余驥遠(yuǎn), 高尚兵, 李 潔, 陳 新, 李士叢, 張浩淼, 袁星星, 唐 琪

(1.淮陰工學(xué)院,江蘇淮安 223001; 2.江蘇省農(nóng)業(yè)科學(xué)院經(jīng)濟(jì)作物研究所,江蘇南京 210014)

針對(duì)目前綠豆葉部病害分類(lèi)研究較少的現(xiàn)狀,本研究以國(guó)內(nèi)外其他農(nóng)作物葉部病害的分類(lèi)案例為基礎(chǔ)展開(kāi)對(duì)綠豆葉部病害的分類(lèi)研究。Lowe等利用高光譜圖像分析技術(shù)對(duì)植物病害和脅迫早期發(fā)作進(jìn)行分類(lèi)與檢測(cè)[5]。呂夢(mèng)棋等提出一種改進(jìn)的ResNet模型對(duì)玉米種子進(jìn)行分類(lèi),對(duì)大、中、小種子的識(shí)別率分別達(dá)到96.4%、93.5%、92.3%[6]。王美華等改進(jìn)了注意力CBAM模塊,提高了模型的分類(lèi)準(zhǔn)確率[7]。黃英來(lái)等采用改進(jìn)殘差網(wǎng)絡(luò)對(duì)玉米葉片病害進(jìn)行分類(lèi),提高了玉米葉片病害圖像分類(lèi)準(zhǔn)確率[8]。閆建偉等利用改進(jìn)的RetinaNet模型對(duì)刺梨果實(shí)進(jìn)行識(shí)別,平均識(shí)別率為94.86%[9]。趙志焱等通過(guò)研究玉露香梨葉蟲(chóng)害圖像,提出一種自動(dòng)識(shí)別的TACNN網(wǎng)絡(luò),取得了81.18%的分類(lèi)準(zhǔn)確率[10]。宋余慶等提出了多層次增強(qiáng)高效空間金字塔(extremely efficient spatial pyramid,簡(jiǎn)稱(chēng)EESP)卷積深度學(xué)習(xí)模型,在植物病蟲(chóng)害圖像尺寸不同的情況下達(dá)到88.4%的分類(lèi)準(zhǔn)確率[11]。Gao等提出一種雙分支、高效、通道注意力(DECA)的作物病害識(shí)別模型,在公開(kāi)數(shù)據(jù)集PlantVillage 上得到了99.74%的疾病識(shí)別準(zhǔn)確率[12]。尚靜等使用高光譜成像儀對(duì)獼猴桃成熟度進(jìn)行無(wú)損檢測(cè)[13]。謝鵬堯等利用Mask-RCNN模型對(duì)水稻冠層進(jìn)行檢測(cè),檢測(cè)準(zhǔn)確率達(dá)到94.30%[14]。Hussain等使用EfficientNetV2模型對(duì)豆蔻病害進(jìn)行檢測(cè),病害檢測(cè)準(zhǔn)確率為98.26%[15]。Bhujel等通過(guò)結(jié)合不同的注意力模塊設(shè)計(jì)的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)對(duì)番茄葉病進(jìn)行分類(lèi),分類(lèi)準(zhǔn)確率達(dá)到99.69%[16]。劉慶飛等提出一種基于深度可分離卷積的逐像素分類(lèi)方法,實(shí)現(xiàn)作物、雜草和土壤的逐像素分類(lèi),平均準(zhǔn)確率為94.99%[17]。閆壯壯等利用VGG16卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)大豆豆莢進(jìn)行識(shí)別,準(zhǔn)確率可以達(dá)到98.41%[18]。

雖然使用卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)作物葉部病害分類(lèi)方面已經(jīng)取得了豐富的成果,但大多數(shù)情況下由于每種農(nóng)作物病害機(jī)理不同,因此并不能直接使用已有的其他農(nóng)作物的葉片分類(lèi)方法。本研究以綠豆葉片高光譜圖像為研究對(duì)象,研究有關(guān)綠豆葉斑病的分類(lèi)問(wèn)題,提出了一種基于MS-PLNet的綠豆葉斑病分類(lèi)方法,對(duì)5種不同葉斑病抗性等級(jí)的葉斑病圖像進(jìn)行分類(lèi),在保證本研究設(shè)計(jì)的MS-PLNet具有較小參數(shù)量的前提下,分類(lèi)平均準(zhǔn)確率達(dá)到97.4%。

