基于改进Multi-Scale AlexNet的番茄叶部病害图像识别.pdf

第 35卷 第 13期 农 业 工 程 学 报 V ol.35 N o.13 162 2019年 7月 Transactions of the Chinese Society of Agricultural Engineering J ul. 2019 基于改进 Multi-Scale AlexNet的番茄叶部病害图像识别郭小清，范涛杰，舒 欣 （南京农业大学信息科技学院，南京 210095） 摘 要：番茄同种病害在不同发病阶段表征差异明显，不同病害又表现出一定的相似性，传统模式识别方法不能体现病 害病理表征的动态变化，实用性较差。针对该问题，基于卷积神经网络提出一种适用于移动平台的多尺度识别模型，并 基于此模型开发了面向农业生产人员的番茄叶部病害图像识别系统。该文详细描述了 AlexNet 的结构，分析其不足，结 合番茄病害叶片图像特点，去除局部响应归一化层、修改全连接层、设置不同尺度卷积核提取特征，设计了基于 AlexNet 的多感受野识别模型，并基于 Android 实现了使用此模型的番茄叶部病害图像识别系统。Multi-ScaleAlexNet 模型运行所 耗内存为 29.9MB，比原始 AlexNet 的内存需求 652MB 降低了 95.4%，该模型对番茄叶部病害及每种病害早中晚期的平 均识别准确率达到 92.7%，基于此模型的 Andriod端识别系统在田间的识别率达到 89.2%，能够满足生产实践中移动平台 下的病害图像识别需求。研究结果可为基于卷积神经网络的作物病害图像识别提供参考，为作物病害的自动化识别和工 程化应用参考。 关键词：图像处理；病害；图像识别；算法；卷积神经网络；番茄病害；多尺度 doi：10.11975/j.issn.1002-6819.2019.13.018 中图分类号： S511 文献标志码：A 文章编号：1002-6819(2019)-13-0162-08 郭小清，范涛杰，舒 欣. 基于改进Multi-Scale AlexNet的番茄叶部病害图像识别J. 农业工程学报，2019，35(13)： 162169. doi：10.11975/j.issn.1002-6819.2019.13.018 http :/www.tcsae.org Guo Xiaoqing, Fan Taojie, Shu Xin. Tomato leaf diseases recognition based on improved Multi-Scale AlexNet J. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(13): 162169. (in Chinese with English abs tract) doi：10.11975/j.issn.1002-6819.2019.13.018 http :/www.tcsae.org 0 引 言 番茄叶部发生病害会严重影响产量与品质，且诸多 病害都是从叶部开始发病，进而蔓延到整个植株 1 ，及时 准确地识别出叶部病害类型是病害综合防治的关键。近 年来，基于图像的模式识别技术在农作物病害诊断领域 取得广泛应用 2-4 。传统针对作物病害识别的算法是通过 提取、筛选颜色、纹理、形状等特征来进行的，但同种 病害在不同发病阶段病症差异明显，多种病害可能表现 出相似的病理表征，这些复杂的自然因素使传统的模式 识别方法在解决番茄病害识别问题时普适性较差。基于 图像的病害识别本质上是图像分类问题，深度卷积神经 网络在图像识别领域的应用是新的研究热点 5-12 。杨国国 等 13 利用图像的显著性分析定位茶园害虫的位置，通过 缩减网络层数、减少卷积核数目等改进 AlexNet 14 模型， 并结合 Dropout 等优化方法提升了模型的准确性与效率， 优化后的模型对茶园 23 种害虫平均识别准确率达到 88.1%。孙俊等 15 通过使用 Batch Normalization、Global Average Pooling 16 、缩小卷积核尺寸等方法改进 AlexNet 网络模型，提升了准确率，减少了模型所需参数，对简 单背景下 14 种作物的 26 种病害识别平均准确率达到收稿日期：2018-09-24 修订日期：2019-02-18 基金项目：中央高校基本业务费项目(KYZ201547)；国家自然科学基金项目 (61602248)；江苏省自然科学青年基金项目(BK20160741) 作者简介：郭小清，山西繁峙人，博士，讲师，主要从事基于视觉的作物病 害诊断、机器学习方面研究。Email：gxqingnjau.deu.cn 99.56%，对田间的复杂背景识别率较低。