文/東觀
編輯/東觀
前言
最近幾年，随着深度學習技術的快速發展和普及，機器視覺技術和神經網絡技術也取得了長足進步。
在這些技術中，人臉識别、行人檢測、道路障礙物檢測、細胞核圖像的提取已經取得了優異的成績，利用影像技術進行疾病診斷已成為一項有意義的工作。
在研究過程中，作者采用了一種基于卷積神經網絡的方法，建立了一種用于研究草莓白粉病菌疾病的鑒别方法，其鑒别準确度達到了98.61%，但是鑒别方法比較簡單，主要是在室内進行的。
Jihen Amara等人将以LeNet架構為基礎的CNN模型，通過對香蕉葉部顔色、形狀和紋理的特征進行融合，并使用随機梯度下降（SGD）算法，對神經網絡的權值和偏差進行優化，以達到最小化損失函數的目的。
孫俊等人基于14種農作物病害的Plant Village項目與改良的AlexNet相融合，建立了一套适用于多種農作物葉片疾病的分類方法，準确度超過90%，但由于農作物樣品都是在無光照空白條件下采集的，無法對其進行推廣。
上述工作利用了神經網絡對環境響應的靈活變通和良好的學習能力，在天然條件下，利用Faster R-CNN對苦瓜葉部疾病進行識别，實作對病斑和正常葉的精準區分。
在此基礎上，結合ImageNet的深層神經網絡，利用學習遷移的方法，通過對建議框個數和大小進行動态調整，實作對較低檢測結果的調整，提升檢測效率。
疾病圖像采集
（1）影像資料的擷取
在實驗中所擷取的病斑影像資料來自廣東省廣州市南沙區的東升農莊，在2020年7月至8月期間，每天早上10:30-13:30，中午14:30-17:30，在日照較強、氣候較好的情況下，對病斑影像資料進行分析。
采用SONYILCA-77M2型小型單鏡頭數字錄影機記錄，其成像精度6000x3376，成像形式 JPEG。
為避免影像資料太過單一，故采取俯視、側面等多視角的任意取景。
（2）影像資料的解析及注解
在通過實地采集、人工篩選之後，本次試驗共選取2146張苦瓜葉部圖像作為原始資料，供後續模型的訓練與測試使用。
其中，包含了491張苦瓜白粉病的照片，343張苦瓜蔓枯病的照片，570張苦瓜斑點病的照片，367張苦瓜灰斑病的照片，510張苦瓜健康葉片的照片。
為了便于後面的注釋，我們必須将原始圖像的分辨率降低到2048x2048。
後期研究者對影像進行手工标記，記錄每個正常的葉子或病斑，并保證在長方形的區域中标記的内容盡量的單一，不會出現交叉重疊。
（3）資料加強技術及資料集的分類
在深度神經網絡的建構過程中，經常會遇到海量的樣本，在樣本容量不足的條件下，可以通過人工方法對樣本進行強化。
在文獻中，我們提出，通過加強對圖像資料的處理，可以提升模型的總體學習性能和推廣能力，進而使其能夠更好地适應現實環境中的變化。
為了防止模型的過拟合，提高其推廣性能，将原影像資料分别逆時針90°、180°、270°，旋轉，将影像資料擴增到10730份。
我們将從總體上選擇的8584個（80%）影像資料作為練習集，并在練習集中選擇2146張照片組成檢驗集，進行模型的修正。
然後再次從總體上選擇2146個（20%）成為測試集，用于最終評估模型推廣性能。
苦瓜葉部疾病的Faster R-CNN檢測方法
（1）疾病辨識模式
平均精度（Average Precision, AP）是在本研究模型訓練結束之後，目标檢測産生的評估名額。
而精确率（Precision Rate）和召回率（Recall Rate）會對平均精度的計算産生直接的影響。
使用11點插值樣本的方式，通過平均一組11個等間隔的召回率[0、0.1、0.2、...、1]，來繪制 Precious-Recall曲線。
在計算平均準确度時，是把每個點（即[0、0.1、0.2、...、1]）的準确度與之後的所有準确度進行比較，并取其中的最大值作為每一個點的計算準确度。
用下面的公式來表示平均準确率、準确率和召回率：
在公式中：AP代表的是平均精度、P代表的是準确率、R代表的是召回率，也可以說是查全率。