1 圖像采集與預(yù)處理

1.1 圖像來(lái)源

于2020年4—6月在江蘇省農(nóng)業(yè)科學(xué)研究院開(kāi)展相關(guān)試驗(yàn),挑選顆粒飽滿,相似大小的綠豆種子備用,抗葉斑病精準(zhǔn)鑒定在具備良好的試驗(yàn)室環(huán)境的抗病材料室中進(jìn)行。試驗(yàn)的材料采取隨機(jī)排列的方法,每份材料種植在10 cm×10 cm的花盆中,每個(gè)花盆種4株苗,一共種植12株。每10份材料設(shè)置1組已知抗病或者感病材料進(jìn)行對(duì)照,常用的對(duì)照材料為V1197(感)、V4718(抗),在實(shí)驗(yàn)中如果鑒定出植株出現(xiàn)抗、感自交系統(tǒng)生長(zhǎng)排異的情況,就在原有對(duì)照試驗(yàn)組的情況下,添加適合試驗(yàn)環(huán)境并具有穩(wěn)定抗感性的新對(duì)照組材料。

先把存儲(chǔ)在實(shí)驗(yàn)室的致病力較強(qiáng)的變灰尾孢菌株置于V8培養(yǎng)基,然后將培養(yǎng)基放入28°C培養(yǎng)箱中約7 d,菌種活化后,將其接種在新的V8培養(yǎng)基上進(jìn)行病原體大量擴(kuò)繁,約7～10 d菌絲布滿整個(gè)平板。在材料室接種的當(dāng)天,繼續(xù)使用直徑為5 mm的無(wú)菌穿孔器在菌種和菌落的生長(zhǎng)邊緣打孔,以更好地接種。在接種期間,在綠豆的第1組復(fù)葉展開(kāi)后,收集完全展開(kāi)的復(fù)葉,用水洗滌未折疊的復(fù)葉并放在吸水紙上,將吸水紙放入盒子中,然后在待接種復(fù)葉上使用刀片造成4 mm的小傷口并繼續(xù)接種5 mm的菌餅,并將接種盒敷上保鮮膜。在25 ℃條件下保持黑暗36 h后,再使用與上述室溫和光周期一致的條件使葉子發(fā)病。1個(gè)品種做3個(gè)重復(fù)試驗(yàn)和1個(gè)對(duì)照試驗(yàn),每個(gè)重復(fù)試驗(yàn)采用1組復(fù)葉進(jìn)行,對(duì)照為不接菌葉片。接種7 d后進(jìn)行調(diào)查,檢測(cè)病斑的大小,根據(jù)斑點(diǎn)的大小,確定綠豆葉的葉斑病抗性水平,即高抗病性、抗病性、中抗病性、中感病性、感病性和高感病性,以上抗性類(lèi)型分別標(biāo)記為HR、R、MR、MS、S、HS等6種,由于HS型的葉片在本實(shí)驗(yàn)中基本不發(fā)生,故在下文的綠豆葉斑病分類(lèi)中只采用HR、R、MR、MS、S等5種葉片。

使用單反相機(jī)(型號(hào):Canon EOS 550D;光圈值:f/5;曝光時(shí)間:0.5 s;ISO速度:ISO-200;焦距:45 mm;測(cè)光模式:圖案;閃光燈模式:無(wú)閃光,強(qiáng)制)從相同角度獲取實(shí)驗(yàn)室培養(yǎng)的所有綠豆葉片圖像。共采集到綠豆葉片圖像1 000幅。部分圖像如圖1所示。

神經(jīng)網(wǎng)絡(luò)的形式是單隱層的BP網(wǎng)絡(luò)。輸入層設(shè)有200個(gè)PE，它們輸入采集的加速度幅值譜值，輸出層的3個(gè)PE代表建筑各層層間柱子構(gòu)件，其活性值取在0～1之間，0代表完全破壞，1代表無(wú)損壞，中間的數(shù)值代表以構(gòu)件剛度降低百分?jǐn)?shù)表達(dá)的損壞程度。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 綠豆葉片高光譜圖像轉(zhuǎn)化 使用Specim高光譜成像儀獲取綠豆葉片高光譜圖像,該成像儀由取景器攝像機(jī)、聚焦環(huán)、聚焦攝像機(jī)組成。首先將單反相機(jī)拍攝的RGB圖像傳入IQ Studio,然后將IQ Studio處理后的圖像導(dǎo)入Specim, 獲取本研究使用的高光譜圖像,部分高光譜數(shù)據(jù)如圖2所示。

