劉翱宇　吳云志　朱小寧　范國華　樂毅　張友華

摘要： 針對人工診斷玉米病害成本高、效率低、時(shí)延長等問題，提出一種基于深度殘差網(wǎng)絡(luò)的玉米病害識(shí)別網(wǎng)絡(luò)TFL-ResNet。TFL-ResNet網(wǎng)絡(luò)基于ResNet50網(wǎng)絡(luò)，首先引入Focal Loss損失函數(shù)使模型專注于難分類的病害樣本，其次將ResNet50網(wǎng)絡(luò)在PlantVillage數(shù)據(jù)集訓(xùn)練好的參數(shù)遷移到改進(jìn)網(wǎng)絡(luò)上以完成構(gòu)建。采用的玉米病害數(shù)據(jù)集涉及健康植株、大斑病、灰斑病、銹病4種標(biāo)簽，并使用旋轉(zhuǎn)、翻轉(zhuǎn)、平移等操作對數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)與擴(kuò)充。對數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，與VGG16等對照模型相比，TFL-ResNet網(wǎng)絡(luò)收斂速度更快、分類效果更好，平均識(shí)別準(zhǔn)確率高達(dá)98.96%。通過觀察精準(zhǔn)率、召回率、混淆矩陣等評價(jià)指標(biāo)得出TFL-ResNet網(wǎng)絡(luò)具有較好的魯棒性和泛化能力，可用于玉米病害智能診斷。

關(guān)鍵詞： 病害圖像識(shí)別;深度殘差網(wǎng)絡(luò);遷移學(xué)習(xí)

中圖分類號： TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號： 1000-4440（2021）01-0067-08

Corn disease recognition based on deep residual network

LIU Ao-yu1， WU Yun-zhi1，2， ZHU Xiao-ning3， FAN Guo-hua1，2，YUE Yi1，2， ZHANG You-hua1，2

（1.School of Information and Computer Science， Anhui Agricultural University， Hefei 230036， China;2.Anhui Provincial Engineering Laboratory for Beidou Precision Agriculture Information， Hefei 230036， China;3.School of Tea and Food Technology， Anhui Agricultural University， Hefei 230036， China）

Abstract：Aiming at the problems of high cost， low efficiency， time extension and so on for manual diagnosis of corn diseases， a corn disease identification network TFL-ResNet based on deep residual network was proposed. The TFL-ResNet was based on the ResNet50. Firstly， the focal loss function was introduced to make the model focus on disease samples which were difficult to classify. Secondly， the parameters of ResNet50 trained in PlantVillage data set were migrated to the improved network to complete the construction. The corn disease data set used in this study involved four labels： healthy plants， leaf blight， gray leaf spot and rust. Rotation， flip， translation and other operations were used to enhance and expand the data set. Compared with VGG16 and other control models， TFL-ResNet had faster convergence speed and better classification effect. The average recognition accuracy of TFL-ResNet was 98.96%. By observing the model evaluation indicators such as precision rate， recall rate， confusion matrix， TFL-ResNet has good robustness and generalization ability， which can be used for intelligent diagnosis of corn diseases.

Key words： disease image recognition;deep residual network;transfer learning

玉米是中國乃至世界的主要糧食作物，中國玉米種植面積僅次于水稻，玉米被廣泛應(yīng)用在食用、畜牧業(yè)飼料、輕工、醫(yī)藥工業(yè)等重要領(lǐng)域[1]。玉米病害是玉米減產(chǎn)的主要原因之一，常見的玉米病害有大斑病、銹病、灰斑病等，精準(zhǔn)快速地識(shí)別玉米病害可以有效減少因玉米病害帶來的減產(chǎn)。傳統(tǒng)人工識(shí)別玉米病害，不僅費(fèi)時(shí)費(fèi)力而且時(shí)效性低，快速、精準(zhǔn)地識(shí)別玉米病害具有重大意義。