王艳玲等 17 将 迁移学习应用于原始 AlexNet 网络中，对 10 种类别番茄 叶片的平均识别准确率达到 95.62%。 Aravind 等 18 利用原 始 AlexNet、VGG16 网络，结合迁移学习分别在识别 7 种分割后的番茄叶片上取得 97.29%、97.49%的准确率。 采用迁移学习虽然可以使模型快速收敛，达到较好地识 别效果，但也受限于必须使用原始的网络结构，原始 AlexNet 和 VGG16 模型结构复杂，参数众多，极大的限 制了模型的实际应用和部署。 相较于传统的模式识别方法，基于深度卷积网络 （convolutional neural network, CNN）的病害识别方法摒 弃了复杂的图像预处理和特征提取操作， 采用端到端的结 构简化了识别流程。在 ILSVRC 竞赛中涌现的 AlexNet、 VGG 19 、 ResNet 20 、 Inception 21-24 等不断刷新通用目标识 别的准确率。也有学者根据移动设备和嵌入式设备的应 用需求，改进设计了轻量化的卷积模型，典型的代表有 MobileNet 25 、SqueezeNet 26 等，但鲜少相关实践应用的 报道。本文将依据最新的 CNN 理论研究成果与番茄叶部 病害图像本身的特点，研究并开发面向农户的番茄叶部 典型病害识别系统，以期为作物病害的自动化识别和工 程化应用提供参考。 1 数据来源 1.1 样本数据 本文的番茄叶部图像数据，一部分(5 127 张)取自 PlantVillage(http:/www.plantvillage.org)数据库，该数据库第 13期 郭小清等：基于改进 Multi-Scale AlexNet的番茄叶部病害图像识别 163 收录了大量的植物病害图像。一部分(639 张)拍摄于南京 农业大学牌楼基地，采用索尼 DSC-WX350，分辨率 4 896×3 672 像素，自动白平衡、光学对焦，在户外晴天 对番茄叶部正面主体进行拍摄，从番茄种植到收获完毕 的整个生育期内共采集到 8 种类别的番茄叶部图像样本 (健康样本和 7 种病害样本)，且每种病害图像样本包含不 同的发病阶段。 从获取的番茄病害样本可知，番茄病害的识别主要 有以下 2个难点： 1）不同病害的表征具有一定的相似性; 2）同种病害不同的发育阶段表征差异明显。 1.2 数据增强 获取的各类病害样本分布极不均匀，细菌性斑点病 989张，斑枯病 243 张，黄曲病 373张，早疫病 586 张， 晚疫病 953 张，花叶病 952 张，轮斑病 1 036张，健康样 本 634 张。在深度学习中，样本分布不均匀会影响模型 识别的准确率 27-28 ，故对数量较少的样本数据进行增强 处理。数据增强时要符合实际应用条件，不能随意扩增， 例如颜色是不同病害的主要表征之一，在做图像增强时 不能改变原来图像的颜色。为模拟自然拍摄条件下的复 杂环境影响，在 Tensorflow框架下结合 opencv 完成样本 图像数据增强。主要采用如下数据增强手段：1）随机裁 剪(Random Crop)：在较大图像的不同区域随机裁剪出局 部图像从而得到更多的数据。2）翻转(Flip)：沿着图像的 水平方向和垂直方向进行翻转，不会改变病斑部分与健 康部分的相对位置，模拟自然条件下的拍摄角度的随机 性。3）旋转(Rotation)：以图像中心为原点旋转一定的角 度获取新的图像。4）颜色抖动(Color Jittering)：改变图 像的亮度、饱和度、对比度、色调等。由于色调是区分 番茄不同病斑的重要指标，模拟自然环境下拍摄时的亮 度差异，仅改变图像的亮度。5）缩换变化(Zoom)：按照 一定比例放大或缩小图像，有助于识别多种尺度下的目 标。6）添加噪声(Add Noise)：对图像添加一定的噪声可 以得到新的图像，本文对图像添加椒盐噪声和高斯噪声， 模拟拍摄不同清晰条件的样本。增强后的样本数据集为： 细菌性斑点病 989 张，斑枯病 945张，黄曲病 1 086 张， 早疫病 1 129 张，晚疫病 953 张，花叶病 952 张，轮斑病 1 036 张，健康 1 259 张。 1.3 试验环境 本文所使用的试验平台为 Ubuntu 16.04LTS，内存为 16GB，搭载 Intel® Core i7-6700hq， 2.4GHz x8 处理 器，显卡 NVIDIA GeForce 960m(4G)，采用深度学习框架 Tensorflow1.4 19 和 Keras2.1 21 。 2 改进 Multi-scale AlexNet模型 2.1 AlexNet结构与不足 AlxeNet 发表于 2012 年，并以显著优势获得了年度 ILSVRC 竞赛冠军。AlexNet网络要求输入图像的尺寸为 (224×224×3)，共计 8 层。