1.2.2 圖像裁剪 由于本試驗(yàn)中進(jìn)行圖像分類(lèi)是對(duì)單個(gè)圖片中的單個(gè)葉片進(jìn)行抗性分類(lèi),然而轉(zhuǎn)換的高光譜圖像中包括很多葉片。因此首先需要對(duì)圖像進(jìn)行裁剪,將圖像中聚集在一起的多個(gè)葉片分割為便于觀察的單個(gè)葉片。首先使用LabelImg標(biāo)注圖像,相同抗性類(lèi)別的綠豆葉片圖像標(biāo)注為同一類(lèi)別,然后導(dǎo)出XML標(biāo)注文件并使用python進(jìn)行原圖裁剪和分辨率調(diào)整。經(jīng)過(guò)裁剪的不同抗性綠豆葉片圖像如圖3所示。

1.2.3 數(shù)據(jù)增強(qiáng) 在圖像分類(lèi)任務(wù)中,如果用來(lái)訓(xùn)練模型的數(shù)據(jù)越多,通常訓(xùn)練出來(lái)的模型精度也會(huì)越高,魯棒性和泛化性也會(huì)越強(qiáng),數(shù)據(jù)增強(qiáng)是深度學(xué)習(xí)中常用的數(shù)據(jù)擴(kuò)充方法[19]。本研究使用上下翻轉(zhuǎn)、左右翻轉(zhuǎn)、隨機(jī)對(duì)比度變換,最后進(jìn)行歸一化操作[20]。在模型測(cè)試的時(shí)候進(jìn)行雙線性插值和歸一化操作來(lái)保證測(cè)試結(jié)果的穩(wěn)定性[21]。經(jīng)過(guò)處理后的部分圖像如圖4所示。

2 搭建MS-PLNet圖像分類(lèi)模型

2.1 藍(lán)圖卷積

與深度可分離卷積的不同之處在于,深度可分離卷積首先逐個(gè)通道卷積,然后將深度方向上的特征圖加權(quán)在一起,而藍(lán)圖卷積(blueprint separable convolution)如圖5所示,先對(duì)深度方向上的特征圖加權(quán),然后再進(jìn)行卷積[22]。

藍(lán)圖卷積參數(shù)量大小為:

PBS=K×K×N+C×N。

(1)

藍(lán)圖可分離卷積計(jì)算量大小為:

FBS=K×K×N×H×W+C×H×W。

(2)

式中:N和C的含義和深度可分離卷積相反,N為輸入特征圖通道數(shù),C為卷積核數(shù)量或者輸出特征圖通道數(shù)。

深度可分離卷積隱式地假設(shè)了一個(gè)用于所有內(nèi)核的三維藍(lán)圖,而藍(lán)圖卷積則是依賴(lài)于每個(gè)內(nèi)核的單獨(dú)二維藍(lán)圖。研究表明,單個(gè)內(nèi)核的內(nèi)部相關(guān)性有更大的潛力進(jìn)行有效分離。

2.2 SE模塊

卷積神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制(attention mechanism)分為軟注意力(soft-attention)和強(qiáng)注意力(hard-attention)[23]。本研究選擇基于通道注意力的壓縮和激活模塊(squeeze-and-excitation block)重新組合特征[24]。

函數(shù) U 首先執(zhí)行擠壓運(yùn)算,該運(yùn)算將特征映射集成到空間維度上以生成通道描述符。然后將生成的通道描述符嵌入到通道中,幫助網(wǎng)絡(luò)在較低層利用來(lái)自全局感受野的有用信息。然后執(zhí)行激活操作,通過(guò)基于通道間依賴(lài)性的自門(mén)控機(jī)制確定通道間依賴(lài)的程度。當(dāng)2次操作完成后,重新加權(quán)的特征圖作為SE模塊的輸出進(jìn)入到后續(xù)層中參與訓(xùn)練,如圖6所示,其中AvgPooling表示全局平均池化,FC1和FC2表示特征圖,ReLU和Sigmoid表示激活函數(shù)。

