基于卷积神经网络的番茄叶部病害识别研究

吴开兴 苗雪菲 马文妙

摘要：采用卷积神经网络（CNN）创建番茄病害识别模型，对番茄的健康叶片图像及7种病害图像进行预处理;采用深度学习架构TensorFlow进行CNN训练;研究了卷积层采用不同尺寸的卷积核及池化层采用不同的池化方法对番茄病害识别模型性能的影响。实验表明卷积层采用尺寸為5×5，3×3的卷积核及池化层采用最大值池化建立的模型分类识别效果好。测试集的平均识别率达到95.47%，该模型较本研究设计的其他模型分类识别率提高，鲁棒性较强，为后续蔬菜病害诊断与防治提供研究基础。

关键词： 卷积神经网络;番茄病害;图像处理;分类识别模型

中图分类号：TP37        文献标识码：A

文章编号：1009-3044（2020）25-0025-03

Abstract：The model of tomato disease recognition was established by using a convolutional neural network （CNN）. Images of healthy tomato leaves and seven kinds of tomato disease images were processed. And the deep CNN was trained by deep learning framework Tensor Flow. The effects of different sizes of the convolution kernel and different pooling methods on the performance of the tomato disease recognition model were studied. The convolution layer adopted the convolution kernel with a size of 5×5，3×3 and the pooling layer adopted the model established by max_pooling， the model classification and recognition accuracy was better. The training times were 1000 times， and the classification and identification accuracy was 95.47%.Compared with other models in this study， this model had a higher classification and recognition effect， stronger robustness， and provideda research foundation for the subsequent diagnosis and prevention of vegetable diseases.

Key words：convolutional neural network（CNN）; tomato disease; image processing; classification and recognition model

随着计算机技术的持续进步，其被众多领域普遍运用，20世纪末用于识别病虫害。王海涛等[1]利用图像处理技术和计算机技术设计了柑橘病毒病的诊断系统。崔艳丽等[2]利用基于色度的特征值提取对两种黄瓜病害识别进行了研究。马旭等[3]提出了利用颜色空间的转换及模糊聚类分析，研究出分割玉米大斑病害图像的方法。柴阿丽等[4]以计算机视觉技术为方法，通过图像处理来分割病斑研究出番茄叶部病害判别模型。陈丽等[5]研究了识别玉米叶部病害的方法，运用了图像处理技术和概率神经网络技术。刘连忠等[6]采用小波变换进行预处理，再对病害未知的非绿特征进行提取来实现对小麦病害的识别。杨倩等[7]提出采用颜色矩提取颜色特征及LBP算子提取纹理特征来实现大麦病害的识别。张建华等[8]采用最优二叉树的多类SVM技术，研究了一种识别蜜柚叶部病害的方法。Sharada等[9]训练了一个深层卷积神经网络来鉴定作物病情。田凯等[10]采用计算机视觉技术，且用图像处理技术分割病斑，研究出一种识别茄子褐纹病的方法。魏丽冉等[11]通过提高病害处与健康处的对比度，再进一步做图像处理，研究了采用基于核函数SVM的分类识别方法。赵建敏等[12]提出基于CNN的马铃薯叶片病害检测系统。邱靖等[13]研究了基于CNN的水稻病害图像检测的方法。张乃夫等[14]设计了通过CNN实现农作物病害分类的模型。本研究拟构建一种卷积神经网络模型，直接输入彩色的番茄叶片图像，通过卷积层进行特征提取，最终经过输出层实现分类识别。

番茄是一种颇受欢迎的蔬菜，但疮痂病、早疫病、晚疫病、叶霉病、斑枯病等多种病害造成了产量的减少且严重降低质量。所以，番茄病害的识别研究是相当关键的。如何快速、准确地识别出番茄病害，并实施绿色健康的防治措施十分重要。大部分番茄病害的症状呈现于叶片的形状、颜色和纹理，且每种病害表现出来的特征是不相同的[15]。于是，通过番茄叶片图像便可识别其为何种病害。

1 研究对象选取及模型确定

1.1 研究对象的选取

通过卷积神经网络来提取番茄叶片图像的特征及识别病害类型的长处之一是原始番茄叶片图像不用实施一些烦琐的预处理，如病斑分割、提高对比度等处理，原始三通道的番茄叶片图像可直接输入到经过训练的卷积神经网络模型中。