第一层接受图像输入后，经过 卷积层、局部响应归一化层和最大池化层，输出形状为 (27×27×96)的张量并向下传递； 第二层的数据流向依次为 卷积层、最大池化层和局部响应归一化层，输出张量形 状为(13×13×256)；第三层和第四层分别只包含一个卷积 层，经过 2 层的卷积操作后输出形状为(13×13×384)；第 五层的数据流向依次为卷积层和最大池化层，输出形状 为(6×6×256)；第六层和第七层为全连接层，每层各有神 经单元 4 096 个(6×6×256=4 096)，文献29中作者为减轻 过拟合，在第六层和第七层设置了 dropout，取值为 0.5； 第八层为输出层。 AlexNet 用到的诸多技巧为卷积神经网络的工业化 应用奠定了基础， 但 AlexNet整个网络模型包含 6亿 3000 万个连接，6 000 万个参数和近 65 万个神经元，过多的 参数使模型在训练中极易出现过拟合现象。采用 Tensorflow 框架训练完毕后的模型文件 652 MB，严重限 制了 AlexNet在移动平台的应用。 2.2 多尺度 AlexNet模型设计 针对 AlexNet模型的局限性、 番茄病害识别的难点及 移动平台存储空间和运算速度有限的应用需求，在保证 病害识别模型准确率的前提下，尽可能缩减模型大小、 提升运行效率。 2.2.1 改进设计步骤 1）去除局部响应归一化层 局部响应归一化(local response normalization, LRN) 来源于神经生物学中的侧抑制机制，即被激活的神经元 会抑制相邻的神经元，归一化的目的是起到“抑制”作 用。在卷积神经网络的发展中，LRN 逐渐被摒弃，经典 的卷积模型 VGGNet、 ResNet、 GoogleNet等都去除了 LRN 结构。VGGNet 作者在其 2014 年的论文中指出：LRN 没 有提升卷积网络在 ILSVRC 数据集上的性能，却增加了 运算时间。 基于上述原因 Multi-Scale AlexNet模型去除了 LRN 结构。 2）修改全连接层 全连接层通常置于卷积神经网络的后端，起到分类 的作用。在用于图像识别时，会使得特征权值过于密集， 从而造成模型的过拟合，增加模型训练的难度。近年来 的研究 20-24 表明，通过对网络结构的高效设计，可以通 过简化全连接层减少模型的参数。参考已有研究成果 13 ， 对 Multi-Scale AlexNet 全连接层做了去除 fc6、fc7，添加 平均池化的结构设计。 3）添加多种感受野尺寸 对输入图像用不同尺寸的卷积核进行卷积，可以同 时提取多种局部特征，得到不同特征上的响应。深度卷 积神经网络中，底层卷积提取边缘、颜色、纹理等简单 信息，高层卷积完成特征的抽象，卷积层越靠后，提取 的信息越接近目标对象 30 。 AlexNet模型中的第一层采用了 11×11的大尺寸卷积 核，通常认为在底层设置大尺寸卷积更趋向于响应粗粒 度特征 (如边缘、轮廓特征) 15 。识别番茄叶部的不同病 害时，需要考虑如下问题: 1)病害发病初期，病斑微小， 捕捉细节纹理困难，造成模型的过拟合，增加模型训练 难度。微小的颜色差异(细粒度特征)是区分不同病害的关 键。图 1 中分别代表发病早期的番茄细菌性斑点病、轮 斑病、早疫病、晚疫病、斑枯病、花叶病、黄曲病和健农业工程学报（http:/www.tcsae.org） 2019年 164 康叶片，每幅图像中圆圈部分代表叶片的发病部位，病 斑微小，与健康叶片的差异不大，病斑的边缘、轮廓等 信息不明显，肉眼难以区分。 2)不同病害在发病的某个阶 段表现出相似的颜色、纹理、轮廓特征。图 2 表示细菌 性斑点病、早疫病、斑枯病 3 种病害发病图中晚期。3 种 病害的病斑中心都呈现出棕色的斑点，斑点外围变黄并 向四周蔓延。3 种病害在颜色、轮廓和纹理等方面表现出 一定的相似性。3)同一种病害在不同发病阶段，病症差异 明显。图 3代表番茄花叶病的早、中、晚发病图，和番茄 早疫病的早、中、晚发病图。随着病情持续，病斑轮廓、 边缘差异加大，叶片在轮廓、颜色、纹理等方面均表现出 明显的差异。已有的相关病害识别文献2-4,13,15,29,31在 识别多种病害时，鲜少考虑以上问题。 综上所述，识别番茄叶部病害类别，既要考虑不同 病害的细粒度特征，又要考虑不同病害的粗粒度特征， 综合提取多种特征是表征病害动态变化的关键。因此在 Multi-Scale AlexNet模型第一层设置不同尺寸的卷积核， 以改善网络底层对不同粒度特征的响应。 