隨著深度學(xué)習(xí)與計(jì)算機(jī)硬件的不斷發(fā)展，越來越多的學(xué)者將圖像識(shí)別技術(shù)應(yīng)用于農(nóng)業(yè)病害識(shí)別，并取得顯著的效果。許景輝等提出基于遷移學(xué)習(xí)的VGG16網(wǎng)絡(luò)用于小數(shù)據(jù)樣本的玉米病害識(shí)別[2]。龍滿生等將AlexNet網(wǎng)絡(luò)運(yùn)用于油茶病害識(shí)別[3]。周云成等提出基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks，CNN）與自監(jiān)督學(xué)習(xí)方法用于番茄植株圖像深度估計(jì)[4]。孫俊等利用空洞卷積結(jié)合全局池化的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別作物幼苗與雜草[5]。在玉米病害圖像識(shí)別領(lǐng)域，已有的研究有VGG16網(wǎng)絡(luò)、Triplet-loss雙卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[6]、Grabcut算法[7]、局部判別映射算法[8]等。上述模型都存在隨著層數(shù)的增加網(wǎng)絡(luò)的收斂速度減慢、圖像分類準(zhǔn)確率下降的問題。

殘差網(wǎng)絡(luò)（Residual network，ResNet）[9]可以有效改善隨著卷積層數(shù)的增加訓(xùn)練效果降低的問題，并使收斂速度加快、分類準(zhǔn)確率提高。目前ResNet網(wǎng)絡(luò)已經(jīng)可以代替VGG網(wǎng)絡(luò)成為一般計(jì)算機(jī)視覺領(lǐng)域問題中的基礎(chǔ)特征提取網(wǎng)絡(luò)[10]。遷移學(xué)習(xí)可以將已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)應(yīng)用于類似領(lǐng)域，從而獲得更好的特征提取能力，提高模型的性能。本研究采用改進(jìn)的殘差網(wǎng)絡(luò)對玉米的健康植株以及灰斑病、大斑病、銹病病害圖像進(jìn)行識(shí)別，通過引入Focal Loss損失函數(shù)[11]作為評估函數(shù)對ResNet網(wǎng)絡(luò)進(jìn)行改進(jìn)，最后將PlantVillage數(shù)據(jù)集[12]參數(shù)遷移至改進(jìn)的模型上完成玉米病害圖像識(shí)別模型的構(gòu)建。

1 試驗(yàn)數(shù)據(jù)

1.1 玉米病害數(shù)據(jù)集

選取的數(shù)據(jù)集來自2018 AI Challenger農(nóng)作物病害檢測比賽[13]中的玉米病害部分。玉米病害圖像數(shù)據(jù)集包含健康玉米、玉米普通銹病、玉米大斑病、玉米灰斑病病害樣本標(biāo)簽，經(jīng)數(shù)據(jù)增強(qiáng)并擴(kuò)充后共計(jì)9 145張RGB病害圖像樣本。其中健康玉米圖像2 324張，玉米普通銹病圖像2 384張，玉米大斑病圖像2 385張，玉米灰斑病圖像2 052張。圖像的樣例如圖1所示。

1.2 數(shù)據(jù)預(yù)處理與增強(qiáng)

首先對玉米病害圖像去噪，將重復(fù)、無用數(shù)據(jù)剔除。去噪后的玉米病害圖像根據(jù)樣本標(biāo)簽分別按照6∶2∶2的比例劃分訓(xùn)練集、驗(yàn)證集、測試集。對玉米病害圖像樣本進(jìn)行標(biāo)簽標(biāo)記，標(biāo)簽數(shù)組采用2D的one-hot編碼標(biāo)簽。其次進(jìn)行病害圖像數(shù)據(jù)增強(qiáng)與擴(kuò)充，將病害圖像進(jìn)行隨機(jī)旋轉(zhuǎn)變換或者反轉(zhuǎn)變換（隨機(jī)旋轉(zhuǎn)30°，水平方向和垂直方向隨機(jī)平移20%），隨機(jī)錯(cuò)切變換強(qiáng)度為0.2，圖像隨機(jī)縮放的幅度設(shè)置為0.2，對圖像進(jìn)行隨機(jī)水平翻轉(zhuǎn)。最后將所有病害圖像調(diào)整為224×224像素，然后對作為輸入層的圖像進(jìn)行批量歸一化（Batch normalization，BN）處理。批量歸一化處理不僅可以增加網(wǎng)絡(luò)的收斂速度、泛化能力，還可以有效緩解梯度消失問題[14]。

2 玉米病害圖像識(shí)別模型

2.1 深度殘差網(wǎng)絡(luò)