卷積過(guò)程可以表示為:

(3)

式中:uc表示一個(gè)通道輸出的特征圖;vc表示卷積過(guò)程;X表示輸入和輸出的所有通道特征圖,其中輸入特征圖X∈RH×W×C,輸出特征圖X∈UH×W×C,H、W、C分別表示特征圖的高和寬以及通道數(shù)。

2.3 分類(lèi)流程與MS-PLNet網(wǎng)絡(luò)結(jié)構(gòu)

本研究基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)綠豆葉斑病進(jìn)行分類(lèi),首先加載綠豆葉斑病數(shù)據(jù)集,對(duì)該數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理,然后將處理后的圖像送入本研究構(gòu)建的MS-PLNet模型進(jìn)行訓(xùn)練,最后通過(guò)Softmax函數(shù)對(duì)獲取的特征進(jìn)行分類(lèi)。

2.3.1 MS-PLNet網(wǎng)絡(luò)結(jié)構(gòu) 構(gòu)建MS-PLNet葉斑病識(shí)別網(wǎng)絡(luò),如圖7所示,總共包括了3個(gè)分支的特征提取模塊、一個(gè)SE Block特征融合模塊和分類(lèi)器模塊。首先將高光譜圖像輸入特征提取模塊,然后構(gòu)建3個(gè)尺度的特征提取模塊,特征提取模塊使用普通卷積和藍(lán)圖卷積搭建,在搭建過(guò)程中每個(gè)尺度的特征提取模塊中使用3步藍(lán)圖卷積模塊,其中第1步藍(lán)圖卷積用來(lái)增加通道數(shù),第2步藍(lán)圖卷積用來(lái)減少通道數(shù),第3步藍(lán)圖卷積用來(lái)增加通道數(shù),最后將3個(gè)尺度的特征提取模塊計(jì)算得到的特征圖輸入到SE Block通道注意力模塊。在獲得特征融合的特征圖后,通過(guò)由全局平均池化層和全連接層組成的分類(lèi)器進(jìn)行綠豆葉斑病的分類(lèi)。

在MS-PLNet網(wǎng)絡(luò)搭建的過(guò)程中使用的多尺度特征(multi-scale feature)能改善圖像分類(lèi)的效果,本研究使用的是多尺度特征提取中典型的特征金字塔結(jié)構(gòu)[25]。從圖像的每一層中提取不同比例的特征,得到特征圖,通過(guò)逐層降低分辨率和下采樣,在達(dá)到卷積停止?fàn)顟B(tài)后才停止采樣。通過(guò)不斷的下采樣操作,相應(yīng)的圖像越小,分辨率越低。

在特征提取階段,第1個(gè)分支經(jīng)過(guò)上采樣后輸入圖像為256像素×256像素,特征提取模塊一共有18層,包括16個(gè)卷積層、2個(gè)反卷積層[26]。其中包括5個(gè)由1×1的點(diǎn)卷積和7×7的組卷積構(gòu)成的藍(lán)圖卷積,每個(gè)藍(lán)圖卷積的輸入通道數(shù)和輸出通道數(shù)均不同。第2個(gè)分支輸入圖像為128像素×128像素,特征提取模塊一共有17層,包括15個(gè)卷積層,2個(gè)反卷積層,其中包括5個(gè)由1×1的點(diǎn)卷積和5×5的組卷積構(gòu)成的藍(lán)圖卷積。最后一個(gè)分支經(jīng)過(guò)下采樣后輸入圖像為64像素×64像素,特征提取模塊一共20層,包括16個(gè)卷積層、3個(gè)反卷積層、1個(gè)最大池化層,其中包括4個(gè)由1×1的點(diǎn)卷積和3×3的組卷積構(gòu)成的藍(lán)圖卷積。搭建的MS-PLNet網(wǎng)絡(luò)的具體參數(shù)如表1所示。

表1 MS-PLNet特征提取模塊參數(shù)