图 1 番茄典型病害早期发病叶部图像 Fig.1 Early pathogenesis of typical tomato diseases 图 2 番茄细菌性斑点病、早疫病、斑枯病叶部图像 Fig.2 Bacterial speck, early blight, spot blight of tomato 图 3 番茄花叶病、早疫病在不同阶段的发病图 Fig.3 Infected pictures of different stages of tomato mosaic disease and early blight 采用 4 种不同尺度 ( 1×1 )、(3×3)、(5×5)和(7×7)，个 数分别为 32、32、16 和 16 的卷积核并行提取样本图像 特征，然后合并为同一个张量继续向下传递。这四种尺 寸的卷积核在 VGGNet、Inception 系列、ResNet 中被广 泛使用，充分验证了其在图像识别、目标定位中的优越 性。因采用了多尺寸卷积结构。 2.2.2 模型结构与参数设置 Multi-Scale AlexNet 共计 6 层，部分参数设置参考 原 AlexNet 模型，整个网络模型的详细结构和参数如图 4 所示。 图 4 Multi-Scale AlexNet结构与参数 Fig.4 Structure and parameters of Multi-Scale AlexNet 2.3 评价指标 移动平台的性能约束，要求识别模型在保证精度的 同时快速响应用户的操作，并尽可能压缩模型运行的内 存需求，以便于提供良好的用户体验。因此采用移动端 较敏感的 3 个指标评价识别系统的性能。 2.3.1 平均识别准确率 平均识别准确率(average accuracy, AA)是检验模型性 能的最重要指标。 s n i i ii s n n n 1 1（1） 式中 s n 为样本的类别总数（本文针对番茄的 8 种样本类 别， 因此 s n =8。 ） ； 8 , 1 i 为样本类别标签； i n 表示第 i 类第 13期 郭小清等：基于改进 Multi-Scale AlexNet的番茄叶部病害图像识别 165 样本的总个数； ii n 表示第 i 类样本预测结果为 i 的总个数 (即每类样本中预测正确的个数)。 2.3.2 前向传播速率和反向传播速率 模型的运行速率是影响模型应用的重要指标。前向 传播速率(forward propagation rate, FPR)指样本数据从输 入网络到输出结果所用的时间，前向传播速率越短，表 示模型识别速度越快。反向传播速率(backward propaga- tion rate, BPR)指网络权重与偏置从输出层到输入层更新 一轮所用的时间，反向传播速率越短，表示模型更新迭 代的速度越快，有利于模型的训练和更新。 FPR ep n i f ep t n 1 1（2） B P R ep n i b ep t n 1 1（3） 式中 ep n 表示试验轮数，本文共测试 600 轮，因此 600 ep n ； f t 表示每轮前向传播所用时间，ms； b t 表示 每轮反向传播所用时间，ms。 2.3.3 内存需求 内存需求是影响模型在移动平台应用的重要指标。 移动平台内存空间有限，运行消耗的内存过大会导致应 用启动慢、后台易杀死、系统更新耗费流量等问题，严 重影响用户的使用体验。因此在保证精度的同时，尽可 能压缩模型大小，是模型在移动平台应用的关键。 2.4 试验分析 对比试验均采用 AdamOptimizer 优化更新参数，初 始学习率设定为 0.003，损失函数为交叉熵(cross-en- tropy)，权值初始化方法采用 Xavier，偏置全部初始化为 0，分类层采用 softmax 函数，每个模型更新迭代(epo- ch)1 200 次， 每个批次(BatchSize)32 个样本， 训练过程中， 每次迭代输入之前会随机打乱(shuffle)。 以增强后的 8 349 张图像为基准数据集，训练集、验证集、测试集比例为 7:2:1。 本文设计了 5 种试验方案 （表 1所示） 进行性能分析。 表 1 试验方案 Table 1 Experiment scheme LRN层 LRN layer 全连接层设计 Full connected layer 尺度设计 Scale design 方案 编号 Sch- eme No. 保留 Preserve 去除 Remove 原始 Original 去除 fc6、 fc7， 添加平 均池化 Remove fc6 and 7, add average pooling 去除 fc6、 fc7，添加最 大池化 Remove fc6 and 7, add maximum pooling 原尺寸卷 积核 Original size convolution kernel 多尺寸卷 积核 Multi scale convolution kernel 1 2 3 4 5 2.4.1 改进后性能分析 1）局部响应归一化层对模型的影响 由表 2 可知，去除 LRN 层后，模型大小无变化， 识别准确性仅下降 0.6 个百分点，但前向传播速率和反 向传播速率显著加快。