深度殘差網(wǎng)絡(luò)（Deep residual network）是由何凱明團(tuán)隊(duì)提出的一種深度卷積神經(jīng)網(wǎng)絡(luò)模型[9]。深度殘差網(wǎng)絡(luò)的提出是為了解決隨著卷積層數(shù)的加深而訓(xùn)練準(zhǔn)確率降低的問題，這個(gè)問題稱為退化。深度殘差網(wǎng)絡(luò)引入深度殘差學(xué)習(xí)框架來解決退化問題，對于深層次的模型，通過恒等映射（Identity mapping）來構(gòu)建增加的層，并不是每個(gè)堆疊的層直接擬合所需的底層映射（Desired underlying mapping），而是讓這些層擬合一個(gè)殘差映射（Residual mapping）。

假設(shè)所需的底層映射為H（x），在此讓堆疊的非線性層來擬合另一個(gè)殘差映射F（x）=H（x）-x，原來的映射就可以表示為F（x）-x。F（x）-x可以通過添加快捷連接（Shortcut connections）實(shí)現(xiàn)，快捷連接可以執(zhí)行恒等映射，并將其輸出添加到堆疊層的輸出，殘差學(xué)習(xí)示意圖如圖2所示。

試驗(yàn)證明引入的快捷連接并沒有增加額外的參數(shù)，也不會(huì)影響原始網(wǎng)絡(luò)的復(fù)雜度。深度殘差學(xué)習(xí)可以加快網(wǎng)絡(luò)的收斂，相對于VGG16網(wǎng)絡(luò)還可以顯著增加深度來提高訓(xùn)練準(zhǔn)確率?？偟膩碚f，殘差學(xué)習(xí)是在傳統(tǒng)的線性卷積網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上增加了一條快捷連接，從而增強(qiáng)了特征傳遞。在訓(xùn)練過程中，底層的誤差可以通過快捷連接向下一層傳遞，網(wǎng)絡(luò)的收斂速度將加快，以進(jìn)行深層訓(xùn)練達(dá)到高分類準(zhǔn)確率。

2.2 遷移學(xué)習(xí)

遷移學(xué)習(xí)（Transfer learning）[15]是一種機(jī)器學(xué)習(xí)方法，是指將一個(gè)訓(xùn)練好的模型運(yùn)用在一個(gè)新的任務(wù)中。由于大部分深度學(xué)習(xí)任務(wù)具有相關(guān)性，使用相似任務(wù)訓(xùn)練好的網(wǎng)絡(luò)參數(shù)（即參數(shù)遷移）可以縮短訓(xùn)練時(shí)間，加快收斂速度，可以有效降低過擬合問題。只需將預(yù)訓(xùn)練的網(wǎng)絡(luò)參數(shù)遷移到當(dāng)前訓(xùn)練網(wǎng)絡(luò)上，新的訓(xùn)練網(wǎng)絡(luò)對當(dāng)前任務(wù)數(shù)據(jù)集進(jìn)行特征提取，最后將提取的特征通過全連接層進(jìn)行處理預(yù)測就可以完成模型訓(xùn)練[16]。

2.3 Focal loss損失函數(shù)

Focal loss（焦點(diǎn)損失）損失函數(shù)是為了解決分類問題中類別不平衡、分類難度有差異的損失函數(shù)。本研究的對象是玉米病害圖像，訓(xùn)練的模型也需要有辨別玉米是否健康的能力。因此訓(xùn)練的數(shù)據(jù)集也含有健康的玉米圖像樣本，而健康的樣本相對于病害樣本更容易分類。引入Focal loss損失函數(shù)后網(wǎng)絡(luò)在訓(xùn)練時(shí)可以減少易分樣本的權(quán)重，從而使模型在訓(xùn)練過程中更專注難分類的樣本[17]。

Focal loss損失函數(shù)是在交叉熵?fù)p失函數(shù)[18]的基礎(chǔ)上進(jìn)行修改得到的，在深度殘差網(wǎng)絡(luò)中經(jīng)過softmax函數(shù)回歸后交叉熵?fù)p失函數(shù)的表達(dá)式如下：

其中i與j表示類別號，x是特征值。修改得到Focal loss損失函數(shù)表達(dá)式如下：

其中pt為樣本屬于某個(gè)類別的概率，γ為聚焦參數(shù)，γ≥0。（1-pt）γ為調(diào)制系數(shù)，用來減少易分類樣本的權(quán)重，使玉米病害圖像識(shí)別模型在訓(xùn)練中可以關(guān)注難分類的病害樣本。