3 結(jié)果與分析

3.1 算法運(yùn)行環(huán)境

本研究進(jìn)行綠豆葉斑病圖像分類(lèi)采用的算法運(yùn)行平臺(tái)為深度學(xué)習(xí)服務(wù)器,配置為Intel? Xeon? Silver 4210R CPU @ 2.40 GHz、顯卡Quadro RTX 4000、內(nèi)存DDR4 8G。使用Xshell 7下的Pytorch 1.10深度學(xué)習(xí)框架和CUDA11.3計(jì)算架構(gòu)。

3.2 訓(xùn)練過(guò)程與結(jié)果

采用Pytorch官方權(quán)重參數(shù),結(jié)合本研究的綠豆葉斑病具體分類(lèi)要求,調(diào)整MS-PLNet模型的訓(xùn)練參數(shù)。具體的參數(shù)設(shè)置如表2所示。

表2 訓(xùn)練參數(shù)

將5個(gè)抗性類(lèi)型的綠豆葉斑病類(lèi)別每個(gè)類(lèi)別的2 000張葉斑病圖像輸入MS-PLNet模型訓(xùn)練,并且在訓(xùn)練過(guò)程中通過(guò)卷積、池化和反向傳播不斷更新MS-PLNet模型的權(quán)重,多次迭代后,使得搭建的卷積神經(jīng)網(wǎng)絡(luò)誤差趨近于零、準(zhǔn)確率達(dá)到擬合,得到權(quán)重最優(yōu)的模型。另外采用8:2的比例去劃分訓(xùn)練集和驗(yàn)證集,其中8 000張圖片被用于訓(xùn)練,每個(gè)抗性類(lèi)別分別占1 600張;2 000張圖片被用于驗(yàn)證,每個(gè)抗性類(lèi)別分別占400張。為與本研究所提出的圖像分類(lèi)方法進(jìn)行比較,在所有試驗(yàn)參數(shù)設(shè)置相同的情況下,分別對(duì)比了使用瓶頸結(jié)構(gòu)為主搭建的輕量級(jí)模型MobileNet-V2、MobileNet-V3,使用MBConv結(jié)構(gòu)為主搭建的EfficientNet-B0,使用SandGlass模塊為主搭建的MobileNeXt[27-30],以及和沒(méi)有使用深度可分離卷積思想搭建的其他深度卷積神經(jīng)網(wǎng)絡(luò)模型ResNet50、VGG16、DenseNet121進(jìn)行了廣泛的比較[31-33]。

訓(xùn)練結(jié)果如表3所示,給出5種抗性類(lèi)別下的綠豆葉斑病圖像在以上模型和本研究搭建的 MS-PLNet 模型上的驗(yàn)證準(zhǔn)確率、訓(xùn)練損失值和模型訓(xùn)練時(shí)間。表4給出了所有模型的計(jì)算量、模型大小、模型參數(shù)數(shù)量以及模型深度。

由表3可知,與其他先進(jìn)方法相比,本研究所提出的MS-PLNet方法達(dá)到了最好的訓(xùn)練結(jié)果。經(jīng)過(guò)300個(gè)迭代和1 000個(gè)迭代的訓(xùn)練,所提出的方法分別實(shí)現(xiàn)了96.8%、98.4%的驗(yàn)證準(zhǔn)確率,而且訓(xùn)練1 000次后損失值已經(jīng)降到了0.052。另外,也可以看出MS-PLNet訓(xùn)練300次和訓(xùn)練1 000次所花費(fèi)的時(shí)間遠(yuǎn)遠(yuǎn)低于其他模型。MobileNet-V2訓(xùn)練300次后驗(yàn)證準(zhǔn)確率為96.6%,僅比MS-PLNet低0.2百分點(diǎn),但是比MS-PLNet要多花費(fèi)近154%的訓(xùn)練時(shí)間;EfficientNet-B0訓(xùn)練1 000次后驗(yàn)證準(zhǔn)確率達(dá)到98.3%,僅比MS-PLNet低0.1百分點(diǎn),但是卻比MS-PLNet要多花費(fèi)近127%的訓(xùn)練時(shí)間。