因此后续对比试验以方案 2 为基 础去除 LRN层。 表 2 各试验方案性能对比 Table 2 Comparison test of all experiment schemes 方案编号 Scheme No. 测试集平均准确率 Average accuracy on test dataset/% 前向传播速率 Forward propa- gation rate/ms 反向传播速率 Back propa- gation rate/ms 内存需求 Memory/MB 1 88.3 61 219 652 2 87.7 43 141 652 3 89.5 38 113 30.2 4 88.9 38 114 30.2 5 92.7 43 125 29.9 2）全连接层设计对模型的影响 去除 LRN 层后，分别将全连接层修改为全局平均池 化和全局最大池化后的试验对比。 由方案 2、3、4 可知，AlexNet模型的参数几乎全部 集中于全连接层，重新设计全连接层后，模型大小仅相 当于原来的 4.3%，模型大小缩减为 30.2 MB。方案 5 的 内存需求比原始 AlexNet 的内存需求 652 MB 降低了 95.4%。简化全连接层不仅提升了准确性，也提升了模型 的前向传播速率和反向传播速率，适于模型在移动平台 的应用。由表 2 可知，添加全局平均池化后的模型准确 率最高，故后续改进以方案 3 为基础在全连接层采用全 局平均池化。 3）多尺度感受野对模型的影响 引入多尺度感受野后的 AlexNet 模型在测试集上的 准确率提升了 3.2 个百分点， 表明引入多尺度感受野后模 型提取的特征更能准确的表征不同病害。由于采用了多 个较小尺寸的卷积核，模型参数减少，模型运行所需的 内存需求降低，但多个卷积操作稍微增加了模型的运行 时间。 2.4.2 与其他识别模型对比 选取 2 类识别模型进行对照试验。一类是基于传统 模式识别的方法 31 ，该方法在病害诊断领域应用广泛。 另一类是基于深度学习的方法，近年来已在病害识别、 分割等领域初步应用。 1）与传统模式识别方法的对比与分析 对照试验的设计过程参考文献31，该文献设计了一 种基于颜色、纹理加 SVM的病害识别方法。数据集包含 7 种病害样本早、中、晚 3个不同的发病阶段，训练集、 验证集、测试集比例为 7:2:1。由于传统模式识别方法在 特征提取、图像分割部分不支持 GPU加速，2 种方法的 对比试验在相同的 CPU上进行， 识别时间表示识别单张 图像的平均用时，重复 600轮。试验结果（表 3）表明： Multi-Scale AlexNet 对图像的输入要求低，能在更短的 时间内完成病害识别任务，在保留背景且不进行病斑分 割的条件下，其在识别早、中、晚 3 个不同发病阶段的 病害叶片时，均取得较高的识别准确率，且整体识别准农业工程学报（http:/www.tcsae.org） 2019年 166 确率达到 92.7%。 表 3 Multi-Scale AlexNet与传统模式识别方法的试验对比 Table 3 Comparative test between Multi-Scale AlexNet and traditional pattern recognition method 测试集准确率 Average accuracy on test dataset/% 方法 Method 分割病斑 Segmented disease spot 保留背景 Reserve backgrou nd 识别时间 Recogniti on time (CPU)/ms 早期 Early stage (227张) 中期 Mid-sta ge (325张) 晚期 Late stage (284张) 平均 Average 文献31 否 否 272 13.2 31.1 37.0 28.2 文献31 是 否 327 31.7 66.8 69.4 58.1 Multi-Scal e AlexNet 否 是 127 86.8 94.2 95.8 92.7传统模式识别方法对图像的输入要求苛刻，在进行 分类之前，图像需要经过去背景、病斑分割等复杂流程， 这些预处理流程严重影响了模型的识别速度和识别精 度，且提取有限的颜色、纹理、形状特征不能准确地反 映病害特征的动态变化。同种病害在不同的发病阶段其 颜色、纹理、形状差异明显，导致传统模式识别方法在 识别不同发病阶段的病害时，准确性存在较大差异；而 不同病害又具有一定的相似性，因此其整体识别准确率 偏低。 2) 与其他卷积神经神经网络的对比与分析 目前采用卷积神经网络进行病害识别的文献较少， 本文选取了 3 种具有代表性的卷积结构进行对比试验。 