2.4病害圖像識(shí)別模型構(gòu)建

基于遷移學(xué)習(xí)和Focal loss損失函數(shù)對ResNet50網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)后，得到玉米病害圖像識(shí)別模型TFL-ResNet。首先使用ResNet50網(wǎng)絡(luò)對PlantVillage數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，保存好預(yù)訓(xùn)練的參數(shù)，并將參數(shù)遷移到TFL-ResNet網(wǎng)絡(luò)上。PlantVillage數(shù)據(jù)集由54 303個(gè)健康和不健康的葉片圖像組成，按種類和病害分為38類。PlantVillage數(shù)據(jù)集包含的植物種類有蘋果、藍(lán)莓、櫻桃、玉米、葡萄、柑橘、桃、辣椒、馬鈴薯、大豆、樹莓、 南瓜、草莓、番茄。PlantVillage數(shù)據(jù)集樣例圖像如圖3所示。引入Focal loss損失函數(shù)對TFL-ResNet網(wǎng)絡(luò)進(jìn)行損失評估，最終實(shí)現(xiàn)的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

如圖3所示，輸入到TFL-ResNet網(wǎng)絡(luò)的玉米病害圖像首先經(jīng)過一個(gè)7×7的卷積層，然后進(jìn)行批量歸一化、激活，其次經(jīng)過3×3最大池化層、4個(gè)殘差學(xué)習(xí)塊、一個(gè)平均池化層，然后經(jīng)Flatten層將多維輸出一維化，一維化輸出的非線性組合特征經(jīng)全連接層進(jìn)行學(xué)習(xí)，最終經(jīng)Softmax分類器進(jìn)行分類并輸出預(yù)測結(jié)果。

TFL-ResNet網(wǎng)絡(luò)的核心是基于ResNet50網(wǎng)絡(luò)的殘差學(xué)習(xí)塊，這些殘差塊可以定義為：

其中x和y為當(dāng)前層的輸入和輸出向量，函數(shù)F（x，Wi）為要學(xué)習(xí)的殘差映射。當(dāng)x和F的維度不相等時(shí)，殘差塊又可以定義為：

Ws為快捷連接執(zhí)行的線性投影，Ws僅在匹配維度時(shí)使用。TFL-ResNet網(wǎng)絡(luò)中Conv2層含有3個(gè)殘差塊，Conv3層含有4個(gè)殘差塊，Conv4層含有6個(gè)殘差塊， Conv5層含有4個(gè)殘差塊。TFL-ResNet網(wǎng)絡(luò)中殘差塊結(jié)構(gòu)如圖4所示（圖4中殘差塊為首次進(jìn)行張量維度轉(zhuǎn)換的殘差塊，所以每條快捷連接上都存在維度轉(zhuǎn)換的卷積層）。

3 模型訓(xùn)練與結(jié)果分析

3.1 試驗(yàn)環(huán)境

試驗(yàn)硬件環(huán)境：CPU為Intel（R） Core（TM）i7-8700 CPU @3.20GHz; GPU為NVIDIA GeForce GTX 1080Ti; 操作系統(tǒng)為Windows 10 64bit。軟件環(huán)境：Python 3.6.2;深度學(xué)習(xí)框架為Tensorflow 2.0、Keras 2.3.1。

3.2 模型訓(xùn)練

采用TFL-ResNet網(wǎng)絡(luò)對9 145張RGB圖像樣本進(jìn)行試驗(yàn)，用ResNet50網(wǎng)絡(luò)、VGG16網(wǎng)絡(luò)、MobileNetV2網(wǎng)絡(luò)[19]、InceptionV3網(wǎng)絡(luò)[20]、Xception網(wǎng)絡(luò)[21]作為對照。采用隨機(jī)梯度下降（Stochastic gradient descent， SGD）對梯度進(jìn)行更新，SGD優(yōu)化器初始學(xué)習(xí)率設(shè)為0.001。由于隨機(jī)梯度下降方法的每次迭代會(huì)出現(xiàn)相對較大的噪音，容易陷入局部最優(yōu)解，所以引用動(dòng)量概念（Momentum）對SGD優(yōu)化器進(jìn)行優(yōu)化。Momentum在更新方向的同時(shí)會(huì)保留之前的方向，可以增加模型的穩(wěn)定性，具有擺脫局部最優(yōu)的能力，將Momentum的參數(shù)設(shè)置為0.9。使用 Nesterov 動(dòng)量，參數(shù)更新后學(xué)習(xí)率衰減值（Decay）設(shè)為0.001。每次處理的批量大?。˙atch size）設(shè)為64。使用ModelCheckpoint方法，在訓(xùn)練過程中保存性能最好的模型。對照試驗(yàn)訓(xùn)練網(wǎng)絡(luò)采用交叉熵?fù)p失函數(shù)（Cross entropy error function）作為損失函數(shù)。最后將Epoch設(shè)為20開始訓(xùn)練。

