水稻是中国主要的粮食作物，但水稻病害直接影响其产量和质量，因此，水稻病害的诊断和防治具有十分重要的意义。如何使水稻病害诊断快捷、方便、准确及智能，采取有效的绿色防治措施尤为重要。

随着智能识别技术的不断发展，其应用被广泛推广到各个领域，将该技术应用到病虫害的识别始于20世纪90年代。REHKUGLER等^[1]研制出了对苹果表面缺陷进行检测和分级处理的设备。陈佳娟等^[2]利用计算机视觉进行棉花虫害程度的自动测定，误差小于0.05。何勇等^[3]提出主成分分析和神经网络结合对苹果品种鉴别准确率高达100%。宋凯等^[4]采用支持向量机的识别技术对玉米叶部病害识别。周珂^[5]通过提取病害的颜色和特征对烟草青枯病害识别诊断。PORNPANOMCHAI等^[6]采用图像处理方法对泰国草本物种进行识别分类，准确率达到93.29%。刘君等^[7]根据作物病害叶片颜色差异，对作物病害进行自动识别。王军英^[8]根据葡萄的发病部位、形状、颜色和主要症状建立BP神经网络诊断模型对病害进行识别。李学俊等^[9]对扁豆病害进行图像识别研究。房俊龙等^[10]通过提取豆粒特征参数利用计算机视觉技术对大豆进行分级筛选。王欣等^[11]通过提取棉花的颜色、形状和纹理特征利用可见光机器视觉技术对棉花伪异性纤维进行识别研究，识别准确率达99.15%。以上文献均是通过提取研究对象图像特征进行分析研究，并取得了一定的研究成果，但由于植物病害类型是多种多样的，往往表现为质地、形状和颜色等多种复合特征，这为图像识别技术带来了巨大的挑战，也影响了识别的效果。因此，探寻一种既不依赖植物病害特征又能较好地识别病害的方法尤其重要。

由于卷积神经网络(convolutional neural networks，CNN)可以不依赖图像特定特征进行图像识别，因此被广泛地应用到各个领域(如人脸识别^[12-13]、语音识别^[14]和行人检测^[15]等)，且识别效果较好。不少研究者利用卷积神经网络模型对植物病害识别进行了相应的研究，如龚丁禧等^[16]对植物叶片分类、孙俊等^[17]对多种植物病害识别、张善文等^[18]对冬枣病害及黄瓜叶部病害识别等方面进行了研究。

利用卷积神经网络对水稻病害识别研究方面，目前只有黄双萍等^[19]对水稻穗瘟病检测进行了研究，因此本研究拟利用卷积神经网络对水稻稻瘟病、纹枯病、稻曲病3种病害建立病害识别模型，通过设置不同的模型参数和激活函数，对3种常见病害图像进行模拟训练测试，并进行比较分析，以期取得较好的识别效果，为植物病害的识别技术提供借鉴和参考。

1.   材料与方法

1.1   试验数据

本研究的研究对象为水稻稻瘟病、纹枯病和稻曲病3种病害，对病害图像进行分类识别。原始图像总计800余张，对图像进行偏移、缩放、旋转等操作，将样本集扩充为8 627张，训练集6 871张，测试集1 756张。将样本集进行编号分类并制作标签，标签0为稻瘟病，1为稻曲病，2为纹枯病。同时，统一将图像分辨率修改为64×64像素，以jpeg格式导入计算机，构建水稻病害数据库。

1.2   试验方法

卷积神经网络(CNN)模型是一种前向神经网络和深度学习方法，通过共享权值、局部连接和池化达到网络更优化及降低过拟合。由于多层卷积层和池化层能提取图像的分类特征，Softmax分类器能实现图像分类识别，因此被广泛用于图像识别相关领域。

1.2.1   卷积神经网络的基本结构

卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成，它的基本结构如图1所示。卷积层的本质是图像特征提取，因一层卷积提取到的特征往往是局部的，如需提取的图像特征更全面，则需使用多层卷积。池化层是对卷积层的图像特征进行降维，以简化网络复杂度和提取图像主要特征。池化操作一般采用最大池化(max pooling)、平均池化(mean pooling)和重叠池化(overlapping pooling)等。全连接层(fully connected layers)的作用主要是对特征图像计算每种类别的概率，从而实现图像分类识别。

图  1  卷积神经网络基本结构

Figure  1.  The basic structure of convolutional neural network

下载: 全尺寸图片 幻灯片

1.2.2   样本批量归一化处理

由于水稻品种多样，病害图像颜色、亮度及尺寸均存在差异，且涉及3种病害，因此需对样本每个批次进行归一化处理，采用均值标准化的方法使样本值的取值范围为[0，1]。步骤如下：

计算每个批次的均值与方差

This page contains the following errors:

Below is a rendering of the page up to the first error.