本研究模型的识别对象为番茄健康叶片及疮痂病叶片、早疫病叶片、晚疫病叶片、叶霉病叶片、斑枯病叶片、红蜘蛛损伤叶片和斑点病叶片，对以上叶片图像实现分类识别。原始图像共6400张，每种类型各800张，将所有图像的80%制作成训练集，20%制作成测试集（即每种类型640张图像为训练集，160张图像为测试集）。利用python的PIL库中的resize方法将所有图像处理为相同尺寸（本研究中选用的图像原始尺寸均为256×256，裁剪为32×32输入至模型，以减轻系统的计算量，提高模型的训练速度），并对所有图像制作标签，记为“m_n”。其中m表示图像对应的类型（0表示番茄健康;1表示疮痂病;2表示早疫病;3表示晚疫病;4表示叶霉病;5表示斑枯病;6表示红蜘蛛损伤;7表示斑点病），n表示图像的编号，例如名为“7_160”的图像为番茄斑点病类型图像的第160张。将所有图像设置为JPG格式，构成番茄病害图像数据库。部分图像如图1所示。

1.2 识别模型确定

卷积神经网络的主要结构为输入层、卷积层、池化层和输出层。输入层输入训练数据（即训练集），卷积层从输入图像中提取图像特征，池化层用于降低图像维度和分辨率，但保留了重要信息，并且避免存在过拟合等问题。本研究通过在卷积层设置不同尺寸的卷积核及在池化层设置不同的池化方法，设计CNN模型，以番茄叶片图像作为输入，输入层包含3个颜色通道的32×32像素的图像，它可以看成32×32×3（长、宽、深）的长方体，也可以分散成3个通道的图像矩阵。卷积层和池化层均为2层，输出层的神经元为8个（对应8种类型），激活函数选用ReLU。卷积核尺寸选用3×3、5×5、7×7等，池化方法选用均值池化（average_pooling）、最大值池化（max_pooling）。第1部分的结构为1个卷积层、1个ReLU层和一个池化层。卷积层含有20个卷积核，对输入的RGB图像进行特征提取。将池化层卷积核的尺寸设置为2×2，对特征再次进行提取，降低本层输出图像的维度，减少计算量，最终效果并不会受到影响，意味着池化层可将卷积层输出中的多余的特征进行删减。第2部分与第1部分结构相同，其卷积层含有60个卷积核，池化层的结构和第1部分相同。输出层包含8个神经元，分别代表8个识别类型。

根据以上提出的算法，所设计的模型一共采用了5种卷积核尺寸、2种池化方法，共计10个基于CNN的番茄叶片图像识别模型，并通过实验效果比较各模型。

2 仿真实验及分析

2.1 实验环境

本研究使用的计算机CPU为Intel Corei7-8550U，内存为8G;GPU为NVIDIA GEFORCE 940MX，显存为2G;操作系统为Windows10，采用的框架为TensorFlow，选用的编程语言为python，选用python解释器为PyCharm，在PyCharm上进行编辑、运行。在TensorFlow上构造CNN模型，部分参数设置：学习率为1×10-4、dropout为0.25、epoch为1000。

为检验本研究所设计模型的有效性，将测试集（每种类型的番茄叶片图像各160张，共计1280张）分别输入到训练结束的10个模型中，通过识别结果进行分析。结果如表1所示：从卷积核尺寸看，卷积核尺寸为5×5，3×3时，模型识别率最高，此现象是因为不同卷积核对图像特征的提取能力是不同的;从池化方法看，采用最大值池化识别率较高，原因可能是最大值池化通常能够尽量保存边缘，而均值池化用到了局部感受叶中的所有元素，相当于是进行了模糊处理;从训练时间看，卷积核尺寸与训练时长呈正相关的关系，由于本研究卷积神经网络的深度较浅，时间区别不是很直观;从测试识别率看，均达到87%以上，说明模型实用性较佳。综合分析，相同深度和相同池化层池化方法的网络，卷积核设置为5×5，3×3尺寸的模型的识别效果较好，其次是卷积核设置为3×3及5×5尺寸的模型，卷积核设置为7×7及9×9尺寸的模型的识别效果相比其他模型较不理想;相同深度和相同卷积核尺寸的模型，池化方法选择max_pooling识别效果较佳。模型model-1的输入图像为32×32×3，经过第1部分的卷积层输出为28×28×20，经过第1部分的池化层输出为14×14×20，经过第2部分的卷积层输出为12×12×60，经过第2部分的池化层输出为6×6×60，将3维特征转换为1维，经过全连接层，最后输出为8个类型。尝试将训练次数增大，识别测试集的准确率没有继续上升反而下降，可能学习率还需要调小。最终损失为0.11，训练时长为11分钟，整个测试集的平均识别率达到95.47%，其中对番茄疮痂病和红蜘蛛损伤的识别效果最好，识别率达到98.75%。

