文/东观
编辑/东观
前言
最近几年，随着深度学习技术的快速发展和普及，机器视觉技术和神经网络技术也取得了长足进步。
在这些技术中，人脸识别、行人检测、道路障碍物检测、细胞核图像的提取已经取得了优异的成绩，利用影像技术进行疾病诊断已成为一项有意义的工作。
在研究过程中，作者采用了一种基于卷积神经网络的方法，建立了一种用于研究草莓白粉病菌疾病的鉴别方法，其鉴别准确度达到了98.61%，但是鉴别方法比较简单，主要是在室内进行的。
Jihen Amara等人将以LeNet框架为基础的CNN模型，通过对香蕉叶部颜色、形状和纹理的特征进行融合，并使用随机梯度下降（SGD）算法，对神经网络的权值和偏差进行优化，以达到最小化损失函数的目的。
孙俊等人基于14种农作物病害的Plant Village项目与改良的AlexNet相融合，建立了一套适用于多种农作物叶片疾病的分类方法，准确度超过90%，但由于农作物样品都是在无光照空白条件下采集的，无法对其进行推广。
上述工作利用了神经网络对环境响应的灵活变通和良好的学习能力，在天然条件下，利用Faster R-CNN对苦瓜叶部疾病进行识别，实现对病斑和正常叶的精准区分。
在此基础上，结合ImageNet的深层神经网络，利用学习迁移的方法，通过对建议框个数和大小进行动态调整，实现对较低检测结果的调整，提升检测效率。
疾病图像采集
（1）影像资料的获取
在实验中所获取的病斑影像资料来自广东省广州市南沙区的东升农庄，在2020年7月至8月期间，每天早上10:30-13:30，中午14:30-17:30，在日照较强、气候较好的情况下，对病斑影像资料进行分析。
采用SONYILCA-77M2型小型单镜头数字摄像机记录，其成像精度6000x3376，成像形式 JPEG。
为避免影像资料太过单一，故采取俯视、侧面等多视角的任意取景。
（2）影像资料的解析及注解
在通过实地采集、人工筛选之后，本次试验共选取2146张苦瓜叶部图像作为原始数据，供后续模型的训练与测试使用。
其中，包含了491张苦瓜白粉病的照片，343张苦瓜蔓枯病的照片，570张苦瓜斑点病的照片，367张苦瓜灰斑病的照片，510张苦瓜健康叶片的照片。
为了便于后面的注释，我们必须将原始图像的分辨率降低到2048x2048。
后期研究者对影像进行手工标记，记录每个正常的叶子或病斑，并保证在长方形的区域中标记的内容尽量的单一，不会出现交叉重叠。
（3）数据加强技术及数据集的分类
在深度神经网络的构建过程中，经常会遇到海量的样本，在样本容量不足的条件下，可以通过人工方法对样本进行强化。
在文献中，我们提出，通过加强对图像数据的处理，可以提升模型的总体学习性能和推广能力，从而使其能够更好地适应现实环境中的变化。
为了防止模型的过拟合，提高其推广性能，将原影像资料分别逆时针90°、180°、270°，旋转，将影像资料扩增到10730份。
我们将从总体上选择的8584个（80%）影像资料作为练习集，并在练习集中选择2146张照片组成检验集，进行模型的修正。
然后再次从总体上选择2146个（20%）成为测试集，用于最终评估模型推广性能。
苦瓜叶部疾病的Faster R-CNN检测方法
（1）疾病辨识模式
平均精度（Average Precision, AP）是在本研究模型训练结束之后，目标检测产生的评估指标。
而精确率（Precision Rate）和召回率（Recall Rate）会对平均精度的计算产生直接的影响。
使用11点插值样本的方式，通过平均一组11个等间隔的召回率[0、0.1、0.2、...、1]，来绘制 Precious-Recall曲线。
在计算平均准确度时，是把每个点（即[0、0.1、0.2、...、1]）的准确度与之后的所有准确度进行比较，并取其中的最大值作为每一个点的计算准确度。
用下面的公式来表示平均准确率、准确率和召回率：
在公式中：AP代表的是平均精度、P代表的是准确率、R代表的是召回率，也可以说是查全率。