1.2.3   卷积神经网络病害模型构建

将卷积神经网络应用于水稻病害识别问题，建立相应的病害识别模型如图2所示。该模型对输入卷积层的图像数据进行归一化处理，卷积层和池化层均为3层，输出层神经元3个(3种病害)，分类器采用Softmax，神经元激活函数为Relu。

图  2  水稻病害识别模型

Figure  2.  Rice disease identification model

下载: 全尺寸图片 幻灯片

2.   结果与分析

参与模型训练的水稻病害样本数8 627，其中训练样本数6 871张，测试样本数1 756。

试验软件采用Keras深度学习开源框架，选用Python为编程语言。模型训练采用批量训练的方法，每个批次训练的样本数为50个，测试集样本数为20个，共迭代20次，卷积核步长为2，初始学习率为0.01。

2.1   模型准确率分析

为验证病害识别模型的有效性，将测试集中的图像输入到已经训练好的病害识别模型进行准确率分析。结果如表1所示：从卷积核尺寸来看，卷积核尺寸为9×9时模型识别率最高，这是由于不同感受野对图像特征的提取能力不同引起的；从池化类型看，采用最大池化识别率较高，可能是因为最大池化主要保留水稻病害图像的纹理信息，而平均池化主要保留水稻病害图像的背景信息；从训练时间看，卷积核尺寸与训练时间呈正相关，因网络的时间复杂度与卷积核尺寸有关；从识别率看，模型的准确率均达到90%以上，说明该模型具有较强的稳定性和鲁棒性。综合分析，模型中卷积核尺寸采用9×9，池化类型采用最大池化识别效果较好。

表  1  设置不同的模型参数测试准确率分析表

Table  1.  Model parameter and test accuracy analysis table

模型参数model parameter		训练时间/h training time	识别率/% accuracy
卷积核尺寸convolution kernel size	池化类型pooling type
5×5	max pooling	0.4	91.01
7×7	max pooling	0.45	92.12
9×9	max pooling	0.52	96.67
11×11	max pooling	0.65	96.05
5×5	mean pool	0.41	91.47
7×7	mean pool	0.49	92.43
9×9	mean pool	0.55	96.39
11×11	mean pool	0.69	96.65

下载: 导出CSV 

| 显示表格

2.2   模型性能变化趋势分析

采用该模型对水稻3种病害进行分类识别研究，对迭代过程中损失函数值和水稻病害预测精度测试分析，以分析模型的收敛性能及预测准确率。

由图3可知：随迭代次数增加，样本训练准确率、测试样本准确率呈逐渐上升，测试样本准确率起初出现较小波动，当迭代到6次时，图像趋于稳定。样本训练准确率图像未出现波动，当迭代到9次时，其训练及测试准确率均接近96%以上。训练过程中其损失函数呈梯度下降趋势，变化相对平稳，预测损失偏差逐步减少，随着数据规模的增加，并未出现过拟合现象，说明训练后的模型具有较强的泛化能力，预测准确率较高。迭代到5次后，预测准确率达90.0%，根据图像的变化趋势可知基本达到了收敛状态。

图  3  利用模型预测病害性能分析图

注：train acc. 样本训练准确率；train loss. 样本训练损失率；val acc. 测试样本准确率；val loss. 测试样本损失率；acc-loss. 准确率和损失率值；epoch. 模型迭代次数。

Figure  3.  Prediction of disease performance using a model

Note: train acc. the sample training accuracy rate; trainloss. the sample training loss rate; val acc. the test sample accuracy rate; val loss. the test sample loss rate; acc-loss. the accuracy rate and loss rate value; andepoch. the model iteration number.

下载: 全尺寸图片 幻灯片

2.3   模型比较分析

利用该模型进行水稻病害图形图像分类研究，模拟运行100 次，得到平均识别率为96.03%。黄双萍等^[19]建立的GoogLeNet模型预测识别率为92%，LU等^[20]建立的基于CNN的模型准确率为95.48%，HUANG等^[21]建立的BoSW模型在室内光环境下的高光谱成像穗瘟检测识别率为96.4%，而在室外识别率仅为78.3%。经比较，说明该模型识别率较高，模型有效可行。

3.   讨论

本研究针对传统水稻病害识别技术对图像特定特征依赖性强，识别效率低等问题进行了研究，提出将卷积神经网络应用于3种水稻(稻瘟病、稻曲病、纹枯病)病害的识别中，建立了基于卷积神经网络的水稻病害识别模型。对水稻3种常见病害数据进行了归一化处理，采用深度学习框架Keras进行深度CNN训练。

通过设置不同的卷积核尺寸和池化函数，对水稻3种常见病害进行分类识别研究。根据试验结果，卷积核尺寸越大，训练时间越长；卷积神经网络时间、空间复杂度均与卷积核尺寸有关，贾世杰等^[22]研究发现：通过卷积和采样得到的特征数目越多，处理时间就越长。卷积核尺寸不同提取图像特征的能力不同，图像识别正确率有所不同；采用最大池化比平均池化识别率较高，说明水稻病害纹理特征对图像识别准确率影响较大，而病害的背景信息对图像识别的影响较小。

通过对模型的预测性能进行了试验研究，发现当迭代次数到6次，图像趋于稳定，且均未出现较大波动。其损失函数图像变化相对平稳，未出现过拟合现象，说明该模型具有较好的鲁棒性和泛化能力。

通过与其他模型图形图像识别率比较，说明该模型识别性能更强，实用性较好，能够识别水稻3种病害，也为后续的植物病害研究提供理论依据和参考价值。

由于本研究对水稻3种常见病害进行了研究分析，不可避免地存在一定局限性，为使模型更好的推广应用。下一步工作将收集大量高质量的水稻病害图像，对模型进行优化和调整，以提高水稻病害图形图像识别的实用性和准确性。由于水稻病害的特殊性，可能在1棵植株上表现多种症状，如何有效鉴别病害的类型，采取有效的防御措施，将是亟需开展的课题。此外，利用CNN进行图像识别时，模型中有大量参数，如何找到最优参数也是研究难题之一。