2.3 模型比较分析

利用该模型对番茄病害图像进行分类，平均识别率为95.47%。柴帅等[16]建立的基于VGG-19通过迁移学习改进番茄病虫害检测模型，识别准确率为88.98%;阎园园等[17]建立的基于群智能算法分类模型进行番茄病害识别，识别准确率为94.13%;胡志伟等[18]建立的基于注意力与残差思想相结合的CNN番茄病害檢测模型，识别准确率为88.2%;郭小清等[19]建立的基于优化Multi-Scale AlexNet的番茄病害检测模型，识别准确率为92.7%。经对比，表明本研究所设计的模型识别率较高，模型实用性强。

3 结论

本研究通过在卷积层设置不同尺寸的卷积核，在池化层设置不同的池化方法，改进CNN模型，通过番茄叶片图像实现其病害种类的识别。实验表明，所有图像的80%制作成训练集，20%制作成测试集的条件下，卷积核采用5×5，3×3的尺寸，池化方法采用max_pooling的model-1模型，对番茄健康叶片、疮痂病叶片、早疫病叶片、晚疫病叶片、叶霉病叶片、斑枯病叶片、红蜘蛛损伤叶片和斑点病叶片的识别率分别为98.13%、98.75%、89.38%、95.00%、96.88%、92.50%、98.75%和94.38%，平均识别率为95.47%，能够满足实际应用。

通过与其他模型识别率比较，证实本研究所设计的模型识别准确率较高，应用价值较大，实现对番茄健康叶片和其他7种病害的识别，同时为接下来研究植物病虫检测积累经验和参考。下一步将收集番茄病害图像，扩增样本数，对模型进行优化和调整，以提高番茄病害图像识别的实用性和准确性，更好的应用到生活生产中。

参考文献：

[1]王海涛，万蜀渊，李兴成.柑橘病毒病专家系统的研制[J].华中农业大学学报，1998（05）：91-94.

[2] 崔艳丽，程鹏飞，董晓志，等.温室植物病害的图像处理及特征值提取方法的研究——基于色度的特征值提取研究[J].农业工程学报，2005，21（z2）：32-35.

[3] 马旭，齐龙，张小超.基于模糊聚类的玉米大斑病害图像的分割技术[J].农机化研究，2008，30（12）：24-26.

[4] 柴阿丽，李宝聚，石延霞，等.基于计算机视觉技术的番茄叶部病害识别[J].园艺学报，2010，37（9）：1423-1430.

[5] 陈丽，王兰英.概率神经网络在玉米叶部病害识别中的应用[J].农机化研究，2011，33（6）：145-148.

[6] 刘连忠，张武，朱诚.基于改进颜色特征的小麦病害图像识别技术研究[J].安徽农业科学，2012，40（26）：12877-12879.

[7] 杨倩，高晓阳，武季玲，等.基于颜色和纹理特征的大麦主要病害识别研究[J].中国农业大学学报，2013，18（5）：129-135.

[8] 张建华，孔繁涛，李哲敏，等.基于最优二叉树支持向量机的蜜柚叶部病害识别[J].农业工程学报，2014，30（19）：222-231.

[9] Mohanty S P，Hughes D P，Salathé M.Using deep learning for image-based plant disease detection[J].Frontiers in Plant Science，2016，7：1419.DOI：10.3389/fpls.2016.01419.

[10] 田凱，张连宽，熊美东，等.基于叶片病斑特征的茄子褐纹病识别方法[J].农业工程学报，2016（Z1）：184-189.

[11]魏丽冉，岳峻，李振波，等.基于核函数支持向量机的植物叶部病害多分类检测方法[J].农业机械学报，2017，48（S1）：166-171.

[12] 赵建敏，李艳，李琦，等.基于卷积神经网络的马铃薯叶片病害识别系统[J].江苏农业科学，2018，46（24）：251-255.

[13] 邱靖，刘继荣，曹志勇，等.基于卷积神经网络的水稻病害图像识别研究[J].云南农业大学学报（自然科学），2019，34（5）：884-888.

[14] 张乃夫，谭峰，范禹希，等.基于卷积神经网络的农作物病害识别方法研究[J].安徽农业科学，2020，48（5）：242-245.

[15] 贾建楠，吉海彦.基于病斑形状和神经网络的黄瓜病害识别[J].农业工程学报，2013（z1）：115-121.

[16] 柴帅，李壮举.基于迁移学习的番茄病虫害检测[J].计算机工程与设计，2019，40（6）：1701-1705.

[17] 阎园园，陈华，姜波.基于群智能算法分类模型的番茄病害识别[J].江苏农业科学，2020，48（1）：219-224.

[18] 胡志伟，杨华，黄济民，等.基于注意力残差机制的细粒度番茄病害识别[J].华南农业大学学报，2019，40（6）：124-132.

[19] 郭小清，范涛杰，舒欣.基于改进Multi-Scale AlexNet的番茄叶部病害图像识别[J].农业工程学报，2019，35（13）：162-169.

【通联编辑：唐一东】