i代表的是第 i個準确率，TP代表的是真陽性，表示正樣本的數量被預測正确， FP代表的是假陽性，表示正樣本的數量被錯誤預測， FN代表的是假陰性，表示負樣本的數量被錯誤預測。
之後，取平均值準确率（mean Average Precision，mAP)，通過以下的公式來計算：
其中，mAP為平均準确率，n為待探測的物體個數，本文共有4個檢測目标。
按照模型的評價名額，本試驗對平均精确率、平均精确率、平均值和平均檢測時間進行了比較，并将比較結果列出如表1。
在原有的Faster R-CNN模型中，沒有對網絡參數進行修改。
但是對模型進行了優化之後，将模型中的區域建議生産框尺寸增大到16x16、32x32、64x64三個尺度，使模型更适合于微小病斑的靶向檢測。
經過比較，我們可以看出，在平均檢測時間相差很小的情況下，VGG-16特征提取網絡在 Faster R-CNN深度學習網絡中表現得很好，疾病的識别精度平均值達到了80.14%。
在區域建議的尺度增大之後，白粉病、健康葉片的正确識别率有較小的降低，但是誤差仍然在可接受的範圍之内。
但是斑點病、灰斑病的識别率提升了6.12%和6.71%，這兩個資料都比原來的模型更為出色。
由此可知，把VGG-16作為深度學習網絡模型，對苦瓜健康葉片、白粉病、灰斑病、蔓枯病、灰斑病的檢測精确率（Average Precision）分别為0.8849、0.8753、0.5539、0.8165、0.7520。
平均值精度（mean Average Precision，mAP）為0.7765；增加候選框尺寸後，所得模型的mAP值為0.8014，提高了2.49%。
（2）通過Faster R-CNN對苦瓜葉部疾病進行識别
我們的研究将VGG-16卷積神經網絡作為深度學習網絡模型，以此為基礎，通過添加16×16、32×32、64×64三個尺度上的區域建議框，提升了對苦瓜疾病對象的識别準确率。
（3）疾病鑒定的效果評價
目前，利用深度神經網絡建構的物體探測模型，在探測準确率、探測效率等方面都有很大提高，但其在農業領域的實際應用還很少。
在本次實驗中，由于所收集到的影像資料不夠豐富、标本所占據的整體比例偏低、影像資料不具有多樣性，是以，對灰斑病的辨識效果并沒有設想中優秀。
此外，由于苦瓜生長環境中光照強度、光照方向、相機焦距、目标距離以及苦瓜葉子間的互相遮蔽等多種現實不可控因素的影響，使得Faster R-CNN深度神經網絡的目标特性變得更加複雜，進而降低了模型的準确度。
與此同時，通過對多種實驗結果進行比較，研究者得出結論：在較低的樣本數下，随着網絡層次的加深，其識别性能也随之提高。
結論
本項目以苦瓜健康葉片和葉片病害部位作為研究目标，采用以VGG-16為特征的抽取方法，針對苦瓜葉部病害尺寸較小的特點，改進原有Faster R-CNN的參數，增大區域建議框的大小。
使得VGG-16深度神經網絡模型有了更好的效果，不僅如此，在增大候選框的尺寸之後，模型的 mAP值達到0.99，較原來的模型也提升了7%。
總體而言，本文提出的方法能夠适合苦瓜的生長環境，而且具有較強的适用性和穩健性。
該方法可為苦瓜葉片病害快速準确識别提供新思路，為苦瓜果實病害防控提供新思路，為水果病害的靶向定位和鑒别以及科學噴藥提供了重要的科學依據。
強化對運用深度學習算法識别作物病變的研究，進而推動精準、高效、綠色的農業發展，提升農業資訊化水準，并為将來科學診斷農業作物病變提供技術參考和依據。
此舉是實作精準農業的有效途徑，對于農田的生态保護具有重要的作用。
參考文獻：
[1]楊晉丹，楊濤，苗騰，等 . 基于卷積神經網絡的草莓葉部白粉病病害識别
[2]孫哲，張春龍，葛魯鎮，等 . 基于 Faster R-CNN 的田間西蘭花幼苗圖像檢測方法
[3]孫俊，譚文軍，毛罕平，等 . 基于改進卷積神經網絡的多種植物葉片病害識别
[4]薛月菊，朱勳沐，鄭婵，等 . 基于改進 Faster R-CNN 識别深度視訊圖像哺乳母豬姿态