圖8為MS-PLNet訓(xùn)練300次和訓(xùn)練1 000次的驗(yàn)證準(zhǔn)確率圖和訓(xùn)練損失圖?？梢钥吹?隨著訓(xùn)練次數(shù)的不斷增加,模型的驗(yàn)證集準(zhǔn)確率在不斷上升,訓(xùn)練集損失在不斷下降,當(dāng)訓(xùn)練到第300次的時(shí)候,不管是準(zhǔn)確率還是損失都沒(méi)有到達(dá)擬合點(diǎn),在第1 000次訓(xùn)練的時(shí)候,模型仍然還有上升的空間,但已經(jīng)擬合。從圖8還可以看到,訓(xùn)練過(guò)程中,曲線基本上不表現(xiàn)噪聲,整個(gè)上升和下降的過(guò)程總體上非常平滑,這也證明本研究搭建的MS-PLNet卷積神經(jīng)網(wǎng)絡(luò)模型具有較好的魯棒性,非常適合本試驗(yàn)中提供的綠豆葉斑病高光譜圖片的分類(lèi)。

由表3、表4可知,本研究提出的MS-PLNet在綜合考慮了模型大小、參數(shù)數(shù)量和計(jì)算量開(kāi)銷(xiāo)的前提下,優(yōu)于其他先進(jìn)方法的性能。本研究的MS-PLNet模型計(jì)算量?jī)H僅比MobileNet-V2大0.07 GMac,比MobileNet-V3大0.31 GMac,能夠高效地利用內(nèi)存空間和GPU資源,提高了算法的運(yùn)算效率。

表3 模型性能對(duì)比

表4 模型大小與計(jì)算速度

3.3 評(píng)價(jià)指標(biāo)

考慮到具體分類(lèi)過(guò)程中準(zhǔn)確識(shí)別和錯(cuò)誤識(shí)別的統(tǒng)計(jì)數(shù)據(jù),本研究MS-PLNet方法的性能以及本研究中討論的其他最先進(jìn)的方法是用不同的指標(biāo)來(lái)衡量的。使用分類(lèi)準(zhǔn)確率(Accuracy)、精度(Precision)、召回率(Recall)和F1得分(F1-Score)來(lái)對(duì)MS-PLNet方法的圖像分類(lèi)效果進(jìn)行評(píng)價(jià)。其中,Accuracy是在全部預(yù)測(cè)樣本中正確預(yù)測(cè)的樣本所占的比例;Precision是在全部陽(yáng)性預(yù)測(cè)樣本中,正確預(yù)測(cè)的樣本所占的比例;Recall是正確識(shí)別的陽(yáng)性樣本在所有真陽(yáng)性樣本中所占的比例;F1-Score同時(shí)考慮了假陰性和假陽(yáng)性。更具體地說(shuō),評(píng)價(jià)指標(biāo)使用(4)～(7)進(jìn)行計(jì)算。

(4)

(5)

(6)

(7)

式中:TP(真陽(yáng)性)為正確分類(lèi)的陽(yáng)性樣本數(shù)量;FN(假陰性)為分類(lèi)錯(cuò)誤的陽(yáng)性樣本數(shù)量;FP(假陽(yáng)性)為被錯(cuò)誤分類(lèi)為陽(yáng)性類(lèi)別的陰性樣本數(shù)量;TN(真陰性)為準(zhǔn)確分類(lèi)的負(fù)數(shù)樣本數(shù)量。

3.4 綠豆葉斑病分類(lèi)結(jié)果

由表5可知5種抗性類(lèi)型的綠豆葉片在本研究搭建的MS-PLNet模型上面的分類(lèi)準(zhǔn)確率、分類(lèi)精度、召回率和F1-分?jǐn)?shù)等分類(lèi)評(píng)價(jià)指標(biāo)結(jié)果,其中每個(gè)抗性類(lèi)別的圖片選擇200張,一共使用1 000張圖片進(jìn)行測(cè)試。所提方法區(qū)分了5種不同的綠豆葉斑病抗性類(lèi)型,并達(dá)到了97.4%的平均準(zhǔn)確率、95.0%的平均分類(lèi)精度、99.9%的平均召回率和97.4%的平均F1-分?jǐn)?shù),能夠有效地對(duì)綠豆葉部病害進(jìn)行分類(lèi)。

