交流园地 182 Communication Field 2020 年 12 月上 基于深度学习的农作物病虫害识别方法 计雪伟 霍兴赢 六盘水师范学院 ， 薛 端 ， 贵州 六盘水 （ ， 伍晓平 ， 553004） 传统的农作物病虫害识别方法具有鲁棒性差 识别准确率低等问题 而卷积神经网络具有自动提取图像特征 快速准确地识别出农作物病虫害类型不仅可以减少病害给农民带来的损失 、 ， 因此找到一种简单易行的检测方法来快速检测农作物病虫害类型很有意义 。 并以公开的植物数据集影像作为实验的数据集来训练神经网络 基于此 ， 且引入了 识 还可以降低农药对生态环境带来的影 笔者在实验中采用了一种基于残差网络改进 实 网络模型进行比较 泛化能力强 、 、 ， Xception、VGG-16 ， 。 ： 。 摘 要 别准确率高等特点 响 的卷积神经网络 验结果证明 关键词 中图分类号 深度学习 ； ：TP183 ： ： ， 笔者所提出的神经网络模型识别准确率达到了 高于 98.6%， xception 93%、VGG-16 95%。 的 ， 的 卷积网络 全卷积网络 ； ； 特征融合 文献标志码 ：A 文章编号 ：1672-3872(2020)23-0182-02 Identification of crop diseases and insect pests based on deep learning Ji Xuewei，Huo Xingying，Xue Duan，Wu Xiaoping （Liupanshui Normal University, Guizhou Liupanshui 553004） Abstract:The traditional identification methods of crop diseases and insect pests have the problems of poor robustness and low recognition accuracy, while convolutional neural network has the characteristics of automatic extraction of image features, strong generalization ability and high recognition accuracy. Rapid and accurate identification of crop diseases and insect pests can not only reduce the loss of the disease to farmers, but also reduce the impact of pesticides on the ecological environment. Therefore, it is significant to find a simple and easy detection method to detect the types of crop diseases and insect pests. In the experiment, an improved convolution neural network based on residual network is used, and the open plant data set image is used as the experimental data set to train the neural network. Compared with xception and vgg -16 network model, the experimental results show that the recognition accuracy of neural network model proposed in this paper reaches 98.6%, which is higher than 93% of xception and 95% of vgg-16. Keywords:Deep learning；dconvolutional network；fully convolutional network；Feature fusion 0 引言 农业生产在现代社会中占据着重要的位置 以及质量直接影响着人们的生产生活 效识别和防治是特别有意义的 因此 ， 。 。 农作物的产量 农作物病虫害的有 ， ， 。 传统的图像处理算法泛化能力差 随着人工智能技术的不断发展 理 也取得了一定的进步 且能够很好地利用这些特征信息 技术应用到了农作物病虫害识别并取得了较高的准确率 ， 长荣等 [1]对植物叶片分类 谭文军等 [2]对多种植物病害识别 准等[3]对冬枣病害及黄瓜叶部病害识别等方面进行了研究 且需要人工进行特征处 关于农作物病虫害识别技术 并 因此不少研究者将深度学习 如曹 黄文 深度学习算法能够自动提取图像特征 ， 。 ， 。 、 、 本文利用几种常见农作物病虫害图像对不同的神经网络模 其 实 验 型进行训练 结果及分析可以为农作物病害的识别提供一定的参考 以获得较好的识别效果 并进行比较分析 ， ， ， 。 1 实验方法 实验采用深度卷积神经网络来提取农作物叶片图像特征并 最 然后送入神经网络训练 进行分类 后训练好的网络模型可用于辅助识别农作物病虫害 首先需要对图像预处理 。 ， ， 。 。 1.1 实验数据 文中使用的实验数据来自于 其中包含玉米 据集 、 片以及部分健康农作物叶片 南瓜等 如图 辣椒 ， 、 ， 工程提供的公开数 类病害叶 共 ， 26 plantVillage 种农作物 14 1 所示 。 