第一种是基于 MobileNet的识别方法， 该方法谷歌于 2017 年发布，是一种小尺寸、高精度的卷积模型，能够满足 移动平台的图像识别需求；第二种是基于弹性动量的卷 积神经网络方法 29 ， 该方法在 LeNet-5 32 的基础上改进得 来，其在识别果体病害图像方面取得了较好的效果；第 3 种是基于 SequeezeNet的识别方法， 该方法通过高效的卷 积设计，在保证精度的同时极大的缩减了模型大小。对 比试验在相同的 GPU 上测试输入单张图像(BatchSize=1) 的平均耗时，共测试 600 轮，对比后果见表 4。 表 4 Multi-Scale AlexNet与其他卷积网络模型的试验对比 Table 4 Comparison of Multi-Scale AlexNet and other convolutional network models 测试集准确率 Average accuracy on test dataset/% 方法 Method 图像输入 要求 Image input size 识别时间 Recogniti on time (GPU)/ms 内存需 求 Memory/ MB 早期 Early stage (227张) 中期 Mid- stage (325张) 晚期 Late stage (284张) 平均 Average MobileNet 224 × 224×3 141 37.9 89.9 92.9 92.2 91.9 LeNet-5 28×28×3 2 0.8 20.7 26.8 33.5 27.4 SequeezeNet 224× 224×3 152 13 86.9 90.5 88.4 88.8 Multi-Scale AlexNet 224× 224×3 122 29.9 86.8 94.2 95.8 92.7试验结果表明，LeNet-5 准确性最差，原因在于 LeNet-5 要求图像的输入尺寸较低，病害图像在压缩后大 量的有用信息被丢弃导致其准确率只有 27.4%。 MobileNet 在未经任何优化的前提下，依然得到了 91.9% 的准确率，表明其所采用的深度可分卷积(Depthwise Convolutional)单元具有一定的泛化性。番茄病斑在中晚 期开始扩大和蔓延，由于 MobileNet和 SequeezeNet 大量 采用 1×1 和 3×3 的小尺寸卷积核，因此其在识别发病中 期和晚期的图片时准确率均低于 Multi-Scale AlexNet, 表 明增加多种尺度感受野有利于识别不同发病阶段的病 害。由于 MobileNet 采用的深度可分离卷积单元和 SequeezeNet 采用的 fire model 结构，网络内部均涉及数 量众多的小尺寸卷积操作和频繁的特征拼接，故耗时较 长。 Multi-Scale AlexNet相比与 MobileNet和 SequeezeNet， 图像输入尺寸一致，识别时间更短，准确率最高，综合 三种评价指标，更适合在移动平台识别不同发病阶段的 番茄病害。 3 基于Multi-Scale AlexNet模型的番茄叶部病害 识别系统 以 Multi-Scale AlexNet 模型为基础，开发基于 Android 平台的番茄叶部病害识别系统。系统的设计流 程如图 5 所示。Multi-Scale AlexNet 要求输入格式为彩 色图像，用户采集任意尺寸上传后，系统通过缩放将图 像尺寸统一为 224×224×3。由于 Multi-Scale AlexNet 模 型分类层采用的是 softmax 函数，该函数会输出各类别 的概率分布，系统会把最大概率值所对应的标签作为结 果向用户返回。由于在图像输入环节存在诸多不确定 性，此处设定阈值为 0.5，当最大类别标签的概率值大 于或等于 0.5 时，向用户返回识别结果，概率值小于 0.5时，请求用户重新输入一张图片。出于交互友好性 考虑，图像的输入提供现场拍摄和本地上传 2 种方式， 识别结果除了向用户直接展示， 也可以将识别结果以截 图的形式保存于本地，方便用户查看，系统运行界面如 图 6 所示。 图 5 番茄病害识别系统流程设计 Fig.5 Process designment of tomato disease identification system 第 13期 郭小清等：基于改进 Multi-Scale AlexNet的番茄叶部病害图像识别 167 图 6 基于 Android的病害识别系统界面 Fig.6 Interface of disease identification system based on Android 系统完成后用自采集样本(87 张， 取自测试集)进行工 程化测试，测试结果如表 5 所示。 