表5 不同綠豆葉片的分類(lèi)結(jié)果

4 結(jié)論與討論

對(duì)本研究MS-PLNet方法所得結(jié)果的可靠性解釋是注意力機(jī)制將基于位置的柔性注意力機(jī)制集成到模型中,這增加了模型提取綠豆葉斑病圖像中微小病變特征的能力。MS-PLNet采用多尺度特征提取能夠提取到綠豆葉片不同尺度的更加豐富的病斑特征。另外,在模型訓(xùn)練中應(yīng)用了三階段的藍(lán)圖卷積,使模型獲得了最優(yōu)權(quán)重參數(shù),并且盡可能地減小了模型大小,節(jié)省了訓(xùn)練過(guò)程中的內(nèi)存開(kāi)銷(xiāo)。這種從粗到細(xì)再到粗的模型搭建策略使模型首先感知到粗略的特征,然后將注意力轉(zhuǎn)移到精細(xì)的細(xì)節(jié)上,最后再次關(guān)注已經(jīng)得到的特征圖的全局信息,以防止模型忽略其他重要的細(xì)節(jié)特征,從而提高模型的識(shí)別準(zhǔn)確性。本研究提出的MS-PLNet網(wǎng)絡(luò)結(jié)構(gòu)克服了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)量大、模型運(yùn)算量高的不足,既能有較好的葉斑病分類(lèi)準(zhǔn)確率,又能使模型具有較小的參數(shù)量,實(shí)現(xiàn)葉斑病的快速識(shí)別和統(tǒng)計(jì)分析。

本研究提出的卷積神經(jīng)網(wǎng)絡(luò)模型用于對(duì)綠豆葉斑病高光譜圖像和抗性等級(jí)進(jìn)行分類(lèi)和評(píng)估,通過(guò)構(gòu)建MS-PLNet模型,與MobileNet-V2、MobileNet-V3、EfficientNet-B0、ResNet50等現(xiàn)有的先進(jìn)模型進(jìn)行比較。本研究提出的MS-PLNet模型在達(dá)到最高驗(yàn)證準(zhǔn)確率的同時(shí),訓(xùn)練300次僅需要1個(gè)小時(shí)49分鐘,其中驗(yàn)證準(zhǔn)確率較高的MobileNet-V2比MS-PLNet要多花費(fèi)近154%的訓(xùn)練時(shí)間;訓(xùn)練1 000次僅需要10個(gè)小時(shí)26分鐘,其中驗(yàn)證準(zhǔn)確率較高的EfficientNet-B0比MS-PLNet要多花費(fèi)近127%的訓(xùn)練時(shí)間。MS-PLNet是所有進(jìn)行對(duì)比的模型中訓(xùn)練花費(fèi)時(shí)間最少的,極大地節(jié)省了模型的推理時(shí)間和訓(xùn)練資源,方便部署。

它通過(guò)構(gòu)建多尺度的特征提取模塊,在3個(gè)分支的特征提取模塊中輸入高光譜圖像以及采用3個(gè)尺度的卷積核進(jìn)行特征提取,在降低了模型參數(shù)的前提下,訓(xùn)練出來(lái)的模型達(dá)到了較高的分類(lèi)精度,能夠?qū)崿F(xiàn)綠豆葉斑病的快速識(shí)別。

為實(shí)現(xiàn)對(duì)綠豆葉斑病的精準(zhǔn)快速分類(lèi),本研究提出一種基于MS-PLNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和高光譜圖像的綠豆葉斑病分類(lèi)方法。MS-PLNet網(wǎng)絡(luò)訓(xùn)練1 000次能夠達(dá)到98.4%的驗(yàn)證準(zhǔn)確率,并且該方法對(duì)HR、R、MR、MS、S等5種抗性類(lèi)型的綠豆葉斑病圖片的分類(lèi)平均精度為95.0%,可用于實(shí)驗(yàn)室條件下的綠豆葉斑病和其他農(nóng)作物葉斑病的快速分類(lèi),識(shí)別準(zhǔn)確率高,且具有較好的魯棒性與廣泛的應(yīng)用價(jià)值。本研究使用的綠豆葉斑病數(shù)據(jù)集為實(shí)驗(yàn)室收集得到,下一步將收集真實(shí)大田環(huán)境下的數(shù)據(jù),驗(yàn)證本研究搭建的MS-PLNet模型在復(fù)雜環(huán)境下的分類(lèi)準(zhǔn)確率。