摘 要： 為有效提升葡萄葉片病害識(shí)別的精度和效率，實(shí)現(xiàn)葡萄病害的及時(shí)防治進(jìn)而提高產(chǎn)量和質(zhì)量，本文提出一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害集成識(shí)別方法，對(duì)常見的三種葡萄葉片病害進(jìn)行自動(dòng)準(zhǔn)確的識(shí)別。首先，利用Bagging 集成學(xué)習(xí)算法生成多個(gè)有差異的訓(xùn)練子集；然后，將SE、CA注意力機(jī)制分別引入ResNet152、DenseNet121 與MobileNetV3 模型，得到改進(jìn)后的三種神經(jīng)網(wǎng)絡(luò)基學(xué)習(xí)模型，并在生成的訓(xùn)練子集上進(jìn)行訓(xùn)練；最后，利用加權(quán)平均的思想將這些模型進(jìn)行集成。在葡萄葉片病害數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)表明，該集成模型的識(shí)別準(zhǔn)確率達(dá)到了99.38%，因而是一種比較有效的葡萄葉片病害識(shí)別方法。

關(guān)鍵詞： 葡萄葉片病害識(shí)別；卷積神經(jīng)網(wǎng)絡(luò)；集成學(xué)習(xí)；Bagging算法；圖像識(shí)別

中圖法分類號(hào)： TP391.41 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1000-2324（2024）06-0950-11

我國已經(jīng)成為世界最大的葡萄生產(chǎn)國和消費(fèi)國，葡萄產(chǎn)業(yè)已成為很多地方重要的支柱產(chǎn)業(yè)［1］。然而，葡萄葉片病害對(duì)其質(zhì)量和產(chǎn)量均可造成很大的影響。因此，如何準(zhǔn)確高效地識(shí)別葡萄葉片病害類型、進(jìn)而及時(shí)采取相應(yīng)防治措施，對(duì)保證和提高葡萄的質(zhì)量和產(chǎn)量均有重要的實(shí)際意義。對(duì)于葡萄葉片病害的識(shí)別，我國傳統(tǒng)葡萄種植管理體系通常采用基于專家經(jīng)驗(yàn)的人工診斷方法［2］。由于不同專家的個(gè)人經(jīng)驗(yàn)積累不同，并且專家自身的知識(shí)和經(jīng)驗(yàn)存在一定的局限性和主觀性，導(dǎo)致這種方法存在時(shí)效性差、主觀性強(qiáng)、準(zhǔn)確率不穩(wěn)定等缺點(diǎn)，因而不能有效可靠地保證葡萄的質(zhì)量和產(chǎn)量。為解決這一問題，近幾年學(xué)者將深度學(xué)習(xí)技術(shù)應(yīng)用于植物病害識(shí)別領(lǐng)域［3］，并取得了一定的研究成果，下面對(duì)其進(jìn)行簡要介紹。

彭紅星等［4］對(duì)MobileNetV3 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行有效改進(jìn)，提出了融合雙分支特征和注意力機(jī)制的葡萄病蟲害識(shí)別模型，并將其應(yīng)用到葡萄葉片病害以及蟲害數(shù)據(jù)集上，在識(shí)別準(zhǔn)確率［5］和F1-score［6］這兩項(xiàng)性能評(píng)價(jià)指標(biāo)上分別達(dá)到了89.16%和80.44%。曹躍騰等［7］提出一種改進(jìn)的ResNet 植物葉片病害識(shí)別模型，通過調(diào)整卷積核尺寸和優(yōu)化殘差塊結(jié)構(gòu)等手段，使模型的平均識(shí)別準(zhǔn)確率達(dá)到了92.45%，并且模型在移動(dòng)端也取得良好的預(yù)測性能。牛學(xué)德等［8］使用MobileNet 模型并結(jié)合遷移學(xué)習(xí)策略，對(duì)蘋果、玉米、馬鈴薯等3 種作物葉片進(jìn)行病害識(shí)別，并將模型部署到移動(dòng)端，其準(zhǔn)確率達(dá)到了95.3%。蘇仕芳等［9］將神經(jīng)網(wǎng)絡(luò)模型VGG-16 運(yùn)用在ImageNet 圖像數(shù)據(jù)集［10］上，并將該網(wǎng)絡(luò)模型遷移應(yīng)用到葡萄葉片病害識(shí)別中，在識(shí)別準(zhǔn)確率上達(dá)到了96.48%。胡文藝等［11］通過引入SE 注意力機(jī)制［12］的方法，對(duì)ResNet 神經(jīng)網(wǎng)絡(luò)模型［13］進(jìn)行改進(jìn)，使番茄病害圖像的平均識(shí)別準(zhǔn)確率提升到97.96%。謝建梅［14］引入遷移學(xué)習(xí)來提升Inception 模型的學(xué)習(xí)能力，使該模型在ImageNet數(shù)據(jù)集上的識(shí)別準(zhǔn)確率達(dá)到98%，比支持向量機(jī)［15］等經(jīng)典機(jī)器算法提高了大約12%。Lu 等［16］提出了一種基于改進(jìn)深度殘差收縮網(wǎng)絡(luò)的水稻病害識(shí)別方法，通過在原始網(wǎng)絡(luò)中加入inceptionA 模塊，引入CBAM注意力機(jī)制和ELU與Focal loss 等方法，在三種水稻葉部病害數(shù)據(jù)集上的平均識(shí)別準(zhǔn)確率達(dá)到了98.89%。Xie等［17］提出了一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害檢測機(jī)器，在Faster R-CNN算法的基礎(chǔ)上引入Inception-v1、Inception-ReNet-v2 和SEblocks模塊，該檢測模型在葡萄葉片病害數(shù)據(jù)集上的檢測精度達(dá)到81.1%。Liu 等［18］提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害識(shí)別方法，應(yīng)用inception 結(jié)構(gòu)并引入密集連接策略，模型的總體精度達(dá)到了97.22%。