这将会导致训练好的模型对样本识别存在较大的偏差 由 实 验 样 本 的 分 布 情 况 可 以 发 现部 分 样 本 数 目 分 布 不 均 为了 裁剪以及加权的损失函数 实验中采用了图片翻转 衡 使数据平衡 ， 。 ， 、 作者简介 通信作者 ： ： 计雪伟 处理 。 霍兴赢 信号处理 （1992—）， 男 ， 云南曲靖人 硕士 讲师 ， ， ， 研究方向 图像 ： （1989—）， 女 图像处理 ， 贵州六盘水人 博士 ， ， 副教授 ， 研究方向 ： ， 。 等措施来使得数据得以均衡 。 图 1 数据集示例图 1.2 神经网络结构 卷积神经网络 [4]由输入层 卷积层 卷积层的作用是提取图像特征 。 这样可以加大神经网络的感受野 的卷积层后引入 2 的卷积 在 函数来增加神经网络各层之间的非线 池化层构成 、 ， 实验中采用了 ， 获得较好的特征信息[5]。 具体如图 7x7 、 ， relu 所示 核 ， 7x7 性关系 。 ， ， ， 。 因此 模块 本实验采用了 要提高神经网络的性能 传统方法是加深或加宽网络 ResNeXt 由于拓扑结构相同 但是 这样做的同时会带来网络参数激增和神经网络出现梯度消失等 该模块采用了平行堆 情况 模块具有网 叠相同拓扑结构 ， 并且能够在较少参数的条件下增加网络的 络结构简明的特点 性能 这个模块使得需要人工设置的超参数 模块之后采用了池化层[6]来获取全局上下文关 减少 系以及网络深层的高级语义信息[7]帮助分类器分类 最后通过全 连接层把多维的特征图转化成一维的特征向量进行分类 从另外一个角度看 在 ResNeXt ResNeXt ， 所以 ， ， ， ， 。 。 。 

2020 年 12 月上 Communication Field 交流园地 183 由图 和图 但是仍然存在少量的被识别错误 可以看出神经网络对于农作物病虫害的识别 说明还需要补充 3 准确率较高 更多的数据去训练网络提高网络的性能 4 ， ， 。 2 在 网 络 的 最 后 采 用 了 图 网络结构图 这样做可以使得分类时各类别之间的距离变大 同时也增加了模型的泛化能力 ， center loss 结 合 softmax loss 的 方 式 类内距离变小 ， ， 图 1.3 训练的神经网络 本 文 采 用 基 于 神经网络进行搭建 ， 。 的 epochs=20，batch size=64。 1.4 实验结果及分析 为了评估神经模型的有效性 ， 其中包括 行比较 同样的数据预处理 计算公式如下 ： Windows 神经网络的训练参数为 tensorflow 深 度 学 习 框 架 对 卷 积 learning rate=2e-4， ：VGG-16[5]和 ， Xception[6]， 对预测结果进行评价 ， ， 本文将与另外的神经网络进 做 使用同样的数据集 ， 评价标准是准确 率 ， 实验结果的混淆矩阵 4 2 结论 本文采用了基于深度神经网络的农 作 物 病 虫 害 检 测 方 法 ， 降低了实验数 而且具有较高 将来可以不断收集实验数据以提高模型 对农作物病 ， ， ， ， ， 为农作物病虫害识别提供了一些辅助支持 打破了传统的基于农作物叶片特征识别的瓶颈 ， 据收集的门槛 使得农作物病虫害检测不仅方便 的准确率和识别速度 的能力 虫害防控具有积极意义 参考文献 ： 龚丁禧 曹长荣 ， 与现代化 孙俊 谭文军 ， 叶片病害识别 [J]. 张善文 黄文准 ， 冬枣病害识别方法 农业工程学报 尤著 宏 ，2014(4)：12-15+19. 浙江农业学报 毛罕平 等 [2] [1] [3] 。 ， ， ， . . . 基于卷积神经网络的植物叶片分类 计算机 [J]. ，2017，33(19)：209-215. 基 于 物 联 网 和 深 度 卷 积 神 经 网 络 的 基于改进卷积神经网络的多种植物 [J]. ，2017，29(11)：1868-1874. [4] D.T. Mane,U.V. Kulkarni. Visualizing and Understanding Cus tomized Convolutional Neural Network for Recognition of Handwritten Marathi Numerals[J]. Procedia Computer Science， 2018，132. [5] Science-Geoscience; Reports Outline Geoscience Findings from University of Oklahoma (Petrographic Microfacies Classification With Deep Convolutional Neural Networks) [J]. Technology News Focus，2020. 其中 类别 ：i i 为类别标签 预测为第 ，N 类的样本数 为样本总数 为类别 所示 。 不同模型的准确率 ，ni 如表 1 。 i 表 1 的样本数目 为 ，nii i Table 1 Accuracy of different models 准确率 VGG-19 Xception n-Resnext 95 93 98.8 可以明显的看出本文中提出的网络模型其收敛速度 同时在准确度上本文提出的 快得多 和 相对于 模型相对于其他两种模型有一个较好的表现 VGG-19 xception ， 网络结构 VGG-19 从图 3 。 [6] Lin M, Chen Q, Yan S. Network in network [C]//Computer Vision and Pattern Recognition. ICLR，2014. 杨国国 . 络的茶园害虫定位与识别 农业工程学报 刘子 毅 鲍一丹 ， ， [7] 基 于 图 像 显 著 性 分 析 与 卷 积 神 经 网 [J]. ，2017，33(6)：156- 162. 图 3 网络结构图