隨機(jī)選取玉米病害圖像，觀察TFL-ResNet網(wǎng)絡(luò)Conv1層特征提取過程，卷積核可視化如圖5所示。

根據(jù)樣本標(biāo)簽分別選取圖像，經(jīng)TFL-ResNet網(wǎng)絡(luò)分類預(yù)測后，輸出每個(gè)殘差學(xué)習(xí)塊的注意力熱力圖（圖6）。由圖6可觀察到TFL-ResNet網(wǎng)絡(luò)提取每類樣本病害的關(guān)鍵特征，熱度圖顏色越深（即越接近紅色），表示該部位對最終分類決策的影響越大，可以看出，每經(jīng)過一個(gè)殘差學(xué)習(xí)塊，網(wǎng)絡(luò)的注意力都會(huì)更加專注于病害特征。

3.3 結(jié)果分析

參數(shù)設(shè)置完畢后，分別使用TFL-ResNet、ResNet50、VGG16、InceptionV3、MobileNetV2、Xception網(wǎng)絡(luò)對玉米病害圖像數(shù)據(jù)集訓(xùn)練20個(gè)輪次，得到如圖7所示的結(jié)果。根據(jù)訓(xùn)練集、驗(yàn)證集的準(zhǔn)確率曲線，可以看出玉米病害圖像識(shí)別效果從高到低順序?yàn)椋篢FL-ResNet、ResNet50、InceptionV3、VGG16、Xception、MobileNetV2，各個(gè)模型在第10個(gè)輪次時(shí)已經(jīng)接近完全收斂。從圖7中也可以看出，訓(xùn)練集損失最穩(wěn)定的模型是TFL-ResNet網(wǎng)絡(luò)，最不穩(wěn)定的模型是Xception網(wǎng)絡(luò);驗(yàn)證集損失各個(gè)模型都有波動(dòng)，經(jīng)過20個(gè)輪次的訓(xùn)練后都已達(dá)到很低的數(shù)值，但是可以看到MobileNetV2網(wǎng)絡(luò)驗(yàn)證集損失變化最不穩(wěn)定、抖動(dòng)最大。最后將訓(xùn)練好的模型經(jīng)測試集測試，得出每個(gè)模型的平均識(shí)別率，其中TFL-ResNet網(wǎng)絡(luò)為98.96%，ResNet50網(wǎng)絡(luò)為98.41%，InceptionV3 網(wǎng)絡(luò)為98.14%，Xception 網(wǎng)絡(luò)為97.70%， VGG16網(wǎng)絡(luò)為97.04%，MobileNetV2網(wǎng)絡(luò)為96.99%。本研究提出的TFL-ResNet網(wǎng)絡(luò)相對于參照模型，平均識(shí)別率更高，模型收斂更快，具有更好的魯棒性和泛化能力。

