搜索得到的网络模型优于大多数人工设计的网络结构，并根据该神经结构搜索方法提出了NASNet。Adedoja 等[25]采用已经训练好的网络模型 NASNet，并在 Plantvillage 数据集上进行了迁移学习，测试的准确率为93.82%，该方法并未针对植物病害数据设计合适的网络结构。本文提出一种基于神经结构搜索的植物叶片病害识别方法，该方法能依据数据集学习合适的网络结构。采用PlantVillage 公共数据集进行神经结构搜索，对搜索到的最优网络模型进行测试和分析，以期能够实现植物叶片病害的准确识别，为科学制定病害防治策略提供有效的技术手段。

文章来源：《植物生理学报》 网址: http://www.zwslxbzz.cn/qikandaodu/2021/0311/562.html