表 5 Android平台番茄叶部病害识别系统应用测试 Table 5 Application test of tomato leaf disease recognition system based on Android platform 测试集中自采集样本准确率 Accuracy on self-collected samples from test database/% 图像输入 要求 Image input size 测试设备 Test device 识别时间 Recognition time (CPU)/ms 早期 Early stage (12张) 中期 Mid-stage (36张) 晚期 Late stage (39张) 平均 Average 彩色图像 Color image MEIZU note6 (Android6.0) 212 84.0 89.1 94.6 89.2识别系统能够在普通安卓平台完成 5 帧/s 左右的识 别速度，由于自采集样本较开源数据集背景复杂，因此 测试结果准确率偏低。后续将加入基于深度学习的快速 定位、分割等算法，排除背景干扰，提升实践性能。 4 结 论 本文在分析 AlexNet 结构和详细参数的基础上指出 其存在的不足，结合 8 种番茄叶部图像样本的识别难点 及移动端对病害图像识别模型的运行要求，设计了 Multi-Scale AlexNet 模型，并基于此模型实现 Android 端的识别系统。去除局部响应归一化层 LRN、简化全连 接层的设计能够加快识别模型的运行速率，缩减模型所 需参数；引入多尺度感受野提取特征能更准确地表征不 同病害，也有利于提升不同发病阶段病害的识别准确 率。与传统模式识别方法及其他卷积神经网络模型的对 比试验显示，该模型能较好地平衡识别准确率和运行所 耗的内存需求，运行效率高，模型的平均识别准确率达 到 92.7%。基于该模型实现的番茄病害识别系统，能够 在普通安卓平台完成 5 帧/s 的识别速度，并在自采集样 本上达到 89.2%的识别准确性，初步满足移动平台番茄 病害识别的生产需求。 参 考 文 献 1 苏春国. 番茄常见病虫害综合防治建议J. 农民致富之友, 2017(23): 155. 2 刘涛，仲晓春，孙成明，等. 基于计算机视觉的水稻叶部 病害识别研究J. 中国农业科学，2014，47(4): 664674. Liu Tao, Zhong Xiaochun, Sun Chengming, et al. Recognition of rice leaf diseases based on computer visionJ. Scientia Agricultura Sinica, 2014, 47(4): 664 674. (in Chinese with English abstract) 3 王美丽，牛晓静，张宏鸣，等. 小麦叶部常见病害特征提 取及识别技术研究J. 计算机工程与应用，2014，50(7)： 154157. Wang Meili, Niu Xiaojing, Zhang Hongming, et al. Research on feature extraction and recognition of common diseases of wheat leafJ. Computer Engineering and Applications, 2014, 50(7): 154157. (in Chinese with English abstract) 4 王献锋，张善文，王震，等. 基于叶片图像和环境信息的 黄瓜病害识别方法J. 农业工程学报吗，2014，30(14)： 148153. Wang Xianfeng, Zhang Shanwen, Wang Zhen, et al. Recognition of cucumber diseases based on leaf image and environmental informationJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(14): 148153. (in Chinese with English abstract) 5 Yi D, Lei Z, Li S Z. Age Estimation by multi-scale convolutional networkC/ Asian Conference on Computer Vision. Springer, Cham, 2014: 144158. 6 Yang H F, Lin B Y, Chang K Y, et al. Automatic age estimation from face images via deep rankingC/ Proc. British Machine Vision Conference. 2015. 7 Rothe R, T