使用精準(zhǔn)率（Precision）、召回率（Recall）、精確率與召回率的調(diào)和均值（F1-分值）作為模型的評價(jià)指標(biāo)分別對試驗(yàn)網(wǎng)絡(luò)性能進(jìn)行評價(jià)。首先設(shè)正樣本被正確識(shí)別為正樣本的數(shù)量為TP，負(fù)樣本被正確識(shí)別為負(fù)樣本的數(shù)量為TN，負(fù)樣本被錯(cuò)誤識(shí)別為正樣本的數(shù)量為FP，正樣本被錯(cuò)誤識(shí)別為負(fù)樣本的數(shù)量為FN，則精準(zhǔn)率、召回率、調(diào)和均值分別表示為：TPTP+FP、TPTP+FN、2TP2TP+FP+FN。對玉米病害圖像測試集進(jìn)行預(yù)測后，各個(gè)模型對4種樣本標(biāo)簽（玉米灰斑病、玉米普通銹病、玉米大斑病、健康玉米植株）的精準(zhǔn)率、召回率、精確率與召回率的調(diào)和均值評價(jià)指標(biāo)如表1所示。精準(zhǔn)率表示模型對樣本標(biāo)簽識(shí)別的準(zhǔn)確率，TFL-ResNet網(wǎng)絡(luò)對4種樣本標(biāo)簽的識(shí)別準(zhǔn)確率分別為97%、100%、98%、100%，是所有模型中效果最顯著的。精準(zhǔn)率、召回率、精確率與召回率的調(diào)和均值越高表示該模型的效果越好，TFL-ResNet網(wǎng)絡(luò)相對于其他模型有更好的識(shí)別效果、泛化能力。

混淆矩陣（Confusion matrix）也是分類模型評判指標(biāo)之一[22]?？梢暬瘻y試集在各個(gè)模型上的混淆矩陣如圖8所示?；煜仃嚨牧袠?biāo)簽表示預(yù)測的類別，其對應(yīng)的行數(shù)值總和為該類別的樣本總數(shù)?；煜仃嚨男袠?biāo)簽表示預(yù)測圖像的真實(shí)類別。行列交叉處的數(shù)值表示該類別被預(yù)測為對應(yīng)列標(biāo)簽的數(shù)量，對角線處的數(shù)值表示正確預(yù)測的標(biāo)簽數(shù)量，對角線的顏色越深表示模型的效果越好。從圖8中各模型的混淆矩陣可以看出各模型對于某種玉米標(biāo)簽的識(shí)別能力。這些模型對于玉米大斑病、玉米灰斑病的誤識(shí)率較高，其中VGG16網(wǎng)絡(luò)對灰斑病的誤識(shí)率最高，Xception網(wǎng)絡(luò)對于大斑病的誤識(shí)率最低。相對于其他模型，TFL-ResNet網(wǎng)絡(luò)混淆矩陣表現(xiàn)出的性能最好，且平均識(shí)別率最高，可以為玉米病害圖像識(shí)別提供參考。

4 結(jié)語

相對于人工診斷玉米病害，計(jì)算機(jī)視覺方法識(shí)別玉米病害具有成本低、準(zhǔn)確率高、時(shí)延短的優(yōu)點(diǎn)。本研究通過引入遷移學(xué)習(xí)、Focal loss損失函數(shù)，提出一種基于深度殘差網(wǎng)絡(luò)的優(yōu)化網(wǎng)絡(luò)——TFL-ResNet網(wǎng)絡(luò)。利用TFL-ResNet網(wǎng)絡(luò)對玉米病害數(shù)據(jù)集進(jìn)行訓(xùn)練，并與ResNet50、VGG16、InceptionV3、MobileNetV2、Xception網(wǎng)絡(luò)進(jìn)行對比，得出如下結(jié)論：相對于對照網(wǎng)絡(luò)，TFL-ResNet網(wǎng)絡(luò)收斂速度更快、泛化能力更高;TFL-ResNet網(wǎng)絡(luò)可以進(jìn)行深層訓(xùn)練，可以減緩隨著層數(shù)的加深而性能降低的退化問題;TFL-ResNet網(wǎng)絡(luò)的平均識(shí)別準(zhǔn)確率高達(dá)98.96%，誤識(shí)率低于對照網(wǎng)絡(luò)。根據(jù)模型的評價(jià)指標(biāo)可以看出，TFL-ResNet網(wǎng)絡(luò)具有更好的魯棒性，可以用作玉米病害圖像識(shí)別。

參考文獻(xiàn)：

[1] 孟 穎，陳桂芬，盧 建，等. Simulink平臺(tái)在玉米病害視頻圖像中的實(shí)時(shí)診斷[J]. 吉林農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2017， 39（4）： 483-487.

[2] 許景輝，邵明燁，王一琛，等. 基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（2）： 230-236，253.

[3] 龍滿生，歐陽春娟，劉 歡，等. 基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（18）： 194-201.