i代表的是第 i个准确率，TP代表的是真阳性，表示正样本的数量被预测正确， FP代表的是假阳性，表示正样本的数量被错误预测， FN代表的是假阴性，表示负样本的数量被错误预测。
之后，取平均值准确率（mean Average Precision，mAP)，通过以下的公式来计算：
其中，mAP为平均准确率，n为待探测的物体个数，本文共有4个检测目标。
按照模型的评价指标，本试验对平均精确率、平均精确率、平均值和平均检测时间进行了比较，并将比较结果列出如表1。
在原有的Faster R-CNN模型中，没有对网络参数进行修改。
但是对模型进行了优化之后，将模型中的区域建议生产框尺寸增大到16x16、32x32、64x64三个尺度，使模型更适合于微小病斑的靶向检测。
经过比较，我们可以看出，在平均检测时间相差很小的情况下，VGG-16特征提取网络在 Faster R-CNN深度学习网络中表现得很好，疾病的识别精度平均值达到了80.14%。
在区域建议的尺度增大之后，白粉病、健康叶片的正确识别率有较小的降低，但是误差仍然在可接受的范围之内。
但是斑点病、灰斑病的识别率提升了6.12%和6.71%，这两个数据都比原来的模型更为出色。
由此可知，把VGG-16作为深度学习网络模型，对苦瓜健康叶片、白粉病、灰斑病、蔓枯病、灰斑病的检测精确率（Average Precision）分别为0.8849、0.8753、0.5539、0.8165、0.7520。
平均值精度（mean Average Precision，mAP）为0.7765；增加候选框尺寸后，所得模型的mAP值为0.8014，提高了2.49%。
（2）通过Faster R-CNN对苦瓜叶部疾病进行识别
我们的研究将VGG-16卷积神经网络作为深度学习网络模型，以此为基础，通过添加16×16、32×32、64×64三个尺度上的区域建议框，提升了对苦瓜疾病对象的识别准确率。
（3）疾病鉴定的效果评价
目前，利用深度神经网络构建的物体探测模型，在探测准确率、探测效率等方面都有很大提高，但其在农业领域的实际应用还很少。
在本次实验中，由于所收集到的影像资料不够丰富、标本所占据的整体比例偏低、影像资料不具有多样性，因此，对灰斑病的辨识效果并没有设想中优秀。
此外，由于苦瓜生长环境中光照强度、光照方向、相机焦距、目标距离以及苦瓜叶子间的互相遮蔽等多种现实不可控因素的影响，使得Faster R-CNN深度神经网络的目标特性变得更加复杂，进而降低了模型的准确度。
与此同时，通过对多种实验结果进行比较，研究者得出结论：在较低的样本数下，随着网络层次的加深，其识别性能也随之提高。
结论
本项目以苦瓜健康叶片和叶片病害部位作为研究目标，采用以VGG-16为特征的抽取方法，针对苦瓜叶部病害尺寸较小的特点，改进原有Faster R-CNN的参数，增大区域建议框的大小。
使得VGG-16深度神经网络模型有了更好的效果，不仅如此，在增大候选框的尺寸之后，模型的 mAP值达到0.99，较原来的模型也提升了7%。
总体而言，本文提出的方法能够适合苦瓜的生长环境，而且具有较强的适用性和稳健性。
该方法可为苦瓜叶片病害快速准确识别提供新思路，为苦瓜果实病害防控提供新思路，为水果病害的靶向定位和鉴别以及科学喷药提供了重要的科学依据。
强化对运用深度学习算法识别作物病变的研究，从而推动精准、高效、绿色的农业发展，提升农业信息化水平，并为将来科学诊断农业作物病变提供技术参考和依据。
此举是实现精准农业的有效途径，对于农田的生态保护具有重要的作用。
参考文献：
[1]杨晋丹，杨涛，苗腾，等 . 基于卷积神经网络的草莓叶部白粉病病害识别
[2]孙哲，张春龙，葛鲁镇，等 . 基于 Faster R-CNN 的田间西兰花幼苗图像检测方法
[3]孙俊，谭文军，毛罕平，等 . 基于改进卷积神经网络的多种植物叶片病害识别
[4]薛月菊，朱勋沐，郑婵，等 . 基于改进 Faster R-CNN 识别深度视频图像哺乳母猪姿态