[4] 周云成，許童羽，鄧寒冰，等. 基于自監(jiān)督學(xué)習(xí)的番茄植株圖像深度估計(jì)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（24）： 173-182.

[5] 孫 俊，何小飛，譚文軍，等. 空洞卷積結(jié)合全局池化的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別作物幼苗與雜草[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（11）： 159-165.

[6] 劉永波，雷 波，曹 艷，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的玉米病害識(shí)別[J]. 中國農(nóng)學(xué)通報(bào)， 2018， 34（36）： 159-164.

[7] 顧 博，鄧?yán)倮?，?巍，等. 基于GrabCut算法的玉米病害圖像識(shí)別方法研究[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2019， 40（11）： 143-149.

[8] 張善文，張傳雷. 基于局部判別映射算法的玉米病害識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2014， 30（11）： 167-172.

[9] HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition[C]//IEEE. 2016 IEEE conference on computer vision and pattern recognition. Las Vegas： IEEE， 2016： 770-778.

[10]JUNG H， CHOI M K， JUNG J， et al. ResNetbas-ed vehicle classification and localization in traffic surveillance systems[C]//IEEE. 2017 IEEE conference on computer vision and pattern recognition. Honolulu： IEEE， 2017： 61-67.

[11]LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection[C]//IEEE. 2017 IEEE conference on computer vision and pattern recognition. Honolulu： IEEE， 2017： 2980-2988.

[12]MOHANTY S P， HUGHES D P， SALATHE M. Using deep learning for image-based plant disease detection[J]. Frontiers in Plant Science， 2016， 7： 1419.

[13]SINGKEK SCI-TECH. Agricultural Disease. 2018 AI Challenger [DB/OL]. （2018-12-19） [2020-3-20]. https：//challenger.ai/competition/pdr2018.

[14]朱 威，屈景怡，吳仁彪. 結(jié)合批歸一化的直通卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)， 2017， 29（9）： 1650-1657.

[15]PAN S J， YANG Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering， 2009， 22（10）： 1345-1359.

[16]石祥濱，房雪鍵，張德園，等. 基于深度學(xué)習(xí)混合模型遷移學(xué)習(xí)的圖像分類[J]. 系統(tǒng)仿真學(xué)報(bào)， 2016， 28（1）： 167-173，182.

[17]任勝男，孫 鈺，張海燕，等. 基于one-shot學(xué)習(xí)的小樣本植物病害識(shí)別[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2019， 35（5）： 1061-1067.

[18]HU K， ZHANG Z， NIU X， et al. Retinal vessel segmentation of color fundus images using multiscale convolutional neural network with an improved cross-entropy loss function[J]. Neurocomputing， 2018， 309： 179-191.

[19]SANDLER M， HOWARD A， ZHU M， et al. Mobilenetv2： Inverted residuals and linear bottlenecks[C]//IEEE. 2018 IEEE conference on computer vision and pattern recognition. Salt Lake City： IEEE， 2018： 4510-4520.

[20]SZEGEDY C， VANHOUCKE V， IOFFE S， et al.Rethinking the inception architecture for computervision[C]//IEEE. 2016 IEEE conference on computer vision and pattern recognition. Las Vegas： IEEE， 2016： 2818-2826.

[21]CHOLLET F. Xception： Deep learning with dept-hwise separable convolutions[C]//IEEE. 2017 IEEE Conference on computer vision and pattern recognition. Honolulu： IEEE， 2017： 1251-1258.

[22]劉小峰，舒仁杰，柏 林，等. 一種新的稀疏分類融合方法及其在機(jī)車軸承故障診斷中的應(yīng)用[J]. 中國電機(jī)工程學(xué)報(bào)， 2020， 40（17）： 5675-5682.

（責(zé)任編輯：張震林）

收稿日期：2020-04-15

基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2017YFD0301303）;安徽省科技重大專項(xiàng)（18030901029）;安徽省高校自然科學(xué)研究項(xiàng)目（KJ2019A0211）;安徽省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（S202010364210）

作者簡介：劉翱宇（1999-），男，安徽亳州人，本科，研究方向?yàn)橛?jì)算機(jī)視覺、圖像識(shí)別。（E-mail）liuaoyu@ahau.edu.cn。吳云志為共同第一作者。

通訊作者：張友華，（E-mail）zhangyh@ahau.edu.cn